跳到主要內容

LINE Ads Platform 演進史，魔鬼藏在細節中

LINE Developer Day 2019 有一場 Session 讓自己一定要參加一下，LINE Ads platform revolution。
https://speakerdeck.com/line_devday2019/how-line-ads-platform-is-constantly-evolving

Ads Platform

對於大部分的人來說，這可能是一個最熟悉的陌生人，對於電商平台以及眾多需要曝光的使用者來說， Ads 的來臨讓各位迎來曙光。
最直接的例子莫過於 Facebook 廣告投遞，簡單來說，
投標 -> 快曝光 (給錢) -> 轉換 -> 達到目標
但是，最重要的就是這個 BUT , 投標與曝光之間有許多事情需要進行。
數位廣告已經脫離一刊 100 元的年代許久（雖然許多公司還是用這樣的概念在做事情），但實際上的概念是，
投標 -> 達到標地 -> 投遞 ->  投遞總量 * 投標金額 / 目標轉換
當此數字出來時，才會是大家所期待看到 100 元 / Click (或者任何轉換) 的計算金額。
聰明的各位肯定有想到了，這樣最簡單的方式，其實並不是告訴大家要投標多少，而是從使用者希望的轉換的預期金額，來進行回推投標金額。
因此還是一樣的概念，投標數字越高，就可以越快達到標，簡單來說就是，
如果有 100 元達不到的事情，那就 200 元，如果再不行就 ...

Ads Platform 驚奇之旅

對於廣告平台來說，有兩件事情，
  1. 讓使用者願意投錢
  2. 使用者投遞的錢，可以適當的放到正確位置，給正確的人
在所謂的 Realtime bidding 當中，最困難的部分莫過於， Realtime 的部分，以 LINE 的例子來說，如果台灣有 1900 萬的使用者，意味著如何在投遞的過程中做出 87% 相似，或盡量做到與實際狀況相同的推估，這要將 Data 在之前做大量的預先處理，以及對於版面的選擇做最優化處理，包含此群眾與版面之間互動關係推估等，會是
  • UI
  • API
  • DATA / Rules
  • AI / Preprocess
這幾個項目的結合，才可能可以做到很適當的配合與推估行為，讓使用者投遞金額時達到一定的信心程度，同時使用者在進行小量投遞的時候，也會參考 Ads Platform 的推估進行做實際數字比對，讓使用者進行交互比對，提高對於 Ads Platform 的信心程度。

Auto biding

能夠達到上述部分之後，擁有夠多的實際投遞結果，加上實際的數據，以及使用者喜好程度，素材，群眾類型，轉換行為等資訊後，才有辦法逐步做出 auto biding.
看似很簡單的投遞行為，實際上在 LINE Ads Platform 也提出幾個機制。
  • 即時監控機制（包含資料，投遞，使用者行為）
  • 可測試環境與資料 （進行實際狀況離線及線上驗證，進行小且多型的驗證 A/B testing）
  • 即時回饋機制（從投遞，到效益結果的表現）
而其中講者其實有輕描淡寫的講述了一部分，那就是在做 Prediction 的時候其實尤其困難，因為你不會知道使用者的投遞區間，假設 1week 的時間，其實你很難預測到 1week 後使用者行為會是怎麼轉變，會不會真的達到目標（轉換），並且這是要做整段時間的追蹤。
這段，雖然講述起來輕鬆，但實際過程實在煎熬，需要等待資料的累積，同時也需要同時修正預測模型和算法，需要不斷的與 AI 團隊溝通，同時又要背負著這個廣告平台怎麼這麼難用的煎熬 … （掩面哭泣）。
相信也是在這段時間才有辦法做出 Reach and frequency buying simulator，讓整體預估可以趨近於實際狀況。

後記

你說廣告系統好玩嗎？
很好玩，而且越是了解廣告系統行為之後，你就會更清楚 LINE / Google / Facebook 為什麼這樣下廣告，更可以了解數位廣告生態的模式，從投遞平台到實際測試投遞廣告，到廣告實際投放過程就可以體會到，目前這個廣告系統是到哪一個階段。
How LINE Ads Platform is Constantly Evolving 一場很輕鬆 40 多分鐘的演講，可能對於大部分的聽眾來說會是無感的，也會覺得只是在描述一個平台的成長過程，與自己所知道的名詞相差無幾。
實際上談笑風生之餘，底下藏了多少血淚，還有多少工程，數據，算法的結合，加上被需求與供給方追殺的血淚累積出來的成果。
就像是上面最後一張圖一樣，數位廣告方式實際上還在成長中，我們都也是在持續探索這個數位世界，當我們用 lookalike 探索出數位人格之後，能做的事情更大了。
但也表示需要對於使用者的隱私需要有更多的負責，也意味著 Ads Platform 需要做出一定的 filter, 讓真正的廣告可以被刊出，讓假廣告與擾亂人群的惡意擴散資訊退散，盡到平台該負責的責任。
雖然很久沒有接觸數位廣告，但能夠再次聽到 LINE Ads Platform 開發史這樣的歷程，可以讓我們思考一下，也許下個 5 年，數位廣告會是什麼樣子，我們可以怎麼進行整個架構規劃，一想起來就覺得『興奮啊』

留言

張貼留言

這個網誌中的熱門文章

Vibe Coding：為什麼 Junior 更快上手？Senior 要如何追趕？

現象層面（市場觀察） 最近有篇文章討論 junior & senior 開發者在 AI 時代的角色轉變，非常熱門。 身為 Cympack 產品開發團隊 ，我們也一直關注這個議題，在閱讀這篇文章時觀察到一些有趣的現象，對我們來說，這正好反映出 AI 正在改變開發生態，junior 借力 AI 快速成長、senior 則需要在 「架構思維」 與 「多 agent 協作」 中找到新定位，其中有些啟發（insight) 可以跟大家分享。 為什麼 Junior 更容易上手 vibe coding？ 心智負擔低 → Junior 沒有太多傳統 code workflow 的框架包袱 敢於嘗鮮 → Gen Z / 年輕工程師天生習慣用 prompt-based 工具、跟 LLM 互動 少「優雅程式設計」的束縛 → 不太糾結「這樣寫會不會不夠優雅」，反而 embrace 快速迭代、快速出成果 反觀 Senior： 熟悉大型系統設計 有豐富的「工程正統流程」知識（架構設計、測試策略、效能優化、設計模式） 對 AI 生成 code 的品質 / 維護性通常比較保留 部分 10+ 年資深工程師，對 prompt engineering 沒那麼熟練，還在觀望 技能面（未來的關鍵能力） Vibe coding 本質上 = prompt engineering + AI co-pilot 管理能力 能力項目 誰目前比較有優勢？ Prompt 撰寫 / AI 互動 Junior 較強（熟悉 chat-based 流程） 系統設計 / 架構把關 Senior 較強 AI 生成 code 驗證 / Bug 察覺能力 Senior 較強（能看出潛在問題） 快速疊代 / Hackathon 式開發 Junior 較強 長期維護性 / 穩定性 Senior 較強 總結 Junior 確實更快適應 vibe coding，並且更習慣以 「chat-based coding」 的工作流開發。 Senior 擁有驗證 AI 產物與系統設計的深度能力，但若不主動練習 vibe coding，長期會逐漸落後於新一波開發潮流。 就如同在 GAI 技術年會分享，希望帶給各位的感受， 『與 AI 協...
張貼留言
繼續閱讀>>

RAG 和 Prompt 原理超簡單解說！想知道 AI 怎麼找答案看這篇

這篇文章是給對於你已經開始使用所謂的 ChatGPT / Claude / Gemini 之類的 AI 服務，甚至是 Siri (嘿丟，他也是一種 AI 應用服務喔） 簡單來說是非 技術人員， PM，小白，想要趕快惡補的人 ，直接花十分鐘可以看完的一篇科普業配文章。 或者是概念僅止於，AI 這東西會幻想，會有誤差，會對於生活有些幫助但沒有幫助的人們，做個簡單又不是太簡單的介紹，希望用一個非常入門的方式讓你們有個了解。 當然，這篇文章目的很簡單， 就是引流 ，如果你身邊有已經對於 Web 技術開發的人員，歡迎報名分享給他，年末出國不如學一技在身，參加今年我們舉辦最後一場 RAG 實作工作坊，報名連結 ， https://exma.kktix.cc/events/ai-for-dev-course-rag-2 注意： 接下來每個大段落結束都會有一段工商導入，但文章絕對精彩，請注意！ 為了讓各位容易想像，我們將整個世界的資訊，先濃縮到這本『西遊記』的世界觀當中，我們整個世界都在這個 『西遊記』 ，而 大型語言模型 我們用 『書精靈』 來描述。 PS. 我們先預設各位，應該都有聽過，西遊記！如果沒有聽過西遊記的，請右轉出去，謝謝！ 先來談談向量 在《西遊記》的世界裡，我們可以把 向量想像成一種「內容座標」 ，讓系統知道每個角色、場景、法術等的 「位置」和「距離」 。向量幫助語言模型知道不同內容之間的關聯程度。 向量就像內容的「距離」和「位置」 比方說，唐三藏的 「位置」（向量）會接近「佛經」和「取經」 的概念，因為他一路上都是為了取經而前進。孫悟空的 向量位置則會更靠近「金箍棒」和「七十二變」 這些概念，因為這些是他的特徵。 相似內容靠得更近：像「佛經」和「取經」會靠近唐三藏的向量，因為它們彼此有很強的關聯。 相差較大內容會離得較遠：像「取經」和「妖怪」「妖怪的寶藏」就距離比較遠，因為妖怪的寶藏和取經的目標關聯性不大。 是誰決定的這些位置？ 簡單來說，這些位置和關係是模型自己學出來的。語言模型會閱讀大量的資料和這世界觀的資訊，觀察哪些詞語經常一起出現，根據「共同出現的頻率」來決定它們的關係，並且自動生成向量。例如： 如果模型看到 「唐三藏」 總是和 「取經」 一起出現，它就會讓「唐三藏」的向量靠近「取經」。 ...
2 則留言
繼續閱讀>>

Vibe Coding 協作到自建 Dev Agent？從 Claude / Codex 到 OpenHands

過去一年，越來越多工程師開始 把 AI 真正帶進工作流程 。從一開始用 ChatGPT、Claude 來問語法問題，到後來很多人愛上 Cursor，直接在編輯器裡讓 AI 幫忙改 code、補 test case、甚至自動整理 PR。這樣的開發體驗，已經大大改變了我們寫程式的方式。 更現實的是，在很多企業內部、政府單位、或涉及機密資料的專案裡， 其實根本不能直接用 Cursor 或雲端 LLM 工具。   畢竟這些服務通常會把資料傳到雲端模型做處理，萬一專案裡有未公開的技術、敏感客戶資料，或是受限於法規 （像金融、醫療、政府標案） ，直接用雲端 AI 工具就會踩 紅線 。  因此，許多團隊反而更希望 「自己架一套 Dev Agent」 ，可以在內網執行，資料完全掌握在自己手上，該整合的內部工具、該讀的私有 repo、該串的 CI/CD pipeline，全部客製化、安全可控。 這時候，像 OpenHands 這樣的開源 Dev Agent 框架就特別有價值。它的出發點不是單純的 AI 助手，而是讓你能夠打造出一個真的可以跑在自己環境裡、可以理解整個開發流程的 AI 工程師。從建置到部署，從 CLI 操作到瀏覽器查詢， 從多檔案編輯到自動測試，全部都能自己完成，甚至還能針對不同專案調整專屬的工作流。 對很多開始探索 AI 協作開發的團隊來說，這是一條 從 「AI 幫你寫一段程式」，走向「AI 幫你解決一整個任務」 的進化路徑。而且，還是在可控、可自定義、安全的環境裡完成的。 🧩 主要概述 OpenHands 是由 All‑Hands AI 開發的開源「軟體開發代理人平台」，能模仿人類工程師從建立程式、修改程式碼、執行指令，到瀏覽網頁、呼叫 API……等一整套開發流程 它提供雲端（OpenHands Cloud）與本地 Docker 運行版本，用戶能配置 LLM（如 Claude、OpenAI、Gemini…) 📚 核心特性與怎麼使用 代理人的工具能力 支援代碼編輯、命令行、執行環境、網頁瀏覽、API 呼叫—接近人類開發者完整技能。其中 OpenHands Cloud 版本提供 $50 試用額度讓大家方便使用，又或者如果自己本機有 docker 的話，可以自己Local 版本透過 Docker 自架環境。 ...
張貼留言
繼續閱讀>>