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

इंटरनेट के विशाल, अदृश्य बाजार में, कंपनियाँ हर साल अरबों डॉलर खर्च करती हैं ताकि सही व्यक्ति को सही समय पर सही विज्ञापन दिखाया जा सके। यह डिजिटल विज्ञापन है, एक ऐसा क्षेत्र जो लोगों के क्लिक करने, देखने और खरीदने के बारे में भारी मात्रा में डेटा से संचालित होता है। लंबे समय तक, इस खर्च को प्रबंधित करने का सबसे प्रभावी तरीका सारा उपयोगकर्ता डेटा एक विशाल, केंद्रीय कंप्यूटर में एकत्र करना था। हालाँकि, यह दृष्टिकोण अब एक दीवार से टकरा गया है। गोपनीयता कानून अब कंपनियों को व्यक्तिगत जानकारी जमा करने से सख्ती से रोकते हैं, और डेटा की भारी मात्रा ने केंद्रीय कंप्यूटरों को बहुत धीमा और महंगा बना दिया है। इसके अलावा, विभिन्न विज्ञापन प्लेटफॉर्म, जैसे सोशल मीडिया नेटवर्क और सर्च इंजन, अक्सर अलग-अलग डेटा भाषाओं में बात करते हैं, जिससे उनके अंतर्दर्ष्टों (insights) को जोड़ना कठिन हो जाता है। आधुनिक व्यवसायों के लिए चुनौती यह है कि वे इस बिखरी हुई जानकारी से सीखने का एक तरीका खोजें ताकि वे अपने बजट का बुद्धिमानी से उपयोग कर सकें, बिना स्वयं उपयोगकर्ताओं के निजी विवरण देखे।

शोधकर्ताओं की एक टीम ने इस पहेली को हल करने के लिए एक नया सिस्टम विकसित किया है, जो विज्ञापन के लिए एक सुरक्षित, वितरित मस्तिष्क (distributed brain) की तरह कार्य करता है। डेटा को प्रत्येक विज्ञापन प्लेटफॉर्म के स्थानीय सर्वर पर ही रखने के बजाय, उनका तरीका डेटा को वहीं रखता है जहाँ वह है। ये स्थानीय सर्वर उपयोगकर्ताओं के व्यवहार को समझने के लिए अपने स्वयं के छोटे मॉडल प्रशिक्षित करते हैं, लेकिन वे कच्चे डेटा के बजाय केवल सीखे गए सबक—अपने मॉडलों के गणितीय भार (mathematical weights)—को ही साझा करते हैं। यह प्रक्रिया, जिसे 'फेडरेटेड लर्निंग' कहा जाता है, कई अलग-अलग प्लेटफार्मों को एक साझा बुद्धिमत्ता को बेहतर बनाने के लिए सहयोग करने की अनुमति देती है, बिना किसी भी उपयोगकर्ता के निजी इतिहास को उजागर किए। इसे वास्तविक दुनिया में काम करने योग्य बनाने के लिए, शोधकर्ताओं ने एक ऐसा ढांचा बनाया है जो इन वितरित प्रयासों के समन्वय के लिए क्लाउड कंप्यूटिंग का उपयोग करता है, यह सुनिश्चित करते हुए कि सिस्टम तेज़, सुरक्षित और वास्तविक समय में जटिल निर्णय लेने में सक्षम रहे।

इस नए ढांचे का मूल एक 'दोहरा-इंजन' (dual-engine) सिस्टम है जिसे दो कठिन प्रकार के निर्णय एक साथ लेने के लिए डिज़ाइन किया गया है। पहला इंजन एक लर्निंग एल्गोरिदम है जो सिस्टम को विज्ञापन की अनिश्चितता को समझने में मदद करता है। अतीत में, कंप्यूटर विज्ञापन अभियान के औसत परिणाम का अनुमान लगाते थे, लेकिन यह नई विधि परिणामों की पूरी श्रृंखला को सीखती है, जिसमें जोखिम और अप्रत्याशित घटनाएँ भी शामिल हैं। यह सिस्टम को अनिश्चित भविष्य में सुरक्षित दांव लगाने की अनुमति देता है। दूसरा इंजन एक अनुकूलन उपकरण (optimization tool) है जो एक कुशल वित्तीय योजनाकार की तरह कार्य करता है। यह केवल पैसा खर्च करने के सबसे अच्छे तरीके को नहीं देखता; बल्कि, यह एक साथ कई लक्ष्यों को संतुलित करता है। यह निवेश पर प्रतिफल (ROI) को अधिकतम करने, विज्ञापनों पर क्लिक करने वाले लोगों की संख्या बढ़ाने और लागत को कम रखने का प्रयास करता है, और साथ ही इस बात का भी ध्यान रखता है कि आज दिखाया गया विज्ञापन कल उपयोगकर्ता के व्यवहार को कैसे प्रभावित कर सकता है या एक प्लेटफॉर्म पर चल रहे अभियान का दूसरे प्लेटफॉर्म पर क्या प्रभाव पड़ेगा। इन प्रतिस्पर्धी प्राथमिकताओं को संभालते हुए, सिस्टम एक आदर्श संतुलन पाता है जो एक मानव योजनाकार भी मिस कर सकता है।

यह परीक्षण करने के लिए कि क्या यह जटिल प्रणाली वास्तव में काम करती है, शोधकर्ताओं ने विज्ञापन क्लिक के दो बड़े, वास्तविक दुनिया के डेटासेट्स का उपयोग करके व्यापक सिमुलेशन चलाया। एक डेटासेट, ADAC में एक प्रमुख ई-कॉमर्स प्लेटफॉर्म के दो करोड़ रिकॉर्ड शामिल थे, जबकि दूसरे, CTRD में विभिन्न ऑनलाइन स्रोतों से एक लाख रिकॉर्ड थे। उन्होंने अपनी नई पद्धति की तुलना कई मौजूदा दृष्टिकोणों से की, जिसमें पुराने केंद्रीकृत सिस्टम और अन्य आधुनिक गोपनीयता-संरक्षण तकनीकें भी शामिल थीं। परिणाम आश्चर्यजनक थे। नए ढांचे ने ADAC डेटासेट पर 99.4 प्रतिशत और CTRD पर 99.1 प्रतिशत की सटीकता प्राप्त की, जो पिछले सर्वोत्तम तरीकों से काफी अधिक थी, जिसमें अत्याधुनिक विकल्पों की तुलना में 3.4% से 6.7% तक का सुधार देखा गया। आर्थिक दृष्टि से, सिस्टम ने दिखाया कि यह विज्ञापन खर्च पर 4.85 का रिटर्न उत्पन्न कर सकता है, जिसका अर्थ है कि खर्च किए गए प्रत्येक डॉलर के लिए, लगभग पांच डॉलर का राजस्व उत्पन्न हुआ। इसने नए ग्राहक प्राप्त करने की अनुमानित लागत को केवल $12.40 तक कम करने में भी सफलता प्राप्त की, जो कि विकल्पों की तुलना में काफी बेहतर था। ये आर्थिक मेट्रिक्स एक कैलिब्रेटेड रेवेन्यू सिमुलेशन मॉडल का उपयोग करके प्राप्त किए गए थे, क्योंकि मूल डेटासेट्स में स्पष्ट राजस्व जानकारी नहीं थी।

एक सबसे महत्वपूर्ण निष्कर्ष यह था कि यह सिस्टम केवल सिद्धांत में ही नहीं काम करता है; यह इंटरनेट की जटिल वास्तविकता के लिए पर्याप्त मजबूत है। शोधकर्ताओं ने ऐसे परिदृश्य सिम्युलेट किए जहाँ प्रक्रिया के दौरान भाग लेने वाले 30 प्रतिशत तक प्लेटफॉर्म विफल हो गए या ऑफलाइन हो गए। इन कठोर परिस्थितियों में भी, सिस्टम के प्रदर्शन में केवल एक मामूली गिरावट आई, जो यह सिद्ध करता है कि यह एक वैश्विक नेटवर्क की अस्थिरता को झेलने में सक्षम है। उन्होंने यह भी परीक्षण किया कि सिस्टम विभिन्न प्रकार के डेटा को कितनी अच्छी तरह से संभालता है, जो एक सामान्य समस्या है जहाँ एक प्लेटफॉर्म के उपयोगकर्ता दूसरे से बहुत भिन्न व्यवहार करते हैं। नया तरीका इन अंतरों के प्रति तेजी से अनुकूलित हुआ, और उन क्षेत्रों में उच्च सटीकता बनाए रखी जहाँ पुराने सिस्टम संघर्ष कर रहे थे। अध्ययन ने पुष्टि की कि सुरक्षित डेटा साझाकरण के साथ उन्नत गणितीय योजना को जोड़कर, एक ऐसा विज्ञापन सिस्टम बनाना संभव है जो न केवल अधिक लाभदायक है, बल्कि उपयोगकर्ता की गोपनीयता का सम्मान भी करता है और एक साथ हजारों नेटवर्क को संभालने के लिए स्केल (scale) भी हो सकता है।

शोधकर्ताओं ने सावधानीपूर्वक उल्लेख किया कि हालांकि ये परिणाम अत्यधिक आशाजनक हैं, लेकिन ये खुले वेब पर लाइव अभियानों के बजाय कठोर कंप्यूटर सिमुलेशन के माध्यम से प्राप्त किए गए थे। सिस्टम का परीक्षण एक नियंत्रित वातावरण में किया गया था जो वास्तविक क्लाउड सर्वर और विज्ञापन नेटवर्क के व्यवहार की नकल करता था, जिससे टीम को हर चर (variable) को सटीकता के साथ मापने की अनुमति मिली। उन्होंने पाया कि सिस्टम को अपनी चरम दक्षता तक पहुँचने के लिए एक विशिष्ट मात्रा में कंप्यूटिंग शक्ति की आवश्यकता होती है, जिससे एक इष्टतम सेटअप की पहचान हुई जो गति और लागत को संतुलित करता है। अध्ययन ने यह भी रेखांकित किया कि उनके नए ढांचे का प्रत्येक घटक, गोपनीयता सुरक्षा से लेकर अनिश्चितता को संभालने के तरीके तक, उनकी सफलता में महत्वपूर्ण भूमिका निभाता है। किसी भी एक हिस्से को हटाने से सिस्टम के प्रदर्शन में गिरावट आती है, जो यह सिद्ध करता है कि संपूर्ण अपने हिस्सों के योग से कहीं अधिक महान है।

अंततः, यह कार्य डिजिटल विज्ञापन उद्योग के लिए एक नया मार्ग प्रशस्त करता है। यह दिखाता है कि कंपनियों को उपयोगकर्ता की गोपनीयता की रक्षा करने और प्रभावी मार्केटिंग अभियान चलाने के बीच किसी एक को चुनने की आवश्यकता नहीं है। एक वितरित दृष्टिकोण का उपयोग करके जहाँ सीखना स्थानीय स्तर पर होता है और केवल अंतर्दृष्ट साझा किए जाते हैं, यह सिस्टम एक ऐसी बुद्धिमत्ता प्राप्त करता है जिसे केंद्रीकृत मॉडल नहीं छू सकते। परिणाम बताते हैं कि भविष्य में, विज्ञापन बजटों को ऐसी सटीकता के साथ आवंटित किया जा सकता है जो लगभग सहज (intuitive) महसूस हो, जो एक ऐसे सिस्टम द्वारा संचालित हो जो लाखों उपयोगकर्ताओं के सामूहिक व्यवहार से सीखता है, बिना कभी उनके व्यक्तिगत डेटा को देखे। यह ढांचा एक अधिक कुशल, सुरक्षित और बुद्धिमान डिजिटल अर्थव्यवस्था की ओर एक महत्वपूर्ण कदम है, जहाँ डेटा के मूल्य को उन लोगों के विश्वास से समझौता किए बिना अनलॉक किया जा सकता है जो इसे उत्पन्न करते हैं।