Innehåll
- Vad är förstärkningslärande?
- Inga buggar, ingen stress - din steg-för-steg-guide för att skapa livsförändrad programvara utan att förstöra ditt liv
- Maskiner för marknadsförare
- Kommer snart
- Tänker större
- Vägen till antagande
Källa: Juliatimchenko / Dreamstime.com
Hämtmat:
Förstärkningslärande är en delmängd av konstgjord intelligens och maskininlärning som kan förutsäga resultat och hjälpa användare att fatta bättre beslut.
Marknadsförare söker ständigt skalbara och intelligenta lösningar när de försöker få en fördel i de alltmer konkurrenskraftiga marknadsföringsvillkoren. Det är inte konstigt att artificiell intelligens (AI) och maskininlärning (ML) nu antas massivt av varumärken och deras marknadsföringsorganisationer. (För att lära dig mer om grunderna i ML, kolla in Machine Learning 101.)
För de oinitierade kan AI i allmänhet betraktas som en teknik när en dator automatiserar de definierade uppgifterna en människa annars skulle göra. Maskininlärning, som ett funktionellt område inom AI, är när en dator ges ett slutmål, men måste beräkna den bästa rutten på egen hand.
Idag ser vi denna teknik - särskilt maskininlärning - distribueras inom många områden inom marknadsföring, inklusive upptäckt av bedrägeri, prognoser för konsumentbeteende, rekommendationssystem, kreativ anpassning och mer.
Även om det är bra och bra, finns det en ny avskjutningsteknologi som för marknadsförare verkligen kommer att leverera efterfrågan som maskininlärning skapar. Det kallas "förstärkningsinlärning" (RL).
Vad är förstärkningslärande?
Stegbytet från ML till RL är mer än bara en bokstav. De flesta uppgifter som delas ut till maskininlärning innebär att man använder ett enda steg, till exempel "känna igen denna bild", "förstå bokinnehåll" eller "fångsterbedrägeri." För en marknadsförare är ett affärsmål som "locka, behålla och engagera användare" naturligtvis ett flerstegs och långsiktigt, inte lätt att uppnå med maskininlärning.
Det är här förstärkningsinlärningen kommer in. RL-algoritmer handlar om att optimera för en utveckling och ständigt föränderlig resa - en där dynamiska problem uppstår. Genom att använda en matematisk "belöningsfunktion" för att beräkna resultatet av varje permutation kan RL se in i framtiden och ringa rätt samtal.
Idag kan man se de bästa utföringsformerna av den senaste tekniken i spel och självkörande bilar. När Googles AlphaGo-system slog världens bästa spelare av brädspelet Go förra året, var deras hemliga sås förstärkningsinlärning. Medan spel har fastställt regler ändras en spelares alternativ för rutten mot seger dynamiskt baserat på brädets tillstånd. Med förstärkningslärande står systemet för alla möjliga permutationer som kan förändras baserat på varje nästa drag.
På samma sätt går en självkörande bil på en resa där reglerna för vägen och platsen för destinationen förblir fast, men variablerna längs vägen - från fotgängare till vägblock till cyklister - förändras dynamiskt. Det är därför OpenAI, organisationen som grundades av Teslas Elon Musk, använder avancerade RL-algoritmer för sina fordon.
Inga buggar, ingen stress - din steg-för-steg-guide för att skapa livsförändrad programvara utan att förstöra ditt liv
Du kan inte förbättra dina programmeringsfärdigheter när ingen bryr sig om mjukvarukvalitet.
Maskiner för marknadsförare
Vad betyder något av detta för marknadsförare?
Många marknadsförares kärnutmaningar skapas av att affärsförhållandena ändras hela tiden. En vinnande kampanjstrategi kan bli ogynnsam med tiden, medan en gammal strategi kan få en ny dragkraft. RL är ett steg mot att efterlikna den verkliga mänskliga intelligensen där vi lär oss av framgången och / eller misslyckandet med flera resultat och bildar en vinnande strategi för framtiden. Låt mig ge några exempel:
1. Förbättring av användarengagemang
Låt oss fokusera på kundengagemang för en restaurangkedja och ett mål att multiplicera den tiofaldigt under nästa år. Idag kan en marknadsföringskampanj innebära en födelsedags hälsning med ett rabattbjudande, kanske till och med baserat på matpreferenser. Detta är linjärt tänkande där marknadsföraren har definierat en start- och slutpunkt.
I en livlig värld förändras kundernas liv i realtid - ibland är de mer engagerade, ibland mindre. I förstärkningsinlärning skulle ett system ständigt återkalibrera vilken taktik i marknadsföringsplanen, vid varje givet ögonblick som är den bästa chansen att flytta mottagaren mot det slutliga målet om 10x engagemang.
2. Dynamisk budgetfördelning
Föreställ dig nu ett reklamsscenario där du har en budget på 1 miljon dollar och måste spendera lite varje dag fram till månadens slut, fördelat på fyra olika kanaler: TV, lojalitetskampanjer och Google. Hur kan du se till att du spenderar budgeten på det bästa sättet? Svaret beror på dagen, målanvändarna, lagerpriset och en mängd andra faktorer.
I förstärkningsinlärning skulle algoritmer använda historiska annonsresultatdata för att skriva belöningsfunktioner som gör vissa utgiftsbeslut. Men det står också för realtidsfaktorer som prissättning och sannolikheten för positiv mottagning från målgruppen. Genom iterativ inlärning skulle fördelningen av annonsutgifter under hela månaden dynamiskt förändras. Även om det slutliga målet är satt, kommer RL att ha tilldelat budget på bästa sätt som möjligt genom alla scenarier. (Mer information om AI inom marknadsföring, se hur artificiell intelligens kommer att revolutionera försäljningsindustrin.)
Kommer snart
Förstärkningslärande erkänner komplexiteten och inser att människor är heterogena och redogör för dessa sanningar, vilket förbättrar varje nästa åtgärd med tiden när bitarna på ditt spelbräde förändras kring det.
Förstärkningslärande är fortfarande till stor del bevarandet av forskningsprojekt och ledande antagare. Matematikbegreppet och tekniken har funnits i över 40 år, men har inte varit möjligt för distribution förrän relativt nyligen, tack vare tre trender:
- Spredning av datorkraft genom högdrivna grafikbearbetningsenheter (GPU).
- Cloud computing gör avancerad processorkraft tillgänglig till en bråkdel av kostnaden för att köpa GPU: erna själva, vilket gör att tredje part kan hyra en GPU för att utbilda sin RL-modell under flera timmar, dagar eller veckor till ett relativt pris i källaren.
- Förbättring av antingen numeriska algoritmer eller smart heuristik. Några kritiska numeriska steg i en RL-algoritm kan nu konvergeras i mycket snabbare takt. Utan dessa magiska numeriska tricks skulle de fortfarande inte vara möjliga även med dagens kraftfulla datorer.
Tänker större
Allt detta innebär att de nya krafterna för förstärkningslärande snart kommer att finnas tillgängliga i skala för varumärken och marknadsförare. Omfamna det kommer emellertid att kräva en förändring i tankesätt. För en marknadschef betyder denna teknik förmågan att ta handen från ratten.
Varje företag har ett mål, men när du är djupt i skyttegraven kan de dagliga åtgärderna mot detta mål bli luddiga. Nu kommer RL-tekniken att göra det möjligt för beslutsfattare att sätta målet, med större förtroende för att systemen kommer att plotta sin bästa kurs mot det.
I reklam, till exempel, idag många människor inser att mätningar som klickfrekvens (CTR) är bara fullmakt för verkliga affärsresultat, räknas bara för att de är räknbara. RL-driven marknadsföringssystem kommer att betona sådana mellanliggande mätvärden och alla tunga lyft som är förknippade med dem, vilket gör att chefer kan fokusera på mål.
Detta kommer att kräva att företag tänker på sina stora problem på ett mycket mer proaktivt och långsiktigt sätt. När tekniken är mogen kommer de att uppnå sitt mål.
Vägen till antagande
Förstärkningsinlärning är ännu inte redo för att använda varumärken i full skala. dock bör marknadsförare ta sig tid att förstå detta nya koncept som kan revolutionera hur varumärken marknadsför, vilket gör bra på några av de tidiga löftena om maskininlärning.
När strömmen anländer kommer den i marknadsföringsprogramvara med ett användargränssnitt, men de uppgifter som krävs av den programvaran kommer att förenklas radikalt. För personal kommer det att finnas mindre rörliga switchar och inmatning av nummer, samt mindre läsning av analysrapporter och agera på dem. Bakom instrumentpanelen kommer algoritmen att hantera det mesta av det.
Det är osannolikt att RL kan matcha mänsklig intelligens direkt utanför grinden. Utvecklingshastigheten beror på marknadsförarnas feedback och förslag. Vi måste se till att vi ber en dator att lösa rätt problem och straffa det när det inte gör det. Låter som hur du skulle lära ditt eget barn, eller hur?