Съдържание
- Какво е усилването на обучението?
- Без грешки, без стрес - Вашето стъпка по стъпка ръководство за създаване на софтуер, променящ живота, без да разрушава живота ви
- Машини за маркетолози
- Очаквайте скоро
- Мислене по-голямо
- Път към осиновяването
Източник: Juliatimchenko / Dreamstime.com
За вкъщи:
Укрепването на обучението е подмножество от изкуствен интелект и машинно обучение, което може да предскаже резултатите и да помогне на потребителите да вземат по-добри решения.
Маркетолозите постоянно търсят мащабируеми и интелигентни решения, когато се опитват да спечелят предимство във все по-конкурентните маркетингови условия. Не е чудно, че изкуственият интелект (AI) и машинното обучение (ML) сега се приемат масово от марките и техните маркетингови организации. (За да научите повече за основите на ML, вижте машинно обучение 101.)
За непосветените AI може да се счита като технология, когато компютърът автоматизира определените задачи, които би направил човек в противен случай. Машинното обучение, като функционална област в рамките на AI, е когато на компютъра е поставена крайна цел, но трябва сам да изчисли най-добрия маршрут.
Днес наблюдаваме тези технологии - особено машинното обучение - внедрени в много области на маркетинга, включително откриване на измами с реклами, прогнозиране на поведението на потребителите, препоръчителни системи, творческа персонализация и други.
Въпреки че всичко това е добре и добре, има нова технология на изстрел, която за маркетолозите наистина ще постигне търсенето, което машинното обучение създава. Нарича се „укрепване на обучението“ (RL).
Какво е усилването на обучението?
Промяната на стъпката от ML в RL е повече от буква. Повечето задачи, предадени на машинното обучение, включват използване на една стъпка, като например „разпознаване на това изображение“, „разбиране на съдържанието на книгата“ или „измама за улов.“ За маркетолог, бизнес цел като „привличане, задържане и ангажиране на потребители“ е по своята същност многостъпален и дългосрочен, който не се постига лесно с машинно обучение.
Тук идва обучението за подсилване. RL алгоритмите се отнасят до оптимизиране на разгръщащото се и постоянно променящо се пътуване - такова, при което възникват динамични проблеми. Използвайки математическа „функция за възнаграждение“, за да изчисли резултата от всяка пермутация, RL може да види бъдещето и да направи правилното обаждане.
Днес най-добрите варианти на тази авангардна технология могат да се видят в игрите и самоуправляващите се автомобили. Когато миналата година системата AlphaGo на Google победи най-добрия играч в настолната игра „Go Go” миналата година, техният секретен сос беше засилване на обучението. Докато игрите са задали правила, опциите на играча за маршрута към победата се променят динамично въз основа на състоянието на дъската. С обучението за подсилване системата отчита всички възможни пермутации, които могат да се променят въз основа на всеки следващ ход.
По подобен начин автомобилът със самостоятелно управление се движи в пътешествие, при което правилата на пътя и местоположението на дестинацията остават фиксирани, но променливите по пътя - от пешеходци до пътни блокове до велосипедисти - се променят динамично. Ето защо OpenAI, организацията, създадена от Elon Musk от Tesla, използва усъвършенствани RL алгоритми за своите превозни средства.
Без грешки, без стрес - Вашето стъпка по стъпка ръководство за създаване на софтуер, променящ живота, без да разрушава живота ви
Не можете да подобрите уменията си за програмиране, когато никой не се интересува от качеството на софтуера.
Машини за маркетолози
Какво означава това от маркетолозите?
Основните предизвикателства на много търговци се създават от факта, че състоянието на бизнеса се променя непрекъснато. Печелившата стратегия на кампанията може да стане неудобна с времето, докато стара стратегия може да придобие ново сцепление. RL е стъпка към имитирането на истинската човешка интелигентност, при която се учим от успеха и / или провала на множество резултати и формираме печеливша стратегия на бъдещето. Позволете ми да дам няколко примера:
1. Подобряване на ангажираността на потребителите
Нека се съсредоточим върху ангажираността на клиентите за верига ресторанти и цел да го умножим десетократно през следващата година. Днес маркетинговата кампания може да включва поздрав за рожден ден с оферта за отстъпка, може би дори въз основа на предпочитанията за храна. Това е линейно мислене, когато маркетологът е определил начална и крайна точка.
В натоварен свят животът на клиентите постоянно се променя в реално време - понякога са по-ангажирани, друг път по-малко. При обучението за подсилване, системата непрекъснато ще се преизчислява кои тактики в маркетинговата екипировка във всеки даден момент представляват най-добрия шанс за придвижване на получателя към крайната цел за 10-кратна ангажираност.
2. Динамично разпределение на бюджета
Сега си представете рекламен сценарий, при който имате бюджет от 1 милион долара и трябва да отделяте всеки ден до края на месеца, разпределен в четири различни канала: телевизия, промоции за лоялност и Google. Как можете да гарантирате, че харчите бюджета по най-оптималния начин? Отговорът зависи от деня, целевите потребители, цената на инвентара и множество други фактори.
При обучението за подсилване алгоритмите биха използвали исторически данни за резултатите от рекламите, за да напишат функции за възнаграждение, които оценяват определени решения за разходите. Но също така отчита фактори в реално време като ценообразуване и вероятност за положително приемане от страна на целевия участник в аудиторията. Чрез итеративно обучение разпределението на разходите за реклама през месеца би се променило динамично. Въпреки че е поставена крайната цел, RL ще разпредели бюджета по възможно най-добрия начин чрез всички сценарии. (За повече информация за AI в маркетинга, вижте как изкуственият интелект ще революционизира индустрията на продажбите.)
Очаквайте скоро
Укрепването на обучението признава сложността и признава, че хората са разнородни и отчита тези истини, подобрявайки всяко следващо действие с течение на времето, когато парчетата на вашата дъска за игри се променят около него.
Укрепването на обучението все още до голяма степен е запас от изследователски проекти и водещи осиновители. Концепцията и техниката на математиката съществуват повече от 40 години, но не бяха възможни за внедряване до сравнително наскоро, благодарение на три тенденции:
- Разпространение на изчислителната мощност чрез мощни графични процесорни единици (GPU).
- Облачните изчисления осигуряват висок клас мощност на процесора на разположение на част от цената на закупуването на самите графични процесори, което позволява на трети страни да наемат GPU, за да обучават своя RL модел за няколко часа, дни или седмици при сравнително изгодна цена-мазе.
- Подобряване или на цифрови алгоритми, или на интелигентна евристика. Няколко критични числови стъпки в RL алгоритъм вече са в състояние да се сближат с много по-бързи темпове. Без тези вълшебни числени трикове те все още не биха били изпълними дори с най-мощните компютри днес.
Мислене по-голямо
Всичко това означава, че новите правомощия на обучението за подсилване скоро ще бъдат достъпни в мащаб за марките и търговците. За да се възприеме обаче, това ще изисква промяна в мисленето. За маркетинговия мениджър тази технология означава способността да свалят ръцете си от волана.
Всеки бизнес има цел, но когато сте дълбоко в окопите, ежедневните действия, предприети за тази цел, могат да станат размити. Сега RL технологията ще позволи на лицата, които вземат решения, да си поставят целта, като имат повече увереност, че системите ще начертаят най-добрия си път към нея.
В рекламата например днес много хора осъзнават, че показателите като честотата на кликване (CTR) са просто прокси за истински бизнес резултати, отчитани само защото са счетливи. Маркетинговите системи, управлявани от RL, ще деактивират тези междинни показатели и всички тежки повдигания, които са свързани с тях, позволявайки на шефовете да се съсредоточат върху целите.
Това ще наложи бизнеса да мисли за големите си проблеми по много по-активен и дългосрочен начин. Когато технологията е зряла, те ще постигнат целта си.
Път към осиновяването
Ученето за подсилване все още не е готово за пълноценна употреба от марки; Въпреки това, маркетолозите трябва да отнемат време, за да разберат тази нова концепция, която би могла да промени революцията в начина, по който брандовете правят маркетинг, като се възползва от някои от ранните обещания за машинно обучение.
Когато мощността пристигне, тя ще влезе в маркетингов софтуер с потребителски интерфейс, но задачите, изисквани от този софтуер, ще бъдат опростени радикално. За персонала ще има по-малко движещи се превключватели и въвеждащи числа, както и по-малко четене на аналитични доклади и действие върху тях. Зад арматурното табло алгоритъмът ще обработва по-голямата част от това.
Малко вероятно е RL да съвпадне с човешката интелигентност веднага от портата. Скоростта на неговото развитие ще зависи от обратната връзка и предложения от търговците. Трябва да гарантираме, че искаме компютър да реши правилния проблем, и да го санкционираме, когато не го прави. Звучи като как бихте научили собственото си дете, нали?