Récemment, la tendance des actions matérielles de l'IA sur le marché boursier américain est bien inférieure aux stocks de logiciels.
Les investisseurs d'Applovin (NASDAQ: APP) étaient pleins de plaisir.
Le cours de l'action de cette technologie émergente chéri et géant de la publicité a grimpé en flèche comme une fusée. Après une augmentation de 24% lors de la journée de négociation précédente, il a augmenté à nouveau de 8,15% vendredi, une valeur marchande supérieure à 170 milliards de dollars.
Depuis le début de 2024, cette augmentation a dépassé 1 200%, dépassant de loin les Nvidia en même temps.
Si le temps est prolongé jusqu'au début de 2023, l'augmentation dépassera 5300%!
Ce cheval noir a non seulement créé une nouvelle étape importante sur le super marché haussier de l'IA, mais a également entièrement exposé la première mine d'or pour les applications d'IA au monde.
Mais une performance aussi incroyable peut-elle continuer?
01
Demande réelle
Comment juger de l'efficacité d'une publicité?
Les méthodes d'estimation traditionnelles sont basées sur les caractéristiques d'identification, y compris l'ID publicitaire et l'ID utilisateur.
En termes simples, cela dépend de la question de savoir si les balises et le format de l'annonce elle-même correspondent aux intérêts, au sexe et à l'âge de l'utilisateur.
Autrement dit, résumer les règles d'innombrables utilisateurs et publicités pour former une relation de correspondance.
Ensuite, en observant les données historiques, l'effet de livraison final de l'annonce est estimé.
Il s'agit d'une méthode stupide, mais c'est aussi la seule méthode fiable jusqu'à présent, avec des avantages évidents.
Tout d'abord, il est simple et brut, et datante et correspond directement aux caractéristiques des utilisateurs et des publicités.
Deuxièmement, ce modèle est suivi depuis tant d'années et les données accumulées sont extrêmement énormes et ont une référence suffisante.
Mais les défauts sont également évidents.
Au moins, l'utilisateur lui-même est un individu et ne peut pas être complètement résumé avec quelques étiquettes.
Tout le monde, et même les gens de tous les âges, a leurs propres caractéristiques uniques.
C'est cette caractéristique qui fait que les modèles de prédiction traditionnels ne sont pas en mesure de se généraliser à chaque utilisateur spécifique, en particulier les nouveaux utilisateurs ou les jeunes utilisateurs de la génération qui n'ont pas suffisamment de données historiques.
Il en va de même pour la publicité elle-même.
C'est ce que nous appelons souvent des recommandations perso...
[Courte citation de 8% de l'article original]