Intelligenza Artificiale & Machine Learning

I contenuti sono strategici per il successo di qualsiasi brand solo se sono:

  •   progettati per essere riutilizzati su più canali e dispositivi e per scopi diversi;
  •   organizzati e archiviati in modo coerente;
  •   taggati sistematicamente.

Spesso, però, ciò non succede. I brand non riescono a governare la mole degli asset prodotti, che diventa una minaccia per la coerenza dei loro messaggi ed è responsabile di cattive customer experience.

Gli uffici marketing sono chiamati a fronteggiare la situazione con risorse spesso inadeguate e si accontentano, quindi, di acquistare nuovi contenuti al più basso costo possibile, a scapito della qualità che viene offerta all’utente.

L’intelligenza artificiale applicata ai contenuti è in grado di domare il caos che regna in azienda e

  • ricompattare l’identità del brand;
  • automatizzare e velocizzare i processi editoriali;
  • evitare lo spreco di risorse, in termini di tempo e di denaro.

Lasciando all’Intelligenza Artificiale l’onere di organizzare, applicare tag e analizzare automaticamente ciascun asset, i marketer potranno finalmente concentrarsi sull’analisi dei dati relativi alla fruizione di tali contenuti e poi sulla definizione e ottimizzazione della strategia del proprio brand.

 

Vuoi provare l'Intelligenza Artificiale di THRON applicata alla tua azienda?
Parla con un nostro specialista per una prova gratuita.


Schedule a Call

FAQ & Info

Come funziona l'analisi semantica dei Documenti in THRON? 

L’analisi dei testi si affina sempre di più grazie alla costante evoluzione della linguistica computazionale.

Documenti e testi passano per una fase preliminare di stemming e tokenization, realizzabile in undici lingue.

Le parti di testo che sono rilevanti per il significato complessivo di un certo documento vengono distinte da quelle che non lo sono.

Gli elementi testuali rilevanti vengono poi ingeriti da vari classificatori. A questo punto, il sistema estrae dal documento anche quelle nozioni non derivabili direttamente dalle parole usate per esprimerle (risolvendo così anche le ambiguità), e che non sono legate ad un linguaggio specifico (dallo stesso documento tradotto in linguaggi differenti saranno estratti infatti gli stessi concetti).

THRONquindi

  •    riconosce il contesto e il concetto espresso in un testo
  •    risolve le disambiguazioni
  •    aggrega concetti espressi in lingue diverse nella stessa nozione
  •    apprende e assimila i concetti nuovi che, da allora in avanti, sarà in grado di riconoscere.

Utilizzando queste informazioni, il motore semantico accorpa nozioni diverse ma afferenti alla stessa sfera concettuale, identificando un topic. Successivamente, assegna in automatico le tag rilevanti a ciascun documento, tenendo anche presente il tag dictionary della vostra azienda.

Scopri di più

THRON riesce ad analizzare semanticamente anche le immagini o i video?

La rete neurale convoluzionale sta alla base della tecnologia di riconoscimento visuale dei motori AI di THRON.

Elementi visuali e pattern vengono estratti dalle immagini e, successivamente, vengono applicati a modelli che identificano oggetti e caratteristiche. Questi sono i concetti che poi, combinati assieme, producono le tag che rappresentano il contenuto dell’immagine.

Con questa stessa metodologia THRON riconosce e analizza anche i contenuti di tipo video (funzionalità che sarà disponibile entro il 2018).

Scopri di più

Come faccio a personalizzare la modalità con cui il motore semantico classifica i digital asset?

Gli utenti di THRON possono definire la loro propria tassonomia nel Tag Center. La tassonomia ufficiale può essere stabilita dai vostri stessi uffici marketing e sales, così THRON taggerà anche rispettando la strategia aziendale.

Se si imposta una relazione tra le tag, questa verrà automaticamente trasferita anche ai concetti corrispondenti.

Le tag che compongono la tassonomia possono essere strutturate:

  •  in una relazione di eredità, ovvero alcune caratteristiche, come i medatada personalizzati, vengono trasmessi dalle tag parent alle relative children
  • in una relazione di combinazione, ovvero una tag viene inserita in un’altra, portando con sé tutti i contenuti a cui è associata.

È possibile cercare un contenuto “per concetto" o “per caratteristica”?

Certo, anche questo è uno dei vantaggi offerti dai motori AI di THRON, ossia la possibilità di fare ricerche sugli argomenti dei contenuti. Per esempio, qualcuno potrebbe cercare genericamente “immagini di matrimoni”, oppure documenti che abbiano come tema la “microeconomia”. Un meccanismo di autocompletamento nel dizionario dei concetti permette agli utenti di attingere facilmente a tutta la conoscenza che risiede in THRON.

THRON comprende il comportamento degli utenti finali?

THRON riconosce gli interessi di ogni persona analizzando gli argomenti relativi ai contenuti che l’azienda mette in rete e che poi vengono visti da ogni singolo utente.

Ciò è possibile perché THRON applica a ciascun asset digitale le tag appropriate. In questo modo si può scoprire a cos’è interessato l’utente che ha consultato un preciso contenuto.

Grazie al suo motore comportamentale THRON produce una rappresentazione sintetica ed esaustiva di tutti gli interessi espressi da un certo contatto. Le tag vengono collegate con gli utenti che hanno consultato contenuti con quelle stesse tag e viene poi misurata la frequenza di interazione tra i due.

Ovviamente, ci potrebbero essere dei concetti sovrarappresentati, per esempio “automobile” se siamo in un’azienda automobilistica. Per ovviare al problema, l’algoritmo di THRON prende in considerazione anche l’indice di rarità delle tag.

Un altro aspetto da tenere presente è che l’importanza di un certo argomento per un individuo può cambiare nel tempo. Per questa ragione, l’algoritmo di analisi comportamentale dà meno peso agli eventi passati rispetto ai più recenti.

Comportamenti e tassonomie sono in continua evoluzione, come fa THRON ad adattarsi?

Il comportamento dell’utente è dinamico per natura: cambia a seconda delle mode, con le abitudini, a causa di influenze esterne. THRON prende in considerazione questo dinamismo quando crea il profilo dei contatti o propone loro contenuti.

Anche le tassonomie sono dinamiche. THRON permette di aggiornare le proprie tassonomie in qualsiasi momento. Quando viene effettuato un cambiamento sulla tassonomia, THRON lo propaga a ritroso su tutto lo storico di ogni utente, aggiornando di conseguenza i profili e adeguando le raccomandazioni.

In questo modo, l’approccio alla tassonomia è incrementale, cioè la si costruisce passo dopo passo, capendo sul campo e nel tempo quali siano i dati più rilevanti per l’azienda.

Con che criterio il Predictive Content Recommendation di THRON suggerisce i contenuti?

Il motore di raccomandazione dei contenuti di THRON adotta un approccio Machine Learning altamente evoluto, e non raccomanda semplicemente basandosi su tag simili, ma unisce in tempo reale gli interessi degli utenti, i content topic e le interazioni che gli utenti hanno con contenuti e canali.

Questo approccio è conosciuto come “ibrido” perché combina tecniche basate sul contenuto e tecniche collaborative; in questo modo si mitiga il problema di raccomandazione che si crea quando si hanno pochi dati su cui basarsi.

Nell’approccio basato sul contenuto, i contenuti e i contatti sono rappresentati come una serie di caratteristiche (argomenti e interessi) da cui deriva un indice di somiglianza. In questo caso la raccomandazione è basata sull’idea che ad un utente piacerà un contenuto che ha caratteristiche che corrispondono ai suoi interessi.

Nell’approccio collaborativo, l’insieme di azioni fatte dagli utenti su un certo contenuto è interpretato come uno “storico”. Questo tracciamento delle azioni passate può poi essere analizzato per predire cosa potrà piacere ad un utente, basandosi su cosa è piaciuto agli altri prima di lui.

Scopri di più

Share via