Umělá inteligence (UI) už není pouze pohádkou budoucnosti, je to realita dneška. Počínaje virtuálními osobními asistenty jako Siri a Cortana přes obrazové snímače určené k rozpoznání nemocí po samořídící auta od Googlu nebo Tesly se UI stává součástí každodenního života.
Podle zprávy zveřejněné na portálu MarketsandMarkets se předpokládá, že průmysl umělé inteligence dosáhne v roce 2020 objemu 5.05 miliard dolarů, s tím že mezi lety 2015 a 2020 vykáže meziroční růst na úrovni 53,65 %. Jedním z důvodů tohoto výrazného růstu je intenzivnější využití technologie strojového učení (machine learning) – podkategorie umělé inteligence, v níž se samy počítače učí z dat v reklamním průmyslu a médiích.
Strojové učení má už teď velký vliv na reklamní ekosystém. Jedním z nejlepších příkladů je Real-time Bidding (RTB), v jehož rámci dochází k automatickému nákupu a prodeji reklamního prostoru v reálném čase. Samoučící algoritmy, které jsou obvykle užívané pro chod online kampaní, zajišťují inzerentům možnost rozpoznat nejcennější zákazníky e-shopů a následně je s pomocí cílené reklamy oslovit a pobídnout je k akci, kterou od nich chceme. Není potřeba zdůrazňovat, že stroje/roboti nespí, což jim umožňuje sledovat trh 24 hodin denně sedm dní v týdnu a mohou tak přizpůsobit reklamní aktivity jakékoliv změně.
Vše výše zmíněné už e-marketéři dávno vědí, ale strhující vyhlídkou blízké budoucnosti strojového učení je, že algoritmy hloubkového učení by jednou mohly vytvořit řešení, které pozná postoj, záměr a celkový stav každého uživatele, který stránku navštíví, i toho, který ještě neklikl na reklamu. Jak to funguje?
Předpověď konverzí je odhadovaná pravděpodobnost, že se uživatel zachová tak, jak se požaduje, a hraje zásadní roli v mnoha digitálních reklamních aktivitách. Užitím tohoto způsobu předpovědi mohou algoritmy rozhodnout, kdo z lidí, kteří danou stránku navštívili, má největší nákupní potenciál. Automat začne zvyšovat důležitost těchto uživatelů, čímž zvyšuje šanci na co nejvyšší ROI.
Stejně to funguje i v systému RTB, nicméně vyhodnocení musí probíhat neuvěřitelně rychle (v řádu milisekund) a je potřebná rozsáhlá znalost historie potenciálních klientů. Inovativní model, který využívá hloubkového učení k odhadu individuální míry konverze (CR), je nejnovějším řešením vytvořeným v RTB House určeným k dosažení tohoto cíle.
Díky této technologii, která využívá matematický model inspirovaný neurony v našem mozku (takzvané opakované neuronové sítě), je možné získat spolehlivější, obsáhlejší, počítačem zpracovatelný popis zákazníkova nákupního potenciálu bez potřeby využití lidského faktoru.
Obvykle je aktivita konkrétního zákazníka e-shopu popisována jako určitý počet manuálně zpracovatelných informací, o kterých si odborníci myslí, že s jejich pomocí dokáží předpovědět konverzi. Taková informace může být souvislejší (např. časová mezera mezi uživatelovou poslední návštěvou webové stránky inzerenta a daty vydavatele o publiku), nebo může mít logičtější charakter, jako odpověď na otázku: Přidal uživatel v poslední době do košíku nějaké zboží?
Znalost o uživatelích a o pravděpodobnosti jejich konverze je zásadní pro plánování reklamních aktivit. Naneštěstí pro úspěšné manuální zpracování všech informací je potřeba velké množství odborné lidské práce. Využitelnost dat může záviset na charakteristice inzerentů a přednastavení prvků nebude vždy vhodné pro každou retargetingovou kampaň, takže k dosažení úspěchu by měli experti přehodnotit a částečně přezkoumat informaci pro každého nového inzerenta. Kromě toho se tyto informace omezují pouze na dobu imprese samotné, takže typické modely ignorují data o uživatelích, kteří nikdy danou reklamu neviděli. To znamená, že informace je zkreslená, protože valná většina uživatelů po kliknutí na reklamu neudělá vyžadovanou konverzi. Zde do hry přichází hloubkové učení.
Každý uživatel při návštěvě stránky udělá stovky dílčích kroků a algoritmus veškerou tuto aktivitu uživatelů analyzuje. Díky algoritmům samostatného učení můžeme identifikovat každý jednotlivý krok a na základě analýzy většího množství dat (nejen data spojená s impresemi, které vedly ke kliknutí, ale také ta spojená s prohlížením určitých nabídek, zájmových kategorií, a také ta týkající se chování zákazníka v košíku a toho, jak se zachoval při vyhledávání) rozpoznat vzorce, podle nichž se uživatelé rozhodují.
Užitím hloubkového učení se můžeme pokusit zodpovědět následující otázky:
Jaká je další předpokládaná událost? Může to být návštěva domovské stránky, prohlížení seznamu produktů, detailní studování informací o produktu nebo přidání výrobku do košíku. Jaká je časová prodleva do příští konverze nebo jaká je kategorie dalšího zhlédnutého produktu? Následně, úvaha o nákupním potenciálu pro každého uživatele je téměř celá založena spíše na vědeckých poznatcích a ověřených výpočtech než na lidské intuici. Tohle představuje značnou část neustálého problému v přístupu, kde jsou užívány běžné statistické modely nebo jednodušší algoritmy strojového učení.
Samovzdělávací algoritmy pomáhají analyzovat chování odolné vůči reklamě
Vědění je moc. Bez inovativního přístupu jsou informace, které mají v rukou inzerenti, pouhou částí příběhu – vědí pouze o těch uživatelích, kteří provedou konverzi. Ale hloubkové učení umožňuje poznat nejen ty, kteří nakoupili, ale i ty, kteří toto ještě neudělali. Jakým způsobem ale algoritmy zjistí u uživatelů jejich konverzní pravděpodobnost, pokud ještě neprojevili zájem o reklamu, která jim byla zobrazena?
Typické algoritmy sestavené podle klasických postupů mohou pracovat pouze s limitovanými a speciálně připravenými daty. Tyto metody využívané k vyhodnocování míry konverzí berou v potaz pouze data o uživatelích v okamžiku imprese, ale to poté znamená, že pokud přemýšlíme nad mírou konverze, zohledňujeme ty uživatele, kteří reklamu viděli a klikli na ni.
Důkladná analýza dat, která přichází s hloubkovým učením, nám může pomoci lépe pochopit záměry návštěvníků webových stránek a může nám pomoci, pokud potřebujeme zjistit, na které skupiny lidí bude nejlepší se zaměřit v určité situaci. Navíc budeme vědět, kde tyto návštěvníky najít, budeme znát jejich zájmy a s pomocí jakých kanálů s nimi můžeme komunikovat.
Použití principů hloubkového učení při předpovědi konverzí v personalizovaném RTB povede k efektivnějším kampaním. Řešení, které disponuje množstvím informací, je schopné je zpracovat v reálném čase a je zároveň uzpůsobeno kontextu, ve kterém funguje, pomáhá zadavatelům reklamy efektivně využívat jejich reklamní rozpočty.
Hlavní myšlenka a výsledky přístupu RTB House k hloubkovému učení byly poprvé prezentovány během online reklamního workshopu, který byl součástí 33. Mezinárodní konference strojového učení v New York City.
Podle materiálů Vladimíra Houby, regionálního ředitele ve společnosti RTB House.
Follow
