如何识别和减轻营销中的人工智能误差

尽管人工智能驱动的营销技术（martech）确实强大，但不专业的培训、还不够成熟的算法设计和隐藏的误差会很快破坏一切市场活动。

在误差影响你的品牌之前，你如何识别和减轻误差呢？

Martech中的算法偏差和偏见问题
联合利华旗下的个人护理公司多芬刚刚成为业内第一个承诺不在广告中使用生成人工智能的品牌。附带的两分钟视频描述了“最漂亮的女人”和“完美皮肤”等搜索词返回人工智能生成的模型。
这段视频从不可思议的完美无瑕的脸切换到真实的女性，突显了不可能的美丽标准的影响。这一举措是多芬真正美丽运动的一部分，这是一项为期20年的运动，专注于展示所有身体、皮肤和头发类型。
多芬可能是第一个承诺这样做的人，但可能不是最后一个。此前，其他多个品牌因尝试人工智能生成的内容而受到抨击。评论家和消费者都声称这些工具有利于造成某些刻板印象和种族歧视。
《华盛顿邮报》对生成性内容中的偏见的研究似乎证明了多夫的观点。当被要求创造一个“美丽”的女人时，主要的生成模型——包括Midjourney、Stable Diffusion和DALL-E——更倾向于瘦、浅肤色的女性。
Midjourney近90%的照片描绘了浅肤色的女性。DALL-E和Stable Diffusion的表现勉强好一些，分别只有38%和18%的人有深色皮肤。这一证据表明，martech中的潜在算法偏差是明显的。

算法偏差如何影响营销人员
martech中的算法偏见会影响消费者对公司的看法。如果它足够醒目或一致，可能会影响品牌的收入、声誉或转化率：
•沟通不畅：由于88%的网站访问者在经历了糟糕的体验后不太可能再次访问，因此表现出偏见的聊天机器人对业务不利。
•无意义的促销：客户可能会看到基于刻板印象的无关广告，而不是真正的浏览或购买行为，从而影响销售。
•不准确的定价：人工智能驱动的市场技术可能会使用歧视性的定价做法，根据传统印象和偏见对某些群体收取不同的费用。
•无关建议：虽然相关建议使客户购买的可能性增加了35%，但无关建议会影响收入。
•传统印象细分：偏见或者误差模型可能会扭曲特征的权重，根据过往经验将客户分为不准确的细分。
•不可靠的预测：不准确的数据集会导致决策不明智和经济损失。一项调查显示，数据偏差可能导致高达62%的收入损失。
忽视martech中算法偏见和误差会潜在影响营销人员，这可能会导致失去网站流量，激怒客户，错过潜在的销售机会。

识别和减轻误差的方法
一般来说，如果你搜索生成式人工智能，它的算法误差是显而易见的。然而，各种模型都会产生有误差的输出，而且往往很难识别。你应该知道如何识别它，以便去减轻它。
您的首选方法应该是在将模型的数据馈送集成到您的martech之前对其进行审核。尽量减少训练中的固有的传统印象、无意义的假设和毫无根据的判断，这可以防止训练变得不公平或偏执。
Your go-to系统是最有效的方法之一，因为它将你团队的一名营销专业人员与人工智能配对。这个人会审查其输出的数据，确保只有高质量、相对无误差的材料才能呈现给消费者。
另一种方法是分析你所在行业的过往历史和当前误差状态。由于某些用例对特定社区的偏见可能性高于其他用例，因此评估更广泛的误差范围可以帮助您确定其可能性。
无论你将哪种类型的AI集成到martech中，你都应该确保开发一个反馈循环。由于机器学习模型基于反馈和交互进行学习，因此随着时间的推移，不充分地解决有误差或者偏见的输出会不断强化错误，从而使问题永久化。

关于公平和包容性的考虑
偏见和误差将永远存在于营销中，因为它是社会规范和现代期望的副产品。在实践中优先考虑公平性和包容性，以尽量减少它：
•多样化数据集：在各种文本、图像、音频和视频上训练人工智能驱动的martech可以帮助它学会包容。
•透明：优先考虑透明度向您的客户表明您重视公平，并努力成为一个包容、道德的品牌。
•不要过度个性化：过度个性化会导致内容缺乏多样性，以及用户疲劳。在某些情况下，优先考虑用户体验而不是超个性化。
在当今时代，优先考虑公平和包容性将使你的品牌走得更远。倾听客户对人工智能和偏见营销技术的担忧，为决策提供信息。

AI驱动Martech的误差底线
虽然没有什么是真正没有误差的，但如果你定期审核模型的输出，检查你的martech的准确性，并听取客户的反馈，你就可以接近目标。
在人工智能备受关注的时代，勤奋和保持一致性将带来更好的业务成果。