編者按:本文是營銷人工智能大會(MAICON)係列演講的一部分。更多信息，請訪問www.MAICON.ai．它最初由吉姆斯特恩．
人工智能和機器學習處於炒作周期的頂端。為了讓你在Slack頻道上、在公司靜修會上、或在和老板去機場的路上保持對話，你將會很好地記住這三個需求和行動:
需求:數據，目標，控製
行為:發現，決定，修正
這種新興的技術正在蓬勃發展，因為現在有足夠的計算能力(感謝需要圖形處理單元的遊戲係統)，足夠的數據(感謝互聯網)，以及足夠的數據科學家(感謝湯姆·達文波特(Tom Davenport)將數據科學稱為21世紀最性感的工作)。這也多虧了五十年的研究和實驗。
雖然人工智能包括語音識別，讓我們與Alexa交談，自然語言處理，可以評估數百萬份文件，以及可視化，以區分貓狗和駕駛汽車，但機器學習在營銷中發揮了重要作用。
機器學習是係統查看數據集並發現給定結果(檢測)最具預測性的屬性的能力。然後，它可以從數據中推斷出關於數據的規則，權衡屬性，並建議一個行動過程來最好地實現給定的結果(Decide)。最後，機器可以查看該操作的結果，並改變其對屬性及其權重的看法(修改)。
程序員不再負責顯式地告訴機器做什麼以及如何處理異常。相反，利益相關者定義期望的結果，數據科學家為機器提供適當的數據集。這兩個動作將永遠是複雜的問題，但機器現在負責考慮替代方案，而不僅僅是執行指令。
需求1:大量的數據
機器學習對於一個營銷預算很少的小企業來說是沒有幫助的。要真正有價值，ML需要一個很多的數據。如果你拋硬幣，結果是正麵，你就會錯誤地預測它總是正麵，因為你的信息量在統計上是微不足道的。
為了在正確的時間將正確的信息傳遞給正確的人，機器必須從數十萬個例子中學習。如果你是可口可樂、亞馬遜(Amazon)或寶潔(Proctor & Gamble)，恭喜你，你有一個足夠大的市場。如果你還沒有，你將不得不等待機器學習即服務(MLAAS)的出現——它將會出現。
人們經常低估機器學習所需的數據量。馬爾科姆·格拉德威爾說過，一個人掌握一件事需要一萬個小時的經驗。機器需要同樣的輸入量，但幸運的是，它們可以更快地處理這些數據。
需求2:明確的目標
認識嗎?反應?用戶?轉換?選一個，你的機器就會滿足你的要求。但它必須有非常明確的定義。
如果你說你的目標是收入，機器最終會計算出你應該以5美元的價格出售10美元的鈔票。這將在短時間內產生比蘋果和穀歌加起來還多的收入。
行為1:發現意義
有了明確的目標，機器就能在海量數據中識別出最能說明問題的屬性。即使有嘈雜的數據和各種各樣的數據類型，它也能找出哪些位要注意，哪些位要忽略。
這台機器可以推斷出濕度、溫度和氣壓比風速、日照時間和空氣質量更能預測下雨。它會發現，根據郵政編碼、收入和股市狀況為豪華汽車做廣告，比年齡、教育程度和身高更有效。機器識別出的具有預測性的屬性不一定是合乎邏輯的。他們不需要有意義，他們隻需要產生結果。
行動2:決定行動
隻要有足夠的數據和明確的目標，機器就可以推薦一個行動方案。本周做雨傘廣告。在午餐時間推銷你的豪華轎車。把這樣的信息發給這樣的人，給這樣的人提供這樣的服務。
在這一點上，機器已經建立了一個基於可用數據的期望結果的模型，並決定了下一步。這就是“情報”變得有趣的地方。
行為3:修改模型
一旦你接受了機器的建議，並從行動的結果中收集了新的數據，機器就可以重新考慮它的意見並進行相應的調整。它相信，特定的行動將產生最好的結果。但隨著新數據，它可以構建一個更好的以更高的信心建模並推薦一個新的行動。
需求3:控製行動
當你允許機器管理它所建議的行動——根據它的決定采取行動——你就建立了一個讓一切都不同的反饋循環。
機器現在有了所有需要的數據來選擇最能產生預期結果的行動，而且然後根據所采取的行動的結果改變它的想法。以驚人的速度衝洗，重複，直到無限。
今天，你等待著周末的促銷數據來到你的辦公桌上。然後安排會議討論結果，並計劃如何改變目標、信息和支出。接下來，創意團隊將對內容和風格進行必要的更改。最後，新的迭代在幾周後就準備好了。
明天，機器將能夠不斷地在適當的時間向適當的觀眾提供新的創意，評估結果，並不斷改進。
計算器變成了計算機，計算機變成了思考機器。你的角色是明確定義預期結果，決定哪些數據可能有用，並根據結果調整這兩個數據。
你現在的工作是決定何時使用這項新技術，並密切監視它的行動，以確保它不會讓你以5美元的價格出售10美元的鈔票。
抓住吉姆·斯特恩的MAICON工作室，＂營銷人員的機器學習101，"學習如何有知識地談論機器學習，並隨時準備在您的組織中實施它。