美国波士顿红袜队(Boston Red Sox)是棒球界一支标志性的球队。红袜队目前正在重新定义球迷体验。
这支美国职业棒球大联盟球队在一个数据驱动决策和个性化推广的时代里正在利用生成式人工智能彻底改变其营销活动。具体方法如下。
不断提高数据复杂性和平民化
红袜队的营销业务在不断地扩大,现在更加注重外向型球迷体验。或许有人会问,像红袜队这样的球队既然每场比赛通常都是售罄为什么会需要对外营销呢?每支球队其实都会经历起伏,球队赢球时自然生意兴隆。但当球队经历重建阶段时,市场营销对于确保球迷持续保持高水平的兴趣就至关重要,尤其是在波士顿这样一个拥有众多其他成功运动特许经营权的市场。
而市场营销的复杂性在不断上升,这也成了最大的一个挑战。市场营销复杂性的上升不仅体现在营销活动的数量上,还体现在数据处理的性质上。在过去,只有结构化查询语言专家和数据库管理员才能访问数据。
而如今,红袜队正在倡导数据平民化。这样的转变使得多个内部小组都可以对潜在的场景进行可视化和实验。红袜队首席技术官Brian Shield(题图)在最近由谷歌云公司(Google Cloud)主办的 Next 2023 会议上解释说,生成式人工智能已成为 “营销活动帮手”,可以提高营销活动的质量和针对性。
生成式人工智能作为营销人员的工具和体验
红袜队使用 GrowthLoop(前身是尖端营销平台 Flywheel Software)有三年半了。两家的合作为球队提供了全方位的球迷视角,也使得红袜队能够开展更有针对性的营销活动。重点出现了转移,从仅仅了解工具和数据转移到发掘更广泛的个性化机会以及保持与品牌形象的一致性。
此外,红袜队的运作环境是先进的 Salesforce。在这种复杂复杂的环境li,红袜队团队的一个主要目标就是找到能够同时满足美国职业棒球大联盟(MLB)品牌和 Salesforce 需求的解决方案。在对外销售活动方面,红袜队的目标始终是面向正确的受众。这同样可以延伸到各个领域,无论是数字产品、服务还是与销售团队的直接互动。
关键合作伙伴关系推动生成式人工智能
在 Next 2023 大会上,GrowthLoop、谷歌云(Google Cloud)和面向企业内容创建的生成式人工智能平台 Typeface 共同发布了一项联合解决方案,旨在帮助营销人员在整个营销活动中使用个性化人工智能。人工智能被整合到一个连续的流程中,因而人工智能营销解决方案可以令营销人员识别特定的受众群体并创建定制内容,进而确保营销活动能够更快地启动、更高效地运行并保持一致的品牌信息。
Salesforce 和谷歌云还联手帮助企业利用数据和人工智能改善与客户的互动及了解他们的喜好。两家公司计划在今年晚些时候推出两款新工具,实现即时数据共享并根据数据做出更好的预测。
通往未来之路
生成式人工智能是否能满足现代营销活动的需求呢?Shield 认为,“生成式人工智能并不是一个产品,而只是一种加速器,能更快地让人接近最终目标。”这项技术提供了巨大的可能性,但人类的直觉和决策仍将发挥主导作用,能确保营销活动保持品牌特色并与团队的价值观产生共鸣。
在采用人工智能模型的旅程中需要做出很多决策,例如,是否直接使用谷歌云的人工智能模型抑或是与合作伙伴合作或购买解决方案,该旅程目前仍处于初始阶段,因此要确定一个单一的、明确的解决方案还为时尚早。例如,MLB 一直在积极与 Adobe 公司合作开展一些高级项目并寻求可应用于多种活动类型和平台的解决方案。
据 Shield 称,混合方法似乎是最有可能的结果。其主要目标是集中情报,以便将所有决策集中在一处。
他表示,“制定一个多年路线图非常重要,因为各种事情变化太快。很难确定一条明确的前进道路。但制定一个将所有这些联系在一起的路线图才是制胜的法宝。”
要点
数字营销领域在不断发展,但灵活性和创新性仍然是最重要的。谷歌云拥有开放的架构,在不断壮大的合作伙伴生态系统的支持下正在引领潮流。红袜队等组织则在为其他组织树立榜样,人工智能必将为更加个性化的营销提供强大的动力。
好文章,需要你的鼓励
这项研究针对现代文档检索系统中的关键缺陷:独立处理文档片段导致丢失上下文信息。研究团队开发了ConTEB基准测试来评估模型利用文档级上下文的能力,并提出了InSeNT方法,结合后期分块和创新的对比学习策略。实验表明,上下文感知嵌入显著提升检索性能,尤其在处理非自包含文本片段时,同时保持计算效率,对分块策略更具鲁棒性,并且在语料库规模扩大时表现更佳。这一研究为更智能的文档检索系统铺平了道路。
这项由布朗大学和Cohere实验室研究者联合进行的研究全面分析了大型语言模型(LLM)安全研究中的语言不平等现象。通过系统回顾近300篇2020-2024年间的安全相关论文,研究发现LLM安全研究严重偏向英语,即使中文这样的高资源语言也仅获得英语十分之一的研究关注,且这一差距正在扩大。研究还揭示非英语语言很少作为独立研究对象,且英语安全研究常忽略语言覆盖文档化。为解决这一问题,研究者提出了三个未来方向:开发文化敏感的评估基准、创建多语言安全训练数据,以及深入理解跨语言安全泛化挑战。
这项研究提出了ChARM,一种创新的角色扮演AI奖励建模框架,通过行为自适应边界和自我进化策略大幅提升AI角色的真实性和一致性。研究团队创建了包含1,108个角色的RoleplayPref数据集,实验表明ChARM比传统模型提高了13%的偏好排名准确率,应用于DPO技术后在多项基准测试中达到了领先水平。这一突破将为娱乐、教育和心理健康支持等领域带来更加自然、个性化的AI互动体验。
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。