Цифровой маркетинг: 5 встреч с машинным обучением

От фильтрации спама до оптимизации производственных линий — в последние месяцы и годы наблюдался бум внедрения и повышения эффективности систем машинного обучения, и ни в одной области не наблюдалось более значительного и преобразующего роста, чем в цифровом маркетинге. В этой статье мы попытаемся объяснить некоторые из наиболее интересных примеров машинного обучения, используемых сегодня в онлайн-контексте, и даем комментарии о том, как цифровые маркетологи должны стремиться приспособиться к этим постоянно развивающимся инновациям и извлечь из них выгоду.

Но что такое машинное обучение?

Машинное обучение — одно из самых полезных и широко распространенных проявлений искусственного интеллекта, которое в настоящее время используется в коммерческом контексте. Система машинного обучения — это алгоритм, способный самостоятельно оптимизировать собственные процессы, анализируя и воздействуя на данные, генерируемые в результате его собственной деятельности. Эта технология уже используется в огромном количестве веб-приложений.

Лента новостей Facebook

Алгоритм Facebook постоянно учит вас; анализирует ваше поведение, чтобы персонализировать контент, который он доставляет в вашу уникальную ленту новостей. Как и следовало ожидать, лайки/реакции, переходы по ссылкам, просмотры видео, комментарии и публикации — участие — учитываются в расчетах алгоритмов новостной ленты. Возможно, более удивительным является тот факт, что время, которое вы тратите на ленту новостей, чтение или просмотр контента без активного взаимодействия с ним, также включается в расчеты алгоритма. Продолжайте прокручивать определенный тип контента, и в будущем вы увидите его немного меньше.

Понимание — взаимодействие с публикацией и охват неразрывно связаны, но включение времени простоя в алгоритм новостной ленты Facebook напоминает нам о том, что внутренняя ценность публикации в Facebook как отдельной единицы контента также играет важную роль. Если вы делитесь ссылками в рамках своей маркетинговой стратегии на Facebook, возможно, вам стоит поэкспериментировать с тем, чтобы сопровождать эти ссылки относительно длинным текстом. Facebook хочет удерживать внимание своих пользователей — вполне логично, что они будут вознаграждать постеров контента, которые помогают им делать это прямо на сайте.

Новый фокус Twitter на визуальных эффектах

2016 год оказался годом радикальных изменений для Twitter, с поддержкой более длинных видеоклипов и увеличенным лимитом символов для богатых сообщений, нумерованных среди множества обновлений, которые явно указывают на новый акцент на фотографии и видео для приложения социального мессенджера. .

В июне этого года основатель Twitter Джек Дорси объявил еще об одном шаге, свидетельствующем о больших амбициях в отношении визуального контента, а именно о покупке лондонской компании Magic Pony Technology, специализирующейся на машинном обучении. В официальном блоге Twitter Дорси заявил:

«Команда Magic Pony присоединится к Twitter Cortex, команде инженеров, специалистов по данным и исследователей машинного обучения, занимающихся созданием продукта, в котором люди смогут легко находить новый опыт, которым можно делиться и участвовать.

«Технология Magic Pony, основанная на исследованиях команды по созданию алгоритмов, которые могут понимать особенности изображений, будет использоваться для повышения нашей силы в прямом эфире и видео и открывает множество захватывающих творческих возможностей для Twitter».

Понимание — хотя точные функции, разрабатываемые Magic Pony Technology и Twitter, еще не появились, заявление на веб-сайте первого разъясняет направление их работы: «[…] мы рады объявить, что мы объединяем усилия с Twitter. использовать нашу технологию для улучшения визуальных эффектов, которые доставляются в их приложениях».

Похоже, нас ждет будущее, в котором Twitter будет доставлять изображения в новостные ленты пользователей, основываясь не только на словах и тегах, используемых для описания изображений и видео, но и на алгоритмически диагностируемом предмете медиа.

Google RankBrain

Ранее на этой неделе мы сообщали об важной новости, обнародованной высокопоставленным сотрудником Google, о том, что 100% поисковых запросов, полученных Google, теперь обрабатываются системой машинного обучения RankBrain, что в результате влияет на высокий процент поискового рейтинга. RankBrain является важной частью всеобъемлющего алгоритма поиска Google, Hummingbird.

Неясно, какие именно факторы RankBrain принимает во внимание при оценке эффективности результатов поиска, но мы знаем, что система постоянно развивается, постоянно учится и постоянно стремится обслуживать списки результатов, которые лучше соответствуют требованиям пользователя.

Проницательность . Если вы хотите занять самое высокое место, будьте лучшим. Билл Гейтс говорил нам: «Контент — это король» еще в 1996 году, но в свете растущей мощи и огромного потенциала машинного обучения действительно кажется, что веб-сайты с лучшим контентом — с точки зрения качества, глубины и релевантности — наконец-то затмить искусно оптимизированные сайты с некачественным контентом на страницах результатов Google. Вековые навыки построения ссылок, оптимизации метаданных и планирования ключевых слов по-прежнему важны, но поисковым маркетологам следует начать уделять больше времени оттачиванию релевантности и качества контента.

Журналистика

Понимание — некоторые тексты мы читаем из-за их стиля и голоса, некоторые — чтобы оценить или отвергнуть точку зрения, а некоторые — чтобы получить информацию. Обычно текст предлагает комбинацию этих аспектов, но в некоторых случаях читатель просто хочет получить неопровержимые факты, особенно в новостях или спортивных репортажах. В этих ситуациях журналистские ИИ уже способны выполнять задачу практически без участия людей.

Как сообщала The Guardian в 2015 году, американская фирма, занимающаяся искусственным интеллектом, Narrative Science прогнозирует, что к 2030 году системы машинного обучения, подобные их собственным, будут способны писать 90% наших журналистских статей. Вот пример спортивного репортажа, независимо написанного машиной Narrative Science:

«Вторник был отличным днем ​​для У. Робертса, так как юный питчер провел идеальную игру, которая привела Вирджинию к победе со счетом 2: 0 над Джорджем Вашингтоном на Давенпорт Филд.

«Двадцать семь колониальных игроков вышли на поле, и питчер из Вирджинии победил их всех, подав идеальную игру. Он вычеркнул 10 отбивающих, записывая свой знаменательный подвиг.

«Тому Гейтли не хватило резины для Colonials, и он зафиксировал поражение. Он прошел три возможности, прошел два, вычеркнул один и допустил два пробега. «Кавальерс» навсегда поднялись в четвертом раунде, забив два рана по выбору полевого игрока и блокировку».

Инсайт – Но хорошо ли это? В интересах журналистской объективности наш ответ был бы предварительным «да». Машинам может не хватать чрезвычайно сложной морали и характера человека-писателя, но на этом этапе им также не хватает предубеждений и предубеждений. Конечно, по мере того, как системы машинного обучения продолжают развиваться и самообучаться, ничто не мешает им развивать свои собственные убеждения со всем багажом, красотой и сложностью.

получите бесплатное членство прямо сейчас - кредитная карта не требуется

• Набор инструментов цифрового маркетинга
• Эксклюзивные обучающие видео-сессии в прямом эфире
• Полная библиотека подкаста по цифровому маркетингу
• Инструменты сравнительного анализа цифровых навыков
• Бесплатные обучающие онлайн-курсы

БЕСПЛАТНОЕ ЧЛЕНСТВО