https://virgool.io/feed/@samansadeghzadeh عضو هیئت علمی مدرسه کسب و کار ماهان _مشاور ارشد بازاریابی - اولین مدرس بازاریابی هوش مصنوعی در ایران fa 2026-06-07 03:31:03 https://files.virgool.io/upload/users/63697/avatar/avatar.png?height=120&width=120 https://virgool.io/@samansadeghzadeh https://virgool.io/@samansadeghzadeh/%D8%A8%D8%B2%D8%B1%DA%AF-%DB%8C%D8%A7-%DA%A9%D9%88%DA%86%DA%A9-%D9%88%D9%82%D8%AA-%D8%B4%DA%A9%D8%B3%D8%AA%D9%86-%D8%B3%DB%8C%D9%84%D9%88-%D9%87%D8%A7%DB%8C-%D8%AF%D8%A7%D8%AF%D9%87-%D8%A7%D8%B3%D8%AA-e5sslnxpb5pp فرقی ندارد که شرکت بزرگ یا یک استارتاپ هستید. حتی کوچکترین سازمان ها و شرکت های نوپا هم داده های زیادی را در اختیار دارند. ولی مسئله اصلی مدیریت داده هاست که افراد باید به آن نگاه ویژه ای داشته باشند.این موضوع زمانی سخت تر و سخت تر می شود که حجم داده ها روز به روز افزایش می یابد و اثر مستقیم در بهره وری و خروجی سازمان دارد. در محیط امروز کسب و کار جمع آوری داده، آماده سازی و به تصویر کشیدن داده ها خروجی این موضوع را مشخص می نماید.زمانی که کسب و کار با سیلو های مختلف داده سر کار داشته باشد می بایست به صورت دائم در پی پیدا نمودن داده در اپلیکیشن و ابزار ها و پایگاه ها مختلف داده باشد و این موضوع موجب عدم دسترسی به اطلاعات و مهم تر آن عدم اعتماد به این اطلاعات می شود.یکپارچه سازی داده ها در هر شرکتی حیاتی است تا اطمینان حاصل شود که خروجی قابل اعتماد و صحیح است. به ویژه در بازاریابی برای ارزیابی و تصمیم گیری بهتر به یک دید کامل از محیط نیاز داریم.ما بازاریابان همیشه به دنبال ارائه بهترین تجربه مشتری در همه حوزه ها هستیم و می‌خواهیم یک کانال همه‌جانبه (Omni-channel) برای مصرف‌کنندگان خود ایجاد کنیم تا بتوانیم تجربه بهتر، پایدارتر و مناسب‌تری را برای آنها فراهم کنیم، اما نمی‌توانیم بدون دسترسی به داده‌های کامل و صحیح این کار را انجام دهیم.سیلوهای داده همکاری بین بخشی را محدود، تصمیم گیری را کند می کند و فضای ذخیره سازی زیادی را هدر می دهد. هنگامی که ما در حال ارزیابی و آماده سازی داده ها برای تجزیه و تحلیل هستیم، بدیهی است که باید زمان زیادی را صرف پاکسازی آن ها، رسیدگی به داده های از دست رفته، تکراری، و بدتر از همه، داده های نادرست در پایگاه داده کنیم. یادمان باشد هیج الکوریتم و مدلی زباله را تبدیل به اطلاعات با ارزش نمی کند.بنابراین، برای حرکت رو به جلو و ایجاد محیط مناسب برای پیاده سازی بازاریابی نسل پنجم، باید سیلوها را خراب کنیم و یک پلتفرم مشترک را فراهم کنیم که همه ما بتوانیم در آن فعالیت کنیم. بازاریابی زمینه ای یکی از اجزای کلیدی بازاریابی نسل پنجم است که هدف آن درک بهتر مشتریان و بهبود توصیه های محصول است. شکستن سیلوهای داده به بازاریابان امکان می دهد راه حل هایی بسازند که بر اساس تصویر کلان کسب و کار باشد.در نهایت، شکستن سیلوها نه تنها دامنه داده ها و اطلاعات موجود را گسترش می دهد، بلکه راه را برای همکاری بین نقش های مختلف کسب و کار هموار می کند. البته، به راحتی امکان پذیر نیست چون بازاریابان از یک فرهنگ قدیمی بهره می برند که اهداف برای یا بخش و سلسله مراتب متمایز است.بر اساس مطالعات، ۸۰ درصد از مشاغل دارای سیلوهای داده هستند. آنها هنوز از رویکردهای قدیمی برای مقابله با چالش های جدید استفاده می کنند، حتی با فناوری های مدرن مانند خدمات ابری. یادمان باشد که رفتاری که سال ها انجام شده است، در عرض چند ماه از بین نمی رود.سازمان باید از تجزیه و تحلیل برای بهبود سطح بلوغ خود و ایجاد تغییرات هوشمندانه استفاده کند. هدف از پنج مرحله ذیل افزایش بلوغ داده است.1. آگاه از تحلیل: درک ارزش تجزیه و تحلیل و نحوه تأثیر آن بر فرآیندهای تجاری2. تحلیل داخلی: استفاده از تکنیک های تحلیلی برای بهبود کارایی استراتژی3.تحلیل آرمانی: استفاده از داده ها و تجزیه و تحلیل ها برای تصمیم گیری در تمام بخش های تجاری4. تحلیل شرکتی: استفاده ازشرکت هایی که از داده ها و تجزیه و تحلیل ها برای بهبود محصولات و خدمات در سراسر صنایع5. رقبای تحلیلی: ردیابی عملکرد محصولات و خدمات موجود به منظور توسعه محصولات برتر.این مراحل نه تنها به سازمان در تجزیه سیلوهای داده کمک می کند، بلکه بسیاری از بخش های کسب و کار را نیز بهبود می بخشد. مهمترین جنبه این چارچوب این است که مشاغل از طیف گسترده ای از صنایع می توانند از آن برای دستیابی به موفقیت استفاده کنند.منابع:https://www.linkedin.com/pulse/big-small-just-break-data-silos-now-saman-sadeghzadehhttps://hevodata.com/blog/integrating-marketing-data-silos-way/https://www.salesforce.com/blog/what-are-data-silos/?bc=OTHhttps://blog.hubspot.com/service/data-silos سامان صادق زاده سامان صادق زاده Mon, 11 Apr 2022 02:15:03 +0430 https://virgool.io/@samansadeghzadeh/%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D9%82%D9%88%DB%8C-%DB%8C%D8%A7-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%B6%D8%B9%DB%8C%D9%81-zt9od0jeuge5 هوش مصنوعی به توانایی ماشین آلات در انجام وظایف انسانی و تکثیر موثر رفتار انسان است. هوش مصنوعی در زندگی روزمره ما بسیار متداول است که تقریباً هرگز نمی توانیم واقعاً در مورد آن فکر کنیم.استفاده از هوش مصنوعی جهانی است و بسیاری از مردم امروزه با این فناوری نادر آشنا هستند. این فناوری در بازی های ویدیویی ، تلفن های هوشمند ، اتومبیل ها و غیره رایج است. تحقیقات گسترده هوش مصنوعی را به دو نوع هوش مصنوعی قوی و ضعیف تقسیم کرده است. این اصطلاحات حاکی از این نیست که هوش مصنوعی قوی بهتر از هوش مصنوعی ضعیف است.این اصطلاح توسط جان سرل ( John Searle) برای تمایز عملکرد در انواع مختلف ماشینهای هوش مصنوعی ابداع شده است.در اینجا برخی از تفاوتهای اساسی بین هوش مصنوعی ضعیف و قوی بیان می کنیم.هوش مصنوعی ضعیفسرویس های مشهور سیری (Siri) از کمپانی اپل و الکسا (Alexa) از کمپانی آمازون می توانند به عنوان نمونه های هوش مصنوعی نامیده شوند. این برنامه ها در واقع از زیر مجموعه های هوش مصنوعی ضعیف می باشند. این طبقه بندی در تفاوت بین برنامه نویسی با نظارت (supervised) و بدون نظارت (unsupervised) ریشه دارد زیرا کمک های دستیاران صوتی معمولاً دارای یک پاسخ برنامه ریزی شده هستند.کاری که انجام می دهند دریافت اطلاعات، درک و طبقه بندی (Classification) آنها به مشابه آنچه در گذشته می دانستند، انجام می شود .این یک ویژگی شبیه به انسان است ، اما در اینجا جایی است که این شباهت ها به عنوان هوش مصنوعی ضعیف به پایان می رسد ، فعالیت ذهن انسان صرفاً شبیه سازی نیستند. برای مثال اگر از سیری بخواهید تهویه هوا را روشن کند ، کلمات کلیدی مانند "روشن" و "تهویه هوا" را درک می کند ، بنابراین با روشن کردن سیستم تهویه هوا پاسخ می دهد. در واقع در این حالت فقط به آنچه که برای انجام برنامه ریزی شده پاسخ می دهد و معنای آن چیزی را که شما گفتید درک نمی کند.هوش مصنوعی قویحتما نمونه های موارد استفاده از هوش مصنوعی را در بسیاری از فیلم ها دیده اید که عملکرد آن را بیشتر شبیه به مغز انسان برجسته می نمایند. آنها صرفا اطلاعات را طبقه بندی نمی کنند و برای پردازش داده ها از خوشه بندی (Clustering) و ارتباط (Association) استفاده می کنند. این بدان معناست که پاسخی برنامه نویسی برای کلمات کلیدی یا درخواست های شما به مانند آنچه در هوش مصنوعی ضعیف مشاهده می شود، وجود ندارد و نتایج برنامه نویسی و عملکرد آنها تا حد زیادی غیرقابل پیش بینی است.به عنوان مثال ، وقتی با یک انسان صحبت می کنید ، فقط می توانید فرض کنید که پاسخ یک شخص چه خواهد بود.یک نمونه محبوب از هوش مصنوعی قوی نمونه ای است که در بازی ها مشاهده می شود. این مستقل تر از هوش مصنوعی ضعیف است و می تواند در شرایط مختلف بیاموزد (Learn) و سازگار (Adapt) شود. نمونه دیگر هوش مصنوعی قوی ، هوش مصنوعی پوکر (Poker AI) است که می تواند مهارت های رقیبان انسانی را درک کند با آنها سازگار شود و از آنها پیشی بگیرد.اگرچه هوش مصنوعی ضعیف در زندگی امروزی متداول تر است ، اما هوش مصنوعی قوی نیز بخشی اساسی از انقلاب AI بوده است که این غالبا توسط دانشمندان به عنوان "نمایش واقعی هوش انسانی در ماشین ها" توصیف می شود.تفاوت بین هوش مصنوعی قوی و ضعیفبا وجود هوش مصنوعی قوی ، ماشین ها در واقع می توانند وظایف خودشان را درست مثل انسان انجام دهند . با وجود هوش مصنوعی ضعیف، دستگاه ها نمی توانند این کار را به تنهایی انجام دهند و به دخالت های انسانی بسیار متکی باشند.هوش مصنوعی قوی دارای یک الگوریتم پیچیده است که به آن کمک می کند تا در موقعیت های مختلف عمل کند ، در حالی که تمام اقدامات موجود در هوش مصنوعی ضعیف توسط یک انسان از قبل برنامه ریزی شده است.دستگاه های بهره مند از هوش مصنوعی قوی دارای ذهن خود هستند. آنها می توانند پزدازش و تصمیم گیری مستقل داشته باشند، در حالی که دستگاه های مبتنی بر هوش مصنوعی ضعیف فقط می توانند رفتار انسان را شبیه سازی کنند. سامان صادق زاده سامان صادق زاده Mon, 22 Jun 2020 09:52:34 +0430 https://virgool.io/dataio/%D8%A8%D8%A7-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%DB%8C%DA%A9-%D9%82%D8%AF%D9%85-%D8%AC%D9%84%D9%88%D8%AA%D8%B1-%D8%A7%D8%B2-%D9%85%D8%B5%D8%B1%D9%81-%DA%A9%D9%86%D9%86%D8%AF%DA%AF%D8%A7%D9%86-%D8%A8%D8%A7%D8%B4%DB%8C%D8%AF-ldbqlzx2kgjn شناخت علایق و خواسته های مشتریان همواره یکی از خواسته های بازاریابان بوده تا بتوانند با این شناخت حرکت بعدی مشتری را پیش بینی نمایند. ظرفیت دانش شناخت مشتریان برای یک کسب و کار می تواند راهنمای تمامی بخش های آن مجموعه از جمله بازرایابی، فروش، تولید، بازرگانی، لجستیک و ... باشد.هدف نهایی این است که حرکت مشتری قبل از آنکه خود مشتری آن را بداند پیش بینی نماییم.ضرورت این پیش بینی بر کسی پوشیده نیست ولی سوال مهم در اینجا این است کهچه چیزی این پیش بینی را مشکل می نماید؟ جواب این سوال انسان بودن می باشد.واکنش انسان در محیط های مختلف و بسته به محرک های دریافتی متفاوت است. انسان برای تصمیم گیری در مورد مسائل مختلف همواره با بررسی این عوامل مقایسه آنها با معیار های درونی و بیرونی خود و بررسی خروجی این موضوع سعی در اتخاذ تصمیمی برای حداکثر سازی منافع خود دارد.مسئله مهم درک این موضوع می باشد که واکنش انسان به مسايل یکسان در دوره های مختلف عمر مشتری و در موقعیت های مختلف متفاوت می باشد. لذا پیش بینی این واکنش توسط الگوریتم های تحلیلی نیز تقریبا غیر ممکن می باشد.در رفتار شناسی سنتی هدف دسته بندی و بخش بندی مشتری به گروه مشخصی می باشد که افراد آن گروه مشابهات رفتاری زیادی دارند. در واقع خروجی رفتاری فرد با الگوی مشابهی سنجیده می شود.این موضوع دقیقا منطبق با رویکرد سنتی برنامه نویسی می باشد که در آن با یک برنامهه نویس یک برنامه ای را ایجاد می نماید، آن را فرمول بندی و کدگذاری می نماید و با ورودی های مختلف خروجی آن را مشخص می نماید.شماتیک الگوی برنامه نویسی سنتیاین دقیقا منطبق با محاسبات یک تحلیل گر رفتار مصرف کننده می باشد که در آن یک بخش بندی صورت می گیرد و طبق منطقی الگوی خاص رفتاری به مشتری اختصاص داده می شود.اما این الگوی منطقی همواره قابل اتکا نخواهد بود دلیل آن:انسان موجودی تغییر پذیر و تغییر دهنده می باشد و واکنش او به هر محرکی بسته به موقعیت، زمان و واکنش افراد تاثیر گذار تغییر خواهد نمود.راه حل چیست؟بیایید همانطور که برای الگو سازی تحلیل سنتی رفتار شناسی از برنامه نویسی کمک گرفتیم برای راه حل نیز همان کار را انجام دهیم.در روش نوین برنامه نویسی با استفاده از هوش مصنوعی که به آن یادگیری ماشینی گفته می شود منطق و فرمولی برای ایجاد خروجی مشخص نمی شود و در واقع خود ماشین با بررسی ورودی و خروجی از رفتار مشتری الگو ها و منطق خود را مشخص می نماید.شماتیک الگوی یادگیری ماشینیدر این روش به جای آنکه مشخصات یک سیب از قبیل رنگ، شکل، اندازه، وزن و … به برنامه داده شود تا بتواند تشخیص دهد که شکل بعدی نیز سیب است کافیست تصاویر مختلف سیب به ماشین نشان داده شده تا آن برنامه خود منطق خود را برای تشخیص سیب تشکل دهد.اما تفاوت اصلی یادگیری ماشینی با یک برنامه قابلیت تطبیق پذیری آن می باشد به این معنی که هر خروجی جدیدی از رفتار یک فرد می تواند ورودی جدیدی برای درک بهتر آن فرد باشد.در سالهای اخیر با رشد ظرفیت های سخت افزاری و نرم افزاری قابلیت های جمع آوری اطلاعات، تحلیل و استفاده از بسیار متحول شده است. این موضوع تا جایی پیشرفت نموده که شرکت های سازنده تلفن همراه پردازنده های جدیدی برای تحلیل های بر پایه هوش مصنوعی در گوشی های موبایل افراد استفاده نمودند تا از قابلیت های علم بتوان در لحظه و بر روی گوشی همراه شما استفاده نمایند.ویژگی های آیفون ۱۱ پرو و تمرکز بر استفاده از یادگیری ماشینی استفاده از این قابلیت ها در علم رفتارشناسی، بازاریابان را به هدف نهایی خود یعنی پیش بینی قدم بعدی مشتری نزدیک تر و نزدیک تر می نماید. سطوح پیش بینی به شرح ذیل می باشد.سه الگوی پیش بینی اصلی وجود دارد که شرکت ها باید از آنها بهره ببرند:تجزیه و تحلیل عاطفی و قصد (Emotional and Intent Analysis): این بررسی به متخصصان تجربه مشتری (Customer Experience) کمک می نماید تا بتوان به احساسات ناشی یا منشاء اقدام های مشتریان دست پیدا نمایند. شناسایی این عامل می تواند کمک شایانی نماید تا بتوان با ایجاد یا بهره گیری از بوجود آمدن مجدد آن احساس رفتار مشابهی را از مشتری انتظار داشته باشیم.2. الگوهای بخش (Segment patterns): متخصصان رفتار شناسی می بایست کلیه بازخوردهای ساختار یافته و بدون ساختار (structured and unstructured) مشتریان را جمع می کند و الگوهای رفتار آنها را مشخص می کند. بهره گیری از هر دو دسته اطلاعات در بخش بندی دینامیکی بهتر مشتریان کمک شایانی می نماید.3. اقدامات آینده (Future Actions): هدف اصلی برای هر سازمان استفاده از الگوی پیش بینی شده است که می تواند به سرعت ویژگی های مهم را در داده های تجربه تاریخی مشتری (historical experience) شناسایی کند که بر نتایج عملکردی آن در خصوص آن کسب و کار تأثیر می گذارد ، به گونه ای که فرد می تواند از این نکات در سفر مشتری (customer journey) استفاده کند که احتمالاً باعث ایجاد اقدام آینده آن مشتری می شود. این موضوع موجب آن می شود یک شرکت پیش بینی کند که در صورت بروز یک تجربه خاص ، مشتری به شکلی خاص عمل خواهد کرد.برای جمع بندی این موضوع در صورتی که شما بخواهید در این زمینه فعالیت داشته باشید به یاد داشته باشید که علاوه بر یادگیری هوش مصنوعی و یادگیری ماشینی می بایست علم رفتارشناسی مشتریان را نیز به خوبی فرابگیرید. به دنبال چه عاملی در الکوی رفتاری مشتری هستید، چگونه آن را شناسایی و طبقه بندی نمایید و چطور آن را به سایر بخش های مشتریان توسعه می دهید.توانایی پیش بینی رفتار مصرف کننده با یادگیری عمیق (Deep Learning) و سازگار با هوش یادگیری ماشینی و با دقت بالا دورنمای دور نیست. هوش مصنوعی آماده ایجاد تغییر پویایی بازار ، تاکتیک ها و تکنیک های صنایع است ، اما کسانی که با این روند همگام نیستند ، دست به یک اشتباه بزرگ می زنند.https://www.logianalytics.com/predictive-analytics/machine-learning-vs-traditional-programming/https://www.apple.com/iphone-11-pro/https://www.cioreview.com/news/artificial-intelligence-to-predict-consumer-behavior-nid-28315-cid-175.html سامان صادق زاده سامان صادق زاده Thu, 17 Oct 2019 07:03:49 +0330 https://virgool.io/hooshteam/%DA%86%DA%AF%D9%88%D9%86%D9%87-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%A8%D8%A7%D8%B2%D8%A7%D8%B1-%DA%A9%D8%A7%D8%B1-%D8%B1%D8%A7-%D8%A8%D9%87-%D9%87%D9%85-%D9%85%DB%8C-%D8%B2%D9%86%D8%AF-pfyrxc9z3dmw پیش بینی آینده مبحثی است که همواره مورد توجه پژوهشگران بوده است به خصوص اگر این آینده در مورد شغل میلیون ها نفر باشد. سوال مهم اینجاست که چه عواملی محرک این تغییرات هستند؟ آیا می توان پیش بینی درستی از این آینده داشت؟ محرکان تغییر: چهار پیشرفت خاص فن آوری 1) اینترنت پر سرعت فراگیر همراه2) هوش مصنوعی3) تجزیه و تحلیل داده های عظیم 4) فناوری ابری این چهار مورد به عنوان محرک های مثبت بر رشد کسب و کار از سال 2018 تا سال 2022 تسلط دارند. آنها موجب تغییرات گسترده اقتصادی - اجتماعی می شوند که در نتیجه فرصت های شغلی همزمان با گسترش این فن آوری ها ایجاد می شوند.پیش بینی تکنولوژی های مورد استفاده توسط شرکت ها تا سال 2022یکی از محرکهای اصلی تغییر شناسایی نقش فن آوری های نوظهور مانند هوش مصنوعی (AI) و اتوماسیون است. در اینجا می خواهیم به نقش فناوریهای جدید در بازار کار توجه بیشتری نشان دهد و شفافیت بیشتری را در مورد چگونگی ایجاد فرصت اقتصادی با استفاده از هوش مصنوعی ایجاد نماییم.شغل های رو به رشد و رو به کاهش در دنیاطبق بررسی های انجام شده بر اساس داده های 5 سال گذشته مشخص می شود که مشاغل فنی مانند مهندسین نرم افزار و تحلیلگران داده به همراه مهارت های فنی از قبیل محاسبات ابری ، توسعه برنامه های تلفن همراه ، تست نرم افزار و هوش مصنوعی در اکثر صنایع و در همه مناطق در حال پیشرفت هستند. اما تعدادی از مشاغل که بیشتر "قابل اتوماتیک نمودن" هستند در فهرست 10 شغل رو به کاهش هستند - یعنی مشاغلی که بیشترین کاهش را در سهم استخدام در پنج سال گذشته مشاهده کرده اند. این مشاغل شامل دستیاران اداری ، نمایندگان خدمات مشتری ، حسابداران و تکنسین های برقی / مکانیکی است که بسیاری از آنها به کارهای تکراری بیشتر بستگی دارد.سه روند رو به رشدتأثیر هوش مصنوعی فقط نظری نیست ، ما در مورد آینده ای صحبت می کنیم که امروز در آن زندگی می کنیم. بنابراین ، می بایست نگاه دقیق تری به چگونگی تأثیر مهارت های هوش مصنوعی در نیروی کار بر صنایع مختلف و عملکرد شغلی آنها در سطح جهان بیاندازیم. این تحقیقات در مورد مهارتهای نوظهور در سراسر جهان روند های ذیل را مشخص می نماید: مهارت های هوش مصنوعی از سریعترین رشد مهارت ها در LinkedIn برخوردار است. از سال 2015 تا 2017 مهارت های هوش مصنوعی افزایش 190 درصدی را تجربه کرده است. وقتی در مورد "مهارت های هوش مصنوعی" صحبت می کنیم ، ما به مهارت های مورد نیاز برای ایجاد فن آوری های هوش مصنوعی شامل شبکه های عصبی ، یادگیری عمیق و یادگیری ماشینی صحبت می کنیم.مهارت های هوش مصنوعی به سرعت در حال گسترش حتی خارج از صنعت تکنولوژیدر حالی که می بینیم مهارت های هوش مصنوعی در صنایع مختلف رو به رشد است ، داده ها نشان می دهد که صنایعی با مهارت هوش مصنوعی بیشتر در بین نیروی کارشان، نیز جزو سریع ترین صنایع در حال تغییر هستند. اگر "تغییر" را به عنوان واسطه نوآوری در نظر بگیریم ، این نشان می دهد که حضور مهارتهای هوش مصنوعی با نوآوری در یک صنعت به شدت ارتباط دارد. همچنین این بدان معناست که فرصت برای بسیاری از صنایع وجود دارد تا سرمایه های بیشتری را در توانایی های هوش مصنوعی خود سرمایه گذاری کنند.صنایعی به نفوذ بالای مهارت های هوش مصنوعی با سرعت تغییر بالامهارت های هوش مصنوعی جهانی هستند و کشورهایی که بیشترین نفوذ را در مهارت های هوش مصنوعی دارند شامل ایالات متحده ،چین ،هند و آلمان هستند.توانایی هوش مصنوعی جهانی این موارد موجب اظهار تظر جالب رئیس هیئت مدیره نوکیا در سال 2018 شد. او اعلام نمود کهتمامی کارمندان این شرکت می بایست یادگیری ماشینی را فرا بگیرند حتی خود او. او در مصاحبه خود می گوید: من مدتهاست که نسبت به وعده و پتانسیل هوش مصنوعی مشکوک و خوش بین هستم ، که می تواند تقریباً به همه چیز را مختل کند. سال گذشته ، من از سرعت پیشرفت یادگیری ماشین تحت تأثیر قرار گرفتم و نگران این بودم که هم نوکیا و هم خودم در درک آن کمی کند بوده ایم. از خودم پرسیدم برای آموزش خودم و کمک به شرکت چه کاری می توانم انجام دهم؟به عنوان رئیس نوکیا ، من خوش شانس بودم که توانستم راه خود را بر روی تقویم های چندین محقق برتر هوش مصنوعی جهان جزم کنم. اما من فقط بیت ها و بخش هایی از آنچه آنها به من گفتند ، فهمیدم و ناامید شدم سوال مهم اینجاست که "واقعا چگونه کار می کند؟"مدتی را صرف شکایت کردن کردم. بعد فهمیدم که به عنوان مدیرعامل و رئیس هیئت مدیره ، به دام نقش خودم افتادم: من عادت کرده ام که چیزهایی را برایم توضیح بدهم. من به جای تلاش برای فهمیدن مهره ها و پیچ و مهره های یک فن آوری به ظاهر پیچیده ، به اشخاص دیگری متکی شده بودم که کارهای سخت سنگین را انجام دهند.چرا خودم یادگیری ماشینی را یاد نگیرم بعد آنچه را که یاد گرفتم برای دیگران که با همان سؤالات دست و پنجه نرم می کردند توضیح دهم؟ این ممکن است به آنها کمک کند و همزمان توسعه یادگیری ماشینی در نوکیا نیز افزایش یابد.اما شاید هر زمان که عبارت هوش مصنوعی و شغل در کنار هم قرار بگیرند این موضوع را یادآور شوند که هوش مصنوعی افراد را بیکار خواهد نمود و این تکنولوژی جایگزین انسان خواهد شد.این برداشت به نوعی درست است و کاملا از نمودار ذیل مشخص است. تخمین زده می شود تا سال 2025 میزان کار انجام شده توسط ماشین آلات از 29٪ به بیش از 50٪ برسد.پیش بینی سهم زمانی به کارگیری ماشین و انسان در فعالیت های مختلف تا سال 2022 اما این تغییر سریع با مطالبات جدید بازار کار همراه خواهد بود که ممکن است منجر به شغل های بیشتر و نه کمتر شود. این موارد را می توان به نوعی یک نشانه تلقی نمود که آینده را مشخص تر می نماید. اما سوال نهایی اینجاست که ...آیا ما خود را برای آینده با فراگیری این علم آماده می کنیم یا اینکه سرمون خیلی شلوغه؟منابع:http://www3.weforum.org/docs/WEF_Future_of_Jobs_2018.pdfhttps://www.weforum.org/agenda/2018/09/artificial-intelligence-shaking-up-job-markethttps://hbr.org/2018/10/the-chairman-of-nokia-on-ensuring-every-employee-has-a-basic-understanding-of-machine-learning-including-him سامان صادق زاده سامان صادق زاده Wed, 11 Sep 2019 13:46:53 +0430 https://virgool.io/dataio/httpsvirgooliosamansadeghzadehwhat-is-ai-marketing-qu9fnnqi2tgg در سال ۱۹۵۰ الن ترینگ (Alan Turing) سوالی را مطرح نمود که سرآغازی برای هوش مصنوعی بود.آیا ماشین ها می تواند فکر کند؟ Can Machines Thinks? در سال ۱۹۵۶ جان مککارتی (John McCarthy) برای اولین بار به صورت آکادمیک واژه هوش مصنوعی را مطرح نمود و از او به عنوان پدر علم هوش مصنوعی یاد می کنند.از آن سال تا به امروز این علم پیشرفته بی نظیری داشته و امروز به دلیل وجود داده های عظیم (Big Data) اجرای این راهکار ممکن شده است. تحقیقات نشان داده ما در هر روز ۲.۵ کـَـنتیلیون (۱۰ به توان ۱۸) داده ایجاد می نماییم و این موضوع با شتاب بالا به دلیل وجود اینترنت اشیاء در حال رشد است.There are 2.5 quintillion bytes of data created each day at our current pace, but that pace is only accelerating with the growth of the Internet of Things (IoT).از طرفی بازاریابی از سال ۱۷۳۰ که آغاز تبلیغات در مجله بوده ،اولین بیلبورد اکران شده در سال ۱۸۶۷، تبلیغ رادیویی در سال ۱۹۲۲، تبلیغ تلویزیونی در سال ۱۹۴۱ و بازاریابی تلفنی در سال ۱۹۴۶ راه زیادی را طی نمود است. ولی پایه علم بازاریابی به شکلی که امروزه ما می شناسیم در سال ۱۹۵۰ شکل گرفت.بنابراین این دو شاخه علم از سال ۱۹۵۰ رشد نمودند و امروز در کنارهم امکانی را فراهم نمودند که بتوان در بازاریابی آن را دوران بازاریابی هوش مصنوعی نام گذاشت.بر اساس پیش بینی گارتنر (Gartner) هوش مصنوعی برای بازاریابی دیجیتال وارد مرحله اوج انتظار شده (The peak of inflated expectation) در این مرحله داستان های موفقیت و شکست بسیاری در اخبار در این خصوص می شنوید. لذا برخی از بازاریابان برای استفاده از این امکان اقدام می کنند؛ برخی دیگر صبر می کنند تا تکنولوژی بالغ تر شود ... ولی با این وجود گارتنر پیش بینی می کند پیش بینی می شود اندازه این بازار تا سال ۲۰۲۱ سه برابر میزان آن در سال ۲۰۱۸ شود.منبع: چرخه هایپ برای بازریابی و تبلیغات دیجیتال - گارتنر ۲۰۱۸ بازاریابی هوش مصنوعی این امکان را می دهد که به صورت واقعی اهداف بازاریابی که از ابتدای بوجود آمدن این علم مهم بوده را محقق نماییم. این مهم به این دلیل امکان پذیر است که مشتریان در هر دقیقه در حال تولید میلیون ها داده هستند و دستیابی به این داده ها، پردازش آنها و تبدیل آنها به پارامتر های قابل استفاده در بازاریابی می تواند راهی برای دستیابی به اهداف کسب و کار باشد.چشم انداز تکنولوژی هوش مصنوعیبرای بکار گیری هوش مصنوعی در کسب کار می بایست الگوریتم های مختلفی را بکار برد. این فرآیندها شامل یادگیری (کسب اطلاعات و قوانین برای استفاده از اطلاعات)، استدلال (استفاده از قوانین برای رسیدن به نتایج تقریبی یا قطعی) و اصلاح است. زیر مجموعه های هوش مصنوعی شامل موارد ذیل می شود. سیستم های مستقل (Autonomous systems)یادگیری ماشینی (Machine Learning)یادگیری عمیق (Deep Learning)شبکه های عصبی مصنوعی (Artificial Neural Network)شناسایی الگو (Pattern recognition)پردازش زبان طبیعی (Natural Language Processing)هر کدام از این زیر مجموعه ها راهی برای ایجاد، بهبود و یا تعریف مجدد فرایند های بازاریابی می کند. تا کنون چند گاربرد موثر از آنها در بازاریابی ایجاد و مورد بهره برداری قرار گرفته اما می توان گفت که این موارد تنها ابتدای مسیر بزرگ پیش رو هستند. مطمئنا هر تکنولوژی جدیدی که ایجاد شود تا رسیدن به بلوغ خود می بایست راه طولانی طی کند. همانطور که گارتنر پیش بینی کرده بود هوش مصنوعی در بازاریابی در مرحله نوآوری قرار دارد و پیش بینی می شود طی ۵ تا ۱۰ سال آینده به بلوغ کامل برسد.از جمله کاربرد های ایجاد شده در بازاریابی می تواند به موارد ذیل اشاره نمود:تولید و گزینش محتوا (Content Creation & Curation)دیدگاه های مصرف کننده (Customers Insight)تجزیه و تحلیل پیش بینی شده (Predictive Analysis)ربات چت (ChatBot)سیستم توصیه گر (recommendation system)تولید سرنخ و امتیازبندی آن (Lead Generation and scoring)سئو (SEO)قیمت گذاری محصول (Product Pricing)تبلیغات برنامه ریزی شده (programmatic advertising)چگونگی استفاده از این تکنولوژی برای هر کسب و کاری متفاوت است و این موضوع ارتباط مستقیم با آمادگی (Readiness) و تطبیق پذیری (Adaptation) آن ها بستگی دارد. ولی نکته ای که وجود دارد الزام بهره گیری از آن برای موفقیت در سالهای آینده است.به یاد داشته باشید که شرکت های زیادی زمان بوجود آمدن اینترنت در مقابل استفاده از مقاومت کردند و امروزه دیگر اثری از آنها دیده نمی شود .... سامان صادق زاده سامان صادق زاده Thu, 08 Aug 2019 06:37:53 +0430