Словосочетание «искусственный интеллект» (Artificial Intelligence, AI) существует примерно с тех пор, как человек задался вопросом, можно ли продвинуться дальше в развитии, получив доступ к объектам с неорганическим интеллектом. Данная тема достигла пика своей популярности в 2016 году прежде всего потому, что мы получили первый реальный доступ к продуктам и услугам, в той или иной форме использующим AI. Теперь это уже не теория!

Области внедрения AI обширны, даже в том небольшом круге вопросов, что будут освещены сегодня, а именно маркетинг, аналитика и влияние на каждого из нас.

Цель этой статьи — сделать тему доступной, дать объяснение некоторых ключевых терминов, осветить возможности применения AI в работе маркетологов, а также рассказать о последствиях для будущего, за которое мы несем ответственность.

 

AI сейчас. Локальный максимум

Искусственный разум всегда казался трудной для понимания темой. Попробуем это исправить. Приведем очень простой, доступный пример. Google Photos.

В 2016 году люди сделали 2,5 триллиона фотографий. Когда вам нужно найти одно определенное фото, кажется, что в вашем телефоне разместились все 2,5 триллиона! Настоящая проблема. Для ее решения Google Photos использует AI.

Допустим, вы ищете фотографии суши/роллов. Просто набираете «суши» — и бум:

Обратите внимание, ничто не было классифицировано заранее и фото не отмечены тегами. Значит, Google Photos сам способен распознавать контент.

Инструмент еще умнее, чем может показаться на первый взгляд. Если ввести имя сына автора этой статьи и слово «суши», то будет выдана только одна фотография (та, что в середине). Если вы попробуете ввести имя его сына и слово «пляж», то получите все пляжные фотки с этим ребенком, хранящиеся в памяти устройства, на протяжении всей его жизни!

Круто, да? Искусственный интеллект.

Попытайтесь найти людей по именам и лицам в своем смартфоне, объединив их с событиями / вещами / местоположениями, и вы удивитесь, что вам выдаст AI.

Вот еще один пример из реального опыта. Чтобы испытать Google Photos, было введено слово на другом языке — pain (фр. хлеб). И сразу были получены следующие картинки:

Все это изображения разных видов хлеба из различных мест, хранящиеся в памяти телефона.

AI способен перевести слово и найти нужное из тысячи других объектов. Мгновенно.

 

AI сейчас. Глобальный максимум

В 2016 AlphaGo, программа для игры в Го (китайская настольная игра), побила непобедимого гроссмейстера Ли Седоля. Считалось, что из-за огромной сложности Го, компьютеры еще много лет не смогут победить людей. Потенциальное количество позиций на доске больше, чем число атомов во Вселенной. AlphaGo не только должна была вычислить все возможные позиции для игры, но и выбрать лучшую из них. Кроме того, для этого требовались интуиция и стратегическое мышление. Это был вызов, выходящий за рамки вычислительной мощности.

Пугающий момент наступил 11 марта. Во время игры AlphaGo сделала свой знаменитый ход №37. Телевизионные эксперты-комментаторы подумали, что это ошибка. Рекомендуем вам посмотреть видео этой решающей минуты на YouTube.

1:18:15 Черная фишка была перемещена к белой почти в середине доски, справа

Игра продолжалась еще три часа, но фактически она была окончена на 37-м ходу. AlphaGo знала это, а человеку потребовалось время, чтобы прийти к осознанию данного факта. Это было буквально немыслимое происшествие.

Нетрудно понять, почему у некоторых людей возникает страх за свою карьеру. Зачем нам все эти рабочие места с белыми воротничками, людьми, которые всегда будут менее быстрыми, эффективными и продвинутыми? Даже узкоспециализированный образчик AI в краткосрочной перспективе может нивелировать ценность человека в профессиональной среде, поскольку он будет делать в 50 раз больше работы, чем 1 гомосапиенс.

Важно отметить, что страх человечества сосуществует с восторгом. Для нас характерно одновременное удержание двух противоположных идей.

Да, восхищение искусственным разумом весьма оправданно, если представить, как он может изменить мир.

Возьмем ход №37. Может быть, есть ход №37 для решения проблемы глобального потепления, а мы просто не понимаем этого. Может быть, есть ход №37 для синтеза атома ядра. Или вечного движения. Или … любви. И должен быть №37 для политики. Подумайте, как здорово, что у нас будет общий искусственный интеллект (Artificial General Intelligence, AGI) для решения этих нерешаемых проблем.

Конечно, многие выступают с серьезными предупреждениями. Делают это весьма умные и осведомленные люди, к мнению которых стоит прислушаться. Тем не менее, стоит выделить некие объективные моменты:

  1. На самом деле, пути назад нет. Люди продвигаются вперед, а за ними — сфера AI.
  2. Нельзя представить себе, как будет выглядеть год 2057. Все предостережения исходят из того, что сегодня являет собой человечество, что сейчас для нас означает понятие «работа», каковы наши отношения с технологиями в данном отрезке времени. Все это может стать неактуальным к 2057-му году (и еще меньше — к 2100-му).
  3. Возможно, в 2057 году AI будет функционировать так, чтобы расширять наш собственный интеллект, заполнять пробелы человеческого сознания и находить решения трудноразрешимых задач.

Отсюда предлагаемая стратегия поведения: понимать реалии современного мира, инвестировать в непрерывное образование, адаптироваться, приращивать новые ценности.

Попробуем теперь разобраться, что представляет собой искусственный интеллект.

 

Что это вообще за чертовщина?

Искусственный интеллект, машинное обучение (Machine Learning, ML), глубинное изучение (Deep Learning)… Зачастую эти термины используются как взаимозаменяемые. Не способствует ясности и естественная двусмысленность каждого из них, обусловленная тем, что они находятся на ранних этапах эволюции.

AI — это интеллектуальная машина.

ML — это способность учиться без непосредственного программирования. В настоящее время ML является наиболее интересным способом применения AI.

Глубинное изучение — это специальная техника ML.

Большинство методов Deep Learning используют искусственные нейронные сети, моделирующие работу нашего мозга. В настоящее время глубинное изучение формирует основу для большинства невероятных достижений в области машинного обучения (и, в свою очередь, AI).

Некоторые полагают, что все, смоделированное человеческим мозгом, как в случае с глубинным изучением, будет ограничено способностями нашего интеллекта, что оно унаследует его пределы и недостатки. Еще одна проблема заключается в том, что человек не способен удерживать в памяти и перерабатывать огромные наборы обучающих данных для каждой решаемой проблемы (что обязательно для Deep Learning).

Поэтому, пока Deep Learning по праву получает много внимания, исследуются и другие методы, такие как контрфактуальная минимизация сожаления (Counterfactual Regret Minimization).

Машинное обучение и маркетинг

Машинное обучение во многом применимо в маркетинге. Поговорим об отдельных идеях.

Одна из наиболее будоражащих — это возможность персонализировать рекламный контент, давая каждому потребителю подходящий именно для него посыл.

Также впечатляют возможности ML в плане «умных ставок» (Smart Bidding), особенно это касается AdWords. Вы определяете желаемые результаты (целевая плата за действие, или CPA, окупаемость рекламы, или ROAS, плата за клик) и позволяете искусственному разуму помочь вам в достижении ваших целей — без вмешательства человеческого фактора! Правильное сообщение будет приходить нужному человеку в нужное время.

Важно усвоить, что бизнес, основанный на массовых акция и кампаниях (управление маркетинговыми кампаниями, создание контента, офферов, подбор ключевиков и пр.) будет уходить в прошлое.

Большинство поисковых рекламных кампаний, управляемых людьми (даже с помощью специальных инструментов) принимает во внимание три или четыре сигнала. Ключевое слово. Время суток. Местонахождение. Что-то другое. Даже самые «автоматизированные» подходы самого продвинутого агентства могут добавить лишь пару пунктов к этому списку. А такие приспособления, как Google или Facebook, используют сотни (в буквальном смысле) сигналов для создания правильного рекламного объявления. Никакой «мануальный» подход этого не обеспечит. Не упоминая уже о том, что правильное послание будет направлено к миллиардам поисковых запросов по всему миру (сравните со своими кампаниями).

Только подумайте о возможностях внедрения ML в маркетинговую email-программу. Ваша база данных содержит информацию обо всех людях в списке рассылки, обо всем когда-либо отравленном им контенте, каждом клике, отражающем взаимодействие с брендом, каждом вашем продукте, его жизненном цикле и т. д. Можете ли вы создать идеальную email-кампанию, соответствующую интересам любого потребителя, так, чтобы максимизировать свою прибыль? На данный момент не существует ни одной способной на это платформы электронной рассылки, но для ML это, определенно, будет далеко не самая сложная проблема. Поэтому, если вы связаны с email-бизнесом, направьте все усилия в сторону принятия на вооружение машинного обучения.

Индивидуальный подход — вот, что правит балом сегодня. Вы можете взять все имеющиеся данные о клиентах (квалифицированность лидов, моделирование предрасположенностей, поведение после покупки, жизненный цикл) и соединить их с сигналами об индивидуальных особенностях, поступающих из ваших маркетинговых платформ, чтобы решить самые сложные проблемы.

Одна компания бытовой электроники отказалась от общения с клиентами путем рассылки базовых посланий. Новая стратегия подразумевала классификацию существующих клиентов, учет их прогнозируемой ценности для компании, их поведения в прошлом и текущего выраженного намерения, определение ценности этого намерения, а также отталкивание от контекста, в котором находится человек. Все эти данные, пропущенные через десятки миллионов идентифицированных сигналов, преобразовывались в уникальное послание тем, кто мог принести наибольшую ценность. Данный процесс был масштабирован и привел к 30%-ному увеличению коэффициента конверсии. Всего этого удалось добиться благодаря сочетанию сигналов, поступающих от целевой аудитории, с машинным обучением.

В будущем доля человеческого участия в данном виде деятельности будет сведена к минимуму. Да, люди еще будут требоваться для создания брендовых текстов или, в целом, для привнесения творчества в бизнес. Но все воспроизводимые алгоритмы будут выполняться машинами. Стоит задуматься об оправданности наращивания кадрового потенциала.

Для маркетинга это отлично: практически идеальное соответствие посланий потребностям клиентов, подача в верное время — одни выгоды. Но, конечно, все это не может не печалить на личностном уровне.

Читайте также: Гид по использованию искусственного интеллекта

Машинное обучение и аналитика

Здесь реальность даже еще более сурова. Люди будут устраняться из аналитики. Сегодня мы нужны только потому, что сбор и анализ данных — это сложное занятие, и немногие специалисты способны делать это хорошо.

Барьером в применении машин на сегодня служит разобщенность: продавец аналитических услуг работает сам по себе, поставщик сервиса массовых кампаний — сам по себе, система управления сайтом (CMS) — сама по себе, ваши мобильные приложения — сами по себе. И никто не стремится к объединению, но этот момент преодолим.

Если вы причастны к аналитическому бизнесу, у вас есть в запасе лет пять. И то лишь потому, что компании, занимающиеся аналитикой, еще не восприняли революцию машинного обучения всерьез. Ни Adobe, ни Google, ни SAP, ни IBM. (Впрочем, Google делает шаги в сторону машинного обучения.)

И все же, если зайти в приложение Google Analytics и нажать на ссылку Assistant в левой навигационной панели или на ссылку Data Driven Attribution, то это даст вам намек на будущее, даже учитывая то, что пока совершение действий возлагается на людей. Скорее всего, крупные игроки резко сменят стратегию, ведь существующая проблема с человеческим фактором, без сомнения, исчезнет в течение следующей пары лет.

Машины будут превосходить нас в решении часто повторяемых объемных задач, а люди могут заняться новыми ситуациями.

В аналитике и оптимизации практически все, чем мы занимаемся, подпадает под категорию «часто повторяемые объемные задачи». Все это ставит под сомнение необходимость нашей работы в ближайшей перспективе. Подготовьтесь и еще до того, как произойдет полное устранение профессии, попытайтесь перенести фокус на решение так называемых «неизвестных неизвестных» (unknown unknowns) — это все еще новая ситуация.

Аналитика была способом поиска самых разумных решений. Но в том виде, что она есть сегодня, аналитика вскоре уйдет, и это замечательно: она будет автоматизирована, масштабирована, станет быстрее, поразительнее и окажет более сильное воздействие на бизнес.

Искусственный интеллект. Будущее. Наши дети

Мы не можем предсказать, каков будет мир через несколько лет. И что вообще будет значить слово «работа». Меж тем, наши дети учатся, получают образование, и мы не хотим чувствовать себя беспомощными перед лицом прогресса. Вот несколько идей относительно того, какие ключевые навыки / атрибуты могут понадобиться тем, кому предстоит перехватить у нас руль управления.

  1. Эмоциональная устойчивость. Сюда входит целый набор характеристик, но, говоря кратко, нужно иметь сильную эмоциональную основу в важных ситуациях, как любовь, работа, общение со сложными людьми, сохраняя при этом способность быть счастливыми.
  2. Умение распознавать изменения и направлять их в свою пользу. Человеку нравится статус-кво. Важно, чтобы родители думали о том, как обеспечить владение целым набором навыков. Нельзя просто оставаться довольными тем, что их отпрыски станут инженерами, учителями или сантехниками.
  3. Дисциплина. Крайняя сосредоточенность, умение доводить дела до конца, избегая отвлекающих моментов, даже определенная беспощадность в стремлении к заранее определенной цели.

Главный же вопрос звучит так: как подготовиться к профессии, которая еще не существует? Несколько советов для учащихся:

  • На уроках математики и физики можно постичь базовые методы работы AI, машинного обучения, теории анализа и обработки данных. Если в школе или университете нет подобных предметов, найдите возможность изучить их самостоятельно в Интернете или на курсах, а также: математический анализ, линейную алгебру, теорию вероятности и статистику. Также очень важна компьютерная наука, если вы хотите знать, как программировать. Кроме того, могут быть полезны инжиниринг, экономика, нейронаука, философия (в частности, эпистемология — наука о том, что есть знание, научная теория, что значит «учиться»).
  • Цель посещения таких уроков — не простое запоминание. Учащиеся должны понять, как превращать данные в знания. Сюда входит понимание базовых статистических данных, а также процесса сбора и анализа данных с учетом возможных погрешностей и внимательным отношением к методам предотвращения самообмана в ходе работы с искаженными данными.
  • Постарайтесь найти школьного учителя, аспиранта или научного работника, способного конкретно оформить для вас ваши идеи.
  • Если вы учитесь в университете, задумайтесь об аспирантуре и написании кандидатской диссертации. Найдите руководителя с заслуженной репутацией, работающего над интересующей вас тематикой.
  • Займитесь той областью AI, что вас больше всего вдохновляет. Начните читать литературу по теме, посмотрите, что уже сделано и попробуйте взглянуть на проблему по-иному. По результатам исследования напишите работу или создайте фрагмент кода.
  • Подайте заявку на участие в программах стажировки в данной области, чтобы получить реальный опыт и знание того, как AI работает на практике.

Подводя итог. Если у вас есть дети, собирающиеся пойти в IT / компьютерную область (а на самом деле, те, кому предстоит озаботиться любой профессией в следующие 5 лет), обдумайте все вышеприведенные рекомендации.

 

Вместо заключения

Если вы хотите получить более широкое представлении о ценностном и революционном потенциале AI, то стоит познакомить вас еще с парой разработок.

Японская tech-компания NTT Resonant научила AI давать советы тем, у кого возникают проблемы в любви. И это не просто дурацкий чатбот с короткими ответами: Oshi-el понимает сложные вопросы длиной в несколько страниц, касающиеся проблем в семье, например, и отвечает развернуто. Это устройство не идеально, но даже оно невероятно для наших дней.

Здоровье — еще одна сфера, показывающая великолепный прогресс. 415 миллионов людей подвержены риску заболеваний по всему миру, и нужно иметь множество специалистов для обнаружения болезней, а врачи есть не везде. Алгоритм Google, дополненный ML и машинным зрением (Computer Vision), уже работает вместе с офтальмологами для диагностики заболеваний глаз, вызванных диабетом. И это лишь один пример усилий в данной области, где нам помогает машинное обучение.

Приращение возможностей — это, наверное, наиболее оптимальный способ восприятия ближайшего будущего. Мир найдет применение человеку в том, в чем он хорош, а AI будет использоваться там, где может проявить себя наилучшим образом.

Будьте любопытны, узнавайте об искусственном интеллекте и его применении в профессиях, думайте о поколении, которое вы готовите к жизни в будущем. Наступает время резких стратегических поворотов.

Применяете ли вы машинное обучение для улучшения своей работы — или просто из любопытства? Загрузили ли вы уже TensorFlow и, если да, то что вы с ним делаете? Доступны ли вам усиленные машинным обучением возможности Facebook или Google? Если бы вам пришлось дать совет аналитику для жизни в AI-ориентированном мире, то что бы вы сказали? Думали ли вы когда-нибудь о том, как новшества скажутся на ваших детях?

Пришла ваша очередь задуматься.

Высоких вам конверсий!

По материалам kaushik.net.