在OMD EMEA，我们正在积极寻求一种数据策略，该策略结合了人类的最佳创造力、创造力和解决问题的能力，并具有基于机器驱动和基于人工智能的预测分析的决策可扩展性和速度。

很多人讨论将AI和机器学习过程引入广告和传播，就像两个行业原型的融合一样。“熟练的怪胎”和“创造性沙皇”是令人想起尴尬的闲聊、语言障碍和在迎合两个不同外来物种的社交活动中令人不舒服的互动的图像。

这并没有抓住这个行业正在发生的现实。

本质上，在现实世界中开发人工智能的过程意味着来自真实人物的大量投资。为了让AI成为现实，你需要具备各种专业知识的熟练人员来设置支持机器驱动智能所需的条件。认识到这个现实很重要，因为这些人会逐渐拉近差距。我们已经为客户开发了几种解决方案，这些解决方案利用了大规模的连接数据集和先进的建模技术，并且可以跨渠道进行大规模的预测性个性化。基于这一经历，我们对人机交互的理解。

在预测和分析的前沿工作通常需要对内部资源进行根本性的重组。我们需要一个由各种专家组成的高度整合和多样化的团队。数据工程；数据科学；广告和标签管理；动态创意优化；营销自动化；以及隐私和合规。构建AI驱动战略的基础并执行这些任务的复杂性意味着最好使用敏捷项目管理技术，并与供应商保持密切的关系，为这些人提供最好的服务，以便密切合作。团队的外观和行为与传统的经销商规划和采购团队有很大的不同。

建模行为

根据历史行为，开发一个可以预测下一个最佳内容展示给用户或进入用户最佳渠道的AI模型并不容易。预测建模需要大量的准备和维护，每天都会带来抽象和多方面的挑战。面对发展“数据驱动杀人技能”的现实，我们面临的挑战主要集中在数据集的收集、标准化、匹配和结构化上。这是机器学习过程还没有开始的时候。

在开发和维护机器学习模型的整个过程中，人类的参与是巨大的。意见生成、解释、模型操作、合作伙伴关系管理以及解决技术和数据合作伙伴之间的互操作性问题促进了我们对高技能数据和技术专家的需求。

就像过去人类文明的许多创新一样，我们不仅在寻找利用技术以更有效的方式解决旧问题的方法，也在寻找机械和自动化人员完成繁琐任务的方法。我们也在调整这些新的功能，试图回答新的问题或解决我们以前无法影响的问题。这需要重大的战略规划以及对数据和技术生态系统的深入了解。

在许多情况下，不是人工智能模型的发展导致了大部分工作，而是何时以及如何应用它们。

郑重声明：本文版权归原作者所有。转载文章只是为了传播更多的信息。如果作者信息标注有误，请第一时间联系我们修改或删除。谢谢你。

免责声明： 本文由用户上传，如有侵权请联系删除！

标签：