
Kantar × Microsoft:把 35 年广告评测 IP 做成可闭环的 LINK AI Content Optimizer
文创广告评测KantarMicrosoft学习环内容优化AKS
一句话结论
Kantar 把 LINK 库(约 3500 万消费者互动、逾 26 万条广告)与评分引擎接成「评分→建议→生成变体→再评分」学习环,并把输出压到约 6 个关键维度、下沉到场景/图像级,避免 6 秒改进被 30 秒整片分稀释。
打开原文
Microsoft Command Line:Kantar LINK AI Content Optimizer
背景与理念
广告优化若只有整片总分,短镜头上的改进会被长片分数稀释。团队要把 35 年评测 IP 变成可闭环系统:外环改素材,内环用专家反馈与 trace 调 grader、技能与编排。
具体做法
学习环:评分→建议→生成变体→再评分。输出压成约 6 个关键维度,并下沉到场景/图像级评分。
评分侧:约 20 个 ML 服务迁到 AKS + Dapr Workflow。评测看四维:准确、一致、可追溯、成本/时延/安全;自动 LLM 裁判与专家互校。
关键数据/例子
LINK 库约 3500 万消费者互动、逾 26 万条广告。
单片评分约 15 分钟降到分钟级,大批量从数天降到数小时。
首轮压测失败约 80% 请求,排队与通信改后约 95% 通过。
创新点
第一,先把专有评测拆成多粒度 grader,再谈 agent 建议与生成。
第二,评测优化器本身,而不只看最终素材分。
第三,专家评测工具化收集,进入内环调参。
可否复用
- 内容优化先定义多粒度评分,避免短改进被长内容总分淹没。
- 把「改素材」和「改评分器/编排」分成外环与内环。
- 上线前做压测:排队与服务通信往往比模型本身先爆。