人工智能：初學者指南

每個人都在談論人工智能。 這是可以理解的——畢竟，突然間出現了免費（或便宜）的工具，可以隨時創建各種 AI 生成的內容，包括文本和圖像，樣式範圍不受限制，而且似乎只需幾秒鐘。

當然很刺激。

但是停下來問自己幾個問題：

• 我真的知道人工智能是什麼嗎？
• 我知道它已經存在多久了嗎？
• 我知道 AI 和機器學習之間的區別（如果有的話）嗎？
• 我知道深度學習到底是什麼嗎？

如果您肯定地回答了所有這些問題，那麼本文可能不適合您。 如果您對其中一些猶豫不決，請繼續閱讀。

人工智能革命開始……現在？

讓我們從填充一些背景開始。

人工智能是新事物嗎？

不。至少從概念上講，人工智能可以追溯到 1950 年（稍後會詳細介紹）。 作為一種實用的追求，它在 1960 年代和 70 年代開始蓬勃發展，因為計算機變得更快、更便宜並且更廣泛使用。

營銷中的人工智能是新事物嗎？

不。值得記住的是，除了創建內容之外，人工智能長期以來在營銷方面有很多很多應用。 多年來，內容推薦和產品推荐一直由 AI 提供支持。 預測分析——用於根據過去行為的大型數據集預測用戶行為，以及預測下一個最佳行動（向她展示相關的白皮書，向他展示紅色棒球帽，發送電子郵件）——一直是人工智能-長時間供電。

近十年來，知名供應商一直在將 AI 融入他們的解決方案中。 Adobe Sensei 和 Salesforce Einstein 始於 2016 年。 它只是從來沒有給它一個可愛的名字。 另一個經驗豐富的 AI 部署者是 Pega，它首先使用它來預測其業務流程管理產品中的下一個最佳行動，然後在其 CRM 平台中使用它。

嗯……生成式人工智能是新事物嗎？

生成式人工智能。 對話式人工智能。 人工智能寫作工具。 當下的所有短語，都在含義上重疊。 生成式 AI 生成文本（或圖像，甚至視頻）。 對話式 AI 會生成與人類對話者交互的文本（想想 AI 驅動的聊天機器人）。 人工智能寫作工具旨在按需創建定製文本。 從某種意義上說，所有這些解決方案都使用“提示”——也就是說，它們等待被問到問題或設置任務。

這一切都是新的嗎？ 不，新的是它的廣泛可用性。 自然語言處理 (NLP) 和自然語言生成 (NLG) 已經存在多年。 前者表示人工智能驅動的文本解釋； 後者是人工智能驅動的文本創建。 早在 2015 年，根據我自己的報告，基於人工智能的 NLG 就在為醫生和工業運營創建書面報告——甚至為英國國家氣象局氣象局生成天氣預報。

數據輸入，文本輸出。 只是不如 ChatGPT 之類的應用廣泛。

視頻也是。 至少到 2017 年，人工智能不僅用於創建個性化的視頻內容，而且還用於創建個性化的視頻內容——當用戶點擊播放時生成，速度之快以至於它似乎是從現有視頻庫中流式傳輸的。 同樣，它不是廣泛可用的，而是一種昂貴的企業產品。

深入挖掘： 聊天GPT : 營銷人員指南

什麼是人工智能：簡單版本

讓我們從頭開始解釋。

從算法開始

算法可以定義為在計算或其他解決問題或完成任務的操作中要遵循的一組規則，尤其是計算機。 “算法”來自希臘語嗎？ 不，它實際上來自一位 9^世紀阿拉伯數學家的名字 (al-Khwārizmī) 的一部分。 但這沒關係。

重要的是，使用算法進行計算或任務與使用 AI 不同——再說一遍，不一樣。 很容易創建算法； 讓我們舉一個簡單的例子。 假設我經營一家網上書店，想提供產品推薦。 我可以編寫一百條規則（算法）並訓練我的網站執行它們。 “如果她搜索簡·奧斯汀，也給她看艾米莉·勃朗特。” “如果他搜索第一次世界大戰的書籍，也給他看第二次世界大戰的書籍。” “如果他搜索阿加莎克里斯蒂，給他看其他偵探小說。”

當然，我需要為我的大量偵探小說貼上適當的標籤，但到目前為止還很容易。 一方面，這些都是很好的規則。 另一方面，它們不是“智能”規則。 那是因為除非我回來改變它們，否則它們是固定不變的。 如果搜索 WW1 書籍的人始終忽略 WW2 書籍，則規則不會學習和適應。 他們繼續愚蠢地做他們被告知要做的事情。

現在，如果我擁有 Amazon 的資源，我會讓我的規則智能化——也就是說，能夠根據用戶行為進行更改和改進。 如果我有亞馬遜的市場份額，我就會有大量的用戶行為可供規則學習。

如果算法可以自學——無論有沒有人為監督——我們就有了人工智能。

可是等等。 這不就是機器學習嗎？

人工智能與機器學習

對於純粹主義者來說，人工智能和機器學習本來就不是一回事。 但是——這是一個很大的但是——這些術語可以互換使用，以至於沒有回頭路可走。 相反，當人們想要談論純 AI，即原始意義上的 AI 時，會使用術語“通用 AI”。

讓我們回到 1950 年（我警告過你會的）。 艾倫圖靈是一位傑出的計算機科學家。 他通過破解密碼的情報工作幫助盟軍擊敗了納粹。 他的回報是英國社會因其（仍然是非法的）同性戀行為而受到可惡的對待，這種待遇導致首相戈登布朗在他去世 50 多年後正式道歉：“代表英國政府，以及所有那些由於艾倫的工作而自由生活的人，我很自豪地說：我們很抱歉。 你值得擁有更好的。”

那麼人工智能呢？ 1950 年，圖靈發表了具有里程碑意義的論文《計算機器與智能》。 他發表了它，但不是在科學期刊上，而是在哲學期刊《心靈》上。 這篇論文的核心是一種他稱之為“模仿遊戲”的思想實驗。 它現在被廣泛稱為“圖靈測試”。 用最簡單的話來說，它提出了機器（或人工智能）智能的標準。 如果人類對話者無法區分機器對她的問題的回答與另一個人的回答之間的區別，我們可以將智能歸因於機器。

當然，有很多很多人反對圖靈的提議（而且他的測試甚至設計得都不巧妙）。 但這確實啟動了複製——或至少創造等同於——人類智能的探索。 您可以將 IBM Watson 視為對該目標的持續追求（儘管它有許多野心較小但利潤更高的用例）。

沒有人真正認為類似亞馬遜的產品推薦機器或類似 ChatGPT 的內容創建引擎像人類一樣智能。 一方面，他們無法知道或關心他們所做的事情是對還是錯——他們根據數據和預測統計數據來做他們所做的事情。

事實上，這裡討論的所有 AI 都是真正的機器學習。 但我們不會阻止任何人稱它為 AI。 至於追求人類水平或“通用人工智能”，我們有充分的理由認為它不會指日可待。 例如，參見 Erik J. Larson 的“人工智能神話：為什麼計算機不能像我們一樣思考”。

“深度學習”呢？

“深度學習”是您可能會遇到的另一個與 AI 相關的術語。 它與機器學習有什麼不同？ 是的; 這是超越機器學習的一大步，它的重要性在於它極大地提高了人工智能檢測模式的能力，從而像處理數字和文字一樣有效地處理圖像（和視頻）。 這變得複雜了； 這是簡短的版本。

深度學習基於神經網絡，一層由輸入激活的人工神經元（數學位），相互通信，然後產生輸出。 這稱為“前向傳播”。 與傳統的機器學習一樣，節點可以了解輸出的準確性，並相應地調整它們的操作。 這被稱為“反向傳播”並導致神經元被訓練。

然而，在輸入層和輸出層之間還有所謂的“隱藏層”的乘積。 把這些層從字面上看是堆疊起來的：這就是為什麼這種機器學習被稱為“深度”的原因。

事實證明，一堆網絡層在識別輸入數據中的模式方面要好得多。 深度學習有助於模式識別，因為每一層神經元都會將復雜的模式分解為更簡單的模式（並且反向傳播訓練過程也在進行）。

Martech 領域有 AI 供應商嗎？

這取決於你的意思。

使用人工智能的供應商

Martech 領域估計有 11,000 多家供應商。 他們中的許多人，也許是大多數人，都在使用 AI（或者可以很好地證明這就是他們正在做的事情）。 但他們並不是為了自己的利益而使用人工智能。 他們用它來做某事。

• 創建商業建議。
• 編寫電子郵件主題行。
• 向營銷人員或銷售代表推薦下一步最佳行動。
• 為聊天機器人提供動力。
• 寫廣告文案。
• 為大規模多變量測試生成內容。

名單是無止境的。

我想說的是，人工智能有點像鹽。 鹽被添加到食物中以使其味道更好。 至少，我們大多數人都喜歡在食物中適當使用鹽。 但是誰會說，“我晚餐要加鹽”或“我想吃點零食； 我去拿點鹽。”

我們在食物中放鹽。 我們將 AI 置於營銷技術中。 除此之外，也許出於研究目的，鹽和 AI 本身並沒有太多使用。

所以是的，有無數的 martech 供應商使用 AI。 但是，是否有 Martech 供應商將 AI 作為獨立產品進行銷售？

銷售 AI 的供應商

答案是，在營銷技術領域，很少。 AI 作為一種產品實際上意味著由工程師設計的 AI 軟件，然後可以在其他解決方案的環境中進行整合和使用。 很容易找到銷售 AI 軟件的工程供應商，但在大多數情況下，他們是向 IT 組織而不是營銷組織銷售軟件，並且將其出售用於非常廣泛的後台目的，而不是用於營銷或營銷。銷售量。

有一兩個例外，顯然是針對營銷人員的產品。 然而，這還不足以在營銷技術領域創建一個人口眾多的類別。

我們觸及了表面

這就是本文的全部目的：對一個極其複雜的主題進行初步了解，該主題背後有著豐富的歷史和不可預知的未來。 當然，還有一些倫理問題需要解決，例如機器學習模型將在有偏見的數據集上進行訓練的幾乎不可避免的情況，以及生成人工智能同樣不可避免地抄襲人類內容。

但希望現在這足以咀嚼。

獲取營銷技術！ 日常的。 自由的。 在您的收件箱中。

企業電子郵件地址

訂閱 加工...

見條款。