Sztuczna inteligencja najczęściej kojarzy nam się z filmami science fiction, których akcja toczy się w dalekiej przyszłości ukazującej przerażającą wizję dominacji maszyn nad człowiekiem. Owszem, AI (po polsku SI – Sztuczna Inteligencja) zaczyna wpływać na wiele aspektów naszego życia, ale do całkowitego przejęcia kontroli nad światem chyba jej jeszcze daleko (na szczęście!). Prawdą pozostaje jednak fakt, że technologie tego typu znacznie ułatwiają nam życie. Nie inaczej jest w marketingu.
Wielu ekspertów twierdzi, że to dopiero początek olbrzymich przeobrażeń, które czekają nas w przyszłości. Coraz więcej czynności i działań będzie wykonywanych automatycznie. I choć może się wydawać, że to odległa wizja, to już teraz sztuczna inteligencja zaczyna coraz bardziej wpływać na oblicze działań marketingowych.
Deep learning
To właśnie od niego należy zacząć rozważania na temat sztucznej inteligencji. Deep learning, czyli polskie głębokie uczenie się, polega na analizie ogromnych ilości danych przetwarzanych przez systemy komputerowe. Na tej podstawie rozpoznają one wzory, reakcje, obiekty i inne elementy aktywności użytkowników. To obecnie jeden z najbardziej obiecujących obszarów badań nad sztuczną inteligencją.
Deep learning pozwala komputerom na wykonywanie zadań dotąd uznawanych za charakterystyczne dla ludzi, czyli: rozpoznawanie mowy, identyfikację obrazów czy tworzenie prognoz. Zamiast żmudnego procesu „przekopywania się” przez wstępnie zdefiniowane równania deep learning bazuje na podstawowych parametrach zebranych danych. Pozwala to komputerom na uczenie się rozpoznawania wzorów na wielu poziomach przetwarzania informacji. Na tej podstawie mogą one dostarczać odpowiedzi, tłumaczyć niejasności czy podpowiadać rozwiązania.
Zamiast przechowywać ogromne zbiory nieuporządkowanych informacji system tworzy między obiektami sieci powiązania, które obrazują zagadnienia. Poszczególne sieci traktowane są jako warstwy definicji, w ten sposób proste idee składają się na idee bardziej złożone itd. Technologię deep learningu wykorzystuje m.in. Facebook do ulepszania procesu filtrowania postów i reklam, które wyświetlane są na Twojej tablicy.
Niedawno z deep learningu zaczął korzystać także Amazon, tworząc sklep bez kolejek – Amazon Go. Działa on na zasadzie „just walk out” (po prostu wyjdź). Po wejściu do sklepu klient skanuje w terminalu swój smartfon wyposażony w aplikację Amazon Go. Wykrywa ona, kiedy produkt został zdjęty z półki. Sklep jest cały czas monitorowany, a „kupione” produkty system dodaje do wirtualnego koszyka. Po skończeniu zakupów klienci po prostu wychodzą ze sklepu, a Amazon wysyła im paragon i ściąga z ich konta odpowiednią kwotę. Dzięki temu znika problem kolejek do kas. Obecnie w USA działa jedna pilotażowa placówka Amazon Go, dostępna tylko dla pracowników firmy. Jednak zgodnie z zapowiedziami na początku 2017 roku ma stać się ogólnodostępna.
Rekomendacje
Wszyscy dobrze znamy podpowiedzi zaczynające się od słów: „mogą Ci się spodobać” „sprawdź również”, „wybrane dla Ciebie”, które pojawiają się pod wieloma artykułami czy pod koniec zakupów. Wiele osób nie zdaje sobie sprawy, że bazują one właśnie na deep learningu czy innych algorytmach sztucznej inteligencji. Analizują one ogromną liczbę danych dotyczących zachowania ludzi w sieci i na tej podstawie tworzą podpowiedzi, które mają na dłużej przyciągnąć Twoją uwagę.
Na tej zasadzie działa Amazon, kiedy podpowiada Ci, jakie książki mogą Cię zainteresować, czy Neflix, proponując kolejny film. W przypadku udostępniania płatnych treści (np. Netflix) firma nie tylko musi oferować wartościowy content, za który odbiorcy będą chcieli zapłacić, ale i dobierać go adekwatnie do indywidualnych preferencji, w których zrozumieniu pomaga sztuczna inteligencja. Bazuje ona na takich wskaźnikach jak:
• długość czasu spędzanego przez użytkownika przy danym contencie;
• najczęściej wyszukiwane tematy;
• poglądy polityczne użytkowników;
• urządzenia, z jakich korzysta klient, i wiele, wiele więcej.
Dzięki AI możliwe jest połączenie wielu rożnych wzorów reakcji i interakcji użytkowników, mierzenie ich, analizowane i tworzenie prognoz.
Bardziej rozbudowany system stworzył Under Armour we współpracy z IBM Watson. W efekcie powstała aplikacja Under Armour Record, służąca do monitorowania działań związanych ze stylem życia i aktywnością fizyczną. Dotyczy ona czterech podstawowych obszarów: dziennej aktywności, odżywania, aktywności sportowej i snu. Na podstawie zebranych danych tworzony jest obraz nawyków użytkownika. Jednak to nie wszystko, bo aplikacja proponuje także spersonalizowany program treningowy i porady dotyczące stylu życia, oparte na wiedzy płynącej z zebranych danych.
Sam producent o aplikacji pisze tak: „32-letnia kobieta, która przygotowuje się do udziału w 5-kilometrowym wyścigu rowerowym, może wykorzystać tę aplikację do stworzenia spersonalizowanego planu treningowego i posiłkowego opartego o jej charakterystykę fizyczną, cele i styl życia. Aplikacja potrafi wyznaczać trasy treningowe w okolicach miejsca zamieszkania i miejsca pracy, biorąc pod uwagę pogodę panującą w ciągu danego dnia. Monitoruje także spożywane posiłki i radzi, co jeść, by utrzymać jak najlepszą kondycję fizyczną”.
Google i RankBrain
Nikogo nie dziwi fakt, że Google to jeden z niekwestionowanych liderów w rozwoju sztucznej inteligencji. Jednym z najbardziej znanych systemów jest ten działający w wyszukiwarce Google – RankBrain.
To właśnie on odpowiada za interpretację znacznej części zapytań wpisywanych w popularną wyszukiwarkę. Sztuczna inteligencja odpowiada tutaj za sprowadzenie języka pisanego do wersji jednostek matematycznych, zrozumiałych dla komputera. Pozwala ona także na połączenie nieznanych fraz z tymi, które mogą mieć podobne znaczenie, i na tej podstawie filtrować wyniki. To, co wyróżnia RankBrain spośród innych technologii wykorzystywanych przez Google, to fakt, że potrafi się „uczyć”. Ma to sprawić, że nowe systemy będą potrafiły lepiej interpretować niejednoznaczne zapytania, a tym samym będą stawać się coraz „mądrzejsze”.
Algorytm RankBrain zasługuje na szczególną uwagę specjalistów od SEO. To właśnie on odpowiada za powiązanie długich zapytań (tzw. long-tail) z krótszymi frazami, jeśli uzna, że łączy je jakieś podobieństwo. Zatem jeśli wpiszesz do wyszukiwarki nowe zapytanie, prawdopodobieństwo, że uzyskasz adekwatne do niego wyniki, jest znacznie większe. Dodając do tego zdolność algorytmu do „uczenia się”, można założyć, że każde kolejne wyszukiwanie powinno być skuteczniejsze.
Speech recognition
Speech recognition opiera się na sylabach czy fonemach. Rozumienie ludzkiej mowy w wykonaniu maszyn to rozpoznawanie poszczególnych składowych słów, następnie dopasowanie ich do słownikowego odpowiednika i złożenie wyrazów w całość. Kolejnym etapem jest interpretacja. Nowoczesne systemy potrafią już analizować całe zdania, a nie tylko pojedyncze słowa. Uwzględniają także składnię języka. Dlatego problemem nie jest brzmienie głosu, dykcja, zjadanie końcówek czy nietypowy akcent.
Najbardziej znanymi przykładami wykorzystania tego algorytmu są Siri i Cortana – spersonalizowani asystenci. Siri dostępna jest na systemie operacyjnym Apple iOS i MacOS Sierra. Może ona wysyłać wiadomości, rozpoczynać rozmowy telefoniczne czy sprawdzać kalendarz. Z kolei Cortana to dziecko Microsoftu. Potrafi rozpoznawać i odczytywać głos użytkownika oraz odpowiadać na pytania za pośrednictwem przeglądarki Edge i wyszukiwarki Bing.
Mechanizm rozpoznawania mowy jest szczególnie popularny w Chinach. Związane jest to z charakterystyką języka chińskiego. Pisanie w tym języku może być naprawdę żmudnym i trudnym zajęciem, dlatego opcję głosowego wyszukiwania ma największa chińska wyszukiwarka Baidu.
Speech recognition wykorzystuje także Skype. Funkcja Translator pozwala na tłumaczenie m.in.: arabskiego, angielskiego, francuskiego, niemieckiego, włoskiego i hiszpańskiego.
Language recognition
Krok dalej po speech recognition znajduje się language recognition. Algorytm może rozpoznać nie tylko to, co mówisz, ale także to, jaki ma to sens w odniesieniu do innych tematów i koncepcji. Technologia ta może być wykorzystywana przez marki do „przetrawienia” niezbyt poprawnie napisanych wiadomości od klientów.
Przykładem wykorzystania language recognition jest WayBlazer, również opracowany we współpracy z IBM Watson. WayBlazer to platforma podróżnicza, na której użytkownicy mogą odnaleźć zdjęcia, rekomendacje czy spostrzeżenia innych użytkowników dotyczące podróżowania. Są one spersonalizowane w zależności od danych wprowadzonych przez użytkownika. WayBlazer to pierwszy internetowy konsjerż podróży, który pozwala klientom zadawać pytania w ich naturalnym języku. Potrafi połączyć miejsca, oferty i preferencje, by doradzić, jakie miejsca warto odwiedzić i z jakich usług skorzystać.
Rozszerzeniem WayBlazer jest Connie – maszyna znajdująca się w hotelu Hilton McLean w Virginii. Connie potrafi zrozumieć język naturalny i odpowiedzieć na pytania dotyczące hotelu, lokalnych atrakcji turystycznych, restauracji czy usług. To ona zajmuje się witaniem gości, przybywających do hotelu. Jest połączona z WayBlazer, dzięki czemu może udzielić gościom konkretnych informacji dotyczących planowej podróży i pomóc w procesie rezerwacji. Dodatkową zaletą jest fakt, że z każdym pytaniem staje się „mądrzejsza”.
Targetowanie
W przypadku targetowania sztuczna inteligencja ma pomóc w zwiększeniu prawdopodobieństwa, że użytkownik kliknie w reklamę.
Strony takie jak Google czy Facebook korzystają z fragmentów kodów, by śledzić swoich użytkowników i na tej podstawie adekwatnie targetować reklamy. Większość marketerów zgadza się, że aby dobrze przeprowadzić ten proces, trzeba się sporo natrudzić. Rozwiązaniem może być stworzona przez Google recurrent neural network (RNN), która zdolna jest „zapamiętać” fragmenty informacji przez krótki okres.
Takie mechanizmy mogłyby przyczynić się do optymalizacji treści reklam. Reklamodawcy otrzymywaliby sugestie dotyczące sformułowań, które pozwolą zwiększyć zasięgi, czy grafik, które najlepiej przyciągają uwagę grupy docelowej. Wiedza na temat zachowań i preferencji użytkowników byłaby uzyskiwana nie tylko z deklarowanych zainteresowań np. opisywanych na Facebooku, ale także z treści komentarzy, ich kontekstu, z relacji z innymi użytkownikami. Im więcej danych, tym większe prawdopodobieństwo, że reklama stanie się bardziej spersonalizowana i będzie odpowiadać na potrzeby użytkowników.
Chatboty
Obecny rynek wymusza na marketerach opracowywanie coraz skuteczniejszych sposobów komunikowania się z klientami. Aby zoptymalizować swoją pracę, wielu z nich korzysta z chatbotów, które pozwalają nawiązywać kontakt z klientami lub odbiorcami.
Chatbot to program komputerowy, którego zadaniem jest prowadzenie konwersacji przy użyciu języka naturalnego bądź też pisanego. Musi on sprawiać wrażenie „inteligentnego”, tak aby rozmówca odniósł wrażenie, że rozmawia z człowiekiem. Dzięki temu udzielanie odpowiedzi na standardowe pytania, pomoc w zakupach czy planowanie podróży staje się jeszcze szybsze.
Najczęściej chatboty używane są na różnych stronach internetowych, gdzie ukazywane są jako interaktywne, wirtualne postacie, które potrafią udzielić odpowiedzi na pytania dotyczące usług i działalności firmy. Chatboty są szeroko wykorzystywane w wielu branżach, zaczynając od wirtualnego asystenta na stronie ZUS-u, a kończąc na Elizie – programie symulującym psychologa.
Pisząc o chatbotach, nie sposób nie wspomnieć o wpadce Microsoftu. Opracowany przez tę firmę chatbot Tay miał zachowywać się jak typowy amerykański nastolatek. Internauci za pośrednictwem m.in. Twittera mogli poprosić, by Tay (komunikator był kobietą) ich rozśmieszyła lub zagrała z nimi w jakąś grę. Tay w trakcie konwersacji miała „uczyć się” nowych wzorów rozmów, zapamiętywać, co kto do niej napisał, i personalizować odpowiedzi. Internauci bardzo szybko przetestowali jej zdolności do „uczenia się”. Zasypana lawiną rasistowskich i wulgarnych wpisów „wysnuła” wniosek, że ludzie tacy właśnie są i po upływie doby zamieniła się w rasistkę zafascynowaną Adolfem Hitlerem. Robot deklarował, że nienawidzi Żydów, a feministki powinny smażyć się w piekle.
Wpadka Microsoftu wyraźnie pokazuje zagrożenie, jakie niesie ze sobą dalszy rozwój sztucznej inteligencji. I choć nie można odmówić Tay zdolności do naprawdę szybkiego nabywania wiedzy, to należy postawić sobie pytanie: jak kontrolować sztuczną inteligencję, tak by scenariusze filmów science fiction nie stały się rzeczywistością?
Dynamic pricing
O cenie produktu decyduje wiele różnych czynników, a ich poprawne oszacowanie i monitorowanie może okazać się wyjątkowo trudne. Rozwiązanie tego problemu opracowali specjaliści IBM Watson. Chodzi tutaj o Dynamic Pricing, czyli zaawansowane narzędzie do weryfikacji cen.
Sztuczna inteligencja w tym przypadku pozwala na skorelowanie czynników związanych z ceną i sprzedażą poprzez zastosowanie specjalnego algorytmu. Dynamic Pricing pozwala stale monitorować ceny wskazanych produktów. Dzięki temu sprzedawca jest na bieżąco z działaniami konkurencji. To jednak nie wszystko, bo IBM opracowało także funkcję zaawansowanej, automatycznej analizy. W oparciu o zebrane wcześniej dane jest on w stanie przygotować sugestie dotyczące działań, jakie przedsiębiorca powinien podjąć, by zatrzymać klienta.
Badania nad sztuczną inteligencją trwają, a specjaliści z różnych dziedzin coraz częściej sięgają po proponowane przez nią rozwiązania. Marketerzy nie pozostają w tyle i także starają się usprawnić swoje działania dzięki dobrodziejstwom AI. Coraz większa automatyzacja i możliwość przekazania maszynom znacznej części czynności obecnie wykonywanych przez ludzi może znacząco zmienić oblicze marketingu. Jednak każdy medal ma dwie strony. Czy dalibyśmy sobie radę bez ludzkiego pierwiastka? Czas pokaże (choć pewnie na odpowiedź nie będziemy musieli długo czekać).
Więcej w raporcie:
