去年,人工智能特别受欢迎,特别是深度学习在机器视觉,语言识别和游戏AI中的快速发展,使人们开始担心人工智能是否可以接替人类的工作。我个人对新技术非常感兴趣,并且对新技术,数据和现实之间的关系也非常感兴趣。

当我在零售商店购买账单时,经常被问“你有购物卡吗?”当我说没有时,收银员建议我免费开卡。开卡有折扣。只需填写手机号码和电子邮件地址,然后我就可以针对我的购买记录进行营销活动。下次我进来时,他们会要求我提供电话号码以供消费者识别。当时,我以为如果可以做人脸识别,那就方便了。您可以通过刷脸来支付费用。去年这个场景也进行了实验。蚂蚁金服开发了一种称为Mako mark的生物识别机器人。据说它的面部识别能力已经超过了人眼的能力。也有VR购物。亚马逊开办的无现金商店Amazon Go通过手势识别,物联网以及随后的数据挖掘和其他技术来实现购物体验。

对于营销领域,主要有三种预测性营销技术:

1.无监督学习技术

无监督学习技术可以识别数据中的隐藏模式,无需明确预测结果。例如,通常在聚类算法中放入在一组客户中找到兴趣组的信息,例如滑雪,长跑等,以揭示数据集中的实际潜在客户。聚类是自动发现重要的客户属性并相应地对其进行分类。

2.有监督的学习技巧

通过案例训练机,我们可以学习和识别数据以获得目标结果。这通常是给定输入数据的预测,例如客户生命周期价值的预测,客户与品牌互动的可能性以及未来购买的可能性。

3.加强技术学习

这是为了使用数据中的潜在模型来准确预测最佳选择结果,例如应为用户促销提供哪些产品。与监督学习不同,强化学习算法不需要输入和输出训练,并且学习过程是通过反复试验来完成的。

从技术角度来看,推荐模型适用于协作过滤,贝叶斯网络和其他算法模型。强化学习被谷歌大脑团队负责人杰夫·迪恩(Jeff Dean)视为最有前途的AI研究方向之一。 Google的AI团队Deepmind最近发表了一篇名为“学习以加强学习”的论文。

用团队的话来说,这就是“学习”的能力,或者说是解决类似相关问题的归纳能力。除了强化学习,还有迁移学习,迁移学习是将通用模型转换为少量数据,以便可以对其进行个性化设置,并且还可以在新领域产生结果。