Obsah
- Co je učení o posílení?
- Žádné chyby, žádný stres - Váš průvodce krok za krokem k vytváření softwaru pro změnu života, aniž by došlo ke zničení vašeho života
- Stroje pro obchodníky
- Brzy
- Myšlení větší
- Cesta k adopci
Zdroj: Juliatimchenko / Dreamstime.com
Odnést:
Učení zesílení je podmnožinou umělé inteligence a strojového učení, které může předpovídat výsledky a pomoci uživatelům přijímat lepší rozhodnutí.
Obchodníci neustále hledají škálovatelná a inteligentní řešení, když se snaží získat výhodu ve stále konkurenčnějších marketingových podmínkách. Není divu, že umělé inteligence (AI) a strojové učení (ML) jsou nyní masově přijímány značkami a jejich marketingovými organizacemi. (Chcete-li se dozvědět více o základech ML, podívejte se na Machine Learning 101.)
Pro nezasvěcené lze AI obecně považovat za technologii, když počítač automatizuje definované úkoly, které by jinak člověk udělal. Strojové učení, jako funkční oblast v AI, je, když je počítač dán konečnému cíli, ale musí sám vypočítat nejlepší trasu.
Dnes vidíme tyto technologie - zejména strojové učení - nasazené v mnoha oblastech marketingu, včetně detekce podvodů s reklamami, předpovídání chování spotřebitelů, systémů doporučení, kreativní personalizace a dalších.
I když je to všechno v pořádku, je tu nová technologie odnoží, která pro obchodníky skutečně splní požadavky, které strojové učení vytváří. Říká se tomu „posílení učení“ (RL).
Co je učení o posílení?
Krok-změna z ML na RL je více než jen dopis. Většina úkolů předaných strojovému učení zahrnuje použití jediného kroku, jako je „rozpoznat tento obrázek“, „porozumět obsahu knihy“ nebo „chytit podvod“. Pro obchodníka je obchodní cíl, jako je „přilákat, udržet a zapojit uživatele“, inherentně vícestupňový a dlouhodobý, který nelze snadno dosáhnout strojovým učením.
Zde přichází posilovací učení. Algoritmy RL jsou o optimalizaci pro rozvíjející se a neustále se měnící cestu - cestu, kde se vyskytují dynamické problémy. Využitím matematické „odměnovací funkce“ pro výpočet výsledku každé permutace může RL vidět do budoucnosti a učinit správné volání.
Dnes je nejlepší provedení této špičkové technologie vidět ve hrách a autech s vlastním pohonem. Když systém AlphaGo společnosti Google minulý rok porazil nejlepšího hráče deskové hry na světě, jejich tajnou omáčkou bylo posílení učení. Zatímco hry mají nastavená pravidla, možnosti hráče pro cestu k vítězství se dynamicky mění v závislosti na stavu desky. Díky učení zesílení systém odpovídá za všechny možné permutace, které se mohou měnit na základě každého dalšího tahu.
Obdobně platí, že auto s vlastním pohonem jede na cestě, ve které zůstávají pevná pravidla silnice a umístění cíle, ale proměnné na cestě - od chodců po bloky silnic k cyklistům - se dynamicky mění. Proto organizace OpenAI, založená společností Tesla Elon Musk, používá pro své vozidla pokročilé algoritmy RL.
Žádné chyby, žádný stres - Váš průvodce krok za krokem k vytváření softwaru pro změnu života, aniž by došlo ke zničení vašeho života
Nemůžete zlepšit své programovací schopnosti, když se nikdo nestará o kvalitu softwaru.
Stroje pro obchodníky
Co to pro obchodníky znamená?
Hlavní výzvy mnoha obchodníků jsou vytvářeny skutečností, že se obchodní podmínky neustále mění. Vítězná strategie kampaně může být postupem času nepříznivá, zatímco stará strategie může získat novou trakci. RL je krokem k napodobování skutečné lidské inteligence, kde se učíme z úspěchu a / nebo neúspěchu více výsledků a vytváříme vítěznou strategii budoucnosti. Dovolte mi uvést několik příkladů:
1. Vylepšení zapojení uživatele
Zaměřme se na zapojení zákazníků do restauračního řetězce a na cíl jej v příštím roce desetkrát znásobit. V dnešní době může marketingová kampaň zahrnovat narozeninový pozdrav se slevou, možná i na základě preferencí jídla. Toto je lineární myšlení, kde obchodník definoval počáteční a koncový bod.
V rušném světě se životy zákazníků v reálném čase neustále mění - někdy jsou angažovanější, jindy méně. V posilování učení by systém neustále přehodnocoval, která taktika v marketingové zbrojnici má v každém daném okamžiku nejlepší šanci, jak posunout příjemce ke konečnému cíli 10x angažovanosti.
2. Dynamické přidělování rozpočtu
Nyní si představte reklamní scénář, ve kterém máte rozpočet ve výši 1 milionu dolarů a musíte každý den utratit až do konce měsíce, který je rozdělen na čtyři různé kanály: TV, věrnostní propagace a Google. Jak můžete zajistit, že rozpočet utratíte nejoptimálnějším způsobem? Odpověď závisí na dni, cílovém uživateli, ceně inventáře a řadě dalších faktorů.
Při učení posilování by algoritmy používaly historické údaje o výsledcích reklam k psaní funkcí odměňování, které hodnotí určitá rozhodnutí o utrácení. Ale také to odpovídá faktorům v reálném čase, jako je tvorba cen a pravděpodobnost pozitivního přijetí od cílového publika. Prostřednictvím iteračního učení by se přidělování výdajů na reklamu během měsíce dynamicky změnilo. Přestože je stanoven konečný cíl, RL bude mít přidělen rozpočet nejlepším možným způsobem ve všech scénářích. (Více o AI v marketingu viz Jak umělá inteligence bude revolucionalizovat prodejní průmysl.)
Brzy
Učení zesílení uznává složitost a uznává, že lidé jsou různorodí a odpovídají za tyto pravdy, což zlepšuje každou další akci v průběhu času, když se kolem ní mění hrací plocha.
Učení o posílení je stále do značné míry uchováno ve výzkumných projektech a špičkových osvojitelích. Matematický koncept a technika existuje již více než 40 let, ale díky třem trendům nebylo možné nasadit teprve nedávno.
- Šíření výpočetního výkonu pomocí výkonných grafických procesorů (GPU).
- Cloud computing poskytuje špičkový procesorový výkon za zlomek nákladů na nákup samotných GPU, což umožňuje třetím stranám pronajmout GPU, aby mohl trénovat svůj model RL po dobu několika hodin, dnů nebo týdnů za relativně výhodnou cenu.
- Vylepšení v numerických algoritmech nebo inteligentní heuristice. Několik kritických numerických kroků v algoritmu RL je nyní schopno konvergovat mnohem rychleji. Bez těchto magických numerických triků by stále nebyly proveditelné ani u dnešních nejvýkonnějších počítačů.
Myšlení větší
To vše znamená, že nové pravomoci posilování učení budou brzy k dispozici značkám a obchodníkům v měřítku. Jeho přijetí však vyžaduje posun v myšlení. Pro marketingového manažera tato technologie znamená schopnost sundat ruce z volantu.
Každý podnik má svůj cíl, ale když jste hluboko v zákopech, mohou být každodenní akce směřující k tomuto cíli nejasné. Nyní technologie RL umožní činitelům s rozhodovací pravomocí stanovit cíl a mít větší důvěru v to, že systémy k tomu budou směřovat svým nejlepším směrem.
Například v dnešní době si mnoho lidí uvědomuje, že metriky, jako je míra prokliku (CTR), jsou pouze proxymi pro skutečné obchodní výsledky, počítají se pouze proto, že jsou spočítatelné. RL-řízené marketingové systémy de-zdůrazní takové zprostředkující metriky a všechny těžké zvedání, které je s nimi spojeno, což umožní šéfům soustředit se na cíle.
To bude vyžadovat, aby podniky přemýšlely o svých velkých problémech mnohem aktivnějším a dlouhodobějším způsobem. Až bude technologie vyspělá, dosáhne svého cíle.
Cesta k adopci
Výztužná výuka zatím není připravena na plné využití značkami; obchodníci by však měli mít čas na pochopení tohoto nového konceptu, který by mohl revolucionizovat způsob, jakým značky marketing uvádějí na trh, což by umožnilo využít některé z prvních slibů strojového učení.
Až energie dorazí, přijde na trh software s uživatelským rozhraním, ale úkoly vyžadované tímto softwarem budou radikálně zjednodušeny. Pro zaměstnance bude méně pohyblivých přepínačů a zadávání čísel, stejně jako méně čtení analytických zpráv a jednání podle nich. Za palubní deskou bude algoritmus většinu z toho.
Je nepravděpodobné, že by RL dokázala vyrovnat lidskou inteligenci hned z brány. Rychlost jeho vývoje bude záviset na zpětné vazbě a podnětech obchodníků. Musíme se ujistit, že žádáme počítač, aby vyřešil správný problém a penalizoval jej, pokud ne. Zní to, jak byste učili své vlastní dítě, že?