Россия
Рассмотрена возможность применения диффузионных сетевых моделей в целях создания изображений для маркетинговых материалов. Создана выборка тестовых изображений, состоящая из результатов генерации диффузионных моделей – Kandinsky и Stable Diffusion, а также человека-дизайнера. Выборка включает четыре темы (человек, медицинские препараты, пищевая продукция, природа) и созданные по ним изображения. Разработаны опросные листы, включающие пятибалльную оценку каждого стимульного изображения. Проведен опрос 26 респондентов по каждому из изображений. Инструкция испытуемым носила нейтральный по отношению к источнику изображений характер. Результаты опроса подвергнуты статистической обработке с использованием t-критерия Стьюдента, что позволило сделать выводы о том, что использование диффузионных моделей искусственного интеллекта является перспективной технологией для создания графических маркетинговых материалов. На данном уровне развития диффузионных моделей наиболее эффективно проявила себя модель Kandinsky. Создание маркетинговых материалов при помощи диффузионных моделей искусственного интеллекта предлагает компаниям новые возможности для улучшения своей рекламной стратегии за счет интенсификации производства рекламных материалов. Диффузионные модели позволяют автоматизировать и интенсифицировать процесс создания контента, сократив время на его разработку с требуемым качеством, что позволяет сделать вывод о целесообразности применения диффузионных моделей искусственного интеллекта в качестве инструмента для создания маркетинговых материалов.
диффузионные модели, искусственный интеллект, маркетинг, контент, сравнение моделей генерации контента, «Kandinsky 2.1», «Stable Diffusion 2.1»
Введение
Эволюция техногенного мира вносит в жизнь человечества технологии, ведущие к тотальной интеграции человека и техносреды [1]. Симбиоз человека и техногенной среды сети Интернет реализуется через дружественное использование человеком сервисов сети для создания новых информационных продуктов [2]. В современном мире, где конкуренция между компаниями растет с каждым днем, создание эффективных маркетинговых материалов играет решающую роль в достижении успеха и привлечении внимания целевой аудитории. Традиционные методы разработки и оптимизации рекламных и презентационных материалов могут быть довольно трудоемкими и не всегда гарантируют желаемый результат.
С развитием искусственного интеллекта (ИИ), новые подходы к созданию маркетинговых материалов стали возможными. Особенно примечательными являются диффузионные модели искусственного интеллекта, которые смогли изменить представление о том, каким образом мы можем генерировать и оптимизировать творческую компоненту разработки контента [3]. В конце 2022 года компания «Сбер» представила нейросеть «Kandinsky 2.1» – первую российскую мультиязычную диффузионную модель для генерации изображений по текстовому описанию с двумя миллиардами параметров. Она позволяет быстро создать изображения по текстовому запросу. Аналогичная сеть Stable Diffusion была создана группой студии Stability.ai с открытым исходным кодом, которая позволяет генерировать изображения на основе текстового запроса, а также дорисовывать наброски и редактировать исходные картинки [4].
Диффузионные модели ИИ используют сложные алгоритмы и обучение на больших объемах данных, чтобы создавать тексты, изображения, видео и другие типы контента, которые соответствуют потребностям и предпочтениям целевой аудитории. Они основываются на глубоком понимании языка и контекста, позволяя генерировать уникальные и привлекательные материалы, которые вызывают эмоциональную реакцию у потенциальных клиентов [5].
Одним из главных преимуществ использования диффузионных моделей искусственного интеллекта является их способность генерировать высококачественный контент по запросу пользователя. Эти модели обучаются на огромных объемах разнообразных данных, включающих в себя тексты, изображения, аудио и видео. Благодаря этому, они обладают глубоким пониманием языка и контекста, что позволяет им создавать уникальные и привлекательные материалы, точно отражающие цели и ценности рекламируемой компании.
Некоторые компании уже внедрили генеративные модели для создания контента, который вызывает эмоциональные реакции у целевой аудитории и способствует узнаваемости бренда. От персонализированных рекламных сообщений и динамических видео до генерации текстов для блогов и социальных медиа, диффузионные модели ИИ открывают новые возможности для креативного и эффективного маркетинга.
Одним из примеров использования диффузионных моделей искусственного интеллекта, является создание уникального дизайна продуктов. Компании, работающие в индустрии моды и дизайна, могут использовать диффузионные модели, чтобы создавать новые и оригинальные варианты одежды, обуви и аксессуаров. Это позволяет им отличаться от конкурентов и привлекать внимание потребителей, которые стремятся к индивидуальности и эксклюзивности [6].
Другой интересный пример – создание персонализированных рекламных сообщений и предложений. Диффузионные модели могут анализировать данные о предпочтениях и поведении клиентов, чтобы генерировать уникальные и индивидуально настроенные сообщения. Например, компания, занимающаяся e-commerce, может использовать эти модели для создания персонализированных писем или рекламных баннеров, которые отражают интересы и предпочтения каждого отдельного клиента. Такой подход повышает вероятность привлечения внимания к продукту и повышению уровня продаж.
Значимым преимуществом сетевой генерации является автоматизация процесса создания контента. Диффузионные модели могут быстро генерировать большие объемы текста, изображений или видео, сокращая время, необходимое для создания маркетинговых материалов. Это особенно полезно для компаний, которым требуется постоянное обновление и адаптация контента под меняющиеся тренды и потребности аудитории.
Кроме того, диффузионные модели искусственного интеллекта способны анализировать данные и адаптироваться к предпочтениям и поведению целевой аудитории. Это позволяет компаниям настраивать свои маркетинговые кампании наиболее эффективно, учитывая интересы и потребности своих клиентов. Например, модель может генерировать персонализированные предложения или рекомендации, основанные на предыдущих взаимодействиях клиента с брендом.
Маркетинговые материалы играют решающую роль в передаче сообщений бренда и охвате целевой аудитории компании. Создание визуально привлекательных изображений традиционно было трудоемкой задачей, требующей опыта в области графического дизайна или фотографии. С развитием технологий глубокого обучения, в особенности диффузионных моделей, растет интерес к изучению новых подходов к автоматизации создания изображений для маркетинговых целей. Область маркетинга уже использует технологии искусственного интеллекта для множества задач – когнитивного маркетинга, аналитики и персонализации контента, поэтому диффузионные модели могут стать еще одним инструментом для маркетинговых задач.
Основная цель настоящего исследования – выяснить, можно ли эффективно использовать диффузионные модели «Kandinsky 2.1» и «Stable Diffusion 2.1» для создания графических маркетинговых материалов. В частности, рассматриваются следующие вопросы:
1) Насколько различается качество изображений, сгенерированных диффузионными моделями, с изображениями, созданными людьми в восприятии целевой аудитории?
2) Каковы сильные и слабые стороны исследуемых диффузионных моделей в различных контекстах?
3) Существуют ли конкретные области приложения, в которых диффузионные модели имеют наибольшие потенциальные возможности и преимущества?
Диффузионные модели открывают перспективы для повышения эффективности и результативности маркетинговых кампаний. Хотя для полного понимания их ограничений и возможностей необходимы дополнительные исследования. Пилотные исследования показывают, что они могут стать незаменимым инструментом для маркетологов, стремящихся охватить более широкую аудиторию и повысить эффективность маркетинговых кампаний.
1. Материалы, модели, эксперименты, методы и методики
1.1. Разработка методики оценки результатов работы диффузионных моделей.
Были созданы графическим дизайнером и с помощью диффузионных моделей Stable Diffusion 2.1 и Kandinsky 2.1 по одинаковому запросу тестовые изображения на различные темы – пищевая продукция, медицинские препараты, а также универсальные элементы, используемые в широком наборе маркетинговых материалов – изображения людей и природы. Так как в экспериментах оценивалась привлекательность изображений, а не самих продуктов, у изображений, созданных человеком, был убран текст.
Для получения оценки созданных изображений проводились опросы при помощи google формы и персонального опроса прохожих и студентов, выступивших в качестве экспертов-потребителей контента. По каждому тестовому изображению получено 26 отзывов-оценок. В качестве респондентов приняли участие лица мужского и женского пола в возрасте 18-25 лет. На рисунках 1–4 представлены стимульные материалы в виде сгенерированных нейросетями и созданных человеком работ.
Участникам опроса предлагается оценить первые впечатления от изображений по шкале от 1 до 5, при этом изображения не подписаны, а опрашиваемый не знает, при помощи чего были созданы изображения. На рисунке 5 показан формат google формы, использованной в опросе.
Рис. 1. Изображения на тему «пищевая продукция»
Fig. 1. Images on the topic "food products"
Рис. 2. Изображения на тему «человек»
Fig. 2. Images on the topic "human"
Рис. 3. Изображения на тему «медицинские препараты»
Fig. 3. Images on the topic "medical preparations"
Рис. 4. Отображение диаграммы при настройке фильтра на уровне отраслей
Fig. 4. Chart display when setting up a filter at the industry level
Рис. 5. Формат использованных google форм
Fig. 5. The format of the used google forms
2. Результаты
2.1. Результаты опроса по оценке изображений
В результате опроса были получены оценки, среднее значение которых показано в таблице 1. В таблице 2 приведены результаты статистического оценивания данных по t-критерию Стьюдента.
Таблица 1.
Средние значения оценок изображений, созданных человеком и диффузионными моделями ИИ
Table 1.
Average values of estimates of images created by humans and AI diffusion models
|
Автор, модель Тема
|
Человек |
Stable Diffusion |
Kandinsky |
|
медицинские препараты |
3,5±1,1 |
3±1 |
3,8±1 |
|
пищевая продукция |
2,9±1,2 |
3,8±1 |
3,4±0,9 |
|
человек |
4±1 |
2,9±1,3 |
3±1,2 |
|
природа (пейзаж) |
3,3±1,2 |
4±1,1 |
3,9±1 |
|
Средняя оценка по всем темам |
3,4 |
3,4 |
3,5 |
Таблица 2.
Таблица значимости различий оценок между работами человека и сгенерированными диффузионными моделями
Table 2.
Table of significance of differences in estimates between human works and generated diffusion models
|
Тема |
Человек относительно Stable Diffusion |
Человек относительно Kandinsky |
Stable Diffusion относительно Kandinsky |
|
медицинские препараты |
Оценка выше на уровне значимости p≤0,05 |
Оценка ниже на уровне значимости p≤0,05 |
Оценка ниже на уровне значимости p≤0,01 |
|
пищевая продукция |
Оценка ниже на уровне p≤0,01 |
Различия не значимы на уровне p≤0,05 |
Различия не значимы на уровне p≤0,05 |
|
человек |
Оценка выше на уровне p≤0,01 |
Оценка выше на уровне p≤0,01 |
Оценка выше на уровне p≤0,05 |
|
природа (пейзаж) |
Различия не значимы на уровне p≤0,05 |
Различия не значимы на уровне p≤0,05 |
Различия не значимы на уровне p≤0,05 |
Обсуждение/Заключение
Результаты эксперимента (Таблица 2) показывают, что на современном уровне развития диффузионные модели искусственного интеллекта способны создавать изображения, по оценке экспертов подобные или неразличимые созданным человеком. Наблюдаемые вариации данных возможно, связаны с личностными и тематическими предпочтениями принимавших участие в опросе.
В результате можно сделать следующие выводы:
- Использование диффузионных моделей искусственного интеллекта является перспективной технологией для создания графических маркетинговых материалов. На данном уровне развития диффузионных моделей наиболее эффективно проявила себя модель «Kandinsky 2.1».
- Создание маркетинговых материалов при помощи диффузионных моделей искусственного интеллекта предлагает компаниям новые возможности для улучшения своей рекламной стратегии за счет интенсификации производства рекламных материалов.
- Диффузионные модели позволяют автоматизировать процесс создания контента, сократить время на его разработку и улучшить его качество.
Благодаря способности к анализу и адаптации к трендам и предпочтениям аудитории, диффузионные модели могут помочь компаниям достичь более значимого воздействия и эффективности своих маркетинговых кампаний, что позволяет считать их эффективным средством создания визуального контента в целях маркетинга.
1. Сергеев С.Ф. Наука и технология XXI века. Коммуникации и НБИКС-конвергенция. Глобальное будущее 2045. Конвергентные технологии (НБИКС) и трансгуманистическая эволюция. Под ред. Проф. Д.И. Дубровского. М.: ООО «Издательство МБА», 2013. С. 158-168.
2. Сергеев С.Ф. Интеллектные симбионты в эргатических системах // Научно-технический вестник информационных технологий, механики и оптики. 2013. № 2 (84). С. 149-154. EDN PYRIRX.
3. Пирязева Т.В., Соколов И.В. Новые технологии креативного искусственного интеллекта для специалистов творческих профессий. Современные информационные технологии в образовании, науке и промышленности. Сборник трудов XХIV Международной конференции, XХII Международного конкурса научных и научно-методических работ. Посвящается Году педагога и наставника. Отв. ред. и составитель Т.В. Пирязева. Москва, 2023. С.64-69. EDN FOEBAW.
4. Maerten A.-S., Soydaner D. From paintbrush to pixel: A review of deep neural networks in AI-generated art. 2023. arXiv: 2302.10913v1 [cs. LG] 14 Feb 2023. DOIhttps://doi.org/10.48550/arXiv.2302.10913.
5. Калиновская И.Н., Дунец Н.В., Масейко М.С. Использование искусственного интеллекта в маркетинговых исследованиях поведения потребителей // Молодой ученый. 2018. С. 42-44. EDN XWESUX.
6. Тимохович А.Н., Булычева О.С. Технологии персонализации маркетинговых коммуникаций брендов при помощи искусственного интеллекта // Цифровая социология. 2019. С. 19-24. DOIhttps://doi.org/10.26425/2658-347X-2020-3-4-19-24. EDN MDBBSJ.
