在很多方面，机器学习都是神奇的。人工智能最近所取得的成就令人难以置信。（在这里插入滔滔不绝的粉丝例子）。然而，“机器学习”和“人工智能”等数据科学流行语也确实被过度使用到了荒谬的地步。 访问任何营销机构的网站，您都会看到其中充斥着“先进人工智能”和“无处不在的机器学习。完全没有提及该机构实际上是如何做到这一点的——当然，它是专有的！现实情况是，让算法为营销策略提供信息是赌注，琐碎的解决方案可以作为高级人工智能出售。 因此，我想分享的是关于何时对营销机构的人工智能机器学习超级深度学习平台持怀疑态度的一些技巧。 提示#1：深度神经网络的未指定用途 深度神经网络是最近数据科学和机器学习大肆宣传的原因。
冒着重复自己的风险在计算
机视觉和文本分析中的应用非常令人印象深刻。但要使它们有效，需要大量数据，而不仅仅是大量行（例如，每天提供的数十亿次展示），还需要大量特征（例如，单个像素的亮度）。高分辨率照片）。 虽然广告代理商确 英国电子邮件列表 实有一定的数量，但我们没有高维特征空间——我们主要处理用户的一些属性，例如浏览器和设备类型。 这并不是说我怀疑广告公司实际上正在构建和使用 ，只是说我认为一个更简单的解决方案就足够了，而且 DNN 实际上并没有给你带来任何东西，除了一个数据科学流行语来迷惑非科学家。 提示#2：未提及测试方法的非凡结果 没有判断力，测试非常困难。
广告技术领域日益“围墙花
园”化使得这一切变得更加困难。 虽然直接 AB 测试对于任何多通道来说几乎是不可能的，但我们仍然拥有非常有效的基于地理的测试。危险信号是当机构报告前期与后期结果时没有考虑季节性。例如，年初健身房报名 AOB 目录 人数增加——这是新年决心，而不是营销。 也就是说，如果各机构经历了构建机器学习算法并将其投入生产的所有麻烦，那么他们希望也经历了对其进行充分测试的麻烦，并且应该兴奋地提及测试方法的严格性。否则，我会假设这些数字已经完美无缺。 提示#3：任何广泛标记为“预防欺诈”的内容 不，并不是因为不存在欺诈——肯定存在——而是因为当今的欺诈者非常狡猾，简单的解决方案是完全不够的。
