« هوش مصنوعی، دانش ساختن ماشینها یا برنامههای هوشمند است.»
هوش مصنوعی، مغز رباتی است که یاد میگیرد و رفتاری شبیه مغز انسان از خود نشان میدهد. با این تفاوت که به صورت الکترونیکی ساخته شده و نه بیولوژیکی. این ربات انساننما باید دارای قابلیتهای هوشمندانهای همانند انسان باشد.
مهمترین قابلیتهای ربات هوشمند:
۱ـ ادراک
۲ـ یادگیری
۳ـ تطابق و پذیرش
۴ـ قابلیت استدلال
۵ ـ پاسخدهی مناسب به رویدادها
سوال: آیا هوش مصنوعی این است که فکر بشری را در کامپیوتر قرار دهند؟
- برخی از محققان گفتند که چنین هدفی مدنظر است، اما شاید آنها میخواهند که از تعبیر مجازی استفاده کنند.
فکر بشری غرابت زیادی دارد و بعید است که هرکسی به طور کامل بتواند همۀ آنها را تقلید کند و تلاش این است که برنامههای کامپیوتری که میتوانند مسائل راحل کنند و به اهداف دسترسی پیدا کنند را در جهان به خوبی انسان بسازند.
در ادامه میخواهیم به امکانات کنونی هوش مصنوعی در زمینه اقتصاد و بازار بپردازیم.
کاربرد هوش مصنوعی در صنعت بازاریابی را میتوان در موارد زیر جستوجو کرد:
- پیشنهادات / محرک محتوا: یکپارچهسازی اطلاعات از منابع مختلف یکی از استفادههای رایج هوش مصنوعی است؛
- موتورهای جستجو: مغز رتبهبندی کننده یک سیستم هوش مصنوعی است که از آن برای تفسیر کسر زیادی از عبارتهای جستوجو استفاده میشود؛
- پیشگیری از حقهبازی و دزدی اطلاعات: متخصصان امنیتی با تجزیه و تحلیل الگوهای استفاده از کارتهای اعتباری و دسترسی به وسایل ارتباطی میتوانند به اهداف تراکنشها پی ببرند.
- معناشناسی اجتماعی: این فناوری میتواند به فیسبوک در هدفگیری اینترنت کمک کند. به این ترتیب میتوان نیاز جوامع رو سنجید و با توجه به آن خدمات ارائه داد.
- طراحی وبسایت: گرید یک پلتفرم طراحی وبسایت هوش مصنوعی است. او برای حوزه های مشخصی – تشخیص عکس هوشمند و پالت الگوریتمی برش و انتخاب تایپوگرافی – از هوش مصنوعی استفاده میکند و به این ترتیب توانسته طراحی وب را به طور مؤثری خودکار کند.
- قیمت گذاری محصولات: بهینهسازی قیمت دینامیک با استفاده از ماشین یادگیری و الگوریتم میتواند در این کار به تولیدکنندهها کمک کند و فاکتورهای دیگری مثل مدیریت دستهبندی و سطح طبقهبندی را انجام دهد.
- سرویس پیشبینی مشتری: هوش مصنوعی به USAA بسیار کمک کرده است؛ تا جایی که توانسته صحت حدسهایش در مورد اینکه مشتریهای برای چه محصولی و چطور تماس خواهند گرفت را از ۵۰% به ۸۸% افزایش دهد.
تبلیغات هدفگیری شده: ماشین یادگیری در هدفگیری تبلیغات برنامهریزی شده کمک میکند تا احتمال کلیک کاربر رو بالا ببرد؛ مثلاً میتواند با بهینهسازی اینکه چه محصولاتی رو نمایش داده شود یا برای افراد هر منطقه از چه تبلیغاتی استفاده گردد، این کار را انجام دهد.
- تشخیص کلام: مترجم اسکایپ در حال حاضر از زبانهای عربی، انگلیسی، فرانسوی، آلمانی، ایتالیایی، چینی، پرتغالی و اسپانیایی پشتیبانی میکند. یکی از منتقدان این محصول گفته خطاهایی وجود دارد، اما من معمولاً با کمی تأمل میتوانم معنایش را بفهمم. تشخیص کلام از پنج سال پیش تا به امروز برای پیشرفت در شبکههای عصبی بکار رفته است.
- تشخیص زبان: منظور تشخیص معنای صحبتهای عادی است. شرکتها هم برای تفسیر اطلاعات سازماندهی نشدۀ مشتریهای خود از تشخیص زبان استفاده میکنند.
- تقسیمبندی مشتری: بکارگیری از دادههای شرکتهای شریک در الگوریتمهای دستهبندی کننده و استفاده از نتایج در یک “سیستم تجربه معمول” یا CRM هم یکی دیگر از کاربردهای رو به رشد ماشین یادگیری است.
- پیشبینی فروش: منظور همان مدیریت تبدیل مشتری است، اما این بار با استفاده از ارتباطات داخلی. ایمیلهای داخلی هم مثل خدمات مشتری پیشبینیکننده میتوانند تجزیه و تحلیل بشوند و تا بتوان بر اساس مکالمات و رفتارهای مشتریها اقدامات مناسب رو اتخاذ کرد.
- تشخیص تصویر: شما از طریق قسمت تصاویر گوگل قادر خواهید بود که بجای استفاده از کلمات از عکس استفاده کنید و محتوای دقیق یا مشابه آن عکس را دریافت کنید. فیسبوک میتواند چهره را تشخیص بدهد. ابزار جابجایی چهره اسنپ چت هم همینطور. جالبترین کاربرد تشخیص عکس DuLight هست که برای افراد دچار اختلال بینایی طراحی شده و اونچه رو که در مقابل فرد هست توصیف میکنه. البته بازاریابها میتوانند برای خیلی از کارها از جستوجوی محتوا گرفته تا تجربۀ خلاقانه مشتری از این فناوری بهره ببرند.
- تولید محتوا: در حال حاضر، تولید محتوا با استفاده از های سازماندهی شده خوب انجام میشود. مثلاً پلتفرم Wordsmith برای تولید خودکار مقالات خبری کاربرد داره.
- بات ها، PAها و مسنجرها: چتباتها احتمالاً در آینده جایگزین دادههای کاربر در اپلیکیشنهای موبایل خواهند شد یعنی با تحلیل زبان طبیعی و درک منبع دادههای برند، میشود فقط با صحبت کردن یا تایپ کردن در یک چتبات، ارائه خدمات کرد.
* لازم به ذکر است که هوش مصنوعی و ماشین یادگیری هنوز هم برای افزایش دقت و یادگرفتن درست الگوریتمها به انسانها نیاز دارند؛ مثلاً رتبهدهندههای گوگل با کاربرد بیشتر هوش مصنوعی، نیازشان به راهنمایی انسان برای تنظیم دادهها بیشتر میشود و به نیروی کار بیشتری نیاز دارند.