「人工智能」一词是一个概括性的术语，它涵盖了一系列在人类帮助下或完全靠自己学习的机器。人工智能技术支持的机器可以阅读和理解文本，看到和识别图像，在障碍物周围移动，听到和理解声音，感知它们的外部环境。例如：Gmail和Google Docs使用人工智能阅读用户正在输入的内容，充分理解，并推荐接下来使用智能撰写的内容；自动驾驶汽车使用人工智能来探测障碍物，保证安全行驶；如环形摄像头和Nest恒温器等智能家居硬件设备，利用人工智能来观测、感知环境的变化，采取相应的行动；而我们每天都会使用的，iPhone上的Siri通过人工智能技术来理解用户的语音指令及回应。人工智能技术改变金融、医疗保健、零售等多个行业，改变了我们的工作方式，提供前所未有的工作机会，并大幅削减成本。
(资料图片)
人工智能的优势
与传统软件相比，人工智能有能力有效地处理大规模的数据集，进行分析、预测。最重要的一点，人工智能有能力进行自学以改进自身的工作能力，传统软件完全按照程序设计的来工作，除非依靠软件更新，开发人员用「手动」的方式让系统能力获得提升。
以CRM为例。传统的CRM系统可能会标记任何在你的网站上采取高优先级行动的线索，比如下载报告或发起咨询。系统根据这些动作为此销售线索打分。基于手动创建的规则，这些销售线索在网站采取一些预先规定的行动后，其分数会有所上升。
而一个由AI支持的CRM系统，采纳企业创建的销售线索评分规则，然后根据每个销售线索的分数，然后根据该线索一段时间内的行动情况，分析其是否能转换为客户。如果没有企业的参与，AI支持的CRM会根据从数据中分析的情况，自动调整销售线索评分或给予新的分数——例如，也许下载一份报告并不是一个明确的销售线索信号，下载报告的人也不太可能转化为客户。AI支持的CRM会识别出这一点，并相应地改进销售线索的评分。
由于数字营销革命，企业掌握了有大量来自CRM系统、营销自动化软件、广告平台等渠道的数据。但营销人员缺乏时间、精力或认知能力来有效处理所有这些数据，尽管这些数据蕴含着能够显著改善营销活动的深刻洞察。因此，营销行业开始转向人工智能。
人工智能可以根据用户的浏览习惯，来了解他的兴趣、购物习惯等。当用户登录某个电商网站，人工智能已经整合了他最感兴趣的内容，和优惠商品，以及提醒用户购买的个性化推送通知。这样，人工智能起到一个向导的作用，确保用户被指引往正确的方向。
对于庞大的用户行为数据，人工智能可以在瞬息内分析完毕，并提供有价值的洞察。借助机器学习等技术，人工智能可以将一群客户分门别类，创建独特的算法，从与购买行为、推荐渠道、现场交互等数据中收集洞察，最终在极短的时间内提供给营销人员一份详细的市场解析。
2018年11月，雷克萨斯为其新款ES轿车的上市，发布了一支广告，一支完全由人工智能编写的广告。从需求发布到完成，广告耗时约6个月，其中包括开发这种特定的人工智能，并用数据对其进行训练。这些数据里包括了近15年来屡获大奖的营销活动、和消费者连接最紧密的情感共鸣以及特别能承载人类直觉的信息。AI训练数据还加入了雷克萨斯品牌形象和项目指南等数据，以此来保持脚本的原创性和品牌排他性。
机器学习
机器学习是一门多领域交叉学科，研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构，使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具备智能的根本途径。高级的机器学习技术可以提供优化解决方案的能力，提高转化率、客户参与，完成超个性化传播，并减少客户流失率，具体包括：
深度神经网络（Deep neural networks）：人工神经网络能够处理大量的数据，并根据接收到的训练数据调整计算，不需要任何手动修正就能适应输入数据的能力，允许在成员级别重用相同的模型。产品嵌入（Product embedding）：产品嵌入最初是为了自然语言处理（NLP）的目的而开发的，它通过分析在密切关联或相似上下文中经常使用的其他单词来检测单词的潜在意义。从营销的角度来看，这种方法可以通过分析哪些商品经常一起购买，从而识别出相似的产品。假设A、B产品与C、D、E产品一起频繁购买，那么A和B之间可能存在某种关系——是否属于同一品类，是否为相似的客户购买，是否互为补充。深度协同过滤（Deep collaborative filtering）：协同过滤是传统推荐系统常用的方法之一。其假设为：有相似购买历史的客户在未来很可能会购买相似的产品。动态时间规整（Dynamic time warping）：动态事件规整是一种用于评估两个不同的时间序列/时间序列之间的距离和相似性的技术，它们可能在速度或频率上有所不同。关联规则挖掘（Association rule mining）：用于识别大数据集中变量之间的关系。频繁模式挖掘模型利用FP-Growth和Apriori关联规则挖掘算法来检测在单一交易中经常一起购买的产品集。FPM还遵循持续学习的方法，这意味着模型会随着时间的推移而不断进化，并适应通过广泛支持的数据流传入的新事务。深度学习
深度学习通过使用「神经网络」来模仿人脑，通过重复执行一项任务来学习，每次略有不同，以改善结果。通过这种方式，计算机以与人类基于经验的方式相同的方式「思考」。计算机可以处理大量数据并以比人类更快的速度执行任务，从而使他们能够在更短的时间内解决复杂问题并学习技能。
以手写识别为例，在传统的计算机算法中，必须向计算机教授一系列规则来识别每个单独的字符。考虑到笔迹变化的数量，这几乎是一项不可能完成的任务。然而，人类能够毫不费力地破译不同种类的笔迹，因为大脑中的神经网络正在为我们工作。
通过向计算机展示大量示例字符并学习如何从这些示例中识别每个字符，可以教计算机以与人脑相同的方式识别手写字母。电脑获取的例子越多，电脑在手写识别方面就会变得越准确。处理此类任务所需的神经网络由软件工程师设计，将包含几个不同的神经元层或决策单元，所以称之为「深度」学习。
营销实践中深度学习的一些例子包括：用于购买广告空间的实时竞价 (RTB) 软件；聊天机器人使用自然语言处理 (NLP) 以「人性化」的方式与客户聊天；自动翻译以创建网站的多种不同语言版本；根据另一段文本的样式自动生成副本；语音搜索的语音识别，等等。许多营销自动化解决方案和客户交互工具已经使用一些深度学习应用程序。
