Kunstig intelligens (AI) har været en populær sætning i forskellige virksomheder i løbet af det sidste årti, og annonceteknologiindustrien er ingen undtagelse.
Hvis du går på tværs af annonceteknologimarkedet, er det svært at finde en platform, der ikke hævder at have AI. Som et resultat er det umuligt at sige, hvilke platforme der rent faktisk har det, og hvilke der ikke har.
Så hvordan kan man se forskel på kraftfuld og knap så kraftig AI?
Her er tre faktorer at tænke på, mens du overvejer ad tech AI
Hvad er datakilden?
AI-algoritmer er kun så gode som de data, de opererer på. AI, der er afhængig af forældede tredjepartsdata, træffer valg baseret på forældede, ofte svagt klassificerede input. Dette resulterer i dårlig beslutningstagning og i sidste ende ineffektiv reklame. For at få det ordentligt skal systemerne operere på førsteparts realtidsdata og have infrastrukturen til at håndtere disse realtidsdata – det vil sige infrastruktur, der er i stand til at håndtere storskala (big data) med meget lav latenstid (minimal forsinkelse) .
Hvilken slags AI er det?
Ikke alle AI-teknikker er skabt lige. Udtrykket kunstig intelligens (AI) omfatter en bred vifte af teknologier, herunder robotautomatisering og billedidentifikation, såvel som naturlig sprogbehandling, maskinlæring og andre. Nogle i annonceteknologibranchen mener, at en samling af automatiserede scripts udgør AI.
Disse scripts kan dog kun forbedre kampagner ved at justere nogle få inputfaktorer. I modsætning hertil kan moderne teknikker som maskinlæring først lære og derefter ændre tusindvis af variabler for at producere ønskede kampagneresultater i stor skala.
For at bruge en forsimplet analogi, svarer førstnævnte til at installere fartpilot i en bil, hvorimod sidstnævnte mere svarer til at udvikle en selvkørende bil. At påvirke menneskelig beslutningstagning gennem perfekt timet, unikt passende annoncering er et komplekst, nuanceret emne, som ikke kan reduceres til nogle få inputfaktorer.
Dette betyder, at maskinlæringstilgange skal bruges til AI-motorer i ad tech for faktisk at producere større kommercielle resultater (f.eks. neurale netværk).
Hvor meget interaktion har AI med de rå data?
Når AI opererer på rådata så direkte som muligt, er det langt mere effektivt. Manuelt abstrahere input ned til nogle få variabler, før AI behandler det, kan det mindske dets effektivitet betydeligt. I stedet for at fungere direkte på rådata giver algoritmer mulighed for selv at lære relevante karakteristika (en teknik kendt som træning) og derefter optimere disse funktioner for at opfylde det ønskede mål.
For eksempel ville et AI-billedgenkendelsessystem designet til at kategorisere forskellige katte fungere langt bedre, hvis algoritmerne brugte de rå inputfotografier med alle data i stedet for manuelt at abstrahere billederne ned til blot nogle få faktorer som farve og størrelse og karakteristika .
Tilsvarende er AI, der justerer en håndfuld vilkårlige budfaktorer som alder, køn og geografi for at vurdere værdien af et bud, ikke så vellykket som AI, der virker direkte på rådata og tillader maskinlæringsalgoritmer at lære og justere de relevante faktorer.
De 3 primære egenskaber, der gør den til en potent AI-motor, er som følger:
AI kører på realtidsdata, hvilket indebærer, at den kan håndtere enorme størrelser (op til 20-40 petabyte data behandlet om dagen) og operere med lav forsinkelse eller lille forsinkelse. Dette er gjort muligt af et dataanalysesystem, der er udviklet fra bunden – et, der gør enorme mængder data til en legeplads for indsigt.
For at give en interaktiv og øjeblikkelig oplevelse forespørger den i en database med over en billion internetsignaler på mindre end 100 millisekunder. Denne type omgivende infrastruktur gør det muligt at realisere de ægte fordele ved AI.
Forudsigende modellering i realtid: AI kan reagere på de seneste internethændelser for at registrere konstant skiftende forbrugeradfærd, forstå potentielle kunders interesse og udlede forbrugernes hensigter. AI bruger avancerede maskinlæringsalgoritmer til at skabe individuelle prædiktive modeller for hver kampagne for at opnå det niveau af intelligens og sofistikering.
Ud over kampagnemodeller skaber AI mediemodeller for synlighed og brandsikkerhed og generiske modeller såsom en åben internet-emnemodel. Al denne modellering opnås ved brug af avancerede maskinlæringsteknikker og tricks såsom neurale netværk og deep learning (emnemodellering).