Η τεχνητή νοημοσύνη (AI) είναι μια δημοφιλής φράση σε διάφορες επιχειρήσεις την τελευταία δεκαετία και η βιομηχανία της τεχνολογίας διαφημίσεων δεν αποτελεί εξαίρεση.
Αν περάσετε στην αγορά της τεχνολογίας των διαφημίσεων, είναι δύσκολο να βρείτε μια πλατφόρμα που δεν ισχυρίζεται ότι έχει AI. Ως αποτέλεσμα, είναι αδύνατο να ξεχωρίσουμε ποιες πλατφόρμες το έχουν στην πραγματικότητα και ποιες όχι.
Λοιπόν, πώς μπορεί κανείς να διακρίνει τη διαφορά μεταξύ ισχυρού και όχι τόσο ισχυρού AI;
Ακολουθούν τρεις παράγοντες που πρέπει να σκεφτείτε κατά την εξέταση της τεχνολογίας τεχνητής νοημοσύνης των διαφημίσεων
Ποια είναι η πηγή δεδομένων;
Οι αλγόριθμοι AI είναι τόσο καλοί όσο και τα δεδομένα στα οποία λειτουργούν. Η τεχνητή νοημοσύνη που βασίζεται σε μπαγιάτικα δεδομένα τρίτων κάνει επιλογές με βάση παρωχημένες, συχνά ασθενώς ταξινομημένες εισόδους. Αυτό έχει ως αποτέλεσμα την κακή λήψη αποφάσεων και, τελικά, την αναποτελεσματική διαφήμιση. Για να το αποκτήσουν σωστά, τα συστήματα πρέπει να λειτουργούν σε δεδομένα πραγματικού χρόνου πρώτου κατασκευαστή και να έχουν την υποδομή για να χειρίζονται αυτά τα δεδομένα σε πραγματικό χρόνο – δηλαδή, υποδομή ικανή να χειρίζεται μεγάλης κλίμακας (μεγάλα δεδομένα) με πολύ χαμηλή καθυστέρηση (ελάχιστη καθυστέρηση) .
Τι είδους AI είναι;
Δεν δημιουργούνται όλες οι τεχνικές AI ίσες. Ο όρος τεχνητή νοημοσύνη (AI) περιλαμβάνει ένα ευρύ φάσμα τεχνολογιών, συμπεριλαμβανομένου του ρομποτικού αυτοματισμού και της αναγνώρισης εικόνας, καθώς και της επεξεργασίας φυσικής γλώσσας, της μηχανικής εκμάθησης και άλλων. Ορισμένοι στον κλάδο της τεχνολογίας διαφημίσεων πιστεύουν ότι μια συλλογή αυτοματοποιημένων σεναρίων αποτελεί AI.
Ωστόσο, αυτά τα σενάρια μπορούν να βελτιώσουν τις καμπάνιες μόνο προσαρμόζοντας μερικούς παράγοντες εισαγωγής. Αντίθετα, οι σύγχρονες τεχνικές όπως η μηχανική μάθηση μπορούν πρώτα να μάθουν και στη συνέχεια να αλλάξουν χιλιάδες μεταβλητές για να παράγουν τα επιθυμητά αποτελέσματα καμπάνιας σε κλίμακα.
Για να χρησιμοποιήσουμε μια απλοϊκή αναλογία, η πρώτη είναι παρόμοια με την εγκατάσταση cruise control σε ένα αυτοκίνητο, ενώ η δεύτερη είναι πιο ισοδύναμη με την ανάπτυξη ενός αυτοοδηγούμενου αυτοκινήτου. Ο επηρεασμός της ανθρώπινης λήψης αποφάσεων μέσω της τέλειας χρονικής, μοναδικά κατάλληλης διαφήμισης είναι ένα περίπλοκο, διαφοροποιημένο θέμα που δεν μπορεί να περιοριστεί σε λίγους παράγοντες εισόδου.
Αυτό σημαίνει ότι οι προσεγγίσεις μηχανικής μάθησης πρέπει να χρησιμοποιούνται για μηχανές τεχνητής νοημοσύνης στην τεχνολογία διαφημίσεων για να παράγουν πραγματικά μεγαλύτερα εμπορικά αποτελέσματα (π.χ. νευρωνικά δίκτυα).
Πόση αλληλεπίδραση έχει η τεχνητή νοημοσύνη με τα ακατέργαστα δεδομένα;
Όταν το AI λειτουργεί με ακατέργαστα δεδομένα όσο το δυνατόν πιο άμεσα, είναι πολύ πιο αποτελεσματικό. Η μη αυτόματη αφαίρεση της εισόδου σε μερικές μεταβλητές πριν από τη διεργασία της τεχνητής νοημοσύνης μπορεί να μειώσει σημαντικά την αποτελεσματικότητά της. Αντίθετα, η απευθείας λειτουργία σε ακατέργαστα δεδομένα επιτρέπει στους αλγόριθμους να μαθαίνουν μόνοι τους σχετικά χαρακτηριστικά (μια τεχνική γνωστή ως εκπαίδευση) και στη συνέχεια να βελτιστοποιούν αυτά τα χαρακτηριστικά για να επιτύχουν τον επιθυμητό στόχο.
Για παράδειγμα, ένα σύστημα αναγνώρισης εικόνων τεχνητής νοημοσύνης που έχει σχεδιαστεί για να κατηγοριοποιεί διαφορετικές γάτες θα είχε πολύ καλύτερη απόδοση εάν οι αλγόριθμοι χρησιμοποιούσαν τις ακατέργαστες φωτογραφίες εισόδου με όλα τα δεδομένα αντί να αφαιρέσουν χειροκίνητα τις εικόνες σε μερικούς μόνο παράγοντες όπως το χρώμα και το μέγεθος και τα χαρακτηριστικά .
Ομοίως, η τεχνητή νοημοσύνη που προσαρμόζει μια χούφτα αυθαίρετους παράγοντες προσφοράς, όπως η ηλικία, το φύλο και η γεωγραφία, για να αξιολογήσει την αξία μιας προσφοράς, δεν είναι τόσο επιτυχημένη όσο η τεχνητή νοημοσύνη που δρα απευθείας σε μη επεξεργασμένα δεδομένα και επιτρέπει στους αλγόριθμους μηχανικής μάθησης να μαθαίνουν και να προσαρμόζουν τους σχετικούς παράγοντες.
Οι 3 βασικές δυνατότητες που τον καθιστούν έναν ισχυρό κινητήρα AI είναι οι εξής:
Η τεχνητή νοημοσύνη λειτουργεί με δεδομένα σε πραγματικό χρόνο, πράγμα που σημαίνει ότι μπορεί να χειριστεί τεράστια μεγέθη (έως και 20-40 petabytes δεδομένων που υποβάλλονται σε επεξεργασία την ημέρα) και να λειτουργεί με χαμηλή καθυστέρηση ή μικρή καθυστέρηση. Αυτό γίνεται εφικτό από ένα σύστημα ανάλυσης δεδομένων που αναπτύχθηκε από την αρχή – ένα σύστημα που μετατρέπει τεράστιους όγκους δεδομένων σε παιδική χαρά για πληροφορίες.
Για να προσφέρει μια διαδραστική και στιγμιαία εμπειρία, ζητά μια βάση δεδομένων με περισσότερα από ένα τρισεκατομμύριο σήματα Διαδικτύου σε λιγότερο από 100 χιλιοστά του δευτερολέπτου. Αυτός ο τύπος περιβάλλουσας υποδομής επιτρέπει την πραγματοποίηση των γνήσιων πλεονεκτημάτων της τεχνητής νοημοσύνης.
Προγνωστική μοντελοποίηση σε πραγματικό χρόνο: Η τεχνητή νοημοσύνη μπορεί να αντιδράσει στα πιο πρόσφατα περιστατικά στο Διαδίκτυο για να καταγράψει τη διαρκώς μεταβαλλόμενη συμπεριφορά των καταναλωτών, να κατανοήσει το ενδιαφέρον των πιθανών πελατών και να συμπεράνει την πρόθεση των καταναλωτών. Η τεχνητή νοημοσύνη χρησιμοποιεί προηγμένους αλγόριθμους μηχανικής μάθησης για τη δημιουργία μεμονωμένων μοντέλων πρόβλεψης για κάθε καμπάνια, προκειμένου να επιτευχθεί αυτό το επίπεδο ευφυΐας και πολυπλοκότητας.
Εκτός από τα μοντέλα καμπάνιας, η τεχνητή νοημοσύνη δημιουργεί μοντέλα πολυμέσων για εμφανισιμότητα και ασφάλεια επωνυμίας και γενικά μοντέλα, όπως ένα ανοιχτό μοντέλο θεμάτων στο Διαδίκτυο. Όλη αυτή η μοντελοποίηση επιτυγχάνεται με τη χρήση προηγμένων τεχνικών μηχανικής μάθησης και κόλπα, όπως τα νευρωνικά δίκτυα και η βαθιά μάθηση (modeling θέματος).