赛诺贝斯李喆:如何让数据在企业之间共享,共同训练、反哺,是需要探讨的话题 | 未来AI谈

Marteker .2024-02-21 09:47.阅读量.207

「未来AI谈」是「Marteker营销技术官」联合「Digital Frontier首席数字官」共同发起的一档对话栏目,旨在探讨生成式AI的崛起对泛营销技术和营销自动化带来的影响,以期帮助全行业探索AIGC时代的新营销之路。

9cd6662cf6de9565.jpg

赛诺贝斯副总裁 李喆

Key Points:

1. AIGA和AIGC的成长的土壤和所获得的营养是不对等的。AIGC在互联网环境中从公域可以获得非常多的营养,去哺育它的模型和成果。而AIGA在B2B和B2C两大业务领域里,至少在B2B业务领域,成长土壤有些贫瘠。

2. 在B2B业务领域里,大量数据其实掌握在B2B企业自己手里,是私域化、不开放的,无法投入训练。大模型没有经过训练,成果没有贴近实际应用场景,就无法满足用户的需求。

3. 很多数字化不彻底的企业,业务层面的knowhow并没有以数字化的方式留存,AI未必能发挥出足够大的作用。

4. 如何让数据在企业之间共享,共同训练、反哺,是需要探讨的话题。

5. 在MA向AIGA方向发展的时候,「原料」的供应非常重要,必须有足够多的生产资料让生产力爆发出来。

6. 数字化转型应该做的,是每一个营销环节的数字化。而线下活动的精髓,即活动期间人与人之间的交互、想法和判断,并没有数字化。

7. 企业方方面面、每一个环节都实现数字化,是非常大的工程和挑战。只有数字化程度越深,AIGA的可能性以及所产生成果的价值就越高。

8. AI的发展会出现从上到下和从下到上两种路径。

9. 如果中国市场营销能够做到All in AIGC,真的能够产生AIGA,这是润物细无声的哺育过程,企业无形中把自己的knowhow等等实现了数字化。

下面是谈话实录:

问:您如何理解AIGA(生成式自动化)?

李喆:AIGA和AIGC的成长的土壤和所获得的营养是不对等的。AIGC在互联网环境中从公域可以获得非常多的营养,去哺育它的模型和成果。而AIGA在B2B和B2C两大业务领域里,至少在B2B业务领域,成长土壤有些贫瘠。AIGA基于GPT或别的模型,需要非常多的数据来培育,模型其实是固定的,最重要的是 Pre-Trained这一部分,训练一定要大量的数据让模型去练习。而在B2B业务领域里,大量数据其实掌握在B2B企业自己手里,是私域化、不开放的,无法投入训练。从生产力和生产关系的角度来说,等于数据这种生产资料被各个企业所掌握而没有释放出来,生产者就无法去处理。大模型没有经过训练,成果没有贴近实际应用场景,就无法满足用户的需求。

问:有没有可能企业贡献自己的数据进行训练?

李喆:如果每家企业自己训练,又面临另一问题,绝大多数企业的数据量不够,远没有达到大数据的量级,不足以用于训练。我曾经和一位AI专家合作,获得了非常多的如工商统计等公开的数据资料,尝试进行训练。我提供了两组数据,一组数据已经验证过被确定为MQL和SQL的,用于模型的训练;另一组则是没有标记的大批量数据,用于模型的验证。结果验证组的数据分布非常均匀,锚定销售线索的准确度并不理想。专家提出其结果是数据维度和数据量不够所致。当时我们在探讨合作模式,从我的角度来说已经释放出非常多的维度和数据;而其他的B2B企业未必会这样开放。而纯用通用算法去给销售线索打分,又缺乏可行性。这实际上就是数据的就绪程度不够的问题。

如果借鉴B2C行业,数据需要达到亿级别才有可能产生有价值的成果。数据维度也很重要。不同的维度,尤其是业务人员对于行业的认知,能否通过数字化方式呈现,也是特别有挑战的工作。这些其实都需要通过模型去训练。

甚至于我接触的很多企业,数字化并不那么彻底,很多业务层面的knowhow并没有以数字化的方式留存。在这样的情况下,AI未必能发挥出足够大的作用。当然AIGA的发展方向非常有诱惑力,但和AIGC相比是有挑战的。如何让数据在企业之间共享,共同训练、反哺,是需要探讨的话题。

问:在营销场景应用中,AI营销与传统的营销方式相比,将有哪些革命性变化?将对营销技术和工具带来哪些颠覆?

李喆:我们现在做MA是基于人的认知。国内企业,不论是外资还是民营企业,都是采用一把手从上到下管理的传统思路,一把手的视野和认知决定了业务的布局,当然一把手可以根据少量下属的经验去决定MA的规则和策略。很多时候MA的规划是rule-based,即基于规则的模式。而从算法角度来说,就不是rule-based而是data-driven的模式,不断用之前的数据去优化迭代。

当然我们说的一把手,也是根据之前的报表等数据进行分析,但终究处理速度相比较机器是慢的,即便Excel也速度有限。但是人工智能可以瞬间完成海量数据的计算,效率会变得很高。

当然AIGA面临的难度也更大,当初我们推广MA驱动传统营销,只是让营销人员接受、学习这项技术,而在MA向AIGA方向发展的时候,「原料」的供应非常重要,必须有足够多的生产资料让生产力爆发出来,否则就是没有油的发动机,汽车无论如何也无法前行。因此,AIGA必然是MA的发展方向,前提是解决了数据的困境。

就我所负责的B2B行业来说,这是个性化的行业,既包括了行业的个性化,也有企业的个性化。套用IT理论,即以计算中心和边缘的概念来看,现在AI在B2B企业主要是在边缘层面起作用、提升效率,包括设计、内容等等。而AI发展的重点或者说发展趋势,是如何在中心去起作用,成为中心力量。

问:AI发挥出应有的能力,需要满足哪些条件?

李喆:除了刚才说的数据就绪度,再就是企业数字化的深度和广度。原先很多企业以为营销数字化转型难度不高,认为数字化转型仅仅是数字化营销的应用,在企业内部成立部门,专门负责数字化的工作,仅此而已。实际上数字化转型应该做的,是每一个营销环节的数字化。以线下活动这一最常见的场景为例,很多可能认为做到签到、问卷、互动抽奖等环节的数字化,就已经是完成了线下活动的数字化营销体系的建设;实际上,线下活动的精髓是活动期间人与人之间的交互、想法和判断,这些其实并没有数字化。

疫情结束之后,线下活动频度飙升,企业的销售和业务人员终于有机会和客户面对面沟通了。但是他们沟通的所有成果、沟通过程中的信息,并没有以数字化的方式留存下来。这是我认为的没有深入的一部分。当然以现有的技术条件和法律规定,这一步很难迈过去,但我们要意识到这是没有实现数字化的部分,不论是AIGA还是AIGC就缺少一项很重要的维度和生产资料的补充,这是必然的挑战。

相比较而言,像客服领域,银行客服与客户的每一次交流都被录音,通过NLP技术处理,预测和判断就会很精准。我认为数据补充和数据生产资料的供给是非常及时和完善的,所以产生的结果就会非常好。但是在B2B领域,大多数业务流程并没有做数字化的呈现和留存,AI判断一定会有偏差。其实企业方方面面、每一个环节都实现数字化,是非常大的工程和挑战。但只有数字化程度越深,AIGA的可能性以及所产生成果的价值就越高。

问:AI为主的时代什么时候才能到来?

李喆:这与数字化的程度有很大关系。虽然业内一直在谈数字化转型,但很多行业或企业没有真正行动起来,还处在比较初级的状态。如果数字化成熟度比较高,又具备了数据基础,肯定会出现加速过程。

就AI的发展前景来说,会出现从上到下和从下到上两种路径。从上到下取决于国策,从下到上取决于社会发展。大学生其实对AIGC非常了解和适应,等他们毕业之后,就会供应给社会一波拥抱AI的人才资源,对AI的训练会加速,并带动其他人也进入到以AI为架构的体系里来。

另外,如果中国市场营销能够做到All in AIGC,真的能够产生AIGA,这是润物细无声的哺育过程,这样企业就能在无形中把自己的knowhow等等实现了数字化。不过,我们也需要注意到当下营销和运营人员对AIGC的拥抱态度是有差异的,其中不乏一定的排斥或者持谨慎态度。就我的观察范围,设计人员对AI的依赖度非常高,因为他们有一种自信,认为AI的设计作品缺少灵魂,需要设计人员来实现画龙点睛的加工。但是内容人员往往会觉得AI产生的成果和他做出的差异不大,而且AI痕迹明显,就会有芥蒂,以至于相关的AI缺乏足够多的训练。如果所有和营销相关的人对某个模型做大量的对应训练,真有可能产生意想不到的结果。

微信图片_20210903173734.jpg

微信图片_20210816105329.jpg


点赞 差评
相关推荐
技术营销人都在关注
  • Marteker
  • Marteker
  • 微信公众号
  • 知识星球