Machine learning – AI uczy się digital-u

Tekst powstał w ramach niewspieranej już inicjatywy internetteam.pl

Adam Samulak

---

Uczenie maszynowe (z ang. Machine learning) jako pojęcie pojawia się coraz częściej w świecie marketingu internetowego. Równie często z samouczeniem się maszyn mamy do czynienia w naszym codziennym życiu.  W związku z powyższym postanowiłem przybliżyć Wam, co znaczy to pojęcie.

Poznajmy rodzaje uczenia maszynowego

Uczenie maszynowe możemy podzielić ze względu na to jakiego typu informacje dostarczamy algorytmowi – i tak tworzy nam się podział na uczenie nadzorowane (ang. supervised learning) oraz nienadzorowane (unsupervised learning).

Z uczeniem nadzorowanym mamy do czynienia wtedy, kiedy dane dostarczane do nauki zawierają również poprawną odpowiedź. Przykładem tego typu danych mogą być zdjęcia kciuków w górę lub w dół z dopisanym wyjaśnieniem co dany gest ma oznaczać. Tego typu uczenie maszynowe możemy „przećwiczyć” na stronie: https://teachablemachine.withgoogle.com/ gdzie po sfotografowaniu np. gestu dłoni dla poszczególnego obrazka, po odpowiedniej ilości danych system automatycznie dopasuje obrazek w momencie, kiedy pokażemy odpowiedni gest. Tego typu uczenie wykorzystywane jest np. przy filtrach antyspamowych – w momencie oznaczania wiadomości jako SPAM system uczy się tego, jak wyglądają tego typu wiadomości i blokuje kolejne, które wykazują wysoką zgodność z zaznaczonymi przykładami. Dzięki uczeniu maszynowemu providerzy pocztowi nie muszą już ręcznie wpisywać adresów lub treści wiadomości, które powinny trafiać do folderu SPAM.

Drugi rodzaj tj. uczenie nienadzorowane ma miejsce wtedy, kiedy nie dostarczamy systemowi, żadnych odpowiedzi, a tylko zestaw danych. System w tym wypadku powinien dostarczony materiał np. zdjęcia kotów i psów podzielić na grupy i dopasowywać na zasadzie podobieństwa. Kwestia „podobieństwa” jest tutaj oczywiście dość otwarta, najczęściej jednak podaje się algorytmowi ilość grup, na jaką powinien podzielić dane. W tym wypadku Google również wychodzi do nas z eksperymentem, w którym algorytm stara się odgadnąć co właśnie rysujemy, na zasadzie dopasowania do grup obrazków, które posiada w swojej bazie. W kalambury z algorytmem Google możemy zagrać tutaj: https://quickdraw.withgoogle.com/

Poza powyższymi opcjami, możliwym także jest wrzucenie algorytmu w nieznane środowisko, gdzie nie określamy danych wejściowych, ani wyjściowych. Jedynym „bodźcem”, jaki otrzymuje system jest to, czy dane działanie oznaczymy jako pozytywne lub negatywne. Proces uczenia się możemy porównać do metody prób i błędów. Dobrym przykładem może być tu granie w grę, której zasad nie znamy. Jedynie po zakończeniu rozgrywki dowiadujemy się czy wygraliśmy (pozytywne), czy przegraliśmy (negatywne). Na tej podstawie po rozegraniu większej ilości partii możemy dojść do tego, jakie czynniki mają wpływ na zwycięstwo.

Po co mi wiedza o “machine learning” w marketingu?

Z uczeniem maszynowym spotkałeś się na pewno lub spotkasz lada moment. Machine learning stosowany jest w coraz większej ilości rozwiązań reklamowych. Na uczeniu maszynowym oparty jest Googlowy system Smart Biddingu, która na podstawie ścieżki atrybucji zakończonych konwersją jest w stanie wyodrębnić użytkowników, którzy zachowują się w sieci jak Ci konwertujący i kierować do nich reklamę. Narzędzia remarketingowe takie jak Criteo lub RTB House również swoje algorytmy karmią danymi, które poprzez uczenie maszynowe poprawiają „celność” reklamy. Algorytmy Google odpowiedzialne za wyszukiwanie tekstowe, jak i graficzne w wyszukiwarce, również w dużej mierze opierają się na samouczeniu maszyn.

Warto też wiedzieć, że to my uczymy maszyny naszym zachowaniem w sieci. Jeśli po wpisaniu zapytania w Google, większość osób klikać będzie w jeden wynik to wtedy algorytm otrzyma sygnał, że tak zbudowana strona, zawierająca taką, a nie inną treść jest właściwą odpowiedzią na zapytanie. Jeśli wypełniamy gdzieś „captche”, uczymy algorytm, jak wyglądają samochody, światła uliczne, nazwy ulic itp. itd.

Podsumowując, uczenie maszynowe staje się częścią coraz większej ilości narzędzi, z których korzysta marketer internetowy. Za kilka lat okazać się może, że w optymalizacji i targetowaniu reklam algorytm sprawdza się o wiele lepiej niż człowiek oraz robi to o wiele szybciej. Wtedy też z optymalizatorów przejdziemy w rolę analizatorów wyników, którzy będę wskazywać algorytmowi, na co powinien zwracać uwagę.