Sztuczna inteligencja: przewodnik dla początkujących

Wszyscy mówią o sztucznej inteligencji. To zrozumiałe — w końcu nagle dostępne są bezpłatne (lub tanie) narzędzia do tworzenia różnorodnych treści generowanych przez sztuczną inteligencję, w tym tekstu i obrazów, w nieograniczonej gamie stylów i pozornie w ciągu kilku sekund.

Oczywiście, że to ekscytujące.

Ale zatrzymaj się na chwilę i zadaj sobie kilka pytań:

• Czy naprawdę wiem, czym jest sztuczna inteligencja?
• Czy wiem, jak długo to trwało?
• Czy znam różnicę, jeśli w ogóle, między sztuczną inteligencją a uczeniem maszynowym?
• I czy ja wiem, co to do cholery jest głębokie uczenie się?

Jeśli odpowiedziałeś twierdząco na wszystkie te pytania, ten artykuł może nie być dla Ciebie. Jeśli wahałeś się nad niektórymi z nich, czytaj dalej.

Rewolucja AI zaczyna się… teraz?

Zacznijmy od wypełnienia tła.

Czy sztuczna inteligencja to coś nowego?

Nie. Przynajmniej koncepcyjnie, AI datuje się już na rok 1950 (więcej o tym później). Jako praktyczne zajęcie zaczęło się rozwijać w latach 60. i 70. XX wieku, gdy komputery stały się szybsze, tańsze i szerzej dostępne.

Czy AI w marketingu to coś nowego?

Nie. Warto mieć na uwadze, że sztuczna inteligencja od dawna ma wiele zastosowań w marketingu innych niż tworzenie treści. Rekomendacje treści i rekomendacje produktów są od lat zasilane przez sztuczną inteligencję. Analityka predykcyjna — używana do przewidywania zachowań użytkowników na podstawie dużych zbiorów danych dotyczących przeszłych zachowań, a także do przewidywania następnej najlepszej akcji (pokaż jej odpowiednią białą księgę, pokaż mu czerwoną czapkę z daszkiem, wyślij e-mail) — była sztuczną inteligencją -zasilany przez długi czas.

Znani dostawcy od prawie dekady pieką sztuczną inteligencję w swoich rozwiązaniach. Adobe Sensei i Salesforce Einstein pochodzą z 2016 roku. Zaangażowanie Oracle w sztuczną inteligencję sięga co najmniej tak daleko, a prawdopodobnie dalej; po prostu nigdy nie nadał mu uroczej nazwy. Innym weteranem wdrażania sztucznej inteligencji jest Pega, która wykorzystuje ją najpierw do przewidywania kolejnych najlepszych działań w swojej ofercie zarządzania procesami biznesowymi, a później w swojej platformie CRM.

Cóż… czy generatywna sztuczna inteligencja jest czymś nowym?

Generatywna sztuczna inteligencja. Sztuczna inteligencja konwersacyjna. Narzędzia do pisania AI. Wszystkie zwroty z danej chwili, wszystkie pokrywają się znaczeniem. Generatywna sztuczna inteligencja generuje teksty (lub obrazy, a nawet filmy). Konwersacyjna sztuczna inteligencja generuje teksty w interakcji z ludzkim rozmówcą (pomyśl o chatbotach napędzanych przez sztuczną inteligencję). Narzędzia AI do pisania mają na celu tworzenie niestandardowych tekstów na żądanie. Wszystkie te rozwiązania wykorzystują, w takim czy innym sensie, „podpowiedzi” — to znaczy czekają, aż ktoś zada pytanie lub wyznaczy zadanie.

Czy to wszystko jest nowe? Nie. Nowością jest jego szeroka dostępność. Przetwarzanie języka naturalnego (NLP) i generowanie języka naturalnego (NLG) istnieją już od lat. Pierwsza oznacza interpretację tekstów wspomaganą przez sztuczną inteligencję; drugie, tworzenie tekstów za pomocą sztucznej inteligencji. Już w 2015 roku, w oparciu o moje własne raporty, NLG oparte na sztucznej inteligencji tworzyło pisemne raporty dla lekarzy i zakładów przemysłowych, a nawet generowało prognozy pogody dla Met Office, brytyjskiej krajowej służby pogodowej.

Wejście danych, wyjście tekstu. Po prostu nie tak powszechnie dostępne jak coś takiego jak ChatGPT.

Wideo też. Przynajmniej do 2017 r. sztuczna inteligencja była wykorzystywana do tworzenia nie tylko spersonalizowanych, ale i zindywidualizowanych treści wideo — generowanych, gdy użytkownik klika przycisk odtwarzania, tak szybko, że wydaje się, że są przesyłane strumieniowo z istniejącej biblioteki wideo. Ponownie, nie jest powszechnie dostępna, ale raczej kosztowna oferta dla przedsiębiorstw.

Kop głębiej: ChatGPT : Przewodnik marketera

Czym jest AI: wersja prosta

Wyjaśnijmy to od podstaw.

Zacznij od algorytmów

Algorytm można zdefiniować jako zestaw reguł, których należy przestrzegać w obliczeniach lub innych operacjach rozwiązywania problemów lub wykonywania zadań, zwłaszcza przez komputer. Czy „algorytm” pochodzi z greki? Nie, właściwie pochodzi od części imienia (al-Khwārizmī) arabskiego matematyka z ^IX wieku. Ale to nie ma znaczenia.

Liczy się to, że używanie algorytmów do obliczeń lub zadań nie jest — powtarzam, nie — tym samym, co używanie sztucznej inteligencji. Łatwo stworzyć algorytm; weźmy prosty przykład. Załóżmy, że prowadzę księgarnię internetową i chcę oferować rekomendacje produktów. Potrafię napisać sto reguł (algorytmów) i wyszkolić moją stronę internetową, aby je wykonywała. „Jeśli szuka Jane Austen, pokaż jej także Emily Bronte”. „Jeśli szuka książek z I wojny światowej, pokaż mu też książki z II wojny światowej”. „Jeśli szuka Agathy Christie, pokaż mu inną powieść detektywistyczną”.

Oczywiście będę musiał odpowiednio oznakować moje tomy kryminałów, ale jak na razie to takie proste. Z jednej strony są to dobre zasady. Z drugiej strony nie są to „inteligentne” reguły. To dlatego, że są osadzone w kamieniu, chyba że wrócę i je zmienię. Jeśli ludzie poszukujący książek z I wojny światowej konsekwentnie ignorują książki z II wojny światowej, zasady nie uczą się i nie dostosowują. Dalej głupio robią to, co im kazano.

Teraz, gdybym miał zasoby Amazona, uczyniłbym moje zasady inteligentnymi — to znaczy zdolnymi do zmiany i poprawy w odpowiedzi na zachowanie użytkowników. A gdybym miał udział w rynku Amazona, miałbym zalew zachowań użytkowników, z których zasady mogłyby się uczyć.

Jeśli algorytmy mogą się uczyć – z ludzkim nadzorem lub bez niego – mamy sztuczną inteligencję.

Ale poczekaj. Czy to nie jest po prostu uczenie maszynowe?

Sztuczna inteligencja kontra uczenie maszynowe

Dla purysty sztuczna inteligencja i uczenie maszynowe to nie to samo. Ale – i jest to duże ale – terminy są używane tak zamiennie, że nie ma odwrotu. Zamiast tego termin „ogólna sztuczna inteligencja” jest używany, gdy ludzie chcą mówić o czystej sztucznej inteligencji, sztucznej inteligencji w jej pierwotnym znaczeniu.

Cofnijmy się do 1950 roku (ostrzegałem, że to zrobimy). Alan Turing był genialnym informatykiem. Pomógł aliantom pokonać nazistów dzięki pracy wywiadowczej polegającej na łamaniu szyfrów. Jego nagrodą było odrażające traktowanie przez społeczeństwo brytyjskie za jego (wciąż nielegalny) homoseksualizm, co zaowocowało oficjalnymi przeprosinami ze strony premiera Gordona Browna, ponad 50 lat po jego śmierci: „W imieniu rządu brytyjskiego i wszystkich którzy żyją swobodnie dzięki pracy Alana, z dumą mogę powiedzieć: przepraszamy. Zasługiwałeś na dużo więcej.

A co z AI? W 1950 roku Turing opublikował przełomowy artykuł „Maszyny komputerowe i inteligencja”. Opublikował go nie w czasopiśmie naukowym, ale w czasopiśmie filozoficznym „Mind”. W centrum artykułu znajduje się rodzaj eksperymentu myślowego, który nazwał „grą w naśladownictwo”. Obecnie jest powszechnie znany jako „test Turinga”. Najprościej mówiąc, proponuje kryterium dla inteligencji maszynowej (lub sztucznej). Jeśli ludzki rozmówca nie potrafi odróżnić odpowiedzi maszyny na jej pytania od odpowiedzi innego człowieka, możemy maszynie przypisać inteligencję.

Oczywiście istnieje wiele, wiele zastrzeżeń do propozycji Turinga (a jego test nie jest nawet sprytnie zaprojektowany). Ale to zapoczątkowało dążenie do replikacji - lub przynajmniej stworzenia odpowiednika - ludzkiej inteligencji. Możesz myśleć o IBM Watson jako o ciągłym dążeniu do tego celu (chociaż ma wiele mniej ambitnych i bardziej opłacalnych przypadków użycia).

Nikt tak naprawdę nie myśli, że maszyna do rekomendacji produktów podobna do Amazona lub silnik do tworzenia treści podobny do ChatGPT jest inteligentny na miarę ludzi. Po pierwsze, nie są w stanie wiedzieć ani dbać o to, czy to, co robią, jest dobre, czy złe — robią to, co robią, w oparciu o dane i statystyki predykcyjne.

W rzeczywistości cała omówiona tutaj sztuczna inteligencja to tak naprawdę uczenie maszynowe. Ale nie zamierzamy powstrzymywać nikogo przed nazywaniem tego sztuczną inteligencją. Jeśli chodzi o pogoń za sztuczną inteligencją na poziomie ludzkim lub „ogólną sztuczną inteligencją”, istnieją dobre powody, by sądzić, że nie jest tuż za rogiem. Zobacz na przykład książkę Erika J. Larsona „Mit sztucznej inteligencji: dlaczego komputery nie potrafią myśleć tak, jak my”.

A co z „uczeniem głębokim”?

„Głębokie uczenie się” to kolejny termin związany ze sztuczną inteligencją, z którym możesz się spotkać. Czy różni się od uczenia maszynowego? Tak to jest; to duży krok poza uczenie maszynowe, a jego znaczenie polega na tym, że znacznie poprawiło zdolność sztucznej inteligencji do wykrywania wzorców, a tym samym do obsługi obrazów (i wideo) równie kompetentnie, jak radzi sobie z liczbami i słowami. To się komplikuje; tutaj jest wersja skrócona.

Głębokie uczenie się opiera się na sieci neuronowej, warstwie sztucznych neuronów (bitów matematyki), które są aktywowane przez dane wejściowe, komunikują się ze sobą na ten temat, a następnie generują dane wyjściowe. Nazywa się to „propagacją do przodu”. Podobnie jak w tradycyjnym uczeniu maszynowym, węzły dowiadują się, jak dokładne były dane wyjściowe, i odpowiednio dostosowują swoje działania. Nazywa się to „powrotną propagacją” i skutkuje trenowaniem neuronów.

Istnieje jednak również multiplikacja tak zwanych „warstw ukrytych” między warstwą wejściową a warstwą wyjściową. Pomyśl o tych warstwach dosłownie ułożonych w stos: właśnie dlatego ten rodzaj uczenia maszynowego nazywa się „głębokim”.

Stos warstw sieci okazuje się po prostu znacznie lepszy w rozpoznawaniu wzorców w danych wejściowych. Głębokie uczenie się pomaga w rozpoznawaniu wzorców, ponieważ każda warstwa neuronów rozkłada złożone wzorce na coraz prostsze wzorce (i zachodzi również proces uczenia wstecznego).

Czy w przestrzeni martech są dostawcy sztucznej inteligencji?

To zależy, co masz na myśli.

Dostawcy korzystający z AI

Szacuje się, że w przestrzeni martech jest ponad 11 000 dostawców. Wielu z nich, być może większość z nich, korzysta ze sztucznej inteligencji (lub potrafi dobrze argumentować, że właśnie to robią). Ale nie używają sztucznej inteligencji dla niej samej. Używają go do czegoś.

• Tworzenie rekomendacji handlowych.
• Aby napisać wiersze tematu wiadomości e-mail.
• Aby zarekomendować kolejne najlepsze działania marketerom lub przedstawicielom handlowym.
• Do zasilania chatbotów.
• Pisać teksty reklamowe.
• Generowanie treści do testów wielowymiarowych na dużą skalę.

Lista jest nieskończona.

Chodzi mi o to, że sztuczna inteligencja jest trochę jak sól. Sól dodaje się do żywności, aby poprawić jej smak. Przynajmniej większość z nas lubi odpowiednie użycie soli w żywności. Ale kto kiedykolwiek mówi: „Poproszę sól na obiad” lub „Mam ochotę na przekąskę; Poproszę trochę soli.

Dodajemy sól do jedzenia. Stawiamy AI w technologii marketingowej. Być może poza, być może, do celów badawczych, sól i sztuczna inteligencja nie są zbyt często używane samodzielnie.

Więc tak, istnieje niezliczona liczba dostawców martech korzystających ze sztucznej inteligencji. Ale czy są sprzedawcy martech sprzedający sztuczną inteligencję jako niezależny produkt?

Sprzedawcy sprzedający sztuczną inteligencję

Odpowiedź brzmi: w przestrzeni martech bardzo niewielu. Sztuczna inteligencja jako produkt naprawdę oznacza oprogramowanie AI zaprojektowane przez inżynierów, które można następnie włączyć i wykorzystać w kontekście innego rozwiązania. Łatwo jest znaleźć dostawców inżynierii, którzy sprzedają oprogramowanie AI, ale w większości sprzedają to organizacjom IT, a nie organizacjom marketingowym, i sprzedają je do użytku w bardzo szerokim zakresie celów zaplecza, a nie do umożliwienia marketingu lub obroty.

Istnieje jeden lub dwa wyjątki, które wyraźnie kierują swoje produkty do marketerów. To jednak za mało, aby stworzyć popularną kategorię w krajobrazie technologii marketingowych.

Zarysowaliśmy powierzchnię

To wszystko, co ma na celu ten artykuł: zarysować powierzchnię niezwykle złożonego tematu z bogatą historią i nieprzewidywalną przyszłością. Istnieją oczywiście kwestie etyczne, które należy rozwiązać, takie jak prawie nieuniknione przypadki, w których modele uczenia maszynowego będą szkolone na tendencyjnych zestawach danych, a także równie nieuniknione plagiatowanie treści ludzkich przez generatywną sztuczną inteligencję.

Ale mam nadzieję, że to na razie wystarczy do przeżucia.