Сам термин «искусственный интеллект» используется уже пару десятков лет, но люди продолжают думать, что это новейшая технология, которая несет в себе тайную угрозу. Да, мир действительно уже не будет прежним, но в первую очередь это произойдет из-за того, что ИИ существенно упростит жизнь людей. У этой технологии нет никакой важной миссии, которая спасет человечество в будущем, а есть совершенно конкретные задачи автоматизации процессов и сокращения ресурсов, будь то люди, время или деньги.
ИИ — больше, чем машинное обучение
ИИ — сама обсуждаемая тема последних нескольких лет. Однако практика показывает, что в понимании самого термина до сих пор существуют расхождения. На самом деле все очень просто, если разложить по словам.
- Искусственный — сделанный или произведенный человеком, а не природой, сделанный наподобие натурального.
- Интеллект — способность приобретать знания и навыки и применять их, адаптируясь к среде или контексту.
Таким образом, на самом деле ИИ — это система, созданная людьми для сбора информации, приобретения и применения знаний. В более широком смысле — свойство машин, компьютерных программ и систем, позволяющее выполнять интеллектуальные и творческие функции человека, самостоятельно находить способы решения задач, уметь делать выводы и принимать решения.
Часто термины «искусственный интеллект», «машинное обучение» и «глубокое обучение» используются бессистемно как взаимозаменяемые, но на самом деле между ними есть различия. ИИ принимает разные формы. Машинное обучение — это такая форма искусственного интеллекта, которая позволяет компьютеру обучаться без необходимости непосредственного программирования. Именно оно обеспечивает развитие технологий в области ИИ, включая распознавание изображений и обработку естественного языка. Вместо конкретных команд компьютеру для выполнения задачи машинное обучение дает возможность самостоятельно разработать алгоритм решения, используя данные для самообучения. Чем больше данных, к которым компьютер имеет доступ, тем эффективнее он обучается и тем умнее становится, улучшая собственную точность и работоспособность с течением времени. Машинное обучение — это технология, построенная по принципу нейросети живого организма. В организме нервные клетки — нейроны — соединяются в сеть и образуют нервную систему. А в искусственной нейросети по такой же схеме соединяются и взаимодействуют вычислительные элементы.
Нейросеть отличается от обычных алгоритмов тем, что она способна обучаться на основе опыта. Нейросети анализируют и выявляют связи между данными на входе и выходе, обобщают данные и формируют решения задач. Чтобы нейросети могли функционировать таким образом, используются методы машинного обучения. То, чему вы сможете научить нейросеть, зависит от данных, которые у вас имеются. Чем больше релевантных данных, тем качественнее будет обучение.
ИИ в нашей жизни — уже сегодня
ИИ — больше не научная фантастика, он уже используется в самых разных сферах. Вот только самые известные примеры: компьютерное зрение, распознавание почерка и речи, языковой перевод, космические полеты.
- На основе ИИ разработаны голосовые помощники: Siri, Google Assistant и «Алиса», а также чат-боты.
- Платежная система PayPal использует машинное обучение — нейросети выявляют среди всех транзакций подозрительные, что позволяет компании сократить количество случаев мошенничества.
- Google Переводчик, который изначально переводил по словам, теперь научился переводить фразы и предложения. Благодаря машинному обучению и нейросетям алгоритм перебирает огромное количество вариантов и дает точный перевод, учитывая контекст: если перед нами технический язык — перевод один, а если художественный — другой.
- Выдача YouTube предлагает пользователям рекомендации, используя новые алгоритмы.
- Онлайн-видеосервис Netflix разработал технологию на основе ИИ и машинного обучения, чтобы показывать зрителям персонализированные трейлеры фильмов и сериалов, учитывая их предпочтения на основе просмотренного прежде контента.
- Системы датчиков SoundSee с алгоритмом, применяющим машинное обучение, чтобы определять поломки на слух, позволяют прогнозировать неполадки в механизмах, что снижает затраты на техобслуживание и повышает производительность. Такой датчик, в частности, будет в ближайшее время запущен на МКС.
- Беспилотные автомобили, которые используются для доставки пиццы. Несмотря на то, что такие автомобили — это все-таки далекое будущее, они служат отличным примером того, как можно применять технологии для облегчения жизни. Применение ИИ сразу избавит от нескольких неприятных моментов: пробок и аварий, поскольку ошибки свойственны для людей. Сам процесс происходит за счет того, что у машины есть цель, до которой ей нужно добраться. Если ее не будет, ИИ просто не сработает.
Как работает ИИ в AdTech
На протяжении многих лет маркетологи много говорили о больших данных. Потом стали задаваться вопросами, а достаточно ли их, правильные ли они, используется ли весь их потенциал. Распространение технологий ИИ на всевозможных рекламных платформах полностью изменило индустрию. Чем больше данных можно обработать с помощью ИИ, тем лучше они позволят вам понимать каждого конкретного пользователя, и, соответственно, показывать ему наиболее релевантную рекламу. Поэтому данных не может быть слишком много.
Алгоритмы машинного обучения в рекламе идентифицируют шаблоны поведения в огромных массивах данных за большой период времени, включая покупательское поведение онлайн и офлайн, прошлые взаимодействия пользователя с рекламой и его историю поиска. Затем создается наиболее благоприятный сценарий прогноза и выбирается товар, который с наибольшей вероятностью заинтересует конкретного пользователя. Получающиеся в результате рекламные объявления адаптированы для каждого отдельного покупателя и, скорее всего, принесут желаемый результат, будь то клик или покупка. Алгоритм учитывает каждое взаимодействие с пользователем и усиливает его эффективность.
Какие технологии позволяют сделать рекламу максимально релевантной для пользователя
В качестве примера приведем технологии, усовершенствованные компанией Criteo при помощи ИИ и машинного обучения в лаборатории Criteo AI Lab.
Dynamic Creative Optimization (DCO+)
Эта технология адаптирует рекламные объявления по дизайну, цвету и компоновке под каждого отдельного пользователя в соответствии с его вкусовыми предпочтениями. При этом стилистика бренда сохраняется. В результате конкретный покупатель видит определенный баннер. Технология включает в себя элементы, которые позволяют:
- разрабатывать уникальное дизайнерское решение, объединяющее брендинг, перформанс и персонализацию в одном баннере;
- определять наиболее привлекательные элементы брендинга, цвета и компоновку для конкретного покупателя и контекста;
- создавать оптимальный баннер нужного размера для каждого индивидуального показа, включая рекомендованные товары из продуктового каталога;
- оптимизировать динамическую рекламу в Instagram и Facebook, включив в нее такие активные элементы, как призывы к действию, логотипы бренда, описания продуктов и даже рейтинг товара.
Predictive Bidding, или прогнозирование ставок
Данная технология позволяет довольно точно определить, на каком сайте вам показать рекламу и какого именно товара в той или иной момент времени. Для брендов-рекламодателей главная особенность Predictive Bidding — возможность эффективно оценить массив данных, чтобы разместить нужную ставку в идеальный момент и в итоге сократить расходы на каждую продажу. Технология включает в себя три ключевых компонента: первые два — оценка товара (товары, которые пользователь просматривал и покупал) и оценка пользователя (данные сети Criteo, в которую входит более 1,9 млрд покупателей в месяц и их индивидуальные привычки) — дают возможность достаточно точно определить, для каких товаров конверсия будет наиболее вероятна, и повысить эффективность рекламных инвестиций. Третий элемент — оценка паблишера (ресурса, на котором размещается рекламный баннер) — учитывает историю взаимодействия потребителя с товаром на сайте каждого паблишера и его поведение в реальном времени и определяет, на каком ресурсе и в какое время размещение определенного баннера даст максимальный эффект.
Product Recommendations, или рекомендации по продукции
Этот инструмент добавляет к рекламному объявлению, которое видит пользователь, ранее просмотренные, а также популярные и похожие товары. Эти рекомендации, безусловно, полезны, однако это только первый шаг. Благодаря интуитивной аналитике, основанной на технологии машинного обучения, анализ данных почти 2 млрд покупателей в месяц позволяет выбрать именно те товары, которые вероятнее всего заинтересуют покупателей (включая те, которые они еще не видели).
Чтобы определить намерения покупателя, функция Product Recommendations учитывает его предыдущие действия, самые популярные продукты и действия других покупателей со схожими характеристиками. Затем технология рекомендует товары, которые будут наиболее привлекательными для конкретного клиента. Таким образом, создаются рекомендации, которые охватят весь товарный каталог и смогут значительно увеличить продажи новинок.
Будущее AdTech и покупательского опыта
Как мы видим, алгоритмы нового поколения на базе ИИ могут использовать не только имеющиеся данные, но и реакцию пользователя на каждую товарную рекомендацию, то есть оценивать эффект каждого отдельного баннера. Используя данные о реакции, алгоритмы могут редактировать следующие товарные рекомендации в реальном времени для достижения максимального эффекта.
Исследования и разработки в области ИИ крайне необходимы для того, чтобы компании могли максимально раскрыть потенциал своих данных. Именно тогда они смогут выстраивать более доверительные отношения со своими потребителями за счет персонализации рекламы и улучшения пользовательского опыта. Это то, к чему уже сейчас стремится рекламный рынок. В будущем технологии ИИ позволят создавать совершенно новую рекламу: гиперрелевантную, полностью соответствующую контексту и, как следствие, не раздражающую пользователя и имеющую значительно больше влияния на его решения.