在OMD EMEA，我們正在積極尋求一種數據戰略，該戰略結合了人類(lèi)的最佳創(chuàng )造力，創(chuàng )造力和解決問(wèn)題的能力，并具有基于機器驅動(dòng)，基于A(yíng)I的預測分析提供決策的可擴展性和速度。

許多人討論將AI和機器學(xué)習過(guò)程引入廣告和通信中，只是作為兩種行業(yè)原型的融合。“技巧怪胎”和“創(chuàng )意沙皇”，讓人聯(lián)想到尷尬的閑聊，語(yǔ)言障礙以及在迎合兩種不同外來(lái)物種的社交活動(dòng)中不舒服的互動(dòng)類(lèi)型的圖像。

這沒(méi)有捕捉到行業(yè)中正在發(fā)生的現實(shí)。

從本質(zhì)上講，在現實(shí)世界中開(kāi)發(fā)AI的過(guò)程意味著(zhù)來(lái)自真實(shí)人的大量投入。為了使AI成為現實(shí)，您需要具有各種專(zhuān)業(yè)知識的熟練人員來(lái)設置支持機器驅動(dòng)的智能所需的條件。重要的是要認識到這一現實(shí)，因為這些人將逐步彌合差距。我們?yōu)榭蛻?hù)開(kāi)發(fā)了幾種解決方案，這些解決方案利用了大型連接的數據集和先??進(jìn)的建模技術(shù)，可以跨渠道大規模地進(jìn)行預測性個(gè)性化?；谶@種經(jīng)驗，我們對人機交互的理解。

在預測分析的先鋒隊工作通常需要對機構內部的資源進(jìn)行根本性的重組。我們需要一支由各種專(zhuān)家組成的，高度集成的多元化團隊。數據工程;數據科學(xué);廣告運營(yíng)和標簽管理;動(dòng)態(tài)的創(chuàng )意優(yōu)化;營(yíng)銷(xiāo)自動(dòng)化;以及隱私和合規性。建立AI驅動(dòng)的戰略的基礎并執行這些任務(wù)的復雜性意味著(zhù)，最好利用敏捷項目管理技術(shù)并與供應商保持密切的關(guān)系，為這些人彼此緊密合作提供最佳服務(wù)。該團隊的外觀(guān)和行為與傳統的代理商計劃和購買(mǎi)團隊截然不同。

建模行為

根據歷史行為，開(kāi)發(fā)能夠預測下一個(gè)最佳內容以向用戶(hù)展示或進(jìn)入其的最佳渠道的AI模型并非易事。預測建模需要大量的準備和維護，并且每天都會(huì )帶來(lái)抽象的，多方面的挑戰。我們在面對開(kāi)發(fā)“數據驅動(dòng)的必殺技”的實(shí)際現實(shí)時(shí)所面臨的挑戰主要圍繞數據集的收集，規范化，匹配和結構化。這是機器學(xué)習過(guò)程甚至還沒(méi)有開(kāi)始的時(shí)候。

在開(kāi)發(fā)和維護機器學(xué)習模型的整個(gè)過(guò)程中，人類(lèi)的參與是巨大的。見(jiàn)解生成，解釋?zhuān)Ｐ筒倏v，合作伙伴關(guān)系管理以及解決技術(shù)與數據合作伙伴之間的互操作性的問(wèn)題推動(dòng)了我們對高技能數據和技術(shù)專(zhuān)家的需求。

就像人類(lèi)文明過(guò)去的許多創(chuàng )新一樣，我們不僅僅是在尋求使用技術(shù)以更有效的方式解決舊問(wèn)題的方法，還不是由機械和自動(dòng)化人員來(lái)完成繁瑣而繁瑣的任務(wù)。我們還正在調整這些新功能，以嘗試回答新問(wèn)題或解決以前我們無(wú)法影響的問(wèn)題。這需要重大的戰略規劃，并且需要對數據和技術(shù)生態(tài)系統有深入的了解。

在許多情況下，不是由AI模型的開(kāi)發(fā)引起了大部分工作，而是知道何時(shí)以及如何應用它們。