John Jantsch (00:00): เฮ้ คุณรู้ไหมว่าการประชุมขาเข้าประจำปีของ HubSpot กำลังจะเกิดขึ้นถูกตัอง. จะอยู่ที่บอสตันตั้งแต่วันที่ 5 ถึง 8 กันยายน ทุก ๆ ปีขาเข้าจะรวบรวมผู้นำจากธุรกิจ การขาย การตลาด ความสำเร็จของลูกค้า การดำเนินงาน และอื่น ๆ คุณจะสามารถค้นพบเทรนด์และกลยุทธ์ที่ต้องรู้ล่าสุดทั้งหมดที่คุณสามารถนำไปใช้ได้จริงเพื่อขยายธุรกิจของคุณด้วยวิธีที่ยั่งยืน คุณสามารถเรียนรู้จากผู้เชี่ยวชาญในอุตสาหกรรมและได้รับแรงบันดาลใจจากผู้มีพรสวรรค์ที่น่าทึ่ง ในปีนี้ Reese Witherspoon, Derek Jeter, Guy Raz ต่างพร้อมใจกันปรากฏตัว เยี่ยมชม inbound.com และรับตั๋วของคุณวันนี้ คุณจะไม่เสียใจ โปรแกรมนี้รับประกันว่าจะสร้างแรงบันดาลใจและเติมพลัง ถูกตัอง. ไปที่ inbound.com เพื่อรับตั๋วของคุณวันนี้

(01:03): สวัสดีและขอต้อนรับสู่ตอนอื่นของพอดคาสต์ Duct Tape Marketingนี่คือจอห์น แจนต์สช์ แขกของฉันในวันนี้คือ Kenneth Wenger เขาเป็นนักเขียน นักวิชาการด้านการวิจัยที่มหาวิทยาลัยโตรอนโต เมโทรโพลิแทน และซีทีโอของ Squint AI Inc. ความสนใจด้านการวิจัยของเขาอยู่ที่การบรรจบกันระหว่างมนุษย์กับเครื่องจักร เพื่อให้มั่นใจว่าเราสร้างอนาคตบนพื้นฐานของการใช้เทคโนโลยีอย่างมีความรับผิดชอบ เราจะพูดถึงหนังสือของเขาในวันนี้ Is the Algorithm Plotting Against Us?: A Layperson's Guide to the Concepts, Math, and Pitfalls of AI ดังนั้น เคน ขอต้อนรับสู่การแสดง

Kenneth Wenger (01:40): สวัสดี จอห์นขอบคุณมาก. ขอบคุณที่มีฉัน

John Jantsch (01:42): ดังนั้น เราจะพูดถึงหนังสือเล่มนี้ แต่ฉันแค่อยากรู้ว่า Squint AI ทำอะไร

Kenneth Wenger (01:47): นั่นเป็นคำถามที่ดีดังนั้น squint ai อืม เป็นบริษัทที่เราสร้างขึ้นเพื่อ อืม ทำการวิจัยและพัฒนาแพลตฟอร์มที่ช่วยให้เราสามารถ อืม

(02:00): ทำ ทำ AI ด้วยความรับผิดชอบมากขึ้น เอ่อ ทางตกลง. ตกลง. ดังนั้น เอ่อ ฉันแน่ใจว่าเราจะเข้าใจเรื่องนี้ แต่ฉันสัมผัสมัน เอ่อ ในหนังสือในหลาย ๆ กรณีเช่นกัน ที่เราพูดถึง เอ่อ ai การใช้ ai อย่างมีจริยธรรม บางส่วนของ การล่มสลายของ ai และสิ่งที่เรากำลังทำกับ Squint คือเรากำลังพยายามค้นหาว่า เราจะพยายามสร้างสภาพแวดล้อมที่ช่วยให้เราใช้ AI ในลักษณะที่ช่วยให้เราเข้าใจได้อย่างไรเมื่ออัลกอริทึมเหล่านี้ไม่ทำงาน อย่างดีที่สุดเมื่อพวกเขาทำผิดพลาดและอื่นๆ ใช่,

John Jantsch (02:30): ใช่ดังนั้น ชื่อหนังสือของคุณคือ The Algorithm Plotting Against นี่เป็นคำถามที่ยั่วยุเล็กน้อย ฉันหมายความว่า แน่นอน ฉันแน่ใจว่ามีคนที่นั่นที่ปฏิเสธ และบางคนบอกว่าดีอย่างแน่นอน แล้วทำไมถึงมาตั้งกระทู้ถามล่ะ?

Kenneth Wenger (02:49): ก็เพราะว่าฉัน ฉันรู้สึกว่านั่นเป็นคำถามที่ผู้คนจำนวนมากถูกถามโดยที่จริง ๆ แล้วมีความหมายต่างกันขวา? ดังนั้นจึงเกือบจะเหมือนกับคำถามที่ว่า AI เป็นภัยคุกคามที่มีอยู่จริงหรือไม่? ฉัน ฉัน เป็นคำถามที่มีความหมายแตกต่างกันไปสำหรับแต่ละคน ขวา. ดังนั้นฉันจึงอยากเข้าไปในหนังสือเล่มนี้และลองทำสองสิ่ง ขั้นแรก เสนอเครื่องมือให้ผู้คนสามารถเข้าใจคำถามนั้นด้วยตนเอง ถูกต้อง อย่างแรก หาว่าพวกเขายืนอยู่ตรงไหนในการโต้วาที แล้วอย่างที่สอง อืม คุณรู้ไหม ให้ความเห็นของฉันไปพร้อมกันด้วย

John Jantsch (03:21): ใช่ ใช่และฉันอาจไม่ได้ถามคำถามนั้นอย่างสวยหรูเท่าที่ฉันต้องการ ฉันคิดว่ามันดีจริงๆ ที่คุณถามคำถาม เพราะท้ายที่สุดแล้วสิ่งที่เราพยายามทำคือปล่อยให้ผู้คนตัดสินใจเองแทนที่จะพูดว่า นี่เป็นเรื่องจริงของ ai หรือนี่ไม่ใช่เรื่องจริงของ AI . ขวา.

Kenneth Wenger (03:36): ถูกต้องถูกตัอง. และ และ และอีกครั้ง โดยเฉพาะอย่างยิ่ง เพราะมันเป็นปัญหาที่ละเอียดอ่อน ใช่. และมันมีความหมายที่แตกต่างกันสำหรับแต่ละคน

John Jantsch (03:44): นี่เป็นคำถามที่ยากมาก แต่ฉันจะถามคุณ คุณรู้ไหม เราอยู่ตรงไหนของความต่อเนื่องของ AIฉันหมายความว่า ผู้คนที่อยู่ในหัวข้อนี้มาหลายปีจะรู้ว่ามันถูกสร้างขึ้นในหลายๆ สิ่งที่เราใช้ทุกวันและมองข้ามไป เห็นได้ชัดว่า ChatGPT นำเสนอผู้คนหลากหลายประเภท ซึ่งตอนนี้คุณรู้แล้ว อย่างน้อยก็มี คำศัพท์ที่พูดถึงว่ามันคืออะไร แต่ฉันจำได้ว่า ฉันเคยมี ฉันเคยมีธุรกิจของตัวเองมา 30 ปีแล้ว ฉันหมายความว่าเราไม่มีเว็บ เราไม่มีเว็บไซต์ คุณรู้ไหม เราไม่มีอุปกรณ์พกพาที่ตอนนี้มีบทบาทอย่างแน่นอน แต่ฉันจำได้ว่าเมื่อมีสิ่งเหล่านี้เข้ามา ผู้คนก็แบบว่า โอ้ เราถึงวาระแล้ว มันจบแล้ว . ขวา. ดังนั้น ในปัจจุบันมีภาษาประเภทนั้นมากมายที่อยู่รอบ ๆ ไอ แต่คุณคิดว่าเราอยู่ตรงไหนของวิวัฒนาการที่ต่อเนื่องกัน?

Kenneth Wenger (04:32): คุณรู้ไหม นั่นเป็นคำถามที่ดี เพราะผมคิดว่าเราเริ่มต้นเร็วมากใช่. ฉันคิดว่า เราก้าวหน้าอย่างโดดเด่นในช่วงเวลาสั้นๆ แต่ฉันคิดว่ายังถือว่ายังเร็วอยู่ เรายังอยู่ในช่วงเริ่มต้น คุณรู้ไหม ถ้าคุณนึกถึง ai ที่เราอยู่ตอนนี้ เราเมื่อ 10 ปีที่แล้ว เรามีความคืบหน้าบางอย่าง แต่ฉันคิดว่าโดยพื้นฐานแล้ว ในระดับวิทยาศาสตร์ เราเพิ่งเริ่มเกาพื้นผิวเท่านั้น ฉันจะให้บางตัวอย่าง ในขั้นต้น คุณรู้ไหมว่า แบบจำลองแรก ๆ นั้นยอดเยี่ยมในการพิสูจน์ให้เราเห็นว่า วิธีใหม่ในการตั้งคำถาม คุณรู้ไหม เอ่อ โครงข่ายประสาทเทียม ใช่ใช่ ขวา. เป็นสมการที่ซับซ้อนมาก เอ่อ ถ้าคุณใช้ GPU ในการรันสมการที่ซับซ้อนเหล่านี้ เราก็สามารถแก้ปัญหาที่ค่อนข้างซับซ้อนได้ นั่นคือสิ่งที่เราตระหนักได้ในปี 2012 และหลังจากนั้นประมาณปี 2017 ดังนั้นระหว่างปี 2012 ถึง 2017 ความคืบหน้าจะเป็นเส้นตรงมาก

(05:28): คุณรู้ไหม โมเดลใหม่ๆ ถูกสร้างขึ้น แนวคิดใหม่ๆ ถูกเสนอ แต่สิ่งต่างๆ ปรับขนาดและดำเนินไปอย่างเป็นเส้นตรงแต่หลังจากปี 2017 ด้วยการเปิดตัวโมเดลที่เรียกว่า Transformer ซึ่งเป็นสถาปัตยกรรมพื้นฐานที่อยู่เบื้องหลังการแชท, g, pt และโมเดลภาษาขนาดใหญ่ทั้งหมดนี้ เราได้รับรู้ในอีกรูปแบบหนึ่ง นั่นคือตอนที่เราตระหนักว่าถ้าคุณนำโมเดลเหล่านั้นมาขยายขนาดและขยายขนาดให้ใหญ่ขึ้น ในแง่ของขนาดของโมเดลและขนาดของชุดข้อมูลที่เราใช้ในการฝึกโมเดล พวกมันจะดีกว่าแบบทวีคูณ ตกลง. และนั่นคือตอนที่เรามาถึงจุดที่เราอยู่ทุกวันนี้ ซึ่งเราตระหนักว่าเพียงแค่ปรับขนาดพวกมัน เราไม่ได้ทำอะไรที่แตกต่างไปจากพื้นฐานเลยตั้งแต่ปี 2017 สิ่งที่เราทำคือเพิ่มขนาดของโมเดล เพิ่ม ขนาดของชุดข้อมูล และกำลังดีขึ้นอย่างทวีคูณ

John Jantsch (06:14): ดังนั้น การคูณมากกว่าการบวกล่ะ

Kenneth Wenger (06:18): อืม ใช่เลยใช่. ดังนั้นจึงไม่ ความคืบหน้าเป็นแบบทวีคูณ ไม่เพียงแต่ในวิถีการเคลื่อนที่เชิงเส้นเท่านั้น ใช่. แต่ฉันคิดว่า ข้อเท็จจริงที่ว่าเราไม่ได้เปลี่ยนแปลงพื้นฐานมากนักในโมเดลเหล่านี้ ซึ่งกำลังจะลดลงในไม่ช้านี้ มันเป็นความคาดหวังของฉัน และตอนนี้เราอยู่ที่ไหนบนไทม์ไลน์? ซึ่งเป็นคำถามเดิมของคุณ ฉันคิดว่าถ้าคุณนึกถึงสิ่งที่นางแบบกำลังทำอยู่ทุกวันนี้ พวกเขากำลังทำสถิติง่ายๆ โดยพื้นฐานแล้ว อืม-อืม พวกเขาไม่ได้มีความคิดที่จะเรียกแบบจำลองเหล่านี้ว่าปัญญาประดิษฐ์ ขวา. ฉันคิดว่ามันเป็นการเรียกชื่อผิดเล็กน้อยในบางครั้ง ฉันเห็นด้วย. และนำไปสู่คำถามบางอย่างที่ผู้คนมี อืม เพราะที่นั่น ไม่มีอะไรมากเท่ากับความฉลาดเชิงลึกที่เกิดขึ้น มันเป็นเพียงการสร้างแบบจำลองทางสถิติและง่ายมาก แล้วเราจะไปที่ไหนจากที่นี่ และสิ่งที่ผมหวังว่าอนาคตคือตอนที่เราเริ่มต้น ผมคิดว่าสิ่งนี้ สิ่งต่างๆ จะเปลี่ยนไปอย่างมาก เมื่อเราเริ่มได้โมเดลที่ไม่เพียงทำ ไม่ใช่แค่ทำสถิติง่ายๆ แต่สามารถเข้าใจบริบทของสิ่งที่พวกเขากำลังพยายามบรรลุ ใช่. และสามารถเข้าใจทั้งคำตอบที่ถูกและคำตอบที่ผิด ตัวอย่างเช่น พวกเขา พวกเขา พวกเขา พวกเขาสามารถรู้ได้เมื่อพวกเขากำลังพูดถึงสิ่งที่พวกเขารู้ และเมื่อพวกเขาอยู่รอบ ๆ พื้นที่สีเทาของสิ่งที่พวกเขาไม่รู้จริง ๆ มันสมเหตุสมผลไหม? ใช่,

John Jantsch (07:39): แน่นอนฉันหมายความว่า ฉันเห็นด้วยกับคุณโดยสิ้นเชิงเกี่ยวกับปัญญาประดิษฐ์ ฉันเรียกมันว่าเอียจริงๆ ฉันคิดว่ามันเป็นระบบอัตโนมัติที่มีข้อมูลมากกว่า เป็นแบบที่ฉันมอง อย่างน้อยก็ในงานของฉัน คุณเห็นวันที่ การถามคำถาม เหมือนกับการใช้บนท้องถนนของ AI สำหรับคนจำนวนมากไหม คุณเห็นวันที่เริ่มถามคำถามคุณกลับหรือไม่? เช่น ทำไมคุณถึงอยากรู้ หรือคุณกำลังพยายามบรรลุอะไร เอ่อ ด้วยการถามคำถามนี้

Kenneth Wenger (08:06): ใช่ดังนั้น คำตอบง่ายๆ คือ ใช่ ฉันฉันทำอย่างแน่นอน และฉันคิดว่านั่นเป็นส่วนหนึ่งของสิ่งที่ การได้รับสติปัญญาในระดับที่สูงขึ้นจะเป็นอย่างไร เมื่อพวกเขาไม่ได้เป็นเพียงการเสนอราคาของคุณ มันไม่ได้เป็นเพียงเครื่องมือ ใช่ใช่ เอ่อ แต่พวกเขา พวกเขามีจุดประสงค์ของตัวเองที่พยายามจะบรรลุ และนั่นคือเวลาที่คุณจะเห็นว่าคำถามหลักๆ เอ่อ เกิดขึ้นจากระบบใช่ไหม คือเมื่อพวกเขามีเป้าหมายที่อยากจะไปให้ถึง ซึ่งก็คือ และแล้วพวกเขาก็คิดแผนที่จะไปสู่เป้าหมายนั้น นั่นคือเวลาที่คุณจะเห็นการเกิดขึ้นของสิ่งต่างๆ เช่น คำถามกับคุณ ฉันไม่คิดว่าเรายังไปถึงจุดนั้น แต่ใช่ ฉันคิดว่ามันเป็นไปได้อย่างแน่นอน

John Jantsch (08:40): แต่นั่นก็เป็นเวอร์ชั่นไซไฟด้วยใช่ไหม?ฉันหมายถึง ที่คนเริ่มพูดว่า คุณรู้ไหม ภาพยนตร์ มันเหมือนกับว่า ไม่ ไม่ เคน คุณยังไม่รับรู้ข้อมูลนั้น ฉันจะตัดสินใจเมื่อคุณรู้เรื่องนั้น .

Kenneth Wenger (08:52): อืม คุณพูดถูกฉันหมายถึงคำถาม วิธีที่คุณถามคำถามนั้นเหมือนว่า เป็นไปได้ไหม โดยหลักการแล้ว ฉันคิดว่าอย่างแน่นอน ใช่. ใช่. เราต้องการอย่างนั้นหรือ? ฉันหมายถึง ฉันไม่รู้ ฉันเดาว่านั่นเป็นส่วนหนึ่งของ ใช่ ขึ้นอยู่กับกรณีการใช้งานที่เรากำลังนึกถึง เอ่อ แต่จากมุมมองของหลักการแรก ใช่ เป็นไปได้อย่างแน่นอน ใช่. ไม่ได้รับแบบจำลองไป

John Jantsch (09:13): ทำอย่างนั้นฉันเลยคิดว่ามีคะแนนและคะแนนของคน พวกเขาเข้าใจ AI เพียงอย่างเดียวคือฉันไปที่นี้ซึ่งมีกล่องอยู่ แล้วฉันพิมพ์คำถามและมันก็พ่นคำตอบออกมา เนื่องจากคุณมีทั้งฆราวาสและคณิตศาสตร์อยู่ในชื่อ คุณช่วยเล่าให้เราฟังหน่อยได้ไหมว่าวิธีดังกล่าวเป็นอย่างไรในเวอร์ชันของคนธรรมดา

Kenneth Wenger (09:33): ใช่ แน่นอนเอาล่ะ อย่างน้อยฉันก็จะพยายาม ปล่อยให้มันเป็นอย่างนั้น เมื่อสักครู่ที่ผ่านมา เมื่อฉันพูดถึงโมเดลเหล่านี้ โดยพื้นฐานแล้วมันคืออะไร พวกมันเป็นโมเดลทางสถิติที่ง่ายมาก ตัวมันเอง วลีนั้นเอง เป็นเรื่องเล็กน้อย เป็นที่ถกเถียงกัน เพราะท้ายที่สุดแล้ว เราไม่รู้ว่าเรามีสติปัญญาแบบไหน จริงไหม? ถ้าคุณคิดเกี่ยวกับความฉลาดของเรา เราไม่รู้ว่าในระดับหนึ่ง เราก็เป็นแบบจำลองทางสถิติด้วยใช่หรือไม่? อย่างไรก็ตาม สิ่งที่ฉันหมายถึงโดย AI ในปัจจุบันในรูปแบบภาษาขนาดใหญ่ เช่น ChatGPT ที่เป็นแบบจำลองทางสถิติอย่างง่าย สิ่งที่ฉันหมายถึงก็คือ พวกมันกำลังทำงานง่ายๆ ดังนั้น หากคุณนึกถึง ChatGPT สิ่งที่พวกเขากำลังทำคือพยายามคาดเดาคำที่ดีที่สุดถัดไปตามลำดับ นั่นคือทั้งหมดที่พวกเขากำลังทำอยู่ และคำว่า วิธีที่พวกเขาทำก็คือ พวกเขาคำนวณสิ่งที่เรียกว่า การแจกแจงความน่าจะเป็น

(10:31): ดังนั้น โดยทั่วไปสำหรับคำใดๆ ใน a ใน a ในพรอมต์หรือในคลังข้อความ พวกเขาคำนวณความน่าจะเป็นที่คำนั้นอยู่ในลำดับนั้นขวา? จากนั้นพวกเขาก็เลือกคำถัดไปที่มีความเป็นไปได้สูงสุดที่จะถูกต้อง ตกลง? ทีนี้ นั่นเป็นโมเดลง่ายๆ ในแง่ต่อไปนี้ ถ้าคิดว่าเราสื่อสารกันอย่างไร จริงไหม? คุณรู้ไหม เรากำลังสนทนากันอยู่ในขณะนี้ ฉันคิดว่าเมื่อคุณถามคำถาม ฉันหยุดและคิดเกี่ยวกับสิ่งที่ฉันกำลังจะพูด ใช่ไหม? ฉันจึงมีแบบจำลองของโลก และฉันมีจุดประสงค์ในการสนทนานั้น ฉันคิดขึ้นมาได้ว่าต้องการโต้ตอบอะไร จากนั้นฉันก็ใช้ความสามารถของฉันสร้างคำพูดและเปล่งเสียงออกมาเพื่อสื่อสารกับคุณ ขวา? อาจเป็นไปได้ว่าฉันมีระบบในสมองที่ทำงานคล้ายกับแบบจำลองภาษาขนาดใหญ่ ในแง่ที่ว่าทันทีที่ฉันเริ่มพูดคำต่างๆ คำต่อไปที่ฉันกำลังจะพูดคือคำที่มีแนวโน้มมากที่สุด ให้ถูกต้องตามคำที่ข้าพเจ้าเพิ่งกล่าวไป.

(11:32): เป็นไปได้มากนั่นเป็นเรื่องจริง อย่างไรก็ตาม สิ่งที่ต่างออกไปคืออย่างน้อยฉันก็มีแผนของสิ่งที่ฉันกำลังจะพูดอยู่แล้วในพื้นที่แฝง ฉันได้เข้ารหัสในรูปแบบบางอย่างแล้ว สิ่งที่ฉันต้องการจะเข้าใจ วิธีการพูด ความสามารถในการสร้างคำเหล่านั้นแบบมืออาชีพอาจคล้ายกับรูปแบบภาษามาก แต่ความแตกต่างก็คือ โมเดลภาษาขนาดใหญ่กำลังพยายามค้นหาว่าจะพูดอะไรและคิดคำเหล่านั้นขึ้นมาพร้อมกัน อืม-อืม , ขวา? มันสมเหตุสมผลไหม? มันเลยเหมือนกับว่าพวกเขากำลังเดินเตร่ และบางครั้งหากพวกเขาพูดนานเกินไป พวกเขาก็จะเดินเตร่ไปในดินแดนไร้สาระ ใช่. ใช่. เพราะพวกเขาไม่รู้ว่าพวกเขาจะพูดอะไรจนกว่าพวกเขาจะพูดออกมา . ใช่. นั่นคือความแตกต่างพื้นฐานมาก ใช่.

John Jantsch (12:20): ฉัน ฉัน ฉันได้เห็นผลลัพธ์บางอย่างที่น่าสนใจทีเดียวในบรรทัดเหล่านั้นแต่รู้ไหม ตามที่ฉันได้ยินคุณพูดถึงเรื่องนั้น ฉันหมายถึง ในหลายๆ วิธี นั่นคือสิ่งที่เรากำลังทำอยู่ เรากำลังสืบค้นฐานข้อมูลของสิ่งที่เราได้รับการสอนมา นั่นคือคำที่เรา รู้นอกเหนือไปจากแนวคิดที่เราศึกษามา เอ่อ และสามารถพูดได้ ฉันหมายถึง ในบางวิธี เรากำลังสอบถามสิ่งนั้นกับฉัน กระตุ้น หรือฉันถามคำถามคุณด้วย ฉันหมายความว่า มันทำงานคล้ายกัน คุณจะพูดว่า

Kenneth Wenger (12:47): ลักษณะของการถามคำถามแล้วตอบ มันก็คล้ายๆ กัน แต่สิ่งที่แตกต่างคือ แนวคิดที่คุณพยายามจะอธิบายอีกครั้ง เมื่อคุณถามคำถามฉัน ฉันคิดเกี่ยวกับมัน และฉันก็คิดขึ้นมาได้ ดังนั้น อีกครั้ง ฉันมีแบบจำลองโลกที่ใช้ได้จนถึงตอนนี้ เพื่อพาฉันไปตลอดชีวิต ใช่ไหม? และแบบจำลองโลกนั้นทำให้ฉันเข้าใจแนวคิดต่างๆ ในรูปแบบต่างๆ และเมื่อฉันกำลังจะตอบคำถามของคุณ ฉันคิดเกี่ยวกับมัน ฉันกำหนดคำตอบ แล้วฉันก็หาวิธีที่จะสื่อสารกับคุณ ตกลง? ขั้นตอนนั้นขาดหายไปจากสิ่งที่โมเดลภาษาเหล่านี้กำลังทำอยู่ ใช่ไหม พวกเขาได้รับข้อความแจ้ง แต่ไม่มีขั้นตอนใดที่พวกเขากำหนดคำตอบโดยมีเป้าหมายบางอย่าง ใช่ไหม ขวา? ใช่. จุดประสงค์บางอย่าง โดยพื้นฐานแล้วพวกเขาได้รับข้อความ และพวกเขากำลังพยายามสร้างลำดับของคำที่คิดออกในขณะที่กำลังสร้าง ใช่ไหม ไม่มีแผนขั้นสุดท้าย นั่นคือความแตกต่างพื้นฐานมาก

John Jantsch (13:54): และตอนนี้ เรามาฟังคำพูดจากผู้สนับสนุนการตลาด Made Simple ของเรากันเป็นพอดคาสต์ที่โฮสต์โดย Dr. J j Peterson และนำเสนอให้คุณฟังโดย HubSpot Podcast Network ปลายทางเสียงสำหรับการตลาดแบบมืออาชีพทางธุรกิจที่ทำได้ง่าย นำเคล็ดลับที่ใช้ได้จริงมาให้คุณเพื่อทำให้การตลาดของคุณเป็นเรื่องง่าย และที่สำคัญกว่านั้นคือทำให้มันได้ผล และในตอนล่าสุด JJ และ April สนทนากับไกด์ที่ได้รับการรับรองจาก StoryBrand และเจ้าของเอเจนซีเกี่ยวกับวิธีใช้ ChatGPT เพื่อจุดประสงค์ทางการตลาด เราทุกคนรู้ว่าวันนี้มีความสำคัญเพียงใด ฟังการตลาด Made Simple ทุกที่ที่คุณได้รับพอดคาสต์ของคุณ

(14:30): เฮ้ เจ้าของเอเจนซี่การตลาด คุณรู้ไหม ฉันสามารถสอนกุญแจสำคัญในการเพิ่มธุรกิจของคุณเป็นสองเท่าในเวลาเพียง 90 วัน หรือคืนเงินให้คุณได้ฟังดูน่าสนใจ สิ่งที่คุณต้องทำคือให้สิทธิ์ใช้งานกระบวนการสามขั้นตอนของเรา ซึ่งจะทำให้คุณสามารถทำให้คู่แข่งของคุณไม่เกี่ยวข้อง เรียกเก็บค่าบริการระดับพรีเมียมสำหรับบริการของคุณ และปรับขนาดโดยไม่ต้องเพิ่มค่าใช้จ่าย และนี่คือส่วนที่ดีที่สุด คุณสามารถให้ใบอนุญาตทั้งระบบนี้สำหรับหน่วยงานของคุณโดยเพียงแค่เข้าร่วมในการรับรองแบบเข้มข้นของหน่วยงานที่กำลังจะมีขึ้น ทำไมต้องสร้างวงล้อ ใช้ชุดเครื่องมือที่เราใช้เวลากว่า 20 ปีในการสร้าง และคุณสามารถมีได้แล้ววันนี้ ตรวจสอบได้ที่ dtm.world/certification นั่นคือการรับรอง DTM world slash

(15:18): ฉันอยากจะรู้ว่าอนาคตเป็นอย่างไร แต่ฉันอยากจะพูดถึงสองสามสิ่งที่คุณดำดิ่งลงไปในหนังสือคุณรู้อะไรนอกเหนือจากความกลัวที่สื่อแพร่กระจายออกไป คุณรู้อะไรจริงและหลุมพรางที่ชัดเจนของการพึ่งพา AI คืออะไร

Kenneth Wenger (15:38): ฉันคิดว่าปัญหาที่ใหญ่ที่สุด และหนึ่งในนั้น ฉันหมายถึงตัวกระตุ้นที่แท้จริงสำหรับฉันเมื่อฉันเริ่มเขียนหนังสือเล่มนี้คือมันเป็นเครื่องมือที่ทรงพลังด้วยเหตุผลสองประการมันใช้งานง่ายมากใช่ไหม? ใช่. คุณสามารถใช้เวลาช่วงสุดสัปดาห์เพื่อเรียนรู้ภาษาไพธอน คุณสามารถเขียนสองสามบรรทัด และคุณสามารถแปลงร่าง คุณสามารถวิเคราะห์ คุณสามารถแยกวิเคราะห์ข้อมูลที่คุณทำไม่ได้มาก่อนโดยใช้ไลบรารี่ ดังนั้นคุณไม่จำเป็นต้องเข้าใจสิ่งที่คุณกำลังทำอยู่ และคุณสามารถได้ผลลัพธ์ที่ดูมีประโยชน์ โอเค? อืม-อืม แต่ให้ความร้อนในกระบวนการนั้นใช่ไหม? ความจริงที่ว่าคุณสามารถรับข้อมูลจำนวนมาก ข้อมูลจำนวนมาก แก้ไขด้วยวิธีใดวิธีหนึ่ง และได้รับการตอบสนอง รับผลลัพธ์บางอย่างโดยไม่เข้าใจสิ่งที่เกิดขึ้นตรงกลาง มีผลสะท้อนกลับอย่างมากสำหรับการเข้าใจผิดในผลลัพธ์ที่คุณได้รับ , ขวา? แล้วถ้าคุณกำลังใช้เครื่องมือเหล่านี้ในโลก ใช่ไหม?

(16:42): ในลักษณะที่อาจส่งผลกระทบต่อผู้อื่นตัวอย่างเช่น คุณรู้ไหม สมมติว่าคุณทำงานในสถาบันการเงิน และ และ และ และ และ และคุณคิดแบบจำลองเพื่อหาว่า เอ่อ คุณควรให้ใคร คุณควรให้เครดิตใคร ได้รับการอนุมัติ สำหรับเครดิตสำหรับวงเงินสินเชื่อและใครที่คุณไม่ควร ตอนนี้ ธนาคารมีโมเดลของตัวเอง แต่แน่นอนว่า ถ้าคุณนำ AI ออกจากมัน ตามธรรมเนียมแล้ว โมเดลเหล่านั้นจะถูกคิดโดยนักสถิติ และพวกเขาอาจทำผิดพลาดบ้างเป็นครั้งคราว แต่อย่างน้อย พวกเขาก็มีส่วนสำคัญ ภาพรวมของความหมาย คุณรู้หรือไม่ว่า วิเคราะห์ข้อมูล ให้น้ำหนักกับข้อมูล ใช่ไหม? ผลกระทบของอคติในข้อมูลคืออะไร? คุณจะกำจัดสิ่งเหล่านี้ได้อย่างไรเป็นสิ่งที่นักสถิติที่ดีควรได้รับการฝึกฝนให้ทำ แต่ตอนนี้ ถ้าคุณเอานักสถิติออก เพราะใครๆ ก็สามารถใช้โมเดลเพื่อวิเคราะห์ข้อมูลและรับการทำนายได้ สิ่งที่เกิดขึ้นก็คือคุณปฏิเสธและอนุมัติวงเงินสินเชื่อให้กับคนที่คุณรู้ ผลกระทบที่ตามมาอาจเป็นได้ คุณรู้ไหม ขับเคลื่อนโดยอคติด้านลบในข้อมูล ใช่ไหม

(17:44): เช่น มันอาจจะส่งผลกระทบต่อประชากรบางส่วน เอ่อ ในทางลบอาจมีบางคนที่ไม่สามารถขอวงเงินสินเชื่อได้อีกต่อไปเพียงเพราะพวกเขาอาศัยอยู่ในละแวกนั้น อืม-อืม หรือพวกเขา คุณรู้ไหมว่า มีหลายสาเหตุที่ทำให้เกิดปัญหาได้

John Jantsch (17:57): แต่นั่นไม่ใช่ปัจจัยก่อนหน้านี้ใช่ไหมฉันหมายความว่าย่านใกล้เคียงได้รับการพิจารณาอย่างแน่นอน , คุณรู้ไหม, เป็นส่วนหนึ่งของ, คุณรู้, แม้แต่ในรุ่นอะนาล็อก, ฉันคิดว่า

Kenneth Wenger (18:06): ใช่ แน่นอนอย่างที่ฉันพูด เรามักจะมีปัญหากับอคติ จริงไหม? ในข้อมูลใช่ไหม แต่ตามธรรมเนียมแล้ว คุณคงหวังว่าจะมีสองสิ่งเกิดขึ้น อย่างแรก คุณจะต้องหวังว่าใครก็ตามที่คิดแบบจำลองขึ้นมา เพียงเพราะมันเป็นปัญหาที่ซับซ้อน พวกเขาจะต้องได้รับการฝึกฝนทางสถิติในระดับที่น่าพอใจ ใช่. ขวา? และนักสถิติที่มีจริยธรรมจะต้องพิจารณาว่าจะจัดการกับอคติในข้อมูลอย่างไร จริงไหม? นั่นคืออันดับหนึ่ง ข้อสอง ปัญหาที่เรามีตอนนี้คือ อย่างแรกเลย คุณไม่จำเป็นต้องตัดสินใจแบบนั้น คุณสามารถใช้โมเดลโดยไม่เข้าใจว่าเกิดอะไรขึ้นใช่ไหม ขวา. แล้วที่แย่กว่านั้นก็คือ ด้วยโมเดลเหล่านี้ เราไม่สามารถเข้าใจได้อย่างแท้จริงว่าเป็นอย่างไร หรือตามธรรมเนียมแล้วมันยากมากที่จะเข้าใจว่าโมเดลมาถึงหรือทำนายได้อย่างไร ดังนั้น ถ้าคุณถูกปฏิเสธทั้งวงเงินสินเชื่อ หรืออย่างที่ฉันพูดถึงในหนังสือประกันตัว เช่น ในคดีความในศาล เอ่อ มันยากมากที่จะโต้แย้ง ทำไมฉันถึงเป็นฉัน ทำไม ทำไมฉันถึงถูกปฏิเสธสิ่งนี้? แล้วถ้าคุณผ่านขั้นตอนการตรวจสอบอีกครั้งด้วยวิธีดั้งเดิมที่คุณตัดสินใจได้ คุณก็ถามได้เสมอว่า แล้วคุณสร้างแบบจำลองนี้ได้อย่างไร เอ่อ ทำไมบุคคลนี้ถูกปฏิเสธกรณีนี้ ในการตรวจสอบบัญชี? อืม-อืม ด้วย a, a, โครงข่ายประสาทเทียม เป็นต้น ซึ่งมีความซับซ้อนมากขึ้น

John Jantsch (19:21): ดังนั้น ฉันหมายถึง ดังนั้น สิ่งที่คุณพูด หนึ่งในปัญหาแรกเริ่มคือ ผู้คนกำลังพึ่งพาเอาต์พุต ซึ่งก็คือข้อมูลฉันหมายถึง คุณรู้ไหม ฉันใช้มันในวิธีที่ง่ายมาก ฉันบริหารบริษัทการตลาดและเราใช้มันบ่อยครั้งในการคัดลอกไอเดีย เสนอไอเดียพาดหัวข่าวสำหรับสิ่งต่างๆ ดังนั้นฉันจึงไม่รู้สึกว่ามีอันตรายจริงๆ อยู่ในนั้น นอกเสียจากอาจจะฟังดูเหมือนคนอื่นๆ ในสำเนาของคุณ เอ่อ แต่ แต่คุณกำลังจะบอกว่า ในขณะที่ผู้คนเริ่มใช้ข้อมูลเหล่านี้ในการตัดสินใจที่ควรได้รับการแจ้ง หลายครั้งที่การคาดคะเนผิดพลาด

เคนเนธ เวนเกอร์ (19:57): ใช่และมีมาก ดังนั้นคำตอบคือใช่ ตอนนี้มีสองเหตุผลสำหรับสิ่งนั้น และยังไงก็ตาม ผมขอกลับไปบอกว่ามีกรณีการใช้งานที่แน่นอนว่าคุณต้องคิดเกี่ยวกับสิ่งนี้ในฐานะสเปกตรัม ใช่ไหม? เหมือนใช่ใช่ มีบางกรณีที่ผลสะท้อนกลับของการทำอะไรผิดพลาดนั้นแย่กว่ากรณีอื่นๆ จริงไหม? อย่างที่คุณพูด ถ้าคุณพยายามสร้างสำเนา และคุณรู้ว่า ถ้ามันไร้สาระ คุณก็แค่เปลี่ยนมัน และในตอนท้าย คุณอาจต้องทบทวนมันอยู่ดี ดังนั้น นั่นจึงต่ำกว่า อาจเป็นต้นทุนที่ต่ำกว่า ต้นทุนของความผิดพลาดจะต่ำกว่าในกรณีของการใช้แบบจำลองใน a ในกระบวนการยุติธรรม เป็นต้น ขวา? ขวา. ขวา. ทีนี้ ในส่วนที่เกี่ยวกับข้อเท็จจริงที่ว่าบางครั้งโมเดลเหล่านี้ได้รับและทำผิดพลาด เหตุผลก็คือวิธีที่โมเดลเหล่านี้ทำงานจริงก็คือพวกมัน และ และส่วนที่สามารถหลอกลวงได้ก็คือพวกมันมักจะทำงานได้ดีจริงๆ สำหรับ พื้นที่ในข้อมูลที่เป็นที่พวกเขาเข้าใจดีจริงๆ

(20:56): ดังนั้น ถ้าคุณนึกถึงชุดข้อมูล ใช่ไหมดังนั้น พวกเขาจึงได้รับการฝึกฝนโดยใช้ชุดข้อมูลสำหรับข้อมูลส่วนใหญ่ในชุดข้อมูลนั้น พวกเขาจะสามารถสร้างแบบจำลองได้เป็นอย่างดี และนั่นคือสาเหตุที่คุณได้รับโมเดลที่มีประสิทธิภาพ สมมติว่ามีความแม่นยำ 90% ในชุดข้อมูลใดชุดหนึ่ง ปัญหาคือสำหรับ 10% ที่พวกเขาไม่สามารถสร้างแบบจำลองได้ดีจริงๆ ความผิดพลาดที่เกิดขึ้นนั้นน่าทึ่งมาก และในลักษณะที่มนุษย์ไม่สามารถทำผิดพลาดเหล่านั้นได้ ใช่. แล้วจะเกิดอะไรขึ้นในกรณีเหล่านั้น อย่างแรกเลย เมื่อเราฝึกโมเดลที่เราได้รับ เราพูดว่า เราได้รับอัตราความผิดพลาด 10% ในชุดข้อมูลเฉพาะนี้ ปัญหาหนึ่งคือเมื่อคุณนำสิ่งนั้นไปใช้จริง คุณไม่รู้ว่าอัตราอุบัติการณ์ของข้อผิดพลาดเหล่านั้นจะเท่าเดิมในโลกแห่งความเป็นจริงใช่ไหม

(21:40): คุณอาจจบลง เอ่อ อยู่ในสถานการณ์ที่คุณได้รับจุดข้อมูลที่นำไปสู่ข้อผิดพลาดในอัตราที่สูงกว่าที่คุณทำในชุดข้อมูลของคุณมากแค่ปัญหาเดียว ปัญหาที่สองคือ หากคุณอยู่ใน a, ถ้ากรณีการใช้งานของคุณ, ถ้าการผลิตของคุณ, คุณรู้หรือไม่, การใช้งาน, ความผิดพลาดนั้นอาจมีค่าใช้จ่าย เช่น ในกรณีการใช้งานทางการแพทย์หรือในการขับขี่ด้วยตนเอง, เมื่อคุณต้องย้อนกลับไปและอธิบายว่าทำไมคุณถึงทำอะไรผิด ทำไมโมเดลถึงมีบางอย่างผิดปกติ และมันแตกต่างอย่างแปลกประหลาดกับสิ่งที่มนุษย์ทำผิดพลาด นั่นเป็นหนึ่งในเหตุผลพื้นฐานว่าทำไมเราจึงไม่มีการติดตั้งระบบเหล่านี้ในโดเมนที่สำคัญด้านความปลอดภัยในปัจจุบัน และนั่นคือหนึ่งในเหตุผลพื้นฐานที่เราสร้างเฝือก เพื่อจัดการกับปัญหาเหล่านั้นโดยเฉพาะ เพื่อหาว่าเราจะสร้างชุดของแบบจำลองหรือระบบที่สามารถเข้าใจได้อย่างเฉพาะเจาะจงได้อย่างไร เมื่อแบบจำลองได้รับสิ่งที่ถูกต้อง และ เมื่อพวกเขาได้รับสิ่งผิดพลาดในขณะรันไทม์ เพราะฉันคิดอย่างนั้นจริง ๆ มันเป็นหนึ่งในเหตุผลพื้นฐานว่าทำไมเราถึงไม่ก้าวหน้าเท่าที่ควรในตอนนี้ เป็นเพราะเมื่อโมเดลทำงานได้ดีจริงๆ เอ่อ เมื่อพวกเขาสามารถจำลองข้อมูลได้ มันก็ทำงานได้ดี แต่สำหรับกรณีที่ไม่สามารถสร้างแบบจำลองส่วนนั้นของข้อมูลได้ ความผิดพลาดนั้นไม่น่าเชื่อเลยใช่ไหม? เป็นสิ่งที่มนุษย์ไม่เคยทำแบบนั้น

John Jantsch (23:00): ผิดพลาดเย้เย้เย้. และแน่นอนว่าจะต้องได้รับการแก้ไขก่อนที่ใครจะไว้ใจได้ ส่งยานอวกาศของมนุษย์ นำทางโดย AI หรืออะไรสักอย่าง ใช่ไหม? ฉันหมายความว่า เมื่อคุณรู้ว่าชีวิตมนุษย์กำลังตกอยู่ในอันตราย คุณต้องมีความไว้ใจ และถ้าคุณไว้ใจการตัดสินใจนั้นไม่ได้ แน่นอนว่าจะทำให้ผู้คนไม่ใช้เทคโนโลยีนี้ ฉันคิดว่า

Kenneth Wenger (23:24): จริงไหม?หรือใช้มัน เช่น เพื่อช่วยในทางการแพทย์ เช่น การวินิจฉัยโรคมะเร็ง อย่างที่ฉันพูด ใช่ไหม? หากคุณต้องการให้แบบจำลองสามารถตรวจหามะเร็งบางชนิดได้ สมมติว่าเป็นการสแกนชิ้นเนื้อ คุณจะต้องเชื่อถือแบบจำลองได้ ทีนี้ อะไรก็ตาม แบบจำลองใดๆ โดยพื้นฐานแล้ว มันจะต้องผิดพลาด ไม่มีอะไรสมบูรณ์แบบ แต่คุณต้องการให้สองสิ่งเกิดขึ้น ขั้นแรก คุณต้องลดประเภทข้อผิดพลาดที่โมเดลสามารถเกิดขึ้นได้ และคุณต้องมีข้อบ่งชี้บางประการว่าคุณภาพของการคาดคะเนของโมเดลนั้นไม่ดีนัก คุณไม่ต้องการมีที่ ใช่. และประการที่สอง เมื่อเกิดข้อผิดพลาดขึ้น คุณต้องสามารถปกป้องได้ว่าสาเหตุของความผิดพลาดนั้นเกิดขึ้นเพราะคุณภาพของข้อมูลเป็นเช่นนั้น คุณรู้ไหมว่าแม้แต่มนุษย์ก็ไม่สามารถทำอะไรได้ดีกว่านี้ ใช่. เราไม่สามารถมีแบบจำลองที่ทำผิดพลาดได้ ที่แพทย์ที่เป็นมนุษย์จะดูและพูดว่า อืม เห็นได้ชัดว่าใช่ ไม่ถูกต้อง

John Jantsch (24:15): ใช่ใช่. อย่างแน่นอน. เคน ฉันอยากจะขอบคุณที่สละเวลาหยุดที่ Duct Tape Marketing Podcast คุณต้องการบอกผู้คนว่าพวกเขาสามารถหาได้จากที่ใด ติดต่อกับคุณได้หากต้องการ และแน่นอนว่าพวกเขาสามารถรับสำเนาของอัลกอริทึมวางแผนต่อต้านเราได้จากที่ใด

Kenneth Wenger (24:29): แน่นอนขอบคุณมากก่อนอื่นที่มีฉัน มันเป็นการสนทนาที่ยอดเยี่ยม ใช่ คุณสามารถติดต่อฉันทาง LinkedIn และขอสำเนาหนังสือจากตำรวจได้ ทั้งจาก เอ่อ Amazon และจากเว็บไซต์ผู้จัดพิมพ์ของเรา ที่เรียกว่า working fires.org

John Jantsch (24:42): ยอดเยี่ยมขอบคุณอีกครั้งสำหรับการแก้ปัญหาด้วยการสนทนาที่ยอดเยี่ยม หวังว่าเราอาจจะบังเอิญเจอคุณสักวันหนึ่งบนท้องถนน

Kenneth Wenger (24:49): ขอบคุณ

John Jantsch (24:49): เฮ้ และสิ่งสุดท้ายก่อนที่คุณจะไปคุณรู้ไหมว่าฉันพูดถึงกลยุทธ์การตลาดอย่างไร กลยุทธ์มาก่อนกลยุทธ์? บางครั้งอาจเป็นเรื่องยากที่จะเข้าใจว่าคุณยืนอยู่ตรงจุดไหน สิ่งที่ต้องทำเกี่ยวกับการสร้างกลยุทธ์ทางการตลาด ดังนั้นเราจึงสร้างเครื่องมือฟรีสำหรับคุณ เรียกว่าการประเมินกลยุทธ์การตลาด คุณสามารถค้นหาได้ที่ @marketingassessment.co, not.com, dot co ตรวจสอบการประเมินการตลาดฟรีของเราและเรียนรู้ว่าคุณอยู่ที่ใดกับกลยุทธ์ของคุณวันนี้ นั่นเป็นเพียงการประเมินการตลาด.co ฉันชอบที่จะพูดคุยกับคุณเกี่ยวกับผลลัพธ์ที่คุณได้รับ