Cum să utilizați NLP în marketingul de conținut

Chris Penn, co-fondatorul Trust Insights, și co-fondatorul și directorul de produse MarketMuse Jeff Coyle discută cazul de afaceri pentru AI pentru marketing. După webinar, Paul a participat la o sesiune de întrebări în cadrul comunității noastre Slack, The Content Strategy Collective (înscrie-te aici). Iată notele webinarului urmate de o transcriere a AMA.

Webinarul

Problema

Odată cu explozia de conținut avem noi intermediari. Nu sunt jurnaliști sau influenți ai rețelelor sociale. Sunt algoritmi; modele de învățare automată care dictează tot ce se află între tine și publicul tău.

Nu țineți cont de acest lucru și conținutul dvs. va continua să fie înfundat în obscuritate.

Soluția: procesarea limbajului natural

NLP este programarea computerelor pentru a procesa și analiza cantități mari de date în limbaj natural. Aceasta provine din documente, chatbot, postări pe rețelele sociale, pagini de pe site-ul dvs. și orice altceva care este în esență o grămadă de cuvinte. NLP-ul bazat pe reguli a fost primul, dar a fost înlocuit de procesarea statistică a limbajului natural.

Cum funcționează NLP

Cele trei sarcini de bază ale procesării limbajului natural sunt recunoașterea, înțelegerea și generarea.

Recunoaștere – Calculatoarele nu pot procesa text ca oamenii. Ei pot citi doar numere. Deci, primul pas este convertirea limbii într-un format pe care computerul îl poate înțelege.

Înțelegerea – Reprezentarea textului ca numere permite algoritmilor să efectueze analize statistice pentru a determina ce subiecte sunt cel mai frecvent menționate împreună.

Generare – După analiză și înțelegere matematică, următorul pas logic în NLP este generarea de text. Mașinile pot fi folosite pentru a evidenția întrebările la care un scriitor trebuie să răspundă în conținutul lor. La un alt nivel, inteligența artificială poate genera rezumate de conținut care oferă informații suplimentare despre crearea de conținut la nivel de expert.

Aceste instrumente sunt disponibile comercial astăzi prin MarketMuse. Dincolo de acestea sunt modelele de generare a limbajului natural cu care vă puteți juca astăzi, dar nu sunt într-o formă utilizabilă comercial. Deși tehnologia MarketMuse NLG va veni foarte curând.

Resurse suplimentare menționate

• Huggingface.co
• Piton
• R
• Colab
• IBM Watson Studio

AMA

Aveți articole sau recomandări de site-uri web pentru a ține pasul cu tendințele din industria AI?

Citiți cercetările academice publicate acolo. Site-uri ca acestea, toate fac o treabă grozavă de a acoperi cele mai recente și mai bune.

• KDNuggets.com
• Spre știința datelor
• Kaggle

Acesta și principalele centre de publicare de cercetare de la Facebook, Google, IBM, Microsoft și Amazon. Veți vedea tone de materiale grozave partajate pe acele site-uri.

„Folosesc un instrument de verificare a densității cuvintelor cheie pentru tot conținutul meu. Cât de departe de a fi o strategie rezonabilă este asta astăzi pentru SEO?”

Densitatea cuvintelor cheie este în esență numărarea frecvenței termenilor. Își are locul pentru înțelegerea naturii foarte aspre a textului, dar îi lipsește orice fel de cunoaștere semantică. Dacă nu aveți acces la instrumentele NLP, cel puțin uitați-vă la lucruri precum conținutul „oamenii au căutat și” în instrumentul SEO ales de dvs.

Ați putea oferi câteva exemple specifice despre modul în care generați conținut în... pagini web? Postări? tweet-uri?

Provocarea este că aceste instrumente sunt exact asta – sunt instrumente. Este ca, cum operaționalizezi o spatulă? Depinde ce gătești. Îl poți folosi pentru a amesteca supa și, de asemenea, pentru a răsturna clătitele. Modul de a începe cu unele dintre aceste cunoștințe depinde de nivelul tău de abilități tehnice. Dacă sunteți confortabil cu notebook-urile Python și Jupyter, de exemplu, puteți importa literalmente biblioteca de transformatoare, puteți introduce fișierul text de antrenament și puteți începe generarea imediat. Am făcut asta cu tweet-urile unui anumit politician și a început să scuipe tweet-uri care ar începe al treilea război mondial. Dacă nu ești confortabil din punct de vedere tehnic, atunci începe să te uiți la instrumente precum MarketMuse. Îl voi lăsa pe Jeff Coyle să ofere sugestii despre cum începe un agent de marketing obișnuit acolo.

Dacă te uiți dincolo de instrumente, dar mai mult în strategii, care ar putea fi un exemplu de strategie pe care ai putea-o implementa pentru a folosi aceste cunoștințe?

Câteva dintre cele cu succes rapid sunt pentru lucruri precum meta descrieri, pentru clasificarea paginilor sau a blocurilor de conținut într-o taxonomie sau pentru a încerca să ghicească întrebările care au nevoie de răspunsuri - dar acestea sunt cu adevărat soluții punctuale. Înțelepciunea strategică mai mare vine atunci când îl folosești pentru a-ți arăta punctele tale tari actuale, lacunele și unde ai elan. De acolo, luarea deciziilor cu privire la ce să creeze, să actualizeze, să se extindă devine transformatoare pentru o afacere. Acum imaginați-vă că faceți același lucru împotriva unui concurent. Găsindu-le golurile. spumează, clătește, repetă.

Strategia se bazează întotdeauna pe obiectiv. Ce obiectiv încerci să atingi? Atrageți trafic de căutare? Faceți generarea de lead-uri? Faci PR? NLP este o grămadă de instrumente. Este similar cu – strategia este meniul. Serviți micul dejun, prânzul sau cina? Ce instrumente și rețete folosiți vor depinde în mare măsură de meniul pe care îl serviți. O oală de supă va fi profund inutilă dacă faci spanakopita.

Care este un bun loc de plecare pentru cineva care dorește să înceapă să extragă date pentru informații?

Începeți cu metoda științifică.

1. La ce întrebare vrei să răspunzi?
2. De ce date, procese și instrumente aveți nevoie pentru a răspunde la această întrebare?
3. Formulați o ipoteză, o singură condiție, afirmație care poate fi dovedită adevărată sau falsă pe care o puteți testa.
4. Test.
5. Analizați-vă datele de testare.
6. Rafinați sau respingeți ipoteza.

Pentru datele în sine, utilizați cadrul nostru de date 6C pentru a evalua calitatea datelor.

Care sunt, în opinia dvs., principalele intenții ale utilizatorilor de căutare pe care marketerii ar trebui să le ia în considerare?

Pașii de-a lungul călătoriei clientului. Planificați experiența clienților de la început până la sfârșit – conștientizare, considerație, implicare, achiziție, proprietate, loialitate, evanghelizare. Apoi, stabiliți care sunt intențiile probabile în fiecare etapă. De exemplu, la proprietate, este foarte probabil ca intențiile de căutare să fie orientate spre servicii. „Cum să remediați zgomotul trosnet al airpod-urilor pro” este un exemplu. Provocarea este să colectați date în fiecare dintre etapele călătoriei și să le folosiți pentru a antrena/regla.

Nu crezi că asta poate fi puțin volatil? Dacă avem nevoie de ceva mai stabil pentru a automatiza procesul, atunci trebuie să generalizăm lucrurile la un nivel superior.

Jeff Bezos a spus celebrul, concentrează-te pe ceea ce nu se schimbă. Calea generală către proprietate nu se schimbă prea mult – cineva nemulțumit de pachetul său de gumă de mestecat va experimenta lucruri similare ca cineva nemulțumit de noul portavion nuclear pe care l-a pus în funcțiune. Detaliile se schimbă, cu siguranță, dar înțelegerea tipurilor de date și a intențiilor este vitală pentru a ști unde se află cineva, din punct de vedere emoțional, într-o călătorie – și cum transmite acest lucru în limbaj.

Care sunt capcanele probabile în care vor cădea oamenii atunci când încearcă să facă clasificarea intențiilor utilizatorului?

De departe, părtinire de confirmare. Oamenii își vor proiecta propriile ipoteze asupra experienței clienților și vor interpreta datele clienților prin propriile părtiniri. De asemenea, aș sugera, în măsura în care este posibil, să utilizați datele de interacțiune (e-mailuri deschise, picioarele în ușă, apeluri la call center etc.) cât mai bine posibil pentru a le valida. Știu că unele locuri, în special organizațiile mai mari, sunt mari fani ai modelării ecuațiilor structurate pentru a înțelege intenția utilizatorului. Nu eram la fel de fan ca ei, dar este o abordare potențială suplimentară.

Care sunt instrumentele sau produsele despre care credeți că fac o treabă bună în determinarea intenției utilizatorului unei interogări?

Bătătură. Pe lângă MarketMuse? Sincer, a trebuit să lucrez cu propriile mele lucruri pentru că nu am găsit rezultate grozave, în special din instrumentele SEO mainstream. FastText pentru vectorizare și apoi clustering nestructurat.

Din experiența dumneavoastră, cum a schimbat BERT Căutarea Google?

Contribuția principală a BERT este contextul, în special cu modificatorii. BERT îi permite lui Google să vadă ordinea cuvintelor și să interpreteze sensul. Înainte de aceasta, aceste două interogări ar putea fi echivalente funcțional într-un model de stil pungă de cuvinte:

• unde este cea mai bună cafenea
• unde este cel mai bun loc pentru a face cumpărături pentru cafea

Aceste două interogări, deși sunt foarte similare, ar putea avea rezultate drastic diferite. Este posibil ca o cafenea să nu fie un loc în care doriți să cumpărați fasole. Un Walmart cu siguranță nu este un loc în care vrei să bei cafea.

Crezi că AI sau TIC vor dezvolta vreodată conștiința/emoțiile/empatia ca oamenii? Cum le vom programa? Cum putem umaniza AI?

Răspunsul la asta depinde de ceea ce se întâmplă cu calculul cuantic. Quantum permite stări variabile neclare și calcul masiv paralel care imită ceea ce se întâmplă în propriul nostru creier. Creierul tău este un procesor paralel masiv, foarte lent, bazat pe substanțe chimice. Este foarte bun să faci o grămadă de lucruri deodată, dacă nu rapid. Quantum ar permite computerelor să facă același lucru, dar mult, mult mai rapid – și asta deschide ușa către inteligența generală artificială. Iată preocuparea mea și aceasta este o preocupare cu AI astăzi, deja, în utilizare restrânsă: îi antrenăm pe baza noastră. Omenirea nu a făcut o treabă grozavă de a se trata bine pe sine sau pe planeta pe care trăim. Nu vrem ca computerele noastre să imite asta.

Bănuiesc, în măsura în care sistemele o permit, emoțiile computerului vor fi foarte diferite din punct de vedere funcțional de ale noastre și se vor auto-organiza din datele lor, la fel ca ale noastre din rețelele noastre neuronale bazate pe substanțe chimice. Asta înseamnă că ei se pot simți foarte diferit decât noi. Dacă mașinile, bazate în principal pe logică și date, fac o evaluare sinceră și obiectivă a umanității, ele pot determina că, sincer, avem mai multe probleme decât merităm. Și nu s-ar înșela, sincer. Suntem, ca specie, o mizerie barbară de cele mai multe ori.

În opinia dumneavoastră, cum vedeți specialiștii în marketing de conținut integrând/adoptând Natural Language Generation în fluxul/procesele lor zilnice?

Specialiștii în marketing ar trebui să integreze deja o anumită formă a acesteia, chiar dacă doar răspunde la întrebări precum am demonstrat în produsul MarketMuse. Răspunsul la întrebări la care știi că îi pasă publicului este o modalitate rapidă și ușoară de a crea conținut semnificativ. Prietenul meu Marcus Sheridan a scris o carte grozavă, „Ei întreabă, tu răspunzi”, pe care, în mod ironic, nu trebuie să o citești pentru a înțelege strategia de bază pentru clienți: răspunde la întrebările oamenilor. Dacă încă nu aveți întrebări trimise de oameni reali, utilizați NLG pentru a le formula.

Unde vedeți că AI și NLP progresează în următorii 2 ani?

Dacă aș ști asta, nu aș fi aici, pentru că aș fi la cetatea din vârful muntelui pe care am cumpărat-o cu câștigurile mele. Dar, cu toată seriozitatea, pivotul major pe care l-am văzut în ultimii 2 ani, care nu dă semne de schimbare este trecerea de la modelele „roll your own” la „descărcați pre-antrenați și reglați fin”. Cred că ne așteaptă niște momente interesante în video și audio, deoarece mașinile devin mai bune la sinteză. Generarea de muzică, în special, este RIPE pentru automatizare; acum aparatele generează în cel mai bun caz muzică mediocră și în cel mai rău caz răni la urechi. Asta se schimbă rapid. Văd mai multe exemple precum amestecarea transformatoarelor și a codificatoarelor automate, așa cum a făcut BART, ca următori pași majori în progresia modelului și rezultatele de ultimă generație.

Unde vedeți că se îndreaptă cercetarea Google în ceea ce privește regăsirea informațiilor?

Provocarea cu care se confruntă Google în continuare, și o vedeți în multe dintre lucrările lor de cercetare, este amploarea. Sunt provocați în special cu chestii precum YouTube; Faptul că se bazează încă foarte mult pe bigrame nu este o lovitură la sofisticarea lor, este o recunoaștere a faptului că orice mai mult decât atât are un cost de calcul nebun. Orice descoperiri majore de la acestea nu vor fi atât la nivel de model, cât la nivel de scară pentru a face față potopului de conținut nou și bogat care este turnat pe internet în fiecare zi.

Care sunt unele dintre cele mai interesante aplicații ale AI pe care le-ați întâlnit?

Totul autonom este un domeniu pe care îl urmăresc cu atenție. La fel și falsurile profunde. Ele sunt exemple de cât de periculos este drumul de urmat, dacă nu suntem atenți. În special în NLP, generația face pași repezi și este zona de urmărit.

Unde ați văzut că SEO folosesc NLP-ul în moduri care nu funcționează sau nu vor funcționa?

Am pierdut socoteala. De cele mai multe ori, oamenii folosesc un instrument într-un mod în care nu a fost destinat și obțin rezultate slabe. După cum am menționat în webinar, există tabele de punctaj pentru diferite teste de ultimă generație pentru modele, iar persoanele care folosesc un instrument într-o zonă în care nu este puternică nu se bucură de obicei de rezultate. Acestea fiind spuse... majoritatea practicienilor SEO nu folosesc niciun fel de NLP în afară de ceea ce le oferă furnizorii și mulți furnizori sunt încă blocați în 2015. Sunt toate liste de cuvinte cheie, tot timpul.

Unde vezi videoclipuri (YouTube) și căutare de imagini pe Google? Credeți că tehnologiile implementate de Google utilizate pentru toate tipurile de căutări sunt foarte asemănătoare sau diferite unele de altele?

Tehnologiile Google sunt toate construite pe deasupra infrastructurii lor și își folosesc tehnologia. Atât de multe sunt construite pe TensorFlow și din motive întemeiate – este super robust și scalabil. Lucrurile variază în modul în care Google utilizează diferitele instrumente. TensorFlow pentru recunoașterea imaginilor are în mod inerent intrări și straturi foarte diferite decât TensorFlow pentru compararea în perechi și procesarea limbii. Dar dacă știi cum să folosești TensorFlow și diferitele modele de acolo, poți realiza niște lucruri destul de grozave pe cont propriu.

În ce moduri ne putem adapta/ține pasul cu progresele în AI și NLP?

Continuați să citiți, să cercetați și să testați. Nu există nici un substitut pentru a vă murdari mâinile, măcar puțin. Înscrieți-vă pentru un cont Google Colab gratuit și încercați. Învață-te puțin Python. Copiați și inserați exemple de cod din Stack Overflow. Nu trebuie să cunoașteți fiecare funcționare interioară a unui motor cu ardere internă pentru a conduce o mașină, dar când ceva nu merge bine, puține cunoștințe sunt foarte bune. Același lucru este valabil și în AI și NLP – chiar și doar posibilitatea de a apela BS la un furnizor este o abilitate valoroasă. Este unul dintre motivele pentru care îmi place să lucrez cu oamenii de la MarketMuse. Ei știu de fapt ce fac și munca lor AI nu este BS.

Ce le-ai spune oamenilor care sunt îngrijorați de faptul că AI își va lua locul de muncă? De exemplu, scriitorii care văd tehnologie precum NLG și își fac griji că vor rămâne fără muncă dacă AI poate fi „suficient de bun” pentru ca un editor să curățeze puțin textul.

„AI va înlocui sarcinile, nu locurile de muncă” – Institutul Brookings Și este absolut adevărat. Dar vor fi locuri de muncă nete pierdute, pentru că iată ce se va întâmpla. Să presupunem că jobul tău este compus din 50 de sarcini. AI face 30 dintre ele. Grozav, acum ai 20 de sarcini. Dacă ești singura persoană care face asta, atunci ești în nirvana pentru că mai ai 30 de unități de timp pentru a face o muncă mai interesantă, mai distractivă. Asta promit optimiștii AI. Verificarea realității: dacă sunt 5 oameni care fac acele 50 de unități, iar AI face 30 din atunci, atunci AI face acum 150 / 250 de unități de lucru. Asta înseamnă că au mai rămas 100 de unități de muncă pentru ca oamenii să le facă, iar corporațiile fiind ceea ce sunt, vor tăia imediat 3 posturi pentru că cele 100 de unități de muncă pot fi realizate de 2 persoane. Ar trebui să fii îngrijorat că AI preia locuri de muncă? Depinde de job. Dacă munca pe care o faci este incredibil de repetitivă, fii absolut îngrijorat. La vechea mea agenție, era un biet a cărui treabă era să copieze și să lipească rezultatele căutării într-o foaie de calcul pentru clienți (am lucrat la o firmă de PR, nu cel mai avansat loc tehnologic) 8 ore pe zi. Acea slujbă este în pericol imediat și, sincer, ar fi trebuit să fie de ani de zile. Repetiție = automatizare = AI = pierdere de sarcini. Cu cât munca ta este mai puțin repetitivă, cu atât ești mai în siguranță.

Fiecare schimbare a creat, de asemenea, din ce în ce mai multă inegalitatea veniturilor. Ne aflăm acum într-un punct periculos în care mașinile – care nu cheltuiesc, nu sunt consumatori – fac din ce în ce mai multă muncă de oameni care cheltuiesc, care consumă, și vedem acest lucru în dominația masivă a bogăției în tehnologie. Aceasta este o problemă de societate pe care va trebui să o abordăm la un moment dat.

Iar provocarea cu asta este progresul este puterea. Așa cum a scris Robert Ingersoll (și mai târziu a fost atribuit greșit lui Abraham Lincoln): „Aproape toți oamenii pot suporta adversitatea, dar dacă vrei să testezi caracterul unui om, dă-i putere.” Vedem cum oamenii de astăzi se ocupă de putere.

Cum pot asocia datele Google Analytics cu NLP Research?

GA indică direcția, apoi NLP indică crearea. Ce este popular? Tocmai am făcut asta pentru un client acum puțin timp. Au mii de pagini web și sesiuni de chat. Am folosit GA pentru a analiza ce categorii creșteau cel mai rapid pe site-ul lor și apoi am folosit NLP pentru a procesa acele jurnale de chat pentru a le arăta ce este în tendințe și despre ce aveau nevoie pentru a crea conținut.

Google Analytics este excelent pentru a ne spune CE s-a întâmplat. NLP poate începe să dezvăluie un pic din DE CE, iar apoi îl completăm cu studii de piață.

Te-am văzut folosind Talkwalker ca sursă de date în multe dintre studiile tale. Ce alte surse și cazuri de utilizare ar trebui să iau în considerare pentru analiză?

Deci, atât de multe. Data.gov. Talkwalker. MarketMuse. Otter.ai pentru transcrierea audio. Miezuri Kaggle. Căutare de date Google – care, apropo, este GOLD și dacă nu îl utilizați, ar trebui neapărat să fie. Știri Google și GDELT. Există atât de multe surse grozave acolo.

Cum arată pentru tine o colaborare ideală între echipa de marketing și analiză de date?

Nu glumesc; una dintre cele mai mari greșeli cu Katie Robbert și eu vedem tot timpul la clienți sunt silozuri organizaționale. Mâna stângă nu are idee ce face mâna dreaptă și este o mizerie fierbinte peste tot. Adunarea oamenilor, împărtășirea ideilor, împărtășirea listelor de lucruri de făcut, a avea poziții comune, a se învăța reciproc – funcțional a fi „o echipă, un vis” este colaborarea ideală, până în punctul în care nu mai trebuie să folosești cuvântul colaborare . Oamenii lucrează împreună și își aduc toate abilitățile la masă.

Puteți revizui raportul MVP pe care îl previzualizați frecvent în prezentările dvs. și cum funcționează?

Raportul MVP reprezintă cele mai valoroase pagini. Modul în care funcționează este prin extragerea datelor de cale din Google Analytics, secvențierea acestora și apoi trecerea lor printr-un model de lanț Markov pentru a stabili care pagini sunt cele mai susceptibile de a ajuta conversiile.

Și dacă vrei explicația mai lungă.

Puteți oferi mai multe informații despre părtinirea datelor? Care sunt câteva considerente atunci când construiți modele NLP sau NLG?

O da. Sunt atât de multe de spus aici. În primul rând, trebuie să stabilim ce este părtinirea, deoarece există două tipuri fundamentale.

Prejudecata umană este în general acceptată ca fiind definită ca „Prejudecăți în favoarea sau împotriva a ceva în comparație cu altul, de obicei într-un mod considerat a fi inechitabil”.

Apoi, există părtinirea matematică, în general acceptată ca fiind definită ca „O statistică este părtinitoare dacă este calculată în așa fel încât să fie diferită sistematic de parametrul populației estimat”.

Sunt diferite, dar legate. Prejudecățile matematice nu sunt neapărat rea; de exemplu, vrei absolut să fii părtinitor în favoarea clienților tăi cei mai loiali, dacă ai simț în afaceri. Prejudecățile umane sunt implicit rele în sensul inechitabilului, mai ales împotriva oricărui lucru care este considerat a fi o clasă protejată: vârstă, sex, orientare sexuală, identitate de gen, rasă/etnie, statut de veteran, dizabilitate etc. Acestea sunt clase pe care NU TREBUIE să le faci. discriminare împotriva.

Prejudecata umană generează prejudecată de date, de obicei în 6 locuri: oameni, strategie, date, algoritmi, modele și acțiuni. Angajăm oameni părtinitori – doar uită-te la suita executivă sau la consiliul de administrație al unei companii pentru a determina care este părtinirea acesteia. Am văzut o agenție de PR zilele trecute și-a exprimat angajamentul față de diversitate și cu un clic către echipa lor executivă și sunt o singură etnie, toți cei 15.

Aș putea continua destul de mult timp despre asta, dar vă sugerez să urmați un curs pe care l-am dezvoltat pe acest subiect, la Institutul de Marketing AI. În ceea ce privește modelele NLG și NLP, trebuie să facem câteva lucruri.

În primul rând, trebuie să ne validăm datele. Există o părtinire în ea și, dacă da, este discriminatorie împotriva unei clase protejate? În al doilea rând, dacă este discriminatoriu, este posibil să o atenuăm sau trebuie să aruncăm datele?

O tactică comună este de a transforma metadatele în debias. Dacă aveți, de exemplu, un set de date care este 60% bărbați și 40% femei, recodificați 10% dintre bărbați în femei pentru a-l echilibra pentru antrenamentul modelului. Este imperfect și are unele probleme, dar este mai bine decât să lași părtinirea să ruleze.

În mod ideal, am construit interpretabilitatea în modelele noastre care ne permit să efectuăm verificări în timpul procesului și apoi validăm și rezultatele (explicabilitatea) post-hoc. Ambele sunt necesare dacă doriți să puteți trece un audit care să ateste că nu creați părtiniri în modelele dvs. Vai de compania care are doar explicații post-hoc.

Și, în sfârșit, aveți absolut nevoie de supravegherea umană a unei echipe diverse și incluzive pentru a verifica rezultatele. În mod ideal, folosiți o terță parte, dar o parte internă de încredere este în regulă. Modelul și rezultatele sale prezintă un rezultat distorsionat decât ați obține de la populație în sine?

De exemplu, dacă creați conținut pentru tineri de 16-22 de ani și nu ați văzut o dată termeni precum deadass, dank, low-key, etc. în textul generat, nu ați reușit să captați date din partea de intrare. care ar antrena modelul să-și folosească limbajul cu acuratețe.

Cea mai mare provocare principală aici este să se ocupe de toate acestea prin intermediul datelor nestructurate. Acesta este motivul pentru care descendența este atât de importantă. Fără descendență, nu puteți dovedi că ați eșantionat corect populația. Linia este documentația dvs. despre care este sursa de date, de unde provin, cum a fost colectată, dacă i se aplică cerințe de reglementare sau dezvăluiri.