בינה מלאכותית (AI) הייתה ביטוי פופולרי בעסקים שונים בעשור האחרון, ותעשיית טכנולוגיית הפרסום אינה יוצאת דופן.
אם אתה חוצה את שוק טכנולוגיית הפרסום, קשה למצוא פלטפורמה שאינה מתיימרת שיש לה AI. כתוצאה מכך, אי אפשר לדעת באילו פלטפורמות יש את זה ובאיזה אין.
אז איך אפשר להבחין בין AI חזק ללא כל כך חזק?
להלן שלושה גורמים שכדאי לחשוב עליהם בעת בחינת AI בטכנולוגיית מודעות
מהו מקור הנתונים?
אלגוריתמי AI טובים רק כמו הנתונים שעל פיהם הם פועלים. בינה מלאכותית המסתמכת על נתונים מיושנים של צד שלישי עושה בחירות על סמך תשומות מיושנות, שסווגו לעתים קרובות חלש. זה גורם לקבלת החלטות לקויה ובסופו של דבר, פרסום לא יעיל. כדי לקבל את זה כראוי, המערכות חייבות לפעול על נתוני זמן אמת של צד ראשון ולהיות בעלת תשתית לטפל בנתונים בזמן אמת אלה - כלומר תשתית המסוגלת לטפל בקנה מידה גדול (ביג דאטה) עם חביון נמוך מאוד (איחור מינימלי) .
איזה סוג של AI זה?
לא כל טכניקות הבינה המלאכותית נוצרות שוות. המונח בינה מלאכותית (AI) מקיף מגוון רחב של טכנולוגיות, כולל אוטומציה רובוטית וזיהוי תמונה, כמו גם עיבוד שפה טבעית, למידת מכונה ואחרות. חלקם בעסקי טכנולוגיית הפרסום מאמינים שאוסף של סקריפטים אוטומטיים מהווה AI.
עם זאת, סקריפטים אלה יכולים לשפר מסעות פרסום רק על ידי התאמת מספר גורמי קלט. לעומת זאת, טכניקות מודרניות כמו למידת מכונה יכולות קודם כל ללמוד ולאחר מכן לשנות אלפי משתנים כדי לייצר תוצאות מסע פרסום רצויות בקנה מידה.
אם להשתמש באנלוגיה פשטנית, הראשון דומה להתקנת בקרת שיוט במכונית, בעוד שהאחרון שווה יותר לפיתוח מכונית לנהיגה עצמית. השפעה על קבלת החלטות אנושית באמצעות פרסום מתוזמן מושלם ומתאים באופן ייחודי הוא נושא מורכב, בעל ניואנסים שלא ניתן לצמצם לכמה גורמי קלט.
המשמעות היא שיש להשתמש בגישות למידת מכונה עבור מנועי בינה מלאכותית ב-Ad Tech כדי לייצר תוצאות מסחריות גדולות יותר (למשל, רשתות עצביות).
כמה אינטראקציה יש ל-AI עם הנתונים הגולמיים?
כאשר AI פועל על נתונים גולמיים בצורה ישירה ככל האפשר, זה הרבה יותר יעיל. הפשטה ידנית של הקלט לכמה משתנים לפני עיבוד AI, זה יכול להפחית את היעילות שלו באופן משמעותי. במקום זאת, תפקוד ישירות על נתונים גולמיים מאפשר לאלגוריתמים ללמוד בעצמם מאפיינים רלוונטיים (טכניקה המכונה אימון) ולאחר מכן לבצע אופטימיזציה של התכונות הללו כדי לעמוד במטרה הרצויה.
לדוגמה, מערכת זיהוי תמונות בינה מלאכותית שנועדה לסווג חתולים שונים הייתה מתפקדת הרבה יותר אם האלגוריתמים ישתמשו בתצלומי הקלט הגולמיים עם כל הנתונים במקום להפשט את התמונות באופן ידני למספר גורמים בלבד כגון צבע וגודל ומאפיינים .
באופן דומה, בינה מלאכותית שמתאים קומץ גורמי הצעות שרירותיים כמו גיל, מגדר וגיאוגרפיה כדי להעריך את השווי של הצעת מחיר אינה מוצלחת כמו בינה מלאכותית הפועלת ישירות על נתונים גולמיים ומאפשרת לאלגוריתמים של למידת מכונה ללמוד ולהתאים את הגורמים הרלוונטיים.
3 היכולות העיקריות שהופכות אותו למנוע AI חזק הן כדלקמן:
בינה מלאכותית פועלת על נתונים בזמן אמת, מה שמרמז שהיא יכולה להתמודד עם גדלים עצומים (עד 20-40 פטה-בייט של נתונים מעובדים ביום) ולפעול עם זמן אחזור נמוך או עיכוב קטן. זה אפשרי על ידי מערכת ניתוח נתונים שפותחה מהיסוד - כזו שהופכת נפחים אדירים של נתונים למגרש משחקים לתובנות.
כדי להעניק חוויה אינטראקטיבית ומיידית, הוא מבצע שאילתות במסד נתונים של מעל טריליון אותות אינטרנט בפחות מ-100 מילישניות. סוג זה של תשתית מסביב מאפשר לממש את היתרונות האמיתיים של AI.
דוגמנות חזויה בזמן אמת: בינה מלאכותית יכולה להגיב להתרחשויות האחרונות באינטרנט כדי לתעד התנהגות צרכנים משתנה ללא הרף, להבין את העניין של לקוחות פוטנציאליים ולהסיק את כוונת הצרכנים. בינה מלאכותית משתמשת באלגוריתמים מתקדמים של למידת מכונה כדי ליצור מודלים חיזויים אינדיבידואליים עבור כל קמפיין על מנת להגיע לרמה זו של אינטליגנציה ותחכום.
בנוסף למודלים של קמפיינים, בינה מלאכותית יוצרת מודלים של מדיה לצפייה ובטיחות מותג ומודלים גנריים כגון מודל אינטרנט פתוח. כל המידול הזה מתבצע באמצעות שימוש בטכניקות וטריקים מתקדמות של למידת מכונה כמו רשתות עצביות ולמידה עמוקה (מודלינג נושא).