前言
这是2021年IAB公司发布的《市场营销人工智能使用案例及最佳实践报告》的最后一篇译文。翻译工作不难，但是非常考验一个人的态度，需要译者忠于自己的初心，严谨对待所有文字、数据、信息、技术和观点。时代变化如此之快，3年前IAB发布此报告的时候，那时候还没有AIGC，ChatGPT以及今天火热到不能的Sora 音视频生成技术。在此报告里，2021年也提及了文本和 语音相互转化的技术（Text to speech and speech to text）。未来已来不是虚化，很遗憾的是农历新年之前，我了解到很多中小企业家在面临2024年不确定的市场后说要增加销售人员的匆忙决定。无论是2B，还是2C，参加展会，或是线下拜访，无论大客户体系，还是关系营销，抑或是深度营销，多媒体，内容传播, 数字人...... 营销界一瞬间大家昏头转向，随着大客户的似潮水般薄情寡义离开，销售员和销售渠道几乎很多公司都要年年换一茬，这种恶性的循环到哪一天会停止？
我不禁要问一个问题，我们营销人的使命是什么？我们要销售什么？我们凭什么想客户和朋友推荐我们的产品？难道只是性能、价格、服务、研发还是那几个价值主张的组合？如果未来所有的客户采购都通过数字人进行网络招标，我们的营销工作难道还是继续使用线下拜访，强关系，大客户营销，深度营销 ......
怀着非常虔诚的心态翻译此文，主要原因是IAB在此报告中详细介绍了与市场营销相关的人工智能技术以及他们积极、真诚和颇具前端性的倡议。这个报告从三个方面设计的：
1. 与市场营销相关的，都有哪些人工智能和机器学习技术？
2. 作为公司C级别高层人员，营销人和技术工程师们，你们为什么要了解这些人工智能和机器学习技术。这些技术在你们的工作中，什么场景下可能应用得上 - 你们为什么学习基础人工智能技术。
3. 案例分享者都是著名人工智公司，他们分享的都是他们成功的数字营销转型的经验，有丰富的例子和业绩成果。
IAB致力于推动市场营销行业人工智能技术行业协议，标准，条款和释义。这是一个非常远大和高尚的理想。我们会发现，优秀的公司为什么会成为优秀的公司，那是因为他们的初心是立志去解决社会问题，或者其中一个问题，一个很小的问题，如果能够用商业的手段来解决社会问题，这种企业往往都是长命百岁的百年企业。让我们一起致谢这样的雄心勃勃的社会企业！
IAB在2021年出版此报告的时候，对以下12个与人工智能和机器学习有关的专业术语一一进行了解释，并结合从业人员的特点，从业人员为什么需要了解这些基础知识和原理，都做了简明扼要的解释。由于当时并未提到AIGC、ChatGPT, 或者 Sora，故本次只解释原报告中这12个专业术：
| 序号 | 术语名称 | 序号 | 术语名称 |
| 1 | 算法 | 7 | 自然语言处理 |
| 2 | 人工智能 | 8 | 加强学习 |
| 3 | 智能人工网络 | 9 | 机器过程自动化 |
| 4 | 聊天机器人 | 10 | 监督学习 |
| 5 | 超级自动化 | 11 | 文本到语音/语音到文本 |
| 6 | 机器学习 | 12 | 非监督学习 |
（备注：超级自动化并未在此页显示，估计是原文作者失误）
专业术语1 - 算法
定义：算法是一系列定义明确的计算机指令，用于解决问题或执行计算，如计算、数据处理或自动推理。又称为：计算机算法、算法规则
深入了解
在计算机系统中，算法是开发人员用代码编写的有限逻辑的一个实例，用于有效地解决一类问题或复杂计算，产生有输入或无输入的输出。算法是在有限的空间和时间内制定的，用定义良好的形式语言（即Javascript、Python、PHP）编写。
单独的算法不能解决问题。相反，算法是试图解决问题的结果或手段。适当的算法方法需要对数据、问题和预期结果进行规划和理解。
应用场景：实时竞价、广告技术解决方案、创意优化
对谁重要
| 公司高层管理人员 | 营销人员 | 技术人员 |
| 算法是解决组织问题的基础，也是核心指令。了解您的核心业务问题将有助于您倡导使用“正确”的算法。 | 就像消费者的旅程一样，算法有助于通过理解逻辑动作来逐步输入。 | 使用算法是日常工作的一部分，通过计算机辅助逻辑的应用来寻找使用数据和解决问题的方法。 |
专业术语2 - 人工智能
定义
人工智能或人工智能是赋予机器使用理性和理解来完成任务的能力，而不像自然智能，人类和动物使用自然智能并涉及有意识的推理和理解。又称为：增强智能，通常与深度机器学习相关。
深入了解
在计算机科学中，人工智能研究被定义为对智能体的研究：任何感知其环境并采取行动最大限度地提高其成功实现目标的机会的设备。通俗地说，人工智能一词是指机器模仿人类与其他人类思维联系在一起的认知功能，如学习和解决问题。
智能是由模仿人类与其他人类大脑联系的认知功能的机器来证明的，比如学习和解决问题。
人工智能有两种可能的形式：通用和狭义。
一般人工智能（又称强人工智能）并不存在于科幻小说之外。理论上，在给定足够数据的情况下，通用人工智能具有计算灵活性，可以自行解决许多问题或执行许多任务。
狭义人工智能（又称弱人工智能）自现代计算诞生以来就一直存在。狭义人工智能执行单个或有限数量的指定任务，它们依赖于一组特定的输入并生成可预测的输出。狭义人工智能可以进一步分为两种亚型：经典人工智能和机器学习。
应用场景
自然语言处理、机器学习、计算机视觉、深度学习、认知科学
对谁重要
| 公司高层管理人员 | 营销人员 | 技术人员 |
| 从受众和目标定位到创造性的共鸣和见解，人工智能增强了商业战略和成果。高管们必须接受并理解这些不断发展的可能性，才能保持竞争力。 | 人工智能具有独特的能力，可以帮助营销人员决定他们需要提供什么样的创意，应该如何设计，以及看起来应该如何和感觉——实时和大规模的。与这些行业变化相邻的是数据的复杂性不断增加、期望不断变化，以及发明新的、可扩展的解决方案的必要性，这些解决方案以广告的速度发展，同时遵守透明和以隐私为中心的方法。 | 技术专家负责评估哪些人工智能工具和功能值得构建和实施，以加速业务发展。 |
专业术语3 - 智能神经网络
定义
人工神经网络（ANN）将算法和计算能力相结合，通过模仿我们大脑一样的生物神经网络的形式和功能来处理问题。也称为：神经网络，深度神经网络
深入了解
人工神经网络，或者简称为神经网络（NN），是一种基于被称为神经元的连接节点集合的计算系统。神经元将信号（数据）传输给其他神经元，类似于人脑的工作方式。
当神经元接收到输入时，它会对其进行处理，并决定将信号传递给附近的神经元。在神经元内执行的决策计算通常是导出输入之和的非线性函数。这些神经元之间的连接被称为边缘。神经元和边缘通常根据信号的强度进行加权，无论是正加权还是负加权。这个权重随着神经网络的不断学习而调整。
标准的方法是将神经元分解成层。这些层将对其输入执行不同的转换。从第一层（输入）到最后一层（输出）通过网络的信号可能多次穿越所有层。大多数情况下，神经网络通过处理示例数据进行学习，并在不被编程为遵循特定规则的情况下学习执行任务。
应用场景
图像分类、自然语言处理（NLP）、自动游戏为什么重要：
对谁重要
| 高层管理人员 | 营销人员 | 技术人员 |
| 人工神经网络从经验中学习，因此简单的计算操作可以用于解决复杂的非线性问题——非常适合扩展业务的一部分。 | 神经网络使营销人员能够对消费者行为做出预测。活动结果、营销自动化、内容创建和销售预测是最常见的做法。 | 神经网络可以用于建模非线性问题，并根据训练值预测给定输入的输出。当你处理大量数据并需要非常准确的结果时，你很可能想要使用人工神经网络。值得注意的是，为了准确性，你会放弃一些可解释性。 |
专业术语4 - 聊天机器人助手
定义
聊天机器人助理是聊天机器人使用自然语言处理、自然语言理解，有时还使用语气或情绪分析，使用语音到文本、文本到语音或其他输入和输出方法来推动对话。又称为：数字助理、代理
深入了解
聊天机器人和数字助理是基于对话的系统，可以帮助人类浏览信息、完成任务，或通过对话获得基于特定需求的推荐。
最先进的聊天机器人是通过信息库进行训练的，使它们能够对用户的自然语言输入做出反应。他们使用各种技术来理解消费者输入的语气，并将其作为智能响应的一部分。
应用场景
产品发现/推荐、客户服务、任务管理
对谁重要
| 企业高级管理人员 | 营销人员 | 技术人员 |
| 企业在快速转变的客户/消费者态度和忠诚度以及需求方面面临挑战 简化互动体验，确保消费者满意度，并获得关键反馈和可操作的见解，以保持和深化这些关系。这些解决方案提供了快速准确的接触点，降低了反弹率，减少了呼叫中心的挫折感，并确保客户感到被倾听。此外，这些基于对话框的自动化系统可以减轻企业的重复任务，如常见问题和帐户查询以及大规模提供个性化推荐，在不牺牲客户关系的情况下提高业务效率。 | 营销人员可以通过各种消费者接触点使用基于对话的系统。通过应用训练有素的自然语言实践，聊天机器人可以提供更具同理心和个性化的1:1关系，并可以区分品牌。从消费者输入和对话路径中得出的见解可以揭示重要的见解，例如哪些信息会引起共鸣，以及如何将其应用于更广泛的参与策略中，在这些策略中可能存在不可预见的盲点，需要被澄清，以及能力以大规模地提取产品/品牌/体验反馈。 | 在聊天机器人的开发过程中，工程师可以继续完善概念、短语和关键术语之间的语义关系，从而丰富计算机更好地处理语言的能力。完善的系统提供计算机与人类互动的关键基础，以及设计更具同理心、敏感和细致入微的对话的能力。 |
专业术语5 - 超自动化
定义
超自动化是机器人过程自动化、人工智能、机器学习和过程挖掘等先进技术的实际应用，以增强工人并以比宏或孤立的自定义脚本等传统自动化功能更具影响力和覆盖更多基于认知的任务的方式实现过程自动化。也称为：机器人过程自动化（RPA）、智能过程自动化（IPA）、认知编排、人工智能结构。
深入了解
自动化是指使用技术来促进或执行最初需要一些人类判断或行动的形式。术语“任务”不仅指执行、工作或操作环境中的任务和活动，还包括思考、发现和设计这些自动化过程中的任务。这套技术和应用方法对企业运营的现代化至关重要，因为企业寻求卓越运营和技术潜力的交叉点上的众多利益。
业务驱动的超自动化是指一种组织快速识别、审查、并通过严格的方法使尽可能多的批准的业务流程自动化。超自动化涉及多种技术、工具或平台的协同使用（包括但不限于人工智能、机器学习、事件驱动软件架构、RPA、iPaaS、打包软件以及其他类型的决策、流程和任务自动化工具）。
虽然很少有职业是完全自动化的，但根据麦肯锡最近的一项研究，60%的职业通过适应当前演示的技术，在技术上至少有30%的活动是自动化的。到2024年，组织将通过将超自动化技术与重新设计的运营流程相结合，将运营成本降低30%。到2025年，采用人工智能的公司将效率高出10倍，市场份额是没有效率的公司的两倍。
应用场景
软件机器人和虚拟助理、业务流程和工作流自动化、流程挖掘、数据迁移、公民开发、模拟低价值/高成本任务
对谁重要
| 企业高层管理人员 | 市场营销人员 | 技术人员 |
| 过去几年，随着企业将自动化技术和人工智能集成到整体业务运中，超自动化已成为一种顶级技术趋势。企业已进入与竞争对手竞争，以提高利润率并留住人才。超自动化是数字化转型努力的重要催化剂，以降低成本，同时使人们能够为客户创造更多价值。 | 营销人员必须意识到超自动化趋势，以便他们能够识别可以重新分配给自动化技术的用例，以及然后推动这些任务由自动化中心或公民开发人员挑选。这将使运营团队和技术团队能够以解决现代技术的实际问题，同时当他们可以访问低代码和无代码开发工作室时，也可以授权自己处理这些用例。 | 技术专家应该意识到，超自动化是一套可以提供高影响力商业价值的技术。因为它位于十字路口卓越的运营和技术进步Hyperautomation专注于以易用性和低实施成本解决运营层面的业务问题，这使其成为寻求快速高ROI时不可忽视的力量。随着早期技术的发展并成为企业DNA的一部分，超自动化技术的早期技术采用者将开辟新的职业道路。 |
专业术语6 - 机器学习
定义
机器学习（ML）的实践侧重于开发可以访问数据并使用数据进行自我学习的计算机程序。
也称为：预测分析、专家系统、自然语言处理、深度知识工程
深度了解
机器学习是研究通过经验自动改进的计算机算法。它被视为人工智能的一个子集。机器学习算法基于样本数据建立一个数学模型，称为“训练数据”，在没有明确编程的情况下进行预测或决策。机器学习算法用于各种应用，如电子邮件过滤和计算机视觉，其中开发传统算法来执行所需任务是困难的或不可行的。机器学习与计算统计学密切相关，计算统计学侧重于使用计算机进行预测。数学优化的研究为机器学习领域提供了方法、理论和应用领域。数据挖掘是一个相关的研究领域，专注于通过无监督学习进行探索性数据分析。在跨业务问题的应用中，机器学习也被称为预测分析。
应用场景
出价优化、图像识别、内容、了解活动表现
对谁重要
| 高层管理人员 | 营销人员 | 技术人员 |
| 机器学习可以帮助公司深入查看其数据和消费者，以发现模式和关系，预测和预测结果，并增强复杂的流程。它还可以改进客户细分和目标定位，为更高性能的媒体战略提供信息，并为战略见解提供数据理解。 | 机器学习可以帮助营销人员更好地了解消费者和市场状况，提供效率、自动化和更好的大规模决策。无论是处理第一方数据、预测正确的创意信息还是优化程序化报价，机器学习都是现代营销策略的关键要素。 | 机器学习为工程师提供了创建系统的能力，这些系统可以通过经验进行学习和改进。这些系统可能使用有监督、无监督或强化学习方法，并采用几种算法方法。有了这些工具，工程师可以制定程序来处理大量数据，提取有用的信息、模式或预测，并允许无人机或增强决策。 |
专业术语 7 - 自然语言处理
定义
自然语言处理（NLP）是人工智能的一个分支，其重点是使计算机能够理解大量口头或书面形式的自然语言数据以及其中语言的上下文细微差别。
也称为：深度人工智能
深度了解
NLP是语言学、计算机科学、信息工程和人工智能的一个子领域，涉及计算机和人类（自然）语言之间的交互，特别是如何编程计算机处理和分析多种形式的语言，以获得意义和理解。
NLP被训练来理解语言，处理话语的意图，提取实体来理解主题，并破译单词的适当含义。例如，“球”可能意味着可以投掷或滚动的物体，也可能意味着一个人可能穿着长袍或燕尾服参加的活动。NLP是根据样本话语或内容进行训练的，以理解我们说话或写作方式的人为差异。
自然语言处理中的挑战通常涉及语音识别、自然语言理解和自然语言生成数据。
应用场景
品牌安全定位、上下文人工智能、情绪分析、聊天机器人、文本预测
对谁重要
| 高层管理人员 | 营销人员 | 技术人员 |
| 许多企业正在使用NLP通过聊天机器人自动化客户验，并可以测量情绪客户对其业务的态度标记的社交媒体帖子公司。NLP还可以通过在编程环境中对内容进行大规模分类来瞄准合适的客户。 | 在最近的历史上，营销人员一直在使用NLP，主要是为了确保他们的广告不会运行在品牌不安全的环境中。随着第三方cookie即将被弃用，标记越来越倾向于高级功能基于上下文AI，针对定制的页面类别并优化活动内容分类和情感分析。营销人员还可以测试他们的广告文案的情绪，以及不同的情绪值在营销活动中的表现。 | NLP程序是根据KPI（如精确度与召回率）进行测量和调整的。此外，当在程序化广告环境的背景下工作时，技术人员实现了提高可分类内容页面数量覆盖率的系统。 |
专业术语8 -强化学习
定义
强化学习（RL）是一种机器学习技术，它使系统能够理解特定环境中的典型行为，从而最大限度地提高其性能。也称为：Q学习，深度RL
深度了解
强化学习（RL）是一系列机器学习，其中机器/软件代理学习在环境中何时何地采取行动，以最大限度地提高累积奖励的知识。
强化学习是三种基本的机器学习范式之一，与监督学习和无监督学习并列。强化学习与监督学习的不同之处在于，不需要呈现标记的输入/输出对，也不需要明确校正次优动作。相反，强化学习努力在探索未发现的领域和利用当前理解之间取得平衡。
应用场景
高级A/B测试、自动游戏
对谁重要
| 高层管理人员 | 营销人员 | 技术人员 |
| 强化学习就是在没有数据的情况下做出决定。组织是由决策驱动的，有时可能会受到其扩展良好决策能力的限制为客户提供服务或超级服务。RL作为一种工具，允许大规模的决策自化，但也存在需要理解的风险。然而，扩展、自动化和超服务的潜力是非常强大的。 | 了解RL使营销人员能够部署工具以及可以帮助加速并为买家提供超高服务。随着RL模型的不断改进，随着时间的推移，培养这些模型或采用能够加速培养的技术，可以成为竞争优势的来源，并显著提高市场的效力。通过动态创意、聊天机器人或对话部署等解决方案，或基于RL的目标定位和内容个化，营销人员可以推动客户和品牌之间进行有意义的对话。 | RL模型需要时间来学习并变得有效。了解这一生命周期对于确保模型有足够的学习空间，同时降低与实时客户/用户一起使用模型的成本和质量至关重要。调整预期尤其重要的是要确保它们能够成功培育。在这里，偏见尤其重要，因为非常聪明的人部署的善意的模型学会了做他们不想做的事情，有时会造成品牌损害。 |
专业术语9 - 机器人过程自动化
定义
机器人过程自动化（RPA）是一种技术，它允许当今任何人配置计算机软件，或“机器人”来模拟和集成数字系统中交互的人类行为，以执行业务流程。
也称为：软件机器人，类固醇上的宏，RPA机器人
深度了解
RPA是一种基于隐喻性软件机器人或人工智能/数字工作者的业务流程自动化技术。它有时被称为软件机器人。在传统的工作流自动化工具中，软件开发人员使用内部应用程序编程接口（API）或专用脚本语言生成操作列表，以自动化任务和与后端系统的接口。相反，RPA系统通过观察用户在应用程序的图形用户界面（GUI）中执行该任务来开发动作列表，然后通过直接在GUI中重复这些任务来执行自动化。这可以降低在产品中使用自动化的障碍，否则这些产品可能不会为此目的提供API。
与其他传统的IT解决方案相比，RPA允许组织以以前遇到的成本和时间的一小部分实现自动化。RPA是非侵入性的，它利用了现有的基础设施，而不会中断难以更换且成本高昂的底层系统。有了RPA，成本效率和合规性不再是运营成本，而是自动化的副产品。
RPA机器人能够模仿许多——如果不是全部的话——人类用户的动作。他们登录应用程序、移动文件和文件夹、复制和粘贴数据、填写表单、从文档中提取结构化和半结构化数据、抓取浏览器等等。
RPA是超自动化企业自动化能力的一个组成部分。重要的是要考虑团队通过自动化COE的形式来支持和管理RPA能力，无论是集中式、联邦化还是混合式。
同样重要的是要考虑到这类技术如何会让工人流离失所，但它也通过公民发展培训计划的形式成为这些工人的有力工具。想象一下，每个工人指尖都有一个虚拟助理，这种可访问的技术会产生什么影响。这需要更广泛的治理模式、变革管理计划和沟通。
应用场景
知识工人扩充、数据迁移、通过UI集成
对谁重要
| 高层管理人员 | 营销人员 | 技术人员 |
| RRPA实现了广泛的范围的应用程序，降低劳动力成本和提高利润。但全球92%的高管使用RPA来帮助公司为客户提供更好的服务，提高客户满意度。因为RPA可以发挥关键作用 在改善整个企业任何业务职能的工作流程方面，这是高管们寻求的一种新的杠杆，以创造相对于行业竞争对手的新竞争优势。 | RPA正在推动营销组织之间的创新对话。虽然RPA在后台运营（如财务、人力资源、法律、IT）中经常被列为优先事项，但它在前台越来越受欢迎。不仅在联络中心等明显的领域，而且在销售和市场营销方面。如今，首席营销官希望更多地直接参与客户参与。市场营销希望使用的所有来源数据以提高准确性目标定位工作和所用内容的相关性。RPA可以通过在幕后工作的软件机器人来增强客户体验。例如，RPA机器人程序可以进行持续的竞争研究，简化和优化数字广告布局，并做出响应在公司内外的多个接触点和渠道中获得见解。 | RPA是一种软件程序，运行在最终用户的机器（有人值守的机器人）或服务器（无人值守的机器人程序）上，并根据定义的一组规则和来自其他系统或最终用户的输入执行一系列活动。RPA的主要目标是将人类执行的常规和重复任务转移到虚拟助理 或机器人。机器人与软件应用程序、网站和其他人交互以完成工作。它们甚至可以在更复杂的人工智能和ML驱动的用例中做出预测或决策。例如，RPA能够为不同的供应商和客户设置流程，建立信贷和付款审批工作流，处理付款和收款，发送订单，发送逾期付款通知等。 |
专业术语10- 监督学习
定义
监督学习是机器学习的一个分支，其核心是根据学习的输入和输出数据找到模式并进行预测。也称为：机器概念深度学习
深度了解
在监督学习中，模型是围绕训练数据建立的，用于告知所需的理解。在人类心理学中，这通常被称为概念学习。监督算法分析训练数据，并生成映射到新的或生产数据示例的预设函数。
有许多监督学习算法可用，每种算法都有其优点和缺点。对于任何给定的问题，它们都不是唯一最好的。一些最广泛使用的算法包括支持向量机、线性回归、逻辑回归、朴素贝叶斯、决策树、k近邻和相似性学习。
在监督学习中，有四个领域可能会出现问题，包括偏差-方差权衡、训练量的函数复杂性、输入空间的维数和数据输入中的噪声。
其他复杂性可能源于数据的质量、冗余数据的潜在误导以及数据类型对算法选择的影响。例如，当特征之间存在复杂的交互时，决策树算法往往表现得更好。
应用场景
预测结果、预测受众、创造性绩效预测
对谁重要
| 高层管理人员 | 营销人员 | 技术人员 |
| 有监督的学习增强了业务战略和成果。高管们必须接受并理解这些不断发展的可能性，才能在未来的市场中保持竞争力。 | 监督学习可以帮助营销人员更快、大规模地做出更好的决策。图像识别、预测分析、客户情绪，以及模式识别是营销人员最常见的监督学习用例。 | 监督学习模型需要一定水平的专业知识才能准确构建。数据集可能具有更高的可能性人为错误，导致算法学习错误。 |
专业术语11 - 文本到语音/语音到文本
定义
语音到文本和文本到语音提供了能够将口语识别和翻译成文本以及将文本转换成口语的方法。也称为：自动语音识别（ASR）、计算机语音识别、语音合成器、语音计算机
深度了解
在语音转文本中，该系统分析一个人的声音，并将口语转换为计算机可以理解和操作的文本。一些系统需要训练，其中单个说话者将向系统说出文本，并且系统根据该个人的语音模式对识别进行微调。不需要训练的系统被称为独立于说话者的系统，工作精度较低，但适用于更广泛的应用。
文本到语音是语音合成的实践，其中计算机转换正常语言文本进入演讲。从历史上看，这一过程听起来像是机器人，并没有提供足够宽的范围发音的变化听起来很现实。最近，人类声音的记录以及使用神经网络来映射这些声音和完整的单词发音提供了一条更清晰的道路。合成器可以结合声道模型和其他人声特征来创建完全合成的语音输出。
应用场景
数字助理（可用于各部门，详情可以参考上一篇文章文末的推荐阅读资料）、聊天机器人、对话广告
对谁重要
| 高层管理人员 | 营销人员 | 技术人员 |
| 通过语音到文本和文本到语音，企业可以有意倾听消费者的言论，并使用语音合成来帮助转换与消费者的对话。 | 语音转文本可以使营销人员更好地了解消费者在请求、投诉和紧急情况等领域的意图、语气和情绪，并检测语气何时变得紧张。同样，他们可以使用文本到语音来提高与消费者对话的频率和质量，例如在客户服务场景中，表现出理解并提供明确的指示。 | 语音到文本和文本到语音工具可以协同工作大规模部署，从聊天机器人、语音助手技能到高性能客户服务系统的各种应用程序。此外，合成语音输出等不断发展的功能可以创建各种人物角色，并与客户服务合作扩展音频体验。 |
专业术语12 - 无监督学习
定义
无监督学习（UL）试图在没有预先存在的标签和最少的人工监督的数据集中找到未被发现的模式。也称为：概率方法、深度神经网络方法
深度了解
无监督学习试图用人类没有标记的数据来学习和定义模式。该算法将捕捉这些模式的自组织表现为神经元偏好或概率密度。
无监督学习中最常见的两种方法是主成分和聚类分析聚类分析提供了一种基于共性的出现或不出现对未标记数据进行分组的机制。主成分通常试图降低庞大数据集的维度，将一组变量修改为较小的变量，这些变量仍然包括原始集合中的大部分信息。
无监督学习有许多方法，包括分层聚类、k-means、混合模型、异常检测、局部异常值、孤立森林、矩量法和奇异值分解。
应用场景
受众发现、归因（分析）
对谁重要
| 高层管理人员 | 营销人员 | 技术人员 |
| 企业通常围绕其客户、用户和员工建立假设，并可能使用研究或验证这些假设的数据。无监督学习方法允许根据数据中出现的共性对人物角色进行分组，并利用这些共性更好地理解客户、用户和员工并对其采取行动。 | 营销人员可以使用无监督学习，根据买家的行为开发买家角色，然后理解这些人物角色的旅程以及它们是如何基于看看这些人物角色往往是谁，可以让营销人员更有效地瞄准目标。 | 无监督建模方法是重要的和非常有价值的，但也可能计算量很大。设计这些模型以实现其预期目的可能很简单，但也可能很繁重，因此了解生产需求和规模尤为重要。 |
结束语及下一步行动
人工智能不再只是为数据科学家和工程师服务。它是任何营销和商业工具包的重要组成部分。商业领袖、营销人员、机构、产品开发人员、数据团队以及任何商界人士都可以利用人工智能的力量。麦肯锡最近的一项调查估计，50%的公司报告称，他们的公司至少在一个商业功能中采用了人工智能。
为了跟上步伐，高管和营销人员需要了解人工智能的应用，以及如何使用或正在使用它来提高绩效和商业价值。
人工智能对商业管理人员和营销人员都是基础能力，未来可朝以下方向展望：
1、自动化数据驱动的决策
2、提高设备效率
3、优化营销结果
4、推进测量解决方案
5、躬身参与并保持竞争力
但为了有效地使用人工智能，公司需要实施人工智能的最佳实践并相应地雇佣员工。人工智能与人类判断一样容易受到谬误的影响，并可能导致对某些群体的偏见结果。此外，在一个隐私法规可能更加突出的世界里，人工智能的实施应该考虑到用户隐私。
利用人工智能力量的营销人员、机构和技术人员在当今市场上具有独特的成功地位。那些没有落后风险的人。
人工智能标准工作组将在本报告之后，就人工智能的算法偏见以及我们如何为行业制定更好的人工智能标准发表报告。这些努力共同试图解释人工智能是如何彻底改变广告和整个数字营销生态系统的。
写在最后
翻译完此文，意犹未尽。虽然百度翻译可以帮我省去很多查字典的时间，但是翻译过程中，每一句的意思都需要我去揣摩和对比，很多文字不能直接翻译过来。比如本文中作者在最够阶段给读者提出的忠告中，作者说人工智能对于商业管理人员营销人员都是一个基础能力，其中第五条建议是：“be relevant and remain competitive” 百度的翻译是“具有相关性并保持竞争力”。我个人把“具有相关性”翻译成“躬身参与”，也算很自然地感受到了Hyper AI 对我们营销人员的冲击吧。 无意中进入这个繁花般的世界，再艰难或者再简单的事情，既然打不过，就加入，加入了就应该才从基础知识开始。
下一步翻译工作，我将继续重点介绍先进人工智能公司，尤其是营销领域的人工智能公司，包括但不仅限以下类型：
1、智能营销平台公司
2、营销类人工智能技术公司
3、优秀人工智能营销案例
感谢自己，感谢CSDN，感谢读者，不妥之处，请不吝指教。
