Hoofdstuk 3 De diepere betekenis van machine learning voor Netflix

Bekijk de bijlage waarin Datacouncil de diepere betekenis van machine learning en AI uitlegt voor streamingdienst Netflix. Gedurende vele jaren is het voornaamste doel van het gepersonaliseerde aanbevelingssysteem van Netflix geweest om op het juiste moment de juiste titels aan elk van onze leden te presenteren. Maar het werk van aanbevelingen houdt daar niet op. De startpagina zou in staat moeten zijn om aan het lid voldoende bewijs te leveren waarom dit een goede titel voor haar is, vooral voor programma’s waarvan het lid nog nooit heeft gehoord.

Een manier om dit uitdaging aan te pakken, is door de manier waarop we de titels op ons platform weergeven, te personaliseren. Onze engine voor personalisatie van afbeeldingen wordt aangedreven door online leren en contextuele bandits. Net als veel andere machine learning-algoritmes van Netflix begon het als een prototype en moest het worden omgezet in betrouwbare productietaken, uitgerust met monitoring, waarschuwingen, modelcontrole, hertraining, detectie van verouderde modellen, systeemveerkracht en meer.

We zullen bespreken hoe we bij Netflix de benadering hanteren om machine learning-systemen gereed te maken voor productie, en hoe we onze engine voor personalisatie van kunstwerken hebben geschaald om betrouwbaar meer dan 20 miljoen gepersonaliseerde afbeeldingsverzoeken per seconde te verwerken.

 

 

1303, #1303

 

Hoofdstuk 4: Uitleg van de werking van stable difussion modellen

Bekijk de uitleg van de werking van stable difussion modellen bij het genereren van visuele content. Dit proces begint met een willekeurige ruis en voegt stap voor stap informatie toe om de ruis om te zetten in een realistische afbeelding. Het doel is om een afbeelding te creëren die lijkt op de oorspronkelijke input om zo unieke afbeeldingen te kunnen genereren op hogere snelheid. Stable diffusion, met stability.ai als handig platform vol toepassingen, is de meest flexibele AI-beeldgenerator. Het is volledig open source en je kunt zelfs je eigen modellen trainen op basis van je eigen dataset om het precies het soort afbeeldingen te laten genereren dat je wilt. Toepassingen die zijn gebaseerd op GAN’s, zoals DALL-E van producent OpenAI, zijn dan weer eenvoudiger in gebruik.

 

 

De architectuur van Stable Diffusion-modellen en GANs is fundamenteel verschillend. Stable Diffusion-modellen gebruiken een denoising-architectuur, waarbij het model wordt getraind om toegevoegde ruis uit de gegevens te verwijderen en geleidelijk de gegenereerde afbeelding te verfijnen in de loop van de tijd.

Aan de andere kant hebben GANs een competitieve architectuur, waarbij de generator en discriminator tegelijkertijd worden getraind. De generator probeert gegevens te produceren die de discriminator niet kan onderscheiden van echte gegevens, terwijl de discriminator probeert beter te worden in het onderscheiden van echte gegevens van de gegenereerde gegevens. Dit kan leiden tot een probleem dat bekend staat als modusinstorting, waarbij de generator beperkte variaties van voorbeelden produceert.

 

 

Hoofdstuk 2: Customer Journey Mapping (klantreis-analyse) met AI (en templates)

Customer Journey Mapping (klantreis-analyse) met AI biedt ultieme mogelijkheden om een klantreis goed in kaart te brengen. We zagen al eerder in het boek dat de persona een connectie heeft met de klantreis. De link tussen de persona en de klantreis is dat beide concepten veel gebruikt worden in marketing en klantgerichte strategieën. Ze worden ingezet om een dieper begrip te krijgen van de doelgroep (persona) en hun interactie met een product, dienst of merk (klantreis). Om een voorspelling, en analyse, te kunnen maken, van de acties die wij van de (potentiële) klant kunnen verwachten, vormt de klantreis een letterlijke rode draad van bewustwording van de behoefte(n) tot uiteindelijke koop en mogelijk fangedrag. Na de analyse van de klant, de markt, de vraag en aanbodkant brengt de analyse van de klantreis ultieme mogelijkheden om nog betere het aanbod af te stemmen op de vraag, op het juiste marketing-kanaal op het juiste moment met de juiste boodschap. Dit proces dient gedurende het gehele periode van de uitvoering van het marketingplan, geoptimaliseerd te worden. De toepassing Delve.AI geeft een start op basis van live data voor het genereren van de persona’s, marktsegmenten en de basis voor de klantreis. Onderzoeker Garter zegt over het nut van de klantreis: “Een klantreis is een hulpmiddel dat marketeers helpt om de reeks verbonden ervaringen te begrijpen die klanten wensen en nodig hebben, of dat nu het voltooien van een gewenste taak is of het doorlopen van het volledige traject van behoefte tot klant tot loyale koper.”

 

 

Zapier

Op zoek om te beginnen met automatisering van de klanteris? In deze video geven we je een snelle rondleiding van Zapier en zijn functies, laten we je zien hoe je je eerste Zap kunt maken, en bespreken ze de opties.

Kopieer deze Zap, meld je aan voor Zapier, en vind meer bronnen op het speciale werkstroombord voor deze tutorial: https://app.xrayworkflow.com/b/109d39

— 00:00 – Inleiding 00:41 – Wat is Zapier? 02:20 – Je eerste Zap maken 03:28 – De trigger configureren 06:34 – Een geautomatiseerde actie toevoegen 09:08 – De Zap testen 09:59 – Andere functies van Zapier 13:14 – Prijsopties van Zapier 14:09 – Wat Zapier onderscheidt.

Webinar en tutorial over Mixpanel

 

Google Analytics 360

Meet een bezoeker aan je website vanaf het moment dat ze op een link naar je website klikken tot het moment waarop ze een conversie maken. In deze video laat ik je zien hoe je je bezoekers kunt volgen gedurende de Customer Journey met behulp van UTM-codes, Gebeurtenissen en Doelen. Ik zal uitleggen hoe je je websitebezoekers kunt volgen. Vervolgens zal ik uitleggen hoe je dit kunt opzetten door de juiste UTM-codes te creëren, gebeurtenissen te maken en de juiste doelen te stellen. Daarna laat ik stap voor stap zien hoe je elke stap kunt configureren in Google Analytics en Google Tag Manager.

Webinar over Hotjar

 


1209, #1209

Hoofdstuk 4: Hoe werkt het genereren van grafische content met AI?

Hoe werkt het genereren van grafische content met AI?

 

 

AI-generatie van afbeeldingen en video’s maakt gebruik van complexe neurale netwerkarchitecturen, zoals generatieve tegen-netwerken (GAN’s) en RNN’s:

  1. Voorbereidende fase: In de voorbereidende fase worden grote hoeveelheden visuele gegevens verzameld, zoals afbeeldingen of video’s. Deze gegevens worden gebruikt om het AI-model te trainen, zodat het de patronen, stijlen en kenmerken van de bestaande visuele inhoud kan begrijpen.
  2. Generatieve Modellen (bijv. GAN’s): Een veelgebruikte aanpak voor het genereren van afbeeldingen en video’s is via generatieve tegen-netwerken (GAN’s). Een GAN bestaat uit twee hoofdcomponenten: de generator en de discriminator. De generator creëert nieuwe afbeeldingen of video’s op basis van willekeurige ruis of een startafbeelding. De discriminator probeert onderscheid te maken tussen de door de generator gegenereerde inhoud en echte, bestaande inhoud.
  3. Training: Tijdens het trainingsproces worden de generator en de discriminator samen getraind. De generator probeert afbeeldingen te genereren die de discriminator misleiden, zodat deze de gegenereerde inhoud als echt beschouwt. Naarmate het trainingsproces vordert, wordt de generator steeds beter in het creëren van realistische inhoud.
  4. Feedbacklus: De generator en de discriminator zijn met elkaar in een feedbacklus verwikkeld. Naarmate de generator verbetert, wordt de discriminator ook beter in het herkennen van nepinhoud. Dit dwingt de generator om nog realistischere inhoud te creëren om de discriminator voor de gek te houden.
  5. Fijntuning en Aanpassing: Nadat het generatieve model is getraind, kan het worden aangepast aan specifieke doelen. Dit omvat mogelijk het finetunen van het model op specifieke soorten afbeeldingen (bijv. gezichten, landschappen) of het sturen van het generatieproces op basis van bepaalde input (bijv. tekstuele beschrijvingen).
  6. Generatie: Zodra het model is getraind en aangepast, kan het worden gebruikt om nieuwe afbeeldingen of video’s te genereren. Voor afbeeldingengeneratie kan het generatieve model willekeurige ruis gebruiken om een startpunt te creëren, terwijl bij video’s opeenvolgende frames worden gegenereerd om een vloeiende beweging te creëren.

Hoofdstuk 2: De mix van AI, AR en VR (voor nog betere klantbeleving)

 

De virtualisatie van producten heeft inmiddels ook de klantreis en vooral de klantbeleving bereikt. De mix van MR en AI zijn daarbij vitaal om de klantbeleving tot op extreme hoogte ter brengen.

Voorbeelden van  mix van AI, AR en VR (voor nog betere klantbeleving):

 

 

https://www.youtube.com/watch?v=Jd2GK0qDtRg&t=35s


Lees verder

Hoofdstuk 2: Impact AI op marketing de digitale marketingmix (VIDEO)

 

AI heeft een grote impact op marketing. De synergie tussen kunstmatige intelligentie en bijvoorbeeld de optimalisatie van de persona, de klantreis en de zoekmachineoptimalisatie opent nieuwe deuren voor moderne marketeers.

Het digitale marketinglandschap heeft al flinke transformaties ondergaan gedurende de afgelopen decennia. De opkomst van technologieën, zoals marketingautomation, (location based) mobile marketing, mixed reality en kunstmatige intelligentie, hebben een ingrijpende invloed gehad op hoe organisatie hun klanten benaderen en betrekken. De optimale digitale marketingmix wordt steeds vaker datagestuurd bepaald en bijgestuurd. Omdat producten in het digitale tijdperk niet exclusief fysieke producten zijn, is de marketingmix bijgesteld met digitale en hybride, producten.

 

 

 

 


1210, #1210, impact, ai, marketing

Hoofdstuk 1: Kwaadaardige versie van AI-chatbots: FraudGPT en DARKbart

Evil chatbot boeken AI

Evil chatbot boeken AI

 

We zijn allemaal bekend met ChatGPT en Bard. Zoals het Handboek.AI laat zien zijn er nog talloze andere vergelijkbare chatbots die ook op artificial intelligence (AI) draaien, ontwikkeld door kleinere bedrijven. Deze chatbots zijn vaak minder veelzijdig omdat ze specifiek getraind zijn op bepaalde datasets, waardoor ze alleen relevant zijn voor specifieke sectoren en individuen. In deze categorie zou je ook FraudGPT kunnen plaatsen.

FraudGPT is een nieuwe AI-chatbot die zich richt op de duistere kant van het internet. Het doel van deze tool is om cybercriminelen in staat te stellen eenvoudig frauduleuze aanvallen uit te voeren.

Lees verder

Hoofdstuk 2: PlaygroundAI prompts om levendige afbeeldingen te maken van kwaliteit

 

Inspirerende PlaygroundAI prompts om levendige afbeeldingen te maken van kwaliteit:

 

An evil Wolf in Florest, colorfully fantasy concept art, 32k resolution, Best Quality, Masterpiece, natural light, insanely detailed, 8k resolution, fantasy art, detailed painting, hyper realism, photorealistic, carguilar, beautiful detailed intricate, insanely detailed, natural skin, soft impressionist perfect composition, award-winning photograph.

Rambo, starlight face, digital illustration, comic style, stunning background, approaching perfection, dynamic, highly detailed, art station, concept art, smooth, sharp focus, illustration, art by Carne Griffiths and Wadim Kashin, trending on art station, sharp focus, studio photo, intricate details, highly detailed, 8k resolution

 

 

Anime. Right after winter snow, a lovely couple dating in a pavilion next to a pond in a Japanese garden, wet, mist, water dripping from leaves into pond, god ray, vivid rich bright and vibrant color, deep shadow, breeze, by Makoto ShiKai, Makoto Niitsu, intricate details, cinematic shot, perfect composition, focus on the couple, realistic but stylish,

The H.R. Gieger art style features futuristic, photorealistic landscapes and structures with sharp focus and attention to detail. Elements like smoke, rain, artillery, sparks, and electronics are incorporated into the art. These pieces often have high resolution, such as 4K or 8K, and use advanced rendering techniques such as octane render and dynamic lighting to create a hyperrealistic look.

Tips om een prompt samen te stellen en bewerken in deze video:

 


1207, #1207

Hoofdstuk 2: Tutorials ChatGPT #uitleg #ai #video

Bob van Duuren omschrijft in zijn boek de AI-toepassing ChatGPT als:

Het kan verkeren. In februari 2023 – ChatGPT was net bezig aan een stormachtige opkomst in de wereld van kunstmatige intelligentie
(AI) – kreeg ik een vraag van een vakgenoot of ik dacht dat AI en tools als ChatGPT autonoom bruikbare boeken zouden kunnen
schrijven. Ik wist het niet, en was in ieder geval sceptisch; het handjevol experimenten dat ik tot dat moment met ChatGPT had uitgevoerd
stemde niet hoopvol. ‘Nee’, was mijn conclusie dan ook, omdat het aantal foute antwoorden te groot was. In dezelfde week benaderde bevriend auteur Arjan Burger me met
de vraag “Al bezig met een ChatGPT-boek?”. “Zou er veel over te schrijven zijn?”, antwoordde ik in mijn naïviteit. “Dat zou zeker kunnen, en dat boek genereer je dan met ChatGPT”, was zijn gedecideerde antwoord. Ik reageerde lacherig en een beetje ongeloofwaardig, maar hij was serieus. We appten nog wat over en weer en het kwartje viel snel bij me: dit moest ik gaan doen. Arjan gebruikte ChatGPT al dagelijks, en wat hij zei klonk relevant en interessant. Aan de slag dus.

 

 

Wat is het en waarom is het interessant voor de marketeer?

 

Hoe werkt ChatGPT?

00:00 Intro 01:05 Wat is ChatGPT? 04:03 ChatGPT als chatbot 04:49 Spellingscontrole ChatGPT 06:23 Advies en vergelijken met ChatGPT 06:44 Berichten en e-mails voor je schrijven 07:02 Teksten vertalen 07:22 Verslagen maken met ChatGPT 08:15 Pitch of presentatie schrijven 08:26 ChatGPT laten programmeren 08:58 Contracten maken met CharGPT 09:23 ChatGPT teksten laten herschrijven 10:04 Outro

 

 

En in het Engels:

 

 

ChatGPT is een diepgaand leermiddel getraind op een immense dataset met honderden miljarden woorden uit diverse bronnen zoals boeken en webpagina’s. Het model voorspelt en genereert tekst op basis van context. Het is een geavanceerde versie van een voorspellende teksttool.

Belangrijke termen om te begrijpen:

  • Natuurlijke taalverwerking (NLP): Computers en menselijke taalinteractie.
  • Neurale netwerken: Computers die menselijke intelligentie nabootsen.
  • Grote taalmodellen (LLMs): Gebruiken tekst om menselijke taal te genereren.
  • Generative Pre-trained Transformers (GPTs): Populaire LLM-benadering, GPT-3.5 en GPT-4 worden in ChatGPT gebruikt.
  • Reinforcement Learning from Human Feedback (RLHF): Traint GPT-modellen voor ChatGPT.
  • Antwoorden van ChatGPT: Gebaseerd op voorspellingen en beloningen voor nuttige reacties.

Probeer ChatGPT hier: [link]. Gratis aanmelding. Je inzendingen helpen bij modeltraining. De premiumversie, draaiend op GPT-4, biedt betere prestaties.

ChatGPT’s taalmogelijkheden zijn veelzijdig: van onderzoeken tot coderen.

 

 


1206, #1206

Hoofdstuk 3: Voorspellingsmodel maken met (cloud)toepassingen, AI en grote datasets

Naast de analyse en voorspellingen die door middel van programmeertalen, zoals SQL en Python met grote database-systemen uitgevoerd kunnen worden op grote datasets, zijn er ook no-code platformen. Obviously AI is zo een platform zonder code, net als Numerous.ai en Gooddata.com, dat u in staat is om met behulp van AI de omzet en zakelijke resultaten te voorspellen. Organisaties kunnen hun toeleveringsketen aanpassen en op maat gemaakte marketingstrategieën creëren met behulp van zakelijke prognosedata. Gebruik eventueel een export uit uw CRM-database (of verkoopsysteem) in .csv-bestand als dataset. U kunt ook een voorbeelddataset van omvang gebruik van platform kaggle.com. Datasets van omvang kunnen niet zomaar met ChatGPT geanalyseerd worden. We moeten opschalen naar meer BI-power zoals al met AI-toepassingen (in de cloud) die grote datasets (zonder code) kunnen analyseren:

 

 

 

1308, #1308