Miesiąc: maj 2022

Wyobraź sobie, że możesz szybko i łatwo uzyskać dostęp do wysokiego kalibru badań rynkowych, które kiedyś były oferowane tylko największym i najbogatszym firmom – tym, które mogły zlecić to zadanie najlepszym firmom badającym rynek. Czy byłbyś zainteresowany? W przeszłości proces badania rynku był czasochłonny, a wiarygodność spostrzeżeń dotyczących myśli i decyzji konsumentów była daleka od doskonałości. Teraz bezpłatne narzędzia online wykorzystujące sztuczną inteligencję są dostępne w Google i Facebook, w tym Google Trends i Facebook Audience Insights, dzięki czemu każda firma może korzystać z wysokiej jakości informacji w czasie rzeczywistym. Narzędzia te pozwalają firmom, które ich używają, przewidywać i przygotowywać się do trendów w swojej branży, zapewniając im przewagę konkurencyjną. Podczas gdy tylko nieliczne firmy obecnie w pełni korzystają z tych niesamowitych zasobów, rozwój narzędzi sztucznej inteligencji, takich jak Watson IBM, pozwoli wszystkim na szybsze niż kiedykolwiek korzystanie z kompleksowych danych z badań rynkowych w niemal każdej branży. Korzystanie z informacji biznesowych opartych na sztucznej inteligencji może pomóc firmie szybko reagować na nowe trendy na rynku, dzięki czemu może stać się liderem w swojej branży, co może mieć duży wpływ na wyniki finansowe. Chociaż istnieje wiele rodzajów informacji, które te narzędzia AI mogą generować, oto niektóre z najbardziej wpływowych i ważnych:

•  Szczegółowe informacje o twoich konkurentach: Obejmuje to wgląd w ich źródła dochodów, produkty odnoszące większe sukcesy, personel, kluczowe przewagi konkurencyjne, wyzwania, przed którymi stają, oraz wyniki w mediach społecznościowych.

•  Informacje konsumenckie i dane predykcyjne: Przy coraz większej ilości dostępnych danych narzędzia sztucznej inteligencji ułatwią analizę sygnałów od konsumentów i tworzenie prognoz prognozujących przyszłe trendy. Na przykład firmy mogą teraz korzystać z Google Trends lub Facebook Audience Insights, aby określić, jakie kostiumy na Halloween będą wyszukiwane przez konsumentów w tym sezonie, ale ręczne uzyskanie wyników może zająć trochę czasu. AI sprawi, że ten proces będzie szybszy, wydajniejszy i bardziej efektywny dzięki automatycznej analizie sygnałów konsumentów.

•  Możliwości personalizacji produktu: narzędzia AI odgrywają ważną rolę, ponieważ reklama produktu staje się bardziej zindywidualizowana i precyzyjna w celu personalizacji produktu. Zasoby te mogą pomóc firmom zidentyfikować kluczowych odbiorców i skuteczniej docierać do nich na poziomie indywidualnym, dostosowując sposób wyświetlania reklam do czynników takich jak płeć, wiek, lokalizacja lub zawód. To właśnie tam leży przyszłość reklamy.

•  Lista najważniejszych czynników wpływających na konsumentów: Instrumenty sztucznej inteligencji mogą pomóc firmom rozpoznać, a następnie wykorzystać najbardziej skuteczne kanały dotarcia do określonego rynku. Jest to szczególnie przydatne na platformach społecznościowych, takich jak YouTube i Instagram, gdzie osoby mogą szybko i skutecznie wpływać na ogromną grupę obserwujących. Korzystanie z osób, które mają największy zasięg wśród odbiorców docelowych, w celu promowania twoich produktów lub usług za pomocą dostosowanych recenzji jest znane jako marketing wpływowy i ma duży potencjał do sukcesu, jeśli jest wykonany poprawnie i autentycznie.

Tego rodzaju badania rynku, których wygenerowanie zajmowało miesiące, mogą w przyszłości zostać zakończone w ciągu kilku godzin, a nawet minut, dzięki niesamowitym możliwościom narzędzi AI. Podczas gdy firmy każdej wielkości prawdopodobnie zaczną wykorzystywać te narzędzia do badania rynku oparte na sztucznej inteligencji w przyszłości, najlepsze możliwości będą dostępne dla pojedynczych przedsiębiorców, którzy chcą mieć możliwość szybkiego wprowadzenia nowych produktów i mogą wykorzystać te zasoby, aby wyprzedzić ich konkurenci. W tej sekcji celowo nie wymieniłem żadnych konkretnych narzędzi badania rynku, które mogłyby wykonać wszystkie wyżej wymienione zadania, ponieważ obecnie jest bardzo niewiele niedrogich, które mogłyby to zrobić. Jednak w przypadku średnich i dużych firm IBM Watson może być jedną z możliwych opcji na początek. Możliwości badań rynku są nieograniczone przy pomocy sztucznej inteligencji.

Jak powiedzieliśmy wcześniej, wygładzanie jest procesem obliczania rozkładu po stanach przeszłych, których dane dotyczą do chwili obecnej – to znaczy P(X_k je_1:t) dla 0 ≤  k

W oczekiwaniu na inne rekurencyjne podejście do przekazywania komunikatów, możemy podzielić obliczenia na dwie części — dowód do k i dowód od k+1 do t,

gdzie „X” oznacza punktowe mnożenie wektorów. Tutaj zdefiniowaliśmy komunikat „wstecz” b_k+1:t =P(e  | X_k), analogiczny do komunikatu w przód f_1:k. Komunikat do przodu f_1:k można obliczyć przez filtrowanie w przód od 1 do k, zgodnie z równaniem. Okazuje się, że wiadomość wstecz b_k+1:t może być obliczona przez proces rekurencyjny, który działa wstecz od t:

gdzie po ostatnim kroku następuje warunkowa niezależność e_k+1 i e_k+2:t , przy danym x_k+1. W tym wyrażeniu wszystkie terminy pochodzą albo z modelu, albo z poprzedniej wiadomości wstecznej. Stąd mamy pożądane sformułowanie rekurencyjne. W formie wiadomości mamy

gdzie BACKWARD implementuje aktualizację opisaną w Równaniu. Podobnie jak w przypadku rekurencji do przodu, czas i przestrzeń potrzebne do każdej aktualizacji są stałe, a zatem niezależne od t. Widzimy teraz, że oba wyrazy w równaniu  mogą być obliczone przez rekursje w czasie, jeden biegnący w przód od 1 do k i używający równania filtrującego  i drugi biegnący wstecz od t do k+1 i używający Równanie (14.9). Dla inicjalizacji fazy wstecznej mamy b_t+1:t =P(e_t+1:t | X_t)=P( |X_t)=1, gdzie 1 jest wektorem 1s. Powodem tego jest to, że e_t+1:t jest ciągiem pustym, więc prawdopodobieństwo jego zaobserwowania wynosi 1. Zastosujmy teraz ten algorytm do przykładu parasolowego, obliczając wygładzone oszacowanie prawdopodobieństwa deszczu w czasie k=1 , biorąc pod uwagę obserwacje parasola w dniach 1 i 2. Z równania, jest to podane przez

Pierwszym terminem, o którym już wiemy, jest <.818,.182>, z procesu filtrowania w przód opisanego wcześniej. Drugi składnik można obliczyć, stosując rekurencję wsteczną w równaniu:

Podstawiając to do równania, okazuje się, że wygładzone oszacowanie deszczu w dniu 1 wynosi

Zatem wygładzone oszacowanie dla deszczu pierwszego dnia jest w tym przypadku wyższe niż oszacowanie filtrowane (0,818). Dzieje się tak, ponieważ parasol w dniu 2 sprawia, że ​​bardziej prawdopodobne jest, że padał deszcz drugiego dnia; z kolei, ponieważ deszcz ma tendencję do utrzymywania się, jest bardziej prawdopodobne, że padał pierwszego dnia. Zarówno rekursja do przodu, jak i do tyłu zajmują stałą ilość czasu na krok; stąd złożoność czasowa wygładzania w odniesieniu do dowodu e_1:t wynosi O(t). Jest to złożoność wygładzania w określonym kroku czasowym k. Jeśli chcemy wygładzić całą sekwencję, jedną oczywistą metodą jest po prostu uruchomienie całego procesu wygładzania raz dla każdego kroku czasowego, który ma być wygładzony. Powoduje to złożoność czasową O(t²). Lepsze podejście wykorzystuje proste zastosowanie programowania dynamicznego w celu zmniejszenia złożoności do O(t). Wskazówka pojawia się w poprzedniej analizie przykładu parasolowego, w którym mogliśmy ponownie wykorzystać wyniki fazy filtrowania do przodu. Kluczem do algorytmu czasu liniowego jest rejestrowanie wyników filtrowania w przód w całej sekwencji. Następnie uruchamiamy rekursję wsteczną od t do 1, obliczając wygładzone oszacowanie w każdym kroku k z obliczonej wiadomości wstecznej b_k+1:t i zapisanej wiadomości przesyłanej do przodu f_1:k. Algorytm, trafnie nazywany algorytmem naprzód-wstecz, pokazano

Czytnik alertów zauważył, że struktura sieci bayesowskiej to wielodrzewo . Oznacza to, że proste zastosowanie algorytmu grupowania daje również algorytm czasu liniowego, który oblicza wygładzone szacunki dla całej sekwencji. Obecnie rozumie się, że algorytm naprzód-wstecz jest w rzeczywistości szczególnym przypadkiem algorytmu propagacji wielodrzewa używanego z metodami grupowania (chociaż oba zostały opracowane niezależnie). Algorytm naprzód-wstecz stanowi podstawę obliczeniową dla wielu aplikacji, które zajmują się sekwencjami zaszumionych obserwacji. Jak opisano do tej pory, ma dwie praktyczne wady. Po pierwsze, jego złożoność przestrzenna może być zbyt wysoka, gdy przestrzeń stanów jest duża, a sekwencje długie. Wykorzystuje przestrzeń O(|f|t), gdzie |f| jest rozmiarem reprezentacji przekazywanej wiadomości. Zapotrzebowanie na miejsce można zredukować do O(|f|logt) przy jednoczesnym wzroście złożoności czasowej o współczynnik logt, jak pokazano w ćwiczeniu. W niektórych przypadkach można użyć algorytmu przestrzeni stałej. Drugą wadą podstawowego algorytmu jest to, że wymaga on modyfikacji, aby działał w trybie online, w którym wygładzone oszacowania muszą być obliczane dla wcześniejszych przedziałów czasu, ponieważ nowe obserwacje są stale dodawane na końcu sekwencji. Najczęstszym wymaganiem jest wygładzanie ze stałym opóźnieniem, które wymaga obliczenia wygładzonej oceny P(Xt􀀀d je1:t) Wygładzanie ze stałym opóźnieniem dla stałego d. Oznacza to, że wygładzanie jest wykonywane dla odcinka czasu d o krok za bieżącym czasem t; wraz ze wzrostem t wygładzanie musi nadążyć. Oczywiście możemy uruchomić algorytm naprzód-wstecz w „oknie” kroku d, gdy dodawana jest każda nowa obserwacja, ale wydaje się to nieefektywne.