استفاده از پردازش زبان طبیعی (NLP) یکی از حوزه‌های داغ در هوش مصنوعی است. زیرا شرکت‌های بزرگ، هزینه‌های هنگفتی را برای آموزش مدل‌های پیچیده‌ای در این حوزه متقبل می‌شوند. سرمایه گذاران هوش مصنوعی ناتان بنایچ (Nathan Benaich) و ایان هوگارت (Ian Hogarth) یافته‌های جدید خود را در گزارش وضعیت هوش مصنوعی به اشتراک گذاشتند. بر اساس این گزارش، برنامه‌های NLP (پردازش زبان طبیعی) که به ماشین‌ها امکان تحلیل، درک و دستکاری زبان را می‌دهند همچنان در حال گسترش اثر خود هستند و این اثرات را می‌توان به سادگی در موتور جستجوی گوگل و مایکروسافت بینگ (Microsoft Bing) مشاهده کرد.
پرسش اینجاست که استفاده از پردازش زبان طبیعی و فناوری‌های هوش مصنوعی چه مفهومی در بازاریابی دارد؟ پائول روتزر (Paul Roetzer)، مدیر عامل و بنیانگذار موسسه بازاریابی هوش مصنوعی PR 20/20 عقیده دارد که نقشی که این فناوری‌ها در حوزه بازاریابی دارد، بسیار بزرگ و چشم‌گیر است.
مطابق با سخنان روتزر به CMSWire: “پیشرفت‌های عمده پردازش زبان طبیعی همراه با نوآوری‌های اخیر در این زمینه، در بازاریابی پیشرفت شگرفی ایجاد کرده است زیرا درک و ایجاد زبان امکان‌پذیر شده است. این پیشرفت‌ها می‌توانند منجر به نتایجی خارق‌العاده شوند برای مثال امروزه هوش مصنوعی می‌تواند یک پیش‌نویس اولیه را بنویسد، چیزی که بدون پیشرفت‌های حوزه NLP هیچ‌گاه ممکن نمی‌شد. پیشرفت در NLP (پردازش زبان طبیعی) به معنای پیشرفت در بازاریابی و استفاده از هوش مصنوعی است.”
چرا زبان، بینایی و پیش‌بینی فاکتورهای مهمی در بازاریابی به شمار می‌آیند؟
مطابق تحقیقات روتزر، استفاده از هوش مصنوعی در بازاریابی سه اصل کلی را دنبال می‌کند: زبان، بینایی و پیش‌بینی. به طور ویژه، او از طریق تجزیه و تحلیل کسب و کارهای بزرگ، موارد در دسترس برای بازاریاب‌ها را در هر بخش به شرح زیر معرفی کرد:
زبان
- پردازش زبان طبیعی (NLP)
- تولید زبان طبیعی (NLG)
- تحلیل احساسات (Sentiment Analysis)
- گفتار به نوشتار (Speech-to-text)
- تحلیل متن (Text Analyisi)
- استخراج متن (Text Extraction)
- تولید متن (Text Generation)
- نوشتار به گفتار (Text-to-Speech)
- ترجمه (Translation)
- تولید صدا (Voice genaration)
- تشخیص صدا (voice recognition)
بینایی
- تشخیص احساسات (Emotion Detection)
- آنالیر تصویر (Image Analysis)
- تشخیص تصویر (Image Recognition)
- تشخیص چهره (Facial Recognition)
- تشخیص حرکت (Movement Recognition)
- تشخیص ویدیو (Video Recognition)
پیش‌بینی
- پیش‌بینی (Forecasting)
- تشخیص الگو (Pattern Recognition)
- شخصی‌سازی (Personalization)
- توصیه و پیشنهاد (Recommendation)
برپایه سخنان روتز با مجله CMSWire: بیشتر ابزارها با ارزش فوری برای برندهای تجاری، همان ابزارهای زبان محور هستند. آن‌ها ابزاری‌هایی هستند که از تغییرات پردازش زبان طبیعی (NLP) برای درک زبان و تولید آن استفاده می‌کنند. بالاتر از همه این‌ها، این ابزارها به شما توانایی آنالیز احساسات موجود در یک متن گفتاری یا نوشتاری را می‌بخشند. به این وسیله می‌توانید به سادگی گفتار را به متن تبدیل کنید، مانند زمانی که در حال ضبط جلسه آنلاین هستید، و سپس آن را با ابزاری مانند Otter.ai رونویسی کنید.
روتزر چنین افزود که: برای مثال، تاثیر پردازش زبان طبیعی در وب‌سایت Grammarly بسیار واضح است. اساس کاری تماما برپایه پردازش زبان طبیعی است. GBT-3، که درباره آن زیاد شنیده‌ایم و قادر به تولید زبان است، تا حد زیادی به پیشرفت این حوزه بستگی دارد.
مسئله‌ای از جنس مقیاس
به گفته جیم استرن (Jim Sterne)، نویسنده و سخنران اصلی هوش مصنوعی در بازاریابی و بنیانگذار Rising Media، پردازش زبان طبیعی (NLP) بسیار مقیاس‌پذیر است؛ به ویژه، هنگامی‌که صحبت از موارد استفاده آن در بازاریابی و عرصه‌هایی مانند تجربه مشتری می‌شود.
وی چنین گفت: “اگر مرکز تماس بزرگی دارید که روزانه تعداد تماس تلفنی و ایمیل دریافتی زیادی دارید، پردازش زبان طبیعی یا NLP برای ادامه تغییر در نظرات و نگرش‌های مشتریان بسیار مهم است. همچنین برای ردیابی تعداد زیادی از پست‌ها و نظرهای موجود در رسانه‌های اجتماعی، ابزاری بسیار مفیدی خواهد بود.”
استرن افزود که: ” پردازش زبان طبیعی (NLP) می‌تواند در هنگام بررسی پیام‌ها نیز بسیار مفید باشد. حفظ مخاطبان هدف بومی، یک چالش سخت است. ولی با کمک NLP می‌توانید درک کنید که چگونه زبان با گذشت زمان تغییر می‌کند.”
NLP (پردازش زبان طبیعی ) و اتصال به آنالیز بازاریابی و جستجو در آن
به گفته جاستین اشمیت (Justin Schmidt)، یکی از مهم‌ترین مواردی که در بازاریابی طی 20 سال گذشته اتفاق افتاده، ردیابی و تجزیه و تحلیل دیجیتال است، و مسئله بعدی ردیابی و درک مقصود، هدف و احساسات کاربران است.
اشمیت چنین گفت: “پردازش زبان طبیعی یا NLP می‌تواند مقصود، هدف و احساسات بازدیدكنندگان را هنگام گفتگو با چت‌بات‌ها یا هنگام جستجو در وب‌سایت شما تجزیه و تحلیل كند. این مسئله آغازگر دوره جدیدی از تعامل و تفاهم است. به همین منظور، بازاریاب‌ها باید از محصولی که دارای قدرت NLP خوبی است استقبال کرده و از آن برای ایجاد تعامل‌های جدیدتر، بهتر و بیشتری با مشتری استفاده کنند.”
اشمیت در ادامه افزود که: “هرچه وب‌سایت شما از NLP قدرتمندتری برخوردار باشد، بازدید آن نیز بیشتر می‌شود. بهترین مثال در این زمینه گوگل است که با داشتن پردازش زبان طبیعی قدرتمند، درک زبان انسان و استفاده از آن برای ارائه ارزش‌های بیشتر به کاربر، در اوج مطلق قراردارد. این همان اصل قدرتمندی در بهبود SEO وب‌سایت است. اگر به واسطه محصول یا خدماتی، دیدگاه یا نقطه‌نظر ظریفی دارید پس باید در توصیف، نوشتن و پیشنهاد آن به دیگران، احساس راحتی بیشتری هم داشته باشید. کلمات کلیدی مرتبط با محتوای خود امتحان کنید و آن را ظریف و دلچسب بنویسید. همواره به یاد داشته باشید مخاطبانتان ماشین‌هایی بی‌احساس نیستند.
هنوز هم برای بازاریاب‌ها “چند سال” دور است
پرسش اینجاست که در حال حاضر، آیا NLP در حال حاضر رایج‌ترین و کاربردی‌ترین مورد استفاده برای بازاریابان است؟
به گفته براندون پورسل (Brandon Purcell) تحلیل‌گر مجله Forrester، رنسانس هوش مصنوعی فعلی را می‌توان در سال 2012 جستجو کرد زمانی‌که تیمی از محققان از دانشگاه تورنتو یک شبکه عصبی کانولوشن ساختند که از عملکرد انسان در شناسایی اشیا در تصاویر برای اولین بار پیشی گرفت. به گفته وی، در سال 2019 لحظه‌ای مشابه در زمینه NLP (پردازش زبان طبیعی ) مشاهده شد، زمانی‌که ماشینی برای اولین‌بار معیار ارزیابی عمومی درک زبان را به دست آورد. از آن زمان تاکنون، پیشرفت در NLP با تکامل BERT، ELMO و GPT-3 ادامه یافت.
پورسل چنین افزود که: “برای بازاریاب‌ها، این مسئله خبری خوب به شمار می‌آید. اما واقعیت آن است که امروزه موارد استفاده از NLP ناچیز است. NLP جادوی خود را بر روی مجموعه وسیعی از داده‌های متنی بدون ساختار اعمال می‌کند. در بیشتر شرکت‌ها، تیم خدمات مشتری یا تجربه مشتری صاحب بزرگ‌ترین مجموعه داده متنی تولید شده توسط مشتری هستند و از NLP (پردازش زبان طبیعی) در این داده‌ها، برای شناسایی و رفع نقاط نارضایتی مشتری استفاده می‌کنند. بازاریاب‌ها معمولا به این داده‌ها دسترسی ندارند و بیشتر آن‌ها در تلاش هستند تا داده‌های ساختاریافته خود را در نظر مشتری با زاویه 360 درجه، دست‌نایافتنی جلوه دهند. ”
پورسل افزود که سرانجام، وقتی بازاریاب‌ها به داده‌های متنی بدون ساختار بیشتری از مشتریان دسترسی پیدا می‌کنند، می‌توانند این داده‌ها را به داده‌های رفتاری مشتریان مرتبط کنند. وی گفت، این امر به آن‌ها اجازه می‌دهد تا بینش غنی‌تری پیدا کرده و مدل‌های پیش‌بینی را بهبود بخشند.
پورسل چنین گفت: “اما برای بیشتر سازمان‌ها، این مسئلهدمهم تنها تا چند سال دیگر شدنی است. امروزه، بازاریاب‌هایی که تمایل به استفاده و آزمایش NLP دارند، آن را به محتوای بازاریابی خود اعمال کرده و به طور مداوم آن را برچسب‌گذاری و تجزیه و تحلیل می‌کنند تا متوجه شوند کدام نوع از محتوا با بخش‌های مختلف سفر مشتری، بهترین عملکرد را دارد. یا حتی ممکن است آن‌ها به شرکت‌هایی متوسل شوند که از فناوری تولید زبان طبیعی برای ایجاد متن بهینه برای شخصی‌سازی محتوا برای مشتری استفاده می‌کنند.”
تاثیر پردازش زبان طبیعی در بازاریابی : چه چیزی در دامنه عمومی قرار گرفته است؟
نیل یاگر (Neil Yager)، دانشمند ارشد Phrasee (ابزار کپی‌رایتینگ مبتنی بر هوش مصنوعی برای فعالیت‌های بازاریابی دیجیتال) خاطر نشان کرد که آموزش مدل‌های عظیم زبانی هزینه قابل‌توجهی را نیاز دارد، بنابراین تنها شرکت‌های بزرگ با بودجه تحقیق و توسعه گسترده می‌توانند آن را در شبکه خود پیاده‌سازی کنند.
یاگر (Yager) چنین گفت: “با این‌حال، بسیاری از این مدل‌ها برای استفاده همگان منتشر خواهند شد. بنابراین، حتی شرکت‌های کوچک با بودجه و منابع محدود نیز می‌توانند به این مدل‌های عظیم و قدرتمند دسترسی پیدا کنند. این زمان، برای NLP زمان بسیار مهیجی خواهد بود.”
به گفته یاگر، کاربرد اصلی NLP (پردازش زبان طبیعی ) برای اعمال در صنعت بازاریابی نبوده است. تاکنون تمرکز این فناوری بر روی شخصی سازی، تقسیم‌بندی مخاطب و هدف گذاری موتورهای توصیه و غیره بوده است. از NLP، تاکنون در حوزه تجزیه و تحلیل احساسات و استخراج اطلاعات استفاده شده است. این تکنیک‌ها می‌توانند جالب باشند اما لزوما تاثیرگذار یا درآمدزا نیستند.”
یک پاسخ
سلام وقتتون بخیر ممنون بابت راهنمایی خوبتون