هوش مصنوعی حاکم: بازاریابی چه نقشی را باید ایفا کند؟

اگر برنامه هوش مصنوعی دارید، کمیته، تیم یا بدنه ای نیز دارید که بر توسعه، استقرار و استفاده از هوش مصنوعی نظارت می کند. اگر این کار را نکنید، باید یکی ایجاد شود.

در آخرین مقاله خود، زمینه های کلیدی برای استفاده از مدل های هوش مصنوعی و ML در بازاریابی را به اشتراک گذاشتم و اینکه چگونه این مدل ها می توانند به شما کمک کنند نوآوری کنید و خواسته های مشتری را برآورده کنید. در اینجا به مسئولیت بازاریابی برای حاکمیت هوش مصنوعی نگاه می کنم.

بنابراین، حکمرانی هوش مصنوعی چیست؟

حاکمیت AI چیزی است که ما آن را چارچوب یا فرآیندی می نامیم که استفاده شما از هوش مصنوعی را مدیریت می کند. هدف هر تلاش مدیریت هوش مصنوعی ساده است – کاهش خطرات مرتبط با استفاده از هوش مصنوعی. برای انجام این کار، سازمان ها باید فرآیندی را برای ارزیابی خطرات الگوریتم های مبتنی بر هوش مصنوعی و استفاده اخلاقی از آنها ایجاد کنند.

شدت حاکمیت به شدت به صنعت وابسته است. به عنوان مثال، استقرار الگوریتم های هوش مصنوعی در یک محیط مالی می تواند خطرات بیشتری نسبت به استقرار هوش مصنوعی در تولید داشته باشد. استفاده از هوش مصنوعی برای تخصیص امتیازات اعتباری مصرف کننده به شفافیت و نظارت بیشتری نسبت به الگوریتم هوش مصنوعی که قطعات را به طور مقرون به صرفه در اطراف یک کارخانه توزیع می کند، نیاز دارد.

برای مدیریت موثر ریسک، یک برنامه مدیریت هوش مصنوعی باید به سه جنبه از برنامه های کاربردی مبتنی بر هوش مصنوعی نگاه کند:

• داده: الگوریتم از چه داده هایی استفاده می کند؟ آیا کیفیت برای مدل مناسب است؟ آیا دانشمندان داده به داده های مورد نیاز دسترسی دارند؟ آیا حریم خصوصی به عنوان بخشی از الگوریتم نقض می شود؟ (اگرچه این هرگز عمدی نیست، برخی از مدل‌های هوش مصنوعی می‌توانند به‌طور ناخواسته اطلاعات حساس را در معرض نمایش بگذارند.) از آنجایی که داده‌ها ممکن است در طول زمان تغییر کنند، لازم است به طور مداوم استفاده از داده‌ها در مدل AI/ML کنترل شود.
• الگوریتم هااگر داده ها تغییر کرده باشند، آیا خروجی الگوریتم را تغییر می دهد؟ برای مثال، اگر مدلی برای پیش‌بینی اینکه کدام مشتریان در ماه آینده خرید می‌کنند ایجاد شود، داده‌ها هر هفته کهنه می‌شوند و بر خروجی مدل تأثیر می‌گذارند. آیا مدل همچنان پاسخ‌ها یا اقدامات مناسب را ایجاد می‌کند؟ از آنجایی که رایج ترین مدل هوش مصنوعی در بازاریابی، یادگیری ماشینی است، بازاریابان باید مراقب تغییر مدل باشند. رانش مدل هر تغییری در پیش بینی های مدل است. اگر مدل امروز چیزی را پیش‌بینی می‌کند که با آنچه دیروز پیش‌بینی کرده بود متفاوت است، گفته می‌شود که مدل «دریفت شده است».
• استفاده کنید. خروجی در مورد نحوه استفاده از آن آموزش دیده است؟ آیا آنها خروجی ها را برای واریانس یا نتایج جعلی نظارت می کنند؟ این امر به ویژه در صورتی مهم است که مدل هوش مصنوعی اقداماتی را ایجاد کند که بازاریابی از آنها استفاده می کند. با استفاده از همین مثال، آیا مدل آن دسته از مشتریانی را که احتمال خرید در ماه آینده را دارند شناسایی می کند؟ اگر چنین است، آیا به فروشندگان یا نمایندگان پشتیبانی آموزش داده اید که چگونه با مشتریانی که احتمال خرید دارند رفتار کنند؟ آیا وب‌سایت شما «می‌داند» هنگام بازدید از آن مشتریان با آنها چه کند؟ چه فرآیندهای بازاریابی در نتیجه این اطلاعات تحت تأثیر قرار می گیرند؟

چگونه باید ساختار داشته باشد و چه کسی باید درگیر باشد؟

حاکمیت هوش مصنوعی را می‌توان به روش‌های مختلف با رویکردهایی که از بسیار کنترل‌شده تا خودنظارتی متفاوت است، که به شدت به صنعت و فرهنگ شرکتی که در آن مستقر است وابسته است، ساختار داد.

برای اینکه بتوانند به توسعه مدل و همچنین اعتبارسنجی و استقرار آن هدایت شوند، تیم‌های حاکمیت معمولاً از اعضای فنی تشکیل شده‌اند که نحوه عملکرد الگوریتم‌ها را درک می‌کنند و همچنین رهبرانی که درک می‌کنند چرا مدل‌ها باید طبق برنامه‌ریزی کار کنند. بعلاوه، فردی که نماینده واحد حسابرسی داخلی است، معمولاً در ساختار حاکمیتی حضور دارد.

مهم نیست که حاکمیت هوش مصنوعی چگونه ساختار یافته است، هدف اصلی باید یک تیم کاملاً مشارکتی باشد تا اطمینان حاصل شود که الگوریتم‌های هوش مصنوعی، داده‌های استفاده شده توسط آنها و فرآیندهایی که از نتایج استفاده می‌کنند مدیریت می‌شوند تا سازمان با تمام موارد داخلی و داخلی مطابقت داشته باشد. مقررات خارجی.

در اینجا یک نمونه از طراحی حاکمیت هوش مصنوعی برای سازمانی است که رویکردی متمرکز دارد که در صنایع بسیار تنظیم‌شده مانند مراقبت‌های بهداشتی، مالی، و مخابرات رایج است: 

بازاریابان چه چیزی می توانند در مدیریت هوش مصنوعی کمک کنند؟

دلایل متعددی برای دخالت بازاریابی در مدیریت مدل‌های هوش مصنوعی وجود دارد. همه این دلایل به ماموریت بازاریابی مربوط می شود.

1. حمایت از مشتریان. وظیفه بازاریابی این است که اطمینان حاصل کند که مشتریان اطلاعات مورد نیاز برای خرید و ادامه خرید و همچنین بشارت دادن برای پیشنهادات شرکت را دارند. بازاریابی مسئول تجارب مشتریان و حفاظت از اطلاعات مشتریان است. به دلیل این مسئولیت‌ها، سازمان بازاریابی باید در هر الگوریتم هوش مصنوعی که از اطلاعات مشتری استفاده می‌کند یا با هر الگوریتمی که بر رضایت مشتری، رفتار خرید یا حمایت از مشتری تأثیر دارد، مشارکت داشته باشد.

2. حفاظت از نام تجاری. یکی از مسئولیت های اصلی بازاریابی محافظت از برند است. اگر مدل‌های هوش مصنوعی به هر طریقی به کار گرفته می‌شوند که ممکن است به تصویر برند لطمه بزند، بازاریابی باید وارد عمل شود. برای مثال، اگر از امتیازات ارزش اعتباری ایجاد شده توسط هوش مصنوعی برای تعیین از قبل برای تعیین اینکه کدام مشتریان تخفیف «خانواده» دریافت می‌کنند، استفاده شود، بازاریابی باید انجام شود. نقش مهمی در نحوه استقرار آن مدل ایفا می کند. بازاریابی باید بخشی از تیمی باشد که تصمیم می گیرد آیا مدل نتایج مناسبی را به همراه خواهد داشت یا خیر. بازاریابی باید همیشه این سوال را بپرسد: “آیا این وضعیت احساس مشتریان اصلی ما در مورد تجارت با ما را تغییر خواهد داد؟”

3. اطمینان از ارتباطات باز. یکی از زمینه‌هایی که اغلب در توسعه و استقرار مدل AI/ML نادیده گرفته می‌شود، داستان سرایی است که برای کمک به دیگران برای درک آنچه که مدل‌ها باید انجام دهند، مورد نیاز است. شفافیت و توضیح پذیری دو ویژگی مهم مدل سازی AI/ML کنترل شده خوب هستند. شفافیت به این معناست که مدل‌هایی که ایجاد می‌شوند توسط کسانی که آن‌ها را ایجاد می‌کنند و کسانی که از آن استفاده می‌کنند و همچنین مدیران و رهبران سازمان‌ها کاملاً درک می‌شوند. تیم مدیریت هوش مصنوعی بدون اینکه قادر به توضیح این مدل باشد و چگونه آن را برای رهبران داخلی کسب و کار توضیح دهد، با این خطر بزرگ مواجه است که قادر به توضیح خارجی مدل برای تنظیم‌کننده‌های دولتی، مشاوران خارجی یا سهامداران نیست. برقراری ارتباط با «داستان» کاری که مدل انجام می دهد و معنای آن برای کسب و کار، وظیفه بازاریابی است.
   

4. نگهبانی از مدل‌های هوش مصنوعی مستقر در بازاریابی. بازاریابی همچنین باید کاربر بزرگ آن مدل‌های AI/ML باشد که به تعیین اینکه کدام مشتریان بیشتر خرید می‌کنند، کدام مشتریان طولانی‌ترین مشتری باقی می‌مانند و کدام یک از راضی‌ترین مشتریان احتمالاً شما را به سایر بالقوه‌ها توصیه می‌کنند، باشد. مشتریان یا در واقع ریزش می کنند. در این نقش، بازاریابی باید در میز مدیریت هوش مصنوعی جایگاهی داشته باشد تا اطمینان حاصل شود که اطلاعات مشتری به خوبی مدیریت می شود، سوگیری وارد مدل نمی شود و حریم خصوصی برای مشتری حفظ می شود.

کاوش عمیق‌تر: هوش مصنوعی و یادگیری ماشین در بازاریابی: آیا مدل های مناسبی را به کار می گیرید؟

اما ابتدا با اصول اولیه آشنا شوید

می‌خواهم بگویم که مدیریت هوش مصنوعی سازمان شما از بازاریابان استقبال می‌کند، اما آماده بودن و انجام تکالیف هرگز ضرری ندارد. در اینجا چند مهارت و قابلیت وجود دارد که قبل از شروع باید با آنها آشنا شوید: 

• درک AI/ML. شما باید بدانید که AI/ML چیست و چگونه کار می کند. این بدان معنا نیست که شما نیاز به مدرک دکترا دارید. در علم داده، اما ایده خوبی است که یک دوره آنلاین در مورد اینکه این قابلیت ها چیست و چه کار می کنند، بگذرانید. بسیار مهم است که بدانید چه تاثیری باید از مدل‌ها انتظار داشت، به خصوص اگر خطر افشای اطلاعات مشتری یا قرار دادن سازمان در معرض خطر مالی یا نام تجاری باشد.
• داده‌ها. شما باید در مورد اینکه چه داده هایی در مدل استفاده می شود، چگونه جمع آوری شده و چگونه و چه زمانی به روز می شود، به خوبی آگاه باشید. انتخاب و تنظیم داده ها برای یک مدل هوش مصنوعی اولین جایی است که بایاس می تواند وارد الگوریتم شود. به عنوان مثال، اگر می‌خواهید رفتار مشتری را در مورد یک محصول خاص تجزیه و تحلیل کنید، معمولاً به حدود سه چهارم داده‌هایی نیاز دارید که به همان روش جمع‌آوری شده و به گونه‌ای تنظیم شوند که اطلاعات کامل و همچنین دقیقی داشته باشید. اگر الگوریتم از داده‌های بازاریابی استفاده می‌کند، نقش شما مهم‌تر است.
• فرایند. شما باید درک خوبی از فرآیندی که الگوریتم در آن مستقر می شود داشته باشید. اگر در تیم مدیریت هوش مصنوعی به عنوان نماینده بازاریابی حضور دارید و الگوریتم‌های هوش مصنوعی در حال ارزیابی برای فروش هستند، باید با آن فرآیند و نحوه و مکان‌هایی که بازاریابی ممکن است به این فرآیند کمک کند، آشنا شوید. از آنجا که اگر در تیم مدیریت هوش مصنوعی خدمت می کنید، این مهارت مهمی است، بسیاری از تیم های بازاریابی، رئیس عملیات بازاریابی را به عنوان نماینده خود منصوب می کنند.

مهم نیست چه نقشی در مدیریت هوش مصنوعی بازی می‌کنید، به یاد داشته باشید که چقدر مهم است. اطمینان از اینکه AI/ML به طور مسئولانه در سازمان شما مستقر شده است، نه تنها ضروری است، بلکه یک فرآیند مداوم است که مستلزم پشتکار و هوشیاری است، زیرا مدل ها همچنان از داده هایی که استفاده می کنند یاد می گیرند.

نظرات بیان شده در این مقاله نظرات نویسنده مهمان است و لزوماً MarTech نیست. نویسندگان کارکنان اینجا فهرست شده‌اند.

درباره نویسنده

ترزا کوشنر علاقه زیادی به تجزیه و تحلیل داده ها و نحوه اعمال آن در چالش های تجاری امروزی دارد. او برای بیش از 25 سال رهبری شرکت‌هایی مانند IBM، Cisco Systems، VMware، Dell/EMC را در شناسایی، مدیریت و استفاده از اطلاعات یا داده‌هایی که به‌طور تصاعدی منفجر شده‌اند، برعهده داشته است. او با استفاده از تخصص خود در روزنامه نگاری، دو کتاب در مورد داده ها و استفاده از آن در تجارت را تالیف کرد: مدیریت داده های کسب و کار شما: از هرج و مرج تا اطمینان (با ماریا ویلار) و بازاریابی داده محور B2B: منابع، کاربردها، نتایج.
(با روث استیونز). امروزه، با توجه به اینکه داده ها و تجزیه و تحلیل ها برای NTT DATA هدایت می شوند، ترزا به کمک به شرکت ها – و بخش های بازاریابی آنها – کمک می کند تا از داده ها و اطلاعات ارزش کسب کنند.