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.
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.
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.
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:
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.
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.
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.
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.
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).
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.
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):
