‘Eat the future, pay with your face’: my dystopian trip to an AI burger joint

On 1 April, the same day California’s new $20 hourly minimum wage for fast-food workers went into ef
图片{ width=50% }


感谢阅读!如果您对AI的最新发展感兴趣,可以查看更多AI文钊文章:GPTNB

感谢阅读!如果您对AI的最新发展感兴趣,可以查看更多AI文钊文章:GPTNB

感谢阅读!如果您对AI的更多资讯感兴趣,可以查看更多AI文章:GPTNB

Why data quality is critical for marketing in the age of GenAI

A recent survey reveals that CMOs around the world are optimistic and confident about GenAI’s future
图片{ width=50% }


图片
A recent survey reveals that CMOs around the world are optimistic and confident about GenAI’s future ability to enhance productivity and create competitive advantage. Seventy per cent are already using GenAI and 19 per cent are testing it. And the main areas they’re exploring are personalisation (67%), content creation (49%) and market segmentation (41%).
However, for many consumer brands, the divide between expectations and reality looms large. Marketers envisioning a seamless, magical customer experience must recognise that AI’s effectiveness depends on high-quality underlying data. Without that, the AI falls flat, leaving marketers grappling with a less-than-magical reality.
AI-powered marketing fail
Let’s take a closer look at what AI-powered marketing with poor data quality could look like. Say I’m a customer of a general sports apparel and outdoor store, and I’m planning for my upcoming annual winter ski trip. I’m excited to use the personal shopper AI to give me an experience that’s easy and customised to me.
I need to fill in some gaps in my ski wardrobe, so I ask the personal shopper AI to suggest some items to purchase. But the AI is creating its responses based on data about me that’s been scattered across the brand’s multiple systems. Without a clear picture of who I am, it asks me for some basic information that it should already know. Slightly annoying… I’m used to entering my info when I shop online, but I was hoping the AI upgrade to the experience would make things easier for me. 
Because my data is so disconnected, the AI concierge only has an order associated with my name from two years ago, which was actually a gift. Without a full picture of me, this personal shopper AI is unable to generate accurate insights and ends up sharing recommendations that aren’t helpful.
Ultimately this subpar experience makes me less excited about purchasing from this brand, and I decide to go elsewhere. 
The culprit behind a disconnected and impersonal generative AI experience is data quality — poor data quality = poor customer experience. 
AI-powered marketing for the win
Now, let’s revisit this outdoor sports retailer scenario, but imagine that the personal shopper AI is powered by accurate, unified data that has a complete history of my interactions with the brand from first purchase to last return. 
I enter my first question, and I get a super-personalised and friendly response, already starting to create the experience of a one-on-one connection with a helpful sales associate. It automatically references my shopping history and connects my past purchases to my current shopping needs. 
Based on my prompts and responses, the concierge provides a tailored set of recommendations to fill in my ski wardrobe along with direct links to purchase. The AI is then able to generate sophisticated insights about me as a customer and even make predictions about the types of products I might want to buy based on my past purchases, driving up the likelihood of me purchasing and potentially even expanding my basket to buy additional items. 
Within the experience, I am able to actually use the concierge to order without having to navigate elsewhere. I also know my returns or any future purchases will be incorporated into my profile. 
Because it knew my history and preferences, Generative AI was able to create a buying experience for me that was super personalised and convenient. This is a brand I will keep returning to for future purchases.
In other words, when it comes to AI for marketing, better data = better results.
So how do you actually address the data quality challenge? And what could that look like in this new world of AI?
Solving the data quality problem
The critical first element to powering an effective AI strategy is a unified customer data foundation. The tricky part is that accurately unifying customer data is hard due to its scale and complexity — most consumers have at least two email addresses, have moved over eleven times in their lifetimes and use an average of five channels (or if they are millennials or Gen Z, it’s actually twelve channels).
Many familiar approaches to unifying customer data are rules-based and use deterministic/fuzzy matching, but these methods are rigid and break down when data doesn’t match perfectly. This, in turn, creates an inaccurate customer profile that can actually miss a huge portion of a customer’s lifetime history with the brand and not account for recent purchases or changes of contact information. 
A better way to build a unified data foundation actually involves using AI models (a different flavour of AI than generative AI for marketing) to find the connections between data points to tell if they belong to the same person with the same nuance and flexibility of a human but at massive scale. 
When your customer data tools can use AI to unify every touchpoint in the customer journey from first interaction to last purchase and beyond (loyalty, email, website data, etc…), the result is a comprehensive customer profile that tells you who your customers are and how they interact with your brand. 
How data quality in generative AI drives growth
For the most part, marketers have access to the same set of generative AI tools, therefore, the fuel you input will become your differentiator. 
Data quality to power AI provides benefits in three areas: 

Customer experiences that stand out — more personalised, creative offers, better customer service interactions, a smoother end-to-end experience, etc.
Operational efficiency gains for your teams — faster time to market, less manual intervention, better ROI on campaigns, etc.
Reduced compute costs — better-informed AI doesn’t need to go back and forth with the user, which saves on racking up API calls that quickly get expensive

As generative AI tools for marketing continue to evolve, they bring the promise of getting back to the level of one-to-one personalisation that customers would expect in their favourite stores, but now at a massive scale. That won’t happen on its own, though — brands need to provide AI tools with accurate customer data to bring the AI magic to life.
The dos and don’ts of AI in marketing
AI is a helpful sidekick to many industries, especially marketing — as long as it’s leveraged appropriately. Here’s a quick ‘cheat-sheet’ to help marketers on their GenAI journey:
Do:

Be explicit about the specific use cases where you plan to use data and AI and specify the expected outcomes. What results do you expect to achieve?
Carefully evaluate if Gen AI is the most appropriate tool for your specific use case.
Prioritise data quality and comprehensiveness — establishing a unified customer data foundation is essential for an effective AI strategy.

Don’t:

Rush to implement GenAI across all areas. Start with a manageable, human-in-the-loop use case, such as generating subject lines.

(Editor’s note: This article is sponsored by Amperity)
Tags: ai, data, genai, generative ai, marketing

感谢阅读!如果您对AI的最新发展感兴趣,可以查看更多AI文钊文章:GPTNB

感谢阅读!如果您对AI的最新发展感兴趣,可以查看更多AI文钊文章:GPTNB

感谢阅读!如果您对AI的更多资讯感兴趣,可以查看更多AI文章:GPTNB

AnsysGPT发布:AI驱动的虚拟助手,提升实时客户支持体验

Ansys今日宣布推出其AI驱动的虚拟助手——AnsysGPT。基于ChatGPT技术构建,该虚拟助手融合了Ansys工程师的专业知识与AI的强大力量,为用户提供快速、全天候的客户支持服务。AnsysGPT利用Ansys数据训练,能够在几秒钟内为客户提供最紧迫的工程问题的有用回答。

图片{ width=50% }


主要亮点

  • 全天候专业支持: AnsysGPT™作为Ansys人工智能产品家族的一员,提供精选的Ansys知识、全天候用户支持和广泛的多物理领域专业知识。
  • 定制化知识库: 新工具采用高级数据工程技术,索引Ansys产品组合中的信息,形成定制的知识库。
  • 扩展知识库: 自测试版发布以来,AnsysGPT的知识库增长了30倍,提供了更广泛、更深入的产品组合,以提高响应的准确性和实用性。

AnsysGPT通过提供一个安全、易用的界面,帮助现有团队为客户提供24/7的虚拟助手服务,用于咨询有关Ansys产品、相关物理及其他复杂工程主题的问题。设计师和工程师可以用多种常用语言实时接收回复,帮助他们简化模拟设置,浏览相关学习机会等。

该工具的更新版本经过了对响应准确性、性能和数据合规性的严格测试。AnsysGPT汇集了包括产品文档、产品和工程相关培训文档、常见问题解答、技术营销材料以及公开的Ansys学习论坛讨论等新的公共来源的知识。此外,升级后的基础设施提供了增强的安全性和可扩展性,以容纳成千上万的用户。

用户反馈

“对于初学者和经验丰富的工程师来说,复杂的模拟设置可能都很困难,但AnsysGPT的实用性不容小觑,”罗马尼亚大陆汽车的高级热模拟工程师Eugen Dinca表示,“它使用方便、可靠,并能迅速显示相关准确信息。例如,我的查询得到了包括相关文档链接在内的所有必要信息。”

官方声明

Ansys的客户卓越副总裁Anthony Dawson表示:“AnsysGPT的发布标志着为Ansys客户提供变革性AI驱动技术支持途径的可用性。AnsysGPT是一个辅助工具,赋予客户独立找到复杂问题答案的能力。这次发布在响应准确性、性能、数据安全性和用户合规性方面均有显著提高,为用户提供了对他们最重要的工程问题的准确、快速回答。”

感谢阅读!如果您对AI的最新发展感兴趣,可以查看更多AI文钊文章:GPTNB

感谢阅读!如果您对AI的最新发展感兴趣,可以查看更多AI文钊文章:GPTNB

感谢阅读!如果您对AI的更多资讯感兴趣,可以查看更多AI文章:GPTNB

Suno AI:新一代音乐创作工具,用AI生成音乐引发讨论

以ChatGPT为蓝本的Suno AI正在社交媒体上掀起热潮,尽管其歌词略显滑稽,却也备受关注。

图片{ width=50% }

Suno AI简介

被誉为音乐界的ChatGPT,Suno AI是最新一代的生成式人工智能产品,它可以在几秒钟内根据用户的风格和歌词提示创作出完整的歌曲。据《滚石》杂志上个月的报道,这个项目由一群在剑桥的机器学习专家发起,他们对音频技术产生了浓厚的兴趣。

功能和应用

Suno AI能够以用户所选择的音乐风格生成歌曲,其歌词虽然简单,有时甚至略显无聊,但往往也因其幽默而令人难忘。例如,当被要求创作一首关于晨间咖啡的力量歌曲时,Suno创作出了这样的歌词:“咖啡,你是我灵魂的燃料/没有你,我感觉如此寒冷”。此外,还有关于澳大利亚《卫报》的广告歌曲,展现了其调侃新闻行业的一面。

创始团队的愿景

Suno的共同创始人Mikey Shulman在接受《滚石》采访时表示,Suno的目的并非取代艺术家,而是通过让音乐创作变得更加易于接触,来让更多人享受音乐创作的乐趣。

争议与法律挑战

尽管Suno AI承诺在每首生成的歌曲中嵌入不可听见的水印,以便识别AI音乐,但其是否使用了受版权保护的材料进行训练仍是外界关注的焦点。近日,多位著名艺术家如Elvis Costello和Billie Eilish签署了一封公开信,呼吁AI公司承诺不开发可能削弱或取代歌曲创作者和艺术家角色的技术。

市场前景

未来,音乐流媒体平台是否会对AI生成的音乐设置限制,仍是一个值得关注的问题。目前,至少Spotify似乎倾向于允许不直接抄袭艺术家风格的AI生成音乐。

结论

随着技术的不断进步,AI在音乐创作领域的应用将继续引发热议。Suno AI是否会成为音乐创作的新趋势,或将由市场和法律的双重影响最终决定。对于音乐爱好者和创作者而言,这是一个既充满机遇也充满挑战的新时代。


感谢阅读!如果您对AI的最新发展感兴趣,可以查看更多AI文钊文章:GPTNB

感谢阅读!如果您对AI的最新发展感兴趣,可以查看更多AI文钊文章:GPTNB

感谢阅读!如果您对AI的更多资讯感兴趣,可以查看更多AI文章:GPTNB

OpenAI发布GPT-4 Turbo with Vision模型

OpenAI宣布其强大的GPT-4 Turbo with Vision模型现已通过公司API普遍可用,为企业和开发者整合先进的语言和视觉能力到他们的应用中开辟了新的机会。此次推出是在去年九月初次发布GPT-4的视觉和音频上传功能之后,以及在十一月OpenAI开发者会议上揭幕加速版GPT-4 Turbo模型之后进行的。
图片{ width=50% }

GPT-4 Turbo的主要特点

  • 显著的速度提升
  • 更大的输入上下文窗口,高达128,000个标记(约等于300页)
  • 为开发者提供了更多的可负担性
  • API请求能够通过文本格式JSON和函数调用利用模型的视觉识别和分析能力

OpenAI强烈建议在执行影响现实世界的动作前构建用户确认流程。

初创公司应用案例

  • Cognition: 其AI编码代理Devin依赖该模型自动生成完整代码。
  • Healthify: 一个健康和健身应用,使用该模型提供基于餐饮照片的营养分析和建议。
  • TLDraw: 利用GPT-4 Turbo with Vision为其虚拟白板提供动力,并将用户绘图转换为功能性网站。

市场竞争与展望

尽管面临来自Anthropic的Claude 3 Opus和Google的Gemini Advanced等较新模型的激烈竞争,API的推出应该有助于巩固OpenAI在企业市场的地位,开发者们期待公司的下一个大型语言模型。

行业活动

想要从行业领袖那里了解更多关于AI和大数据的信息吗?请关注即将在阿姆斯特丹、加利福尼亚和伦敦举行的AI & Big Data Expo。此活动与BlockX、数字转型周和网络安全与云博览会等其他领先活动共同举行。

探索TechForge推动的其他即将举行的企业技术活动和网络研讨会。

感谢阅读!如果您对AI的最新发展感兴趣,可以查看更多AI文钊文章:GPTNB

感谢阅读!如果您对AI的最新发展感兴趣,可以查看更多AI文钊文章:GPTNB

感谢阅读!如果您对AI的更多资讯感兴趣,可以查看更多AI文章:GPTNB

人工智能行业的热潮:OpenAI、Google以及法国初创企业Mistral纷纷发布前沿AI模型

在一个备受期待的夏季活动浪潮准备阶段,OpenAIGoogle以及法国人工智能初创公司Mistral于12小时内相继发布了其最新版的前沿AI模型。这一前所未有的发布热潮预示着行业为OpenAI旗下备受欢迎的聊天机器人Chat-GPT所依托的下一主要版本GPT系统的预期推出做好了准备。


GenAI应用
首先,距离Nick Clegg在伦敦一个活动上确认Meta自家的第三版AI模型Llama将在几周内发布的消息仅几小时,Google发布了其最先进的大型语言模型Gemini Pro 1.5,对普通大众开放,并提供每天最多50次请求的免费使用额度。

紧接着,OpenAI发布了其自家的前沿模型GPT-4 Turbo的最终版本。GPT-4 TurboGemini Pro 1.5都是“多模态”系统,能够接受的不仅仅是文本。每个系统都可以接受图像输入,而Gemini还可以接受音频和视频输入。

在法国凌晨时分,Mistral——一个由CleggMeta AI团队的前同事创立的AI初创公司,发布了其前沿模型Mixtral 8x22B。与其两个美国竞争对手不同,Mixtral通过一个简单的下载链接发布,文件大小为281GB:该公司与Meta一样采取“开源”方法,免费发布其AI系统,供任何人下载并进一步开发。

这种做法被批评为可能带来风险,因为它让开发者无法介入阻止其系统被用于有害目的,也无法在发现并需要修复漏洞或偏见时将模型下线。然而,包括Meta在内的其他人则辩护说,这最终将导致比那些“掌握在少数几个加利福尼亚大公司手中”的系统更好的结果。

据《信息》报道,MetaLlama 3预计将最初以其较小、较弱版本发布,逐步推出公司最先进的前沿模型。然而,它可能面临激烈的竞争:据信OpenAI也计划在类似的时间框架内推出下一版GPT模型,GPT-5,公司首席运营官Brad Lightcap告诉《金融时报**它将“很快”到来。

然而,专家们质疑所有前沿AI系统共享的“大型语言模型”方法是否正在达到其极限。“我们听到很多人说:‘哦,我的天哪,我们将在明年获得[人工通用智能],’”Meta的首席AI科学家Yann LeCun回应了xAI创始人Elon Musk的一项声明。“这根本不会发生。我们有能通过律师考试的AI系统,但它们却不能清理你的晚餐桌子,也不能填满洗碗机。我们有操纵语言并让我们误以为它们很聪明的系统,但它们却不能理解世界。”

LeCun建议,研究者需要致力于他所说的“目标驱动”的AI,这种AI具有推理和计划世界的能力,而不仅仅是单独工作于文字上。

他说,这种方法可能会产生真正具有超人能力的AI系统。“这更多是一个愿景而已,”他补充说,“但它正在取得指数级进展,所以我相当自信我们会达到那里。”

感谢阅读!如果您对AI的最新发展感兴趣,可以查看更多AI文钊文章:GPTNB

感谢阅读!如果您对AI的最新发展感兴趣,可以查看更多AI文钊文章:GPTNB

感谢阅读!如果您对AI的更多资讯感兴趣,可以查看更多AI文章:GPTNB

Elon Musk 预言:超人工智能可能于明年诞生

Elon Musk 近日在其社交网络 X 上的一次直播访谈中表示,比地球上任何人都要聪明的超人工智能(AI)可能在明年就会出现,除非该领域的能源和计算需求在那之前变得不可持续。这一预测比他之前声称的超智能 AI 将在 2029 年出现的说法有了显著的提前。一般来说,“超人”被定义为在任何特定任务上比任何单个人类都要聪明,而超智能则通常被定义为在任何任务上比所有人类的综合能力都要聪明。


Musk 表示:“我的猜测是,我们可能在明年年底就会拥有比任何一个人类都聪明的 AI。”这一预测附带了一个前提,即对能源的日益增长的需求和最强大的 AI 训练芯片的短缺可能会在短期内限制它们的能力。
图片

他说:“去年是芯片受限。人们无法获得足够的 Nvidia 芯片。今年正在转变为电压变压器供应。再过一两年,就仅仅是电力供应的问题了。”

在 2023 年,当他预测超智能有五到六年的发展空间时,Musk 对其可能带来的后果表示出了强烈的担忧。在那一年他的 AI 创业公司 xAI 成立之际,他说:“如果我能按下暂停 AI 或者真的先进的 AI 数字超智能,我会这么做。但这似乎不现实,所以 xAI 本质上将要构建一个 AI。希望以一种好的方式。

他补充说:“实际上,我们需要担心终结者未来,以避免终结者未来。”Musk 提到了一部自我意识的计算机系统对人类发动战争的电影。

一年后,xAI 正在坚定地试图引领超智能的发展。在最近的一次访谈中,Musk 表示其最新版本的聊天机器人 Grok AI 的表现与 OpenAI 的领先模型 GPT-4 相当。GPT-4 已经超过一年的时间了,竞争对手已经达到或超越了其能力,Anthropic 的 Claude 3 Opus 通常被视为新的市场领导者。

这位企业家的预测历来自由发表。2016 年,他错误地预测,在两年内,特斯拉将能够从纽约自动驾驶到洛杉矶。同年他还表示,他的 SpaceX 火箭公司将在 2018 年飞往火星——这至今尚未实现。而在 2017 年,Musk 提议他的 Neuralink 脑芯片创业公司的第一款产品将在“大约四年内”上市。公司的第一个人类植入物在七年后才实现。

Musk 手头的活很多。最近,他对一位巴西最高法院法官宣战,呼吁他辞职或被弹劾,原因是法院对 X 下达了一项法令,要求其删除一些巴西用户的账户。周一,有关他在法庭上的证词爆出,他承认自己在该网站上的帖子“可能对公司的财务造成了更多损害,而不是帮助”。


感谢阅读!如果您对AI的最新发展感兴趣,可以查看更多AI文钊文章:GPTNB

感谢阅读!如果您对AI的最新发展感兴趣,可以查看更多AI文钊文章:GPTNB

感谢阅读!如果您对AI的更多资讯感兴趣,可以查看更多AI文章:GPTNB

Stability AI发布划时代的多语言模型Stable LM 2

Stability AI最近推出了其Stable LM 2语言模型系列的最新成员:一个具有120亿参数的基础模型及其经指令调优的变体。这些模型覆盖了英语、西班牙语、德语、意大利语、法语、葡萄牙语和荷兰语,在七种语言中训练了两万亿个token
图片

120亿参数模型旨在平衡强大的性能、效率、内存需求和速度。它是Stability AI先前发布的Stable LM 2 1.6B技术报告的进一步发展。这一新发布不仅扩展了公司的模型范围,还为开发者提供了一个透明且强大的工具,用于AI语言技术创新。

图片来源:Muha Ajjan

此外,Stability AI还更新了其Stable LM 2 1.6B模型。这个更新的1.6B变体在保持极低系统需求的同时,改善了跨上述七种语言的对话能力。

Stable LM 2 12B被设计为一个高效的开放模型,专为多语言任务而优化,能在广泛可用的硬件上顺畅运行。据Stability AI介绍,这个模型能处理通常仅有更大模型才能完成的任务,而大型模型通常需要大量的计算和内存资源。

在与Mixtral、Llama2、Qwen 1.5、Gemma和Mistral等流行的强大语言模型进行性能比较时,Stable LM 2 12B在Open LLM排行榜概述的零射击和少射击任务中表现出色。

通过这次新发布,Stability AI将StableLM 2系列扩展到了12B类别,提供了一个开放且透明的模型,且不牺牲其强大的性能和准确性。公司相信这一发布将使开发者和企业能够继续发展未来,同时完全控制他们的数据

开发者和企业现在可以通过Stability AI会员资格,将Stable LM 2 12B用于商业和非商业目的。

标签: AI人工智能开发语言模型Stability AIStable LM 2


感谢阅读!如果您对AI的最新发展感兴趣,可以查看更多AI文钊文章:GPTNB

感谢阅读!如果您对AI的最新发展感兴趣,可以查看更多AI文钊文章:GPTNB

感谢阅读!如果您对AI的更多资讯感兴趣,可以查看更多AI文章:GPTNB

全球首席营销官对生成式AI的乐观态度及其挑战与解决方案

近日一项调查显示,全球的首席营销官(CMO)对生成式人工智能(GenAI)未来增强生产力和创造竞争优势的能力持乐观态度。其中70%的人已经在使用GenAI,19%的人正在测试它。他们探索的主要领域包括个性化(67%)、内容创造(49%)和市场细分(41%)。


GenAI应用

数据质量:营销中AI应用的关键挑战

然而,对于许多消费品牌来说,期望与现实之间的差距很大。营销人员必须认识到,AI的有效性取决于高质量的底层数据。没有这些数据,AI的效果会大打折扣,导致营销人员面对一个不那么神奇的现实。

AI营销失败的案例

假设我是一个综合体育用品和户外商店的顾客,我正计划着我的年度冬季滑雪之旅,期望通过个人购物助手AI获得轻松和定制化的体验。但由于数据质量差,最终这种体验让我决定转向其他地方购物。这证明了差的数据质量=差的客户体验。

成功的AI营销案例

现在,想象一个由准确、统一的数据驱动的个人购物助手AI,这些数据有我与品牌的完整历史。这种情况下,AI能够为我提供一个超级个性化和方便的购买体验,使我愿意为未来的购买继续回到这个品牌。

解决数据质量挑战

解决数据质量问题的关键第一步是建立一个统一的客户数据基础。这是一个复杂的任务,因为消费者的数据分散在多个渠道。然而,使用AI模型来统一数据,可以创建一个全面的客户档案,为高质量的AI营销打下基础。

数据质量如何驱动AI营销的成长

良好的数据质量可以在以下三个领域提供好处:

  • 突出的客户体验: 更个性化、创造性的优惠,更好的客户服务互动等。
  • 运营效率的提升: 更快的上市时间,更少的手动干预等。
  • 降低计算成本: 更高效的AI减少了不必要的用户交互和API调用成本。

随着营销用生成式AI工具的不断发展,准确的客户数据变得至关重要,能够实现大规模的一对一个性化营销。

GenAI旅程的应该做和不应该做

  • 明确用例和预期结果: 明确你计划使用数据和AI的特定用例,并指定预期的结果。
  • 评估Gen AI的适用性: 仔细评估Gen AI是否是你特定用例最合适的工具。
  • 优先考虑数据质量和全面性: 建立统一的客户数据基础对于有效的AI策略至关重要。

通过解决数据质量的挑战,品牌可以充分利用生成式AI的潜力,创造更好的客户体验和运营效率。


感谢阅读!如果您对AI的最新发展感兴趣,可以查看更多AI文钊文章:GPTNB

感谢阅读!如果您对AI的最新发展感兴趣,可以查看更多AI文钊文章:GPTNB

感谢阅读!如果您对AI的更多资讯感兴趣,可以查看更多AI文章:GPTNB