Inhoud
- Wat is versterking leren?
- Geen bugs, geen stress - Uw stapsgewijze handleiding voor het creëren van levensveranderende software zonder uw leven te vernietigen
- Machines voor marketeers
- Binnenkort beschikbaar
- Groter denken
- Pad naar adoptie
Bron: Juliatimchenko / Dreamstime.com
Afhaal:
Versterkingsleren is een subset van kunstmatige intelligentie en machine learning die uitkomsten kan voorspellen en gebruikers kan helpen betere beslissingen te nemen.
Marketeers zijn voortdurend op zoek naar schaalbare en intelligente oplossingen bij het proberen een voorsprong te krijgen in de steeds competitiever wordende marketingomstandigheden. Het is geen wonder dat kunstmatige intelligentie (AI) en machine learning (ML) nu massaal worden overgenomen door merken en hun marketingorganisaties. (Bekijk Machine Learning 101 voor meer informatie over de basisprincipes van ML.)
Voor niet-ingewijden kan AI in het algemeen worden beschouwd als een technologie wanneer een computer de gedefinieerde taken automatiseert die een mens anders zou doen. Machine learning, als een functioneel gebied binnen AI, is wanneer een computer een einddoel krijgt, maar zelf de beste route moet berekenen.
Tegenwoordig zien we deze technologieën - met name machine learning - worden ingezet in veel marketinggebieden, waaronder detectie van advertentiefraude, voorspelling van consumentengedrag, aanbevelingssystemen, creatieve personalisatie en meer.
Hoewel dat allemaal goed en wel is, is er een nieuwe uitlopertechnologie die voor marketeers echt zal voldoen aan de vraag die door machine learning wordt gecreëerd. Het wordt "versterkend leren" (RL) genoemd.
Wat is versterking leren?
De stapverandering van ML naar RL is meer dan alleen een letter. De meeste taken die worden overgedragen aan machine learning, zijn het gebruik van een enkele stap, zoals 'dit imago herkennen', 'boekinhoud begrijpen' of 'fraude opmerken'. Voor een marketeer is een zakelijk doel zoals 'gebruikers aantrekken, behouden en betrekken' inherent een stap in meerdere stappen en op lange termijn, niet gemakkelijk bereikt met machine learning.
Dit is waar versterkend leren van pas komt. Bij RL-algoritmen gaat het allemaal om het optimaliseren voor een zich ontvouwende en steeds veranderende reis - een waarbij dynamische problemen optreden. Door een wiskundige "beloningsfunctie" te gebruiken om de uitkomst van elke permutatie te berekenen, kan RL in de toekomst kijken en de juiste beslissing nemen.
Tegenwoordig zijn de beste uitvoeringen van deze geavanceerde technologie te zien in games en zelfrijdende auto's. Toen het AlphaGo-systeem van Google vorig jaar de beste speler ter wereld van het bordspel Go versloeg, was hun geheime saus versterkend leren. Hoewel spellen regels hebben vastgesteld, veranderen de opties van een speler voor de route naar de overwinning dynamisch op basis van de staat van het bord. Met versterkingsleren houdt het systeem rekening met alle mogelijke permutaties die kunnen veranderen op basis van elke volgende beweging.
Evenzo gaat een zelfrijdende auto op reis waarbij de regels van de weg en de locatie van de bestemming vast blijven, maar de variabelen onderweg - van voetgangers tot wegversperringen tot fietsers - veranderen dynamisch. Dat is de reden waarom OpenAI, de organisatie opgericht door Tesla's Elon Musk, geavanceerde RL-algoritmen voor zijn voertuigen gebruikt.
Geen bugs, geen stress - Uw stapsgewijze handleiding voor het creëren van levensveranderende software zonder uw leven te vernietigen
U kunt uw programmeervaardigheden niet verbeteren als niemand om softwarekwaliteit geeft.
Machines voor marketeers
Wat betekent dit voor marketeers?
De belangrijkste uitdagingen van veel marketeers worden gecreëerd door het feit dat de bedrijfsomstandigheden voortdurend veranderen. Een winnende campagnestrategie kan na verloop van tijd ongunstig worden, terwijl een oude strategie nieuwe grip kan krijgen. RL is een stap in de richting van het nabootsen van de echte menselijke intelligentie, waarbij we leren van het succes en / of falen van meerdere uitkomsten en een winnende strategie voor de toekomst vormen. Laat me enkele voorbeelden geven:
1. Verbetering van gebruikersbetrokkenheid
Laten we ons richten op klantbetrokkenheid voor een restaurantketen, en een doel om het in het komende jaar te vertienvoudigen. Tegenwoordig kan een marketingcampagne een verjaardagswens met een kortingsaanbieding inhouden, misschien zelfs op basis van voedselvoorkeuren. Dit is lineair denken waarbij de marketeer een begin- en eindpunt heeft gedefinieerd.
In een drukke wereld verandert het leven van klanten voortdurend in realtime - soms zijn ze meer betrokken, soms minder. Bij versterkingsleren zou een systeem voortdurend opnieuw kalibreren welke tactieken in het marketingarsenaal op elk willekeurig moment de beste kans maken om de ontvanger naar het uiteindelijke doel van 10x betrokkenheid te verplaatsen.
2. Dynamische begrotingstoewijzing
Stel je nu een advertentiescenario voor waarin je een budget van $ 1 miljoen hebt en dat je elke dag tot het einde van de maand moet uitgeven, verdeeld over vier verschillende kanalen: tv, loyaliteitspromoties en Google. Hoe kunt u ervoor zorgen dat u het budget op de meest optimale manier uitgeeft? Het antwoord hangt af van de dag, de beoogde gebruikers, de voorraadprijs en tal van andere factoren.
Bij versterkingsleren zouden algoritmen historische advertentie-uitkomstgegevens gebruiken om beloningsfuncties te schrijven die bepaalde uitgavenbeslissingen scoren. Maar het houdt ook rekening met real-time factoren zoals prijzen en de kans op positieve ontvangst door de doelgroep. Door iteratief leren zou de toewijzing van advertentie-uitgaven gedurende de maand dynamisch veranderen. Hoewel het uiteindelijke doel is gesteld, heeft RL in alle scenario's op de best mogelijke manier toegewezen. (Zie voor meer informatie over AI in marketing hoe kunstmatige intelligentie de verkoopsector zal revolutioneren.)
Binnenkort beschikbaar
Leren van versterkingen erkent complexiteit en erkent dat mensen heterogeen zijn en rekenschap afleggen van deze waarheden, waardoor elke volgende actie in de loop van de tijd verbetert naarmate de stukken van je bord eromheen veranderen.
Leren van versterking is nog steeds grotendeels voorbehouden aan onderzoeksprojecten en toonaangevende adoptanten. Het wiskundeconcept en de techniek bestaan al meer dan 40 jaar, maar konden pas relatief recent worden ingezet dankzij drie trends:
- Proliferatie van rekenkracht door krachtige grafische verwerkingseenheden (GPU's).
- Cloud computing maakt high-end processorvermogen beschikbaar tegen een fractie van de kosten van het kopen van de GPU's zelf, waardoor derden een GPU kunnen huren om hun RL-model enkele uren, dagen of weken te trainen tegen een relatief lage basisprijs.
- Verbetering van numerieke algoritmen of slimme heuristiek. Een paar kritische numerieke stappen in een RL-algoritme kunnen nu veel sneller samenkomen. Zonder deze magische numerieke trucs zouden ze nog steeds niet haalbaar zijn, zelfs niet met de krachtigste computers van vandaag.
Groter denken
Dit alles betekent dat de nieuwe mogelijkheden voor versterking van leren binnenkort op schaal beschikbaar zullen zijn voor merken en marketeers. Het omarmen ervan zal echter een mentaliteitsverandering vereisen. Voor een marketingmanager betekent deze technologie het vermogen om hun handen van het stuur te nemen.
Elk bedrijf heeft een doel, maar wanneer u zich diep in de loopgraven bevindt, kunnen de dagelijkse acties die naar dat doel worden ondernomen wazig worden. Nu kunnen RL-technologie besluitvormers het doel stellen, met meer vertrouwen dat de systemen hun beste koers er naar toe zullen uitzetten.
In advertenties, bijvoorbeeld, realiseren veel mensen zich tegenwoordig dat statistieken zoals click-through rate (CTR) slechts proxy's zijn voor echte bedrijfsresultaten, alleen geteld omdat ze kunnen worden geteld. RL-gestuurde marketingsystemen zullen de nadruk leggen op dergelijke intermediaire statistieken en al het zware werk dat ermee gepaard gaat, waardoor bazen zich op doelstellingen kunnen concentreren.
Dit vereist dat bedrijven veel proactiever en op langere termijn over hun grote problemen nadenken. Wanneer de technologie volwassen is, zullen ze hun doel bereiken.
Pad naar adoptie
Versterking leren is nog niet klaar voor volledig gebruik door merken; marketeers moeten echter de tijd nemen om dit nieuwe concept te begrijpen dat een revolutie teweeg zou kunnen brengen in de manier waarop merken marketing doen, en een aantal van de vroege beloften van machine learning waarmaken.
Wanneer de stroom arriveert, komt het in marketing software met een gebruikersinterface, maar de taken die door die software worden vereist, zullen radicaal worden vereenvoudigd. Voor het personeel zullen er minder bewegende schakelaars en cijfers zijn, evenals minder analyserapporten lezen en ernaar handelen. Achter het dashboard zal het algoritme het meeste verwerken.
Het is onwaarschijnlijk dat RL menselijke intelligentie rechtstreeks uit de poort kan evenaren. De snelheid van zijn ontwikkeling zou afhangen van de feedback en suggesties van de marketeers. We moeten ervoor zorgen dat we een computer vragen het juiste probleem op te lossen en dit bestraffen als dat niet het geval is. Klinkt als hoe je je eigen kind zou leren, nietwaar?