来源：Hubspot

作者：Niko Nelissen

原标题：What is Deep Learning? Here‘s Everything Marketers Need to know ’

机器已经在这了。

你可能听说过人工智能将会代替我们工作的传言。问题是：你应该为此担心吗？

在我看来，我们应该感到兴奋。

人工智能，尤其是“深度学习”技术，为数字营销，销售和客户服务带来了新的机会和创新。

然后到底什么是深度学习？它是如何工作的？你的公司该如何将它应用于营销和销售当中？

深度学习是什么？

深度学习是机器学习中一种利用算法来模拟人类大脑进行分析的方法。深度学习算法使用神经网络来学习任务。神经网络由相互连接的神经元组成，由它们处理人脑和计算机中的数据。

广告中的神经网络

假设我们是一个在线汽车经销商，我们想要使用RTB的方 式来为我们的产品买广告位置——用于重定位广告（Retargeting）。

RTB（实时竞价）是一个自动化的过程，发生在100毫秒以下的短时间内。当用户访问网站时，广告买家会收到消息，并根据一系列因素来决定是否对该用户进行广告展示而竞价。

请看下面的图片：

RTB利用软件来判断是否对某个广告展示进行竞价——该软件会预 测每位网站访问者买我们产品的可能性。我们称之为“买倾向”。

在这个例子中，我们将使用深度学习来做出这个预 测。这意味着我们的RTB软件将使用神经网络来预 测买倾向。

RTB软件中的神经网络由神经元和它们之间的连接组成。上图中的神经网络只包含了少量的神经元。现实中，一个数字神经网络有着成千上万的神经元和神经元之间的连接。

在这种场景下，我们想知道某个网站访问者是否有可能买汽车，以及我们是否应该出价向这个访问者展示广告，那么结果将取决于网站访问者的兴趣和行为。

为了预 测买倾向，我们首先选择几个“特征”来定义这个人的线上行为。在我们的例子中，这些特征将包括访问了以下四个网页中的哪一个：

1.定价

2.汽车配置

3.规格

4.金融资助

这些特征将影响神经网络的输出，或者说，我们的结论。输出会是以下两个值中的一个：

1. 网站访问者对产品感兴趣，或者“准备买”。结论：我们应该向其展示广告。

2. 网站访问者对产品不感兴趣，或者“未准备买”。 结论：不要向其展示广告。

神经网络是如何运作的?

让我们来仔细看看：

对于每个输入，我们使用“0”或“1”来表示。

“1”表示用户已访问这个网页。对于中间层的神经元，将其所连接的神经元乘以连接上的权重值，并加总得到中间层神经元的数值。那些权重值，定义了各个网页的重要性。

这个过程从左到右，直到我们到达“输出”神经元——“准备买”或“未准备买”。

输出值越高，输出结果正确的概率越高，或者说这个网络对用户行为的预 测越准确。

在这个例子中，一个网站访问者查看了定价和汽车配置页面，但是她跳过了规格和金融资助页面。根据上面的运算体系，我们得到分数0.7，意味着这个用户有70％的可能“准备买”我们的产品。

所以，如果回到我们的初衷，那这个得分就表明我们应该买该RTB广告位。

神经网络的训练

现在我们已经知道一个神经网络是如何运作的了，接下来让我们来看看如何确保输出神经元的计算结果是正确的，从而确保做出正确的决定。

这里的挑战在于为神经网络内的所有连接提供正确的“权重”因子，这也是为什么神经网络需要训练的原因。对于本文中的例子，“训练”意味着我们要给神经网络提供多个网站访问者的数据，如访问者特征（他们访问了哪些网站），以及表示他们最终买决定的指标值（“是”或“否”）。

神经网络根据所有提供的数据，调整每个神经元的权重，直到神经网络能给训练数据集中的每一个人计算出合适的结果。一旦这一步完成了，则所有权重便确定下来。神经网络据此来更准确地预 测新的网络访问者的行为。

深度学习的未来—— AI的平民化

人工智能很快就渗透到了我们日常使用的营销工具中。以Motion.ai（HubSpot的一部分）为例，这个由AI驱动构建器可以让你轻松创建和发布自己的聊天机器人。 

另一个例子是Dialogflow，来自Google的一个平台，它可以让你为你的公司或服务建立一个聊天机器人。

它当然不止于此。人工智能可以帮助你设置广告活动、超个性化邮件、优化销售线索评分机制、对客户问题进行分类和升级，并实际帮助你处理任何需要数据处理或编排的工作。

深度学习可应用于数字营销的任何领域，只要你拥有足够的“训练”数据。所面临的挑战通常是从你的各种营销工具中提取数据——这就是数据集成平台如Blendr.io存在的必要，它将成为你尝试深度学习和人工智能时打通数据孤岛的关键。

未来：AI…创造新的AI

Google解释说，设计神经网络的过程往往需要大量的时间进行开发和实验，因为所有的神经网络层都必须由人来构造。这就是为什么Google创造了AutoML——AI，一个自动创建新的、更好的AI算法的AI。

想象一下，这种类型的技术所能够带来的东西，如营销自动化。人工智能将能够建立额外的、定制化的人工智能算法，用来学习和自动优化市场培育活动。

尽管深度学习或许听起来很复杂，但这是一个大部分时间都归结为数学的过程。神经网络以类似于人类的方 式“学习”：通过观察很多例子，发现它们之间的共同点。

神经网络一旦完成训练，它可以执行复杂的任务和一定程度的推理。深度学习和人工智能可以被集成到数字营销和销售自动化的众多方面。机器不会到来——他们已经在这里了。