Not a sign from the Universe, just a retargeted ad: how Criteo uses Deep Learning to power its predictive bidding engine

Vous êtes-vous déjà demandé comment les publicités que vous voyez arrivent sur votre écran ? Pour une entreprise adtech comme Criteo, chaque fois que vous naviguez sur une page web est une opportunité — une opportunité de mettre une publicité pertinente devant vous. Cependant, Criteo n'est pas le seul acteur dans ce jeu, donc obtenir cette publicité nécessite de gagner une enchère : combien Criteo est-il prêt à payer pour un affichage donné ? Dans cette présentation, nous commencerons par un aperçu de chacun des composants qui entrent dans le calcul du prix d'enchère. Le composant sur lequel nous nous concentrerons plus en détail est la prédiction qu'un certain affichage mènera à une action désirée - que ce soit un clic, une visite, une vente, etc. Comme vous l'avez probablement deviné, de telles prédictions sont la sortie de modèles de machine learning. Historiquement, les modèles de choix étaient la régression logistique et les arbres boostés par gradient, mais plus récemment diverses parties du pipeline ont commencé à être remplacées par des architectures de deep learning. Venez apprendre les défis de l'entraînement de modèles de machine learning sur des jeux de données hautement déséquilibrés et bruités composés de centaines de millions à milliards d'affichages, et les maintenir à jour alors que de nouvelles modalités de fonctionnalités continuent d'arriver, tout en tenant compte des besoins business complexes de l'entreprise.