Yahoo 利用 Amazon Bedrock 提升搜索重定向广告精准度
数字广告中，将用户搜索意图与跨渠道广告体验连接是一大挑战。Yahoo 的全渠道需求方平台（DSP）通过 Amazon Bedrock 部署生成式 AI，升级其搜索重定向（SRT）功能。传统方法依赖 Word2Vec 和局部敏感哈希，存在词汇过时、语义理解有限等问题。新方案利用大语言模型生成更相关、语义更丰富的关键词扩展，帮助广告主触达更大、更精准的受众。该改进已在 Yahoo DSP 广告技术套件中落地，提升了搜索意图与展示、视频等广告形式的衔接效率。 #Yahoo #AmazonBedrock #搜索重定向 #生成式AI #数字广告 #DSP #大语言模型 #关键词扩展
数字广告中，将用户搜索意图与跨渠道广告体验连接是一大挑战。Yahoo 的全渠道需求方平台（DSP）通过 Amazon Bedrock 部署生成式 AI，升级其搜索重定向（SRT）功能。传统方法依赖 Word2Vec 和局部敏感哈希，存在词汇过时、语义理解有限等问题。新方案利用大语言模型生成更相关、语义更丰富的关键词扩展，帮助广告主触达更大、更精准的受众。该改进已在 Yahoo DSP 广告技术套件中落地，提升了搜索意图与展示、视频等广告形式的衔接效率。 #Yahoo #AmazonBedrock #搜索重定向 #生成式AI #数字广告 #DSP #大语言模型 #关键词扩展
Hugging Face
如果你接触过机器学习或生成式AI，很可能已经遇到过Hugging Face。它远不止是一个Python库，而是一个彻底改变AI开发方式的生态系统。在Hugging Face出现之前，复现一篇论文的模型往往需要数小时甚至数天：从研究论文到GitHub仓库，再到克隆代码、安装依赖、下载权重、解决版本冲突，最后才能运行模型。不同研究组的项目结构各异，有的用TensorFlow，有的用PyTorch，配置文件和依赖管理混乱不堪。Hugging Face通过提供统一的接口解决了这一碎片化问题。其核心是Hugging Face Hub，研究人员在此发布模型、数据集和AI应用；周围则是专门化的库，如Transformers（提供数千个预训练模型）、Datasets（简化数据处理）、Tokenizers（高效文本转换）、Diffusers（支持图像和视频生成）、Accelerate（分布式训练）、PEFT（参数高效微调）等。这些工具共同构成了一个从发现、下载、训练到评估和部署的完整工作流，让AI开发变得前所未有的便捷。 #HuggingFace #AI开发 #机器学习 #Python #开源 #深度学习 #大模型
如果你接触过机器学习或生成式AI，很可能已经遇到过Hugging Face。它远不止是一个Python库，而是一个彻底改变AI开发方式的生态系统。在Hugging Face出现之前，复现一篇论文的模型往往需要数小时甚至数天：从研究论文到GitHub仓库，再到克隆代码、安装依赖、下载权重、解决版本冲突，最后才能运行模型。不同研究组的项目结构各异，有的用TensorFlow，有的用PyTorch，配置文件和依赖管理混乱不堪。Hugging Face通过提供统一的接口解决了这一碎片化问题。其核心是Hugging Face Hub，研究人员在此发布模型、数据集和AI应用；周围则是专门化的库，如Transformers（提供数千个预训练模型）、Datasets（简化数据处理）、Tokenizers（高效文本转换）、Diffusers（支持图像和视频生成）、Accelerate（分布式训练）、PEFT（参数高效微调）等。这些工具共同构成了一个从发现、下载、训练到评估和部署的完整工作流，让AI开发变得前所未有的便捷。 #HuggingFace #AI开发 #机器学习 #Python #开源 #深度学习 #大模型