ممکن است نام تجاری شما در جستجوی هوش مصنوعی جایگاه خود را از دست بدهد

یکی از تغییراتی که در این سال به آن اشاره کردم این است که چه مقدار از فرآیند خرید می تواند قبل از اینکه کسی به وب سایت یک شرکت برسد اتفاق بیفتد.

در اوایل سال جاری، من در مورد اینکه چگونه عملکرد قوی گوگل زمانی که خریداران برای تحقیق در مورد گزینه‌های خود به ChatGPT یا ابزار هوش مصنوعی دیگری روی می‌آورند، دیگر دیده شدن را تضمین نمی‌کند، نوشتم. بعدا، پس از صحبت با Synchrony، بررسی کردم که چه اتفاقی می‌افتد زمانی که نمایندگان شروع به کمک به مردم برای مقایسه محصولات و محدود کردن انتخاب‌های خود از جانب آنها می‌کنند.

این داستان‌ها باعث شد که من به بخشی از سفر مشتری علاقه مند شوم که شرکت‌ها در طول تاریخ به آن کمتر دیده شده‌اند: چه اتفاقی می‌افتد قبل از اینکه خریدار اصلا به سایت برسد.

بازاریابان سال ها صرف یادگیری خواندن رتبه های جستجو، ترافیک، کلیک ها و تبدیل ها کرده اند. البته این موارد هنوز مهم هستند، اما ممکن است نشان ندهند که کدام برندها در پاسخ‌های هوش مصنوعی ظاهر می‌شوند، این سیستم‌ها به کدام منابع متکی هستند یا اینکه آیا یک نماینده از یک سایت بازدید می‌کند، زیرا کسی فعالانه درباره چیزی که شرکت می‌فروشد تحقیق می‌کند.

دید هوش مصنوعی می تواند قبل از اینکه تأثیر آن در ترافیک وب سایت، تبدیل یا خط لوله فروش ظاهر شود، بدتر شود.

امروز، من در حال بررسی این موضوع هستم که چگونه بازاریابان می‌توانند تشخیص دهند که این دید در حال بهبود است یا لغزش، سیگنال‌هایی که در طول زمان ارزش ردیابی را دارند و ترافیک عوامل هوش مصنوعی ممکن است در مورد قصد مشتری آشکار شود.

آنچه را که بازاریابان ممکن است در جستجوی هوش مصنوعی از دست بدهند، بخوانید.

Sitecore، مدیران عامل Scrunch: معیارهای سئو می توانند مشکلات جستجوی هوش مصنوعی را پنهان کنند

رتبه بندی جستجو و ترافیک وب همچنان به بازاریابان می گوید که مشتریان چگونه یک نام تجاری را آنلاین پیدا می کنند، اما آنها می توانند آنچه را که در پاسخ های تولید شده توسط هوش مصنوعی اتفاق می افتد از دست بدهند. در میان بازاریابان داخلی در نظرسنجی انجام شده توسط شرکت جستجوی هوش مصنوعی Scrunch و آژانس بازاریابی خدمات حرفه ای Scribewise، 62 درصد گفتند که رهبران خارج از بازاریابی یا ارتباطات هنوز تیم های خود را بر اساس معیارهای سنتی SEO یا ترافیک وب قضاوت می کنند.

اریک استین، مدیرعامل شرکت نرم‌افزار تجربه دیجیتال Sitecore، و کریس اندرو، مدیر عامل Scrunch، یک شرکت Sitecore که به برندها کمک می‌کند نحوه ظاهر شدنشان را در جستجوی هوش مصنوعی ردیابی و بهبود بخشند، گفتند که یک کسب‌وکار می‌تواند رتبه‌بندی قوی گوگل را حفظ کند در حالی که رقبا در پاسخ‌های ChatGPT، Gemini، Perplexity و دیگر پلت‌فرم‌های هوش مصنوعی دیده می‌شوند.

استین و اندرو از طریق ایمیل به من گفتند: «رتبه‌بندی جستجوی سالم می‌تواند مشکل جستجوی هوش مصنوعی را پنهان کند.

این نظرسنجی گسترده‌تر شامل 602 متخصص بازاریابی و روابط عمومی ایالات متحده بود که هم در داخل و هم در آژانس‌ها کار می‌کردند. 84 درصد از پاسخ دهندگان گفتند مطمئن هستند که می توانند پاسخ های هوش مصنوعی را شکل دهند، حتی اگر 51 درصد مطمئن نبودند که استراتژی فعلی آنها درست است یا خیر. پنجاه و شش درصد نتوانستند بهینه سازی جستجوی هوش مصنوعی را از بهینه سازی موتورهای جستجوی سنتی متمایز کنند.

یک پاسخ هوش مصنوعی واحد همچنین یک معیار ضعیف برای دیده شدن برند است زیرا بسته به نحوه بیان یک سؤال، چه زمینه ای که کاربر ارائه می دهد و کدام پلتفرم پاسخ می دهد، پاسخ می تواند تغییر کند.

استاین و اندرو گفتند: «آن را مانند هواشناسی در نظر بگیرید: یکی از اعلان‌ها یک خواندن است، و به اطراف می‌چرخد». "مجموعه ثابتی از اعلان‌هایی که در طول زمان ردیابی می‌شوند مانند شبکه‌ای از ایستگاه‌های هواشناسی عمل می‌کنند."

آنها توصیه می کنند که بیشتر از اینکه یک نام تجاری ظاهر شود یا خیر، ردیابی کنید. بازاریابان می‌توانند ببینند که چقدر برجسته است، آیا توصیف مطلوبی دارد یا خیر، چقدر نسبت به رقبا نشان می‌دهد و به کدام منابع استناد می‌شود.

نقل‌قول‌ها می‌توانند نشان دهند که کدام منابع پاسخ هوش مصنوعی را شکل می‌دهند، از وب‌سایت خود شرکت گرفته تا تحقیقات تحلیل‌گران، بررسی‌های مشتریان، پوشش خبری، رسانه‌های اجتماعی و سایر مطالب خارج از کنترل مستقیم آن.

آنها گفتند: "شما نمی توانید پاسخ را ویرایش کنید، اما می توانید آنچه را که پاسخ ساخته شده است تغییر دهید."

شرکت‌ها می‌توانند با شناسایی مکان‌هایی که اطلاعات برند موجود نیست یا متناقض است، پاسخ دهند، و محتوای آنها را برای دسترسی و درک و درک منابع شخص ثالثی که این سیستم‌ها استفاده می‌کنند، آسان‌تر کنند.

تجزیه و تحلیل وب سنتی ممکن است سیگنال دیگری را فیلتر یا از دست بدهد: بازدید از عوامل هوش مصنوعی.

این دو مدیر عامل به من گفتند: "به مدت 25 سال، بازاریابان ترافیک ربات را به عنوان هرزنامه تلقی می کردند. این غریزه اکنون یک مسئولیت است."

آنها بین عواملی که بر روی محتوای وب آموزش می‌دهند یا فهرست‌بندی می‌کنند و عوامل بازیابی که اطلاعات را در پاسخ به سؤال یک شخص جمع‌آوری می‌کنند، تمایز قائل می‌شوند. هنگامی که یک عامل بازیابی از یک وب سایت بازدید می کند، می تواند نشان دهد که شخصی به طور فعال در حال تحقیق درباره یک شرکت، محصول یا دسته از طریق یک سرویس هوش مصنوعی است.

تنها حدود یک سوم از پاسخ دهندگان به این نظرسنجی گفتند که ترافیک ربات هوش مصنوعی را تجزیه و تحلیل می کنند. ردیابی اینکه کدام سیستم‌های هوش مصنوعی از یک سایت بازدید می‌کنند، به چه صفحاتی دسترسی دارند و کدام یک را دور می‌زنند، می‌تواند به بازاریابان دید دیگری از اطلاعاتی که پیدا و استفاده می‌شوند، بدهد.

استاین و اندرو گفتند افرادی که پس از تحقیقات با کمک هوش مصنوعی به وب‌سایتی می‌رسند باید آگاه‌تر و واجد شرایط‌تر باشند. سپس شرکت‌ها می‌توانند دید هوش مصنوعی را با روند تبدیل مقایسه کنند تا ارزیابی کنند که آیا این قرار گرفتن در معرض ارزش تجاری ایجاد می‌کند یا خیر.

قبل از اینکه معیارهای بازاریابی سنتی حرکت کنند، دید هوش مصنوعی می تواند بدتر شود. رقبا می‌توانند در پاسخ‌هایی ظاهر شوند، جایی که یک شرکت این کار را نمی‌کند، یا سیستم‌های هوش مصنوعی می‌توانند به طور فزاینده‌ای به منابعی اشاره کنند که نام تجاری را حذف می‌کنند، در حالی که رتبه‌بندی گوگل آن ثابت می‌ماند.

آنها به من گفتند: «اگر شرکتی منتظر باشد تا تأثیر آن در ترافیک وب سایت، تبدیل یا خط لوله ظاهر شود، در حال حاضر عقب مانده است.

"و در یک قیف فشرده، ممکن است فرصت دومی برای ورود به مجموعه در نظر گرفتن وجود نداشته باشد."

غلبه بر موانع تحول هوش مصنوعی در صنایع قدیمی

سرمایه گذاری در هوش مصنوعی در حال افزایش است و شرکت های با سابقه راه هایی برای وارد کردن این فناوری به سازمان هایی پیدا می کنند که بر اساس سال ها روابط با مشتری، عملیات پیچیده، سیستم های حیاتی و مسئولیت های نظارتی شکل گرفته اند. چالش تبدیل پایلوت های امیدوارکننده به نتایج تجاری پایدار بدون ایجاد اختلال در نقاط قوتی است که باعث موفقیت آن شرکت ها شده است.

در یک وبینار هوش مصنوعی نیوزویک که توسط Cognizant ارائه می شود، گابریل اسنایدر، سردبیر اجرایی نیوزویک، سازمانی، بحثی را با عنوان «غلبه بر موانع تغییر هوش مصنوعی در صنایع قدیمی» مدیریت خواهد کرد. این گفتگو به چگونگی اتصال سازمان‌های مستقر هوش مصنوعی به سیستم‌ها و جریان‌های کاری موجود، شفاف‌سازی مالکیت و حاکمیت و همسویی سرمایه‌گذاری‌های فناوری با افراد، فرآیندها و نتایج قابل اندازه‌گیری کسب‌وکار را بررسی خواهد کرد.

مت سانچز، مدیر عامل یاهو، دورگا ملادی، معاون اجرایی و مدیر کل برنامه ریزی فناوری، راه حل های لبه و مرکز داده در کوالکام و کیتی جورج، معاون شرکت تغییر نیروی کار در مایکروسافت، به گفتگو خواهند پیوست.

به بحث زنده در 21 اکتبر بپیوندید. رایگان ثبت نام کنید.

در 22 اکتبر، دکتر رنجیت تینایکار، میزبان «انجمن تأثیر هوش مصنوعی» نیوزویک، با Firdaus Bhathena، معاون اجرایی و مدیر ارشد فناوری و تحول در S&P Global، می‌نشیند تا درباره نحوه نزدیک شدن شرکت‌های بزرگ به هوش مصنوعی، بهره‌وری و تحول بحث کند.

با تکیه بر تجربه Bhathena در S&P Global، FIS Global و CVS Health، این گفتگو تصمیماتی را که مدیران با آن روبرو هستند را بررسی می کند زیرا قابلیت های جدید استراتژی فناوری، مدل های عملیاتی و روش انجام کار را تغییر می دهد.

پنجشنبه 22 اکتبر ساعت 14 به بحث زنده بپیوندید. ET. رایگان ثبت نام کنید.

یکی از بینش های اخیری که در مورد هوش مصنوعی آموخته اید چیست؟

"یکی از درک هایی که با من باقی ماند این است که هوش مصنوعی به اندازه حقیقت بالینی ارزشمند است که به حفظ آن کمک می کند. در چرخه درآمد اواسط، مسئله اغلب این نیست که مراقبت ارائه نشده است، بلکه پرونده پزشکی نهایی به طور کامل پیچیدگی بالینی واقعی بیمار را منعکس نمی کند.

این مشکلی است که ما موتور هوش مصنوعی Accuity را که توسط پزشک اداره می‌شود، Amplifi، برای رفع آن ساخته‌ایم. هدف صرفا یافتن درآمد بیشتر نیست. این کمک می کند تا اطمینان حاصل شود که پرونده مستند و کدگذاری شده دقیق، کامل و منطبق است و به طور صادقانه نشان دهنده مراقبتی است که بیمار واقعا دریافت کرده است.

من هم به عنوان یک پزشک و هم به عنوان یک CMIO، آن را فرصتی واقعی برای هوش مصنوعی می‌دانم: نه برای جایگزینی قضاوت بالینی، بلکه برای کمک به پزشکان، تیم‌های CDI و کدگذاران در شناسایی جایی که داستان بالینی ممکن است قبل از نهایی شدن رکورد ناقص باشد.

این باعث شده است که من در مورد اینکه در کجا باید یا نباید از هوش مصنوعی استفاده شود نظم بیشتری داشته باشم.

هوش مصنوعی در بررسی حجم زیادی از اطلاعات بالینی، شناسایی الگوها و نمایان شدن مواردی که شایسته نگاه دقیق‌تر هستند، بسیار مؤثر است. اما نباید قضاوت بالینی نهایی را انجام دهد. در مراقبت های بهداشتی، موضوعات زمینه و بسیاری از تصمیمات در یک منطقه خاکستری قرار دارند که به پزشک، CDI و تخصص برنامه نویسی نیاز دارد.

به همین دلیل است که Amplifi را حول حاکمیت بالینی و بررسی انسانی طراحی کردیم. این فناوری به تمرکز توجه و مقیاس کار کمک می کند، اما پزشکان و کدنویسان واجد شرایط برای تصمیم نهایی پاسخگو هستند.

برای من، هوش مصنوعی موفق مراقبت های بهداشتی با میزان خودکارسازی آن تعریف نمی شود. با حفظ دقت، یکپارچگی و قابلیت دفاع پرونده پزشکی در حالی که قضاوت بالینی انسان را حفظ می کند، تعریف می شود.

درس خود را برای به اشتراک گذاشتن دارید؟ به من ایمیل بزنید: a.mills@newsweek.com

در یک عمل تخصصی چند سایتی، داشتن موجودی داروی کافی به طور کلی به این معنی نیست که هر کلینیک دارای آنچه بیماران برنامه ریزی شده خود نیاز دارند را دارد. یک مکان می تواند ویال های اضافی را نگه دارد در حالی که مکان دیگر کوتاه است. کلینیک‌های انکولوژی و شبکیه نیز داروهای تخصصی گران‌قیمتی را قبل از دریافت بازپرداخت از پرداخت‌کنندگان خریداری می‌کنند، بنابراین موجودی مصرف‌نشده پول نقد را بسته و ممکن است منقضی شود.

راوی سشادری، مدیر ارشد فناوری AllyGPO، یک سازمان خرید گروهی تخصصی، گفت که بیشتر روش‌ها تقاضای دارو را از تاریخ خرید اخیر پیش‌بینی می‌کنند. این سوابق به جای اینکه بیماران در آینده به چه چیزی نیاز داشته باشند را نشان می دهد.

AllyGPO یک سیستم پیش‌بینی هوش مصنوعی ساخته است که دستورات دارویی برای درمان آتی را با قرار ملاقات‌های زمان‌بندی‌شده بیمار ترکیب می‌کند. یک دستور دارویی نشان می‌دهد که انتظار می‌رود بیمار چه درمانی را دریافت کند، در حالی که قرار ملاقات برنامه‌ریزی‌شده نشان می‌دهد چه زمانی انتظار می‌رود آن درمان انجام شود. این سیستم از این دو ورودی برای پیش‌بینی اینکه هر مکان به چند ویال از هر دارو نیاز دارد، استفاده می‌کند.

پیش‌بینی بر اساس مکان مشکلی را برطرف می‌کند که شمارش کلی موجودی می‌تواند آن را پنهان کند: داروی کافی در سراسر شبکه، اما در یک کلینیک بسیار زیاد و در کلینیک دیگر بسیار کم. از آنجایی که انتقال داروها بین کلینیک ها دشوار است، موجودی اضافی در یک سایت ممکن است کمبود را در محل دیگر برطرف نکند.

سه‌شادری گفت که شیوه‌های استفاده از پیش‌بینی‌ها، مقدار داروهای موجود را کاهش داده است و پول نقدی را که در غیر این صورت در موجودی انبار می‌ماند، آزاد می‌کند، بدون اینکه توانایی آنها برای درمان بیماران برنامه‌ریزی شده به خطر بیفتد. سپس خرید می تواند بر اساس تقاضای مورد انتظار بیمار به جای مصرف قبلی به تنهایی باشد.

تیم های مالی و عملیاتی هنوز باید مایل باشند تا بر اساس پیش بینی عمل کنند.

سه‌شادری گفت: «اگر آنها نتوانند درک کنند و بررسی کنند که چگونه یک پیش‌بینی تولید شده است، بر اساس آن تصمیم خرید چند میلیون دلاری نخواهند گرفت.

AllyGPO پیش بینی را به جای میلی گرم یا دلار در ویال ها بیان می کند زیرا کلینیک ها این داروها را در ویال هایی با اندازه ثابت خریداری و مدیریت می کنند و دوز مصرفی می تواند باعث تولید زباله شود. با روش‌هایی که برای این داروها قبل از رسیدن بازپرداخت پرداخت می‌کنند، دریافت درست شمارش به همان اندازه یک تصمیم برای سرمایه در گردش است.

آیا یک مورد جالب استفاده از هوش مصنوعی برای به اشتراک گذاشتن با ما دارید؟ به من ایمیل بزنید: a.mills@newsweek.com

■ OpenAI چارچوبی را برای گزارش عمومی ناهماهنگی مدل معرفی کرد و شش مورد اولیه شامل رفتارهایی مانند پنهان کردن اشتباهات، استفاده از کلیدهای API آشکار، آپلود فایل‌ها بدون اجازه و ارتباط غیرمجاز بین عوامل را منتشر کرد. [ OpenAI ]

مدیران آژانس می‌گویند افزایش هزینه‌های هوش مصنوعی و استفاده از مدل اندازه‌گیری شده، شرکت‌ها را مجبور می‌کند تا مخارج توکن‌ها را موشکافی کنند، در پشته‌های فناوری خود تجدیدنظر کنند و برخی از هزینه‌های هوش مصنوعی را به مشتریان منتقل کنند. [دیجی دی]

■ تنظیم‌کننده‌های بانکی دولتی چارچوبی داوطلبانه منتشر کردند که به بازرسان سیستمی سه لایه برای ارزیابی ریسک هوش مصنوعی در مؤسسات مالی می‌دهد، از جمله اینکه چگونه هوش مصنوعی بر مشتریان تأثیر می‌گذارد، از داده‌های حساس استفاده می‌کند و به نظارت انسانی متکی است. [غواصی بانکی]

■ Salesforce و Nvidia Koa را معرفی کردند، یک مدل استدلالی با وزن باز برای کارهای فروش، بازاریابی و خدمات مشتری که به گفته Salesforce می‌تواند برخی از بارهای کاری سازمانی را با توکن‌های کمتر مدیریت کند و در عین حال داده‌های مشتری را در کنترل‌های امنیتی موجود نگه دارد. [تک کرانچ]

■ نظرسنجی از بیش از 500 CISO نشان داد که 69 درصد هوش مصنوعی را به عنوان اولویت اصلی خود برای دلارهای بودجه جدید امنیت سایبری شناسایی کرده‌اند، حتی در شرایطی که بودجه‌های امنیتی به میزان متوسطی رشد کرده‌اند و سوالاتی درباره اینکه کدام موارد استفاده از هوش مصنوعی بیشترین بازده را دارد، باقی مانده است. [تاریک خواندن]

ردیابی حرکت های اجرایی در سراسر چشم انداز هوش مصنوعی

برت کلسی، یک CISO چهار بار که اخیرا به شرکت‌های امنیتی و فناوری از طریق Omni Cyber Solutions مشاوره می‌داد، به عنوان مدیر ارشد هوش مصنوعی در Athena Agentic منصوب شد و توسعه قابلیت‌های استدلال عاملی و مدل‌های تصمیم‌گیری خودمختار آن را رهبری کرد.

Senthil Velayutham که از سمت مدیر محصول و فناوری در Nextiva آمده است، به عنوان مدیر ارشد فناوری به Omega Healthcare پیوسته است و سازمان فناوری و محصول جهانی خود را رهبری می کند و استراتژی هوش مصنوعی و پلتفرم دیجیتال Omega را تسریع می بخشد.

آرجون سایناث، پس از خدمت به عنوان مدیر ارشد فناوری در Cart.com، به عنوان مدیر ارشد فناوری در OnTrac منصوب شد و بر استراتژی فناوری و استفاده از هوش مصنوعی، اتوماسیون و تجزیه و تحلیل پیشرفته در عملیات و سیستم های مشتری نظارت دارد.

Grant Davis-Denny، شریک Munger، Tolles & Olson، نقش رئیس جدید ایجاد شده هوش مصنوعی قانونی شرکت، هدایت استراتژی هوش مصنوعی، توسعه گردش کار برای وکلا و هدایت ارزیابی، پذیرش و استفاده ایمن از ابزارهای جدید را بر عهده گرفته است.

جورج لادو، مدیر هیئت مدیره TileDB و مدیر ارشد اطلاعات سابق Merck و Alexion Pharmaceuticals، مدیرعامل جدید Tile.ai است که این شرکت را رهبری می‌کند، زیرا این شرکت یک لایه داده سازمانی تحت نظارت را ایجاد می‌کند که طراحی شده است تا داده‌ها را به طور ایمن توسط عوامل هوش مصنوعی قابل استفاده کند.

کسی را در حال حرکت در هوش مصنوعی می شناسید؟ اطلاعات تغییر شغل را به a.mills@newsweek.com ارسال کنید

جالب ترین یا غیرمنتظره ترین روشی که اخیرا از هوش مصنوعی استفاده کرده اید چیست؟

یکی از سرگرم‌کننده‌ترین کاربردهای هوش مصنوعی اخیرا تماشای تعامل پسر 2.5 ساله‌ام با هوش مصنوعی صوتی Gemini بود تا داستانی درباره پیتر خرگوش بسازد که در واقع یک آتش‌نشان است و با یک مهندس هوافضا بر روی یک موشک کار می‌کند.

جالب بود که چقدر طبیعی با آن تعامل داشت. او می‌توانست داستان را در زمان واقعی با شکل دادن به موقعیت بعدی، شخصیت‌ها و موضوعاتی از جمله چیزی به ویژه مهندسی هوافضا توسعه دهد. خود داستان هنوز کمی متوسط ​​بود، اما دیدن خلاقیت در هر دو طرف تأثیرگذار بود.»

جادوی هوش مصنوعی را تجربه می کنید؟ در مورد آن در a.mills@newsweek.com به ما بگویید