چگونه می توان استفاده از مدل های زبان بزرگ را در بازاریابی مقیاس بندی کرد

هوش مصنوعی مولد و مدل های زبان بزرگ قرار است صنعت بازاریابی را همانطور که می شناسیم تغییر دهند.

کریستوفر پن، دانشمند ارشد داده در TrustInsights.ai، که در کنفرانس MarTech صحبت کرد، گفت: برای رقابتی ماندن، باید فناوری و چگونگی تأثیر آن بر تلاش‌های بازاریابی ما را بدانید.

روش‌هایی را برای مقیاس‌بندی استفاده از مدل‌های زبان بزرگ، ارزش مهندسی سریع و نحوه آماده‌سازی بازاریابان برای آنچه در پیش است، بیاموزید.

فرضیه پشت مدل های زبان بزرگ

از زمان راه اندازی، ChatGPT یک موضوع پرطرفدار در بیشتر صنایع بوده است. شما نمی توانید بدون دیدن نظر همه در مورد آن آنلاین شوید. پن گفت، با این حال، افراد زیادی فناوری پشت آن را درک نمی کنند.

ChatGPT یک ربات چت هوش مصنوعی است که بر اساس مدل های زبان بزرگ GPT-3.5 و GPT-4 OpenAI (LLM) ساخته شده است.

LLM ها بر اساس فرضیه ای از سال 1957 توسط زبان شناس انگلیسی جان روپرت فرث ساخته شده اند:

• “شما باید یک کلمه از شرکتی که نگه می دارد بدانید.”

این بدان معنی است که معنای یک کلمه را می توان بر اساس کلماتی که معمولاً در کنار آن ظاهر می شود درک کرد. به زبان ساده، کلمات نه تنها با تعریف فرهنگ لغت، بلکه بر اساس زمینه ای که در آن استفاده می شوند، تعریف می شوند.

این فرض کلید درک پردازش زبان طبیعی است.

به عنوان مثال به جملات زیر توجه کنید:

• “من دارم چای را دم می کنم.”
• “من چای را می ریزم.”

اولی به نوشیدنی گرم اشاره دارد، در حالی که دومی به عامیانه غیبت می کند. “چای” در این موارد معانی بسیار متفاوتی دارد.

ترتیب کلمات نیز مهم است.

• “من دارم چای را دم می کنم.”
• “چایی که دارم دم می کنم.”

جملات بالا دارای موضوعات مختلف تمرکز هستند، حتی اگر از یک فعل، “دم کردن” استفاده می کنند.

چگونه مدل های زبان بزرگ کار می کنند

در زیر نمودار سیستمی از ترانسفورماتورها، مدل معماری که در آن مدل‌های زبان بزرگ ساخته می‌شوند، آورده شده است.

به عبارت ساده تر، یک ترانسفورماتور ورودی را می گیرد و آن را به چیز دیگری تبدیل می کند (یعنی “تبدیل” می کند.

LLM ها را می توان برای ایجاد استفاده کرد اما در تبدیل یک چیز به چیز دیگر بهتر است.

OpenAI و سایر شرکت‌های نرم‌افزاری با جذب مجموعه عظیمی از داده‌ها، از جمله میلیون‌ها سند، مقاله دانشگاهی، مقاله‌های خبری، بررسی محصول، نظرات انجمن و بسیاری موارد دیگر، شروع به کار می‌کنند.

در نظر بگیرید که عبارت «در حال دم کردن چای هستم» چقدر ممکن است در همه این متون مصرف شده ظاهر شود.

بررسی های محصول آمازون و نظرات Reddit در بالا چند نمونه هستند.

به “شرکت” که این عبارت نگه می دارد توجه کنید – یعنی همه کلماتی که در نزدیکی “در حال دم کردن چای هستم” ظاهر می شوند.

«طعم»، «بو»، «قهوه»، «عطر» و موارد دیگر، همگی زمینه را برای این LLM ها فراهم می کنند.

ماشین ها نمی توانند بخوانند. بنابراین برای پردازش تمام این متن، آنها از embedding ها استفاده می کنند که اولین گام در معماری ترانسفورماتور است.

جاسازی به مدل ها امکان می دهد به هر کلمه یک مقدار عددی اختصاص دهند و آن مقدار عددی به طور مکرر در مجموعه متن رخ می دهد.

موقعیت کلمه نیز برای این مدل ها اهمیت دارد.

در مثال بالا، مقادیر عددی یکسان باقی می مانند اما در یک دنباله متفاوت هستند. این رمزگذاری موقعیتی است.

به زبان ساده، مدل های زبان بزرگ به این صورت عمل می کنند:

• ماشین ها داده های متنی را می گیرند.
• به همه کلمات مقادیر عددی اختصاص دهید.
• به بسامدهای آماری و توزیع بین کلمات مختلف نگاه کنید.
• سعی کنید بفهمید کلمه بعدی در دنباله چه خواهد بود.

همه اینها به قدرت محاسباتی، زمان و منابع قابل توجهی نیاز دارد.

مهندسی سریع: مهارتی که باید یاد گرفت

هرچه زمینه و دستورالعمل‌های بیشتری برای LLM ارائه کنیم، احتمال بیشتری دارد که نتایج بهتری به دست آورند. این ارزش مهندسی سریع است.

پن به اعلان‌ها به‌عنوان حفاظی برای آنچه که ماشین‌ها تولید خواهند کرد، فکر می‌کند. ماشین‌ها کلمات موجود در ورودی ما را برمی‌دارند و همانطور که خروجی را توسعه می‌دهند، برای متن روی آن‌ها می‌چسبند.

به عنوان مثال، هنگام نوشتن درخواست‌های ChatGPT، متوجه خواهید شد که دستورالعمل‌های دقیق تمایل بیشتری به ارائه پاسخ‌های رضایت‌بخش دارند.

از برخی جهات، اعلان‌ها مانند خلاصه‌های خلاقانه برای نویسندگان هستند. اگر می خواهید پروژه شما به درستی انجام شود، به نویسنده خود دستور یک خطی نمی دهید.

درعوض، یک خلاصه با اندازه مناسب می‌فرستید که همه چیزهایی را که می‌خواهید درباره آنها بنویسند و نحوه نوشتن آنها را پوشش می‌دهد.

مقیاس بندی استفاده از LLM

وقتی به چت ربات های هوش مصنوعی فکر می کنید، ممکن است بلافاصله به یک رابط وب فکر کنید که در آن کاربران می توانند درخواست ها را وارد کنند و سپس منتظر پاسخ ابزار باشند. این چیزی است که همه به دیدن آن عادت کرده اند.

“این بازی پایانی برای این ابزارها به هیچ وجه نیست. اینجا زمین بازی است. این جایی است که انسان‌ها با این ابزار دست به کار می‌شوند.» شرکت‌ها نمی‌خواهند این را به بازار بیاورند.»

نوشتن سریع را به عنوان برنامه نویسی در نظر بگیرید. شما یک توسعه‌دهنده هستید که دستورالعمل‌هایی را برای رایانه می‌نویسید تا آن را وادار به انجام کاری کنید.

هنگامی که درخواست‌های خود را برای موارد استفاده خاص تنظیم کردید، می‌توانید از APIها استفاده کنید و از توسعه‌دهندگان واقعی بخواهید آن درخواست‌ها را در کدهای اضافی بپیچند تا بتوانید داده‌ها را به صورت برنامه‌نویسی در مقیاس ارسال و دریافت کنید.

این گونه است که LLM ها مقیاس و تغییر کسب و کار را برای بهتر شدن انجام می دهند.

از آنجایی که این ابزارها در همه جا عرضه می شوند، مهم است که به یاد داشته باشید که همه یک توسعه دهنده هستند.

این فناوری در مایکروسافت آفیس – ورد، اکسل و پاورپوینت – و بسیاری از ابزارها و سرویس‌های دیگر که ما روزانه استفاده می‌کنیم وجود خواهد داشت.

پن افزود: «از آنجایی که شما به زبان طبیعی برنامه‌نویسی می‌کنید، لزوماً برنامه‌نویسان سنتی بهترین ایده‌ها را ندارند.

از آنجایی که LLM توسط نویسندگی ارائه می شود، متخصصان بازاریابی یا روابط عمومی – نه برنامه نویسان – ممکن است راه های خلاقانه ای برای استفاده از ابزارها ایجاد کنند.

چگونه LLM بر بازاریابی جستجو تأثیر می گذارد و چه کاری می توانید در مورد آن انجام دهید

ما شروع به دیدن تاثیر مدل های زبان بزرگ بر بازاریابی، به ویژه جستجو کرده ایم.

در ماه فوریه، مایکروسافت از بینگ جدید با پشتیبانی از ChatGPT رونمایی کرد. کاربران می توانند با موتور جستجو مکالمه کنند و بدون کلیک بر روی هیچ پیوندی پاسخ مستقیم به سوالات خود دریافت کنند.

پن گفت: “شما باید انتظار داشته باشید که این ابزارها کمی از جستجوی بدون مارک شما استفاده کنند، زیرا آنها به گونه ای به سوالات پاسخ می دهند که نیازی به کلیک ندارند.”

“ما قبلاً به عنوان متخصصان سئو با این مشکل روبرو بوده ایم، با قطعه های برجسته و نتایج جستجوی صفر کلیک… اما برای ما بدتر خواهد شد.”

او توصیه می‌کند به Bing Webmaster Tools یا Google Search Console بروید و درصد ترافیکی را که سایت شما از جستجوهای اطلاعاتی و بدون مارک دریافت می‌کند، بررسی کنید، زیرا این بزرگترین منطقه خطر برای سئو است.

برند خود را بسازید

پن تأکید کرد: «اگر ساختن برند یکی از اولویت‌های استراتژیک شما برای سال 2023 و پس از آن نیست، باید اینطور باشد.

شما باید برند خود را بسازید و مردم را وادار کنید تا در جستجوی نام شما را بخواهند.

وقتی کاربران در مورد موضوعی ایده یا توصیه می‌پرسند، LLM احتمالاً آنها را به سمت اطلاعات ترکیبی هدایت می‌کند، نه شما.

اما اگر مردم به طور خاص برند شما را با نام بخواهند، همچنان به جایی که می خواهند برسند.

حضور آنلاین برند خود را تا حد امکان قوی کنید.

از یک پلتفرم انتشار “ایمن” در برابر هوش مصنوعی استفاده کنید

پن همچنین بر اهمیت استفاده از پلتفرمی که در آن دسترسی مستقیم و بدون واسطه به مخاطبان خود دارید، تاکید کرد.

کانال‌هایی مانند ایمیل یا پیامک (حتی پست مستقیم) به شما امکان می‌دهند مستقیماً با مشتریان ارتباط برقرار کنید و مطمئن شوید که بدون واسطه شدن توسط هوش مصنوعی به آنها دسترسی دارید.

جستجوی ارگانیک و رسانه های اجتماعی در حال حاضر به شدت توسط هوش مصنوعی واسطه می شوند. بنابراین، احتمال اینکه حتی به کسری از مخاطبانتان به طور قابل اعتماد دسترسی پیدا کنید، اندک است.

حتی بزرگ‌ترین برندها تنها در صورتی می‌توانند بازدیدهای کافی داشته باشند که در کمپین‌های پولی هزینه کنند.

خدماتی مانند Slack، Telegram و Discord به شما این امکان را می دهند که با افراد همفکر خود جمع شوید و ارتباطات معناداری ایجاد کنید.

وقتی ارزشی را برای کاربران خود فراهم می کنید، می توانید به طور قابل اعتماد به آنها دسترسی پیدا کنید، وفاداری آنها را به دست آورید و ارزش ویژه برند ایجاد کنید.

تماشا کنید: تکینگی بازاریابی: مدل های زبان بزرگ و پایان بازاریابی همانطور که می دانستید

پن در کنفرانس MarTech بینش های بیشتری در مورد تأثیر LLM بر مشاغل بازاریابی به اشتراک گذاشت. ارائه کامل او را اینجا ببینید: