Opublikowany z okazji nowego roku przez Boston Dynamics film z robotami tańczącymi do Do You Love Me? grupy The Contours (swoją drogą ktoś wie dlaczego sięgnęli akurat po kawałek z lat 60-tych?) wzbudził kolejną falę dyskusji o kierunkach rozwoju sztucznej inteligencji. Roboty Boston Dynamics robią ogromne wrażenie i działają bardzo mocno na naszą wyobraźnię, bo są konstruowane na podobieństwo człowieka i stanowią urzeczywistnienie historii opisywanych do tej pory tylko w książkach i filmach. Oglądając jak radzą sobie w tańcu, w parkour czy innych zadaniach, trudno oprzeć się wrażeniu, że moment, w którym rozwoju sztucznej inteligencji należy się zacząć obawiać, właśnie nadchodzi.
O nie. On przyszedł i jest już z nami od jakiegoś czasu, tylko go nie zauważamy, bo tak naprawdę rzadko przybiera postać robota humanoidalnego, którą promują pisarze, scenarzyści czy autorzy sci-fi (głównie po to, żeby łatwiej im było przemówić do naszej wyobraźni). Najważniejsze i najbardziej zaawansowane zastosowania sztucznej inteligencji wcale nie przypominają tańczących maszyn. Nie przypominają niczego, bo działają w tle i w sposób, który najczęściej kwitujemy lekkim zaskoczeniem czy zdziwieniem, gdy jakaś usługa podpowiada nam coś, czego właśnie potrzebujemy, albo co nam się bardzo podoba i jest "jakby" skrojone pod nasze potrzeby.
Nie wiem jak sprawuje się Wasz Spotify, ale w moim, opcja "Odkryj w tym tygodniu" podsuwa takie kawałki, że co najmniej 80%-90% z nich zasługuje na like'a. Kilka lat temu miałem okazję posłuchać na żywo Daniela Ek'a, jednego ze współzałożycieli Spotify, który opowiadając o tym, nad czym pracuje teraz jego zespół, powiedział:
zmieniliśmy już sposób "konsumowania" muzyki, a teraz chcemy zmienić sposób w jaki ludzie angażują się w muzykę i jak wchodzą z nią w interakcję.
Patrząc na to jakie utwory pokazywały mi się np. w okresie świątecznym, wydaje mi się, że są na najlepszej drodze do takiej fundamentalnej zmiany. A to wszystko dzięki umiejętnemu wykorzystaniu olbrzymiej ilości danych, którymi dysponują. Umiejętnemu, czyli takiemu, które z twardych liczb spływających do baz danych, potrafią same tworzyć zupełnie nowe liczby, będące kolejnymi predykcjami naszych zachowań czy wręcz naszych osobowości. I to naprawdę coraz lepszymi predykcjami
Niech każdy zastosuje definicję, jaka mu się podoba (odsyłam do przykładowego wyjaśnienia tutaj > ale dla mnie ważne jest to, że algorytmy uczą się same i z czasem dopasowują się do nas coraz bardziej dokładnie w sposób, którego możemy nawet nie zauważać w naszym codziennym życiu.
Z całą pewnością potencjał widzą w tym korporacje, co wyraźnie pokazuje choćby zakup wspomnianego wyżej Boston Dynamics przez Hyundai Motor Group ale jeszcze wyraźniej dane o wzroście inwestycji w projekty AI w ciągu ostatnich 4 lat: w Izraelu - 1 765%, w Japonii - 3 133%, w Kanadzie - 392%, w Indiach - 361% (źródło: CSET analysis of Crunchbase and Refinitiv data).
Bardzo dobrze widać to oczywiście w marketingu.
Miałem niedawno okazję analizowania dość dużego projektu performance-marketingowego, zrealizowanego na Facebook'u, którego celem było pozyskanie instalacji aplikacji mobilnej. Projekt był podzielony na cztery kampanie, z czego dwie opierały się na manualnych ustawieniach uwzględniających pozyskaną wcześniej, sporą już wiedzę o grupie docelowej produktu (aplikacji). Dwie pozostałe kampanie wykorzystywały z kolei niemal w 100% algorytmy Facebooka i w zasadzie nie było możliwości kontrolowania do kogo skierowane będą reklamy. Wszystkie kampanie były ustawiane przez doświadczonego i bardzo dobrego performance'owca, który w przypadku pierwszych dwóch manualnych kampanii wykorzystał całą swoją wiedzę i doświadczenie, natomiast w przypadku automatycznych - ograniczył się w zasadzie do wrzucenia assetów w postaci grafik i tekstów.
Po kilku tygodniach działań, w trakcie których manualne kampanie były od czasu do czasu optymalizowane, efekt był dość zaskakujący. Automatyczne kampanie oparte w całości o fejsbukowe algorytmy uczące się grupy docelowej wygenerowały ponad dwa razy niższy koszt instalacji (CPI) niż kampanie sterowane manualnie, w których zawarta była cała wiedza o dotychczasowych użytkownikach aplikacji, jaką posiadał właściciel, dodatkowo połączona z wiedzą doświadczonego performance'owca. Zdaję sobie sprawę, że aż na tak dużą różnicę w wynikach mogą mieć wpływ czynniki, które nie zostały jeszcze wyjaśnione oraz że do finalnych wniosków potrzebna jest jeszcze analiza jakości pozyskanych użytkowników w tych kampaniach (śledztwo trwa), ale jednak dwa razy niższy koszt pozyskania usera to na tyle kusząca perspektywa, że warto się nad nią pochylić.
Coraz skuteczniejsze mechanizmy oparte o sztuczną inteligencję AI / machine learning /deep learning implementowane w marketingu, w wyraźny sposób sygnalizują, że nadchodzi (nadeszła?) kolejna fundamentalna zmiana w naszej branży.
A: poważna analiza grupy docelowej, zbudowana persona, przemyślane działania efektywnościowe oparte na doświadczeniu i dwa razy wyższy koszt pozyskania użytkownika
B: wrzucenie danych do jednego worka, uszytego przez Facebook'a, Google czy innej korporacji i poleganie na ich potężnych algorytmach, które z tych danych wycisną nowych użytkowników, w dwa razy niższej cenie
będzie się długo zastanawiał nad metodą, którą wybierze przy budowaniu digitalowej strategii marketingowej dla swojego Klienta?
Jestem przekonany, że nie, zwłaszcza jeśli podobne wyniki kampanii będą się powtarzały i algorytmy oparte na szeroko pojętej sztucznej inteligencji będą pokazywały swoją wyższość w skuteczniejszym dotarciu do potencjalnych klientów. Rolą nowoczesnego specjalisty marketingowego będzie więc polegała (polega) na umiejętnym stosowaniu nowych narzędzi i wykorzystywaniu ich w planowanych działaniach.
Generalnie idea polega na uczeniu komputerów określonych działań, bez konieczności projektowania precyzyjnych algorytmów.
Najprostszy algorytm AI sztucznej inteligencji może być oparty jest na kilku podstawowych krokach:
Nietrudno zauważyć, ze im większy dostęp do danych, tym uczenie się będzie szybsze i bardziej precyzyjne. Jest to więc na razie domena wybranych korporacji, dysponujących olbrzymimi zasobami liczb, ale nie mam wątpliwości, że "produkcja" nowych danych rośnie wykładniczo (ostatnio mój nowy automatyczny odkurzacz przy pierwszej konfiguracji uparcie dopytywał się o mój numer telefonu!) więc coraz więcej algorytmów będzie miało już niedługo wystarczająco duże zasoby do efektywnego przerabiania, a człowiek musi nauczyć się je umiejętnie wykorzystywać do swoich celów.
Czy nam się to uda?
