Περιεχόμενο
- Τι είναι η ενίσχυση της μάθησης;
- No Bugs, No Stress - Ο οδηγός σας βήμα προς βήμα για τη δημιουργία λογισμικού που αλλάζει τη ζωή χωρίς να καταστρέφει τη ζωή σας
- Μηχανές για εμπόρους
- Ερχομαι συντομα
- Σκέφτεστε μεγαλύτερο
- Διαδρομή προς την υιοθεσία
Πηγή: Juliatimchenko / Dreamstime.com
Πάρε μακριά:
Η μάθηση ενδυνάμωσης είναι ένα υποσύνολο τεχνητής νοημοσύνης και μηχανικής μάθησης που μπορεί να προβλέψει τα αποτελέσματα και να βοηθήσει τους χρήστες να λάβουν καλύτερες αποφάσεις.
Οι έμποροι αναζητούν συνεχώς επεκτάσιμες και έξυπνες λύσεις όταν προσπαθούν να κερδίσουν ένα πλεονέκτημα στις όλο και πιο ανταγωνιστικές συνθήκες μάρκετινγκ. Δεν είναι περίεργο ότι η τεχνητή νοημοσύνη (AI) και η μηχανική μάθηση (ML) τώρα υιοθετούνται μαζικά από τα εμπορικά σήματα και τους οργανισμούς μάρκετινγκ τους. (Για να μάθετε περισσότερα σχετικά με τα βασικά στοιχεία του ML, ελέγξτε το Machine Learning 101.)
Για τους απροσδιόριστους, το AI μπορεί να θεωρηθεί γενικά ως τεχνολογία όταν ένας υπολογιστής αυτοματοποιεί τα καθορισμένα καθήκοντα που ένας άνθρωπος θα έκανε διαφορετικά. Η εκμάθηση μηχανών, ως λειτουργική περιοχή μέσα στο AI, είναι όταν ο υπολογιστής έχει τερματισμό, αλλά χρειάζεται να υπολογίσει από μόνη της την καλύτερη διαδρομή.
Σήμερα βλέπουμε αυτές τις τεχνολογίες -ιδιαίτερα μηχανική μάθηση- να αναπτύσσονται σε πολλούς τομείς μάρκετινγκ, συμπεριλαμβανομένης της ανίχνευσης απάτης διαφημίσεων, της πρόβλεψης της συμπεριφοράς των καταναλωτών, των συστημάτων συστάσεων, της δημιουργικής εξατομίκευσης και άλλων.
Παρόλο που όλα αυτά είναι καλά και καλά, υπάρχει μια νέα τεχνολογία offshoot που, για τους εμπόρους, θα ανταποκριθεί πραγματικά στην απαίτηση που δημιουργεί η μηχανική μάθηση. Ονομάζεται "μάθηση ενίσχυσης" (RL).
Τι είναι η ενίσχυση της μάθησης;
Η βήμα-αλλαγή από ML σε RL είναι κάτι περισσότερο από ένα γράμμα. Οι περισσότερες εργασίες που μεταβιβάζονται στη μηχανική μάθηση περιλαμβάνουν ένα μόνο βήμα, όπως "αναγνωρίστε αυτήν την εικόνα", "κατανοήστε το περιεχόμενο του βιβλίου" ή "πιάστε την απάτη". Για έναν έμπορο, ένας επιχειρησιακός στόχος, όπως "προσελκύει, διατηρεί και δεσμεύει τους χρήστες" εγγενώς πολυεπίπεδο και μακροπρόθεσμο, που δεν επιτυγχάνεται εύκολα με την εκμάθηση μηχανών.
Αυτό είναι όπου έρχεται η μάθηση οπλισμού. Οι αλγόριθμοι RL αφορούν στη βελτιστοποίηση για ένα διαρκώς μεταβαλλόμενο και συνεχώς μεταβαλλόμενο ταξίδι - ένα όπου υπάρχουν δυναμικά προβλήματα. Χρησιμοποιώντας μια μαθηματική "συνάρτηση ανταμοιβής" για να υπολογίσει το αποτέλεσμα κάθε μετάθεσης, η RL μπορεί να δει στο μέλλον και να κάνει τη σωστή κλήση.
Σήμερα, οι καλύτερες ενσωματώσεις αυτής της τεχνολογίας αιχμής μπορούν να προβληθούν στα παιχνίδια και στα αυτοκίνητα με αυτοκατοχή. Όταν το σύστημα AlphaGo της Google κτύπησε τον καλύτερο παίκτη στον κόσμο του επιτραπέζιου παιχνιδιού Go πέρυσι, η μυστική σάλτσα του ήταν η ενίσχυση της μάθησης. Ενώ τα παιχνίδια έχουν καθορίσει κανόνες, οι επιλογές ενός παίκτη για τη διαδρομή προς τη νίκη αλλάζουν δυναμικά με βάση την κατάσταση του σκάφους. Με την εκμάθηση ενίσχυσης, το σύστημα καταγράφει όλες τις πιθανές μεταβολές που μπορεί να αλλάξουν με βάση κάθε επόμενη κίνηση.
Ομοίως, ένα αυτοκίνητο με αυτοκατοχή πηγαίνει σε ένα ταξίδι στο οποίο οι κανόνες του δρόμου και η θέση του προορισμού παραμένουν σταθεροί, αλλά οι μεταβλητές κατά μήκος της διαδρομής - από τους πεζούς μέχρι τους δρόμους στους ποδηλάτες - αλλάζουν δυναμικά. Αυτός είναι ο λόγος για τον οποίο η OpenAI, η οργάνωση που ιδρύθηκε από το Elon Musk της Tesla, χρησιμοποιεί προηγμένους αλγόριθμους RL για τα οχήματά της.
No Bugs, No Stress - Ο οδηγός σας βήμα προς βήμα για τη δημιουργία λογισμικού που αλλάζει τη ζωή χωρίς να καταστρέφει τη ζωή σας
Δεν μπορείτε να βελτιώσετε τις δεξιότητες προγραμματισμού σας όταν κανείς δεν ενδιαφέρεται για την ποιότητα του λογισμικού.
Μηχανές για εμπόρους
Τι σημαίνει αυτό για τους εμπόρους;
Οι βασικές προκλήσεις πολλών εμπόρων δημιουργούνται από το γεγονός ότι η επιχειρηματική κατάσταση αλλάζει συνεχώς. Μια στρατηγική επιτυχημένης καμπάνιας μπορεί να γίνει δυσβάστακτη με την πάροδο του χρόνου, ενώ μια παλιά στρατηγική μπορεί να αποκτήσει νέα έλξη. Το RL είναι ένα βήμα προς την μίμηση της αληθινής ανθρώπινης νοημοσύνης όπου μαθαίνουμε από την επιτυχία ή / και την αποτυχία πολλαπλών αποτελεσμάτων και αποτελούν μια νικηφόρα στρατηγική του μέλλοντος. Επιτρέψτε μου να δώσω μερικά παραδείγματα:
1. Ενίσχυση εμπλοκής χρήστη
Ας επικεντρωθούμε στην αφοσίωση των πελατών σε μια αλυσίδα εστιατορίων και στο στόχο να το πολλαπλασιάσουμε δέκα φορές το επόμενο έτος. Σήμερα, μια εκστρατεία μάρκετινγκ μπορεί να περιλαμβάνει ένα χαιρετισμό γενεθλίων με μια προσφορά έκπτωσης, ίσως ακόμη και με βάση τις προτιμήσεις των τροφίμων. Αυτή είναι η γραμμική σκέψη όπου ο έμπορος έχει ορίσει ένα σημείο έναρξης και ένα τέλος.
Σε έναν πολυάσχολο κόσμο, οι ζωές των πελατών αλλάζουν συνεχώς σε πραγματικό χρόνο - μερικές φορές είναι πιο αφοσιωμένες, μερικές φορές λιγότερο. Στη μάθηση οπλισμού, ένα σύστημα θα επαναπροσδιορίζει συνεχώς ποιες τακτικές στο οπλοστάσιο μάρκετινγκ, σε οποιαδήποτε δεδομένη στιγμή, έχουν την καλύτερη ευκαιρία να μετακινήσουν τον παραλήπτη προς τον τελικό στόχο της δέσμευσης 10x.
2. Δυναμική κατανομή του προϋπολογισμού
Τώρα φανταστείτε ένα σενάριο διαφήμισης στο οποίο έχετε προϋπολογισμό 1 εκατομμυρίου δολαρίων και πρέπει να ξοδεύετε λίγες μέρες μέχρι το τέλος του μήνα, που κατανέμονται σε τέσσερα διαφορετικά κανάλια: τηλεόραση, προωθήσεις πίστης και Google. Πώς μπορείτε να βεβαιωθείτε ότι ξοδεύετε τον προϋπολογισμό με τον βέλτιστο τρόπο; Η απάντηση εξαρτάται από την ημέρα, τους χρήστες-στόχους, την τιμή αποθέματος και πολλούς άλλους παράγοντες.
Στην ενίσχυση της μάθησης, οι αλγόριθμοι θα χρησιμοποιούσαν ιστορικά δεδομένα σχετικά με τα αποτελέσματα των διαφημίσεων για να γράψουν λειτουργίες ανταμοιβής που θα βαθμολόγησαν ορισμένες αποφάσεις σχετικά με τις δαπάνες. Αλλά επίσης αντιπροσωπεύει παράγοντες σε πραγματικό χρόνο όπως η τιμολόγηση και η πιθανότητα θετικής υποδοχής από το μέλος του κοινού-στόχου. Μέσω της επαναληπτικής μάθησης, η κατανομή των διαφημιστικών δαπανών σε όλο το μήνα θα αλλάζει δυναμικά. Αν και ο τελικός στόχος έχει οριστεί, η RL θα έχει διαθέσει τον προϋπολογισμό με τον καλύτερο δυνατό τρόπο μέσω όλων των σεναρίων. (Για περισσότερες πληροφορίες σχετικά με το AI στο μάρκετινγκ, δείτε πώς η Τεχνητή Νοημοσύνη θα Revolutionize της Βιομηχανίας Πωλήσεων.)
Ερχομαι συντομα
Η ενίσχυση της μάθησης αναγνωρίζει την πολυπλοκότητα και αναγνωρίζει ότι οι άνθρωποι είναι ετερογενείς και λογοδοτούν για αυτές τις αλήθειες, βελτιώνοντας κάθε επόμενη δράση με την πάροδο του χρόνου καθώς τα κομμάτια του παιχνιδιού σας αλλάζουν γύρω από αυτό.
Η ενίσχυση της μάθησης εξακολουθεί να είναι σε μεγάλο βαθμό η διατήρηση των ερευνητικών έργων και των αιχμαλώτων υιοθετών. Η έννοια και η τεχνική των μαθηματικών ήταν εδώ και πάνω από 40 χρόνια, αλλά δεν ήταν δυνατή η ανάπτυξη μέχρι πρόσφατα, χάρη σε τρεις τάσεις:
- Πολλαπλασιασμός της υπολογιστικής ισχύος μέσω μονάδων επεξεργασίας γραφικών υψηλής ισχύος (GPUs).
- Το Cloud computing παρέχει υψηλή ισχύ επεξεργαστή σε ένα μέρος του κόστους αγοράς των ίδιων των μονάδων GPU, επιτρέποντας σε τρίτους να νοικιάσουν μια GPU για να εκπαιδεύσουν το μοντέλο RL τους για αρκετές ώρες, ημέρες ή εβδομάδες, σε σχετικά χαμηλές τιμές.
- Βελτίωση αριθμητικών αλγορίθμων ή έξυπνων ευρετικών. Μερικά κρίσιμα αριθμητικά βήματα σε έναν αλγόριθμο RL είναι τώρα σε θέση να συγκλίνουν με πολύ ταχύτερο ρυθμό. Χωρίς αυτά τα μαγικά αριθμητικά κόλπα, δεν θα ήταν ακόμα εφικτά ακόμη και με τους πιο ισχυρούς υπολογιστές σήμερα.
Σκέφτεστε μεγαλύτερο
Όλα αυτά σημαίνει ότι οι νέες δυνάμεις της μάθησης ενίσχυσης θα είναι σύντομα διαθέσιμες σε κλίμακα σε μάρκες και εμπόρους. Ωστόσο, η αγκαλιά του πρόκειται να απαιτήσει μια αλλαγή στην νοοτροπία. Για έναν διαχειριστή μάρκετινγκ, αυτή η τεχνολογία σημαίνει την ικανότητα να βγάζεις τα χέρια σου από το τιμόνι.
Κάθε επιχείρηση έχει έναν στόχο, αλλά όταν βρίσκεστε βαθιά στα χαρακώματα, οι καθημερινές ενέργειες που γίνονται προς το σκοπό αυτό μπορούν να γίνουν ασαφείς. Τώρα, η τεχνολογία RL θα επιτρέψει στους υπεύθυνους λήψης αποφάσεων να θέσουν τον στόχο, έχοντας περισσότερη εμπιστοσύνη ότι τα συστήματα θα σχεδιάσουν την καλύτερη πορεία προς την κατεύθυνση αυτή.
Στη διαφήμιση, για παράδειγμα, αυτές τις μέρες πολλοί άνθρωποι συνειδητοποιούν ότι οι μετρήσεις όπως το ποσοστό κλικ (CTR) είναι απλώς πληρεξούσιοι για πραγματικά αποτελέσματα της επιχείρησης, υπολογίζονται μόνο επειδή μπορούν να μετρηθούν. Τα συστήματα μάρκετινγκ με γνώμονα το RL θα υπογραμμίσουν τις ενδιάμεσες μετρήσεις και τη βαριά ανύψωση που συνδέεται με αυτά, επιτρέποντας στα αφεντικά να επικεντρωθούν σε στόχους.
Αυτό θα απαιτήσει από τις επιχειρήσεις να σκεφτούν τα μεγάλα προβλήματα τους με πολύ πιο προορατικό και μακροπρόθεσμο τρόπο. Όταν η τεχνολογία είναι ώριμη, θα επιτύχουν το στόχο τους.
Διαδρομή προς την υιοθεσία
Η ενίσχυση της μάθησης δεν είναι έτοιμη για πλήρης χρήση από μάρκες ακόμα. Ωστόσο, οι έμποροι θα πρέπει να πάρουν χρόνο για να κατανοήσουν αυτή τη νέα ιδέα που θα μπορούσε να φέρει επανάσταση στον τρόπο με τον οποίο οι μάρκες κάνουν μάρκετινγκ, κάνοντας κάποιες από τις πρώτες υποσχέσεις της μηχανικής μάθησης.
Όταν φτάσει η ισχύς, θα έρθει στο λογισμικό μάρκετινγκ με ένα περιβάλλον εργασίας χρήστη, αλλά τα καθήκοντα που απαιτούνται από αυτό το λογισμικό θα είναι ριζικά απλοποιημένα. Για το προσωπικό, θα υπάρχουν λιγότεροι μετακινούμενοι διακόπτες και αριθμοί εισαγωγής, καθώς και λιγότερες αναφορές αναλυτικών αναφορών και η ανάληψη ενεργειών. Πίσω από το ταμπλό, ο αλγόριθμος θα χειρίζεται τα περισσότερα από αυτά.
Είναι απίθανο το RL να μπορεί να ταιριάζει με την ανθρώπινη νοημοσύνη ακριβώς έξω από την πύλη. Η ταχύτητα της ανάπτυξής της θα εξαρτηθεί από την ανατροφοδότηση και τις προτάσεις από τους εμπόρους. Πρέπει να διασφαλίσουμε ότι ζητάμε από έναν υπολογιστή να λύσει το σωστό πρόβλημα και να τον τιμωρήσει όταν δεν το κάνει. Ακούγεται πώς θα διδάσκετε το δικό σας παιδί, έτσι δεν είναι;