AI Dalam Pemasaran Konten: 23 Cabang Ini Menceritakan Sebuah Kisah

Marketer, bersyukurlah pekerjaan Anda lebih rumit daripada bermain game Go.

Meskipun manusia telah membuat langkah besar dalam kecerdasan buatan, AI terapan hanya memberi kita alat yang lebih cerdas dan asisten dengan fungsi terbatas. Seperti yang direfleksikan oleh Noam Chomsky dalam wawancara Scientific American ini, “Bahkan tugas-tugas yang hampir dikuasai secara refleks oleh bayi jauh melampaui kapasitas AI kontemporer.” Jadi sepertinya Anda tidak akan bekerja untuk penguasa AI dalam waktu dekat.

John McCarthy pertama kali menciptakan istilah "AI" pada tahun 1956 dengan pemutaran perdana konferensi akademis tentang masalah ini. Sejak itu berkembang menjadi subjek yang luas dan kompleks yang digunakan dalam berbagai aplikasi yang semakin meningkat.

Kemungkinannya adalah, Anda telah terpapar AI tanpa menyadarinya. Jika Anda pernah menggunakan SIRI, mengunjungi Facebook, atau melakukan pembelian di Amazon, kecerdasan buatan telah ada untuk membantu perjalanan Anda.

Dalam postingan ini, kami melihat lebih dari dua lusin cabang kecerdasan buatan untuk memahami dampaknya terhadap pemasar, beserta contoh penerapannya pada konten.

Kreativitas Buatan

Kreativitas buatan adalah upaya untuk menangkap kreativitas tingkat manusia dalam suatu algoritma. Beberapa orang berpendapat bahwa AI sama sekali tidak kreatif dan hal terbaik yang dapat dilakukannya adalah meniru kreativitas manusia. Meskipun demikian, kreativitas AI saat ini digunakan dalam berbagai cara tingkat rendah di antara publikasi online populer.

Kreativitas kecerdasan buatan pada awalnya terlihat dalam laporan pendapatan dan cerita yang sarat data tentang olahraga dan hasil pemilu. Jenis tulisan ini mengikuti formula yang sangat terstruktur dengan narasi yang lugas, menjadikannya situasi yang ideal untuk penggunaan AI. Dalam konteks ini, AI meningkatkan upaya pembuat konten, memungkinkan mereka untuk memfokuskan waktu mereka pada konten bernilai lebih tinggi.

Thomson Reuters mulai menggunakan kecerdasan buatan untuk mengotomatisasi publikasi laporan pendapatan pada tahun 2006. Publikasi terkenal lainnya yang menggunakan AI secara kreatif termasuk Associated Press, Forbes, ProPublica, dan The Los Angeles Times. Tren penggunaan AI dalam pemasaran terus meningkat dengan banyak alat tulis AI yang dirilis selama 18 bulan terakhir.

Perencanaan dan Penjadwalan Otomatis

Pada tingkat tertinggi, cabang kecerdasan buatan ini berurusan dengan mengubah strategi menjadi kenyataan. Namun, aplikasi dunia nyata cenderung kurang abstrak dan lebih konkret dalam pendekatan mereka untuk memecahkan tantangan sehari-hari.

AI unggul dalam menganalisis data dalam jumlah besar dengan cepat, yang merupakan manfaat signifikan bagi pemasar. Perangkat lunak pintar dapat dengan cepat menyaring sejumlah besar informasi menjadi wawasan yang dapat ditindaklanjuti.

Manfaat paling signifikan bagi pemasar konten adalah mereka tidak lagi terjebak dengan analisis. Yang dulunya memakan waktu berjam-jam, jika bukan berhari-hari, sekarang bisa dilakukan dalam hitungan menit. Ini menyisakan lebih banyak waktu untuk aktivitas bernilai tinggi seperti berpikir kritis dan pengambilan keputusan.

MarketMuse menggunakan kecerdasan buatan untuk membangun strategi konten yang dapat bersaing untuk kategori topik tertentu. Ini menggunakan pemodelan topik untuk memunculkan topik relevan yang mungkin perlu ditargetkan dengan konten tambahan atau pengoptimalan halaman yang ada.

Tailor Social, alat manajemen media sosial, menggunakan kecerdasan buatan untuk membantu menjadwalkan posting media sosial. Baru-baru ini keluar dari beta.

Penalaran Otomatis

Penalaran otomatis berusaha memahami berbagai aspek pemikiran dan suatu hari nanti dapat mengarah pada "mengekstraksi sifat estetika, sentimen, dan bahkan emosi" dari konten.

Tapi kita belum sampai di sana, sebenarnya kita masih jauh dari itu. Tetapi ketika hari itu tiba, kita akan melihat alat yang lebih hebat lagi yang menyelami kedalaman konten di mana pemasar tidak memiliki waktu atau keinginan untuk menjelajah.

Otomatisasi

Otomasi telah ada jauh lebih lama daripada kecerdasan buatan, tetapi AI telah membantu menciptakan cara yang lebih cerdas dan lebih baik untuk meningkatkan efisiensi. Kemajuan dalam bidang ini telah memungkinkan otomatisasi tugas yang sebelumnya merupakan domain manusia. Akibatnya, jenis pekerjaan yang dilakukan produsen konten berubah.

Ambil contoh proses desain web yang biasanya melibatkan berbagai disiplin ilmu termasuk desain dan pembuatan konten. The Grid adalah sistem desain web bertenaga AI yang membuat situs web berdasarkan konten yang Anda berikan.

Visi Komputer / Pengenalan Objek

Pemrosesan citra digital digunakan di sejumlah bidang termasuk pengenalan pola, klasifikasi, dan ekstraksi fitur. Pada tingkat praktis, visi komputer AI membuat pengelolaan aset digital menjadi lebih mudah. MavSocial, menggunakan teknologi pengenalan gambar dari Miro adalah salah satu contohnya.

Remove.bg menggunakan teknologi AI yang canggih untuk mendeteksi lapisan latar depan dan memisahkannya dari latar belakang. Proses sulit yang biasanya membutuhkan satu jam atau lebih menggunakan Photoshop sekarang hanya membutuhkan waktu lima menit.

Cara lain teknologi ini dapat membantu adalah dengan moderasi konten otomatis. Clarifai menyediakan kemampuan untuk memoderasi dan menyaring informasi sensitif dari platform Anda tanpa campur tangan manusia.

Manajemen Pengetahuan

Girard & Girard, dalam Online Journal of Applied Knowledge Management (PDF), menyatakan bahwa “Manajemen pengetahuan adalah proses manajemen untuk menciptakan, berbagi, dan menggunakan informasi dan pengetahuan organisasi.” Sebagai cabang dari kecerdasan buatan itu mencakup berbagai aspek seperti penambangan konsep, penambangan data, penambangan teks, ekstraksi informasi, dan representasi pengetahuan. Dalam aplikasi khusus inilah kami telah menemukan manfaat bagi pemasar konten.

Penambangan Konsep

Penambangan konsep berasal dari ekstraksi konsep dari artefak, seperti halaman web atau posting blog. Misalnya, Aylien menawarkan API dengan titik akhir ekstraksi konsep untuk menemukan topik apa yang disebutkan dalam sepotong teks.

Menjadi API, itu bukan sesuatu yang bisa dimanfaatkan sebagian besar pemasar. Namun, pengembang perangkat lunak dapat memasukkan API ini ke dalam perangkat lunak mereka sendiri untuk digunakan di arena pemasaran konten.

Lihat kembali bagian tentang Kreativitas Buatan untuk beberapa ide tentang bagaimana hal ini dapat digunakan untuk keuntungan pemasar.

Penambangan Data

Penambangan data berusaha menemukan pola dalam kumpulan data yang besar. Dari perspektif pemasaran konten, cabang AI ini dapat membantu menentukan konten terbaik untuk disajikan pada waktu yang tepat dalam perjalanan pembeli

Dengan menganalisis pengeluaran pemegang kartu, American Express dapat menyajikan penawaran khusus yang menarik dan mempertahankan pelanggan. Kemudian menggunakan pemasaran bertarget ini untuk mencocokkan pedagang dengan pelanggan yang tepat, yang berarti mereka yang cenderung menghabiskan lebih dari konsumen rata-rata.

British Airways menambang aset datanya untuk secara unik mengidentifikasi setiap pelanggan dan mempersonalisasi pemasaran email dan komunikasi pelanggan lainnya.

Penambangan Teks

Penambangan teks adalah jenis penambangan data yang secara eksplisit berfokus pada penggalian informasi dari teks menggunakan pengenalan pola dan pendekatan lain melalui pemrosesan bahasa alami (NLP). Pemeriksa tata bahasa tingkat lanjut seperti Grammarly adalah salah satu jenis alat yang telah dibuat dari teknologi ini. Tidak ada keraguan pemasar menghargai manfaatnya!

Pada tingkat yang lebih tinggi, platform Acrolinx menawarkan mesin analitik linguistik yang memandu gaya penulis, tata bahasa, terminologi, dan nada untuk memastikan semua konten Anda tetap sesuai merek. Ini mengatasi tantangan signifikan yang dihadapi oleh semua pembuat konten perusahaan; menjaga konten tetap konsisten dan mencerminkan merek, terlepas dari pembuat konten.

Proses Penambangan

Menganalisis data log peristiwa untuk mengidentifikasi tren dan pola dikenal sebagai penambangan proses. Livejourney telah menerapkan ini untuk melacak perjalanan pelanggan secara real-time. Dengan memantau semua titik kontak pelanggan dan menganalisis perjalanan dari sudut pandang pelanggan, Anda dapat mengatasi semua inefisiensi dan meningkatkan kepuasan pelanggan.

Penyaringan Spam Email

Lawan spam dengan spam. Rescam adalah bot email artifisial cerdas yang membalas email penipuan. Chatbot menggunakan salah satu kepribadian manusianya untuk melanjutkan percakapan dengan calon penipu. Membuang-buang waktu mereka dengan bot memberi scammers lebih sedikit waktu untuk mengejar korban yang sebenarnya. Sampai saat ini, Rescam telah menyia-nyiakan lebih dari lima tahun waktu scammers.

Ekstraksi Informasi

Cabang AI ini sering berfokus pada pemrosesan teks bahasa manusia menggunakan NLP. Aplikasi dunia nyata berkisar dari yang relatif sederhana seperti mengekstrak teks secara otomatis dari email (Parseur) hingga tugas yang lebih kompleks untuk meringkas dokumen (frase). Contoh penggunaan langsung dari teknologi ini adalah menyediakan ringkasan teks otomatis untuk pengumpulan baru setiap hari atau untuk digunakan dalam kurasi konten.

Web semantik

Web semantik adalah istilah yang diciptakan oleh Tim Berners-Lee, penemu world wide web, pada tahun 2001 (pdf). Idenya adalah bahwa semua data di internet, konten, tautan, dan transaksi dapat dianalisis oleh mesin. Tetapi konsepnya berjuang untuk mendapatkan daya tarik. Meskipun jumlah situs yang menggunakan markup web semantik terus meningkat, jumlahnya masih minoritas.

Salah satu penggunaan teknologi web semantik yang paling menonjol adalah BBS yang menggunakannya untuk mendukung seluruh situs web Piala Dunia mereka pada tahun 2010. Penggunaan signifikan lainnya dari teknologi web semantik termasuk Time Inc., Elsevier, dan Library of Congress.

Namun, memformat konten untuk web semantik jauh lebih rumit daripada proses saat ini. Waktu dan biaya tambahan dapat menjelaskan adopsi yang lambat di antara pemasar.

Pembelajaran mesin

Pembelajaran mesin adalah bidang kecerdasan buatan yang membuat komputer "belajar" dari data, tanpa diprogram untuk tugas tersebut. Mesin rekomendasi seperti yang digunakan di Curata, Scoop.it, dan pembelajaran mesin Zetaare beraksi.

Manfaat untuk sistem seperti ini adalah bahwa rekomendasi meningkat seiring waktu saat sistem mempelajari apa yang merupakan saran yang baik. Namun, pemasar mungkin tidak memiliki kesabaran untuk menunggu peningkatan tersebut!

Persado menggunakan "bahasa yang dihasilkan AI untuk baris subjek email dan iklan berbayar media sosial" yang dioptimalkan untuk konversi. Anggap ini sebagai pengujian otomatis untuk konversi.

Anda tidak perlu menjadi ahli pengoptimalan tingkat konversi, atau melakukan pengujian secara teratur. AI di balik perangkat lunak menangani semua pekerjaan itu, terus belajar dan menghadirkan pilihan yang lebih baik kepada pemasar.

Bayangkan menawarkan rekomendasi waktu nyata dengan konten yang dipersonalisasi untuk setiap pengguna. LiftIgniter menggunakan pembelajaran mesin untuk mencapai tujuan itu. Ini terus belajar dan mengoptimalkan berdasarkan tujuan tertentu yang telah Anda tetapkan.

Pembelajaran mesin dapat melakukan lebih dari sekadar membantu membuat rekomendasi yang tepat. Itu bahkan dapat digunakan untuk membuat, atau lebih tepatnya mengkurasi, konten.

IBM Watson membantu membuat trailer untuk film horor/suspense Hollywood.

Pertama, diajarkan bagaimana mengidentifikasi adegan menakutkan dan musik horor dan menganalisis komposisi adegan film untuk menentukan apa yang membuat mereka menakutkan. Kemudian ia menonton versi penuh film tersebut dan memilih sepuluh momen yang akan menjadi pesaing terbaik untuk trailer tersebut.

Itu diserahkan kepada kecerdikan manusia untuk melakukan tugas pengeditan yang sebenarnya. Berikut hasilnya:

Pembelajaran Mendalam

Pembelajaran mendalam adalah aspek pembelajaran mesin berdasarkan representasi data alih-alih menggunakan algoritme khusus tugas. Ini telah diterapkan ke berbagai bidang termasuk pemrosesan bahasa alami, terjemahan mesin, dan visi komputer.

Pada Konferensi Pengembang Game 2018, NVIDIA mendemonstrasikan “penelitian terbaru tentang cara jaringan Deep Learning dapat digunakan untuk menghasilkan animasi manusia yang tampak realistis,” dan bagaimana mereka menerapkan pembelajaran mendalam pada sintesis tekstur.

Dalam aplikasi yang lebih praktis, Envision menggunakan kecerdasan buatan untuk membantu pemasar memilih thumbnail, segmen, atau gambar video terbaik. Ini juga menggunakan pembelajaran mendalam untuk secara otomatis menemukan dan menambahkan tagar terbaik untuk posting Instagram Anda.

Pemrosesan Bahasa Alami

Untuk pemasar yang berurusan dengan konten teks, pemrosesan bahasa alami adalah bidang penting dari kecerdasan buatan. Cabang AI ini berkaitan dengan memungkinkan komputer untuk memahami bahasa.

Tantangan signifikan dalam bidang ini adalah pengenalan suara, pemahaman bahasa alami, dan generasi bahasa alami. Namun, kemajuan besar sedang dibuat seperti yang terlihat dalam proliferasi chatbot, terjemahan mesin, dan penggunaan antarmuka pengguna bahasa alami seperti SIRI.

Berikut adalah beberapa contoh menarik untuk diperhatikan.

Ilmu Narasi mengotomatiskan personalisasi dalam skala besar menggunakan generasi bahasa alami untuk secara otomatis menghasilkan deskripsi dan menyediakan komunikasi yang dipersonalisasi.

Conversica mengandalkan AI untuk membantu memelihara prospek masuk hingga minat mereka berubah menjadi niat untuk membeli. Lebih khusus lagi, mereka menggunakan kecerdasan buatan untuk menafsirkan tanggapan email, mengirimkan tanggapan yang unik dan terdengar alami sebagai tindak lanjut.

Chatbots

Chatbot ada di mana-mana! Mereka biasanya digunakan untuk memenuhi syarat prospek atau digunakan sebagai sistem pengiriman konten.

Dua tipe dasar chatbot adalah yang memahami perintah terbatas dan yang menggunakan pemrosesan bahasa alami.

Chatbot jenis perintah terbatas berguna ketika opsi tugas terbatas, dan Anda dapat memandu interaksi ke jalur yang ditentukan dengan sangat baik. Chatbots NLP memungkinkan aliran percakapan yang lebih banyak.

Platform chatbot seperti Flow XO menghilangkan kebutuhan akan keterampilan pengkodean, tetapi mereka masih dapat menantang untuk diterapkan karena beberapa alasan:

• Pemasar perlu mengetahui tugas yang ingin diselesaikan oleh pengunjung mereka.
• Mereka membutuhkan pemahaman yang mendalam tentang perjalanan yang dilakukan oleh audiens mereka.
• Jenis konten yang digunakan dalam konteks ini bisa sangat berbeda.
• Mereka mungkin kekurangan strategi konten yang kaya.

Identifikasi Bahasa

Identifikasi bahasa adalah komponen penting dari terjemahan mesin dan pemrosesan bahasa alami. Meskipun tidak berdampak langsung pada pemasar, ahli strategi konten yang bekerja di tingkat perusahaan sering kali menangani masalah terjemahan bahasa dan pengaruhnya terhadap konten.

Google AI sangat terlibat dalam semua hal yang berkaitan dengan teknologi bahasa alami, termasuk identifikasi bahasa. Anda mungkin pernah mengalami hal ini saat mengunjungi halaman dalam bahasa asing.

Untuk ahli strategi konten dengan anggaran nol untuk terjemahan, ini bisa menjadi penyelamat.

Antarmuka Pengguna Bahasa Alami

Antarmuka pengguna bahasa alami prototipe pertama kali muncul pada akhir 1960-an dan baru belakangan ini menjadi dipopulerkan. Jika Anda pernah menggunakan SIRI atau Amazon Echo, Anda pernah mengalami antarmuka bahasa alami.

Untuk pemasar konten, ini berpotensi mengubah cara kita berpikir dan membuat konten. Mesin pencari tetap berbasis kata kunci dan pembuat konten sering membuat konten panjang dengan harapan mendapat peringkat yang baik untuk banyak kata kunci.

Tetapi penggunaan antarmuka bahasa alami, terutama yang dikontrol suara, menciptakan konteks baru. Pengguna mencari jawaban yang ditargetkan untuk pertanyaan spesifik, sesuatu yang tidak sesuai dengan manifesto 10.000 kata. Meskipun kami telah melihat kecenderungan ke arah konten yang lebih luas, tren ini dapat segera berubah.

Pemahaman Bahasa Alami

Pemahaman bahasa alami adalah sub-topik pemrosesan bahasa alami sejak tahun 1964 dengan publikasi Daniel Bobrow's Ph.D. disertasi. Ada banyak minat dalam pemahaman bahasa alami karena relevansinya dengan analisis konten skala besar, menjawab pertanyaan dan kategorisasi teks.

Aplikasi dunia nyata, setidaknya untuk penggunaan pemasaran, membutuhkan kemampuan pemahaman yang cukup canggih untuk memahami konsep dalam dokumen. OneSpot adalah salah satu perusahaan yang menggunakan kombinasi pembelajaran mesin dan bahasa alami untuk memproses konsumsi konten pengunjung situs dan memberikan konten individual dalam skala besar.

Mesin penerjemah

Sub-cabang lain dari pemrosesan bahasa alami adalah terjemahan mesin. Jika Anda pernah menggunakan Google translate, Anda telah menggores permukaan terjemahan mesin.

Karena akurasi terjemahan terus meningkat, begitu pula peluang terjemahan di B2B dan pasar konsumen.

Ahli strategi konten yang bekerja di perusahaan global memanfaatkan terjemahan mesin untuk menerjemahkan konten dalam skala besar dengan cara yang hemat biaya. Domain bisnis seperti teknologi, keuangan, hukum, perawatan kesehatan, dll. memiliki nuansa dan istilahnya sendiri, itulah sebabnya terjemahan mesin khusus domain telah menjadi rute pilihan.

Namun, terjemahan mesin multi-domain, seperti yang ditawarkan oleh Kantan, mulai berkembang.

Pertanyaan Menjawab

Penjawab pertanyaan adalah bagian dari pemrosesan bahasa alami yang merancang sistem untuk menjawab pertanyaan yang diajukan dalam bahasa manusia secara otomatis. START Natural Language Question Answering System mengklaim sebagai "sistem penjawab pertanyaan berbasis Web pertama di dunia, telah online dan terus beroperasi sejak Desember 1993."

Tahukah Anda bahwa Facebook sedang melatih AI untuk menjawab pertanyaan? Mereka mengajarkan AI untuk menganalisis gambar dan menjawab pertanyaan yang diajukan tentang gambar tersebut. Saat ini AI hanya dapat memberikan jawaban sederhana. Tetapi idenya adalah untuk memungkinkannya menawarkan respons yang lebih rumit seperti yang dilakukan manusia.

Terjemahan semantik

Semantik adalah cabang linguistik yang mempelajari interpretasi makna kata dan strukturnya. Penerjemahan semantik bertujuan untuk mempertahankan makna suatu dokumen ketika menerjemahkan ke dalam bahasa lain.

Ahli strategi konten yang bekerja untuk bisnis global ditantang dengan tata kelola konten di berbagai bahasa. Penggunaan terjemahan semantik dapat membantu meningkatkan efisiensi terjemahan dan mengurangi risiko interpretasi yang salah. PROMT adalah salah satu contoh aplikasi yang menggabungkan informasi semantik.

Masa Depan Kecerdasan Buatan dalam Pemasaran Konten

Elon Musk mungkin takut akan kiamat AI tetapi, dari apa yang saya lihat, kami masih berjuang untuk membuat aplikasi yang layak untuk banyak cabang kecerdasan buatan. Yang mengatakan, kita mulai melihat perangkat lunak yang lebih cerdas, terbatas dalam cakupan, yang secara substansial meningkatkan kehidupan kita.

Mesin rekomendasi yang menggerakkan perusahaan raksasa seperti Netflix dan Amazon adalah salah satu contohnya. Sekarang Anda dapat membawa kecanggihan itu ke situs Anda sendiri dengan perangkat lunak seperti Bibblio. Tidak seperti pendekatan sederhana yang menyediakan banyak aplikasi “pos terkait”, algoritme yang didukung AI-nya menawarkan saran konten yang relevan secara semantik.

Kecuali Anda menjalankan situs besar, perangkat lunak seperti ini mungkin tidak akan menjadi hit besar. Namun, bidang kecerdasan buatan membuat langkah nyata yang dapat diukur yang berdampak pada pemasar saat ini, hari ini. Hanya saja, jangan berharap AI melakukan pekerjaan Anda untuk Anda dalam waktu dekat.

Fitur gambar vektor yang dirancang oleh Freepik