Avec l'évolution du marketing moderne, la publicité numérique est devenue un élément central, permettant aux entreprises d'atteindre des audiences plus larges et diversifiées avec une précision inédite. Les plateformes de publicité numérique offrent des avantages comme des coûts contrôlables, un ciblage précis et la mesurabilité des performances. Cependant, la complexité croissante de ces écosystèmes pose des défis majeurs pour l'optimisation des campagnes. Les méthodes traditionnelles, dépendantes de l'expertise humaine, deviennent insuffisantes face à cette complexité. D'où une dépendance accrue aux solutions algorithmiques et à l'intelligence artificielle pour améliorer les résultats.Les travaux actuels se concentrent principalement sur l'optimisation des campagnes après leur lancement, telles que la prévision des indicateurs clés de performance (KPI) et des coûts pour optimiser les agents de bidding en temps réel (RTB) qui visent à affiner l'allocation budgetaire et maximiser l'efficacité des campagnes en cours. Malgré les progrès réalisés, l'efficacité de ces méthodes dépend de la bonne configuration préalable des campagnes publicitaires, spécifiquement en termes de ciblage d'audiences et un bon paramètrage. Une tâche que nous appelons Conception de Stratégie Publicitaire.Malheureusement, en raison de l'échelle et de la complexité inhérentes à la tâche, il y a un manque considérable dans l'optimisation des campagnes avant leur lancement. La conception de stratégie publicitaire repose encore fortement sur de l'expertise humaine, ce qui conduit souvent à un ciblage sous-optimal, et dégrade la prise de décision ainsi que la performance globale de la campagne, soulignant un domaine potentiel d'amélioration.Cette thèse vise à exploiter les méthodes d'intelligence artificielle pour la configuration et l'optimisation des campagnes publicitaires numériques. À cette fin, nous intégrons des approches d'apprentissage profond dans les phases initiales de planification de la campagne dans la tâche de conception de stratégie publicitaire. Dans cette thèse, nous contribuons d'abord un système novateur et un modèle de réseau de neurones génératif qui exploite le mécanisme d'attention des transformers pour contextuellement générer des stratégies publicitaires optimales tout en évitant l'explosion combinatoire. Nous évaluons nos résultats sur un ensemble de données public iPinYou ainsi que sur les données de l'entreprise en mesurant la proximité des stratégies générées avec les ensembles de données (Distance Cosinus et Hamming) ainsi que leur performance KPI estimée. En l'absence de méthodes directement comparables, nous avons comparé nos résultats à des méthodes principales d'autres domaines, adaptées à cette tâche spécifique. Nous affinons ensuite notre contribution, en améliorant la diversité générative, en améliorant la robustesse contre le mode-collapse — une condition où le modèle tend à générer une gamme limitée de sorties — et en introduisant un mode exploratoir au moment de l'inférence via des techniques de quantification vectorielle et l'apprentissage de métriques. Nous proposons également un protocole d'évaluation amélioré pour notre système. Nous proposons finalement une méthodologie novatrice axée sur des tokens de signalisation pour le contrôle génératif flexible dans les modèles basés sur les transformers qui prends en entrée des signaux suggestifs, ce qui permet à notre modèle de considérer les préférences utilisateur tout en conservant l'autonomie de s'en écarter si elles ne produisent pas de résultats optimaux, les intégrant dans le processus génératif comme des paramètres suggestifs plutôt que des directives strictes. Des expériences étendues ont été menées pour évaluer l'efficacité de notre approche, qui a produit des résultats exceptionnels et confirmé son applicabilité dans divers domaines utilisant des modèles de transformateurs.