Indhold
- Hvad er forstærkningslæring?
- Ingen fejl, ingen stress - Din trinvis vejledning til oprettelse af livsændrende software uden at ødelægge dit liv
- Maskiner til marketingfolk
- Kommer snart
- Tænker Større
- Sti til vedtagelse
Kilde: Juliatimchenko / Dreamstime.com
Tag væk:
Forstærkningslæring er en undergruppe af kunstig intelligens og maskinlæring, der kan forudsige resultater og hjælpe brugerne med at træffe bedre beslutninger.
Marketingfolk søger konstant skalerbare og intelligente løsninger, når de prøver at få en fordel i de stadig mere konkurrencedygtige markedsføringsbetingelser. Det er ikke underligt, at kunstig intelligens (AI) og maskinindlæring (ML) nu bliver vedtaget i massevis af mærker og deres marketingorganisationer. (Hvis du vil lære mere om det grundlæggende i ML, skal du tjekke Machine Learning 101.)
For de uindviede kan AI generelt betragtes som en teknologi, når en computer automatiserer de definerede opgaver, som et menneske ellers ville udføre. Maskinlæring, som et funktionelt område inden for AI, er, når en computer får et slutmål, men skal beregne den bedste rute på egen hånd.
I dag ser vi disse teknologier - især maskinlæring - distribueres på tværs af mange områder af markedsføring, herunder opdagelse af annoncesvindel, forudsigelse af forbrugernes adfærd, anbefalingssystemer, kreativ personalisering og mere.
Selvom det er godt og godt, er der en ny forskydningsteknologi, som for marketingfolk virkelig vil levere det krav, som maskinlæring skaber. Det kaldes "forstærkningslæring" (RL).
Hvad er forstærkningslæring?
Trinskiftet fra ML til RL er mere end bare et bogstav. De fleste opgaver, der overleveres til maskinlæring, involverer brug af et enkelt trin, såsom "genkende dette billede", "forstå bogindhold" eller "fangstsvindel." For en marketingmedarbejder er et forretningsmål som "tiltrække, beholde og engagere brugere" i sagens natur en flertrins og langsigtet, ikke let opnået med maskinlæring.
Det er her forstærkningslæring kommer ind. RL-algoritmer handler om at optimere til en udfoldelse og stadigt skiftende rejse - en, hvor der opstår dynamiske problemer. Ved at anvende en matematisk "belønningsfunktion" til at beregne resultatet af hver permutation, kan RL se ind i fremtiden og foretage det rigtige opkald.
I dag kan de bedste udførelsesformer for denne banebrydende teknologi ses i spil og selvkørende biler. Da Googles AlphaGo-system slog verdens bedste spiller af brætspelet Go sidste år, var deres hemmelige sauce forstærkende læring. Mens spil har indstillet regler, ændres en spillers muligheder for ruten mod sejr dynamisk baseret på brættets tilstand. Med forstærkningslæring tegner systemet sig for alle mulige permutationer, der kan ændre sig baseret på hver næste træk.
Tilsvarende kører en selvkørende bil på en rejse, hvor reglerne for vejen og placeringen af destinationen forbliver faste, men variablerne undervejs - fra fodgængere til vejblokke til cyklister - ændrer sig dynamisk. Derfor bruger OpenAI, organisationen, der er grundlagt af Teslas Elon Musk, avancerede RL-algoritmer til sine køretøjer.
Ingen fejl, ingen stress - Din trinvis vejledning til oprettelse af livsændrende software uden at ødelægge dit liv
Du kan ikke forbedre dine programmeringsevner, når ingen er interesseret i softwarekvalitet.
Maskiner til marketingfolk
Hvad betyder noget af dette for marketingfolk?
Mange markedsførers kerneudfordringer skabes af det faktum, at forretningsforholdene ændrer sig hele tiden. En vindende kampagnestrategi kan blive ugunstigt over tid, mens en gammel strategi kan få en ny trækkraft. RL er et skridt mod at efterligne den ægte menneskelige intelligens, hvor vi lærer af succes og / eller fiasko af flere resultater og danner en vindende fremtidstrategi. Lad mig give nogle eksempler:
1. Forbedring af brugerengagement
Lad os fokusere på kundens engagement i en restaurantkæde og et mål at multiplicere den ti gange i løbet af det næste år. I dag kan en marketingkampagne involvere en fødselsdagshilsen med et rabat tilbud, måske endda baseret på madpræferencer. Dette er lineær tænkning, hvor marketingmedarbejderen har defineret et start- og slutpunkt.
I en travl verden ændres kundernes liv konstant i realtid - nogle gange er de mere engagerede, andre gange mindre. I forstærkningslæring ville et system konstant kalibrere hvilke taktikker i marketingarealet, der på ethvert givet tidspunkt er den bedste chance for at bevæge modtageren mod det endelige mål med 10x engagement.
2. Dynamisk budgetfordeling
Forestil dig nu et annoncescenarie, hvor du har et budget på 1 million dollars og er nødt til at bruge noget hver dag indtil månedens udgang, fordelt på fire forskellige kanaler: TV, loyalitetspromoteringer og Google. Hvordan kan du sikre dig, at du bruger budgettet på den mest optimale måde? Svaret afhænger af dagen, målbrugerne, lagerprisen og en række andre faktorer.
I forstærkningslæring vil algoritmer bruge historiske data om annonceresultater til at skrive belønningsfunktioner, der scorer visse udgiftsbeslutninger. Men det tegner sig også for faktiske faktorer som prisfastsættelse og sandsynligheden for positiv modtagelse fra målgruppemedlemmet. Gennem iterativ læring ville tildelingen af annonceudgifter i løbet af måneden dynamisk ændres. Selvom det endelige mål er sat, vil RL have tildelt budget på den bedst mulige måde gennem alle scenarier. (For mere om AI inden for markedsføring, se Hvordan kunstig intelligens vil revolutionere salgsindustrien.)
Kommer snart
Forstærkningslæring anerkender kompleksitet og anerkender, at folk er heterogene og tegner sig for disse sandheder, hvilket forbedrer hver næste handling over tid, når brikkerne på dit spilbræt ændrer sig omkring det.
Forstærkningslæring er stadig stort set bevarelsen af forskningsprojekter og førende adopterende. Matematikbegrebet og teknikken har eksisteret i over 40 år, men har ikke været muligt til udrulning før relativt for nylig takket være tre trends:
- Spredning af computerkraft gennem højdrevne grafikbehandlingsenheder (GPU'er).
- Cloud computing stiller high-end-processorkraft til rådighed til en brøkdel af omkostningerne ved at købe GPU'erne selv, hvilket tillader tredjepart at leje en GPU til at træne deres RL-model i flere timer, dage eller uger til en relativt rimelig pris i kælderen.
- Forbedring i enten numeriske algoritmer eller smart heuristik. Et par kritiske numeriske trin i en RL-algoritme er nu i stand til at konvergere i et meget hurtigere tempo. Uden disse magiske numeriske tricks, ville de stadig ikke være gennemførlige, selv med dagens mest kraftfulde computere.
Tænker Større
Alt dette betyder, at de nye kræfter til forstærkningslæring snart vil være tilgængelige i skala for mærker og marketingfolk. Omfavnelse af det vil dog kræve et skift i tankesæt. For en marketingchef betyder denne teknologi muligheden for at tage deres hænder fra rattet.
Hver virksomhed har et mål, men når du er dybt inde i skyttegravene, kan de daglige handlinger, der træffes mod dette mål, blive uklar. Nu vil RL-teknologi give beslutningstagere mulighed for at sætte målet, idet de har større tillid til, at systemerne planlægger deres bedste kurs mod det.
I reklamer for eksempel forstår mange mennesker i disse dage, at målinger som klikfrekvens (CTR) kun er fuldmagter til ægte forretningsresultater, kun talt, fordi de kan tælles. RL-drevne markedsføringssystemer vil fremhæve sådanne mellemstatistikker og al den tunge løftning, der er forbundet med dem, så chefer kan fokusere på mål.
Dette kræver, at virksomheder tænker over deres store problemer på en meget mere proaktiv og langsigtet måde. Når teknologien er moden, vil de nå deres mål.
Sti til vedtagelse
Forstærkningslæring er ikke klar til brug i fuld skala endnu. markedsførere bør dog tage sig tid til at forstå dette nye koncept, der kan revolutionere den måde, mærker markedsfører, hvilket gør godt ved nogle af de tidlige løfter om maskinlæring.
Når strømmen ankommer, kommer den i marketing-software med en brugergrænseflade, men de opgaver, der kræves af denne software, bliver radikalt forenklet. For personale vil der være mindre bevægelige kontakter og indtastning af numre, såvel som mindre at læse analyserapporter og handle på dem. Bag instrumentbrættet håndterer algoritmen det meste af det.
Det er usandsynligt, at RL kan matche menneskelig intelligens lige ud af porten. Udviklingshastigheden afhænger af feedback og forslag fra marketingfolk. Vi skal sikre, at vi beder en computer om at løse det rigtige problem og straffe det, når det ikke gør det. Lyder som om du ville lære dit eget barn, ikke sandt?