An Optimization Framework for Digital Advertising Budget Allocation Based on Multi-Objective Distributed Federated Learning and Cloud Computing

في السوق غير المرئية والواسعة للإنترنت، تنفق الشركات مليارات الدولارات كل عام في محاولة لعرض الإعلان المناسب للشخص المناسب في اللحظة المناسبة. هذه هي الإعلانات الرقمية، وهو مجال مدفوع بكميات هائلة من البيانات حول ما ينقر عليه الناس، وما يشاهدونه، وما يشترونه. لفترة طويلة، كانت الطريقة الأكثر فعالية لإدارة هذا الإنفاق هي تجميع كل بيانات المستخدمين تلك في حاسوب مركزي واحد ضخم. ومع ذلك، اصطدم هذا النهج بحائط مسدود؛ إذ تحظر قوانين الخصوصية الآن بصرامة على الشركات تكديس المعلومات الشخصية، كما أن الحجم الهائل للبيانات جعل الحواسيب المركزية بطيئة ومكلفة للغاية بحيث لا يمكنها التعامل معها. علاوة على ذلك، غالبًا ما تتحدث منصات إعلانية مختلفة، مثل شبكات التواصل الاجتماعي ومحركات البحث، لغات بيانات مختلفة، مما يجعل من الصعب دمج رؤاها. ويتمثل التحدي الذي يواجه الشركات الحديثة في إيجاد طريقة للتعلم من هذه المعلومات المشتتة لإنفاق ميزانياتها بحكمة، دون رؤية التفاصيل الخاصة للمستخدمين أنفسهم مطلقًا.

لقد طور فريق من الباحثين نظامًا جديدًا لحل هذا اللغز، يعمل كدماغ موزع وآمن للإعلانات. فبدلاً من إرسال بيانات المستخدم إلى مركز محوري، يبقي أسلوبهم البيانات حيث توجد، في الخوادم المحلية لكل منصة إعلانية. تقوم هذه الخوادم المحلية بتدريب نماذج صغيرة خاصة بها لفهم كيفية سلوك المستخدمين، لكنها تشارك فقط الدروس التي تعلمتها — أي الأوزان الرياضية لنماذجها — بدلاً من البيانات الخام نفسها. هذه العملية، المعروفة باسم "التعلم الاتحادي" (Federated Learning)، تسمح للعديد من المنصات المختلفة بالتعاون وتحسين ذكاء مشترك دون الكشف عن تاريخ مستخدم واحد خاص أبدًا. ولجعل هذا يعمل في العالم الحقيقي، بنى الباحثون إطار عمل يستخدم الحوسبة السحابية لتنسيق هذه الجهود الموزعة، مما يضمن بقاء النظام سريعًا وآمنًا وقادرًا على التعامل مع القرارات المعقدة في الوقت الفعلي.

جوهر إطار العمل الجديد هذا هو نظام ذي محرك مزدوج مصمم لاتخاذ نوعين صعبين من القرارات في آن واحد. المحرك الأول هو خوارزمية تعلم تساعد النظام على فهم عدم اليقين في الإعلانات. في الماضي، كانت الحواسيب تخمن النتيجة المتوسطة لحملة إعلانية، لكن هذه الطريقة الجديدة تتعلم النطاق الكامل للنتائج المحتملة، بما في ذلك المخاطر والأمور غير المتوقعة. وهذا يسمح للنظام بوضع رهانات أكثر أمانًا عندما يكون المستقبل غير واضح. أما المحرك الثاني فهو أداة تحسين تعمل كمخطط مالي ماهر؛ فهي لا تبحث فقط عن أفضل طريقة واحدة لإنفاق المال، بل توازن بين أهداف متعددة في وقت واحد. فهي تحاول تعظيم العائد على الاستثمار، وزيادة عدد الأشخاص الذين ينقرون على الإعلانات، وإبقاء التكاليف منخفضة، كل ذلك مع مراعاة كيف يمكن لإعلان يُعرض اليوم أن يؤثر على سلوك المستخدم غدًا، أو كيف يمكن لحملة على منصة ما أن تؤثر على حملة أخرى. ومن خلال الموازنة بين هذه الأولويات المتضاربة، يجد النظام توازنًا مثاليًا قد يغفل عنه المخطط البشري.

لاختبار ما إذا كان هذا النظام المعقد يعمل بالفعل، أجرى الباحثون عمليات محاكاة مكثفة باستخدام مجموعتي بيانات واقعيتين كبيرتين من نقرات الإعلانات. احتوت إحدى مجموعتي البيانات، وهي (ADAC)، على عشرين مليون سجل من منصة تجارة إلكترونية كبرى، بينما احتوت المجموعة الأخرى (CTRD) على مائة ألف سجل من مصادر متنوعة عبر الإنترنت. وقارنوا طريقتهم الجديدة بعدة أساليب قائمة، بما في ذلك الأنظمة المركزية القديمة وتقنيات أخرى حديثة تحافظ على الخصوصية. كانت النتائج مذهلة؛ حيث حقق إطار العمل الجديد دقة بلغت 99.4 بالمائة على مجموعة بيانات (ADAC) و99.1 بالمائة على (CTRD)، متفوقًا على أفضل الأساليب السابقة بفارق كبير، مع تحسينات تراوحت بين 3.4% و6.7% مقارنة بالبدائل المتطورة. ومن الناحية الاقتصادية، أظهر النظام أنه يمكنه تحقيق عائد على الإنفاق الإعلاني قدره 4.85، مما يعني أنه مقابل كل دولار يتم إنفاقه، يتم توليد ما يقرب من خمسة دولارات من الإيرادات. كما تمكن أيضًا من خفض التكلفة التقديرية للحصول على عميل جديد إلى 12.40 دولارًا فقط، وهو رقم أفضل بكثير من البدائل. وقد استُخلصت هذه المقاييس الاقتصادية باستخدام نموذج محاكاة معايير الإيرادات، نظرًا لأن مجموعات البيانات الأصلية لم تكن تحتوي على معلومات صريحة عن الإيرادات.

كان أحد أهم النتائج هو أن هذا النظام لا يعمل في النظرية فحسب، بل هو قوي بما يكفي للتعامل مع الواقع الفوضوي للإنترنت. فقد قام الباحثون بمحاكاة سيناريوهات حيث تفشل أو تتوقف ما يصل إلى 30 بالمائة من المنصات المشاركة عن العمل أثناء العملية. وحتى في ظل هذه الظروف القاسية، انخفض أداء النظام بنسبة ضئيلة جدًا، مما يثبت قدرته على تحمل عدم استقرار الشبكة العالمية. كما اختبروا مدى قدرة النظام على التعامل مع أنواع مختلفة من البيانات، وهي مشكلة شائعة حيث يتصرف مستخدمو منصة ما بشكل مختلف تمامًا عن مستخدمي منصة أخرى. وقد تكيف الأسلوب الجديد بسرعة مع هذه الاختلافات، محافظًا على دقة عالية حيث تعثرت الأنظمة القديمة. وأكدت الدراسة أنه من خلال الجمع بين مشاركة البيانات الآمنة والتخطيط الرياضي المتقدم، من الممكن إنشاء نظام إعلاني ليس فقط أكثر ربحية، بل يحترم أيضًا خصوصية المستخدم ويتوسع للتعامل مع آلاف الشبكات المختلفة في آن واحد.

لقد لاحظ الباحثون بعناية أنه على الرغم من أن هذه النتال هي واعدة للغاية، إلا أنها تحققت من خلال عمليات محاكاة حاسوبية صارمة وليس من خلال حملات مباشرة على الويب المفتوح. فقد تم اختبار النظام في بيئة محكومة تحاكي سلوك الخوادم السحابية الحقيقية والشبكات الإعلانية، مما سمح للفريق بقياس كل متغير بدقة. ووجدوا أن النظام يتطلب قدرًا محددًا من القوة الحوسبية للوصول إلى ذروة كفاءته، حيث حددوا إعدادًا أمثل يوازن بين السرعة والتكلفة. كما سلطت الدراسة الضوء على أن كل مكون في إطار عملهم الجديد، بدءًا من حماية الخصوصية وصولًا إلى طريقة تعامله مع عدم اليقين، لعب دورًا حاسمًا في نجاحه. وقد أدى إزالة أي جزء واحد إلى انخفاض في أداء النظام، مما يثبت أن الكل أكبر من مجموع أجزائه.

في نهاية المطاف، يقدم هذا العمل مسارًا جديدًا لصناعة الإعلانات الرقمية. فهو يوضح أن الشركات ليس عليها الاختيار بين حماية خصوصية المستخدم وإدارة حملات تسويقية فعالة. فمن خلال استخدام نهج موزع حيث يحدث التعلم محليًا ولا يتم مشاركة سوى الرؤى، يحقق النظام مستوى من الذكاء لا تستطيع النماذج المركزية مضاهاته. وتشير النتائج إلى أنه في المستقبل، يمكن تخصيص ميزانيات الإعلانات بدقة تبدو وكأنها حدسية تقريبًا، مدفوعة بنظام يتعلم من السلوك الجماعي لملايين المستخدمين دون الحاجة أبدًا لرؤية بياناتهم الشخصية. ويمثل إطار العمل هذا خطوة مهمة نحو اقتصاد رقمي أكثر كفاءة وأمانًا وذكاءً، حيث يتم إطلاق العنان لقيمة البيانات دون المساس بالثقة التي يمنحها الأشخاص الذين يولدونها.