[問答] ABM 的人工智慧和機器學習：與 Terry Feng 一起消除噪音
Posted: Tue Dec 03, 2024 5:49 am
走進一場會議、打開一份時事通訊或掩蓋您的 LinkedIn 動態，如果沒有對人工智慧 (AI) 的新認識，您將很難離開。
當你拋開言語和誇張的說法時，你可能會想──人工智慧能為我做什麼？未來幾年我該關注什麼？這如何增加我的技術投資的複雜性？
[問答] ABM 的人工智慧和機器學習：與 Terry Feng 一起消除噪音
我與 NextRoll 的高級資料科學家Terry Feng進行了座談，深入探討了在實現基於帳戶的行銷 (ABM) 規模化時我們應該如何思考人工智慧和機器學習。
Q：在我們深入探討之前，您可以先為我們介紹一下人工智慧最簡 墨西哥電話號碼數據 單的定義嗎？我們應該考慮哪些類別？
從最廣泛的意義上來說，人工智慧是一個智慧程式或機器的總稱，能夠接收資訊並利用它做出合理的判斷或行動。
人工智慧跨越許多子領域，例如機器學習、電腦視覺、自然語言理解、機器人和專家系統。目標是實現通用人工智慧（AGI），能夠像任何「智慧」生物一樣學習和理解新任務，而無需對原始系統進行任何工程或更改。是的，就像電影裡一樣！
Q：對於行銷和銷售團隊來說，我們發現機器學習在影響最大的進步清單中名列前茅。您能告訴我們更多關於機器學習如何運作的資訊嗎？
近十年來，人工智慧領域取得了許多重要的里程碑和成就，人工智慧系統在語音合成和圖像分類等常見人類任務中實現了接近人類甚至超人類的性能。
近年來，我們看到人工智慧能夠在圍棋和 Dota 2 等複雜策略遊戲中與專業人士正面競爭。顯式邏輯或指令的演算法系統。
機器學習是人工智慧的主要驅動力，其基礎是這樣的理念：如果電腦能夠存取資料和/或與其環境互動的方式，則可以自行學習實現所需結果的最佳方式。簡而言之，機器學習使電腦能夠以統計原理的方式執行任務，我們將其視為「智慧」。
在機器學習領域，主要分為三大類：監督式學習、無監督學習、強化學習。監督學習主要與預測和不確定性量化相關，無監督學習與資料探勘和資訊擷取相關，強化學習與規劃和決策相關。通常在複雜的系統中，機器學習的所有三個分支都會被設計到一個系統中。
Q：機器學習可以為行銷和銷售團隊使用的技術做些什麼？
在正確的地點、正確的時間傳遞正確的訊息是任何強大行銷策略的基礎。想像一下，一個銷售團隊充斥著數以百萬計的低品質潛在客戶，但並非所有潛在客戶都很棒。您不會希望將所有資源都投入到不適合的潛在客戶上。對於採用基於帳戶的方法運營的公司也是如此。您希望確保最適合的帳戶優先於低適合的帳戶，最終使您的行銷團隊更有效率。
資金有限的團隊經理如何優化資源分配，讓汗水和淚水的投資報酬率最大化？或者對於想要改變公司形象的行銷團隊來說，他們如何向受眾傳播訊息以產生預期的影響？無論哪種情況，都需要做出明智的決定，以便能夠瞄準合適的人員。是否針對適當的受眾將是成功與失敗的決定因素。
機器學習的前景是能夠在數據中找到人類無法找到的模式和見解——至少在不付出相當大的努力的情況下是如此。
這使得機器學習成為銷售和行銷團隊特別感興趣的工具，因為許多傳統上僅憑直覺做出的決策現在可以透過數據和情報來強化。現在可以正確地對帳戶進行優先排序，並提供詳細說明原因的見解。現在您可以為目標廣告受眾精確選擇實體位置、行業、網路網域和聯絡人。現在，即使對於大量受眾，客戶旅程也可以實現個人化，並將人為造成的錯誤降至最低。
問：您想澄清哪一個神話？您認為未來幾年該領域會發生什麼？
對外行人來說，人工智慧通常看起來像黑魔法，在某些情況下，確實如此！但即使是最先進的機器學習演算法也無法破解無意義的輸入。學習者的好壞取決於他所學習的材料。不可靠的數據會導致不可靠的決策，正如數據科學的格言所說：垃圾輸入，垃圾輸出。
當你拋開言語和誇張的說法時，你可能會想──人工智慧能為我做什麼？未來幾年我該關注什麼？這如何增加我的技術投資的複雜性？
[問答] ABM 的人工智慧和機器學習：與 Terry Feng 一起消除噪音
我與 NextRoll 的高級資料科學家Terry Feng進行了座談，深入探討了在實現基於帳戶的行銷 (ABM) 規模化時我們應該如何思考人工智慧和機器學習。
Q：在我們深入探討之前，您可以先為我們介紹一下人工智慧最簡 墨西哥電話號碼數據 單的定義嗎？我們應該考慮哪些類別？
從最廣泛的意義上來說，人工智慧是一個智慧程式或機器的總稱，能夠接收資訊並利用它做出合理的判斷或行動。
人工智慧跨越許多子領域，例如機器學習、電腦視覺、自然語言理解、機器人和專家系統。目標是實現通用人工智慧（AGI），能夠像任何「智慧」生物一樣學習和理解新任務，而無需對原始系統進行任何工程或更改。是的，就像電影裡一樣！
Q：對於行銷和銷售團隊來說，我們發現機器學習在影響最大的進步清單中名列前茅。您能告訴我們更多關於機器學習如何運作的資訊嗎？
近十年來，人工智慧領域取得了許多重要的里程碑和成就，人工智慧系統在語音合成和圖像分類等常見人類任務中實現了接近人類甚至超人類的性能。
近年來，我們看到人工智慧能夠在圍棋和 Dota 2 等複雜策略遊戲中與專業人士正面競爭。顯式邏輯或指令的演算法系統。
機器學習是人工智慧的主要驅動力，其基礎是這樣的理念：如果電腦能夠存取資料和/或與其環境互動的方式，則可以自行學習實現所需結果的最佳方式。簡而言之，機器學習使電腦能夠以統計原理的方式執行任務，我們將其視為「智慧」。
在機器學習領域，主要分為三大類：監督式學習、無監督學習、強化學習。監督學習主要與預測和不確定性量化相關，無監督學習與資料探勘和資訊擷取相關，強化學習與規劃和決策相關。通常在複雜的系統中，機器學習的所有三個分支都會被設計到一個系統中。
Q：機器學習可以為行銷和銷售團隊使用的技術做些什麼？
在正確的地點、正確的時間傳遞正確的訊息是任何強大行銷策略的基礎。想像一下，一個銷售團隊充斥著數以百萬計的低品質潛在客戶，但並非所有潛在客戶都很棒。您不會希望將所有資源都投入到不適合的潛在客戶上。對於採用基於帳戶的方法運營的公司也是如此。您希望確保最適合的帳戶優先於低適合的帳戶，最終使您的行銷團隊更有效率。
資金有限的團隊經理如何優化資源分配，讓汗水和淚水的投資報酬率最大化？或者對於想要改變公司形象的行銷團隊來說，他們如何向受眾傳播訊息以產生預期的影響？無論哪種情況，都需要做出明智的決定，以便能夠瞄準合適的人員。是否針對適當的受眾將是成功與失敗的決定因素。
機器學習的前景是能夠在數據中找到人類無法找到的模式和見解——至少在不付出相當大的努力的情況下是如此。
這使得機器學習成為銷售和行銷團隊特別感興趣的工具，因為許多傳統上僅憑直覺做出的決策現在可以透過數據和情報來強化。現在可以正確地對帳戶進行優先排序，並提供詳細說明原因的見解。現在您可以為目標廣告受眾精確選擇實體位置、行業、網路網域和聯絡人。現在，即使對於大量受眾，客戶旅程也可以實現個人化，並將人為造成的錯誤降至最低。
問：您想澄清哪一個神話？您認為未來幾年該領域會發生什麼？
對外行人來說，人工智慧通常看起來像黑魔法，在某些情況下，確實如此！但即使是最先進的機器學習演算法也無法破解無意義的輸入。學習者的好壞取決於他所學習的材料。不可靠的數據會導致不可靠的決策，正如數據科學的格言所說：垃圾輸入，垃圾輸出。