Рекламный фрод остается одной из ключевых проблем на рынке цифровой рекламы. По мере развития мошеннических схем традиционных механизмов защиты становится недостаточно для оперативного выявления новых сценариев атак. Поэтому Билайн Adtech системно развивает собственные технологии антифрода, сочетая классические механизмы фильтрации с машинным обучением.
ML-модель не заменяет существующие инструменты, а работает совместно с ними. При использовании обоих механизмов они применяются последовательно, что позволяет рекламодателям сохранять привычные настройки защиты и одновременно повышать эффективность выявления фрода за счет машинного обучения.
Собственная модель Билайн Adtech анализирует сотни признаков, связанных с запросом на показ рекламы/рекламного креатива и его атрибутами, а также последовательности событий, позволяющие выявлять сложные сценарии недействительного трафика. Модель постоянно совершенствуется и обучается на кластере серверов, используя десятки терабайт данных. Сегодня система анализирует весь объем входящего трафика, выявляя как базовый некачественный трафик (GIVT), так и сложные формы некачественного трафика (SIVT).
Для оценки качества работы антифрода Билайн Adtech регулярно сопоставляет результаты собственной системы с данными независимых верификаторов рекламного трафика. По итогам второго квартала 2026 года доля невалидного трафика в рекламных кампаниях, которые полностью ведут специалисты Билайн Adtech, составила менее 5% согласно данным независимого верификатора TargetADS.
Александр Куликов, CPO Билайн Adtech:
«Технологии фрода постоянно развиваются, поэтому современная система защиты должна уметь адаптироваться к новым сценариям практически в режиме реального времени. Машинное обучение позволяет выявлять сложные паттерны мошеннического поведения, а независимая верификация помогает объективно оценивать эффективность нашей системы и постоянно совершенствовать ее».
Развитие собственных антифрод-моделей - часть работы Билайна по повышению безопасности цифровой среды. Этот подход соответствует позиции компании как оператора, стремящегося обеспечить высокий уровень безопасности для клиентов, и распространяется в том числе на рекламные технологии.
💎 В условиях, когда мошенники применяют генеративные ИИ-модели для масштабирования и постоянной модернизации сценариев фрода, внедрение машинного обучения в контур защиты уже не столько конкурентное преимущество, сколько необходимое условие выживания рекламных экосистем. Традиционные сигнатурные фильтры не отвечают новым типам атак, которые разрабатывают нейросети, поэтому переход к адаптивным ML-алгоритмам является не просто перспективным, а критически важным способом сохранить рентабельность инвентаря. ||
