:::: MENU ::::

TalkingData's Blog

现在开始,用数据说话。

Posts Tagged / 人工智能

  • 十一 23 / 2017
  • 0
Ideas

锐眼洞察 | iOS的未来是AI(翻译)

作者:Svilen Kostadinov

原文:Why Artificial Intelligence Is the Future of iPhone’s iOS

译者:TalkingData首席架构师 黄洋成(YC)

本译文禁止商用,转载请注明来源与译者!

 

自十年前首次亮相以来,iPhone已经发生了翻天覆地的变化:运行速度有了指数级的提升,屏幕和相机在各种指标上都有了很大的提升(初代iPhone甚至无法录制视频),而外形也已经完善, 还不断增加新的传感器。 虽然苹果的工业设计在制造业不断开创新领域,但其软件多年来一直处于低谷。

智能手机,傻操作系统

当然,功能和美学都有了明显的改善,但除了(被史蒂夫·乔布斯强烈反对的)App Store之外,iOS 1和iOS 11之间的体验差异并不是很大:

无论是白天还是夜晚,在家或在国外使用iPhone,你每天收到哪些朋友的信息,你在午休时玩的是什么游戏,或者你家中有什么智能设备 – 只要你解锁手机,就会被置于相同的静态多屏应用图标网格中。

更过分的是,应用程序的管理和分组的负担也要留给用户,让他们依靠肌肉记忆来找到App的位置。

 

“数字化体验应该动态适应用户需求”的想法其实并不新鲜:

  1. Netflix推荐你可能感兴趣的电影、你会继续观看的节目、最新播出的节目、节目的流派/分类等
  2. 亚马逊向你推荐你最近搜索的商品、搭配购买的商品、打折促销的商品等
  3. Spotify根据你的口味组织个性化的播放列表

对于苹果来说,他们也已经开始在往这个方向走,比如Siri的联系人和应用程序建议,在锁屏上基于地理位置的应用程序建议(不知道它是否仍然存在于iOS 11):

但哪怕只是在正确的地点和时间推荐正确的应用程序的能力现在似乎都还没有。 根据帕累托原则,80%的时间里我们只使用应用程序20%的功能。

Facebook就是一个很好的例子:它包含了从信息流和视频,到故事、市场、群组、趋势新闻、天气、游戏和城市指南等所有内容。 但是,所有这些功能中,我敢打赌,超过80%的时间用户只是使用信息流。

所以,相对于推荐Facebook这个App,为什么不直接推荐信息流?你可能在想,单个功能如何模块化? 其实苹果也有一个潜在的解决方案——部件化。

   

 

不幸的是,组件化屏幕与主屏幕出现相同的问题:它只是一个静态库存列表。

具有讽刺意味是,新的iPhone有一个专用的A.I.处理器,但iOS的使用体验并没有从你的使用模式或偏好中学到什么。 但如果iPhone做到了呢?

如果你的手机了解你在何时何地、出于何种原因、使用何种功能,会怎样?

在2015年初,我在几个常见的场景中探索了一个以部件化为中心的iOS概念:

机器学习有可能使iPhone真正智能化、能够学习我们使用手机的上下文和环境。 更进一步,通过将地理位置、邻近的朋友、环境光线、噪音水平和Apple Watch采集的生命体征等因素关联起来,将带来全新的体验和服务。

下一代移动操作系统

Google似乎验证了这种动态交互的范式。在2017年,Google披露了他们实验性移动操作系统FUCHSIA的一瞥; 虽然迄今为止我们仍对它知之甚少,但它主要的前提似乎是围绕类似于部件化的模块,围绕用户的需求进行智能化安排:https://youtu.be/dziInGrVHac

无论部件化是否是正确的解决方案,有一点是明确的:随着世界动态性不断增强,我们需要更流畅、更无缝的手机和智能手表体验。 是时候重新思考我们与设备互动的基本方式了,因为静态应用范例的可用性已经在不断增长的苹果生态系统中达到了极限。

  • 十一 20 / 2017
  • 0
Ideas

锐眼发现 | 四大趋势,九大方向:14位UC Berkeley人工智能专家眼中的未来人工智能系统

作者:Ion Stoica, Dawn Song, Raluca Ada Popa, David A. Patterson, Michael W. Mahoney, Randy H. Katz, Anthony D. Joseph, Michael Jordan, Joseph M. Hellerstein, Joseph Gonzalez, Ken Goldberg, Ali Ghodsi, David E. Culler and Pieter Abbeel.

原文:A Berkeley View of Systems Challenges for AI

转载自:雷锋网(本文转自雷锋网,如需转载请至雷锋网官网申请授权)

雷锋网按:近日,UC Berkeley电气工程与计算机科学系(EECS)14位专家联合发布了一份名为《A Berkeley View of Systems Challenges for AI》的报告。这是继去年斯坦福的“AI 100”项目发布《Artificial Intelligence and life in 2030》(2030年的人工智能与生活)报告后,又一家殿堂级的大学对于人工智能未来的思考。

雷锋网发现,相比起斯坦福的报告,伯克利的报告更偏重可执行性,在报告中伯克利从自己的优势学科出发(伯克利计算机系统全美排行第一)明确提出,下一代人工智能系统的问题需要通过体系结构、软件和算法的协同创新来实现,而伯克利也将在从所面临的四大趋势和九大挑战/机会出发,来解决这些问题。

以下是雷锋网的摘录,完整报告可通过下面的地址进行阅读:http://www2.eecs.berkeley.edu/Pubs/TechRpts/2017/EECS-2017-159.pdf

 

前言

随着计算机视觉,语音识别和机器翻译系统日益商品化,以及数字广告和智能基础设施等基于学习的后端技术的广泛部署,AI(人工智能)已经从研究实验室转向生产。前所未有的数据和计算水平,机器学习方法的进步,系统软件和体系结构的创新,以及这些技术的广泛可用性使这些变化成为可能。

下一代AI系统有望加速这些发展,并通过频繁的交互和代表我们(通常是任务关键型)的决定(通常在高度个性化的环境中)来加速这些发展并对我们的生活产生越来越大的影响。然而,实现这一承诺会带来令人生畏的挑战。特别是,我们需要人工智能系统,能够在不可预测的环境中做出及时、安全的决策,这对复杂的对手来说是强大的,并且可以在不影响机密性的情况下处理越来越多的组织和个人的数据。这些挑战将因摩尔定律的结束而加剧,这将限制这些技术可以存储和处理的数据量。在本文中,我们提出了几个开放的系统,架构和安全研究方向,可以解决这些挑战,并有助于解开AI改善生活和社会的潜力。

关键词:AI,Machine Learning,Systems,Security

四大趋势,九大方向:14位UC Berkeley人工智能专家眼中的未来人工智能系统

引言

自从上个世纪60年代,模拟人类智能的构想被提出以来,人工智能已经演化成为一种被广泛应用的工程技术,它利用算法和数据,解决包括模式识别、学习、决策等广泛的问题,人工智能越来越多地与其他工程和科学相交叉,成为跨计算领域的一门技术。

尤其在计算机系统这一近年来推动了人工智能技术的发展的领域,并行硬件和高扩展性软件系统促进了机器学习框架和算法的发展,使人工智能可以处理大规模的真实世界问题。存储设备成本的降低、众包技术、移动APP、物联网以及竞争性数据的优势促进了数据处理系统和人工智能技术的进一步发展。这带来的影响是:基于人工智能的解决方案已经接近甚至超过了人类,成熟的人工智能技术不仅为网络搜索、高速交易和电子商务等现有行业提供支持,还大大促进了物联网、增强现实、生物技术、自动驾驶等新兴产业的发展。

这些应用,如无人机、机器人手术、医疗诊断和治疗、虚拟助手等,都需要人工智能系统与真实世界进行交互来决策。由于现实世界在不断变化,有时后这种变化出人意料,这些应用需要支持持续学习或终身学习、以及永动学习。终身学习系统旨在通过高效地转移和利用已有知识来解决多种任务,同时最大程度降低突发性遗忘问题,而永动学习每次迭代关注一组任务,这个任务的边界不断变大,并在不断迭代中逐步提高处理问题的质量。

为了满足以上这些需求,我们面临着诸多艰巨的挑战,例如:如何积极探索动态变化的环境、如何在存在噪音和未预见的输入情况下做出安全和鲁棒性的决策、如何使得决策可解释、如何设计新的简化应用系统构建得模块化架构,等等。此外,由于摩尔定律的终结,人们不能再寄希望于计算和存储能力的倍增来解决下一代人工智能系统的问题。

解决这些难题需要架构、软件和算法的协同创新。本文并不讨论特定的人工智能算法和技术,而是分析系统方面的研究对人工智能技术发展的重要性,提出若干有意义的系统方面的研究方向。

人工智能成功的背后因素

在过去的二十年中,人工智能的进步可用“完美风暴”来形容。有三个原因导致了人工智能的进步:1)大数据,2)高扩展性的计算机和软件系统,3)上述技术的广泛应用。这些趋势使得人工智能的核心算法和体系结构,如深度学习、贝叶斯推理得以在空前的规模和领域进行问题的探索。

趋势与挑战

人工智能已经开始改变了许多应用领域。展望未来,我们预计人工智能将更广泛地推动更多领域的发展,包括:医疗保健、交通、制造、国防、娱乐、能源、农业、销售等。大规模系统和机器学习框架已经帮助在人工智能的发展中取得了举足轻重的作用,我们预计计算机系统将可以更进一步地广泛促进人工智能的发展,为实现这一目标,我们需要考虑如下几个人工智能发展的趋势:

  • 关键性任务的人工智能。挑战:设计一个通过动态环境交互来持续学习、同时做出及时决策的、稳定、安全的人工智能系统。
  • 个性化人工智能。挑战:设计一个可以实现个性化应用程序和服务、但不会影响用户的隐私和安全的人工智能系统。
  • 跨组织结构的人工智能。挑战:设计一个可以训练不同组织拥有的数据集、而不会影响其保密性,在这个过程中提供跨越组织结构界线的人工智能系统。
  • 满足后摩尔定律需求的人工智能。挑战:开发以满足摩尔定律时代后期AI应用的性能需求的特定领域架构和软件系统,包括:用于AI工作负载的定制芯片、在边界有效处理数据的边界云系统、以及抽象和抽样数据的对应技术。

九大研究方向

上述四大趋势和挑战又可以细分为在研究领域的九个挑战或机会,也标明了在我们眼中未来人工智能的九大研究方向。下图表示了这四大趋势和九大研究方向的对应关系。

四大趋势,九大方向:14位UC Berkeley人工智能专家眼中的未来人工智能系统

这九个研究方向包括:

持续学习(Continual learning)

鲁棒决策(Robust decisions)

可解读的决策(Explainable decisions)

安全飞地(Secure enclaves)

对抗学习(Adversarial learning)

在保密数据上共享学习(Shared learning on confidential data)

为特定领域定制的硬件(Domain specific hardware)

组件化的AI系统(Composable AI systems)

跨云端和边界的系统(Cloud-edge systems)

结论

人工智能在过去十年中取得了惊人的进步,并从实验室研究成功转化可以取代之前的大量人力和监督的商业应用。人工智能系统和机器人不仅取代了部分人类工作,而且有望挖掘人类潜力、促进新形式合作。

为了让人工智能更好地服务我们,要克服许多艰巨的挑战,当中不少挑战与系统和基础设施有关。这些挑战源于让人工智能更快、更安全、更易于解读的决策、确保这些决策在对抗多种攻击类型的学习过程中得到准确的结果,在摩尔定律终结的前提下不断提高计算能力,以及构建易于集成到现有应用程序中的系统,并且具有跨越云端和边界的处理能力。

本文总结了几个开放性的系统、架构和安全方面的研究课题。我们希望这些问题能够启发新的研究来推动人工智能的发展,使其计算能力更强,具有可解释性、安全性和可靠性。

  • 十一 17 / 2017
  • 0
Enterprise

锐眼发现 | 营销世界的 5 大剧变之 ⑤ 人工智能

作者:Scott Brinker

原文:5 Disruptions to Marketing, Part 5: Artificial Intelligence

译者:@文科生 ,宏原科技创始人

转载于:SocialBeta

上篇回顾:锐眼发现 | 营销世界的 5 大剧变之 ④ 万物皆可数字化

 

TalkingData合伙人兼执行副总裁林逸飞点评:

  1. 确保所有营销系统和触点中的数据可被获取,而且要考虑建立一个集中的数据湖
  2. 数据质量进行投资,尤其是核心的客户数据
  3. 学习系统动力学知识
  4. 为算法营销构建一套管理模式:什么需要自动化?什么需要半自动化?什么不需要自动化?
  5. 透过 AI 的视角去评估营销技术服务商的实力

 

译者前言:AlphaGo 让人工智能成为了一个到处都在谈的热词。Scott 说,他在准备这篇文章的时候感觉自己好像也跟进了这个炒作。但是,仔细读下来,我觉得本文是对于 AI 在营销领域应用最为系统而全面的思考。

让我印象最深的是 Scott 对于技术商品化的清醒认知。实际上,任何一个创新技术的热度与其商品化程度是成正比的。让 AI 能够把几十年前就开始讨论的图景变成现实,本质的突破不是算法,而是支持算法的计算力和大数据。在 AI 热潮中,MarTech 领域确实出现了一些创新的工具和应用的机会,但真正有价值的工具和应用,应该和高质量和大规模的数据紧密联系在一起。

Scott 在文章中介绍了很多 AI 的工具和应用,很多应用都已经被 Salesforce 或者 Google 这样的平台以高价收购了。国内也有很多类似的并购,这些都说明 AI 的机会是巨大的。考虑到平台时代的赢家通吃现象,纯粹的技术和工具的未来其实是有限的。对于大部分 MarTech 企业来说,技术层面的集成机会有限,但是商业层面的集成和整合,才刚刚开始。

在翻译的过程中,我不停问自己,为什么 Scott Brinker 能把这个事情说的那么清楚?逐渐的,我找到了答案。

第一, 知识结构。Scott 是计算机专业出身,会编程,他理解机器;同时他又是一个营销人,他理解营销,这二者结合起来,让他对于 Marketing Technology 的认知特别本质。我看到过很多讨论 MarTech 的文章,大部分要不就是偏向技术,要不偏向营销,只有 Scott 能够从营销的框架出发,梳理出各种技术,让人一下子就能得到一个 Big Picture.

第二, 长期的专注。Scott 关注 MarTech 不是这几年的事情,而是在十年前就开始关注这个领域。在过去十年中,不停实践,思考和总结。这让他能够看得更全面,更系统。

第三, 持续的分享。他的博客一直保持很高的更新频率,而且,不仅仅是他自己写,他还不停寻找各个领域的实践者和思考者,分享他们的观点,这其中也包括我这样在中国的爱好者。他的博客成为了这个领域的活跃实践者和思考者的平台,最终他也能够在全球范围内发起 MarTech 的国际会议。

在本文结尾,Scott 说希望《营销世界的 5 大剧变》系列文章对大家有用。整个八月,我所有夜晚和周末的空余时间都用在翻译这一系列的文章上,当然也包括一点工作时间。我的体会是,帮助实在是太大了。翻译的过程,其实是一个深度学习的过程。不仅要看明白,并且试图用中文把自己的理解清楚地表达出来,要求自己花更多时间学习和思考,甚至还需要去了解他提到的技术公司和技术术语。

对于文科生,这有点挑战,但是也是一个特别高效的、系统的概览式学习过程。哪里去找这么好的机会呢?免费的!我跟 @puting 同学说,内容工作,与其是说内容,其实更是系统的思考过程,是一个产品研发的过程。感谢 Scott Brinker 的信任,@SocialBeta 的支持,让我完成了这个近两万字的翻译。我总算在与 Scott 在上海见面之前完成了我的承诺:)

 

以上是 Shivon Zilis 和 James Cham 制作的机器智能 3.0 全景图

这是营销的 5 个剧变系列中的第五部分(如果你没有读过第一、二、三、四部分,可以点击阅读):

这五个剧变分别是:

1.    数字化转型将超越营销部门的职能范畴,重新定义 「营销」。

2.    微服务 & API(以及开源) 构成了营销基础设施的架构。

3.    纵向竞争展现出比横向竞争更大的战略性威胁。

4.    增强现实 (AR)、混合现实 (MR)、虚拟现实(VR)、物联网(IoT)、可穿戴设备、对话式界面等等,给人们带来了数字化的一切。

5.    人工智能 (AI) 让营销和商业运作的复杂性倍增。

由于对热词「过敏」,当我写下这个题目的时候,觉得自己可能会起鸡皮疙瘩。作为今年营销界流行的关键词之一,无论你遇到什么问题,都会有人告诉你解决问题的良方就是「人工智能」(AI)。(或者想把 AI 营销解决方案卖给你)

目前,对于 AI 的炒作势头也远胜于对于大数据的(尽管二者之间的关联非常紧密)。

但 AI 的确对营销产生了深远的影响可以毫不夸张地说,未来几年,AI 会以令人瞩目的方式重塑商业和营销的本质。但是,这种改变可能并不会按照有些人希望的方式来实现。

首先,让我先将有关人工智能(artificial intelligence)、机器学习(machine learning)、认知计算(cognitive computing)和机器智能(machine intelligence)等概念差异的讨论放在一边。虽然这些术语的意义不尽相同,但是,(a) 它们之间有很多的交集;(b) 就算是这些领域最前沿的研究者也在争论他们的界限所在。

考虑到我们的目的是讨论这些技术给营销带来的剧变,就让我们暂时先用「AI」的大框来装下这些概念,将 AI 定义为「过去认为只有人类才能完成的认知任务,现在让机器去承担,而且机器能比人类做得更快、更好。」(AI 效应是研究者的一个有趣的观察。)

我喜欢分析师 Ray Wang 提出的有关 AI 所能交付结果的框架

如果你在思考,AI 已经被讨论了几十年也没有今天的热度,为什么直到现在才好像一下子占领了全世界?一个简单的答案就是廉价、快速、规模化和呈指数增长的计算和云端储存能力,使得能够有效运用 AI 算法的数据和动力对于每个人来说都触手可及。

我在 MarTech 圈里听到的另一个问题是:「在未来的营销技术全景图中会不会出现一个 AI 类别?」 有这种可能性,但也可能不会。

为什么这么说呢?因为 AI 几乎已经被嵌入到营销技术领域所有的产品类别中了。当然,确实有很多纯粹的 AI 平台。但是它们像大数据、云计算平台一样,大多都是仅仅被应用在营销服务中的通用技术。

举例而言,IBM Watson 可能是当今最广为人知的 AI 平台。但营销人可能对 Equals3 这样的产品更有兴趣。Watson 在产品的幕后提供市场研究、客户细分和媒介策划服务,这一切都是根据营销的具体需求量身定制的。

几大主要的营销平台也已经在产品组合中推出了 AI 方面的创新举措,最值得注意的是:

注:Einstein 是 Salesforce 推出的人工智能 CRM 平台,可以运用于销售、服务、营销和分析等领域

注:Sensei 是 Adobe 底层的人工智能工具,利用了 Adobe 长期积累下来的大量数据和内容,从图片到影像,能够帮助人们解决在媒体素材创意过程中面临的一系列问题

注:这是 Oracle 推出的 AI 产品,基于强大的数据云和机器学习算法,支持更好的 BI 分析和决策支持

你也可以从来自 Salesforce 的这张图中,看到他们准备在具体的产品中应用 Einstein 的方式:

但是,这是否意味着较小的 MarTech 服务商会在行业的这波 AI 浪潮中出局呢?AI 会成为最终推动营销技术行业整合的催化剂吗?也许会,但是我持怀疑态度。

实际上,你可以从 MarTech 分析大牛 David Raab 在上次旧金山 MarTech 大会上分享的这张表格中看到,AI(机器智能) 让行业中各种规模的服务商得以蓬勃发展(这张图只是列表中的一部分而已)。

那么,小型 MarTech 供应商如何与「巨头」竞争呢?在很多情况下,巨头们都有自己专门的 AI 技术。但是,今天的软件开发机制使得很多人都能站在巨人的肩膀上,利用不错的开源机器学习项目——例如 TensorFlow、PredictionIO、Caffe、Vowpal Wabbit 和 Scikit-learn——在软件中加入复杂的 AI 功能。(而且还是免费的)

注:TensorFlow 是谷歌开发的第二代人工智能学习系统,可以用于语音识别,图像识别等深度学习领域

Prediction IO 是一个开源的机器学习服务器,开发工程师和数据分析师可以使用它构建智能应用程序、基于已有数据来预测用户行为,个性化推荐、发现内容等。

Caffe 是一个清晰而高效的深度学习框架,其作者是博士毕业于 UC Berkeley 的贾扬清博士

Vowpal_wabbit 是一个机器学习系统,它能推动机器学习前沿技术的学习,例如在线学习、交互学习等

scikit-learn 是一个 Python 的机器学习项目。是一个简单高效的数据挖掘和数据分析工具。

如果你想用更简单的方式在产品中加入机器学习能力,现在也有一大堆的机器学习服务产品 (MLaaS) 可供选用:

很自然,这推动了微服务 & API 的发展。软件能够以按需「服务」的方式被提供。MarTech 服务商当然也可以使用这些软件,来保持自己在 AI 时代的竞争力。

值得注意的是,这些开源的 AI 引擎也可以直接被品牌采用,将其整合到数字化产品和客户触点当中——这又会让我们看到数字化转型的完整闭环。(这里也可以体现出,营销的 5 个剧变是如何成为一个整体的)。

鉴于很多核心 AI 算法已经面向公开市场变得商品化,因此算法本身也不再是竞争优势的来源。相反,「即插即用」的 AI 战略优势主要是通过以下两种方式建立而成的:

  • 数据。差异性来源于用以训练算法的特定数据。赢得 AI 的战略竞争的关键在于数据的规模、质量、相关性和独特性。数据质量、服务和软件会变得至关重要。精确、即时,通过 API 按需提供的第二方和第三方数据市场将会繁荣。在 AI 的加持之下,大数据终于可以被充分利用了。
  • 用户界面 (UI)。AI 可以为你的数字化产品和服务带来更好的用户体验,从「在一个特定场景下预测用户想要什么」的功能,到自然语言界面(以文本和声音为基础的聊天机器人)。这当中存在着很多机会。通过 AI 用户界面,人们可以更快速、便捷地完成复杂的任务。尤其在商业场景中,与学会用那些复杂的软件相比(想想那些要花几个月学习的企业软件认证课程),我们希望这些应用让我们获取答案更容易,做事情更轻松。

这两个关键因素很可能就是 MarTech 服务商带来颠覆的来源。思考以下两个问题:哪些公司可能会在特别有价值的数据(或者数据组合)市场中取得垄断地位?(参阅:纵向竞争万物皆可数字化哪些公司能够让他们的软件灵活地利用新的数据源,适用于备选的 UI 模式?

风险投资人 Mark Suster 在最近的文章《企业软件即将到来的转变》中描述了关于对话式交互界面的机会 / 威胁。

以语音为例,如果你坚持设计一套指令供用户以提问的方式进行交互,那么用户就必须花大量的时间在如何操作上。或者,你也可以让 AI 从过去的查询记录中学习,让智能系统给出相应的搜索结果。你也许想问:「中部地区第三季度的销售预测是多少?」、「谁负责杜邦销售的预算?」,或者「请给出过去 90 天内跟 Verizon 有过沟通的团队成员名单」。

谈到聊天工具,对于企业来说的关键是让团队成员更好地协作。这个聊天工具需要有「机器人」为团队提供智能支持。当你查询「Karthick Shama 的职位是什么?」,或者「我们和 Verizon 去年达成的业务有多少?」 时,在无需人工介入的情况下,就能收到即时、准确的答案——这对于现场的团队很关键。

以上描绘的场景并非假设。在我写这篇文章的时候,营销数据软件公司 Datorama 已经发布了嵌入 Amazon Alexa 的应用程序 「事事问 Datorama」(Ask Datorama Anything)。这一波新的 MarTech AI 界面的兴起,肯定会使现有的营销技术全景图发生动摇。

那么,广义上看,是什么让 AI 为营销带来了剧变?

市面上的流行观点和我的分歧就在于此:我不相信 AI 会让营销简单化。相反,我认为 AI 会以颠覆性的方式,让营销(商业)的复杂性呈指数型增加。

可以确定的是,AI 会大大简化很多 MarTech 工具的使用体验,也会自动化大量跟营销计划相关的 「人工」 工作 。

我们从 AI 的辅助中节省下来的时间将会被重新分配,以追求更多的竞争优势。我们可以从事一些机器还不是很擅长的活动。我们也可以让更多的任务自动化,因为管理新增算法代理的边际努力会很小(但不是零)。我们还是会和现在一样努力工作,但是我们的努力将借助 AI 服务的力量被放大。

例如,考虑一下在不同触发点、服务不同细分客户的营销自动化活动。

直到现在,这项任务的复杂性还是受限于人类的局限性。我们只能跟踪到有限的规则,服务有限的细分市场,局限于有限的触发点。

但是 AI 驱动的营销自动化就不会有这样的局限性。机器会计算上千个微细分市场和微触发点,动态调整内部的 「规则」 以优化整个互动。

再强调一次,这并不是假设。以 AI 驱动的营销优化产品 Amplero 为例,它自称可以通过多臂老虎机实验,持续测试 1000 多个营销排列组合。

这给整体的营销「系统」带来的复杂性呈数量级增长,尽管很多人类营销人员并不能觉察到。

考虑到一个复杂系统的「复杂性」 是一个有关相互独立的智能体互动次数的函数。而这些 AI 代理也并非在真空中工作,他们会对所处环境中的人类或其他 AI 的反馈做出回应。(关于设备对设备(device-to-device)的互动, David Raab 有几篇非常精彩的博文:《自动驾驶汽车会自己挑选加油站吗?》《更多是对物的营销》)。

这不仅仅有关公司内部多个 AI 代理之间的互动。竞争对手也会利用 AI 来与我们对抗。客户会使用 AI 实现他们的利益最大化。其他的行业第三方机构会让 AI 代表他们在市场上运营。这些智能体相互纠缠在一起,将会引爆营销的复杂性。

你也许会问,「如果我们根本看不到那些复杂性 ,我们还需要在意吗?」

就算我们看不到这些复杂性,实际上它依然存在——而且它会对我们的生意产生实质性的影响。我们的组织所依赖的黑盒子越多(彼此用直接和间接的方式相互连接在一起),我们对于整个系统的理解和控制就越少。在客户体验中遇到算法出小差错的风险,对我们来说也是不可见的(但是会影响品牌!),我们也会碰到重大的「黑天鹅」事件,其中,AI 之间并不良性的互动会逐步升级为恶性循环。

事情是怎么出问题的?算法交易遇到的问题让我们对此有了一些认识——与无限广阔的客户体验领域相比,金融市场还是受到了更多的管控。

当然,这不意味着我们应该——或者说能够——回避 AI。AI 是一个巨大的竞争优势来源。但是我们必须承认,跟过去十年靠人工控制的数字营销相比,AI 时代的营销会有非常不同的动力机制。

对于 AI 驱动的营销,营销人应该做好如下准备:

1、 确保所有营销系统和触点中的数据可被获取,而且要考虑建立一个集中的数据湖(来自 Informatica 公司的 Franz Aman 出了一本很棒的书,以及用一系列博客文章来介绍如何构建营销数据湖)。大数据将是驱动 AI 引擎运转的燃料。

2、对数据质量进行投资,尤其是核心的客户数据。其中的一个要点就是在尽可能多的触点上对客户的身份进行匹配,这面临着技术和法规的双重挑战。谈到跨设备的身份匹配,Gartner 公司的 Martin Kihn 对此有了很好的概述(第一部分第二部分)——但是万物数字化的趋势预计会让这件事变得更加复杂。

3、学习系统动力学知识。这是理解和管理新环境中的复杂性的一种方法——尤其考虑到 AI 算法正在加快反馈循环在技术和人文领域的交集中运行和成长的速度。

4、为算法营销构建一套管理模式:什么需要自动化?什么需要半自动化?什么不需要自动化?人类如何检查和制衡 AI?如何进行异常检测(可以了解一下 Anodot)和事件升级流程?如何设计能断开反馈循环的「断路器」,避免事态发展到无法控制的局面?而且,不仅仅只是关于营销,如何在数字化转型的大背景下组织好这一切?为此,企业值得考虑设立一个首席人工智能官的角色。

5、透过 AI 的视角去评估营销技术服务商的实力。他们采用的 AI 功能或者 AI-UI 能力简化了营销人的体验了吗?他们是否集成了一个更庞大的生态系统,可以利用所提供的数据或渠道进行 AI 分析和自动化?面对 AI 领域冒出来的新机会,供应商的敏捷程度和适应性如何?供应商能用清晰直观的例子解释他们的 AI 支持方式吗?——以及所用模型的注意事项(例如:某种类型和质量的数据)?

结语

我希望《营销世界的 5 大剧变》系列文章对你有帮助,而且你也看到这五个剧变是如何彼此产生关联的。不幸的是,我没有能力为你整理出一个简单的清单(「做好这 10 件事就能赢得 2017 年诺贝尔营销奖」)。 这些挑战都很艰难,而且推动这些剧变发生的变化如地震一般,还在我们脚下继续蔓延。

但它们也是前所未有的机会。剧变就是市场的拐点,在这里,现状备受威胁,未来有待争取。问题是,你愿意成为那个抓住机会的人吗?

  • 十一 13 / 2017
  • 0
Enterprise

锐眼洞察 | 人工智能如何使电子商务更睿智(翻译)

作者:Yana Yelina

原文:How AI Is Making eCommerce Smarter

译者:TalkingData解决方案架构师 张雪倩

本译文禁止商用,转载请注明来源与译者!

 

人工智能持续加速发展,向一系列领域渗透,在银行、医疗和体育业发现新价值。
电子商务不再处于边缘化的位置,为购物者提供无缝用户体验,为零售商提供有利可图的机会。这就解释了为什么42%的零售商和电子商家都在试验、应用或是扩大他们的人工智能项目。

转变顾客互动

聊天机器人正在逐渐对电子商务进行整体改观。高德纳咨询公司预测,到2020年,85%的顾客互动将会没有人类参与,到2018年底,人工智能机器人能依据声音和脸识别客户。

确实,虚拟购物助手已经证明是一项福音,电子商务很快就接受了适应人工智能环境的挑战。

在浏览网上商店寻找想买的物品时,购物者想要的是不麻烦的过程和对自己的问题的快速反应。而且,移动商务的急剧发展提出了更高的要求,使得市场者寻找顾客参与的新途径。聊天机器人的出现,提供了一种可能的解决方法,推动了精准定制服务的发展。
人工智能是聊天机器人的核心,快速地处理大量的网站数据,包括之前的回应和顾客反馈。深度学习使得聊天机器人分析收集的信息和提取重要的概念,如图像和物品名称。借助这些数据,聊天机器人可以改善和顾客的对话。

另一种向聊天机器人提供数据的方法就是将他们与购物车结合,这样系统可以抓取物品详细信息、数量和运输方式。

数据处理和利用的越多,机器算法就能得到更多的信息,使得聊天机器人想出精确的回复和提供详细的推荐。这就是为什么电子商务企业应当将他们的目光放在使用大数据顾客解决方案上,以获取全面、实时的数据资产图景和完善过的人机互动。

在高端搜索上掌握话语权

顾客通常带着想买什么的清晰目标进入一家网上商店。想象一下,他们会有多失望,如果搜出来的结果都是无关的。想要帮助客户买到合适的商品,提供给他们情景化、个性化的搜索工具至关重要。而这恰恰就是人工智能突出的地方。

例如,北面在运用人工智能系统上很成功,配备了语音输入和自然语言处理。他们的解决方案由IBM的Watson认知计算系统强化,可以帮助用户找到合适的夹克。

该系统分析了给定地区的客户的答案和天气情况,认真检查了350多种产品,然后找出了高度符合情景的商品。
相应地,eBay则认为一张图胜过千言万语。为了真正从搜索能力中获益,这家公司引进了两大创新特色–“在eBay上找”和“图像搜索”。

这些功能选择由计算机视觉和深度学习技术强化,使得用户可以买的整个互联网上的东西。消费者需要通过社交媒体分享某件商品的图片,提交一张相册里的照片,或在eBay 搜索框中输入一条URL网址,以获取与原始商品相匹配的完整产品列表。

为了使用户获得真正特别的搜索体验,eBay会处理该图像,扫描其11亿商品的目录,然后根据视觉相似性列出这些商品。

以销售智能获取收益

人工智能正通过帮助制作清晰的销售信息以触达更多的客户来进入市场线。

通过梳理大量的数据,人工智能使之前存放于网络空间的信息显现,包括购买之前、期间及之后的顾客行为,和他们的偏好、反馈、交易信息和人口信息。

获得的结果与快速小范围群组和模式相结合。这使得销售团队更好地瞄准客户,发现他们之间的相似性,了解谁最有可能买哪种商品。

除此之外,人工智能可以帮助市场者铲平道路。华盖创意公司(Getty Images, Inc.)使用图像识别和机器学习技术来分析竞争对手,追踪主要潮流,评估他们的网上商业影响,评估品牌的受欢迎度。

为了使整个过程更具影响力和在同一个地方储存所有信息,网上商店经营者可以要求销售公司将人工智能平台和公司的客户关系管理系统或企业资源计划软件结合起来。

从此以后,我们将走向何方?

本文中列出的例子表明人工智能正不断取得进展,以一系列方式帮助市场者。大数据解决方案、顾客形象识别软件和深度学习帮助个性化提案,培养顾客信任,提升销售额,扩大商业范围和限制。

显而易见,人工智能将在电子商务领域驻足相当长的时间。问题不在于企业是否相信这一技术,而是谁将首先采用人工智能驱动解决方案并在自己的营销策略中实施,使得对手望尘莫及。

  • 十一 10 / 2017
  • 0
Ideas

锐眼发现 | 《人类简史》作者尤瓦尔·赫拉利:无用阶级的人类将无法超越人工智能

作者:杨绚然

转载于:创业邦

11月6日,由京东金融与红杉资本联合主办的首届“JDD-2017京东金融全球数据探索者大会”正式在北京拉开大幕。《人类简史》作者、世界知名历史学家尤瓦尔·赫拉利发表了题为《AI——21世纪最伟大的革命》主题演讲。

尤瓦尔·赫拉利表示:现在科学正在开启一个全新的时代——人工智能时代。在人工智能时代,自然选择的法则将在生命的进化中没落,被智能设计所取代,权威从人类转移到了算法。

算法对人类的控制最初会体现在很普通的事情、很简单的决策上。

人工智能革命的另一个重要影响是它会彻底改变经济,尤其是就业市场,因为人工智能在越来越多的任务上表现的比人类更为出色。而作为无用阶级的人类在所有方面都无法超越人工智能。

以下为尤瓦尔·赫拉利所做的演讲速记:

如何评价AI在我们这个时代的意义?

我今天想和大家探讨的是21世纪最伟大的革命,它也可能不仅是人类历史上最伟大的革命,也是生命诞生以来最伟大的革命。四十亿年以来,所有生命都被自然选择的法则和有机生物化学的法则所控制着。不管你是一只恐龙还是一只变形虫、一个人类还是一个西红柿,你都要在自然选择的法则下进化,也都要有有机化合物构成。

现在科学正在开启一个全新的时代——人工智能时代。在人工智能时代,自然选择的法则将在生命的进化中没落,被智能设计所取代。生命将冲出有机生物化学统领的范围。在经过四十亿年的进化之后,我们将看到首个无机生命体的诞生。这次革命将在宇宙范围内带来极大影响。其中的一个影响就是,固守在地球四十亿年之后,生命将第一次能离开地球并开始在银河和宇宙中散播。但人工智能革命影响最迅速的不仅仅是银河系,还有我们的社会、经济和文化。

在接下来的几十年我们将要看到的,以及我们今天已经看见的,是权威的转移,从人类转向了算法。越来越多以往由人类独断的决策,那些我们做过的决策,未来都会由计算机和大数据算法做出。最基本的结论或者说这种转变的基础体现就是,一旦掌握了足够多的生物识别数据和足够的计算力,一个外部算法能够比我自己更好地理解我自己。一个拥有足够多的关于我的数据、也有足够算力的算法能理解我的欲望、情绪、想法、决策,能够在很大程度上控制我、操纵我。

算法将如何控制人类?这对人类意味着什么?

这种控制最初体现在很普通的事情、很简单的决策上,比如想要买什么书。

以往你要是想买一本书,你依靠的是自己的感觉,也可能依靠了解你、了解你品味的朋友和家人的推荐。但越来越多的,像买什么书、读什么书这类简单的决策将被电脑算法代我做出决定,比如亚马逊的算法。我们越是依赖了解我们、帮助我们做出决策的算法,我们就越会失去自主决策的能力。因为做出决定的能力是用进废退的。

如果你很长时间不用这项能力,它就像肌肉一样会萎缩。这种退化已经在我们的空间导航能力上体现了出来。以往你如果想从这里去火车站,你需要依靠自己的知识和经验。但是现在你越发依靠智能手机告诉你怎么走。很快你就会失去了找路的能力。

所以人工智能革命的重要影响之一就是权威会从人类身上转移到算法上。

除了权威从人类转移到算法,人工智能革命还会带来哪些变化?

人工智能革命的另一个重要影响是它会彻底改变经济,尤其是就业市场,因为人工智能在越来越多的任务上表现的比人类更为出色。随着人工智能在越来越多的领域超过人类,人类会面临更多的失业,并且我们可能会见证一个新的全球阶级的诞生——无用阶级,无用阶级的人类在所有方面都无法超越人工智能。

比如在无人驾驶领域,五到十年前,机器比人开车开得好听起来还像科幻小说。但今天大部分行业专家都认为这只是个时间问题,也许在未来10年、20年、30年,计算机和无人驾驶会取代上千万出租车司机、公交司机和卡车司机,让人类失业。人工智能驾驶相对人类驾驶员有着巨大的潜在优势。所以让人工智能司机替代人类司机是非常合理的。

同样地,用人工智能医生替代人类医生也是非常合理的。当然,随之而来的是,大多数人手中的经济、政治力量会转移到少数控制并拥有算法、计算机和网络的精英手中。

AI会如何影响金融行业?

同样的事情也会发生在金融领域。要做出明智高效的金融决策,速度非常重要,分析大量信息的能力也非常重要。人工智能处理信息的速度要比任何人类都快得多也高效得多。相比人类,人工智能处理金融决策时的另一个优势就是没有情感和身体。

人类在做价值数千万美元、人民币、欧元的金融交易时经常会犯很严重的错误,因为他们精力不集中,因为他们对某事在生气,或者情绪低落。但人工智能就不会犯这样的错误,它们没有身体,所以永远不会饿、疲惫、生气或者情绪低落。因为它们没有思维和情感,所以只会根据看到的数据做出决策,而不是根据瞬时的情绪。所以在未来几十年,很可能越来越的金融决策会由人工智能而非人类来做,而金融市场的竞争由人与人的竞争转变成算法之间的竞争。

事实上,随着这个过程的加速,我们有生之年也许会看到金融市场由人工智能操控的景象。事情发生如此之快,规模如此之大,人类可能再也无法理解金融市场。

五十年以后,也许没有人能够理解金融体系,只有人工智能才有能力处理这么多的数据,快速理解我们的金融世界。

这些过程的最终结果会是,我们可能会看到一个新的阶级兴起——无用阶级。就如同十九世纪的工业革命创造了一个新阶级——城市无产阶级,即工人阶级。也许二十一世纪最大的经济、社会、政治问题之一将是数亿无用的人该怎么办。这种无用当然不是从父母、朋友、孩子的角度来看,而是在经济和政治制度的角度是无用的。

无用阶级难道不能获得新的就业机会吗?

当然,新的就业机会很可能会出现,由于所有车辆驾驶、服装生产、甚至医药或金融领域的工作会消失,新的工作很可能会出现、被创造出来。但我们无法确定将创造出足够多的新工作。另外还有两个很大的障碍可能会使这些新工作无法解决无用阶级的问题。

首先,即使出现了新的工作,人们也将需具备非常高的技能才能胜任。

大多数专家认为流水线作业的工作,如衬衫生产或出租车驾驶将会被机器人或电脑接管。新的工作将要求人们善于创造,心灵手巧,灵活善变。大多数人都没有经过必要的教育和训练让他们能够执行这类工作。所以可能会有数百万的出租车司机和纺织厂工人失业,新的工作则可能是软件工程这类的工作。更糟糕的是人工智能革命将不会是孤立的分水岭事件。人工智能革命的浪潮将一浪高过一浪。

所以不管什么新的工作出现,在十年或者二十年之内,这些新工作本身也可能消失,被新版本、新一代的计算机和算法取代。想要拥有能做一辈子的工作或者专业,将变成过去时。这不是我们可以推迟到二十年、三十年之后再去面对的问题不像是说我们能自我安慰:人工智能革命要2040年或者2050年才会到来,我们等到那个时候再担心吧。

我们应该做些什么以免在人工智能时代被淘汰?

我们需要今天就考虑这个问题。因为今天的一大问题是在2017年的校园里我们要教小孩子什么、在2017年的学院或大学教学生们什么,才能让他们在2040年得到一份工作,习得必要的技能。如果等到2040年,那就太晚了。

到那个时候他们在学校学习的绝大部分东西就会和时代毫无关联。而在这里我们面对的一大问题就是我们不知道2040年、2050年的就业市场或者经济形势会是怎样的。没有人知道。

在历史上,人类第一次面对这样的窘境:没有人知道未来20年、30年、40年的世界是怎样的。所以我们不知道应该教孩子们学习什么。我能做的最好的预测就是教会他们思维灵活和心理平衡。唯一可以确信的是,2050年的世界将和现在完全不同,那将是一个非常繁忙的世界,以不断变化为其特征。

所以不论情况如何,人们都需要让自己心理平衡、思维灵活以应对这些变化。

上述情况是必然会出现的吗?

我想在收尾前说的最后一点就是技术从不是决定性的,以往也不是。技术总是在我们面前打开无数广阔前景的可能性,但却不会决定我们选择实现哪种可能性。人工智能必然会完全改变我们的生活、我们的社会、我们的经济和政治体系。

但会怎样改变呢?

可以有很多不同的方式,但我们仍然有一些标准可以去选择用这些新技术去做什么。如果我在这里概述的某些可能性让你感到恐惧,那在这场人工智能革命中你仍可以做点什么。

谢谢大家!

随时欢迎您 联系我们