Kunstig intelligens (AI) har vært et populært uttrykk i ulike virksomheter det siste tiåret, og annonseteknologiindustrien er intet unntak.
Hvis du går på tvers av annonseteknologimarkedet, er det vanskelig å finne en plattform som ikke hevder å ha AI. Som et resultat er det umulig å si hvilke plattformer som faktisk har det og hvilke som ikke har det.
Så hvordan kan man se forskjellen mellom kraftig og ikke-så-kraftig AI?
Her er tre faktorer du bør tenke på når du vurderer ad tech AI
Hva er datakilden?
AI-algoritmer er bare så gode som dataene de opererer på. AI som er avhengig av foreldede tredjepartsdata tar valg basert på utdaterte, ofte svakt klassifiserte input. Dette resulterer i dårlig beslutningstaking og til slutt ineffektiv annonsering. For å få det riktig, må systemene operere på førsteparts sanntidsdata og ha infrastrukturen til å håndtere disse sanntidsdataene – det vil si infrastruktur som er i stand til å håndtere storskala (big data) med svært lav forsinkelse (minimal forsinkelse) .
Hva slags AI er det?
Ikke alle AI-teknikker er skapt like. Begrepet kunstig intelligens (AI) omfatter et bredt spekter av teknologier, inkludert robotautomatisering og bildeidentifikasjon, så vel som naturlig språkbehandling, maskinlæring og andre. Noen i annonseteknologibransjen mener at en samling av automatiserte skript utgjør AI.
Disse skriptene kan imidlertid bare forbedre kampanjer ved å justere noen få inputfaktorer. I kontrast kan moderne teknikker som maskinlæring først lære og deretter endre tusenvis av variabler for å produsere ønskede kampanjeresultater i stor skala.
For å bruke en forenklet analogi, ligner førstnevnte på å installere cruisekontroll i en bil, mens sistnevnte tilsvarer mer å utvikle en selvkjørende bil. Å påvirke menneskelig beslutningstaking gjennom perfekt timet, unikt passende reklame er et komplekst, nyansert emne som ikke kan reduseres til noen få innsatsfaktorer.
Dette betyr at maskinlæringsmetoder må brukes for AI-motorer i annonseteknologi for å faktisk produsere større kommersielle resultater (f.eks. nevrale nettverk).
Hvor mye interaksjon har AI med rådataene?
Når AI opererer på rådata så direkte som mulig, er det langt mer effektivt. Hvis du manuelt abstraherer inndataene ned til noen få variabler før AI behandler det, kan det redusere effektiviteten betydelig. I stedet lar funksjoner direkte på rådata algoritmer selv lære relevante egenskaper (en teknikk kjent som trening) og deretter optimalisere disse funksjonene for å møte ønsket mål.
For eksempel ville et AI-bildegjenkjenningssystem designet for å kategorisere forskjellige katter yte langt bedre hvis algoritmene brukte de rå inndatafotografiene med alle dataene i stedet for å manuelt abstrahere bildene ned til bare noen få faktorer som farge og størrelse og egenskaper. .
På samme måte er AI som justerer en håndfull vilkårlige budfaktorer som alder, kjønn og geografi for å evaluere verdien av et bud ikke like vellykket som AI som virker direkte på rådata og lar maskinlæringsalgoritmer lære og justere de relevante faktorene.
De tre primære egenskapene som gjør den til en potent AI-motor er som følger:
AI kjører på sanntidsdata, noe som innebærer at den kan håndtere enorme størrelser (opptil 20-40 petabyte data behandlet om dagen) og operere med lav forsinkelse eller liten forsinkelse. Dette gjøres mulig av et dataanalysesystem utviklet fra grunnen av – et som gjør enorme mengder data til en lekeplass for innsikt.
For å gi en interaktiv og øyeblikkelig opplevelse, spør den etter en database med over en billion internettsignaler på mindre enn 100 millisekunder. Denne typen omkringliggende infrastruktur gjør det mulig å realisere de genuine fordelene med AI.
Sanntids prediktiv modellering: AI kan reagere på de siste Internett-hendelsene for å registrere stadig skiftende forbrukeratferd, forstå potensielle kunders interesse og utlede forbrukernes intensjoner. AI bruker avanserte maskinlæringsalgoritmer for å lage individuelle prediktive modeller for hver kampanje for å oppnå det nivået av intelligens og sofistikering.
I tillegg til kampanjemodeller, lager AI mediemodeller for synlighet og merkevaresikkerhet og generiske modeller som en åpen internettemnemodell. All denne modelleringen oppnås gjennom bruk av avanserte maskinlæringsteknikker og triks som nevrale nettverk og dyp læring (emnemodellering).