Sztuczna inteligencja w marketingu treści: te 23 gałęzie opowiadają historię

Marketerzy, bądźcie wdzięczni, że wasza praca jest bardziej skomplikowana niż gra w Go.

Chociaż ludzie poczynili wielkie postępy w dziedzinie sztucznej inteligencji, zastosowana sztuczna inteligencja dała nam tylko inteligentniejsze narzędzia i asystentów o ograniczonej funkcjonalności. Jak Noam Chomsky zastanawia się w wywiadzie dla Scientific American: „Nawet zadania opanowane niemal odruchowo przez niemowlęta znacznie przekraczają możliwości współczesnej sztucznej inteligencji”. Więc jest mało prawdopodobne, że w najbliższym czasie będziesz pracować dla nadrzędnego AI.

John McCarthy po raz pierwszy ukuł termin „AI” w 1956 r. wraz z premierą konferencji naukowej na ten temat. Od tego czasu rozrósł się do rozległego i złożonego tematu, który znajduje zastosowanie w coraz większej różnorodności zastosowań.

Są szanse, że byłeś narażony na sztuczną inteligencję, nawet o tym nie wiedząc. Jeśli kiedykolwiek korzystałeś z SIRI, odwiedzałeś Facebooka lub kupowałeś na Amazon, sztuczna inteligencja była tam, aby pomóc Ci w podróży.

W tym poście przyjrzymy się ponad dwóm tuzinom gałęzi sztucznej inteligencji, aby zrozumieć jej wpływ na marketerów, wraz z przykładami jej zastosowania do treści.

Sztuczna kreatywność

Sztuczna kreatywność to próba uchwycenia kreatywności na poziomie człowieka w algorytmie. Niektórzy twierdzą, że sztuczna inteligencja wcale nie jest kreatywna i że najlepsze, co może zrobić, to naśladować ludzką kreatywność. Mimo to kreatywność AI jest obecnie wykorzystywana na różne sposoby w popularnych publikacjach internetowych.

Kreatywność sztucznej inteligencji była początkowo widoczna w raportach o zarobkach i pełnych danych artykułach o sporcie i wynikach wyborów. Ten rodzaj pisania ma wysoce ustrukturyzowaną formułę z prostą narracją, co czyni go idealną sytuacją do wykorzystania sztucznej inteligencji. W tym kontekście sztuczna inteligencja zwiększa wysiłki twórców treści, umożliwiając im skupienie się na treściach o wyższej wartości.

Thomson Reuters zaczął wykorzystywać sztuczną inteligencję do automatyzacji publikacji raportów o zarobkach już w 2006 roku. Inne znane publikacje twórczo wykorzystujące sztuczną inteligencję to Associated Press, Forbes, ProPublica i The Los Angeles Times. Trend do wykorzystywania AI w marketingu nadal przyspiesza, ponieważ w ciągu ostatnich 18 miesięcy wydano wiele narzędzi do pisania AI.

Zautomatyzowane planowanie i harmonogramowanie

Na najwyższym poziomie ta gałąź sztucznej inteligencji zajmuje się przekształcaniem strategii w rzeczywistość. Jednak aplikacje w świecie rzeczywistym wydają się być mniej abstrakcyjne i bardziej konkretne w swoim podejściu do rozwiązywania codziennych wyzwań.

Sztuczna inteligencja doskonale radzi sobie z szybką analizą ogromnych ilości danych, co jest istotną korzyścią dla marketerów. Inteligentne oprogramowanie może szybko przekształcić duże zbiory informacji w przydatne informacje.

Najważniejszą korzyścią dla marketerów treści jest to, że nie są już uwikłani w analizę. To, co kiedyś zajmowało godziny, jeśli nie dni, teraz można zrobić w kilka minut. To pozostawia więcej czasu na czynności o dużej wartości, takie jak krytyczne myślenie i podejmowanie decyzji.

MarketMuse wykorzystuje sztuczną inteligencję do tworzenia strategii treści, które mogą konkurować o określone kategorie tematyczne. Wykorzystuje modelowanie tematów w celu wyłonienia odpowiednich tematów, na które może być konieczne ukierunkowanie na dodatkowe treści lub optymalizację istniejących stron.

Tailor Social, narzędzie do zarządzania mediami społecznościowymi, wykorzystuje sztuczną inteligencję do planowania wpisów w mediach społecznościowych. Niedawno wyszedł z wersji beta.

Automatyczne rozumowanie

Zautomatyzowane rozumowanie ma na celu zrozumienie różnych aspektów myślenia i może pewnego dnia doprowadzić do „wydobycia właściwości estetycznych, sentymentu, a nawet emocji” z treści.

Ale jeszcze nas tam nie ma, w rzeczywistości jesteśmy daleko od tego. Ale kiedy nadejdzie ten dzień, zobaczymy jeszcze potężniejsze narzędzia, które zgłębiają treści, w których marketerzy nie mają czasu ani ochoty na ryzyko.

Automatyzacja

Automatyzacja istnieje znacznie dłużej niż sztuczna inteligencja, ale sztuczna inteligencja pomogła stworzyć mądrzejsze i lepsze sposoby zwiększania wydajności. Postępy w tej dziedzinie umożliwiły automatyzację zadań, które wcześniej były domeną ludzi. W rezultacie zmienia się rodzaj pracy, jaką wykonują producenci treści.

Weźmy na przykład proces projektowania stron internetowych, który zazwyczaj obejmuje wiele dyscyplin, w tym projektowanie i tworzenie treści. Grid to oparty na sztucznej inteligencji system projektowania stron internetowych, który tworzy strony internetowe na podstawie dostarczanych treści.

Widzenie komputerowe / rozpoznawanie obiektów

Cyfrowe przetwarzanie obrazu jest wykorzystywane w wielu obszarach, w tym w rozpoznawaniu wzorów, klasyfikacji i ekstrakcji cech. Na poziomie praktycznym wizja komputerowa AI ułatwia zarządzanie zasobami cyfrowymi. MavSocial, wykorzystujący technologię rozpoznawania obrazu od Miro, jest jednym z przykładów.

Remove.bg wykorzystuje zaawansowaną technologię AI do wykrywania warstw pierwszego planu i oddzielania ich od tła. Trudny proces, który zwykle wymagałby godziny lub więcej w programie Photoshop, zajmuje teraz tylko pięć minut.

Innym sposobem, w jaki ta technologia może pomóc, jest automatyczna moderacja treści. Clarifai umożliwia moderowanie i filtrowanie poufnych informacji z Twojej platformy bez interwencji człowieka.

Zarządzanie wiedzą

Girard i Girard w Online Journal of Applied Knowledge Management (PDF) stwierdzają, że „zarządzanie wiedzą to proces zarządzania polegający na tworzeniu, udostępnianiu i wykorzystywaniu informacji i wiedzy organizacyjnej”. Jako gałąź sztucznej inteligencji obejmuje różne aspekty, takie jak eksploracja koncepcji, eksploracja danych, eksploracja tekstu, ekstrakcja informacji i reprezentacja wiedzy. To właśnie w tych konkretnych aplikacjach już odnajdujemy korzyści dla content marketerów.

Wydobycie koncepcji

Eksploracja pojęć polega na wyodrębnianiu pojęć z artefaktów, takich jak strona internetowa lub wpis na blogu. Na przykład Aylien oferuje interfejs API z punktem końcowym wyodrębniania koncepcji, aby znaleźć tematy wymienione w fragmencie tekstu.

Będąc API, nie jest to coś, z czego większość marketerów może skorzystać. Jednak twórcy oprogramowania mogą włączyć ten interfejs API do własnego oprogramowania do użytku na arenie marketingu treści.

Wróć do sekcji o sztucznej kreatywności, aby uzyskać kilka pomysłów na to, jak można to wykorzystać z korzyścią dla marketerów.

Eksploracja danych

Eksploracja danych ma na celu wykrycie wzorców w dużych zestawach danych. Z perspektywy content marketingu ta gałąź sztucznej inteligencji może pomóc w określeniu najlepszych treści do zaprezentowania we właściwym czasie na ścieżce kupującego

Analizując wydatki posiadaczy kart, American Express może przedstawiać spersonalizowane oferty, które przyciągają i zatrzymują klientów. Następnie wykorzystuje ten ukierunkowany marketing, aby dopasować sprzedawców do właściwych klientów, czyli tych, którzy wydają więcej niż przeciętny konsument.

British Airways pozyskuje swoje zasoby danych, aby jednoznacznie identyfikować każdego klienta i spersonalizować jego marketing e-mailowy oraz inną komunikację z klientami.

Eksploracja tekstu

Eksploracja tekstu to rodzaj eksploracji danych, który wyraźnie koncentruje się na wydobywaniu informacji z tekstu za pomocą rozpoznawania wzorców i innych metod poprzez przetwarzanie języka naturalnego (NLP). Zaawansowane moduły sprawdzania gramatyki, takie jak Grammarly, to jeden z rodzajów narzędzi stworzonych na podstawie tej technologii. Nie ma wątpliwości, że marketerzy doceniają korzyści!

Na bardziej zaawansowanym poziomie platforma Acrolinx oferuje mechanizm analizy językowej, który kieruje stylem, gramatykę, terminologią i tonem pisarzy, aby zapewnić, że wszystkie treści pozostaną zgodne z marką. Jest to odpowiedź na poważne wyzwanie, przed którym stoją wszyscy twórcy treści korporacyjnych; utrzymanie treści spójnej i odzwierciedlającej markę, niezależnie od twórcy treści.

Wydobycie procesowe

Analizowanie danych dziennika zdarzeń w celu identyfikacji trendów i wzorców jest znane jako eksploracja procesów. Livejourney zastosowało to do śledzenia podróży klienta w czasie rzeczywistym. Monitorując wszystkie punkty kontaktu z klientem i analizując podróże z perspektywy klienta, możesz rozwiązać wszelkie nieefektywności i zwiększyć satysfakcję klienta.

Filtrowanie spamu w wiadomościach e-mail

Walcz ze spamem za pomocą spamu. Rescam to sztucznie inteligentny bot e-mail, który odpowiada na fałszywe wiadomości e-mail. Chatbot wykorzystuje jedną ze swoich ludzkich osobowości, aby kontynuować rozmowę z niedoszłym oszustem. Marnowanie czasu z botem daje oszustom mniej czasu na ściganie prawdziwych ofiar. Do tej pory Rescam zmarnował ponad pięć lat czasu oszustów.

Ekstrakcja informacji

Ta gałąź AI często koncentruje się na przetwarzaniu tekstu w ludzkim języku za pomocą NLP. Zastosowania w świecie rzeczywistym wahają się od stosunkowo prostych, takich jak automatyczne wyodrębnianie tekstu z wiadomości e-mail (Parseur), po bardziej złożone zadania polegające na podsumowaniu dokumentu (fraza). Bezpośrednim przypadkiem użycia tej technologii byłoby dostarczanie automatycznych podsumowań tekstowych do codziennych nowych podsumowań lub do wykorzystania w kuracji treści.

Sieć semantyczna

Sieć semantyczna to termin wymyślony przez Tima Bernersa-Lee, wynalazcę sieci WWW, w 2001 roku (pdf). Chodzi o to, aby wszystkie dane w Internecie, treści, linki i transakcje mogły być analizowane przez maszynę. Ale koncepcja stara się zyskać przyczepność. Chociaż liczba witryn korzystających z semantycznych znaczników sieci wciąż rośnie, nadal stanowią one mniejszość.

Jednym z bardziej znaczących zastosowań technologii sieci semantycznej jest BBS, który wykorzystał ją do obsługi całej swojej witryny internetowej poświęconej mistrzostwom świata w 2010 roku. Inne znaczące zastosowania technologii sieci semantycznej obejmują Time Inc., Elsevier i Bibliotekę Kongresu.

Jednak formatowanie treści dla sieci semantycznej jest znacznie bardziej skomplikowane niż obecne procesy. Dodatkowy czas i koszty mogą tłumaczyć jego powolne przyjmowanie wśród marketerów.

Nauczanie maszynowe

Uczenie maszynowe to dziedzina sztucznej inteligencji, która sprawia, że ​​komputery „uczą się” na podstawie danych, nie będąc zaprogramowanym pod kątem zadania. Silniki rekomendacji, takie jak te używane w Curata, Scoop.it i Zetaare machine learning w akcji.

Korzyścią dla takich systemów jest to, że rekomendacje poprawiają się w miarę upływu czasu, gdy system uczy się, co stanowi dobrą sugestię. Jednak marketerzy mogą nie mieć cierpliwości, aby czekać na te ulepszenia!

Persado używa „języka generowanego przez sztuczną inteligencję dla tematów wiadomości e-mail i płatnych reklam w mediach społecznościowych” zoptymalizowanych pod kątem konwersji. Pomyśl o tym jako o automatycznym testowaniu konwersji.

Nie musisz być specjalistą od optymalizacji współczynnika konwersji ani regularnie przeprowadzać testów. Sztuczna inteligencja stojąca za oprogramowaniem zajmuje się całą tą pracą, nieustannie ucząc się i przedstawiając marketerowi lepsze wybory.

Wyobraź sobie, że oferujesz rekomendacje w czasie rzeczywistym z treścią spersonalizowaną dla każdego użytkownika. LiftIgniter wykorzystuje uczenie maszynowe, aby osiągnąć ten cel. Ciągle się uczy i optymalizuje w oparciu o określony cel, który sobie wyznaczyłeś.

Uczenie maszynowe może nie tylko pomóc w formułowaniu odpowiednich zaleceń. Może być nawet używany do tworzenia, a dokładniej doboru treści.

IBM Watson pomógł stworzyć zwiastun do hollywoodzkiego suspensu/horroru.

Najpierw uczono, jak rozpoznawać przerażające sceny i przerażającą muzykę oraz analizować kompozycję scen filmowych, aby określić, co sprawiło, że były przerażające. Następnie obejrzał pełnometrażową wersję filmu i wybrał dziesięć momentów, które byłyby najlepszymi kandydatami do zwiastuna.

Wykonanie właściwego zadania redakcyjnego pozostawiono ludzkiej pomysłowości. Oto wynik:

Głęboka nauka

Głębokie uczenie to aspekt uczenia maszynowego oparty na reprezentacji danych, a nie na algorytmach specyficznych dla zadania. Został zastosowany w różnych dziedzinach, w tym w przetwarzaniu języka naturalnego, tłumaczeniu maszynowym i wizji komputerowej.

Na konferencji Game Developers Conference 2018 firma NVIDIA zademonstrowała „niedawne badania nad sposobami wykorzystania sieci Deep Learning do generowania realistycznie wyglądających animacji ludzi” oraz tego, jak zastosowała głębokie uczenie do syntezy tekstur.

W bardziej praktycznym zastosowaniu Envision wykorzystuje sztuczną inteligencję, aby pomóc marketerom wybrać najlepszą miniaturę, segment lub zdjęcie wideo. Wykorzystuje również głębokie uczenie się, aby automatycznie znajdować i dodawać najlepsze hashtagi do Twoich postów na Instagramie.

Przetwarzanie języka naturalnego

Dla marketerów zajmujących się treścią tekstową przetwarzanie języka naturalnego jest podstawową dziedziną sztucznej inteligencji. Ta gałąź sztucznej inteligencji zajmuje się umożliwieniem komputerom rozumienia języka.

Istotnymi wyzwaniami w tej dziedzinie są rozpoznawanie mowy, rozumienie języka naturalnego i generowanie języka naturalnego. Jednak poczyniono znaczne postępy, co widać w rozpowszechnianiu chatbotów, tłumaczeniu maszynowym i korzystaniu z interfejsu użytkownika w języku naturalnym, takiego jak SIRI.

Oto kilka interesujących przykładów, na które warto zwrócić uwagę.

Narrative Science automatyzuje personalizację na dużą skalę za pomocą generowania języka naturalnego, aby automatycznie generować opisy i zapewniać spersonalizowaną komunikację.

Conversica wykorzystuje sztuczną inteligencję, która pomaga pielęgnować przychodzące leady, dopóki ich zainteresowanie nie zmieni się na zamiar zakupu. Mówiąc dokładniej, wykorzystują sztuczną inteligencję do interpretowania odpowiedzi e-mail, wysyłając unikalne i naturalnie brzmiące odpowiedzi jako kontynuację.

Chatboty

Chatboty są wszędzie! Są one zwykle używane do kwalifikowania potencjalnych klientów lub wykorzystywane jako system dostarczania treści.

Dwa podstawowe typy chatbotów to te, które rozumieją ograniczone polecenia oraz te, które wykorzystują przetwarzanie języka naturalnego.

Chatboty z ograniczonymi poleceniami są przydatne, gdy opcje zadań są ograniczone, a interakcję można poprowadzić po bardzo dobrze zdefiniowanych ścieżkach. Chatboty NLP pozwalają na bardziej konwersacyjny przepływ.

Platformy chatbotowe, takie jak Flow XO, eliminują potrzebę umiejętności kodowania, ale ich wdrożenie może być trudne z kilku powodów:

• Marketerzy muszą wiedzieć, jakie zadania chcą wykonać ich goście.
• Potrzebują głębokiego zrozumienia podróży odbywanych przez ich odbiorców.
• Rodzaje treści używanych w tym kontekście mogą być radykalnie różne.
• Może im brakować strategii bogatej treści.

Identyfikacja językowa

Identyfikacja języka jest kluczowym elementem tłumaczenia maszynowego i przetwarzania języka naturalnego. Chociaż nie ma to bezpośredniego wpływu na marketerów, stratedzy treści pracujący na poziomie przedsiębiorstwa często zajmują się kwestiami tłumaczenia języka i jego wpływem na treść.

Google AI jest głęboko zaangażowana we wszystkie rzeczy związane z technologiami języka naturalnego, w tym identyfikację języka. Mogłeś tego doświadczyć, odwiedzając stronę w obcym języku.

Dla strategów treści z zerowym budżetem na tłumaczenie może to być ratunkiem.

Interfejs użytkownika w języku naturalnym

Prototypowe interfejsy użytkownika w języku naturalnym pojawiły się po raz pierwszy pod koniec lat sześćdziesiątych i dopiero niedawno zostały spopularyzowane. Jeśli kiedykolwiek korzystałeś z SIRI lub Amazon Echo, spotkałeś się z interfejsem w języku naturalnym.

Dla marketerów treści może to potencjalnie zmienić sposób, w jaki myślimy i tworzymy treści. Wyszukiwarki nadal opierają się na słowach kluczowych, a twórcy treści często tworzą długie fragmenty treści w nadziei na dobrą pozycję dla wielu słów kluczowych.

Jednak użycie interfejsu w języku naturalnym, zwłaszcza sterowanego głosem, tworzy nowy kontekst. Użytkownicy szukają ukierunkowanych odpowiedzi na konkretne pytania, do czego nie pasuje manifest zawierający 10 000 słów. Chociaż widzieliśmy tendencję do tworzenia bardziej rozbudowanych treści, ten trend może wkrótce ulec zmianie.

Rozumienie języka naturalnego

Rozumienie języka naturalnego to podtemat przetwarzania języka naturalnego, którego początki sięgają roku 1964 wraz z publikacją doktoratu Daniela Bobrowa. rozprawa. Istnieje duże zainteresowanie zrozumieniem języka naturalnego ze względu na jego znaczenie dla analizy treści na dużą skalę, odpowiadania na pytania i kategoryzacji tekstu.

Aplikacje świata rzeczywistego, przynajmniej do celów marketingowych, wymagają dość wyrafinowanych zdolności rozumienia, aby uchwycić pojęcia zawarte w dokumencie. OneSpot to jedna z takich firm, która wykorzystuje połączenie uczenia maszynowego i języka naturalnego do przetwarzania treści użytkowników witryny i dostarczania zindywidualizowanych treści na dużą skalę.

Tłumaczenie maszynowe

Kolejną podgałęzią przetwarzania języka naturalnego jest tłumaczenie maszynowe. Jeśli kiedykolwiek korzystałeś z Tłumacza Google, zadrapałeś powierzchnię tłumaczenia maszynowego.

Wraz ze wzrostem dokładności tłumaczeń rosną możliwości tłumaczenia na rynkach B2B i konsumenckich.

Stratedzy treści pracujący w globalnych korporacjach wykorzystują tłumaczenie maszynowe do tłumaczenia treści na dużą skalę w opłacalny sposób. Domeny biznesowe, takie jak technologia, finanse, prawo, opieka zdrowotna itp., mają swoje własne niuanse i warunki, dlatego preferowaną drogą jest tłumaczenie maszynowe specyficzne dla domeny.

Jednak wielodomenowe tłumaczenie maszynowe, takie jak oferowane przez Kantana, zaczyna zyskiwać na popularności.

Odpowiedzi na pytania

Odpowiadanie na pytania to podzbiór przetwarzania języka naturalnego, który projektuje systemy w taki sposób, aby automatycznie odpowiadały na pytania zadawane w ludzkim języku. START Natural Language Question Answering System twierdzi, że jest „pierwszym na świecie internetowym systemem odpowiadania na pytania, działa on-line i działa nieprzerwanie od grudnia 1993 roku”.

Czy wiesz, że Facebook szkoli sztuczną inteligencję, aby odpowiadać na pytania? Uczą sztucznej inteligencji analizowania obrazów i odpowiadania na pytania dotyczące tych obrazów. W tej chwili sztuczna inteligencja może udzielić tylko prostych odpowiedzi. Ale chodzi o to, aby umożliwić mu oferowanie bardziej skomplikowanych odpowiedzi, tak jak zrobiłby to człowiek.

Tłumaczenie semantyczne

Semantyka to dział językoznawstwa zajmujący się interpretacją znaczenia słów i ich struktury. Tłumaczenie semantyczne ma na celu zachowanie znaczenia dokumentu podczas tłumaczenia na inny język.

Stratedzy treści pracujący dla globalnego biznesu stają przed wyzwaniem związanym z zarządzaniem treścią w wielu językach. Zastosowanie tłumaczenia semantycznego może pomóc w zwiększeniu wydajności tłumaczenia i złagodzić ryzyko nieprawidłowej interpretacji. PROMT jest jednym z przykładów aplikacji zawierającej informacje semantyczne.

Przyszłość sztucznej inteligencji w content marketingu

Elon Musk może obawiać się apokalipsy AI, ale z tego, co widziałem, wciąż walczymy o stworzenie wykonalnych aplikacji dla wielu gałęzi sztucznej inteligencji. To powiedziawszy, zaczynamy widzieć inteligentniejsze oprogramowanie o ograniczonym zakresie, które znacznie poprawia nasze życie.

Jednym z przykładów są silniki rekomendacji napędzające gigantyczne firmy, takie jak Netflix i Amazon. Teraz możesz wprowadzić to wyrafinowanie do swojej własnej witryny za pomocą oprogramowania takiego jak Bibblio. W przeciwieństwie do prostego podejścia, które zapewniało wiele aplikacji „powiązanych z postami”, jego algorytm oparty na sztucznej inteligencji oferuje semantycznie istotne sugestie dotyczące treści.

O ile nie prowadzisz dużej witryny, oprogramowanie takie jak to może nie być wielkim hitem. Jednak dziedzina sztucznej inteligencji podejmuje realne, wymierne kroki, które mają wpływ na marketerów już dziś. Tylko nie oczekuj, że sztuczna inteligencja wykona za ciebie pracę w najbliższym czasie.

Wektor obrazu funkcji zaprojektowany przez Freepik