Martech Focus：2018年人工智慧和機器學習將成為CMO的必需品

【導讀】專欄作家安迪·貝茨帶領你深入了解深度學習的各個方面，並解釋為什麼它將成為營銷計劃的遊戲規則顛覆者。

全文大意如下：

人工智慧和機器學習的發展速度正在加快，而那些認為數年之後再採用人工智慧也不遲的人會發現，現實情況大不相同。人工智慧已經嵌入到我們的日常生活中，而有遠見的營銷人員正在利用機器學習技術的效率，實現自動化和擴展他們的營銷計劃。

然而，關於深度學習的內容卻很少被人提及，這是人工智慧領域的創業板，它為營銷者提供了更強大的洞察力。

在我的上一篇文章中，我著重介紹了人工智慧應用程序，並解釋了為什麼在沒有人工智慧系統或Martech棧應用的情況下，會導致2018年CMO滯後。在這個前提下，如果不採用深度學習技術便意味著營銷人員正在失去基本的洞察力，我預測這將推動2018年、2019年及以後的市場營銷技術發展。

你有沒有注意到我是如何使用人工智慧、機器學習中「應用」和深度學習中「技術」這兩個術語？

因為深度學習是大數據集、機器學習、計算機處理能力和神經網路的結合，使應用程序在學習過程中變得更聰明，這是一個關鍵的區別。技術營銷人員區分人工智慧和構成人工智慧的子類別是很重要的。

人工智慧是一門讓機器變得更聰明的科學，它反過來也增強了人類的知識和能力。人工智慧是任何一種智能的計算機程序。

人工智慧通常被歸類為狹義人工智慧和一般人工智慧(機器可以精確地做到人類所做的事情——想想機器人和電影「Ex Machina」)。如今，只有狹義的人工智慧應用程序可用，而且隨著應用程序的智能化，這些應用程序可以被監督或不受監督。

機器學習是人工智慧的一個子集，機器在那裡獲取數據並開始學習。大數據集提供了一種可以學習和改進的演算法，無需人工數據輸入和重新編程。機器學習允許系統學會識別自己的模式並做出預測。

深度學習是人工智慧的另一個子集，它被更好地描述為一種技術。深度學習技術訓練自己，並基於人腦和神經網路的生物學。海量數據集與模式識別能力相結合，可以自動做出決策、找到模式和力量自學。

1、進一步深度學習

深度學習是人工智慧領域的瑰寶——它是背後的大腦——它使機器學習的許多實際應用得以應用，並為人工智慧的發展提供了動力。深度學習是一種使應用程序更智能、更自然的技術，因為它通過巨大的計算機處理速度來理解大數據。

機器學習和深度學習之間最大的區別之一是所使用的數據集的數量和所涉及的數據點。機器學習使用數千個數據點，而深度學習使用了數百萬個數據點。

對於一個營銷人員來說，深度學習的潛在產出和見解可能是驚人的。在營銷技術領域，競爭非常激烈，而營銷人員總是在尋找優勢，這可能就是原因。

深度學習最初與自動駕駛汽車、監控和科幻小說有關，但現在它與人工智慧、機器學習和主要的營銷技術人員有關聯。深度學習基本上是一種先進的機器學習方式。

2、深度學習的進化

2014年，谷歌以超過5億美元的價格收購了人工智慧創業公司DeepMind, 2016年微軟成立了微軟風險投資基金，專註於投資於AI公司。微軟還與蘋果(Apple)、亞馬遜(Amazon)、谷歌、Facebook和IBM等其他科技巨頭合作，合作開發人工智慧(AI)，這是一個旨在開展研究和建立最佳實踐的聯盟。

根據麥肯錫的數據，2016年，人工智慧的花費在260億美元到390億美元之間，其中大部分包括了百度、亞馬遜和谷歌等公司的研發和部署投資。就在同一年，優步通過獲取幾何智能來顯示其深刻的學習意圖，這是一家人工智慧初創公司，致力於探索機器學習所提供的領域之外的領域。

與此同時，Facebook正在創建深度學習人工智慧，旨在找出對Facebook用戶最重要的東西，而http://Salesforce.com則與MetaMind合作，後者是一家專門從事深度學習的人工智慧初創企業。IBM有沃森，而Adobe有Sensei，兩者都專註於機器和深度學習。

我們周圍正在建造機器和深度學習智能。(見下圖)。

3、深度學習和營銷技術應用

當今市場營銷人員面臨的最大挑戰是數據過剩。

有太多的數據要處理、分割和篩選。根據IDC的數據，至少有99% (PDF)的大數據沒有被分析。如果可以的話，花點時間考慮一下。

數據管理平台(DMPs)試圖通過提供大量數據的視角來解決這個問題，但實際情況是，許多任務仍然需要由人來執行(和監督)。

深度學習通過採用大規模非結構化數據(無監督)，並在可操作的塊中提供最強大、最有價值和相關的見解，從而實現了這一挑戰。營銷人員可以在很多方面使用這種方法。

下面列出了一些與martech相關的例子：

• 信息檢索：用於搜索引擎——文本搜索、語音和圖像搜索。
• 翻譯：用於文本識別和圖像掃描，實時獲取重要和必要的信息——硬體、軟體和人工智慧的深度學習組合。
• 模式識別：尋找層次的模式，以揭示新的數據關係和洞察和預測分析。
• 受眾定位：用戶偏好分析和預測建模。
• 情緒分析：根據他們所寫的文字，檢測、優化和自動化過程，以幫助確定人們的情緒/情緒。
• 個性化：針對消費者，根據他們過去的喜好，在合適的時間，根據他們的喜好，結合內容，向人們展示他們的選擇和促銷。這是深度學習能夠產生巨大影響的最大領域之一。
• 自動化：用於電子郵件營銷，廣告定位和個性化。
• 自然語言處理：應用於情感分析和目標以外的目標。
• 社交媒體挖掘：關注人們如何相互交流，挖掘演講，提供社交媒體和客戶情報和智能代理。
• 有機搜索和內容性能：意圖建模，內容生成，推薦和語音搜索。
• 品牌和產品差異化：通過深度學習，營銷人員現在可以在圖片和視頻中識別文本和對象，從而對消費者活動進行規模分析。

簡而言之，深度學習在無監督學習的情況下會產生更好的結果，從而允許營銷者利用大量的原始數據和非結構化數據。這讓市場營銷人員能夠快速、輕鬆地釋放新的見解。它還減少了專家需要對數據進行篩選和運行A/B測試和試錯過程的時間。

日益增長的人工智慧趨勢和市場營銷人員正在積累的大量數據意味著，在2018年，人工智慧和機器學習成為CMO的必需品，而非一種選擇。個性化是martech的關鍵之一，深度學習將在這個領域產生巨大的影響。深度學習的潛力可能是真實的。