Analitik iş akışınızda üretken yapay zekayı kullanmanın tuzakları ve pratik gerçekleri

Son birkaç aydır üretken yapay zekanın dijital pazarlamayı nasıl değiştireceğine dair çok şey duyduk. Danışmanlar olarak, yenilikçi pazarlama için teknolojiyi kullanmak üzere markalarla çalışıyoruz. Bloktaki en ilgi çekici büyük dil modeli tabanlı sohbet robotu olan ChatGPT'nin potansiyelini hızla araştırdık. Şimdi, üretici yapay zekanın, uzmanlarımızın kullanılabilir malzemelere dönüştürdüğü ilk kod ve görselleştirme taslakları oluşturarak nasıl bir asistan olarak hareket edebileceğini görüyoruz.

Bize göre, başarılı bir üretken yapay zeka projesinin anahtarı, son kullanıcının nihai çıktı için net bir beklentiye sahip olmasıdır, böylece yapay zeka tarafından üretilen herhangi bir malzeme düzenlenebilir ve şekillendirilebilir. Üretken yapay zekayı kullanmanın ilk ilkesi, sorgularınıza tamamen doğru yanıtlar vereceğine güvenmemeniz gerektiğidir.

ChatGPT, 42 GA4 sorusundan yalnızca 12'sini doğru yanıtladı

ChatGPT'yi, danışmanlarımızın düzenli olarak yaptığı bir şey olan GA4 hakkında sık sorulan müşteri sorularını yanıtlayarak test etmeye karar verdik. Sonuçlar o kadar da etkileyici değildi: ChatGPT, sorduğumuz 42 sorudan yalnızca kabul edilebilir bulduğumuz 12 yanıt verdi ve müşterilerimize gönderdik, başarı oranı yalnızca %29'du.

Diğer sekiz yanıt (%19) "yarı doğru"ydu. Bunlar ya soruyu yanlış yorumladılar ve sorulana farklı bir yanıt verdiler (olgulara dayalı olarak doğru olsalar da) ya da doğru bir yanıtta az miktarda yanlış bilgi vardı.

Örneğin, ChatGPT bize, bazı GA4 raporlarında bulduğunuz "Diğer" satırının, çok sayıda düşük hacimli veri satırının (doğru) bir gruplandırması olduğunu, ancak bunun meydana geldiği örneklerin "Google makine öğrenimi algoritmaları" tarafından tanımlandığını söyledi. Bu yanlış. Bunu tanımlamak için standart kurallar vardır.

Daha derine inin: Yapay Zeka: Yeni başlayanlar için bir rehber

ChatGPT'nin bilgisinin sınırlamaları - ve bu aşırı güvendir

Cevapların geri kalan %52'si gerçeklere dayalı olarak yanlıştı ve bazı durumlarda aktif olarak yanıltıcıydı. Bunun en yaygın nedeni, ChatGPT'nin 2021'den sonraki eğitim verilerini kullanmamasıdır, bu nedenle son güncellemelerin çoğu yanıtlarına dahil edilmez.

Örneğin Google, Universal Analytics'in kullanımdan kaldırılacağını yalnızca 2022'de resmi olarak duyurdu, bu nedenle ChatGPT bunun ne zaman olacağını söyleyemedi. Bu örnekte, bot en azından bu bağlamda yanıtını ihtar etti ve "...bildiğim kadarıyla kesinti 2021'de ..." ile başladı.

Ancak, kalan bazı sorular endişe verici bir güvenle yanlış cevaplandı. Botun bize "GA4'ün olayları izlemek için makine öğrenimine dayalı bir yaklaşım kullandığını ve topladığı verilere göre satın alma olaylarını otomatik olarak tanımlayabildiğini" söylemesi gibi.   

GA4'ün otomatik izlenen "gelişmiş ölçüm" etkinlikleri olsa da bunlar genellikle herhangi bir makine öğrenimi veya istatistiksel model yerine bir web sayfasının meta verileri içindeki basit kodun dinlenmesiyle tanımlanır. Ayrıca, satın alma olayları kesinlikle gelişmiş ölçüm kapsamında değildir.

Peki, ChatGPT ve diğer üretken AI araçlarını nasıl kullanabiliriz?

GA4 testimizde gösterildiği gibi, ChatGPT'de tutulan sınırlı "bilgi" onu güvenilmez bir gerçek kaynağı haline getirir. Ancak, bir uzmanın görevler için gereken süreyi kısaltması için ilk analiz taslaklarını ve kodu sağlayarak çok verimli bir yardımcı olmaya devam ediyor.

Görmeyi bekledikleri çıktı türünü bilen bilgili bir analistin rolünün yerini alamaz. Bunun yerine, ChatGPT'ye ağır programlama olmadan örnek verilerden analizler üretmesi talimatı verilerek zaman kazanılabilir. Bundan, saniyeler içinde yakın bir tahmin elde edebilir ve ChatGPT'ye çıktısını değiştirmesi veya kendiniz manipüle etmesi talimatını verebilirsiniz.

Örneğin, yakın zamanda bir perakendecinin alışveriş sepetlerini analiz etmek ve optimize etmek için ChatGPT'yi kullandık. Ortalama sepet boyutlarını analiz etmek ve müşterilere ücretsiz gönderim sunmak için en uygun boyutu anlamak istedik. Bu, gelir ve marj dağılımının rutin bir analizini ve zaman içindeki varyansın anlaşılmasını gerektiriyordu.

ChatGPT'ye, bir GA4 veri kümesi kullanarak sepet boyutlarının 14 ay boyunca nasıl değiştiğini incelemesi talimatını verdik. Ardından, BigQuery içinde daha fazla analiz için bazı ilk SQL sorguları ve bulduğu içgörüler için bazı veri görselleştirme seçenekleri önerdik.

Seçenekler kusurlu olsa da, daha fazla keşif için faydalı alanlar sunuyorlardı. Analistimiz, çıktıyı sonlandırmak için ChatGPT'den gelen sorguları uyarladı. Bu, kıdemli bir analistin küçük bir destekle çalışarak çıktıyı oluşturmak için harcadığı zamanı kabaca üç günden bir güne indirdi.

Daha derine inin: Yapay zekanın sizin için çalışmasını sağlayacak 3 adım

Manuel görevleri otomatikleştirme ve zamandan tasarruf etme

Başka bir örnek, veri tablosu veya üretilmiş bir kod parçası için kalite güvence kontrolleri gibi belirli bir süreçte daha fazla manuel görevi otomatikleştirmek için kullanılmasıdır. Bu, herhangi bir projenin temel bir özelliğidir ve tutarsızlıkları veya anormallikleri işaretlemek genellikle zahmetli olabilir.

Ancak, birden fazla veri setini birleştirmek ve işlemek için 500'den fazla satırlık bir kod parçasını doğrulamak üzere ChatGPT'yi kullanmak — hatasız olmalarını sağlamak — çok büyük bir zaman tasarrufu sağlayabilir. Bu senaryoda, normalde bir kişinin kendisini manuel olarak incelemesi için iki saat sürecek olan işlem, artık 30 dakika içinde gerçekleştirilebilir.

Nihai KG kontrollerinin yine de bir uzman tarafından yapılması gerekir ve ChatGPT'nin çıktısının kalitesi büyük ölçüde talimatlarınızda belirlediğiniz belirli parametrelere bağlıdır. Bununla birlikte, çok net parametreleri olan ve çıktıda belirsizliği olmayan (sayılar eşleşir veya eşleşmez) bir görev, üretken yapay zekanın ağır işlerin çoğunu halletmesi için idealdir.

Üretken yapay zekaya bir uzmandan çok bir asistan gibi davranın

ChatGPT'nin son aylarda kaydettiği ilerleme dikkate değer. Basitçe söylemek gerekirse, artık programlama, iletişim ve görselleştirme genelinde en geniş görev yelpazesinde kullanılabilecek son derece teknik materyaller talep etmek için konuşma İngilizcesini kullanabiliriz.

Yukarıda gösterdiğimiz gibi, bu araçlardan elde edilen çıktıların, değerli olmaları için dikkatle ve uzman görüşüyle ​​ele alınması gerekir. İyi bir kullanım örneği, günlük işlerimizde bina analizlerinde verimliliği artırmak veya normalde manuel olarak yapılacak uzun, karmaşık görevleri hızlandırmaktır. Çıktılara şüpheyle yaklaşıyoruz ve teknik bilgimizi bunları müşterilerimiz için katma değerli malzemeler haline getirmek için kullanıyoruz.

ChatGPT tarafından örneklenen üretken yapay zeka, dijital iş akışlarımızın çeşitli yönlerinde devrim yaratma konusunda muazzam bir potansiyel göstermiş olsa da, uygulamalarına dengeli bir bakış açısıyla yaklaşmak çok önemlidir. Özellikle son güncellemeler ve nüanslı ayrıntılarla ilgili olarak doğrulukta sınırlamalar vardır.

Bununla birlikte, teknoloji olgunlaştıkça, yapay zekanın günlük işlerimizde yeteneklerimizi artırmak ve verimliliği artırmak için bir araç olarak kullanılması potansiyeli artacaktır. Bence uzmanın yerini alan üretici yapay zekaya daha az ve bunun üretkenliğimizi nasıl artırabileceğine daha çok odaklanmalıyız.