به جای استفاده از مدل‌های پیچیده، داده‌های خودتان را «درک» کنید

به گزارش شمانیوز؛ در تبلیغات سنتی به رسانه‌های خاصی مثل بیلبوردها وابستگی وجود دارد. اصلی‌ترین چالش در تبلیغات سنتی هدررفت سرمایه و منابع است بدون آنکه برآورد خاصی از میزان آن وجود داشته باشد. اندازه‌گیری آورده‌ها یا هزینه‌ها و در واقع بررسی به صرفه بودن مسیر انتخاب شده، تقریبا در این نوع از تبلیغات غیر ممکن است.

در حوزه تبلیغات دیجیتال اما ماجرا فرق می‌کند. اندازه‌گیری آورده‌ها یا هزینه‌ها در این نوع از تبلیغات کاملا ممکن است. چرا که میزان بازدید، کلیک و … قابل برآورد است و درآمدی که از یک تبلیغ مشخص در یک محیط دیجیتالی کسب شده است هم می‌تواند به نوعی محاسبه شود.

تجربه ما در تپسل نشان می‌دهد که بیش از یک میلیارد مچینگ باید در روز انجام شود و در این شرایط و با این ترافیک داده ما باید با توجه به اهداف کسب و کارها، بهترین انتخاب‌ها را در کمترین زمان ممکن انجام دهیم و در عین اینکه میزان درآمد منتشرکننده را به حداکثر می‌رسانیم باید در نظر داشته باشیم که تبلیغ‌کننده در مفیدترین جای ممکن قرار گرفته باشد و مصرف‌کننده هم تجربه خوبی از مواجه با آن آگهی کسب کرده داشته باشد.

نکته‌ای که نباید از آن غافل شد این است که مسیری طولانی از نمایش یک تبلیغ تا رسیدن به هدف سفارش‌دهنده تبلیغ، طی می‌شود. این در حالی است که سفارش دهنده فقط به درآمد فکر می‌کند و به دنبال کسب بهترین نتیجه در کمترین زمان است. این سوی ماجرا هم ما ایستاده‌ایم. پولی که از سفارش‌دهنده می‌گیریم به ازای یک اکشن یا اتفاق مشخص است و این در حالی است که احتمال اینکه آن اکشن یا اتفاق رخ بدهد باید تخمین زده شود و این مساله اصلی و یکی از مهم‌ترین چالش‌های کسب و کار ماست که استفاده از هوش مصنوعی می‌تواند به حل آن کمک کند.

در تپسل، با استفاده از هوش مصنوعی به سه روش برای حل چالش‌های حاکم رسیدیم که مدل اول «راه حل ساده» نام دارد که بنا دارم بیشتر روی این روش تاکید کنم. در این روش هوش مصنوعی حافظه‌محور عمل می‌کند، تفسیرپذیری بالایی وجود دارد اما کامپیوتر در این روش نمی‌تواند تولیدکننده یا پیش‌گو باشد تا موقعیت‌های پیش نیامده را هم مدیریت کند.

مدل‌های دیگری هم در تپسل مورد بررسی و ارایه قرار می‌گیرد و آزمون و خطاهای بسیاری انجام شده و می‌شود اما من فکر می‌کنم داده‌ها مهم‌ترین بخش در همه مدل‌های موجود هستند. برای مثال در مدل‌های دیگر بررسی متوجه شدیم که چالش‌های دیگری هم در این بین به وجود می‌آید که هوش مصنوعی می‌تواند برای حل آن‌ها به کمک صنعت بیاید. برای مثال جمع کردن داده‌های درست و قابل اتکا یکی از چالش‌های اصلی در این حوزه است. تصور کنید برای رسیدن به نتیجه مطلوب مدلی را با صرف هزینه و زمان زیاد برای تحلیل داده‌های خود طراحی کنید اما در نهایت داده‌هایی که مورد بررسی قرار می‌دهید غلط یا پرت باشند. همه برآوردهای شما به محاق می‌رود.

از سوی دیگر مدل‌های پردازش‌گر داده‌ها باید به نوعی طراحی شود که بتواند پاسخگوی نرخ بالای تغییرات باشد.

در واقع نرخ تغییرات اینقدر زیاد است که مداوم باید مدل طراحی شده تغییر کند و چنین قابلیتی داشته باشد. چرا که صفحات به طور مداوم در وب‌سایت‌های مختلف تغییر می‌کند و شما باید بارها و بارها بر اساس فیدبک‌ها مدل‌های قدیمی را بازسازی کنید و به نمونه‌های جدید برسید.

«استنتاج»‌ یکی دیگر از مراحل چالش‌برانگیز ماست. شما در این مرحله ملاحظات قابل توجهی پیش‌رو دارید. برای مثال در کمتر از صدم ثانیه باید تصمیم بگیرید چه تبلیغی را به چه کاربری نشان دهید؟ در این فرآیند فاکتورهای دیگری هم مثل سرعت، توجه به ترافیک‌های اوج و فرود بازدید و … نیز از اهمیت ویژه‌ای برخوردار است.

من فکر می‌کنم در صورتی می‌توانیم بگوییم یک شرکت از هوش مصنوعی استفاده می‌کند که به همه این‌ فاکتورها توجه کرده باشد. در همین راستا، تیمی که هوش مصنوعی را در تپسل توسعه می‌دهد برای رسیدن به مدل کنونی و برای اینکه بتواند روزانه یک میلیارد «ایمپرشن» را مدیریت کند، ۵ نسل هوش مصنوعی را طراحی و به روزرسانی کرده است.

برای رسیدن به نسل پنجم، شش تا هفت سال در تپسل زمان و انرژی هزینه شده است و نتیجه این فرآیند یک نتیجه بسیار مهم است: لزوما استفاده از مدل‌های پیچیده قرار نیست شما را به موفقیت برساند.

ما در تپسل به این نتیجه رسیدیم که بهتر است به جای اینکه از مدل‌های عمیق و پیچیده هوش مصنوعی استفاده کنیم بهتر است داده‌های در دسترس خودمان را به درستی آنالیز و درک کنیم تا از دل آن‌ها مدل‌های کارآمد استخراج کنیم.

فراموش نکنید که حتی در شرکت‌های بزرگ دنیا لزوما از مدل‌های پیچیده بسیار عمیق استفاده نمی‌شود و مهم‌تر از نوع مدلی که انتخاب می‌کنید تسلط بر داده‌های خودتان و شناخت کافی نسبت به آن است.