Много говорят об этичности и беспристрастности ИИ. И это вполне логично, если сравнивать машину с человеком, обучение проходит те же циклы.

Возьмите ребенка в качестве примера. Если вы научите ребенка, что вилка называется ложкой, ребенок будет называть вилку ложкой. Это реальность, которой учили. Как только другие люди начнут исправлять ребенка, ложка станет вилкой (и даже этого может быть трудно достичь, в зависимости от того, кто научил ребенка тому, что вилка — это ложка в первую очередь, родительское влияние имеет большое значение). ). Учитывая, что я маниакально сосредоточен на этикете за обеденным столом — я ем пиццу и гамбургеры ножом и вилкой (а не ложкой) к большому огорчению моих партнеров, давайте оставим этот пример за столом и сосредоточимся на другом примере.

Исследования показали, что при распознавании лиц машине сложнее различать лица чернокожих женщин по сравнению с лицами белых женщин (или мужчин). Посмотрите эту замечательную прошлогоднюю статью Wired — https://www.wired.com/story/best-algorithms-struggle-recognize-black-faces-equally. Выдержка из этой статьи: При настройках чувствительности, когда алгоритмы Idemia ложно сопоставляли лица разных белых женщин со скоростью 1 на 10 000, они ложно сопоставляли лица чернокожих женщин примерно в 1 000–10 раз чаще. Чтобы добавить к этому, недавний спор об алгоритме Твиттера на черно-белом — только «https://www.theverge.com/2020/9/20/21447998/twitter-photo-preview-white-black-faces. подтверждает тот факт, что распознавание лиц определенно еще не существует.

Исследования в области распознавания лиц и искаженных результатов являются долгосрочными целями, и было названо несколько причин, которые не являются окончательными. Фотографии и качество были оптимизированы с первых дней фотографии для белых людей, в Интернете больше фотографий белых людей, на которых можно учиться, чем чернокожих, и более спорное утверждение, что «черные лица статистически более похожи на одно лицо». иначе, чем белые лица».

Примеры с распознаванием лиц показывают, что, во-первых, мы идем по очень тонкой грани между обучением машины и дискриминацией, но не дискриминацией в расовом смысле этого слова. Однако специально для этого примера машине необходимо различать индивидуализацию результатов. И вот тут-то и начинается обучение, постоянное обучение. Потому что машину учат люди, а машина примет, что вилка — это ложка.

Переходя к моей области, области автоматизации и взаимодействия с маркетингом, чтобы ИИ смог убедить, что сегодня доступно множество решений. Некоторые работают лучше, чем другие, и сумма всего этого не обязательно означает лучшие результаты. Несколько примеров методов искусственного интеллекта, используемых сегодня в автоматизации маркетинга;

  • Двойник
  • Следующее лучшее предложение / Следующее лучшее действие
  • Лид-скоринг
  • Анализ темы для сообщений
  • Склонность канала
  • Анализ настроений
  • Моделирование рентабельности инвестиций и затрат
  • LTV (жизненная ценность)

Их гораздо больше, и, несомненно, со временем новые подходы и методы найдут свое место в платформах автоматизации маркетинга, чтобы воспроизвести то, что ваш местный мясник знает о вашем вкусе и о том, как он заставляет вас купить стейк вагью, который вы еще не пробовали. раньше (так как он знает, что вы сочли это слишком дорогим) — бесплатно добавив дюжину яиц от местного поставщика. Предположим, мясник узнает, что вы приходите реже, и ваша модель покупок изменилась, и он принимает во внимание изменение климата и влияние сельского хозяйства на окружающую среду, не пора ли мяснику начать предлагать продукты на растительной основе? Удивительно видеть, что брендинг и маркетинг растительного мяса в реальной жизни по-прежнему используют слово мясо во всех своих маркетинговых материалах. Примеры из https://www.beyondmeat.com/products/the-beyond-burger/

  • Помимо фрикаделек
  • Помимо колбасы на завтрак
  • Помимо говядины
  • Помимо колбасы
  • Помимо говяжьей крошки

Моя точка зрения состоит в том, что этот подход снова касается обучения. Потребителям необходимо перейти (перейти) с мяса на растительную основу. Жесткий подход не дойдет до широких слоев населения, веганы и вегетарианцы уже приняли решение и знают, что покупать. Но именно обычного потребителя, часто употребляющего мясо, нужно убедить изменить свое поведение.

Машинное обучение и ИИ — это дорогостоящие подходы, которые со временем определенно приведут к экономии средств, повышению рентабельности инвестиций, лучшему консультированию и лучшему взаимодействию и, следовательно, к лучшему обслуживанию клиентов. Но хороший ИИ требует времени и испытаний, обширных испытаний. Чтобы ИИ преуспел, он должен потерпеть неудачу. Специалисты по данным, маркетологи, исследователи и потребители играют решающую роль в этом подходе. Человек учит машину, машина пробует, машина терпит неудачу, машина учится, машина пробует снова. Именно последние три шага — попытка, неудача и извлечение уроков из этой неудачи — делают ИИ отличным. Установив предпосылку, что вилка — это ложка, без корректирующих действий ИИ никогда не научится.