วิธีการใช้ NLP ในการตลาดเนื้อหา

Chris Penn ผู้ร่วมก่อตั้ง Trust Insights และ Jeff Coyle ผู้ร่วมก่อตั้งและประธานเจ้าหน้าที่ฝ่ายผลิตภัณฑ์ของ MarketMuse หารือเกี่ยวกับกรณีศึกษาทางธุรกิจสำหรับ AI เพื่อการตลาด หลังจากการสัมมนาผ่านเว็บ Paul ได้เข้าร่วมเซสชั่นถามฉันอะไรก็ได้ในชุมชน Slack ของเรา The Content Strategy Collective (เข้าร่วมที่นี่) ต่อไปนี้คือบันทึกการสัมมนาทางเว็บที่ตามมาด้วยการถอดเสียงของ AMA

การสัมมนาผ่านเว็บ

ปัญหา

ด้วยการระเบิดของเนื้อหา เรามีตัวกลางใหม่ พวกเขาไม่ใช่นักข่าวหรือผู้มีอิทธิพลในโซเชียลมีเดีย พวกมันคืออัลกอริธึม โมเดลแมชชีนเลิร์นนิงที่กำหนดทุกอย่างที่ขวางกั้นระหว่างคุณกับผู้ชมของคุณ

ล้มเหลวในการพิจารณาเรื่องนี้และเนื้อหาของคุณจะยังคงติดหล่มอยู่ในความมืดมน

ทางออก: การประมวลผลภาษาธรรมชาติ

NLP คือการเขียนโปรแกรมคอมพิวเตอร์เพื่อประมวลผลและวิเคราะห์ข้อมูลภาษาธรรมชาติจำนวนมาก ที่มาจากเอกสาร แชทบ็อต โพสต์โซเชียลมีเดีย หน้าบนเว็บไซต์ของคุณและสิ่งอื่น ๆ ที่เป็นหลักกองคำ NLP ที่อิงตามกฎมาก่อน แต่ถูกแทนที่ด้วยการประมวลผลภาษาธรรมชาติทางสถิติ

NLP ทำงานอย่างไร

งานหลักสามประการของการประมวลผลภาษาธรรมชาติคือการจดจำ ความเข้าใจ และการสร้าง

การรับรู้ – คอมพิวเตอร์ไม่สามารถประมวลผลข้อความเหมือนมนุษย์ พวกเขาสามารถอ่านตัวเลขเท่านั้น ดังนั้นขั้นตอนแรกคือการแปลงภาษาให้อยู่ในรูปแบบที่คอมพิวเตอร์สามารถเข้าใจได้

ความเข้าใจ – การแสดงข้อความเป็นตัวเลขช่วยให้อัลกอริธึมดำเนินการวิเคราะห์ทางสถิติเพื่อพิจารณาว่าหัวข้อใดที่กล่าวถึงร่วมกันบ่อยที่สุด

การ สร้าง – หลังจากการวิเคราะห์และความเข้าใจทางคณิตศาสตร์ ขั้นตอนต่อไปใน NLP คือการสร้างข้อความ สามารถใช้เครื่องเพื่อตอบคำถามที่ผู้เขียนต้องตอบภายในเนื้อหา ในอีกระดับหนึ่ง ปัญญาประดิษฐ์สามารถขับเคลื่อนการสรุปเนื้อหาที่ให้ข้อมูลเชิงลึกเพิ่มเติมในการสร้างเนื้อหาระดับผู้เชี่ยวชาญ

เครื่องมือเหล่านี้มีวางจำหน่ายทั่วไปใน MarketMuse แล้ววันนี้ นอกเหนือจากนี้ยังมีโมเดลการสร้างภาษาธรรมชาติที่คุณสามารถเล่นได้ในปัจจุบัน แต่ไม่ได้อยู่ในรูปแบบที่ใช้ในเชิงพาณิชย์ แม้ว่า MarketMuse NLG Technology จะมาเร็ว ๆ นี้

แหล่งข้อมูลเพิ่มเติมที่กล่าวถึง

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

AMA

คุณมีบทความหรือเว็บไซต์ที่แนะนำเพื่อให้ทันกับแนวโน้มอุตสาหกรรม AI หรือไม่?

จะอ่านงานวิจัยทางวิชาการที่ตีพิมพ์ออกมามี ไซต์เหล่านี้ทำงานได้อย่างยอดเยี่ยมในการครอบคลุมสิ่งใหม่ล่าสุดและยิ่งใหญ่ที่สุด

• KDNuggets.com
• สู่วิทยาศาสตร์ข้อมูล
• Kaggle

นั่นและศูนย์กลางการตีพิมพ์งานวิจัยที่สำคัญที่ Facebook, Google, IBM, Microsoft และ Amazon คุณจะเห็นเนื้อหาดีๆ มากมายที่แบ่งปันบนไซต์เหล่านั้น

“ฉันกำลังใช้ตัวตรวจสอบความหนาแน่นของคำหลักสำหรับเนื้อหาทั้งหมดของฉัน ทุกวันนี้ห่างไกลจากการเป็นกลยุทธ์ที่สมเหตุสมผลสำหรับ SEO แค่ไหน”

ความหนาแน่นของคำหลักเป็นหลักการนับความถี่ระยะ มีที่สำหรับทำความเข้าใจลักษณะคร่าวๆ ของข้อความ แต่ไม่มีความรู้เชิงความหมายใดๆ หากคุณไม่มีสิทธิ์เข้าถึงเครื่องมือ NLP อย่างน้อยให้ดูเนื้อหาเช่น "ผู้คนยังค้นหา" ในเครื่องมือ SEO ที่คุณเลือก

คุณช่วยยกตัวอย่างเฉพาะเกี่ยวกับวิธีสร้างเนื้อหาลงใน… หน้าเว็บได้ไหม กระทู้? ทวีต?

ความท้าทายคือเครื่องมือเหล่านี้เป็นสิ่งที่ใช่ – เป็นเครื่องมือ มันเหมือนกับว่าคุณใช้ไม้พายอย่างไร? ขึ้นอยู่กับสิ่งที่คุณกำลังทำอาหาร ใช้ผัดซุปและพลิกแพนเค้กได้ วิธีเริ่มต้นกับความรู้นี้ขึ้นอยู่กับระดับทักษะทางเทคนิคของคุณ ตัวอย่างเช่น หากคุณคุ้นเคยกับโน้ตบุ๊ก Python และ Jupyter คุณสามารถนำเข้าไลบรารี Transformers ได้อย่างแท้จริง ฟีดในไฟล์ข้อความการฝึกอบรมของคุณ และเริ่มสร้างได้ทันที ฉันทำอย่างนั้นกับทวีตของนักการเมืองคนหนึ่ง และมันก็เริ่มคายทวีตที่จะเริ่มต้นสงครามโลกครั้งที่ 3 หากคุณไม่สะดวกในทางเทคนิค ให้เริ่มมองหาเครื่องมืออย่าง MarketMuse ฉันจะให้ Jeff Coyle เสนอคำแนะนำเกี่ยวกับวิธีการเริ่มต้นของนักการตลาดโดยเฉลี่ยที่นั่น

หากคุณมองข้ามเครื่องมือ แต่ให้มองลึกลงไปในกลยุทธ์ อะไรจะเป็นตัวอย่างของกลยุทธ์ที่คุณสามารถนำไปใช้เพื่อใช้ประโยชน์จากความรู้นี้

ประเด็นสำคัญสองสามข้อนั้นมีไว้สำหรับสิ่งต่างๆ เช่น คำอธิบายเมตา สำหรับการแบ่งหน้าหรือบล็อกเนื้อหาออกเป็นอนุกรมวิธาน หรือสำหรับการพยายามเดาคำถามที่ต้องการคำตอบ — แต่สิ่งเหล่านี้เป็นวิธีแก้ปัญหาที่ตรงประเด็นจริงๆ ภูมิปัญญาเชิงกลยุทธ์ที่ยิ่งใหญ่กว่าจะเกิดขึ้นเมื่อคุณใช้สิ่งนี้เพื่อแสดงจุดแข็งในปัจจุบัน ช่องว่างของคุณ และจุดที่คุณมีโมเมนตัม จากจุดนั้น การตัดสินใจเกี่ยวกับสิ่งที่จะสร้าง อัปเดต ขยายจะกลายเป็นการเปลี่ยนแปลงสำหรับธุรกิจ ลองนึกภาพการทำแบบเดียวกันกับคู่แข่ง ค้นหาช่องว่างของพวกเขา ฟอง, ล้าง, ทำซ้ำ.

กลยุทธ์ขึ้นอยู่กับเป้าหมายเสมอ คุณพยายามบรรลุเป้าหมายอะไร คุณดึงดูดปริมาณการค้นหาหรือไม่? คุณกำลังสร้างความสนใจในตัวสินค้าหรือไม่? คุณกำลังประชาสัมพันธ์? NLP เป็นเครื่องมือมากมาย คล้ายกับ – กลยุทธ์คือเมนู คุณให้บริการอาหารเช้า อาหารกลางวัน หรืออาหารเย็นหรือไม่? เครื่องมือและสูตรอาหารใดที่คุณใช้จะขึ้นอยู่กับเมนูที่คุณให้บริการเป็นอย่างมาก หม้อซุปจะไม่มีประโยชน์อย่างยิ่งหากคุณทำสปานาโกปิตา

จุดเริ่มต้นที่ดีสำหรับผู้ที่ต้องการเริ่มการขุดข้อมูลเพื่อหาข้อมูลเชิงลึกคืออะไร

เริ่มต้นด้วยวิธีการทางวิทยาศาสตร์

1. คุณต้องการตอบคำถามอะไร
2. ข้อมูล กระบวนการ และเครื่องมือใดที่คุณต้องการตอบคำถามนั้น
3. กำหนดสมมติฐาน เงื่อนไขเดียว ข้อความจริงหรือเท็จที่สามารถพิสูจน์ได้ซึ่งคุณสามารถทดสอบได้
4. ทดสอบ.
5. วิเคราะห์ข้อมูลการทดสอบของคุณ
6. ปรับแต่งหรือปฏิเสธสมมติฐาน

สำหรับตัวข้อมูลเอง ให้ใช้กรอบข้อมูล 6C ของเราเพื่อตัดสินคุณภาพของข้อมูล

ในความเห็นของคุณ จุดประสงค์หลักของผู้ใช้การค้นหาที่นักการตลาดควรพิจารณาคืออะไร

ขั้นตอนตลอดการเดินทางของลูกค้า กำหนดประสบการณ์ของลูกค้าตั้งแต่ต้นจนจบ – การรับรู้ การพิจารณา การมีส่วนร่วม การซื้อ ความเป็นเจ้าของ ความภักดี การประกาศ จากนั้นทำแผนที่ว่าเจตนาเป็นอย่างไรในแต่ละขั้นตอน ตัวอย่างเช่น ที่เจ้าของ ความตั้งใจในการค้นหามีแนวโน้มสูงที่จะมุ่งเน้นการบริการ “วิธีแก้ไข airpods pro เสียงแตก” เป็นตัวอย่าง ความท้าทายคือการรวบรวมข้อมูลในแต่ละขั้นตอนของการเดินทางและนำไปใช้ในการฝึกอบรม/ปรับแต่ง

คุณไม่คิดว่าสิ่งนี้จะมีความผันผวนเล็กน้อยหรือ หากเราต้องการสิ่งที่มีเสถียรภาพมากขึ้นเพื่อทำให้กระบวนการเป็นอัตโนมัติ เราต้องสรุปสิ่งต่าง ๆ ในระดับที่สูงขึ้น

Jeff Bezos ได้กล่าวไว้ว่า จงโฟกัสในสิ่งที่ไม่เปลี่ยนแปลง เส้นทางสู่ความเป็นเจ้าของโดยทั่วไปไม่ได้เปลี่ยนแปลงไปมากนัก คนที่ไม่พอใจกับหมากฝรั่งของพวกเขาจะประสบกับสิ่งที่คล้ายกัน เนื่องจากมีคนไม่พอใจกับเรือบรรทุกเครื่องบินนิวเคลียร์ลำใหม่ที่พวกเขาว่าจ้าง แน่นอนรายละเอียดจะเปลี่ยนไป แต่การทำความเข้าใจว่าข้อมูลและเจตนาประเภทใดมีความสำคัญต่อการรู้ว่าใครบางคนอยู่ที่ไหน อารมณ์ ในการเดินทาง และวิธีที่พวกเขาถ่ายทอดสิ่งนั้นในภาษา

อะไรคือข้อผิดพลาดที่อาจเกิดขึ้นเมื่อพยายามจัดประเภทความตั้งใจของผู้ใช้

โดยไกลยืนยันอคติ ผู้คนจะคาดการณ์สมมติฐานของตนเองเกี่ยวกับประสบการณ์ของลูกค้าและตีความข้อมูลลูกค้าผ่านอคติของตนเอง นอกจากนี้ ฉันยังขอแนะนำให้คุณใช้ข้อมูลการโต้ตอบ (อีเมลที่เปิดอยู่ เปิดประตู โทรไปที่คอลเซ็นเตอร์ ฯลฯ) ให้ดีที่สุดเพื่อตรวจสอบความถูกต้อง ฉันรู้จักสถานที่บางแห่ง โดยเฉพาะอย่างยิ่งองค์กรขนาดใหญ่ เป็นแฟนตัวยงของการสร้างแบบจำลองสมการเชิงโครงสร้างเพื่อทำความเข้าใจความตั้งใจของผู้ใช้ ฉันไม่ได้เป็นแฟนมากเท่าที่พวกเขาเป็น แต่เป็นแนวทางที่เป็นไปได้เพิ่มเติม

เครื่องมือหรือผลิตภัณฑ์ใดที่คุณคิดว่าสามารถระบุเจตนาของผู้ใช้ในการค้นหาได้ดี

วูฟ นอกจาก MarketMuse แล้ว? พูดตามตรง ฉันต้องทำงานกับของฉันเองเพราะฉันไม่พบผลลัพธ์ที่ยอดเยี่ยม โดยเฉพาะอย่างยิ่งจากเครื่องมือ SEO กระแสหลัก FastText สำหรับ vectorization และคลัสเตอร์ที่ไม่มีโครงสร้าง

จากประสบการณ์ของคุณ BERT ได้เปลี่ยนแปลง Google Search อย่างไร

การสนับสนุนหลักของ BERT คือบริบท โดยเฉพาะอย่างยิ่งกับตัวดัดแปลง BERT ช่วยให้ Google ดูลำดับคำและตีความความหมายได้ ก่อนหน้านั้น เคียวรีทั้งสองนี้อาจเทียบเท่ากับการใช้งานในโมเดลรูปแบบคำ:

• ร้านกาแฟไหนดี
• ร้านกาแฟที่ไหนดี

คำค้นหาทั้งสองนี้แม้จะคล้ายกันมาก แต่ก็อาจมีผลลัพธ์ที่แตกต่างกันอย่างมาก ร้านกาแฟอาจไม่ใช่สถานที่ที่คุณต้องการซื้อถั่ว Walmart ไม่ใช่สถานที่ที่คุณต้องการดื่มกาแฟอย่างแน่นอน

คุณคิดว่า AI หรือ ICT จะพัฒนาจิตสำนึก/อารมณ์/ความเห็นอกเห็นใจเหมือนมนุษย์หรือไม่? เราจะตั้งโปรแกรมอย่างไร? เราจะมีมนุษยธรรม AI ได้อย่างไร?

คำตอบนั้นขึ้นอยู่กับสิ่งที่เกิดขึ้นกับการคำนวณควอนตัม ควอนตัมอนุญาตให้มีสถานะคลุมเครือและการคำนวณแบบขนานขนาดใหญ่ที่เลียนแบบสิ่งที่เกิดขึ้นในสมองของเราเอง สมองของคุณเป็นระบบประมวลผลขนานขนาดใหญ่ที่ใช้สารเคมีช้ามาก การทำหลายๆ อย่างพร้อมๆ กันเป็นเรื่องที่ดีมากถ้าไม่เร็ว ควอนตัมจะช่วยให้คอมพิวเตอร์ทำสิ่งเดียวกันได้ แต่เร็วกว่ามาก และนั่นจะเปิดประตูสู่ปัญญาประดิษฐ์ทั่วไป นี่คือข้อกังวลของฉัน และนี่คือข้อกังวลของ AI ในปัจจุบัน ในการใช้งานที่แคบอยู่แล้ว: เราฝึกอบรมพวกเขาโดยอิงจากเรา มนุษยชาติไม่ได้ทำงานที่ดีในการรักษาตัวเองหรือโลกที่เราอาศัยอยู่ด้วยดี เราไม่ต้องการให้คอมพิวเตอร์ของเราเลียนแบบสิ่งนั้น

ฉันสงสัยว่าเท่าที่ระบบอนุญาต อารมณ์ของคอมพิวเตอร์จะแตกต่างจากของเราอย่างมาก และจะจัดระเบียบตัวเองจากข้อมูล เช่นเดียวกับที่เราทำจากโครงข่ายประสาทเทียมที่ใช้สารเคมี นั่นก็หมายความว่าพวกเขาอาจรู้สึกแตกต่างไปจากที่เรารู้สึกอย่างมาก หากเครื่องจักรซึ่งใช้ตรรกะและข้อมูลเป็นหลัก ประเมินมนุษยชาติอย่างตรงไปตรงมาและเป็นกลาง พวกเขาอาจตัดสินอย่างตรงไปตรงมาว่าเรามีปัญหามากกว่าที่เราสมควรได้รับ และพวกเขาจะไม่ผิดอย่างตรงไปตรงมา เราเป็นสายพันธุ์ป่าเถื่อนเกือบตลอดเวลา

ในความเห็นของคุณ คุณมองนักการตลาดเนื้อหารวม/นำ Natural Language Generation มาใช้ในกระบวนการทำงาน/กระบวนการในแต่ละวันอย่างไร

นักการตลาดควรรวมรูปแบบบางอย่างไว้แล้ว แม้ว่าจะเป็นเพียงการตอบคำถามอย่างที่เราสาธิตในผลิตภัณฑ์ของ MarketMuse การตอบคำถามที่คุณรู้ว่าผู้ชมสนใจคือวิธีที่รวดเร็วและง่ายดายในการสร้างเนื้อหาที่มีความหมาย Marcus Sheridan เพื่อนของฉันเขียนหนังสือดีๆ เรื่อง " They Ask, You Answer" ซึ่งจริงๆ แล้วคุณไม่จำเป็นต้องอ่านเพื่อทำความเข้าใจกลยุทธ์หลักของลูกค้า นั่นคือ ตอบคำถามของผู้คน หากคุณยังไม่มีคำถามที่ส่งมาจากคนจริงๆ ให้ใช้ NLG สร้างคำถามขึ้นมา

คุณคิดว่า AI และ NLP จะเป็นอย่างไรในอีก 2 ปีข้างหน้า?

ถ้าฉันรู้อย่างนั้น ฉันจะไม่อยู่ที่นี่เพราะฉันจะอยู่ที่ป้อมปราการบนยอดเขาที่ฉันซื้อมาด้วยรายได้ แต่ในความจริงแล้ว จุดหมุนสำคัญที่เราเคยเห็นในช่วง 2 ปีที่ผ่านมาซึ่งไม่มีวี่แววของการเปลี่ยนแปลงคือความก้าวหน้าจากรุ่น "ม้วนของคุณเอง" ไปเป็น "ดาวน์โหลดที่ผ่านการฝึกฝนและปรับแต่งมาล่วงหน้าแล้ว" ฉันคิดว่าเรามาถึงช่วงเวลาที่น่าตื่นเต้นในวิดีโอและเสียงแล้ว เนื่องจากเครื่องจักรสามารถสังเคราะห์ได้ดีขึ้น โดยเฉพาะการสร้างเพลงนั้น RIPE สำหรับระบบอัตโนมัติ ตอนนี้เครื่องจักรผลิตเพลงที่ดีที่สุดและเจ็บหูอย่างทั่วถึง ที่กำลังเปลี่ยนแปลงอย่างรวดเร็ว ฉันเห็นตัวอย่างเพิ่มเติม เช่น การผสมหม้อแปลงและตัวเข้ารหัสอัตโนมัติเข้าด้วยกัน เช่น BART ซึ่งเป็นขั้นตอนต่อไปที่สำคัญในความก้าวหน้าของแบบจำลองและผลลัพธ์ที่ล้ำสมัย

คุณเห็นการวิจัยของ Google เกี่ยวกับการดึงข้อมูลอยู่ที่ใด

ความท้าทายที่ Google ยังคงเผชิญอยู่ และคุณเห็นมันในงานวิจัยหลายฉบับของพวกเขาคือขนาด พวกเขาถูกท้าทายเป็นพิเศษกับสิ่งต่างๆ เช่น YouTube; ความจริงที่ว่าพวกเขายังพึ่งพา bigrams อย่างหนักนั้นไม่ได้กระทบต่อความซับซ้อนของพวกเขา มันเป็นการยอมรับว่าอะไรที่มากกว่านั้นมีค่าใช้จ่ายในการคำนวณที่บ้า ความก้าวหน้าครั้งสำคัญจากพวกเขาจะไม่ได้อยู่ที่ระดับแบบจำลองมากเท่ากับในระดับมาตราส่วนเพื่อจัดการกับน้ำท่วมของเนื้อหาใหม่มากมายที่หลั่งไหลเข้าสู่อินเทอร์เน็ตทุกวัน

แอปพลิเคชันที่น่าสนใจที่สุดของ AI ที่คุณเคยพบคืออะไร

ทุกอย่างที่เป็นอิสระเป็นพื้นที่ที่ฉันเฝ้าดูอย่างใกล้ชิด ของปลอมก็เช่นกัน นี่เป็นตัวอย่างว่าถนนข้างหน้าจะเต็มไปด้วยอันตรายเพียงใด หากเราไม่ระวัง โดยเฉพาะอย่างยิ่งใน NLP คนรุ่นหลังกำลังก้าวไปข้างหน้าอย่างรวดเร็วและเป็นพื้นที่ที่น่าจับตามอง

คุณเคยเห็น SEO ใช้ NLP ในลักษณะที่ไม่ได้ผลหรือไม่ทำงานที่ไหน

ฉันสูญเสียการนับ หลายครั้งที่ผู้คนใช้เครื่องมือในลักษณะที่ไม่ได้ตั้งใจและได้รับผลลัพธ์ที่ต่ำกว่ามาตรฐาน เช่นเดียวกับที่เรากล่าวถึงในการสัมมนาทางเว็บ มีตารางสรุปสถิติสำหรับการทดสอบที่ทันสมัยต่างๆ สำหรับแบบจำลอง และผู้ที่ใช้เครื่องมือในพื้นที่ที่ไม่เข้มงวดมักจะไม่ชอบผลลัพธ์ ที่กล่าวว่า… ผู้ปฏิบัติงาน SEO ส่วนใหญ่ไม่ได้ใช้ NLP ใด ๆ นอกเหนือจากที่ผู้ขายจัดหาให้ และผู้ขายจำนวนมากยังคงติดขัดในปี 2558 มันคือรายการคำหลักทั้งหมดตลอดเวลา

คุณดูวิดีโอ (YouTube) และค้นหารูปภาพที่ Google ได้ที่ไหน คุณคิดว่าเทคโนโลยีที่ Google ปรับใช้สำหรับการค้นหาทุกประเภทมีความคล้ายคลึงหรือแตกต่างกันมากหรือไม่

เทคโนโลยีของ Google ทั้งหมดสร้างขึ้นบนโครงสร้างพื้นฐานและใช้เทคโนโลยีของตน สิ่งต่างๆ มากมายถูกสร้างขึ้นบน TensorFlow และด้วยเหตุผลที่ดี จึงมีความแข็งแกร่งและปรับขนาดได้ดีเยี่ยม สิ่งต่างๆ แตกต่างกันไปขึ้นอยู่กับวิธีที่ Google ใช้เครื่องมือต่างๆ TensorFlow สำหรับการจดจำภาพโดยเนื้อแท้มีอินพุตและเลเยอร์ที่แตกต่างจาก TensorFlow สำหรับการเปรียบเทียบแบบคู่และการประมวลผลภาษา แต่ถ้าคุณรู้วิธีใช้ TensorFlow และรุ่นต่างๆ ที่มีอยู่ คุณก็สามารถทำสิ่งที่ยอดเยี่ยมได้ด้วยตัวเอง

เราจะปรับตัว/ติดตามความก้าวหน้าใน AI และ NLP ได้อย่างไร

อ่านค้นคว้าและทดสอบต่อไป ไม่มีอะไรมาแทนที่การทำให้มือของคุณสกปรก อย่างน้อยก็นิดหน่อย ลงชื่อสมัครใช้บัญชี Google Colab ฟรีและทดลองใช้งาน สอนภาษา Python ให้ตัวเองหน่อย คัดลอกและวางตัวอย่างโค้ดจาก Stack Overflow คุณไม่จำเป็นต้องรู้ทุกการทำงานภายในของเครื่องยนต์สันดาปภายในเพื่อขับรถ แต่เมื่อมีสิ่งผิดปกติเกิดขึ้น ความรู้เพียงเล็กน้อยก็อาจมีประโยชน์อย่างมาก เช่นเดียวกับใน AI และ NLP - แม้แต่การเรียก BS กับผู้ขายก็เป็นทักษะที่มีค่า เป็นหนึ่งในเหตุผลที่ฉันสนุกกับการทำงานร่วมกับ MarketMuse พวกเขารู้ดีว่ากำลังทำอะไรอยู่ และงาน AI ของพวกเขาไม่ใช่ BS

คุณจะพูดอะไรกับคนที่เป็นกังวลว่า AI จะเข้าทำงาน ตัวอย่างเช่น นักเขียนที่เห็นเทคโนโลยีอย่าง NLG และกังวลว่าพวกเขาจะตกงานหาก AI สามารถ "ดีพอ" สำหรับผู้แก้ไขเพื่อทำความสะอาดข้อความเล็กน้อย

“AI จะมาแทนที่งาน ไม่ใช่งาน” – The Brookings Instituteและเป็นความจริงอย่างแน่นอน แต่จะมีงานเน็ตหลุด เพราะนี่คือสิ่งที่จะเกิดขึ้น สมมติว่างานของคุณประกอบด้วย 50 งาน AI ทำ 30 ในนั้น เยี่ยมมาก ตอนนี้คุณมี 20 งานแล้ว หากคุณเป็นคนเดียวที่ทำอย่างนั้น แสดงว่าคุณอยู่ในนิพพานเพราะคุณมีเวลาอีก 30 หน่วยเพื่อทำงานที่น่าสนใจและสนุกสนานมากขึ้น นั่นคือสิ่งที่ผู้มองโลกในแง่ดีของ AI สัญญาไว้ ตรวจสอบความเป็นจริง: หากมี 5 คนที่ทำ 50 หน่วยนั้นและ AI ทำ 30 หน่วยแล้ว AI กำลังทำงาน 150/250 หน่วย นั่นหมายความว่ายังมีงานเหลือให้คนทำอีก 100 หน่วย และองค์กรก็เป็นอย่างที่เป็นอยู่ พวกเขาจะปลด 3 ตำแหน่งทันที เพราะงาน 100 หน่วย ทำได้ 2 คน กังวลไหมว่า AI จะรับงาน? มันขึ้นอยู่กับงาน หากงานที่คุณทำซ้ำซากจำเจ ให้กังวลอย่างยิ่ง ที่เอเจนซี่เก่าของฉัน มีคนยากจนคนหนึ่งซึ่งมีหน้าที่คัดลอกและวางผลการค้นหาลงในสเปรดชีตสำหรับลูกค้า (ฉันทำงานที่บริษัทประชาสัมพันธ์ ไม่ใช่สถานที่ที่มีเทคโนโลยีล้ำหน้าที่สุด) 8 ชั่วโมงต่อวัน งานนั้นตกอยู่ในอันตรายทันที และตรงไปตรงมาควรจะเป็นปีๆ การทำซ้ำ = การทำงานอัตโนมัติ = AI = การสูญเสียงาน ยิ่งงานของคุณซ้ำซากน้อยลงเท่าไหร่ คุณก็ยิ่งปลอดภัยมากขึ้นเท่านั้น

การเปลี่ยนแปลงแต่ละครั้งยังสร้างความไม่เท่าเทียมกันของรายได้มากขึ้นเรื่อยๆ ตอนนี้เราอยู่ในจุดที่อันตรายซึ่งเครื่องจักร ซึ่งไม่ใช้จ่ายเงิน ไม่ใช่ผู้บริโภค กำลังทำงานมากขึ้นเรื่อยๆ ของผู้ที่ใช้จ่ายเงิน ผู้ที่บริโภค และเราเห็นสิ่งนี้ในการครอบงำความมั่งคั่งมหาศาลของเทคโนโลยี นั่นเป็นปัญหาทางสังคมที่เราจะต้องแก้ไขในบางประเด็น

และสิ่งที่ท้าทายคือความก้าวหน้าคือพลัง ดังที่ Robert Ingersoll เขียนไว้ (และต่อมาถูกยกย่องให้เป็นอับราฮัม ลินคอล์น): “ผู้ชายเกือบทุกคนสามารถทนต่อความทุกข์ยากได้ แต่ถ้าคุณต้องการทดสอบอุปนิสัยของผู้ชาย จงมอบอำนาจให้เขา” เรามาดูกันว่าผู้คนในทุกวันนี้จัดการกับอำนาจอย่างไร

ฉันจะจับคู่ข้อมูล Google Analytics กับ NLP Research ได้อย่างไร

GA ระบุทิศทาง NLP ระบุการสร้าง อะไรที่เป็นที่นิยม? ฉันเพิ่งทำสิ่งนี้ให้กับลูกค้าเมื่อไม่นานมานี้ พวกเขามีหน้าเว็บและเซสชันการแชทนับพัน เราใช้ GA เพื่อวิเคราะห์ว่าหมวดหมู่ใดที่เติบโตเร็วที่สุดบนไซต์ของพวกเขา จากนั้นจึงใช้ NLP เพื่อประมวลผลบันทึกการแชทเหล่านั้นเพื่อแสดงให้พวกเขาเห็นว่าอะไรกำลังมาแรงและสิ่งที่พวกเขาต้องการเพื่อสร้างเนื้อหาเกี่ยวกับ

Google Analytics นั้นยอดเยี่ยมในการบอกเราว่าเกิดอะไรขึ้น NLP สามารถเริ่มหยอกล้อเหตุผลได้เล็กน้อย จากนั้นเราก็ทำการวิจัยตลาดให้เสร็จ

ฉันเคยเห็นคุณใช้ Talkwalker เป็นแหล่งข้อมูลในการศึกษาของคุณหลายครั้ง ฉันควรพิจารณาแหล่งที่มาและกรณีการใช้งานอื่นๆ ใดบ้างเพื่อการวิเคราะห์

ดังนั้นมากมาย ข้อมูล.gov. ทอล์ควอล์คเกอร์ มาร์เก็ต มิวส์. Otter.ai สำหรับการถอดเสียงของคุณ เมล็ด Kaggle Google Data Search – ซึ่งอีกอย่างก็คือ GOLD และถ้าคุณไม่ใช้ คุณก็ควรจะเป็นเช่นนั้น Google ข่าวสารและ GDELT มีแหล่งที่มาที่ยอดเยี่ยมมากมาย

การทำงานร่วมกันในอุดมคติระหว่างทีมการตลาดและทีมวิเคราะห์ข้อมูลเป็นอย่างไรสำหรับคุณ

ไม่ล้อเล่น; หนึ่งในข้อผิดพลาดที่ใหญ่ที่สุดของ Katie Robbert และฉันเห็นตลอดเวลาที่ลูกค้าเป็นไซโลขององค์กร มือซ้ายไม่รู้ว่ามือขวากำลังทำอะไร และมันก็เลอะเทอะไปทุกที่ การรวมผู้คน แบ่งปันความคิด แบ่งปันรายการสิ่งที่ต้องทำ มีสแตนด์อัพร่วมกัน สอนซึ่งกันและกัน - การทำงานเป็น "หนึ่งทีม หนึ่งความฝัน" คือการทำงานร่วมกันในอุดมคติ จนถึงจุดที่คุณไม่จำเป็นต้องใช้คำว่าการทำงานร่วมกันอีกต่อไป . ผู้คนเพียงแค่ทำงานร่วมกันและนำทักษะทั้งหมดของพวกเขามาสู่โต๊ะอาหาร

คุณสามารถตรวจสอบรายงาน MVP ที่คุณแสดงตัวอย่างบ่อยครั้งในการนำเสนอของคุณได้หรือไม่ และมันทำงานอย่างไร

รายงาน MVP ย่อมาจากเพจที่มีค่าที่สุด วิธีการทำงานคือการดึงข้อมูลเส้นทางจาก Google Analytics เรียงลำดับ จากนั้นใส่ผ่านแบบจำลองลูกโซ่ของ Markov เพื่อตรวจสอบให้แน่ใจว่าหน้าใดมีแนวโน้มที่จะสนับสนุน Conversion มากที่สุด

และหากต้องการคำอธิบายที่ยาวกว่านี้

คุณช่วยให้ข้อมูลเชิงลึกเพิ่มเติมเกี่ยวกับอคติของข้อมูลได้ไหม ข้อควรพิจารณาในการสร้างแบบจำลอง NLP หรือ NLG มีอะไรบ้าง

โอ้ใช่. มีอะไรมากมายที่จะพูดที่นี่ อันดับแรก เราต้องกำหนดว่าอคติคืออะไร เพราะมีพื้นฐานอยู่สองประเภท

ความลำเอียงของมนุษย์นั้นโดยทั่วไปแล้วจะนิยามได้ว่าเป็น “อคติที่เอื้ออาทรหรือต่อต้านบางสิ่งเมื่อเปรียบเทียบกับอคติอื่น ซึ่งปกติแล้วจะถือว่าไม่ยุติธรรม”

มีความเอนเอียงทางคณิตศาสตร์ ซึ่งเป็นที่ยอมรับกันโดยทั่วไปว่า “สถิติมีความเอนเอียงหากคำนวณในลักษณะที่แตกต่างจากค่าพารามิเตอร์ประชากรที่ประมาณการอย่างเป็นระบบ”

ต่างกันแต่สัมพันธ์กัน อคติทางคณิตศาสตร์ไม่ได้เลวร้ายเสมอไป ตัวอย่างเช่น คุณต้องการให้มีอคติต่อลูกค้าที่ภักดีที่สุดของคุณอย่างแน่นอน หากคุณมีความรู้สึกทางธุรกิจใดๆ อคติของมนุษย์นั้นไม่ดีโดยปริยายในแง่ของความไม่ยุติธรรม โดยเฉพาะอย่างยิ่งกับสิ่งที่ถือว่าเป็นชนชั้นที่ได้รับการคุ้มครอง: อายุ เพศ รสนิยมทางเพศ อัตลักษณ์ทางเพศ เชื้อชาติ/ชาติพันธุ์ สถานะทหารผ่านศึก ความทุพพลภาพ ฯลฯ นี่คือชั้นเรียนที่คุณไม่ควร เลือกปฏิบัติต่อ

ความลำเอียงของมนุษย์ทำให้เกิดความลำเอียงของข้อมูล โดยทั่วไปใน 6 แห่ง ได้แก่ บุคคล กลยุทธ์ ข้อมูล อัลกอริธึม โมเดล และการกระทำ เราจ้างคนที่มีอคติ – เพียงแค่ดูที่ชุดผู้บริหารหรือคณะกรรมการของบริษัทเพื่อพิจารณาว่าอคติคืออะไร วันก่อนฉันเห็นหน่วยงานประชาสัมพันธ์พูดถึงความมุ่งมั่นในความหลากหลาย และคลิกเพียงครั้งเดียวไปยังทีมผู้บริหารของพวกเขา และพวกเขาเป็นกลุ่มชาติพันธุ์เดียว ทั้ง 15 คนจากทั้งหมด 15 คน

ฉันสามารถดำเนินการเกี่ยวกับเรื่องนี้ได้ค่อนข้างนาน แต่ฉันขอแนะนำให้คุณเรียนหลักสูตรที่ฉันพัฒนาขึ้นในหัวข้อนี้ ที่สถาบัน Marketing AI ในแง่ของโมเดล NLG และ NLP เราต้องทำบางสิ่ง

อันดับแรก เราต้องตรวจสอบข้อมูลของเรา มีความลำเอียงในเรื่องนี้หรือไม่ และหากเป็นเช่นนั้น เป็นการเลือกปฏิบัติต่อชนชั้นที่ได้รับการคุ้มครองหรือไม่? ประการที่สอง หากเป็นการกีดกัน เป็นไปได้ไหมที่จะบรรเทา หรือเราต้องทิ้งข้อมูล?

ชั้นเชิงทั่วไปคือการพลิกข้อมูลเมตาเป็น debias ตัวอย่างเช่น หากคุณมีชุดข้อมูลที่เป็นเพศชาย 60% และเพศหญิง 40% คุณจะแปลงข้อมูลเพศชายเป็นเพศหญิง 10% เพื่อสร้างสมดุลให้กับการฝึกโมเดล มันไม่สมบูรณ์และมีปัญหาบางอย่าง แต่ก็ดีกว่าปล่อยให้อคติเกิดขึ้น

ตามหลักการแล้ว เราสร้างความสามารถในการตีความในแบบจำลองของเรา ซึ่งช่วยให้เราตรวจสอบระหว่างกระบวนการได้ จากนั้นเรายังตรวจสอบผลลัพธ์ (สามารถอธิบายได้) หลังเฉพาะกิจด้วย ทั้งสองอย่างนี้จำเป็นถ้าคุณต้องการที่จะผ่านการตรวจสอบเพื่อรับรองว่าคุณไม่ได้สร้างอคติในแบบจำลองของคุณ วิบัติเป็นบริษัทที่มีคำอธิบายเฉพาะโพสต์เท่านั้น

และสุดท้าย คุณจำเป็นต้องมีการกำกับดูแลโดยทีมงานที่มีความหลากหลายและครอบคลุมเพื่อตรวจสอบผลลัพธ์ ตามหลักการแล้วคุณใช้บุคคลที่สาม แต่บุคคลภายในที่เชื่อถือได้นั้นใช้ได้ แบบจำลองและผลลัพธ์ของแบบจำลองแสดงผลลัพธ์ที่บิดเบี้ยวกว่าที่คุณจะได้รับจากตัวประชากรเองหรือไม่

ตัวอย่างเช่น หากคุณสร้างเนื้อหาสำหรับเด็กอายุ 16-22 ปี และคุณไม่เคยเห็นคำศัพท์เช่น deadass, dank, low-key ฯลฯ ในข้อความที่สร้างขึ้น แสดงว่าคุณบันทึกข้อมูลด้านอินพุตไม่สำเร็จ ที่จะฝึกให้โมเดลใช้ภาษาได้อย่างถูกต้อง

ความท้าทายหลักที่ยิ่งใหญ่ที่สุดที่นี่คือการจัดการผ่านข้อมูลที่ไม่มีโครงสร้าง นั่นเป็นเหตุผลที่เชื้อสายมีความสำคัญมาก หากไม่มีเชื้อสาย คุณไม่สามารถพิสูจน์ได้ว่าคุณสุ่มตัวอย่างประชากรอย่างถูกต้อง Lineage คือเอกสารของคุณว่าแหล่งข้อมูลคืออะไร มาจากไหน รวบรวมอย่างไร ไม่ว่าข้อกำหนดด้านกฎระเบียบหรือการเปิดเผยจะมีผลบังคับใช้หรือไม่