جعبه ابزار IBM وعده می دهد که تعصب تبلیغاتی را کاهش دهد


ما هیجان زده هستیم که Transform 2022 را به صورت حضوری در 19 ژوئیه و تقریباً 20 تا 28 ژوئیه بازگردانیم. برای گفتگوهای روشنگر و فرصت های شبکه هیجان انگیز به رهبران هوش مصنوعی و داده بپیوندید. امروز ثبت نام کنید!


راه‌های زیادی وجود دارد که با وجود بهترین تلاش‌ها برای شناسایی و ریشه‌یابی آن، سوگیری می‌تواند در الگوریتم‌ها و تصمیم‌گیری‌های هوش مصنوعی (AI) و یادگیری ماشین (ML) بافته شود. می‌توان آن را در داده‌های مورد استفاده برای تولید الگوریتم‌ها، خود فرآیند آموزش دفن کرد یا در نحوه استفاده از الگوریتم‌ها برای تصمیم‌گیری پدید آمد.

در سال 2018، IBM AI Fairness 360 را راه‌اندازی کرد، یک جعبه ابزار منبع باز برای بررسی و کاهش تعصب در مجموعه داده‌ها و مدل‌های ML، و بعداً پشتیبانی برای اندازه‌گیری عدم قطعیت را اضافه کرد. این ابزار عادلانه بودن وام مسکن، بیمه و تصمیمات پزشکی را بهبود بخشیده است.

جعبه ابزار تبلیغات منبع باز جدید آی بی ام برای AI Fairness امیدوار است که همین کار را برای صنعت تبلیغات انجام دهد. مصرف کنندگان برای تایید برای تبلیغات بهتر به همان روشی که ممکن است برای تایید نرخ وام مسکن یا روش پزشکی بهتر تلاش کنند، تلاش نمی کنند.

باب لرد، معاون ارشد شرکت هواشناسی و اتحاد آی‌بی‌ام، به VentureBeat گفت: «معنای واقعی همه این‌ها در مورد ادغام ابزارهای تشخیص سوگیری و کاهش در فناوری‌های اصلی بازاریابی و تبلیغات است.

استاتیستا تخمین زده است که شرکت‌ها در سال 2021 764 میلیارد دلار برای تبلیغات هزینه کرده‌اند و انتظار دارد این رقم در سال 2026 به بیش از 1 تریلیون دلار برسد. تشخیص و کاهش تعصب بهتر می‌تواند به شرکت‌ها، سازمان‌های غیرانتفاعی و دولت‌ها کمک کند تا ارزش بیشتری از هزینه تبلیغات خود در گروه‌های مختلف دریافت کنند. همچنین ممکن است به بهبود عوامل اجتماعی سلامت کمک کند.

تبلیغ با فناوری روبرو می شود

لرد گفت: «تعصبی که در تبلیغات وجود دارد از لحاظ تاریخی در نحوه بازاریابی ما ریشه دوانده است. با اینکه چگونه دانشمندان داده داده های بخش را مدل می کنند و مصرف کنندگان را مدل می کنند شروع می شود. اکنون صنعت تبلیغات در حال گذر از همگرایی بازاریابی و فناوری است. لرد گفت: “ما در صنعت تبلیغات در هدف قرار دادن افراد واقعاً خوب شده ایم.” اما در فرآیند هدف قرار دادن افراد با الگوریتم‌های جدید ML، تبلیغ‌کنندگان نیز نتایج را برای گروه‌های خاصی کمتر بهینه کرده‌اند.

برای مثال، IBM با شورای تبلیغات روی پروژه‌ای کار کرد تا تأثیر سوگیری در کمپین آموزش واکسن کووید-19 مبتنی بر الگوریتم را درک کند. این سیستم به صورت پویا بیش از 10 میلیون نمایش تبلیغاتی شامل 108 تنوع خلاقانه مختلف را که توسط الگوریتم‌ها انتخاب شده بود، ارائه کرد. با گذشت زمان، این سیستم تبلیغات را برای زنان 45 تا 65 ساله بهینه کرد که در نهایت 32 برابر بیشتر از میانگین کلیک کردند.

این ممکن است یک نتیجه عالی برای یک لوازم جانبی کیف دستی جدید باشد، اما برای بهبود آگاهی از COVID-19 برای سایر جمعیت‌شناسی، کمتر از حد مطلوب بود. لرد توضیح داد: “سوگیری عمدی نیست.” “این در فناوری پنهان است و ما آن را نمی بینیم زیرا هنوز فناوری تشخیص سوگیری را در ماشین ها تعبیه نکرده ایم.”

تیم Lord در حال حاضر این فناوری را در گردش‌های کاری توسعه هوش مصنوعی و ML برای برنامه‌های وام مسکن و بیمه‌نامه ادغام کرده است. امروز آنها با چند شرکت خدمات سریع کار می کنند تا کمپین های بازاریابی را بعد از این واقعیت تجزیه و تحلیل کنند. لرد گفت: “امید من این است که یک سال بعد، بتوانیم این فناوری را از ابتدا ایجاد کنیم.”

ماموریت VentureBeat این است که یک میدان شهر دیجیتال برای تصمیم گیرندگان فنی باشد تا دانشی در مورد فناوری سازمانی متحول کننده کسب کنند و معامله کنند. کسب اطلاعات بیشتر در مورد عضویت.