“数据驱动的思维“由媒体社区的成员撰写，并包含关于媒体数字革命的新想法。

今天的专栏是Sarah Rose，SVP国际数字运营，数据和平台OPS在IPG的Kinesso。

人工智能是一个沉重而复杂的话题万吨深道德并发症的，混乱的应用和众多行业未知的影响。它带来的恐慌在一定和科幻注入他人快乐。

AI概念上呼应雷基斯威尔的奇点。在那种情况下，人类本身将被改变，因为我们成为AI的“一个”。随着任何新技术，都有恐惧和不情愿。在AI的情况下，许多行业已经切割到旧方式，同时轻轻地使用流行语作为进步的借口。我们的第一个人类本能是保护所知，同时不会完全扼杀整合。

没有问题AI将改变行业，市场，公司估值，工作和现状。关于合法性的问题，几乎没有联邦或国家规定，大多数行业都困惑于标准应用，并不确定在哪里开始。

即便如此，技术的进步。

Ad Tech和Mar Tech公司现在常常吹嘘燃料品牌参与和ROA的AI供电优化工具和竞标方法。它可能看起来不像斯宾伯格电影，但广告和营销技术开始整合采用自学习决策的技术进步的开始。

通过解构和拆包人工智能成更小的数据包，我们可以让它更方便和适用 - 并提供自己上哪里开始，并开始什么选择菜单。

AI的类型

真的有三类AI技术可以引导我们融入系统和自学技术。第一是机器人过程自动化（RPA），第二个是机器学习（ML），第三个是真正自学习和实现的AI（人工智能）。

机器人过程自动化（RPA）是由脚本语言（Python的，例如）建立并是在产生一个标准输出重复的，简单的和线性的任务是有用的。这是超级基本和今天广泛应用。对于广告生态系统，RPA是伟大的，那里有“复制 - 粘贴”，并要求线性数据摄取服务器到服务器的集成运营任务。我们可以发现在广告投放管理，其中第三方平台之间的API已经存在，并且步骤可以标准化的一个例子。操作上，这样可以节省时间，确保与质量保证，营销活动管理，关系管理和数据管理更少的广告投放错误，节约资源数据的准确性。

机器学习（ML）是优化的数据科学应用，其中一个人通常会试图通过分析大型数据集拿出来一些简单的结论，模式的第一步。这是困难的我们人类看实时吨的数据点，并进行统计结论，即，然而他们分钟是，可能是从贝叶斯逻辑角度统计相关。它是及时的和昂贵的任何组织在这个问题抛出的身体，找到内在价值。然而，ML将谢天谢地为我们树立和找触发器和标志，以满足相应条件并找到数据值的规则。一个例子是上长尾SSP源和/或优化递送DSP评估库存性能和ROI，以提供最佳的ROI在甚至低价值库存来源。这就是最AI供电优化工程和地方企业的大部分花费数据的科学资源。

当我们达到AI，它是运营RPA和ML技术的结合。在定义人工智能自我学习和“自己的”决策为达成品牌的受众，满足客户投资报酬率交付的好处。通过整合RPA，ML和自学编程，可寻址的媒体计划可实时转变无需人工交互。

AI自学技术没有完全达到我们的行业，但主要的球员已经以简单的方式开始了这一旅程，以将自动化（RPA / ml）带到前面。无论他们是初创企业还是资助的乐队，都专注于AI应用，公司都开始测试效率收益。一些代理商，出版商和广告科技公司简单许可了这项技术，苹果公司，谷歌和亚马逊也不令人意外地创新广告实践，以便为自动化进行自动化。

虽然它不是重力修改，但我们没有达到翘曲速度，但路径已经设置。通过一步一步地接近这一行程并了解了什么类型的技术在什么时间和以何种方式集成，它变得越来越少。

让我们的行业小心，认识，自我意识，可用于改变，以便在没有人之前离开。