Google Ads незаметно внедрил новую мощную AI-модель, которая значительно эффективнее выявляет нарушения правил и вредоносную активность в рекламной системе.

Google опубликовал исследовательскую работу, посвящённую новой модели искусственного интеллекта для обнаружения мошенничества в Google Ads. Согласно документу от 31 декабря 2025 года, модель уже используется в продакшене. Результаты впечатляющие: рост показателя выявления нарушений более чем на 40 процентных пунктов и точность до 99,8% по отдельным политикам.

ALF — Advertiser Large Foundation Model

Новая модель получила название ALF (Advertiser Large Foundation Model). Это мультимодальная foundation-модель, которая анализирует текст, изображения и видео, а также дополнительные сигналы — возраст аккаунта, платёжные данные и исторические показатели эффективности.

Исследователи подчёркивают, что по отдельности такие сигналы могут не указывать на проблему. Однако их совместный анализ позволяет гораздо точнее понять поведение и намерения рекламодателя.

Как отмечается в исследовании, ключевая задача рекламной экосистемы — корректно и эффективно определять намерения и поведение рекламодателей. Это важно как для показа релевантной рекламы, так и для выявления мошенничества и нарушений правил. Для решения задачи требуется комплексный подход, учитывающий структурированные данные аккаунта, креативы разных форматов и контент целевых страниц.

В качестве примера приводится ситуация, когда у рекламодателя недавно созданный аккаунт, реклама крупного известного бренда и один отказ по банковской карте. Каждый из этих факторов по отдельности может быть безобиден, но их совокупность с высокой вероятностью указывает на мошенническую схему.

Проблемы, которые не решали прежние системы

Разработчики выделили три ключевых ограничения предыдущих моделей:

1. Разнородные и высокоразмерные данные
   Данные рекламодателей представлены в разных форматах — от структурированной информации об аккаунте до неструктурированных креативов. Кроме того, каждый рекламодатель описывается сотнями или тысячами параметров, что усложняет анализ для традиционных моделей.

2. Неограниченное количество креативов
   Рекламодатели могут загружать тысячи изображений или видео, скрывая вредоносные материалы среди большого объёма «чистого» контента. Старые системы плохо справлялись с такими сценариями.

3. Надёжность и доверие в реальных условиях
   Модель должна выдавать точные и надёжные оценки риска, поскольку ложные срабатывания вредят добросовестным рекламодателям. Система также должна стабильно работать без постоянной ручной перенастройки.

Приватность и безопасность данных

Хотя ALF анализирует чувствительные сигналы, такие как платёжная история и данные аккаунта, Google подчёркивает строгие меры защиты приватности. Перед обработкой все персональные данные удаляются, и модель оценивает риски исключительно на основе поведенческих паттернов.

Как модель выявляет подозрительных рекламодателей

Одной из ключевых технологий ALF является Inter-Sample Attention. Вместо анализа каждого рекламодателя изолированно модель сравнивает большие группы аккаунтов между собой. Это позволяет лучше понимать, какое поведение считается нормальным в экосистеме, и точнее выявлять аномалии и подозрительные отклонения.

ALF превосходит предыдущие решения

По результатам тестов ALF значительно превзошёл тщательно настроенные продакшен-модели:

В рабочей среде ALF показал одновременный рост точности и полноты, увеличив recall более чем на 40 процентных пунктов по одной из ключевых политик и достигнув 99,8% precision по другой.

Хотя из-за большего размера модели увеличилась задержка обработки запросов, она остаётся в допустимых пределах для продакшена и может быть дополнительно оптимизирована с помощью аппаратных ускорителей. ALF уже обслуживает миллионы запросов ежедневно.

Где используется ALF сейчас

На данный момент ALF внедрён в систему безопасности Google Ads для выявления рекламодателей, нарушающих правила. Нет признаков того, что модель используется в поиске или Google Business Profiles. В будущем Google планирует развивать модель с учётом временных факторов, а также применять её для моделирования аудиторий и оптимизации креативов.