![A megerősítéses tanulás szép dinamikus spin-t adhat a marketingnek - Technológia A megerősítéses tanulás szép dinamikus spin-t adhat a marketingnek - Technológia](https://a.continuousdev.com/technology/reinforcement-learning-can-give-a-nice-dynamic-spin-to-marketing.jpg)
Tartalom
- Mi az a megerősítéses tanulás?
- Nincsenek hibák, nincs stressz - Az Ön életét megváltoztató szoftverek készítésének lépésről lépésre történő leírása az élet megsemmisítése nélkül
- Gépek forgalmazók számára
- Hamarosan
- Nagyobb gondolkodni
- Az örökbefogadás útja
Forrás: Juliatimchenko / Dreamstime.com
Elvitel:
A megerősítéses tanulás a mesterséges intelligencia és a gépi tanulás részhalmaza, amely előre jelezheti az eredményeket és segíthet a felhasználóknak jobb döntéseket hozni.
A forgalmazók folyamatosan skálázható és intelligens megoldásokat keresnek, amikor megpróbálnak előnyt szerezni az egyre versenyképesebb marketing körülmények között. Nem csoda, hogy a mesterséges intelligenciát (AI) és a gépi tanulást (ML) a márkák és marketingszervezeteik tömegesen alkalmazzák. (Ha többet szeretne megtudni az ML alapjairól, nézze meg a Machine Learning 101. számot.)
A nem kezelt személyek számára az AI általában technológiának tekinthető, ha a számítógép automatizálja azokat a meghatározott feladatokat, amelyeket az ember egyébként elvégzne. A gépi tanulás, mint funkcionális terület az AI-n belül, amikor a számítógépnek megadják a végcélt, de önmagában kell kiszámolnia a legjobb útvonalat.
Manapság látjuk, hogy ezeket a technológiákat - különösen a gépi tanulást - a marketing számos területén alkalmazzák, ideértve a hirdetési csalások felderítését, a fogyasztói viselkedés előrejelzését, az ajánlási rendszereket, a kreatív személyre szabást és még sok más.
Noha mindez jó és jó, létezik egy új offshoot technológia, amely a marketingszakemberek számára valóban megfelel a géptanulás által támasztott igényeknek. Ezt erősítő tanulásnak (RL) nevezik.
Mi az a megerősítéses tanulás?
Az ML-ről RL-re történő fokozatos váltás több, mint egy levél. A gépi tanulásra ruházott feladatok többsége egyetlen lépéssel jár, például: „e kép felismerése”, „a könyv tartalmának megértése” vagy „csalás elkerülése”. A marketingszakértő számára olyan üzleti cél, mint „a felhasználók vonzása, megtartása és bevonása”. magában foglalja a többlépcsős és hosszú távú lépéseket, amelyeket a gépi tanulással nem könnyű elérni.
Itt érkezik meg a megerősítéses tanulás. Az RL algoritmusok a kibontakozó és folyamatosan változó utazásra való optimalizálást célozzák - egy olyan, ahol dinamikus problémák merülnek fel. Az egyes permutációk eredményének kiszámításához matematikai „jutalmazási függvény” alkalmazásával az RL láthatja a jövőt, és megteheti a megfelelő hívást.
Manapság ennek a csúcstechnológiának a legjobb megvalósítási módjai láthatók a játékokban és az önjáró autókban. Amikor a Google AlphaGo rendszere tavaly legyőzte a Go társasjáték világ legjobb játékosait, titkos mártásuk megerősítéses tanulás volt. Miközben a játékok szabályokat állapítottak meg, addig a játékosok lehetőségei a győzelemhez vezető úthoz dinamikusan változnak az asztal állapota alapján. A megerősítő tanulással a rendszer elszámolja az összes lehetséges permutációt, amely változhat az egyes következő lépések alapján.
Hasonlóképpen, az önálló autóvezetés olyan úton halad, amelyen a közúti szabályok és a rendeltetési hely elhelyezkedése rögzített marad, ám az út mentén bekövetkező változók - a gyalogosoktól az úttömbökig a kerékpárosokig - dinamikusan változnak. Ez az oka annak, hogy az OpenAI, a Tesla Elon Musk által alapított szervezet fejlett RL algoritmusokat alkalmaz a járműveire.
Nincsenek hibák, nincs stressz - Az Ön életét megváltoztató szoftverek készítésének lépésről lépésre történő leírása az élet megsemmisítése nélkül
Nem javíthatja a programozási képességeit, ha senki sem törődik a szoftver minőségével.
Gépek forgalmazók számára
Mit jelent ez a marketingszakemberek számára?
Sok marketingszakember alapvető kihívásait az okozza, hogy az üzleti helyzet folyamatosan változik. A nyertes kampánystratégia idővel kedvezőtlenebbé válhat, míg a régi stratégia új vonzódást szerezhet. Az RL egy lépés az igazi emberi intelligencia utánozása felé, ahol több eredmény sikeréből és / vagy kudarcából tanulunk, és a jövő nyertes stratégiájává válunk. Hadd hozjak néhány példát:
1. A felhasználói elkötelezettség javítása
Koncentráljunk az éttermi lánc ügyfeleinek elkötelezettségére, és arra törekszünk, hogy a következő év során tízszeresére szaporítsuk. Ma egy marketing kampány magában foglalhatja a születésnapi köszöntést kedvezményes ajánlattal, talán akár az élelmiszer-preferenciák alapján is. Ez lineáris gondolkodásmód, ahol a marketingszakember meghatározta a kezdő és a végpontot.
A forgalmas világban az ügyfelek élete folyamatosan változik valós időben - néha elkötelezettebbek, néha kevésbé. A megerősítő tanulás során egy rendszert újrakalibrálni kellene, hogy a marketing páncél taktikája mely pillanatban tartja a legnagyobb esélyt arra, hogy a címzettet a tízszeres elkötelezettség végső célja felé mozdítsa.
2. Dinamikus költségvetési elosztás
Képzelje el egy olyan hirdetési forgatókönyvet, amelyben 1 millió dolláros költségvetéssel rendelkezik, és minden hónapban költenie kell egy napot a hónap végéig, négy különböző csatornára osztva: TV, hűségpromóciók és a Google. Hogyan tudja biztosítani, hogy a költségvetést a lehető legoptimálisabban használja? A válasz a naptól, a célfelhasználótól, a készletáron és sok más tényezőtől függ.
A megerősítő tanulás során az algoritmusok a történeti hirdetési eredmények adatait használnák olyan jutalmazási funkciók írására, amelyek bizonyos kiadási döntéseket hoznak. De figyelembe veszi a valós idejű tényezőket is, például az árazást és a célközönség tagjának való pozitív fogadás valószínűségét. Az iteratív tanulás révén dinamikusan megváltozik a havi hirdetési kiadások elosztása. Bár a végső célt kitűzték, az RL a lehető legjobb módon osztja el a költségvetést az összes forgatókönyv szerint. (Az AI-vel kapcsolatos további információkért lásd: Hogyan fejti ki a mesterséges intelligencia az értékesítési ipart.)
Hamarosan
A megerősítéses tanulás elismeri a bonyolultságot, és elismeri, hogy az emberek heterogének és elszámolják ezeket az igazságokat, javítva az egyes következő műveleteket az idő múlásával, mivel a játékdeszka darabjai körül változnak.
A megerősítő tanulás továbbra is nagyrészt a kutatási projektek és az élvonalbeli alkalmazók megőrzése. A matematikai koncepció és technika már több mint 40 éve létezik, ám a három tendencianak köszönhetően viszonylag nemrégiben nem volt lehetséges a telepítéshez:
- A számítási teljesítmény elterjedése nagy teljesítményű grafikus feldolgozó egységek (GPU) révén.
- A felhőalapú számítástechnika a csúcskategóriás processzor teljesítményét a GPU-k vásárlásának töredékénél teszi elérhetővé, lehetővé téve a harmadik felek számára, hogy GPU-t béreljenek, hogy RL modelljüket néhány óráig, napokig vagy hetekig képezzék, viszonylag alacsony áron.
- Fejlesztés akár numerikus algoritmusokban, akár intelligens heurisztikában. Az RL algoritmus néhány kritikus numerikus lépése sokkal gyorsabban képes konvergálni. E varázslatos numerikus trükkök nélkül még a mai legerősebb számítógépekkel sem lennének megvalósíthatók.
Nagyobb gondolkodni
Mindez azt jelenti, hogy a megerősítéses tanulás új ereje hamarosan méretben elérhető lesz a márkák és a marketingszakemberek számára. Ennek átvétele azonban gondolkodásmód megváltoztatását igényli. A marketing menedzser számára ez a technológia azt jelenti, hogy képesek levenni kezüket a kormányról.
Minden vállalkozásnak van célja, de ha mélyen helyezkedik el az árokban, akkor a cél felé tett mindennapi tevékenységek homályossá válhatnak. Az RL technológia lehetővé teszi a döntéshozók számára, hogy megcélozzák a célt, nagyobb bizalommal abban, hogy a rendszerek megteszik a felé vezető utat.
Például a reklámban manapság sokan rájönnek, hogy az olyan mutatók, mint az átkattintási arány (CTR), csupán a valós üzleti eredmények helyettesítői, csak azért számítanak, mert számíthatók. Az RL-vezérelt marketing rendszerek nem fogják hangsúlyozni az ilyen közbenső mutatókat és a velük kapcsolatos nehéz nehézségeket, lehetővé téve a főnököknek, hogy a célokra összpontosítsanak.
Ez megköveteli a vállalkozásokat, hogy sokkal proaktívabban és hosszú távon gondolkodjanak nagy problémáikról. Amikor a tech érett, akkor elérik a céljukat.
Az örökbefogadás útja
A megerősítő tanulás még nem áll készen a márkák teljes körű felhasználására; a marketingszakembereknek azonban időbe telik, hogy megértsék ezt az új koncepciót, amely forradalmasíthatja a márkák marketing-módját, és így kihasználhatja a gépi tanulás korai ígéretét.
Amikor megkapja az áramellátást, egy felhasználói felülettel ellátott marketing szoftverbe kerül, de a szoftver által megkövetelt feladatokat radikálisan egyszerűsítik. A munkatársak számára kevesebb mozgó kapcsoló és számbeviteli lehetőség lesz, valamint kevesebb elemző jelentést fog olvasni és azokra reagálni. A műszerfal mögött az algoritmus fogja kezelni ennek nagy részét.
Nem valószínű, hogy az RL képes az emberi intelligenciát közvetlenül a kapun kívül elhelyezni. Fejlesztésének sebessége a marketingszakemberek visszajelzéseitől és javaslataitól függ. Gondoskodnunk kell arról, hogy egy számítógépet kérjen a helyes probléma megoldására, és büntessük, ha nem. Úgy hangzik, hogyan tanítanád a saját gyermekedet, nem igaz?