Artificial intelligence based fraud prevention in digital advertising

Gjennom året 2022 og frem til prosjektets slutt i begynnelsen av 2023 fokuserte prosjektteamet på prosjektets delmål syv etter å ha skapt den AI-drevne svindeldeteksjonen av ukjente svindeltyper frem til slutten av Q3/2021. Prosjektets endelige FoU-delmål er å "utvikle AI-drevet annonsekvalitetsanalyse" ved å utvikle algoritmer som gjenkjenner og analyserer annonseelementer og annonsekontekster. For det første fokuserte vi på å forstå hvilken type annonseinnhold vi har å gjøre med, f.eks. bilde eller video for å gå ett nivå dypere og sjekke annonseinnholdet som vises for eventuelle avvik, avvik og anomalier sammenlignet med settet med annonseelementer godkjent av annonsøren. Å forstå om en utgiver bruker et ikke-godkjent annonseinnhold for å markedsføre en annonsørs merkevare er avgjørende for å sikre merkevarebeskyttelse og samsvar. Når et ikke-godkjent annonseinnhold er identifisert, er algoritmene våre utformet for å gi det ikke-godkjente annonseelementet en annonseinnholdsscore avhengig av i hvilken grad det avviker fra et godkjent annonseinnhold, og klassifisere om det inneholder begrensede innholdskategorier som f.eks. pornografi, gambling og alkohol og narkotika. For det andre konseptualiserte prosjektteamet algoritmer som analyserer annonsekonteksten til et annonseinnhold og sjekker om det faller inn i en begrenset innholdskategori, sannsynligvis inneholder skadelig programvare eller generelt er av lav kvalitet. Poengsummen for individuell annonseinnhold og annonsekontekstpoengsum er kombinert i en helhetlig annonsekvalitetspoeng med funksjoner for flagging av svindelhendelser basert på forhåndsdefinerte terskler. Våre analyserte datasett viser at bruk av godkjente annonseinnhold i en ikke-godkjent annonsekontekst er det vanligste bruddet, da det gir høyest avkastning for svindlerne samtidig som det påfører annonsørene størst merkevareskade og økonomisk skade. I de kommende månedene frem til markedslanseringen av tilleggene, vil vi fortsette å avgrense algoritmene for annonsekontekstgjenkjenning, spesielt når det gjelder optisk tegngjenkjenning (OCR) for å konvertere bilder av tekst til bearbeidbar tekst og naturlig språkbehandling (NLP) å forstå mønstre, egenskaper og følelser i tekstinnholdet.

The project's primary outcome is a powerful digital advertising fraud prevention solution. Over the next 24 months, it will be integrated into our end-to-end digital advertising software products, providing our advertisers with a convenient one-stop shop for automating efficient and profitable media buying. We anticipate that the benefits to our advertisers will be significant, leaving them with more money to invest and thus triggering positive social spillover effects such as more jobs, lower consumer prices, and better products and services. Furthermore, focusing on customer LTVs will drive down intrusive advertising and encourage better ads, making the internet a better, less invasive place. The project will benefit SMEs more as fraud disproportionately affects SMEs over large enterprises due to their lack of financial means to fight it. So, by making fraud prevention available to and affordable for companies of all sizes, we expect to stimulate growth and innovation, particularly among SMEs.

Fraud in digital advertising is a growing, worldwide epidemic that affects market players of all sizes and across all industries resulting in multi-billion dollar wasted ad spend, artificially inflated consumer prices, degrading digital user experience, and security breaches at unprecedented scale. This project aims to advance fraud prevention and customer lifetime value (LTV) prediction using artificial intelligence (AI) to prevent ad spending on malicious and low-quality traffic sources. The development of entirely new transparent, resilient, and adaptive fraud detection algorithms combined with accurate and timely predictive LTV modeling could redefine digital media buying and completely reshape the digital life of every company and every individual who is connected to the internet through any type of device. The most significant R&D challenges facing the project are largely related to engineering and artificial intelligence. The scalability required to train models using millions of data points at high speeds is difficult to design for. Another unique challenge is presented by the fact that millions of models will need to be stored for every client to achieve the most detailed level of insights possible. This type of scale is quite rare in machine learning and unprecedented in advertising technology. Also, developing algorithms that combine many artificial intelligence techniques to detect fraud based on fundamental traits and signatures so they are adaptable to all current and future manifestations requires a significant leap in several disciplines of machine learning. Both types of challenges will be overcome through the ingenuity of the project partners, each with a wealth of relevant experience and leading expertise in their respective core competencies.