مهارت‌های چهارگانه لازم برای پیشرفت در عصر هوش مصنوعی/ (مهارت دوم)

(لیزنا، مقاله های روز)، دکتر جعفر مهراد، استاد پیشکسوت دانشگاه شیراز و بنیانگذار موسسه ISC: مهارت اول را با بحث پیرامون هوش مصنوعی برای بهره‌وری تحت عنوان «افزایش بهره وری کتابداران و کارشناسان اطلاعات با هوش مصنوعی» مورد مطالعه قرار دادیم. این موضوع در تاریخ دوشنبه ٢۶ شهریور ماه ١۴٠٣ در لیزنا منتشر شد.

 مهارت دوم «هوش مصنوعی برای بازاریابی» است. ارایه خدمات بهتر به کاربران در عصر هوش مصنوعی، ایجاب می‌کند که کتابداران و متخصصان اطلاعات مهارت های بازاریابی زیر را توسعه دهند:

 ١- بازاریابی داده محور:

کسب مهارت در این حوزه مستلزم درک نحوه جمع آوری، تجزیه و تحلیل و تفسیر داده های کاربر برای اطلاع از راهبردهای بازاریابی و استفاده از ابزارهای هوش مصنوعی برای تجزیه و تحلیل جهت پیش بینی نیاز ها و رفتار کاربر است.

ابزارهای هوش مصنوعی مورد استفاده برای ارتقای مهارت بازاریابی داده محور از این قرار است (١):

1- Google Analytics (با بینش هوش مصنوعی)

2- IBM Watson Analytics

3- Tableau (با قابلیت های هوش مصنوعی)

4- Sisense 

 ٢- توصیه های شخصی سازی شده و هدف گذاری:

 می توان از هوش مصنوعی برای ایجاد محتوا و توصیه های شخصی سازی شده برای کاربران کتابخانه استفاده کرد. علاوه‌براین، کتابداران و متخصصان اطلاعات می توانند با استفاده از ابزارهای مبتنی بر هوش مصنوعی، کابران کتابخانه را به طور موثری تقسیم بندی کنند.

ابزارهای هوش مصنوعی این موارد عبارت است از (٢):

1- Adobe Target

2- Dynamic Yield

3- Optimizely

4- Evergage

 ٣- پیاده سازی چت بات و دستیار مجازی:

طراحی و استقرار چت ربات های هوش مصنوعی برای رسیدگی به سوالات اولیه و راهنمایی کاربران. نیز، بهینه سازی دستیار های مجازی برای افزایش تجربه و تعامل کاربران.

در این بخش، ابزارهای زیر کاربرد فراوان دارند (٣):

1- Dialogflow (Google)

2- IBM Watson Assistant

3- MobileMonkey

 ۴- بازاریابی محتوا با هوش مصنوعی:

در این حوزه می توان از ابزارهای نوشتن هوش مصنوعی برای ایجاد و بهینه‌سازی محتوا برای پلاتفرم های مختلف استفاده کرد. نیز، اجرای مدیریت محتوای مبتنی بر هوش مصنوعی برای ارائه اطلاعات مرتبط به کاربران در این قسمت قرار دارد.

ابزارهای کاربردی این حوزه عبارت است از (۴):

1- Jasper

2- Writesonic

3- Grammarly

4- MakeMuse

 ۵- اتوماسیون بازاریابی رسانه های اجتماعی:

از ابزارهای هوش مصنوعی می توان برای زمان بندی پست ها و تجزیه و تحلیل عملکرد رسانه های اجتماعی استفاده کرد. تجزیه و تحلیل نگرش ها برای سنجش واکنش های کاربر و تنظیم استراتژی ها نیز در این مقوله حایز اهمیت است.

ابزارهای مفید مشتمل است بر (۵):

1- Hootsuite Insights

2- Sprout Social

3- Buffer with AI-powered analytics

4- Socialbakers

 ۶- بهینه‌سازی جستجوی صوتی:

از جمله تطبیق محتوای بازاریابی برای جستجو های فعال صوتی و بلندگوهای هوشمند، و درک پردازش زبان طبیعی برای بهبود قابلیت کشف منابع کتابخانه اهمیت دارد.

در این مورد ابزارهای زیر را می توان استفاده کرد (۶):

1- Yext

2- BrightEdge

3- Alli AI

4- Authotitas

 ٧- بازاریابی واقعیت افزوده (AR):

ترکیب عناصر AR در فضا ها و مواد کتابخانه برای افزایش تعامل کار بر و نیز ایجاد تجربیات تعاملی برای ارتقای خدمات و مجموعه های کتابخانه.

برای این حوزه ابزارهای زیر مهم است (٧):

1- Blippar

2- Zappar

3- ARKit (Apple)

4- ARCore (Google)

 ٨- بازاریابی ایمیلی با هوش مصنوعی:

می توان از هوش مصنوعی برای بهینه‌سازی موضوع، محتوا و زمان ارسال و نیز برای پیاده سازی اتوماسیون ایمیل مبتنی بر هوش مصنوعی جهت جمع‌آوری داده‌ها پیرامون اولویت های کاربر استفاده کرد.

ابزارهای مهم این حوزه به این شرح است (٨): 

1- Phrasee

2- Persado

3- Seventh Sense

4- Malchimp

 ٩- قابلیت جستجوی بصری:

یکپارچه سازی فناوری جستجوی بصری برای کمک به کاربران برای یافتن منابع براساس تصاویر و نیز ایجاد مواد بازاریابی بصری جذاب با استفاده از ابزارهای طراحی مبتنی بر هوش مصنوعی. 

ابزارهای کاربردی مهم عبارتند از (٩):

1- Google Lense

2- Pinterst Lense

3- Bing Visual Search

4- Style.ai

 منابع:

1- Brown, T. B., Et al. (2020), Language Midels Are Few-Shot Learners. arXiv preprint arXiv: 2005. 14165

2- Ranesh, A., et al. (2021) Zero Shot Text-to-Image Generation. arXiv preprint arXiv: 2102. 12092

3- Esser, P., et al., (2021) Taming Transformers For High-resolution Image Synthesis. arXiv preprint arXiv: 2012.09841

4- Rombach, et al., (2022) High-resolution Image Synthesis with Latent Diffusion Models. arXiv preprint arXiv: 2112.10752

5- www.socialpilot.co .Deal

6- www.semrush.com > google-voice-search

7- Chen, et al., (2021) Evaluating Large Language Models Trained on Code. arXiv preprint arXiv: 2107.03374

8- Ferrucci, D., et al., (2010) Building Watson: An Overview of the DeepQA Project. AI Magazine, 31(3), 59-79

9- Abadi, M., et al. (2016) TensorFlow: A system for large-scale machine learning. 12th USENIX Symptom on Operating system design and implementation (OSDI 16) 265-283