架構師(2019年2月)

卷首語:如何推動AI市場營銷走向成功

將人工智能作爲百試百靈的解決方案推向市場,目前還是個難題。極高的商業轉化門檻也正使這一在崛起中的創新領域面臨一朝消亡的尷尬困境。

幾個月之前,谷歌DeepMind團隊爲通用學習的實現添加了重要的助力,其嘗試令計算機獲得類似於孩子通過感知周邊環境學習技能的能力。在此之後,來自日本東京的初創企業Araya公司開始鼓勵機器人通過好奇心解決難題,且無需任何人爲介入。該機器人自行學習到在爬坡之前需先助跑,這已經展示出一定的推理能力與自我意識。

機器學習技術的進步也使得機器能夠在沒有人類知識的情況下解決問題。舉例來說,AlphaGo的早期版本在2015年10月推出,是第一款在無讓步賽的情況下打敗專業玩家的計算機程序。兩年之後,谷歌DeepMind又發佈了AlphaGoZero,一款無需研究人類數據,但性能仍然優於其前身。

可見,目前的問題不應該是計算機是否能夠學習、推理或者處理不可預見的情況;相反,我們認爲更重要的問題在於:

  • 市場營銷技術與廣告宣傳技術行業,是否需要人工通用智能(AGI)來獲得優於AI以及分析技術的收益?
  • 企業目前無法從分析及大數據中受益的主要原因是什麼?
  • 我們是否指認出正確的業務問題交由AI解決?

第一個問題的答案是否定的。很明顯,我們根本沒有必要等待尚不存在的AGI真正出現,目前的AI與分析技術已經能夠帶來理想的性能表現。

諮詢企業凱捷公司在2017年進行的一項研究也顯示,有58%的企業正在解決由AI所增添的具有相當挑戰的問題。凱捷的這項研究也顯示,實施AI技術的具體收益取決於組織數據與技能的準備程度。同時,也指出在實施AI技術的過程中,文化問題是最爲核心的挑戰。

這就給我們提出的第二個問題帶來了啓示,即哪些障礙性因素影響着通過AI解決方案實現收益的能力。

由MITSloan與BCG合作進行的一項研究指出,在大多數組織當中,AI相關項目的執行能力與預期目標之間存在着巨大差距。儘管85%的高管認爲他們可以利用人工智能獲得或者維持其競爭優勢,也有75%的受訪者表示人工智能將爲其業務開闢出新的商業機遇,但只有約20%的受訪者將AI納入其部分業務流程及產品當中,其中只有5%已經完成了AI的廣泛引入。

不切實際的期望可能會破壞人工智能所帶來的最具前景的創新潛能。我們堅信,正確使用現有技術能夠給營銷人員帶來巨大的推動作用。導致AI項目失敗的原因很多,其中最關鍵的幾項因素如下:

  1. 未能準確的指出對業務影響最大的問題。
  2. 業務與數據科學團隊之間未能進行溝通細化劃分。
  3. 缺少內部數據處理機制。
  4. 過分好高騖遠。
  5. 數據集不夠完整。
  6. 錯誤的算法與技術堆棧。

這又將我們引導到了最後一個問題:我們是否確定了應該交由AI解決的正確業務問題?

確保AI相關負責人理解分歧中的兩個方面,是解決這個問題的關鍵第一步。組織不僅應該吸引數據科學家和AI專家人才,更應該吸引並僱用業務工程人員,從而真正將數據安全與行業/職能專業知識結合起來。這些人將充當數據科學家與業務問題實際應用之間的對接代理。分析工作可以外包,但業務工程則需要強大的專業知識,因此相關人員應被深入整合至組織之內。另外,數據科學家與AI專家無法在真空當中工作。業務利益相關者以及領域內的知識專家必須參與進來,從而發現可由AI解決的具體問題,準備數據集並驗證處理結果。最終,如果我們無法將業務問題轉換爲數據問題,那麼人工智能與機器學習將無法被轉化爲投資回報的形式。營銷人員需要意識到AI解決方案能夠帶來的實際價值,並接受可以獲得最佳結果且符合一定條件約束的特定用例。

確保AI相關負責人充分的理解分歧中的兩個方面,是解決這個問題最關鍵的第一步。

然而,業務與數據科學之間的這種橋樑並不一定必須要由組織內部負責建立。目前,市面上已經出現了CtrlShift、adGeek以及Adgorithms等一系列科技企業,他們在努力將人工智能與機器學習技術知識轉化爲適用的有形解決方案,並已經在市場營銷與廣告宣傳方面發揮至關重要的作用。

那麼,AI解決方案中的數據問題又該如何解決?舉例來說,如果您的品牌正在嘗試利用AI技術實現定製化內容的大規模創建,實際上這項工作當下就已經擁有理想的實現方法。雖然人工智能生成的內容可能無法獲得奧斯卡獎或者普利茲獎,但其內容本身已經非常順暢且充滿吸引力。但是,依靠現有技術仍然無法以全自動方式實現創意性創造。一個好的創意需要的是一個故事、敏銳的直覺以及極高的創造力水平,這一切在目前可用的AI解決方案中仍然很難找到。

或者引用吳恩達先生的話,“如果一個普通人能夠通過不到一秒的思考解決某個心理層面的問題,那麼我們現在或者是不久的未來,可能可以利用AI將其自動解決。”

這裏必須再次強調,AI解決方案所帶來的價值取決於具體考量方法,而良好的方法必須囊括當下的限制條件,從而真正帶來有利於未來的結果。

本期特約卷首語來自新加坡The Lab of CtrlShift公司的數據科學家,作者是Shahram Sabzevari和譚思聰博士。

目錄

熱點 | Hot

滴滴重磅開源跨平臺統一 MVVM 框架 Chameleon

谷歌等推出基於機器學習的新型數據庫 SageDB

推薦文件 | Article

基於 Kubeflow 的機器學習調度平臺落地實戰(原創首發)

阿里技術專家詳解 Dubbo 實踐,演進及未來規劃

如何基於 Kubernetes 構建完整的 DevOps 流水線(演講整理)

觀點 | Opinion

Medium 架構實踐:避免微服務綜合症

特別專欄 | Column

對話AWS CTO Vogels博士:第一朵“Cloud”出現的故事

150倍加速機械盤,UCloud雲主機IO加速技術揭祕

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章