
从计算广告看大数据和人工智能的关系
一、计算广告是大数据问题中的一支;二、大数据技术在计算广告中的应用:受众定向的冷启动和数据驱动的投放决策;三、从计算广告到理解“人工智能”。
本文系亿欧智库原创,以下基于笔者从书籍《计算广告》及相关市场信息研究得出,错误和偏颇之处在所难免。请大家多多指正批评。
不了解计算广告,就不可能深入地了解互联网,因为广告为全世界互联网行业贡献了大部分收入;其次,不了解计算广告,也不太容易真正理解大数据,因为计算广告是大数据最早落地的应用,也是到目前为止唯一获得规模化营收的应用。
一、计算广告,大数据问题中的一支;
如上图所示,C类曲线只需通过少量采样就能达到问题的目标函数,此为传统数据处理问题,一般统计报表、报告归属此类;A类曲线代表的数据问题不同于C类的少量采样就能达到全量数据的效果,解决问题的收益与数据采样率的高低呈强正相关关系,A类曲线绘制的便是大数据问题;B类处于A类和C类中间,少量采样有明显的收益效果,一旦超过一定范围则收益效果不那么明显。
由此可以总结出,如果有的数据处理问题无法通过数据采样的方法来降低处理的复杂程度,就必须利用一些专门为海量数据处理而设计的计算架构和存储技术来实现,此类数据处理问题称之为大数据问题。
计算广告需要用到每一个人的行为进行定制化推送,而无法单靠对小部分个体的采样来完成,因此归类为大数据问题。计算广告是大数据问题中的一支。
二、大数据技术在计算广告中的应用;
计算广告的核心问题,是为一系列用户与环境的组合找到最合适的广告投放策略以优化整体广告活动的利润。在线广告区别于传统线下广告的最大特点体现在计算优化和可衡量的效果。大数据技术在计算广告中的应用主要体现在计算优化上,具体为受众定向的冷启动、以及数据驱动的投放决策。
受众定向的冷启动;
广告最初的定向标签往往都设置在较粗的粒度上,最典型的是一些人口属性标签。按照广告本身就是一项服务业的本质来看,受众定向显然更符合需求方的口味和利益,也是受众定性推动着市场向着精细化运作的方向快速发展。
如上所示为计算广告受众定向的几种方法,其中人口属性这些定向的数据除非有特别的来源,如实名制SNS的注册信息或在线购物的消费记录等,一般情况下要进行准确的定向并不容易,所以利用好已知人口属性的用户作训练集,构造分类器对人口属性进行自动标注。
数据驱动的投放决策;
与工业革命时期机器化的根本驱动力——电力相类比,互联网化的根本驱动力可以认为是数据的深入加工和利用。在线广告的计算技术在很大程度上也要依赖于对于数据的大规模利用。广泛收集用户的行为数据和广告反馈数据,利用云计算的基础设施对用户打上合适的标签,同样根据数据在多个广告竞争同一次展示时做出决策,再将投放的结果统计数据反馈给广告操作人员以调整投放策略,此为计算广告的基本投放逻辑,可以认为,在线广告系统就是一个大数据处理平台,对数据处理的规模和响应速度的要求都相当高。
三、从计算广告到理解“人工智能”;
就目前情况来看,深度学习技术在计算广告上取得的提高,没有语音图像这些领域那样显著。这里面规律性的解释是,语音图像识别是对自然现象的数据收集和处理,我们完全可以通过主动的语料收集,让各色传感器都做到充分的覆盖,这是一个基本确定、变化不快的数据空间;而计算广告面对的社会现象数据是一个由千万网民反馈、快速变化的数据空间,即使对同一个人、同一则广告、同一个广告位,点击与否是一个很不确定的时间,而这样的不确定性即使引入再多的上下文信息也无法消除。
从狭义层面来理解人工智能便是“大数据+自动化”的产物,“自动化”依赖从标注数据中寻得y=f的规律模型来完成下一个的识别,狭义人工智能是建立在海量的数据基础之上的,也就是现下火热的深度学习和大数据有着非常紧密的联系。
而普罗大众所期待的广义人工智能,是要做到像人类一样面对任何不确定环境都能凭借种类各异的思考方式来试图给出解决方案。
松鼠没有像人类一样拥有种类各异的思考方式,但即使在几年之后,它依然可以精确记住几千个橡子所在的具体位置,这种技能就能甩人类好几条街了。人工智能也很类似,我们完全可以把计算器当成算数天才,计算广告利用狭义人工智能的存储力和计算力,在对人类各色标签记忆的完整度也已经超过了人类,在竞价环节的实时数据反馈也交上了令人满意的答卷,但面对不确定环境的决策能力,其实人类也没有教给它,所以广义的人工智能即通用人工智能,机器远不及人类。
也许换个层面来理解智能,这不是一个单一维度的概念,有的智能或许非常复杂,包含许多象征各种思维模式的子节点,还有的或许较为简单,但却发挥到了极端,处在可能性空间的角落位置。我们可以将智能视作一套生态系统,不同思维模式的节点相互依赖、共创共生。
人工智能在中国已经掀起了新一轮技术创新的浪潮,我们如何去感受人工智能的风向标?技术、创新、应用如何突破?未来人工智能这片蓝海怎么去航行?
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15