یادگیری عمیق چیست؟ (هر چیزی که بازاریابان باید درباره آن بدانند)
ماشینها همه جا را فرا گرفتهاند. احتمالا شما هم چیزهایی در ارتباط با هوش مصنوعی شنیده باشید و به این فکر کرده باشید که پیشرفت در این زمینه میتواند باعث از دست رفتن مشاغل بشر شود و آنها را به روباتها بسپارد. اما از نظر من، به جای نگرانی، باید خوشحال باشیم! هوش مصنوعی و به ویژه یادگیری عمیق میتواند فرصتها و نوآوریهای زیادی را در اختیار بازاریابی دیجیتال، کسب و کارهای دیجیتال و خدمات پس از فروش قرار دهد.
اما یادگیری عمیق چیست؟ چگونه کار میکند؟ چگونه میتوان آن را در مسیر فروش و بازاریابی محصولاتمان به کار ببریم؟
یادگیری عمیق سیستمی در هوش مصنوعی است که با استفاده از برخی الگوریتمهای پیچیده، عملکرد مغز انسان را شبیهسازی میکند. یادگیری عمیق دارای یک شبکه عصبی است تا بتواند وظایف مختلفش را یاد بگیرد. این شبکه عصبی دارای نورونهایی است که اطلاعات را بین مغز انسان و مغز ماشین پردازش میکنند.
شبکههای عصبی در تبلیغات
فرض کنیم که ما یک بنگاه خودروی آنلاین داریم و قصد داریم برای بنگاهمان امکان مناقصه در لحظه (RTB) را راهاندازی کنیم تا از آن به عنوان مکانیزمی برای ایجاد توانایی خرید فضای تبلیغاتی در سایر سایتها استفاده کنیم.
سامانه RTB یک فرایند خودکار است که در چارچوب زمانی کمتر ۱۰۰ میلی ثانیه اتفاق میافتد. وقتی یک کاربر از سایت بازدید میکند، تبلبغ کننده از آن آگاه میشود و یک سری اقدامات تعیین میکند که پیغام تبلیغاتی برای او نمایش داده شود یا خیر.
به تصویر زیر نگاه کنید:
در RTB، ما از نرمافزارها برای نمایش مناقصههای خاص استفاده میکنیم. این نرمافزار پیشبینی میکند احتمال این که این بازدیدکننده قصد خرید یک محصول داشته باشد، چقدر است. این مفهوم را گرایش به خرید مینامیم.
در این مثال، ما از یادگیری عمیق برای انجام این پیشبینی استفاده میکنیم؛ به این معنا که RTB از یک شبکه عصبی برای تعیین گرایش به خرید استفاده میکند. شبکه عصبی موجود در نرم افزار RTB ما، بر اساس ارتباط میان نورونها ساخته شده است. تصویر بالا تنها بخشی از این نورونها را نشان میدهد. در حقیقت، یک شبکه عصبی دیجیتالی هزاران و یا حتی میلیونها نورون و اتصال نورونی دارد.
در چنین مواردی، ما قصد داریم متوجه شویم که آیا یک مشتری قصد خرید یک خودرو دارد یا خیر، تا در صورت مثبت بودن جواب، برای نمایش تبلیغ مورد نظر اقدام کنیم و او را هدف قرار دهیم. نتیجه این کنکاشها، به علایق و عملکرد بازدیدکننده در وبسایت دارد.
برای پیشبینی گرایش به خرید، ما در ابتدا چند ویژگی را در نظر میگیریم که نشاندهنده رفتار دیجیتالی فرد است. در مثال ما، این ویژگیها شامل این موارد در چهار صفحهای است کاربر در سایت از آنها بازدید کرده است:
- قیمتها
- مشخصات فنی خودرو
- امکانات
- نحوه پرداخت
این موارد بر روی نحوه عملکرد شبکه عصبی تاثیر میگذارد و نتیجه را تعیین میکند. حاصل این محاسبات، یکی از دو خروجی زیر است:
- بازدیدکننده به محصول شما علاقه دارد یا به عبارتی «آماده خرید» است. نتیجه: تبلیغ باید نمایش داده شود.
- بازدید کننده نسبت به محصول علاقهای ندارد یا «آماده خرید» نیست. نتیجه: نیازی نیست تبلیغ نمایش داده شود.
موارد استفاده شبکه مغزی چیست؟
بیایید نگاه دقیقتری داشته باشیم.
به ازای هر ورودی، ما از ۰ یا ۱ استفاده میکنیم.
۱ به این معنا است که بازدید کننده از آن صفحه بازدید کرده است. نورونها بر اساس مقادیر اضافه شده، میزان اهمیت هر کدام از صفحات را نشان میدهند.
این فرایند از چپ به راست ادامه پیدا میکند تا وقتی که به نورون خروجی برسیم. رندر خروجی تعیین میکند که بازدیدکننده آماده خرید است یا خیر. هر چه میزان ۱ ها بیشتر باشد، ارزش خروجی هم بیشتر است و این سامانه میتواند پیشبینی دقیقتری از رفتار خریدار داشته باشد.
در این مثال، بازدیدکننده سایت، به صفحات قیمت و مشخصات خودرو سر زده است؛ اما از صفحات امکانات و نحوه پرداخت دیدن نکرده است. سیستم عصبی بالا نشان میدهد که امتیاز این بازدیدکننده برابر با ۷.۰ است و در واقع ۷۰ درصد احتمال وجود دارد که این فرد، آماده خرید خودرو باشد.
بنا بر این، اگر ما به فرمول اصلی رجوع کنیم، میبینیم که تبلیغات «باید» به این بازدیدکننده نمایش داده شود.
عملکرد سیستم عصبی
حالا که با موارد استفاده از سیستم عصبی آشنا شدیم، بیایید نگاهی هم به عملکرد آن داشته باشیم تا بدانیم محاسبات به چه صورت انجام میشود و نحوه تصمیمگیری در آن چگونه است. چالش اصلی در چنین سیستمهایی، عوامل وزنی ارتباطات داخل شبکه عصبی است که باید تقویت شود.
«تقویت» به این معنا است که باید خوراک اطلاعاتی مورد نیاز شبکه عصبی از چندین بازدیدکننده تامین شود. این اطلاعات شامل چیزهایی مانند صفحات مورد بازدید قرار گرفته کاربر است و نشان میدهد که آیا او قصد خرید دارد یا نه؟ و نتیجه آن با «بله» یا «خیر» مشخص میشود.
شبکه عصبی تمام این اطلاعات را پردازش میکند و وزن هر نورون را به گونهای تنظیم کند که برای محاسبات مربوط به هر فرد و جمعآوری اطلاعات او کافی باشد. وقتی این مرحله انجام شود، ارزش هر نورون ثابت میشود و هر نورون میتواند به صورت دقیقتری رفتار هر کاربر جدید در سایت را پیشبینی کند.
گسترش دموکراسی در هوش مصنوعی
هوش مصنوعی بس در کل، هر مشکل احتمالی دیگری که نیاز به پردازش و هماهنگی دارد را حل کنید.
یادگیری عمیق میتواند در هر زمینهای از دیجیتال مارکتینگ مورد استفاده قرار بگیرید، به این شرط که بتوانید برای آن خوراک اطلاعاتی کافی تهیه کنید تا آموزش ببیند و یاد بگیرد. چالش اصلی در این بخش، جمعآوری اطلاعات از ابزارهای مختلف تبلیغاتی است. در چنین شرایطی، استفاده از ابزارهایی مانند Blender.io جهت ایجاد ارتباط میان مخازن اطلاعات شما برای استفاده از یادگیری عمیق و هوش مصنوعی بسیار ضروری است.
آینده: هوش مصنوعی و ساخت یک هوش مصنوعی جدید!
گوگل میگوید که فرایند طراحی شبکه عصبی نیاز به زمان بسیار زیادی دارد؛ زیرا تمام لایههای این شبکهها باید توسط بشر طراحی شده و توسعه پیدا کند. به همین دلیل، گوگل AutoML را اختراع کرده است: هوش مصنوعیای که میتواند الگوریتمهای هوش مصنوعی بهتر و جدیدتری طراحی کند.
تصور کنید یک فناوری با چنین مشخصاتی میتواند تا چه حد به خودکار شدن دیجیتال مارکتینگ کمک کند. هوش مصنوعی میتواند الگوریتمهای شخصیسازی شدهای بسازد که به صورت خودکار یاد میگیرند و بر اساس اطلاعاتی که به آنها میرسد، کمپینهای تبلیغاتی ایجاد میکنند.
با این که یادگیری عمیق مقوله پیچیدهای به نظر میرسد، میتوان آن را به یک مسئله ریاضی تشبیه کرد. شبکههای عصبی در فرایندی شبیه به مغز انسان، میآموزند. این اتفاق از طریق مشاهده مثالها و کشف تشابه میان آنها صورت میگیرد.
وقتی شبکه عصبی آموزش میبیند، میتواند مسائلی دشوار را حل کند و برای آنها توجیه ارائه کند. هوش مصنوعی و ساده قرار بگیرد. ماشینها در حال ورود به دنیای ما نیستند؛ آنها همین حالا هم اینجا هستند!
نظرات بسته شده است.