Strojové učení – AI se sama zlepšuje na základě dat
Machine learning (strojové učení) je podmnožina umělé inteligence, ve které se model učí přímo z dat – nikdo mu nepíše pravidla ručně. Dostane tisíce příkladů, najde v nich vzorce a ty pak uplatňuje na data, která nikdy neviděl. Zní to jednoduše? Princip taky je. Těžší už je sehnat dost kvalitních dat a přesně definovat, co se má model vlastně naučit.
V marketingu na strojovém učení stojí prakticky všechno „chytré“, od biddingu po doporučování produktů. Většinou o něm ani nevíte. Běží někde vzadu a odvádí tichou práci.
Učení s učitelem (supervised) znamená, že model dostane data i se správnou odpovědí – „tenhle uživatel nakoupil, tenhle ne“ – a učí se ji předpovídat; přesně takhle vzniká predikce konverzí. Učení bez učitele (unsupervised) žádné odpovědi předem nemá. Model sám hledá v datech strukturu a třeba vám rozdělí zákazníky do segmentů, o kterých jste netušili, že existují.
Společný jmenovatel: všechno jsou to predikce z historických dat. Z toho plyne i hlavní slabina – na řídkých nebo zkreslených datech model zkrátka nemá z čeho stavět a predikce za moc nestojí.
Než u klienta zapnu Smart Bidding, zajímá mě jediné: jestli se má algoritmus z čeho učit. Málo konverzí znamená učení ze šumu, takže u menších účtů začínám ručním nebo poloautomatickým řízením a plnou automatizaci pouštím, až když sedí měření a konverze přibývají v rozumném tempu. Po zapnutí pak model dostane pár týdnů klid – denními zásahy do nastavení si učení jen rozbijete.
