科技、数码、互联网新闻如今都成为了大众所关注的热点了，因为在我们的生活当中如今已经是处处与这些相关了，不论是手机也好，电脑也好，又或者是智能手表也好，与之都相关，那么今天小编也是为大家来推荐一篇关于互联网科技数码方向的文章，希望大家会喜欢哦。

在竞争日益激烈的市场营销条件下，营销人员不断寻求可扩展的智能解决方案。毫无疑问，人工智能(AI)和机器学习(ML)现在正被品牌及其营销组织大量采用。

对于没有经验的人来说，当计算机自动执行人类本来会定义的任务时，人工智能通常被认为是一种技术。机器学习作为AI中的一个功能区域，是指计算机被赋予最终目标，但需要自己计算最佳路径。

今天，我们看到这些技术 - 特别是机器学习 - 部署在许多营销领域，包括广告欺诈检测，预测消费者行为，推荐系统，创意个性化等等。

虽然这一切都很好，但有一种新的分支技术，对于营销人员来说，它将真正满足机器学习正在创造的需求。它被称为“强化学习”(RL)。

什么是强化学习?

从ML到RL的步骤变化不仅仅是一封信。大多数交付给机器学习的任务涉及使用单一步骤，例如“识别此图像”，“理解书籍内容”或“捕获欺诈”。对于营销人员而言，诸如“吸引，保留和吸引用户”之类的业务目标是本质上是一个多步骤和长期的，不容易通过机器学习实现。

这就是强化学习的用武之地.RL 算法都是关于优化展开和不断变化的旅程 - 一个发生动态问题的旅程。通过使用数学“奖励函数”来计算每个排列的结果，RL可以看到未来并做出正确的呼叫。

今天，这种尖端技术的最佳体现可以在游戏和自动驾驶汽车中看到。当谷歌的AlphaGo系统去年击败世界上最好的棋盘游戏Go 玩家时，他们的秘诀就是强化学习。虽然游戏设定了规则，但玩家对胜利路线的选择会根据棋盘状态动态变化。通过强化学习，系统会考虑所有可能的排列，这些排列可能会根据每次下一步行动而发生变化。

同样，一辆自动驾驶汽车继续行驶，其中道路规则和目的地的位置保持固定，但沿途的变量 - 从行人到路障到骑车者 - 都会动态变化。这就是为什么OpenAI，由特斯拉的Elon Musk创立的组织，为其车辆采用先进的RL算法。

营销人员机器

这对营销人员意味着什么?

许多营销人员的核心挑战是由业务状况一直在变化这一事实造成的。随着时间的推移，获胜的竞选策略可能会变得不受欢迎，而旧战略可以获得新的动力。RL是模仿真实人类智慧的一步，我们从多种结果的成功和/或失败中学习，并形成未来的制胜战略。让我举几个例子：

1.用户参与度增强

让我们关注餐饮连锁店的客户参与度，以及明年将其增加十倍的目标。今天，营销活动可能涉及发送带有折扣优惠的生日问候，甚至可能基于食物偏好。这是线性思维，营销人员已经定义了起点和终点。

在繁忙的世界中，客户的生活在不断变化的实时 - 有时他们更加投入，有时甚至更少。在强化学习中，系统将不断重新校准营销军械库中的哪些策略，在任何给定时刻，最有可能将接收者推向10x参与的最终目标。

2.动态预算分配

现在想象一个广告场景，你有100万美元的预算，需要每天花一些时间直到月末，分配到四个不同的渠道：电视，忠诚度促销，Facebook和谷歌。您如何确保以最佳方式支出预算?答案取决于当天，目标用户，库存价格和许多其他因素。

在强化学习中，算法将使用历史广告结果数据来编写奖励函数，以对某些支出决策进行评分。但它也考虑了实时因素，如定价和目标受众成员积极接受的可能性。通过迭代学习，整个月的广告支出分配将动态变化。尽管确定了最终目标，但RL将通过所有方案以最佳方式分配预算。(有关营销中人工智能的更多信息，请参阅人工智能将如何彻底改变销售行业。)

快来了

强化学习承认复杂性并认识到人们是异质的并且解释这些真理，随着游戏板的各个部分的变化，随着时间的推移改进每个下一个动作。

强化学习仍然主要是研究项目和领先采用者的保留。数学概念和技术已经存在了40多年，但由于三个趋势，直到最近才进行部署：

通过高性能图形处理单元(GPU)扩散计算能力。

云计算提供的高端处理器功率只需购买GPU本身的一小部分，允许第三方租用GPU以相对便宜的价格培训他们的RL模型数小时，数天或数周。

改进数值算法或智能启发式。RL算法中的一些关键数字步骤现在能够以更快的速度收敛。如果没有这些神奇的数字技巧，即使使用当今功能最强大的计算机，它们仍然不可行。

思考更大

所有这一切都意味着强化学习的新力量很快将大规模地提供给品牌和营销人员。然而，拥抱它需要转变思维方式。对于营销经理来说，这项技术意味着能够将他们的双手放在一边。

每个企业都有一个目标，但是当你深入战壕时，为实现这一目标而采取的日常行动可能会变得模糊。现在RL技术将允许决策者设定目标，更有信心系统将为其制定最佳路线。

例如，在广告中，现在很多人都意识到点击率(CTR)之类的指标仅仅是真实业务成果的代理，只是因为它们是可数的。RL驱动的营销系统将不再强调这些中间指标以及与之相关的所有繁重工作，使老板能够专注于目标。

这将要求企业以更加积极主动和长期的方式思考他们的大问题。当技术成熟时，他们将实现他们的目标。

采用的途径

强化学习还没有为品牌全面使用做好准备; 然而，营销人员应该花时间去理解这个可以彻底改变品牌营销方式的新概念，从而有利于机器学习的早期承诺。

当电力到达时，它将带有用户界面的营销软件，但该软件所需的任务将从根本上简化。对于员工来说，移动开关和输入数字会减少，阅读分析报告也会减少并对其进行操作。在仪表板后面，算法将处理大部分内容。

RL不太可能在门外匹配人类智能。其发展速度取决于营销人员的反馈和建议。我们必须确保我们要求计算机解决正确的问题，并在没有问题时对其进行惩罚。听起来你会教你自己的孩子，不是吗?