Sadržaj
- Što je pojačano učenje?
- Bez grešaka, bez stresa - Vaš korak po korak vodič za stvaranje softvera koji mijenja život bez uništavanja života
- Strojevi za markete
- Dolazi uskoro
- Razmišljanje veće
- Put do usvajanja
Izvor: Juliatimchenko / Dreamstime.com
Oduzeti:
Ojačavanje učenja podskup je umjetne inteligencije i strojnog učenja koji može predvidjeti ishode i pomoći korisnicima u donošenju boljih odluka.
Prodavci na tržištu neprestano traže skalabilna i inteligentna rješenja pri pokušaju da ostvare prednost u sve konkurentnijim marketinškim uvjetima. Nije čudo što umjetna inteligencija (AI) i strojno učenje (ML) sada masovno usvajaju marke i njihove marketinške organizacije. (Da biste saznali više o osnovama ML-a, pogledajte Strojno učenje 101.)
Za neupućene, AI se općenito može smatrati tehnologijom kada računalo automatizira definirane zadatke koje bi inače obavljao čovjek. Strojno učenje, kao funkcionalno područje unutar AI-a, je kada je računalu postavljen krajnji cilj, ali mora sam izračunati najbolji put.
Danas vidimo da su ove tehnologije - posebno strojno učenje - raspoređene u mnogim područjima marketinga, uključujući otkrivanje prijevara oglasa, predviđanje ponašanja potrošača, sustave preporuka, kreativnu personalizaciju i još mnogo toga.
Iako je sve to dobro i dobro, postoji nova tehnologija koja puca izvan tržišta koja će, za marketingu, doista pružiti zahtjev koji stvara strojno učenje. Naziva se "učenje ojačanja" (RL).
Što je pojačano učenje?
Promjena koraka s ML u RL više je nego samo slovo. Većina zadataka predatih strojnom učenju uključuje uporabu jednog koraka, poput "prepoznati ovu sliku", "razumjeti sadržaj knjige" ili "uhvatiti prevaru". Za marketingu je poslovni cilj poput "privući, zadržati i angažirati korisnike" svojstveno više-korak i dugoročno, što se ne može lako postići strojnim učenjem.
Tu dolazi do učvršćenja učenja. RL algoritmi se odnose na optimizaciju za neprekidno putovanje koje se stalno mijenja - ono gdje se javljaju dinamični problemi. Koristeći matematičku "funkciju nagrađivanja" za izračunavanje rezultata svake permutacije, RL može gledati u budućnost i uputiti pravi poziv.
Danas se najbolje izvedbe ove vrhunske tehnologije mogu vidjeti u igrama i osobnim automobilima. Kada je Googleov AlphaGo sustav prošle godine pobijedio najboljeg svjetskog igrača u stolnoj igri Go go, njihov tajni umak bio je učvršćenje učenja. Dok su igre postavile pravila, igračeve mogućnosti za put prema pobjedi dinamički se mijenjaju ovisno o stanju na ploči. Pomoću učenja ojačanja sustav računa za sve moguće permutacije koje se mogu promijeniti na temelju svakog sljedećeg poteza.
Slično tome, osobni automobil kreće na put u kojem pravila ceste i mjesto odredišta ostaju fiksni, ali se varijable na putu - od pješaka do cestovnih blokova do biciklista - dinamički mijenjaju. Zato OpenAI, organizacija koju je osnovao Teslin Elon Musk, koristi napredne RL algoritme za svoja vozila.
Bez grešaka, bez stresa - Vaš korak po korak vodič za stvaranje softvera koji mijenja život bez uništavanja života
Ne možete poboljšati svoje programiranje kad nikoga nije briga za kvalitetu softvera.
Strojevi za markete
Što sve ovo znači za trgovce?
Ključne izazove mnogih trgovca stvara činjenica da se stanje poslovanja neprestano mijenja. Pobjednička strategija kampanje s vremenom može postati neugodna, dok stara strategija može steći novu privlačnost. RL je korak prema oponašanju prave ljudske inteligencije, gdje učimo na uspjehu i / ili neuspjehu višestrukih ishoda, te oblikujemo pobjedničku strategiju budućnosti. Dopustite mi da navedem nekoliko primjera:
1. Poboljšanje korisničkog angažmana
Usredotočimo se na angažman kupaca u lancu restorana, a cilj je da ga deset puta pomnožimo tijekom sljedeće godine. Danas bi marketinška kampanja mogla uključivati čestitanje rođendana uz ponudu s popustom, možda čak i na temelju prehrambenih preferencija. Ovo je linearno razmišljanje gdje je prodavač odredio početnu i krajnju točku.
Život kupaca u užurbanom svijetu se neprestano mijenja u stvarnom vremenu - ponekad su više angažirani, ponekad manje. Kod učenja ojačavanja, sustav bi se neprestano iznova izmjenjivao koje taktike u marketinškoj oružarnici u bilo kojem trenutku predstavljaju najbolje šanse da primatelja usmjere prema krajnjem cilju 10x angažmana.
2. Dinamična alokacija proračuna
Zamislite sada scenarij oglašavanja u kojem imate proračun od milijun dolara i svaki dan trebate potrošiti novac do kraja mjeseca, a raspoređujemo na četiri različita kanala: TV, promocije lojalnosti i Google. Kako možete osigurati da trošite proračun na najoptimalniji način? Odgovor ovisi o danu, ciljanim korisnicima, cijeni zaliha i nizu drugih faktora.
U učenju ojačanja algoritmi bi koristili povijesne podatke o rezultatima oglasa za pisanje funkcija nagrađivanja koje određuju određene odluke o potrošnji. Ali to uključuje i faktore u stvarnom vremenu kao što su cijene i vjerojatnost pozitivnog prijema od strane ciljane publike. Kroz iterativno učenje, raspoređivanje potrošnje oglasa tijekom mjeseca dinamično bi se mijenjalo. Iako je krajnji cilj postavljen, RL će dodijeliti proračun na najbolji mogući način kroz sve scenarije. (Za više informacija o AI u marketingu pogledajte kako će umjetna inteligencija revolucionarati prodajnu industriju.)
Dolazi uskoro
Ojačavanje učenja prihvaća složenost i prepoznaje da su ljudi heterogeni i objašnjava te istine, poboljšavajući svaku sljedeću radnju s vremenom kako se oko nje mijenjaju dijelovi vašeg odbora za igre.
Ojačavanje učenja i dalje je u velikoj mjeri rezervat istraživačkih projekata i vodećih usvajanja. Koncept i tehnika matematike postoji više od 40 godina, ali nije ih bilo moguće implementirati do nedavno, zahvaljujući tri trenda:
- Širenje računalne snage putem moćnih grafičkih procesorskih jedinica (GPU-a).
- Cloud computing omogućuje vrhunsku snagu procesora dostupnom za samo dio troškova same kupovine GPU-a, omogućavajući trećim stranama da iznajme GPU za treniranje svog RL modela nekoliko sati, dana ili tjedana po relativno povoljnoj cijeni u podrumu.
- Poboljšanje bilo numeričkih algoritama, bilo pametne heuristike. Nekoliko kritičnih numeričkih koraka u algoritmu RL-a sada se mogu konvergirati mnogo bržim tempom. Bez ovih čarobnih numeričkih trikova, još uvijek ne bi bilo izvedivo s današnjim najmoćnijim računalima.
Razmišljanje veće
Sve to znači da će nove moći učenja ojačanja uskoro biti dostupne na ljestvici markama i trgovcima. Međutim, prihvaćanje tog uslova zahtijeva promjenu načina razmišljanja. Za marketing menadžera ova tehnologija znači sposobnost skidanja ruku s upravljača.
Svaki posao ima cilj, ali kada ste duboko u rovovima, svakodnevne radnje poduzete u tom cilju mogu postati nejasne. Sada će RL tehnologija donositeljima odluka omogućiti da postave cilj, imajući više samopouzdanja da će sustavi zacrtati svoj najbolji put prema tome.
Na primjer, u oglašavanju, mnogi ljudi danas shvaćaju da su mjerni podaci poput klikovnog postotka (CTR) samo posrednici za stvarne poslovne rezultate koji se računaju samo zato što se mogu izračunati. Marketinški sustavi usmjereni na RL uklanjaju naglasak s takvim posredničkim mjernim podacima i svim velikim potezima koji su s njima povezani, omogućavajući šefovima da se usredotoče na ciljeve.
Ovo će zahtijevati da poduzeća razmišljaju o svojim velikim problemima na mnogo proaktivniji i dugoročniji način. Kad tehničar sazri, oni će postići svoj cilj.
Put do usvajanja
Učenje ojačanja još nije spremno za upotrebu u robnoj mjeri od strane marki; međutim, trgovcima bi trebalo vremena da razumiju ovaj novi koncept koji bi mogao revolucionirati način na koji brendovi prodaju, čineći dobar dio nekih ranih obećanja strojnog učenja.
Kada dođe do snage, doći će u marketinški softver s korisničkim sučeljem, ali zadaci koje zahtijeva taj softver bit će radikalno pojednostavljeni. Za osoblje će biti manje pomičnih prekidača i unosa brojeva, kao i manje čitanja analitičkih izvještaja i djelovanja na njih. Iza nadzorne ploče algoritam će upravljati većinom toga.
Malo je vjerojatno da RL može uskladiti ljudsku inteligenciju odmah s vrata. Brzina njegovog razvoja ovisila bi o povratnim informacijama i prijedlozima prodavača. Moramo osigurati da tražimo od računala da riješi pravi problem i kažnjavamo ga kad to ne učini. Zvuči kao kako biste naučili vlastito dijete, zar ne?