Yahoo integra Amazon Bedrock per migliorare il retargeting dalle ricerche
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
La Demand‑Side Platform di Yahoo usa modelli generativi su Bedrock insieme a regole e machine learning per collegare l'intento di ricerca a annunci rilevanti su più canali.
Yahoo ha collegato Amazon Bedrock alla sua Demand‑Side Platform per raffinare il retargeting basato sulla ricerca e trasformare le query in messaggi pubblicitari più pertinenti su più canali1.
L’obiettivo è chiaro: leggere meglio l’intento espresso nelle ricerche e usarlo per costruire segmenti di pubblico utili agli inserzionisti. I metodi basati su elenchi di keyword invecchiano in fretta. Faticano con sinonimi, contesto e sfumature. Yahoo affianca a regole e machine learning modelli generativi per superare questi limiti1.
La DSP di Yahoo funge da punto di controllo unico per attivare campagne omnicanale. L’integrazione con Bedrock inserisce un livello di comprensione semantica che mira a ridurre la dipendenza da corrispondenze testuali. Il sistema punta a connettere ciò che gli utenti cercano con annunci coerenti, non solo con termini identici alle parole digitate1.
Il lavoro ruota attorno ai segmenti di pubblico: gruppi creati a partire da interessi e comportamenti osservabili. Le query di ricerca forniscono segnali forti di intento. I modelli generativi aiutano a tradurre quei segnali in segmenti che gli inserzionisti possono attivare nella stessa interfaccia della DSP, insieme a regole e modelli predittivi già in uso1.
Yahoo descrive una filiera continua: dalla query alle audience, dall’audience all’erogazione su più canali, con accesso a inventory premium e ampia scala. L’azienda presenta così un retargeting più vicino all’intento reale della ricerca, con messaggi che tengono conto del significato, non solo delle parole1.
La fonte non riporta numeri, benchmark o esempi di campagne; né specifica quali modelli di Bedrock vengano impiegati o con quali metriche di successo. Indica però la direzione: generativa a supporto di regole e machine learning per una migliore lettura delle query e un targeting più aderente all’intento1.
Per chi compra media, l’implicazione è pratica: meno manutenzione di elenchi statici di keyword, più attenzione alla qualità dei segnali di intento e alla costruzione di segmenti attivabili in modo coerente su canali diversi. Resta da vedere come questa capacità si tradurrà in risultati misurabili, quando Yahoo condividerà dati di performance o casi d’uso concreti1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.