Методы искусственного интеллекта в Интернет-маркетинге

Искусственный интеллект в Интернет-маркетинге

Искусственный интеллект (Artificial intelligence, AI) быстро становится доступным инструментом в цифровом маркетинге. На практике термин «искусственный интеллект» объединяет различные подходы,  технологии, математические методы, которые направлены на принятие решений без участия человека. Рассмотрим основные методы построения систем искусственного интеллекта в интернет-маркетинге.

Машинное обучение

Машинное обучение — самый популярный метод построения системы искусственного интеллекта  в интернет-маркетинге на сегодняшний день. В основе метода — процесс поиска решения, который опирается на предыдущие наборы данных. Методы машинного обучения всегда содержат предварительный этап обработки исторических данных.   В контексте маркетинга такие методы могут применяться в рекомендательных сервисах, глубоком анализе трафика, персональных рассылках, ботах и др.

Сами методы машинного обучения и математический аппарат систем искусственного интеллекта были разработаны еще в начале двадцатого века, но получили стремительное развитие в маркетинге благодаря тому, что специалистам стали доступны большие наборы маркетинговых данных. Большие наборы маркетинговых данных формируются в результате того, что маркетологи стали в большей мере фокусироваться на потребительском поведении клиентов. Стали доступны инструменты для автоматизированного сбора первичных данных о таком поведении, например системы веб-аналитики для сайтов и мобильных приложений, CRM-системы.

Эволюционные вычисления

Эволюционные вычисления это набор методов построения систем искусственного интеллекта. Они представляют собой алгоритмы поиска, оптимизации и обучения, основанных на принципах естественного эволюционного отбора. Все алгоритмы используют случайный  подбор, комбинирование и вариации искомых параметров с использованием механизмов, аналогичных естественному отбору в природе.

Среди эволюционных вычислений можно выделить:

    • Генетические алгоритмы
    • Эволюционные стратегии
    • Эволюционное программирование
    • Генетическое программирование

Эти методы показывают хорошие результаты в задачах формирования эффективного семантического ядра. С помощью вариации и отбора можно за короткий срок получить результат.

Экспертные системы

Такие системы содержат базу знаний, которая формируется с помощью языка предикатов (утверждений). Предикаты выражают сведения в выбранной предметной области деятельности, например в маркетинге. Обычно факты в базе знаний описывают те явления, которые являются постоянными для данной предметной области.

Далеко не любая информация о предметной области может называться предикатом, а только в том случае, когда в утверждении указывается признак объекта, а также состояние его вместе с отношением к другим объектам.

Например, для решения задачи классификации интернет-трафика в базе знаний может быть записан предикат «трафик из facebook.com относится к каналу social».  Чем больше предикатов содержится в экспертной системе, там больше задач может решать экспертная система.

Практические инструменты

На практике воспользоваться возможностями методов машинного обучения можно, например, с помощь библиотеки Spark MLlib, разработанной Apache. Эта библиотека позволяет с помощью нескольких строк кода обучить модель на массиве пользовательских «сырых» данных. Библиотека входит в состав Hadoop, кроме того для Spark разработаны фреймворки (например Spark Streaming, Spark SQL, GraphX и др.). Профессиональное сообщество разработало и сделало доступным многочисленные дополнительные библиотеки и коннекторы.

Эволюционные вычисления выполнятся на любых языках программирования или использовать облачные сервисы. Для реализации экспертных систем можно использовать  специально разработанные языки LISP и PROLOG.