数据驱动的思考由媒体社群成员撰写,包含有关媒体数位革命的新观点。
今天的专栏是由Santanu Kolay,高级副总裁的工程转。
人工智能(AI)是目前广告业最热门的话题之一。爱游戏ayx赛车
在戛纳,Saatchi & Saatchi特色一个AI-created电影。今年夏天,IBM的沃森推出了The Weather Co.的人工智能广告回答了消费者的问题。
但现实是,尽管该行业应用了许多智能技术——深度学习、机器学习和算法——但我们距离真正的广告人工智能仍有一段距离。人工智能植入广告技术的故事听起来不错,但基本上还是虚构的。
一些人将人工智能描述为学习、推理和理解的能力。著名的图灵测试被吹捧为成功的关键条件,它会问:“机器是否显示出和人类一样的智能?”
古老的机器
自上世纪50年代以来,机器智能和人工智能一直吸引着研究人员。最初的AI系统大多是基于由人们创造的规则,AI系统的行为更像是一个信息检索系统。后来,研究领域转向了机器学习,专注于从大量数据中进行模式识别。最近,深度学习技术的应用激增,以增强传统机器学习。
深度学习有望在处理模式识别问题时产生显著更好的结果,它在数据中存在大量数据和相关性(空间或时间)的领域中表现出色。这就是为什么最成功的深度学习应用仅限于图像或语音识别和自然语言处理。
现在的情况
Facebook、谷歌、亚马逊和微软都处于人工智能领域的前沿,专注于解决深度学习带来最大效益的领域的问题。他们都在更好地理解口语,并找出消费者的需求。
亚马逊的Alexa使用语音识别与用户交互,并了解他们的日常活动模式,这样它就可以根据活动模式做出推荐,但它必须准确理解每个活动。每一项任务都能以深度学习的精确度更好地完成,只有这样,每一步才能通过规则(通过算法学习或由人类创造)连接起来,从而实现最终的人工智能。
在广告技术中,我们处理的是另一组问题。我们的数据较少,用户行为的相关性通常不强,所以将深度学习方法应用于计算广告问题比较困难,而且至少,深度学习方法的改进效果并不显著。
广告技术公司更感兴趣的是向广告商提供ROI,这要求他们提高客户行为预测的准确性。这种改进可以通过调整现有的机器学习算法和使用选择性深度学习方法来增强传统的机器学习方法来实现。有前景的深度学习方法的例子包括高维数据的低维嵌入和用于序列事件预测的递归神经网络。
真正的人工智能
人工智能是昂贵的。它需要复杂的算法、训练有素的工人和专门的硬件,这增加了基础设施成本。目前,目前可用的人工智能的好处还不足以证明数字广告的成本是合理的,因为数字广告的利润率正面临压力。这就是为什么我们在广告技术领域看到了对现有算法的不断改进。我们离人工智能的圣杯还很遥远:一个不需要人工干预的全自动系统。
然后什么?如上所述,有些东西是机器无法复制的。例如,很难想象机器能想出一个有趣的广告。然而,他们所能做的是创造广告的排列,然后根据人们的反应来决定哪一个最有效。这就是我们在人机对弈中看到的智能组合探索去。
人工智能的另一个可能用例是简化广告技术工作流程,人工智能从与广告技术平台的人类互动中学习,并根据训练学习执行一些类似的优化。
决策依赖于数据之外的因素,包括直觉、同理心和人类思维的知识。换句话说,如果你想从一个人身上获得情感反应,你就需要另一个人参与进来。人工智能正在进入广告世界,但不要屏住呼吸,等待机器的崛起。
遵循(转@TurnPlatform)及AdEx爱游戏体育骗子changer (@爱游戏体育骗子)。
我们在cognativ了解Kolay先生的担忧,但这也是我们创办这家公司的原因——降低培训和执行深度学习的成本,并将其生产出来,这样公司就不需要雇佣/找到昂贵的深度学习专家。市场营销的深度学习应该被视为每个人的SaaS机会——不要害怕向更好的技术迈进一步!营销人员不必再活在过去——他们可以获得谷歌和Facebook的改进结果,而无需付出本专栏中讨论的高昂成本。