{"id":187371,"date":"2019-09-25T13:14:11","date_gmt":"2019-09-25T11:14:11","guid":{"rendered":"https:\/\/mediarun.com\/pl\/?p=187371"},"modified":"2019-09-25T13:14:11","modified_gmt":"2019-09-25T11:14:11","slug":"potencjal-reklamowy-w-deep-learningu","status":"publish","type":"post","link":"https:\/\/mediarun.com\/pl\/marketing\/atl\/potencjal-reklamowy-w-deep-learningu.html","title":{"rendered":"Potencja\u0142 reklamowy w deep learningu?"},"content":{"rendered":"

Co agencje reklamowe powinny wiedzie\u0107 o deep learningu<\/h1>\n

Nowe technologie cz\u0119sto nazywa si\u0119 rewolucyjnymi i prze\u0142omowymi dla danej bran\u017cy. Reklamodawcy maj\u0105 nieustannie do czynienia z r\u00f3\u017cnego rodzaju innowacjami i musz\u0105 umie\u0107 rozpozna\u0107 w\u015br\u00f3d marketingowego \u017cargonu nowo\u015bci, kt\u00f3re mog\u0105 zmieni\u0107 zasady gry. Zaawansowane technologie, do kt\u00f3rych nale\u017cy tzw. uczenie g\u0142\u0119bokie (ang. deep learning<\/strong>), s\u0105 szczeg\u00f3lnie trudne w ocenie. Romain Lerallut<\/strong>, dyrektor ds. in\u017cynierii w Criteo<\/strong>, umieszcza t\u0119\u00a0technologi\u0119 w szerszym kontek\u015bcie i wyja\u015bnia jej znaczenie dla marketingu elektronicznego.<\/p>\n

Czytaj\u0105c ostatnie publikacje dotycz\u0105ce sztucznej inteligencji (SI) mo\u017cna odnie\u015b\u0107 wra\u017cenie, \u017ce uczenie g\u0142\u0119bokie jest panaceum na wszystkie wsp\u00f3\u0142czesne bol\u0105czki bran\u017cy zwi\u0105zanej z reklam\u0105 cyfrow\u0105<\/strong>. Najm\u0142odsze dziecko w rodzinie SI mo\u017ce potencjalnie poprawi\u0107 jako\u015b\u0107 prognoz, zwi\u0119kszy\u0107 trafno\u015b\u0107 przekaz\u00f3w oraz zredukowa\u0107 zjawisko \u015blepoty banerowej. In\u017cynier mo\u017ce zada\u0107 sobie pytanie, jakim cudem umkn\u0119\u0142a jego uwadze superszybka i niezwykle skuteczna technologia uczenia g\u0142\u0119bokiego<\/strong>, kt\u00f3ra zd\u0105\u017cy\u0142a si\u0119 ju\u017c znacz\u0105co rozwin\u0105\u0107. Naukowcy po\u015bwi\u0119cili tej tematyce ponad 20 lat i osi\u0105gn\u0119li sukcesy w wielu domenach, takich jak rozpoznawanie obrazu oraz obr\u00f3bka tekstu i d\u017awi\u0119ku.<\/p>\n

Co jednak z bran\u017c\u0105 reklamow\u0105, kt\u00f3ra dzia\u0142a w czasie rzeczywistym i wykorzystuje bardziej zaawansowane dane ni\u017c piksele i ramki d\u017awi\u0119kowe? Na t\u0119 chwil\u0119 bran\u017ca ta nie dysponuje architektur\u0105 referencyjn\u0105, kt\u00f3ra pozwoli\u0142aby osi\u0105ga\u0107 podobne rezultaty, jak w przypadku obrazu, tekstu i d\u017awi\u0119ku.<\/p>\n

Badacze z wielu uniwersytet\u00f3w i instytucji dopiero zaczynaj\u0105 wsp\u00f3\u0142prac\u0119 w zakresie uczenia g\u0142\u0119bokiego<\/strong>, a publikowane prace naukowe z tej dziedziny zaczynaj\u0105 by\u0107 wykorzystywane przy pracach projektowych.<\/p>\n

Narz\u0119dzie uniwersalne<\/h2>\n

Spos\u00f3b, w jaki m\u00f3wimy o uczeniu g\u0142\u0119bokim<\/strong> przypomina telewizyjne reklamy narz\u0119dzi uniwersalnych. Dowiadujemy si\u0119 z nich, \u017ce takie narz\u0119dzie jest w stanie rozwi\u0105za\u0107 wszystkie problemy domowych majsterkowicz\u00f3w. Przyjrzyjmy si\u0119 klasycznemu przyk\u0142adowi takiego narz\u0119dzia, jakim jest szwajcarski scyzoryk, za pomoc\u0105 kt\u00f3rego mo\u017cna m.in. otworzy\u0107 butelk\u0119, naprawi\u0107 rowerowy \u0142a\u0144cuch, dokr\u0119ci\u0107 \u015brubk\u0119 itd. Wsp\u00f3\u0142czesne narz\u0119dzie wielofunkcyjne mo\u017ce sta\u0107 si\u0119 niezast\u0105pione i w\u0142a\u015bnie o to chodzi.<\/p>\n

Wyobra\u017amy sobie jednak, \u017ce chcemy zbudowa\u0107 w sypialni garderob\u0119. Aby zrealizowa\u0107 to zadanie, potrzebujemy nie tylko odpowiednich narz\u0119dzi, ale tak\u017ce dobrej jako\u015bci materia\u0142\u00f3w oraz wiedzy technicznej. By\u0107 mo\u017ce uda nam si\u0119 zbudowa\u0107 garderob\u0119 samodzielnie przy u\u017cyciu narz\u0119dzia uniwersalnego, ale zawsze mo\u017cemy zleci\u0107 to zadanie do\u015bwiadczonemu fachowcowi.<\/p>\n

Obserwuj\u0105c go przy pracy, zauwa\u017cymy, \u017ce u\u017cywa wielu r\u00f3\u017cnych narz\u0119dzi, korzysta z materia\u0142\u00f3w wysokiej jako\u015bci i stosuje w praktyce wiedz\u0119 teoretyczn\u0105 i do\u015bwiadczenie. Wie, jak wykorzysta\u0107 posiadane narz\u0119dzia i zasoby i mo\u017ce wcale nie potrzebowa\u0107 narz\u0119dzia uniwersalnego, o ile nie widzi w jego zastosowaniu warto\u015bci dodanej.<\/p>\n

Jaki z tego wniosek?<\/h4>\n

Niezale\u017cnie od tego, jak zaawansowane jest nasze narz\u0119dzie uniwersalne, nie pozwala ono rozwi\u0105zywa\u0107 skomplikowanych problem\u00f3w. Uczenie g\u0142\u0119bokie<\/strong> jest prawdopodobnie najbardziej zaawansowan\u0105 podkategori\u0105 uczenia maszynowego, kt\u00f3ra idealnie nadaje si\u0119 do takich zada\u0144, jak rozpoznawanie obrazu. Jednak w przypadku bardziej z\u0142o\u017conych kwestii, takich jak reklamy cyfrowe<\/strong> wymagaj\u0105ce mn\u00f3stwa wysokiej jako\u015bci danych (materia\u0142\u00f3w) oraz lat do\u015bwiadczenia, narz\u0119dzie wielofunkcyjne nie mo\u017ce by\u0107 naszym jedynym asem w r\u0119kawie.<\/p>\n

Czy uczenie g\u0142\u0119bokie zaburza rynek reklamy cyfrowej?<\/h2>\n

Uczenie maszynowe nadzorowane<\/strong> polega na uczeniu algorytm\u00f3w analizy danych oraz ich kategoryzowania w celu zwi\u0119kszenia skuteczno\u015bci przewidywania. Dobrze znanym przyk\u0142adem tej technologii jest filtr spamu<\/strong> w skrzynce e-mail, kt\u00f3ry wykrywa w korespondencji predefiniowane cechy spamu, takie jak zwroty \u201edarmowe leki\u201d lub \u201ewygra\u0142e\u015b(a\u015b) samoch\u00f3d\u201d. W kontek\u015bcie reklamy cyfrowej<\/strong> uczenie maszynowe potrafi przewidzie\u0107 prawdopodobie\u0144stwo klikni\u0119cia baneru przez u\u017cytkownika. Cz\u0142owiek konfiguruje cechy charakterystyczne i oczekuje wyniku w postaci etykiety \u201eTo jest spam\u201d lub \u201ePrzewidywany wsp\u00f3\u0142czynnik klikni\u0119cia baneru przez tego u\u017cytkownika wynosi 0,8%\u201d.<\/p>\n

Uczenie maszynowe nienadzorowane s\u0142u\u017cy do rozpoznawania wzorc\u00f3w w bardzo du\u017cych zbiorach danych. Cz\u0142owiek przygl\u0105da si\u0119 wynikom oblicze\u0144 i interpretuje je w spos\u00f3b pozwalaj\u0105cy na klasyfikowanie zachowa\u0144<\/strong>, np. \u201eCi u\u017cytkownicy du\u017co wydaj\u0105\u201d lub \u201eCi u\u017cytkownicy cz\u0119sto kupuj\u0105\u201d. W przypadku nienadzorowanego uczenia maszynowego cechy charakterystyczne i etykiety nie s\u0105 wymagane. Maszyny po prostu szukaj\u0105 zgrupowa\u0144 wzorc\u00f3w nadaj\u0105cych si\u0119 do interpretacji.<\/p>\n

Uczenie g\u0142\u0119bokie<\/strong> nie jest osobnym poj\u0119ciem, a raczej podkategori\u0105 uczenia maszynowego. Najwi\u0119ksza r\u00f3\u017cnica polega na tym, \u017ce nie wymaga ono definiowania odpowiednich funkcji. Technologia ta bazuje na zasadach sieci neuronowych i dzia\u0142a podobnie do ludzkiego m\u00f3zgu.<\/p>\n

Uczenie g\u0142\u0119bokie jest w stanie rozpozna\u0107 na zdj\u0119ciu psa bez pomocy cech charakterystycznych wprowadzonych do komputera przez cz\u0142owieka, takich jak \u201ecztery \u0142apy\u201d, \u201eogon\u201d itp. Skuteczno\u015b\u0107 tej metody wnika z tysi\u0119cy przeanalizowanych wcze\u015bniej zdj\u0119\u0107<\/strong> ps\u00f3w. Umo\u017cliwi\u0142y to komputery o imponuj\u0105cej mocy obliczeniowej, kt\u00f3re pojawi\u0142y si\u0119 w ostatnich latach, oraz przetworzone przez nie ogromne zbiory danych.<\/p>\n

Podstawow\u0105 kwesti\u0105 do rozwa\u017cenia nie jest obecnie ewentualna wy\u017cszo\u015b\u0107 uczenia g\u0142\u0119bokiego nad innymi podkategoriami uczenia maszynowego, ale to, czy na jego zastosowaniu mog\u0105 zyska\u0107 kampanie reklamowe. Odpowied\u017a brzmi: jeszcze nie<\/strong> lub wci\u0105\u017c w niewielkim stopniu<\/strong>. Dlaczego?<\/p>\n

Pe\u0142ne spektrum mo\u017cliwo\u015bci uczenia maszynowego<\/h2>\n

Uczenie g\u0142\u0119bokie wymaga ogromnych ilo\u015bci danych. Aby pomy\u015blnie rozpoznawa\u0107 psy na zdj\u0119ciach, komputery musz\u0105 nauczy\u0107 si\u0119 tego przez analiz\u0119 terabajt\u00f3w danych. Z tego wzgl\u0119du wspomniane wcze\u015bniej sukcesy uczenia g\u0142\u0119bokiego odnotowano dotychczas w dziedzinach rozpoznawania obrazu, t\u0142umacze\u0144 j\u0119zykowych i gier, takich jak AlphaGo. Wszystko inne jest raczej mieszank\u0105 w ramach kategorii uczenia maszynowego.<\/p>\n

Wdro\u017cenie architektury uczenia g\u0142\u0119bokiego w bran\u017cy reklamy cyfrowej<\/strong> wi\u0105za\u0142oby si\u0119 z konieczno\u015bci\u0105 przetwarzania du\u017cych zbior\u00f3w danych w czasie rzeczywistym. Bran\u017c\u0119 t\u0119 nap\u0119dzaj\u0105 technologie zwi\u0105zane z automatyzacj\u0105 sprzeda\u017cy i zakupu reklamy w Internecie, podlegaj\u0105ce znacznie surowszym ograniczeniom czasowym ni\u017c w przypadku innych zastosowa\u0144 uczenia g\u0142\u0119bokiego (jednocyfrowe milisekundy).<\/p>\n

Taka implementacja wymaga\u0142aby maksymalizacji mocy obliczeniowej komputer\u00f3w, a co za tym idzie inwestycji, dla kt\u00f3rych musia\u0142aby najpierw zaistnie\u0107 potrzeba biznesowa w postaci np. ogromnych wzrost\u00f3w, kt\u00f3rych dotychczas nie zauwa\u017cono. Z tego wzgl\u0119du architektury uczenia g\u0142\u0119bokiego nie s\u0105 jeszcze spotykane w biddingu, a raczej u\u017cywa si\u0119 ich do wst\u0119pnej kalkulacji cech poza \u015bcie\u017ck\u0105 krytyczn\u0105. Wygenerowane cechy mog\u0105 zosta\u0107 wprowadzone do prostszego, tradycyjnego modelu uczenia maszynowego.<\/p>\n

Czy to dzia\u0142a? Tak. Przeprowadzone zosta\u0142y odpowiednie testy przez Criteo<\/strong>\u00a0w laboratorium SI. Czy dzia\u0142a lepiej od tradycyjnych modeli regresji logistycznej? Niekoniecznie i to z prozaicznego powodu, poniewa\u017c wszystko sprowadza si\u0119 do cech:<\/p>\n

    \n
  • Uczenie g\u0142\u0119bokie<\/strong> u\u017cywa wielu na\u0142o\u017conych na siebie warstw i przetwarza surowe dane (takie jak pojedyncze piksele, znaki itd.). Nie s\u0105 potrzebne r\u0119cznie skonfigurowane cechy, poniewa\u017c ca\u0142\u0105 prac\u0119 wykonuje komputer. Na podstawie surowych danych najni\u017csze warstwy wyodr\u0119bniaj\u0105 cechy niskiego poziomu, takie jak grupy znak\u00f3w w przypadku tekstu czy linie i k\u0105ty w przypadku obrazu. Nast\u0119pnie warstwy wy\u017csze \u0142\u0105cz\u0105 deskryptory ni\u017cszego poziomu w celu wyodr\u0119bnienia funkcji najpierw \u015bredniego, a nast\u0119pnie wysokiego poziomu. Warstwy ko\u0144cowe koduj\u0105 oczekiwany wyniki (logik\u0119 biznesow\u0105), klasyfikuj\u0105c zdj\u0119cia kot\u00f3w i ps\u00f3w lub przewiduj\u0105c liczb\u0119 klikni\u0119\u0107 i wyniki sprzeda\u017cy<\/strong>. Do wyszkolenia takiego systemu potrzeba ogromnych ilo\u015bci danych, poniewa\u017c ni\u017csze warstwy zawieraj\u0105 wiele neuron\u00f3w, kt\u00f3re trzeba nauczy\u0107 wykonywania zada\u0144.<\/li>\n
  • Regresja logistyczna<\/strong> to model jednowarstwowy, kt\u00f3ry przetwarza cechy stworzone r\u0119cznie. Dzi\u0119ki temu jest szybsza i wymaga mniejszej mocy obliczeniowej w por\u00f3wnaniu z modelami g\u0142\u0119bokimi. Je\u015bli dysponujemy bardzo dobr\u0105 list\u0105 cech i wystarczaj\u0105c\u0105 ilo\u015bci\u0105 danych, metoda ta mo\u017ce spokojnie konkurowa\u0107 z uczeniem g\u0142\u0119bokim. Warto pami\u0119ta\u0107, \u017ce warstwa regresji logistycznej jest cz\u0119sto ostatni\u0105 warstw\u0105 w modelu g\u0142\u0119bokim, a r\u00f3\u017cnica polega na sposobie obliczenia cech: komputer nauczy\u0142 si\u0119 ich na podstawie ogromnej ilo\u015bci danych w ramach modelu g\u0142\u0119bokiego lub zosta\u0142y one skonfigurowane r\u0119cznie z wykorzystaniem wiedzy z danej dziedziny przez specjalist\u00f3w ds. danych. Warto\u015b\u0107 dodana takich cech przejawia si\u0119 w tym, \u017ce maj\u0105 one wyra\u017ane znaczenie i mog\u0105 zosta\u0107 zrozumiane (i zdebugowane) przez ludzi, a ponadto mog\u0105 zosta\u0107 wykorzystane do pomiaru efektywno\u015bci r\u00f3\u017cnych grup odbiorc\u00f3w.<\/li>\n<\/ul>\n

    Romain Lerallut<\/strong>, dyrektor ds. in\u017cynierii w Criteo <\/strong>radzi: nie dajcie si\u0119 nabra\u0107 na por\u00f3wnywanie uczenia maszynowego z g\u0142\u0119bokim i nie wierzcie tym, kt\u00f3rzy twierdz\u0105, \u017ce jeden z tych modeli jest lepszy od drugiego. Wracaj\u0105c do analogii z fachowcem, kt\u00f3ry wie, jak u\u017cywa\u0107 swoich narz\u0119dzi, do\u015bwiadczenie w obcowaniu z uczeniem maszynowym pozwala unikn\u0105\u0107 polegania tylko na jednym narz\u0119dziu. Nale\u017cy przede wszystkim zastanowi\u0107 si\u0119 nad celem. Uczenie g\u0142\u0119bokie bez w\u0105tpienia odci\u015bnie swoje pi\u0119tno na bran\u017cy reklamowej w przysz\u0142o\u015bci, jednak tylko w kontek\u015bcie ca\u0142ego spektrum uczenia maszynowego obejmuj\u0105cego modele bazuj\u0105ce na drzewku, modele regresyjne, samoorganizuj\u0105ce si\u0119 sieci SI i inne. Je\u015bli jeste\u015b specjalist\u0105 lub in\u017cynierem ds. danych pracuj\u0105cym w bran\u017cy reklamowej, polecam stosowanie metody naukowej i przeprowadzanie eksperyment\u00f3w na w\u0142asnych danych i KPI. Sprawd\u017a, kt\u00f3re rozwi\u0105zanie daje wi\u0119cej korzy\u015bci niezale\u017cnie od zastosowanej w nim implementacji.<\/p>\n","protected":false},"excerpt":{"rendered":"Deep learning jest prawdopodobnie najbardziej zaawansowan\u0105 podkategori\u0105 uczenia maszynowego, kt\u00f3ra idealnie nadaje si\u0119 do takich zada\u0144, jak rozpoznawanie obrazu.","protected":false},"author":60,"featured_media":187374,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"csco_display_header_overlay":false,"csco_singular_sidebar":"","csco_page_header_type":"","csco_page_load_nextpost":"","csco_post_video_location":[],"csco_post_video_location_hash":"","csco_post_video_url":"","csco_post_video_bg_start_time":0,"csco_post_video_bg_end_time":0,"footnotes":""},"categories":[9642,9666],"tags":[7111,12653,200,12654,12652,3181],"class_list":{"0":"post-187371","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-atl","8":"category-technologie","9":"tag-criteo","10":"tag-deep-learning","11":"tag-reklama","12":"tag-reklamy-cyfrowe","13":"tag-romain-lerallut","14":"tag-technologia","15":"cs-entry","16":"cs-video-wrap"},"_links":{"self":[{"href":"https:\/\/mediarun.com\/pl\/wp-json\/wp\/v2\/posts\/187371","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/mediarun.com\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/mediarun.com\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/mediarun.com\/pl\/wp-json\/wp\/v2\/users\/60"}],"replies":[{"embeddable":true,"href":"https:\/\/mediarun.com\/pl\/wp-json\/wp\/v2\/comments?post=187371"}],"version-history":[{"count":0,"href":"https:\/\/mediarun.com\/pl\/wp-json\/wp\/v2\/posts\/187371\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/mediarun.com\/pl\/wp-json\/wp\/v2\/media\/187374"}],"wp:attachment":[{"href":"https:\/\/mediarun.com\/pl\/wp-json\/wp\/v2\/media?parent=187371"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/mediarun.com\/pl\/wp-json\/wp\/v2\/categories?post=187371"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/mediarun.com\/pl\/wp-json\/wp\/v2\/tags?post=187371"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}