आर्टूर खाचुयान: मार्केटिंग में आर्टिफिशियल इंटेलिजेंस

आर्टुर खाचुयान बिग डेटा प्रोसेसिंग में एक प्रसिद्ध रूसी विशेषज्ञ हैं, जो सोशल डेटा हब (अब टैज़ेरोस ग्लोबल) के संस्थापक हैं। एचएसई पार्टनर। एचएसई के साथ मिलकर फेडरेशन काउंसिल में बिग डेटा पर एक मसौदा कानून तैयार किया और प्रस्तुत किया। उन्होंने पेरिस में क्यूरी इंस्टीट्यूट, सेंट पीटर्सबर्ग स्टेट यूनिवर्सिटी, रूसी संघ की सरकार के तहत संघीय विश्वविद्यालय, रेड एप्पल, इंटरनेशनल ओपनडाटाडे, आरआईडब्ल्यू 2016, अल्फाफ्यूचरपीपल में भाषण दिया।

यह व्याख्यान 2019 में मॉस्को में आयोजित ओपन-एयर फेस्टिवल "गीक पिकनिक" में रिकॉर्ड किया गया था।

अर्तुर खाचुयान (इसके बाद - एके): - अगर बहुत सारे उद्योगों में से - चिकित्सा से, निर्माण से, किसी चीज़ से, किसी चीज़ से जहाँ बड़े डेटा, मशीन लर्निंग, डीप लर्निंग की तकनीक का सबसे अधिक उपयोग किया जाता है, तो वह शायद मार्केटिंग है। क्योंकि पिछले तीन सालों से, कुछ विज्ञापन संचारों में हमारे आस-पास की हर चीज़ अब विशेष रूप से डेटा विश्लेषण और विशेष रूप से जिसे कृत्रिम बुद्धिमत्ता कहा जा सकता है, से जुड़ी हुई है। इसलिए, आज मैं आपको इस बारे में बहुत दूर के इतिहास से बताऊंगा...

अगर आप आर्टिफीसियल इंटेलिजेंस की कल्पना करें, तो यह कैसा दिखता है - यह शायद कुछ इस तरह का है। यह अजीब तस्वीर न्यूरल नेटवर्क में से एक है जिसे मैंने एक साल पहले अपने कुत्ते की हरकतों की निर्भरता का पता लगाने के लिए लिखा था - उसे कितनी बार बड़ा होने, पेशाब करने की ज़रूरत है, और यह इस बात पर निर्भर करता है कि वह कितना खाता है या नहीं। यह एक मज़ाक है कि कोई आर्टिफीसियल इंटेलिजेंस की कल्पना कैसे कर सकता है।

लेकिन फिर भी, आइए इस बारे में सोचें कि विज्ञापन संचार में यह सब कैसे काम करता है। विज्ञापन और विपणन में आधुनिक एल्गोरिदम हमारे साथ कैसे बातचीत कर सकते हैं, इसके तीन दिशाएँ हैं। यह स्पष्ट है कि पहली कहानी का उद्देश्य आपके और मेरे बारे में अतिरिक्त जानकारी प्राप्त करना और निकालना है, और फिर इसे कुछ अच्छे और इतने अच्छे उद्देश्यों के लिए उपयोग करना है; प्रत्येक विशिष्ट व्यक्ति के लिए दृष्टिकोण को वैयक्तिकृत करना; स्वाभाविक रूप से, इसके बाद, मुख्य लक्ष्य कार्रवाई करने और कुछ बिक्री करने के लिए कुछ मांग बनाना।

प्रौद्योगिकी का उपयोग करके, वे प्रभावी संचार की समस्या को हल करने का प्रयास कर रहे हैं

अगर मैं आपसे पूछूं कि पोर्नहब और एम.वीडियो में क्या समानता है, तो आप क्या सोचेंगे?

दर्शकों की टिप्पणियाँ (जिन्हें आगे C कहा जाएगा): - टी.वी., दर्शक.

ओह: - मेरी अवधारणा यह है कि ये दो जगहें हैं जहाँ लोग एक निश्चित प्रकार की सेवा के लिए आते हैं, या इसे एक निश्चित प्रकार के सामान के लिए कहते हैं। और यह दर्शक इस मायने में अलग है कि यह विक्रेता को कुछ भी नहीं बताना चाहता। यह आना चाहता है और किसी स्पष्ट या निहित रूप में वह प्राप्त करना चाहता है जिसमें उसकी रुचि है। स्वाभाविक रूप से, एम. वीडियो में आने वाला कोई भी व्यक्ति किसी भी विक्रेता से बात नहीं करना चाहता, समझना नहीं चाहता, उनके किसी भी प्रश्न का उत्तर नहीं देना चाहता।

तो इन सब बातों से पहली कहानी निकलती है।

जब किसी व्यक्ति के साथ संवाद न करने के लिए अतिरिक्त ज्ञान प्राप्त करने की तकनीकें सामने आईं। हम सभी को यह पसंद है जब हम बैंक को कॉल करते हैं, और बैंक हमें बताता है: "नमस्ते। एलेक्सी, आप हमारे वीआईपी ग्राहक हैं। अब कोई सुपर मैनेजर आपसे बात करेगा।" आप इस बैंक में आते हैं, और वास्तव में एक अनूठा प्रबंधक होता है जो आपसे बात कर सकता है। दुर्भाग्य से या सौभाग्य से, एक भी कंपनी अभी तक यह पता नहीं लगा पाई है कि एक हजार ग्राहकों के लिए एक हजार व्यक्तिगत प्रबंधकों को कैसे नियुक्त किया जाए; और चूंकि इनमें से अधिकांश लोग अब ऑनलाइन हैं, इसलिए कार्य यह समझना है कि यह किस तरह का व्यक्ति है और किसी विज्ञापन संसाधन पर आने से पहले उसके साथ सही तरीके से संवाद कैसे किया जाए। और इसलिए, वास्तव में, ऐसी तकनीकें सामने आई हैं जो इस समस्या को हल करने की कोशिश कर रही हैं।

डेटा माइनिंग नया तेल है

आइए कल्पना करें कि आप एक फूल की दुकान के मालिक हैं। तीन लोग अंदर आते हैं। पहला व्यक्ति बहुत देर तक वहीं खड़ा रहता है, झिझकता है, आपसे बात करने की कोशिश करता है, फूलों का गुलदस्ता लेता है - आप उसे लपेटने जाते हैं, वहाँ कुछ करने जाते हैं; वह इस गुलदस्ते के साथ दुकान से भाग जाता है - आपने अपने तीन हज़ार रूबल खो दिए हैं। ऐसा क्यों हुआ? आप इस व्यक्ति के बारे में कुछ नहीं जानते: आप आंतरिक मामलों के मंत्रालय द्वारा उसकी गिरफ़्तारी के इतिहास को नहीं जानते, आप नहीं जानते कि वह एक क्लेप्टोमेनियाक है, जो एक मनोरोग औषधालय में पंजीकृत है। क्यों? क्योंकि आपने उसे पहली बार देखा था, और आप व्यवहार विश्लेषण के विशेषज्ञ नहीं हैं।

एक और आदमी आता है… विटाली। विटाली को भी चीजों को समझने में काफी समय लगता है, कहता है, “अच्छा, मुझे यह और वह चाहिए।” और आप उससे कहते हैं, “माँ के लिए फूल, है न?” और आप उसे एक गुलदस्ता बेचते हैं।

यहाँ अवधारणा यह है कि इस व्यक्ति को वास्तव में क्या चाहिए, यह समझने के लिए पर्याप्त डेटा का पता लगाया जाए। हर किसी के दिमाग में तुरंत कुछ विज्ञापन नेटवर्क वगैरह के बारे में विचार आया...

निश्चित रूप से सभी ने यह मूर्खतापूर्ण वाक्यांश सुना होगा कि "डेटा नया तेल है"? निश्चित रूप से सभी ने सुना होगा। वास्तव में, लोगों ने लंबे समय से डेटा एकत्र करना सीखा है, लेकिन इस डेटा से डेटा निकालना वह कार्य है जिसे मार्केटिंग में कृत्रिम बुद्धिमत्ता, या कुछ सांख्यिकीय एल्गोरिदम अब हल करने का प्रयास कर रहे हैं। क्यों? क्योंकि यदि आप किसी व्यक्ति से बात करते हैं, तो वे आपको सही, गलत या किसी तरह से रंगा हुआ उत्तर दे सकते हैं। सर्वेक्षण और सांख्यिकी के बीच अंतर के बारे में मैं अपने छात्रों को जो चुटकुला सुनाता हूँ - मैं आपको एक चुटकले के रूप में बताऊंगा:

इसलिए, दो गांवों में उन्होंने एक पुरुष के लिंग की औसत लंबाई पर एक अध्ययन करने का फैसला किया। तो, पहले गांव, विलारिबो में, औसत लंबाई 15 सेंटीमीटर है, विलाबाजो गांव में - 25। क्या आप जानते हैं क्यों? क्योंकि पहले गांव में उन्होंने माप लिया, और दूसरे में - एक सर्वेक्षण।

पोर्न उद्योग अनुशंसा प्रणालियों का प्रमुख केंद्र है

यही कारण है कि आधुनिक दृष्टिकोण बिना किसी अपवाद के सभी लोगों का विश्लेषण करना है, भले ही उनमें से 100% से थोड़े कम हों, लेकिन ये वे लोग हैं जिनसे पूछने की ज़रूरत नहीं है, उन्हें देखने की ज़रूरत नहीं है। यह समझने के लिए कि इस व्यक्ति को क्या चाहिए, उससे सही तरीके से कैसे बात करें, उसके आसपास सही तरीके से मांग कैसे करें, इसे समझने के लिए अब डिजिटल फ़ुटप्रिंट कहे जाने वाले विश्लेषण के लिए पर्याप्त है। एक ओर, यह एक विचारहीन मशीन है (लेकिन हम यह अच्छी तरह से जानते हैं); हम एम. वीडियो के लोगों से संवाद नहीं करना चाहते हैं, और इससे भी अधिक, पोर्नहब जैसे संसाधनों पर जाकर, हम वही प्राप्त करना चाहते हैं जिसकी हमें आवश्यकता है।

मैं हमेशा पोर्नहब के बारे में क्यों बात करता हूँ? क्योंकि वयस्क उद्योग ऐसी तकनीकों का विश्लेषण करने, ऐसी तकनीकों को लागू करने, डेटा का विश्लेषण करने वाला पहला था। यदि आप इस क्षेत्र में तीन सबसे लोकप्रिय पुस्तकालयों (उदाहरण के लिए, CSV को संसाधित करने के लिए TensorFlow या Python के लिए Pandas, आदि) को लेते हैं, यदि आप उन्हें GitHub पर खोलते हैं, तो एक छोटी Google खोज के साथ आपको कुछ ऐसे लोग मिलेंगे जो या तो पोर्नहब में काम कर चुके हैं या वर्तमान में काम कर रहे हैं, और वहाँ अनुशंसा प्रणाली को लागू करने वाले पहले व्यक्ति हैं। सामान्य तौर पर, यह कहानी बहुत उन्नत है, और दिखाती है कि यह दर्शक और यह कंपनी कितनी दूर तक जा चुकी है।

पहचान के तीन स्तर

किसी व्यक्ति के इर्द-गिर्द डेटा का एक बहुत बड़ा समूह होता है जिसे पहचाना जा सकता है। मैं आमतौर पर इसे औपचारिक रूप से तीन स्तरों में विभाजित करता हूँ, और गहराई में जाता हूँ। बेशक, कंपनी के पास अपना खुद का डेटा होता है।

मान लीजिए, हम एक अनुशंसा प्रणाली के निर्माण के बारे में बात कर रहे हैं, तो पहला स्तर वह डेटा है जो स्टोर के पास है (खरीद इतिहास, सभी प्रकार के लेन-देन, किसी व्यक्ति ने इंटरफ़ेस के साथ कैसे बातचीत की)।

फिर एक स्तर (अपेक्षाकृत सबसे बड़ा) है - इसे ओपन सोर्स कहा जाता है। ऐसा मत सोचिए कि मैं आपको सोशल नेटवर्क को पार्स करने के लिए प्रोत्साहित करता हूं, लेकिन वास्तव में, ओपन सोर्स में जो कुछ भी है वह डेटा का एक विशाल सेट खोलता है जिसे किसी व्यक्ति के बारे में कहा जा सकता है, सीखा जा सकता है, इकट्ठा किया जा सकता है।

और तीसरा बड़ा हिस्सा व्यक्ति का पर्यावरण है। हां, एक राय है कि अगर कोई व्यक्ति सोशल नेटवर्क पर नहीं है, तो उसके बारे में कोई डेटा नहीं है (आप शायद पहले से ही जानते हैं कि यह सच नहीं है), लेकिन सबसे महत्वपूर्ण बात यह है कि किसी व्यक्ति की प्रोफ़ाइल (या किसी एप्लिकेशन में) में जो डेटा है, वह उसके बारे में प्राप्त की जा सकने वाली जानकारी का केवल 40% है। बाकी जानकारी उसके पर्यावरण से प्राप्त होती है। वाक्यांश "मुझे बताओ कि तुम्हारा दोस्त कौन है, और मैं तुम्हें बताऊंगा कि तुम कौन हो" XNUMXवीं सदी में एक नया अर्थ लेता है, क्योंकि इस व्यक्ति के बारे में डेटा की एक विशाल सरणी प्राप्त की जा सकती है।

अगर हम विज्ञापन संचार के बारे में बात करें, तो विज्ञापन से नहीं, बल्कि किसी मित्र, परिचित या किसी तरह से सत्यापित व्यक्ति से विज्ञापन संचार प्राप्त करना एक बहुत ही शानदार सुविधा है जिसका उपयोग बहुत से विपणक करते हैं। जब कोई एप्लिकेशन अचानक आपको एक निःशुल्क प्रोमो कोड देता है, तो आप इसके बारे में एक पोस्ट बनाते हैं और इस तरह एक नए दर्शक को आकर्षित करते हैं। वास्तव में, सशर्त “Yandex.Taxi” के लिए यह प्रोमो कोड बिल्कुल भी यादृच्छिक रूप से नहीं चुना गया था, बल्कि इसके लिए, नए दर्शकों को आकर्षित करने और किसी तरह से उनके साथ बातचीत करने की आपकी क्षमता के बारे में बहुत अधिक डेटा का विश्लेषण किया गया था।

वे टीवी श्रृंखला के पात्रों के व्यवहार का भी विश्लेषण करते हैं

मैं आपको तीन तस्वीरें दिखाऊंगा और आप मुझे बताइये कि उनमें क्या अंतर है।

यह वाला:

यह:

और यह:

उनके बीच क्या अंतर है? यह सरल है। क्वांटम यांत्रिकी की तरह, इस मामले में यह क्रिएटिव एक पर्यवेक्षक द्वारा बनाया गया था। यानी, एक ही समय में एक ही ब्रांड द्वारा संचालित एक ही विज्ञापन अभियान में अंतर केवल इतना है कि इस क्रिएटिव को किसने देखा। व्यक्तिगत रूप से, जब मैं अमेडिएटेका जाता हूं, तो वे अभी भी खाल ड्रोगो दिखाते हैं। मुझे नहीं पता कि अमेडिएटेका मेरी प्राथमिकताओं के बारे में क्या सोचता है, लेकिन किसी कारण से ऐसा होता है।

जिसे अब व्यक्तिगत संचार कहा जाता है, वह दर्शकों को आकर्षित करने और उनके साथ सही तरीके से बातचीत करने की सबसे लोकप्रिय कहानी है। यदि पहले चरण में हमने अपने स्वयं के ब्रांड डेटा, ओपन सोर्स डेटा और, उदाहरण के लिए, व्यक्ति के पर्यावरण से डेटा का उपयोग करके लोगों की पहचान की, तो हम इसका विश्लेषण करके समझ सकते हैं कि वह कौन है, उससे सही तरीके से कैसे बात करनी है और सबसे महत्वपूर्ण बात यह है कि उससे किस भाषा में बात करनी है।

यहाँ, तकनीक इतनी आगे बढ़ गई है कि अब व्यक्ति जो टीवी सीरीज देख रहा है, उसके पात्रों का विश्लेषण किया जाता है। यानी, आपको टीवी सीरीज पसंद है - उन्हें देखा जाता है, देखा जाता है, आपने वहाँ किसके साथ बातचीत की, ताकि यह समझा जा सके कि आपके लिए किस चेहरे से बातचीत करना उपयुक्त होगा। यह पूरी तरह से बकवास लगता है, लेकिन रुचि के लिए, इसे किसी संसाधन पर आज़माएँ - अलग-अलग लोग अलग-अलग क्रिएटिव देखते हैं (ताकि उसके साथ सही तरीके से बातचीत की जा सके)।

कोई भी आधुनिक मीडिया या वीडियो संसाधन आपको सिर्फ़ कुछ खबरें नहीं दिखाता। मीडिया पर जाएं - वहां बहुत सारे एल्गोरिदम लोड किए गए हैं जो आपको पहचानते हैं, आपकी पिछली सभी गतिविधियों को समझते हैं, गणितीय मॉडल से अपील करते हैं और फिर आपको कुछ दिखाते हैं। इस मामले में, यहाँ एक ऐसी अजीब कहानी है।

ज़रूरतें कैसे निर्धारित की जाती हैं? साइकोमेट्री. फ़िज़ियोग्नोमी

किसी व्यक्ति की वास्तविक ज़रूरतों को निर्धारित करने और उसके साथ सही तरीके से संवाद करने के लिए कई दृष्टिकोण (वास्तविक) हैं। कई दृष्टिकोण हैं, हर कोई अलग-अलग तरीके से निर्णय लेता है, यह कहना असंभव है कि कौन सा अच्छा है, कौन सा बुरा। ऐसा लगता है कि हर कोई मुख्य लोगों को जानता है।

साइकोमेट्री। कैम्ब्रिज एनालिटिक्स वाली कहानी के बाद, मेरी राय में, इसने एक चौंकाने वाला मोड़ ले लिया, क्योंकि अब हर दूसरी राजनीतिक कंपनी आती है और कहती है: "ओह, क्या आप मेरे लिए ट्रम्प की तरह ऐसा कर सकते हैं? मैं भी जीतना चाहता हूँ, और इसी तरह।" वास्तव में, यह निश्चित रूप से हमारी वास्तविकताओं के लिए बकवास है, उदाहरण के लिए, राजनीतिक चुनाव। लेकिन साइकोटाइप निर्धारित करने के लिए तीन मॉडल का उपयोग किया जाता है:

• पहला आपके द्वारा उपभोग की जाने वाली सामग्री पर आधारित है - आपके द्वारा लिखे गए शब्द, आपको पसंद आने वाली जानकारी, आपके द्वारा देखे जाने वाले वीडियो आदि;
• दूसरा इस बात से जुड़ा है कि आप वेब इंटरफेस के साथ कैसे इंटरैक्ट करते हैं, आप कैसे टाइप करते हैं, आप कौन से बटन दबाते हैं - वास्तव में, ऐसी पूरी कंपनियां हैं जो कीबोर्ड की लिखावट के आधार पर काफी विश्वसनीय रूप से यह निर्धारित कर सकती हैं कि अब साइकोटाइप क्या कहलाता है।
• मैं मनोवैज्ञानिक नहीं हूँ, मुझे वास्तव में समझ में नहीं आता कि यह कैसे काम करता है, लेकिन विज्ञापन संचार के दृष्टिकोण से, इन खंडों में विभाजित दर्शक बहुत अच्छी तरह से काम करते हैं, क्योंकि किसी को नीली महिला के साथ लाल स्क्रीन दिखाने की ज़रूरत होती है, किसी को कुछ अमूर्तता के साथ गहरे नीले रंग की पृष्ठभूमि की ज़रूरत होती है, और यह बहुत बढ़िया काम करता है। कुछ निम्न स्तरों पर - इतना कि एक व्यक्ति इसके बारे में सोचता भी नहीं है। अब विज्ञापन बाज़ार में मुख्य समस्या क्या है? हर कोई एक गुप्त सेवा एजेंट है, हर कोई छिपा हुआ है, हर किसी के पास ब्राउज़र के लिए लाखों अनुमतियाँ स्थापित हैं ताकि उन्हें किसी भी तरह से पहचाना न जा सके - आपके पास शायद "एडब्लॉक", "घोस्ट्स" और सभी प्रकार के एप्लिकेशन हैं जो ट्रैकिंग को रोकते हैं। इस वजह से, किसी व्यक्ति के बारे में कुछ भी समझना बहुत मुश्किल है। और तकनीक आगे बढ़ गई है - आपको न केवल यह जानने की ज़रूरत है कि यह व्यक्ति आपकी साइट पर 125वीं बार लौटा है, बल्कि यह भी कि वह ऐसा-ऐसा अजीब व्यक्ति है।

फिजियोलॉजी एक बहुत ही विवादास्पद विज्ञान है। इसे विज्ञान भी नहीं माना जाता है। यह उन लोगों का एक समूह है जो आंतरिक मामलों के कुछ मंत्रालयों के लिए झूठ डिटेक्टरों को प्रोग्राम करते थे, और अब वे रचनात्मकता के व्यक्तित्व कहलाने वाले काम में लगे हुए हैं। यहाँ दृष्टिकोण बहुत सरल है: आपकी कई सार्वजनिक तस्वीरें कुछ सामाजिक नेटवर्क से ली गई हैं, और उन पर त्रि-आयामी ज्यामिति बनाई गई है। और यदि आप एक वकील हैं, तो आप अब कहेंगे कि यह एक चेहरा और व्यक्तिगत डेटा है; लेकिन मैं आपको बता दूँ कि ये अंतरिक्ष में स्थित 300 हज़ार बिंदु हैं, और यह कोई चेहरा नहीं है, और ये व्यक्तिगत डेटा नहीं हैं। यह वही है जो आमतौर पर हर कोई कहता है जब रोस्कोम्नाडज़ोर उनके पास आता है।

लेकिन गंभीरता से, आपका चेहरा अकेला, जब तक कि आपका पहला और अंतिम नाम वहां हस्ताक्षरित न हो, आपका व्यक्तिगत डेटा नहीं है। मुद्दा यह है कि लोग विभिन्न चेहरे की विशेषताओं को चिह्नित करते हैं जो प्रभावित करते हैं कि कोई व्यक्ति कैसे निर्णय लेता है, उनके साथ सही तरीके से कैसे बातचीत करता है। कहीं-कहीं यह खराब तरीके से काम करता है, विज्ञापन के कुछ खंडों में; कुछ खंडों में यह बहुत अच्छा काम करता है। अंत में, यह पता चलता है कि जब आप किसी संसाधन पर जाते हैं, तो आपको एक बैनर नहीं दिखता है जो सभी को दिखाया जाता है, लेकिन, उदाहरण के लिए... अब अलग-अलग दर्शकों के लिए 16 या 20 विकल्प बनाना सामान्य है - और यह बहुत अच्छा काम करता है। हाँ, यह उपभोक्ता के दृष्टिकोण से और भी दुखद है, क्योंकि लोगों को अधिक से अधिक हेरफेर किया जाने लगा है। लेकिन फिर भी, व्यावसायिक दृष्टिकोण से, यह बहुत अच्छा काम करता है।

मशीन लर्निंग का ब्लैक बॉक्स

इससे ऐसी तकनीकों के साथ निम्नलिखित समस्या उत्पन्न होती है: आखिरकार, अब अधिकांश डेवलपर्स के लिए, जिसे डीप लर्निंग कहा जाता है, वह एक "ब्लैक बॉक्स" है। यदि आपने कभी इस कहानी में गहराई से जाना है और डेवलपर्स से बात की है, तो वे हमेशा कहते हैं: "ओह, सुनो, ठीक है, हमने वहां कुछ ऐसा कोड किया है जो समझ से परे है, और हमें नहीं पता कि यह कैसे काम करता है"। शायद किसी को यह अनुभव हुआ हो।

यह सच से कोसों दूर है। जिसे अब मशीन लर्निंग कहा जाता है, वह "ब्लैक बॉक्स" से बहुत दूर है। ऐसे बहुत से तरीके हैं जो आपको इनपुट और आउटपुट डेटा का वर्णन करने की अनुमति देते हैं, और अंत में, एक कंपनी यह अच्छी तरह से समझ सकती है कि मशीन ने आपको यह अश्लील वीडियो या कोई अन्य दिखाने का फैसला किन विशेषताओं के आधार पर किया है। समस्या यह है कि कोई भी कंपनी कभी भी इसका खुलासा नहीं करती है क्योंकि: सबसे पहले, यह एक वाणिज्यिक रहस्य है; दूसरे, इसमें बहुत बड़ी मात्रा में डेटा होगा जिसके बारे में आपको संदेह भी नहीं था।

उदाहरण के लिए, पहले नैतिकता चर्चा में हमने चर्चा की थी कि कैसे सामाजिक नेटवर्क कुछ विज्ञापन कहानियों में लोगों को टैग करने के लिए व्यक्तिगत संदेशों का विश्लेषण करते हैं। आप किसी को कुछ लिखते हैं - इसके आधार पर आपको वास्तव में कुछ विज्ञापन संचारों के लिए एक निश्चित टैग मिलता है। और आप इसे कभी साबित नहीं करेंगे, और, शायद, इसे साबित करने का कोई मतलब नहीं है। फिर भी, अगर ऐसे मॉडल सामने आए, तो वे मौजूद होंगे। यह पता चला है कि इस तरह की सिफारिश प्रणाली बनाने का बाजार यह दिखावा करता है कि उसे नहीं पता कि ऐसा क्यों हुआ।

लोग यह नहीं जानना चाहते कि लोग उनके बारे में जानते हैं

और दूसरी कहानी यह है कि ग्राहक कभी यह जानना नहीं चाहता कि उसे यह विशेष विज्ञापन, यह विशेष उत्पाद क्यों मिला। मैं आपको एक कहानी सुनाता हूँ। विशेष रूप से शोध के लिए ऐसे एल्गोरिदम पर अनुशंसा प्रणालियों के व्यावसायिक कार्यान्वयन का मेरा पहला अनुभव 2015 में सेक्स शॉप के एक बहुत बड़े नेटवर्क में हुआ था (हाँ, यह भी बहुत सुखद कहानी नहीं थी)।

ग्राहकों को निम्नलिखित पेशकश की गई: वे अंदर जाते हैं, अपने सोशल नेटवर्क से लॉग इन करते हैं, और लगभग 5 सेकंड में उन्हें उनके लिए पूरी तरह से वैयक्तिकृत स्टोर मिल जाता है, जिसका अर्थ है कि सभी उत्पाद बदल गए हैं - वे एक निश्चित श्रेणी में आते हैं, और इसी तरह। क्या आप जानते हैं कि इस स्टोर का रूपांतरण कितना बढ़ गया है? बिलकुल नहीं! लोग आए और तुरंत वहाँ से भाग गए। वे अंदर आए और महसूस किया कि उन्हें बिल्कुल वही पेशकश की गई थी जिसके बारे में वे सोच रहे थे...

इस परीक्षण के साथ समस्या यह थी कि प्रत्येक उत्पाद के नीचे लिखा होता था कि आपको यह विशेष उत्पाद क्यों दिया गया ("क्योंकि आप छिपे हुए समूह "शक्तिशाली महिला एक कमजोर पुरुष की तलाश में है") के सदस्य हैं। इसलिए, आधुनिक अनुशंसा प्रणालियाँ कभी भी वह डेटा नहीं दिखातीं जिसके आधार पर "भविष्यवाणी" की गई थी।

मीडिया एक बहुत ही लोकप्रिय कहानी है, क्योंकि वे सभी समान अनुशंसा प्रणाली का उपयोग करते हैं। पहले, एल्गोरिदम बहुत सरल थे: "राजनीति" श्रेणी को देखें - और आपको "राजनीति" श्रेणी से समाचार दिखाए जाते हैं। अब सब कुछ इतना जटिल है कि आपने माउस को कहाँ रोका, आपने किन शब्दों पर ध्यान केंद्रित किया, आपने क्या कॉपी किया, आपने इस पृष्ठ के साथ सामान्य रूप से कैसे बातचीत की, इसका विश्लेषण किया जाता है। फिर संदेशों की शब्दावली का विश्लेषण किया जाता है: अहा, आप केवल पुतिन के बारे में समाचार नहीं पढ़ रहे हैं, बल्कि एक निश्चित कुंजी में, एक निश्चित भावनात्मक रंग के साथ। और जब कोई व्यक्ति कुछ समाचार प्राप्त करता है, तो वह यह भी नहीं सोचता कि वह यहाँ कैसे आया। फिर भी, वह इस सामग्री के साथ बातचीत करता है।

यह सब, स्वाभाविक रूप से, उस गरीब, दुर्भाग्यपूर्ण छोटे आदमी को पकड़ने के उद्देश्य से है, जो पहले से ही उसके चारों ओर मौजूद सूचनाओं की विशाल सरणी से पागल हो रहा है। यहाँ यह कहा जाना चाहिए कि आपके आस-पास की रचनात्मकता को निजीकृत करने, कुछ जानकारी एकत्र करने के लिए ऐसी प्रणालियों का उपयोग करना अच्छा होगा, लेकिन, दुर्भाग्य से, अभी तक ऐसी कोई सेवा नहीं है।

कृत्रिम बुद्धिमत्ता ग्राहकों की बढ़ती संख्या को पकड़ती है और मांग पैदा करती है

और यहाँ एक बहुत ही रोचक दार्शनिक प्रश्न उठता है, जो अनुशंसा प्रणाली बनाने से लेकर मांग निर्माण तक आगे बढ़ता है। शायद ही कोई इसके बारे में सोचता हो, लेकिन जब आप इंस्टाग्राम से पूछने की कोशिश करते हैं, जैसे कि, "आप डेटा क्यों एकत्र कर रहे हैं? मुझे बिल्कुल यादृच्छिक विज्ञापन क्यों नहीं दिखाते?" इंस्टाग्राम आपको बताएगा, "दोस्त, यह सब आपको वही दिखाने के लिए किया जाता है जिसमें आपकी रुचि है।" जैसे, हम आपको इतनी बारीकी से जानना चाहते हैं कि हम आपको वही दिखा सकें जो आप खोज रहे हैं।

लेकिन तकनीक ने बहुत पहले ही इस भयानक सीमा को पार कर लिया है, और ऐसी तकनीकों ने बहुत पहले ही यह अनुमान लगाना बंद कर दिया है कि आपको क्या चाहिए। वे (ध्यान दें!) मांग को आकार देते हैं। यह शायद सबसे डरावनी बात है जो इस तरह के संचार में कृत्रिम बुद्धिमत्ता के इर्द-गिर्द घूमती है। यह इसलिए डरावना है क्योंकि इसका इस्तेमाल पिछले 3-5 सालों से लगभग हर जगह किया जा रहा है - गूगल सर्च रिजल्ट से लेकर यांडेक्स सर्च रिजल्ट तक, कुछ सिस्टम तक... ठीक है, मैं यांडेक्स के बारे में कुछ भी बुरा नहीं कहूंगा; और अच्छा कहूंगा।

क्या मतलब है? इस तरह के विज्ञापन संचार बहुत पहले ही उस रणनीति से दूर हो चुके हैं जब आप लिखते हैं - "मैं एक चाइल्ड सीट खरीदना चाहता हूँ" और एक लाख मिलियन प्रकाशन देखते हैं। वे निम्नलिखित पर चले गए हैं: जैसे ही कोई महिला बमुश्किल दिखाई देने वाले पेट के साथ एक तस्वीर पोस्ट करती है, उसके पति को तुरंत संदेशों की बौछार शुरू हो जाती है - "यार, जल्द ही जन्म होने वाला है। एक चाइल्ड सीट खरीदो।"

यहाँ आप यथोचित रूप से पूछ सकते हैं कि इतनी बड़ी तकनीकी प्रगति के बावजूद, हम अभी भी सोशल नेटवर्क पर ऐसे घटिया विज्ञापन क्यों देखते हैं? समस्या यह है कि यह बाजार अभी भी पैसे के इर्द-गिर्द ही है, इसलिए एक दिन कोका-कोला जैसा कोई विज्ञापनदाता आ सकता है और कह सकता है, "यहाँ 20 मिलियन हैं - मेरे घटिया बैनर पूरे इंटरनेट पर दिखाओ।" और वे वास्तव में ऐसा करेंगे।

लेकिन अगर आप कुछ साफ-सुथरा हिसाब-किताब रखें और जाँचें कि ऐसे एल्गोरिदम आपका कितना सही अनुमान लगाते हैं: पहले वे आपका अनुमान लगाने की कोशिश करते हैं, और फिर वे आपके लिए पहले से कुछ करना शुरू कर देते हैं। और मानव मस्तिष्क इस तरह से काम करता है कि, इसके लिए विश्वसनीय जानकारी प्राप्त करते हुए, यह उस क्षण को भी संसाधित नहीं करता है कि उसे यह जानकारी क्यों मिली। यह निर्धारित करने का पहला नियम कि आप एक सपने में हैं, यह समझना है कि आप यहाँ कैसे पहुँचे। एक व्यक्ति को वह क्षण कभी याद नहीं रहता जब वह एक कमरे में समाप्त हुआ। यहाँ भी ऐसा ही है।

गूगल शायद आपके विश्वदृष्टिकोण को आकार देने लगा है

इस तरह के अध्ययन कई विदेशी कंपनियों द्वारा किए गए जो आई-ट्रैकिंग से संबंधित हैं। उन्होंने विशेष कंप्यूटरों पर डिवाइस लगाए जो रिकॉर्ड करते हैं कि विषय की आंखें कहां देख रही हैं। उन्होंने पाँच से सात हज़ार स्वयंसेवकों को लिया जिन्होंने केवल फ़ीड को स्क्रॉल किया, सोशल नेटवर्क के साथ, विज्ञापन के साथ बातचीत की, और उन्होंने जानकारी दर्ज की कि बैनर, क्रिएटिव के किन हिस्सों पर इन लोगों ने अपनी नज़रें रोकीं।

और यह पता चला है कि जब लोगों को इस तरह के सुपर-पर्सनलाइज्ड क्रिएटिव मिलते हैं, तो वे इसके बारे में सोचते भी नहीं हैं - वे तुरंत स्विच करते हैं, इसके साथ इंटरैक्ट करना शुरू करते हैं। व्यावसायिक दृष्टिकोण से, यह अच्छा है, लेकिन उपयोगकर्ताओं के रूप में हमारे दृष्टिकोण से, यह बहुत अच्छा नहीं है, क्योंकि - वे किस बात से डरते हैं? - कि किसी समय, मान लीजिए, "Google" अपना खुद का विश्वदृष्टिकोण बनाना शुरू कर सकता है (या, ज़ाहिर है, शुरू नहीं कर सकता है)। उदाहरण के लिए, कल यह लोगों को यह खबर दिखाना शुरू कर सकता है कि पृथ्वी सपाट है।

मज़ाक तो मज़ाक ही होता है, लेकिन वे कई बार पकड़े गए हैं, कि चुनाव के दौरान वे कुछ खास लोगों को कुछ खास जानकारी देना शुरू कर देते हैं। हम सभी इस तथ्य के आदी हैं कि सर्च इंजन हर चीज को ईमानदारी से प्राप्त करता है। लेकिन, जैसा कि मैं हमेशा कहता हूं, अगर आप वास्तव में जानना चाहते हैं कि दुनिया कैसे काम करती है - अपना खुद का सर्च इंजन लिखें, बिना फ़िल्टर के, बिना कॉपीराइट पर ध्यान दिए, बिना अपने कुछ दोस्तों को सर्च रिजल्ट में रैंक किए। इंटरनेट पर वास्तविक डेटा जारी करना आम तौर पर Google, Yandex, Bing और इसी तरह के शो से अलग होता है। कुछ सामग्री इसलिए छिपाई जाती है क्योंकि दोस्त, सहकर्मी, दुश्मन या कोई और (या कोई पूर्व प्रेमी जिसके साथ आप सोए थे) - इससे कोई फर्क नहीं पड़ता।

ट्रम्प कैसे जीते?

पिछले चुनावों के दौरान अमेरिका में एक बहुत ही सरल अध्ययन किया गया था। उन्होंने अलग-अलग जगहों से, अलग-अलग आईपी पतों से, अलग-अलग शहरों से एक ही क्वेरी ली, अलग-अलग लोगों ने एक ही चीज़ को गूगल किया। मान लीजिए कि क्वेरी इस शैली में थी: चुनाव कौन जीतेगा? और आश्चर्यजनक रूप से, परिणाम इस तरह से बनाए गए थे कि जिन राज्यों में सबसे ज़्यादा लोगों ने गलत उम्मीदवार को वोट देने की कोशिश की, उन्हें उस उम्मीदवार के बारे में कुछ अच्छी ख़बरें मिलीं, जिसका गूगल प्रचार कर रहा था। कौन सा? खैर, यह स्पष्ट है कि कौन सा - वह जो राष्ट्रपति बना। यह एक बिल्कुल अप्रमाणित कहानी है, और ये सभी अध्ययन सिर्फ़ एक उंगली पानी में हैं। गूगल कह सकता है: "दोस्तों, यह सब इसलिए किया जाता है ताकि हम आपके लिए सबसे ज़्यादा प्रासंगिक सामग्री दिखा सकें।"

अब से आपको यह जान लेना चाहिए कि जिसे अधिकतम प्रासंगिक कहा जाता है, वह बिलकुल भी सच नहीं है। कंपनी किसी अच्छे या बुरे कारण से आपको जो बेचना चाहती है, उसे प्रासंगिक कहती है।

जिनके पास अभी पैसे नहीं हैं, वे भविष्य की खरीदारी के लिए पहले से ही तैयारी कर रहे हैं

एक और दिलचस्प बात है जिसके बारे में मैं आपको बताऊंगा। सोशल नेटवर्क पर, एप्लीकेशन में अब बहुत बड़ी संख्या में सक्रिय दर्शक हैं - ये युवा लोग हैं। आइए उन्हें इस तरह से बुलाएं - दिवालिया युवा: 8-9 साल के बच्चे जो बेवकूफी भरे गेम पर क्लिक करते हैं, ये 12-13-14 साल के हैं जो सोशल नेटवर्क पर अभी रजिस्टर कर रहे हैं। बड़ी कंपनियों को दिवालिया दर्शकों के लिए एप्लीकेशन बनाने के लिए बहुत बड़ा बजट और संसाधन क्यों खर्च करने चाहिए, जो कभी भी मुद्रीकृत नहीं होंगे? जिस समय यह दर्शक विलायक बन जाएगा, उसके बारे में पर्याप्त डेटा होगा जिससे उसके व्यवहार का बहुत अच्छी तरह से अनुमान लगाया जा सकेगा।

अब किसी भी टारगेटोलॉजिस्ट से पूछें कि सबसे मुश्किल दर्शक कौन है। वे कहेंगे: उच्च आय। क्योंकि, उदाहरण के लिए, सोशल नेटवर्क के माध्यम से 150 मिलियन रूबल का अपार्टमेंट बेचना लगभग असंभव है। अलग-अलग मामले जब आप 10 हजार लोगों के लिए किसी तरह का विज्ञापन करते हैं, तो कोई यह अपार्टमेंट खरीदता है - क्लाइंट सफल होता है ... लेकिन आंकड़ों के दृष्टिकोण से दस हजार में से एक पूरी तरह से बकवास है। तो, उच्च आय वाले दर्शकों को परिभाषित करना मुश्किल क्यों है? क्योंकि जो लोग अब उच्च आय वाले दर्शकों के सदस्य हैं, वे तब पैदा हुए थे जब इंटरनेट अभी भी बहुत छोटा था, जब कोई आर्टेमी लेबेदेव को नहीं जानता था, और उनके बारे में कोई जानकारी नहीं थी। उनके व्यवहार मॉडल की भविष्यवाणी करना असंभव है, यह समझना असंभव है कि उनके लिए राय के नेता कौन हैं, वे किन स्रोतों से सामग्री प्राप्त करते हैं।

इसलिए जब आप सभी 25 साल में अरबपति बन जाएंगे, और जो कंपनियां आपको कुछ बेचने जा रही हैं, उनके पास बहुत ज़्यादा डेटा होगा। इसीलिए अब यूरोप में एक शानदार GDPR है, जो नाबालिगों से डेटा संग्रह को रोकता है।

स्वाभाविक रूप से, यह व्यवहार में काम नहीं करता है, क्योंकि सभी बच्चे अभी भी माँ और पिताजी के खातों पर खेलते हैं - इस तरह से जानकारी एकत्र की जाती है। अगली बार जब आप अपने बच्चे को टैबलेट दें, तो इस बारे में सोचें।

एक बिल्कुल भी डरावना नहीं, भयावह भविष्य, जब मशीनों के साथ युद्ध में हर कोई मर जाता है - अब एक बिल्कुल वास्तविक कहानी है। ऐसी बहुत सी कंपनियाँ हैं जो लोगों के गेम खेलने के तरीके के आधार पर उनकी मनोवैज्ञानिक प्रोफ़ाइलिंग के लिए एल्गोरिदम बनाने में लगी हुई हैं। एक बहुत ही दिलचस्प उद्योग। इन सबके आधार पर, लोगों को किसी तरह से उनसे संवाद करने के लिए खंडित किया जाता है।

इन लोगों के व्यवहार की भविष्यवाणी 10-15 साल में उपलब्ध होगी - ठीक उसी समय जब वे एक विलायक दर्शक बन जाएंगे। सबसे महत्वपूर्ण बात यह है कि इन लोगों ने पहले से ही अपने व्यक्तिगत डेटा को संसाधित करने, इसे तीसरे पक्ष को हस्तांतरित करने और इस सारी खुशी, और इसी तरह की अन्य चीजों के लिए अनुमति दे दी है।

कौन अपनी नौकरी खो देगा?

और मेरी आखिरी कहानी इस बारे में है कि कैसे हर कोई हमेशा पूछता है कि 50 साल में क्या होगा: हम सब मर जाएंगे, मार्केटर्स में बेरोजगारी होगी... क्या यहां कोई मार्केटर्स है जो बेरोजगारी के बारे में चिंतित है, है ना? चिंता करने की कोई ज़रूरत नहीं है, क्योंकि कोई भी उच्च योग्यता वाला व्यक्ति अपनी नौकरी नहीं खोएगा।

चाहे जो भी एल्गोरिदम बनाए जाएं, चाहे मशीन हमारे यहां मौजूद चीज़ों (सिर की ओर इशारा) के कितने भी करीब क्यों न पहुंच जाए, अगर यह काफी तेजी से विकसित होता है, तो ऐसे लोग कभी भी बेरोजगार नहीं होंगे, क्योंकि किसी को ये क्रिएटिव काम करने होंगे। हां, ऐसे सभी तरह के "गण" हैं जो लोगों की तरह दिखने वाले चित्र बनाते हैं, संगीत बनाते हैं, लेकिन फिर भी यह संभावना नहीं है कि इस क्षेत्र के लोग कभी अपनी नौकरी खो देंगे।

मेरी कहानी बस इतनी ही है, इसलिए बेझिझक कोई और सवाल पूछें। धन्यवाद।

संचालक: - दोस्तों, अब हम "प्रश्न-उत्तर" खंड की ओर बढ़ रहे हैं। आप अपना हाथ उठाएँ - मैं आपके पास आऊँगा।

श्रोतागण (Z) की ओर से प्रश्न: - "ब्लैक बॉक्स" के बारे में एक प्रश्न। उन्होंने कहा कि यह विशेष रूप से समझना संभव है कि किसी निश्चित उपयोगकर्ता के लिए यह परिणाम वास्तव में क्यों है। क्या ये कुछ एल्गोरिदम हैं, या हमें हर बार प्रत्येक एड हॉक (लेखक का नोट: "विशेष रूप से इसके लिए" - लैटिन वाक्यांशवैज्ञानिक इकाई) मॉडल के लिए इसका विश्लेषण करने की आवश्यकता है? या क्या कुछ तैयार किए गए हैं, कुछ तंत्रिका नेटवर्क के लिए आप मोटे तौर पर व्यावसायिक समझ को समझ सकते हैं?

ओह: - यहाँ आपको निम्नलिखित को समझने की आवश्यकता है: मशीन लर्निंग में बहुत सारे कार्य हैं। उदाहरण के लिए, रिग्रेशन नामक एक कार्य है। रिग्रेशन के लिए, आपको किसी भी न्यूरल नेटवर्क की आवश्यकता नहीं है। वहाँ सब कुछ सरल है: आपके पास कई संकेतक हैं, आपको निम्नलिखित की गणना करने की आवश्यकता है। ऐसे कार्य हैं जहाँ आपको डीप लर्निंग जैसी चीज़ का सहारा लेना पड़ता है। वास्तव में, डीप लर्निंग में यह समझना मुश्किल है कि किस न्यूरॉन्स को कौन से भार दिए गए थे, लेकिन कानूनी तौर पर आपको बस यह समझने की ज़रूरत है कि इनपुट पर कौन सा डेटा था, आउटपुट पर वे कैसे खेले। यह कानूनी रूप से इस तरह के समाधान को पेटेंट करने के लिए पर्याप्त है और यह समझने के लिए पर्याप्त है कि किस आधार पर कहानी को स्वीकार किया गया था।

ऐसा नहीं है कि आप किसी वेबसाइट पर जाते हैं और आपको कोई बैनर दिखाया जाता है क्योंकि आपने दो महीने पहले इंस्टाग्राम पर लाल बालों के साथ एक फोटो ली थी। यदि डेवलपर इस डेटा के संग्रह, बालों के रंग के अंकन को इस मॉडल में शामिल नहीं करता है, तो यह पतली हवा से नहीं निकलेगा।

मशीन लर्निंग सिस्टम के परिणाम कैसे बेचे जाएं?

जेड: - यह सिर्फ़ इस बात का सवाल है कि क्या समझा जाए, कैसे किसी ऐसे व्यक्ति को बेचा जाए जो मशीन लर्निंग को नहीं समझता। मैं कहना चाहता हूँ: मेरा मॉडल - बालों के रंग से स्पष्ट रूप से... खैर, बालों का रंग बदल जाता है... क्या यह संभव है या नहीं?

ओह: - शायद, हाँ। लेकिन बिक्री के दृष्टिकोण से, केवल एक योजना काम करेगी: आपके पास एक विज्ञापन अभियान है, हम दर्शकों को मशीन द्वारा बनाए गए दर्शकों से बदल देते हैं - और आप केवल परिणाम देखते हैं। दुर्भाग्य से, यह ग्राहक को यह विश्वास दिलाने का एकमात्र तरीका है कि ऐसी कहानी काम करती है, क्योंकि बाजार में बहुत सारे समाधान हैं जिन्हें एक बार लागू किया गया था, और वे काम नहीं करते थे।

आभासी व्यक्तित्व बनाने के बारे में

जेड: - नमस्ते। व्याख्यान के लिए धन्यवाद। सवाल यह है: किसी ऐसे व्यक्ति के लिए क्या मौका है जो किसी कारण से मशीन लर्निंग के नेतृत्व का पालन नहीं करना चाहता है, अपने लिए एक आभासी व्यक्तित्व बनाने के लिए जो इंटरफ़ेस के साथ बातचीत के माध्यम से या कुछ अन्य कारणों से अपने स्वयं के व्यक्तित्व से मौलिक रूप से अलग है?

ओह: - ऐसे कई प्लगइन्स हैं जो व्यवहार का बिल्कुल यादृच्छिकीकरण करते हैं। एक अच्छी चीज़ है - घोस्टरी, जो मेरी राय में, आपको कई अलग-अलग ट्रैकर्स से लगभग पूरी तरह से छुपा देती है, जो तब इस जानकारी को रिकॉर्ड नहीं कर सकते। लेकिन वास्तव में, अब आपको सोशल नेटवर्क पर केवल एक बंद प्रोफ़ाइल की आवश्यकता होगी, ताकि कोई भी, कोई दुष्ट पार्सर, वहाँ कुछ भी एकत्र न कर सके। शायद कुछ एक्सटेंशन इंस्टॉल करना या खुद कुछ लिखना बेहतर होगा।

आप देखिए, यहाँ एक अवधारणा है कि कानूनी तौर पर, उदाहरण के लिए, व्यक्तिगत डेटा वह डेटा है जिसके द्वारा आपकी पहचान की जा सकती है, और कानून आपके आवासीय पते, आयु आदि को उदाहरण के रूप में उद्धृत करता है। अब डेटा की एक अनंत मात्रा है जिसके द्वारा आपकी पहचान की जा सकती है: वही कीबोर्ड स्ट्रोक, वही कीस्ट्रोक्स, ब्राउज़र का डिजिटल हस्ताक्षर... जल्दी या बाद में, एक व्यक्ति गलती करता है। वह टॉर का उपयोग करते हुए किसी कैफे में कहीं बैठ सकता है, लेकिन अंत में, एक ठीक पल में, वह या तो वीपीएन चालू करना भूल जाएगा, या कुछ और, और उस पल उसकी पहचान की जा सकती है। तो सबसे आसान तरीका है कि एक बंद खाता बनाएं और किसी तरह का एक्सटेंशन इंस्टॉल करें।

बाजार उस बिंदु की ओर बढ़ रहा है जहां परिणाम पाने के लिए आपको केवल एक बटन दबाना होगा।

जेड: - कहानी के लिए धन्यवाद। हमेशा की तरह, यह हमेशा बहुत दिलचस्प है (मैं आपको फॉलो करता हूँ)। सवाल यह है: उपयोगकर्ताओं के लिए सकारात्मक सिस्टम, अनुशंसा प्रणाली बनाने के मामले में क्या प्रगति हुई है? आपने कहा कि एक समय में आप यौन साथी, जीवन साथी (या संगीत जो किसी व्यक्ति को संभावित रूप से पसंद हो) खोजने के लिए अनुशंसा प्रणाली पर काम कर रहे थे... यह सब कितना आशाजनक है, और आप इसके विकास को विशेष रूप से लोगों की ज़रूरतों के हिसाब से सिस्टम बनाने के दृष्टिकोण से कैसे देखते हैं?

ओह: - सामान्य तौर पर, बाजार इस ओर बढ़ रहा है कि लोगों को एक बटन दबाने की जरूरत है और तुरंत वह मिल जाता है जिसकी उन्हें जरूरत है। डेटिंग ऐप बनाने के मेरे अनुभव के अनुसार (वैसे, हम इसे साल के अंत में फिर से लॉन्च करेंगे), इस तथ्य के अलावा कि 65% विवाहित पुरुष थे, सबसे कठिन सिफारिश की समस्या यह थी कि ऐप की शुरुआत में, एक व्यक्ति को कई मॉडल पेश किए गए थे - "दोस्ती", "सेक्स", "सेक्स-दोस्ती" और "व्यवसाय"। लोगों ने गलत लोगों को चुना। पुरुष आए और "प्यार" चुना, लेकिन वास्तव में उन्होंने सभी पर नग्न महिलाओं को फेंक दिया, और इसी तरह।

समस्या यह थी कि ऐसे व्यक्ति की पहचान की जाए जो इन मॉडलों में से किसी एक में फिट नहीं बैठता और किसी तरह उसे आसानी से दूसरी दिशा में ले जाया जाए। डेटा की छोटी मात्रा के कारण, यह निर्धारित करना बहुत मुश्किल है कि यह पूर्वानुमान एल्गोरिथ्म की त्रुटि है या व्यक्ति अपनी श्रेणी में नहीं है। संगीत के साथ भी ऐसा ही है: अब बहुत कम अच्छे एल्गोरिदम हैं जो संगीत को अच्छी तरह से "बकवास" करते हैं। शायद "यांडेक्स.म्यूजिक"। कुछ लोगों को लगता है कि "यांडेक्स.म्यूजिक" एल्गोरिदम खराब है। उदाहरण के लिए, मुझे यह पसंद है। व्यक्तिगत रूप से, उदाहरण के लिए, मुझे "यूट्यूब" संगीत एल्गोरिदम पसंद नहीं है, और इसी तरह।

बेशक, वहाँ कुछ सूक्ष्मताएँ हैं - सब कुछ लाइसेंस से बंधा हुआ है... लेकिन वास्तव में, ऐसी प्रणालियों की मांग काफी अधिक है। एक समय में, रिटेल रॉकेट नामक एक प्रसिद्ध कंपनी थी, जो अनुशंसा प्रणालियों के कार्यान्वयन में लगी हुई थी, लेकिन अब यह बहुत अच्छा प्रदर्शन नहीं कर रही है - शायद इसलिए क्योंकि उन्होंने लंबे समय तक अपने एल्गोरिदम विकसित नहीं किए हैं। सब कुछ इसी ओर बढ़ रहा है - हम अंदर जा रहे हैं और बिना कुछ क्लिक किए, हमें वह मिल रहा है जिसकी हमें ज़रूरत है (और पूरी तरह से बेवकूफ़ बन रहे हैं, क्योंकि हमारी चुनने की क्षमता पूरी तरह से गायब हो गई है)।

प्रभाव विपणन

जेड: - नमस्ते। मेरा नाम कोंस्टेंटिन है। मैं प्रभाव विपणन के बारे में एक प्रश्न पूछना चाहता हूँ। क्या आप किसी ऐसे सिस्टम के बारे में जानते हैं जो किसी व्यवसाय को कुछ आँकड़ों और इसी तरह के आधार पर उपयुक्त ब्लॉगर चुनने की अनुमति देता है? और यह किस मापदंड से किया जाता है?

ओह: - हाँ, मैं दूर से शुरू करूँगा और तुरंत कहूँगा कि इन सभी तकनीकों के साथ समस्या यह है कि मार्केटिंग में यह सभी कृत्रिम बुद्धिमत्ता अब एक तंग रस्सी पर चलने वाले की तरह है: बाईं ओर बड़ी कंपनियाँ हैं जिनके पास बहुत सारा पैसा है, और किसी भी मामले में, उनके लिए सब कुछ प्रभावी रूप से काम करेगा, क्योंकि उनके विज्ञापन अभियान केवल विचारों पर लक्षित हैं; दूसरी ओर, बहुत सारे छोटे व्यवसाय हैं जिनके लिए यह काम नहीं करेगा, क्योंकि उनके पास बहुत सारा डेटा है। अभी के लिए, इन कहानियों की प्रयोज्यता कहीं बीच में है।

जब पहले से ही अच्छे बजट होते हैं, और कार्य इन बजटों को सही ढंग से संसाधित करना होता है (और सिद्धांत रूप में, पहले से ही बहुत सारा डेटा होता है)... मैं कुछ सेवाओं को जानता हूँ, जैसे "गेटब्लॉगर", जिसके पास कथित तौर पर एल्गोरिदम होते हैं। ईमानदारी से कहूँ तो, मैंने इन एल्गोरिदम का अध्ययन नहीं किया है। मैं आपको बता सकता हूँ कि जब हमें कुछ माताओं को उपहार देने की आवश्यकता होती है, तो हम राय नेताओं को खोजने के लिए किस दृष्टिकोण का उपयोग करते हैं।

हम "सामग्री वितरण समय" नामक मीट्रिक का उपयोग करते हैं। यह इस तरह काम करता है: आप एक व्यक्ति को लेते हैं जिसके दर्शकों का आप विश्लेषण कर रहे हैं, और आपको व्यवस्थित रूप से (उदाहरण के लिए, हर 5 मिनट में) प्रत्येक पोस्ट पर जानकारी एकत्र करने की आवश्यकता है, कि किसने इसे पसंद किया, इस पर टिप्पणी की, इत्यादि। इस तरह, आप समझ सकते हैं कि किस समय उसके दर्शकों में से प्रत्येक व्यक्ति ने उसकी सामग्री के साथ बातचीत की। अपने दर्शकों के प्रत्येक प्रतिनिधि के लिए इस ऑपरेशन को दोहराएं, और इस प्रकार, औसत सामग्री वितरण समय के मीट्रिक का उपयोग करके, आप, उदाहरण के लिए, इन लोगों के एक बड़े नेटवर्क ग्राफ़ में इसे रंग में डाल सकते हैं और इस मीट्रिक का उपयोग क्लस्टर बनाने के लिए कर सकते हैं।

यह काफी अच्छी तरह से काम करता है अगर हम, उदाहरण के लिए, 15 माताओं को ढूंढना चाहते हैं जो किसी महिला.ru पर अपनी सार्वजनिक राय बनाए रखती हैं। लेकिन यह एक जटिल तकनीकी कार्यान्वयन है (हालांकि विशुद्ध रूप से सैद्धांतिक रूप से इसे पायथन में करना संभव है)। मुद्दा यह है कि बड़ी विज्ञापन एजेंसियों में प्रभाव विपणन के साथ समस्या यह है कि उन्हें बड़े, शांत, महंगे ब्लॉगर्स की आवश्यकता होती है जो बिल्कुल भी काम नहीं करते हैं। उदाहरण के लिए, एक कार ब्रांड किसी राय नेता के माध्यम से कुछ उत्पाद बेचना चाहता है - उन्हें सबसे आखिर में एक कार ब्लॉगर का उपयोग करना चाहिए, क्योंकि ऐसे लोगों के दर्शकों ने या तो पहले ही एक कार खरीद ली है या उन्हें ठीक से पता है कि उन्हें किस तरह की कार चाहिए और बस बैठकर शानदार कारों को देखते हैं। यह भी महत्वपूर्ण है कि व्यक्ति के दर्शकों के विश्लेषण को न छोड़ें।

मार्केटिंग बॉट्स

जेड: - मुझे बताइए, सोशल नेटवर्क में बॉट सूचना के संग्रह और उसकी गुणवत्ता को कितना प्रभावित करते हैं?

ओह: - बॉट्स के साथ एक दिलचस्प बात है। सस्ते बॉट्स को पहचानना काफी आसान है - या तो उनके पास एक जैसी सामग्री है, या वे एक-दूसरे के दोस्त हैं, या वे एक ही नेटवर्क में हैं। जटिल बॉट्स के लिए भी दृष्टिकोण हैं। या आप यह समस्या पूछ रहे हैं कि किसी व्यक्ति को उसके नकली से कैसे जोड़ा जाए?

जेड: - इस सारे कचरे के साथ आउटपुट में जानकारी कितनी अच्छी होगी?

ओह: - यह इस तरह काम करता है: क्योंकि डेटा की एक बड़ी मात्रा है (उदाहरण के लिए, कुछ मार्केटिंग रिसर्च के लिए), यह सारा कचरा आसानी से बाहर फेंका जा सकता है। यानी, बॉट्स को पकड़ने की तुलना में थोड़े अधिक वास्तविक लोगों को बाहर फेंकना बेहतर है, क्योंकि उन्हें कोई भी विज्ञापन दिखाना बेकार है। लेकिन अगर आप मेट्रिक्स इकट्ठा करते हैं, उदाहरण के लिए, बैनर या अनुशंसा प्रणाली के साथ बातचीत, तो ऐसे खातों को बाहर फेंका जा सकता है।

अब सोशल नेटवर्क में छह प्रतिशत आभासी पात्र या बस छोड़े गए पृष्ठ या अंतर्मुखी हैं, जिन्हें एल्गोरिदम बॉट के रूप में "मिलान" करते हैं। जहाँ तक किसी व्यक्ति के उसके नकली से संबंध की बात है, यहाँ भी सब कुछ इस तथ्य से जुड़ा हुआ है कि जल्दी या बाद में कोई व्यक्ति गलती करेगा, और बात यह है कि व्यवहार मॉडल एक ही है - उसका असली खाता और उसका नकली दोनों। जल्दी या बाद में वे एक ही सामग्री या कुछ और देखेंगे।

यहाँ, यह सब त्रुटि के प्रतिशत पर नहीं, बल्कि किसी व्यक्ति की विश्वसनीय पहचान के लिए आवश्यक समय पर निर्भर करता है। जो व्यक्ति अपने इंस्टाग्राम के साथ रहता है, उसके लिए विश्वसनीय पहचान का यह समय पाँच मिनट तक कम हो जाता है। किसी और के लिए - छह से आठ महीने तक।

डेटा किसे और कैसे बेचा जाए?

जेड: - नमस्ते। मुझे यह जानने में दिलचस्पी है कि कंपनियों के बीच डेटा कैसे बेचा जाता है? उदाहरण के लिए, मेरे पास एक एप्लीकेशन है जिसमें आप (डेवलपर को) पता लगा सकते हैं कि कोई व्यक्ति कहाँ जाता है, कौन सी दुकान है, और वह वहाँ कितना पैसा खर्च करता है। और मुझे यह जानने में दिलचस्पी है कि, मान लीजिए, मैं अपने दर्शकों के बारे में इन दुकानों के डेटा को कैसे बेच सकता हूँ या अपने डेटा को एक विशाल डेटाबेस में डाल सकता हूँ और इसके लिए पैसे प्राप्त कर सकता हूँ?

ओह: - जहाँ तक किसी को सीधे डेटा बेचने की बात है - आप, बाकी सभी, OFD - राजकोषीय डेटा ऑपरेटरों द्वारा पराजित हो चुके हैं, जिन्होंने रसीदों के हस्तांतरण और कर सेवा के बीच खुद को चालाकी से डाला है और अब सभी को डेटा बेचने की कोशिश कर रहे हैं। वास्तव में, उन्होंने वास्तव में पूरे मोबाइल एनालिटिक्स बाजार को नीचे ला दिया है। वास्तव में, आप अपने एप्लिकेशन को एकीकृत कर सकते हैं, उदाहरण के लिए, फेसबुक पिक्सेल, इसका DMP सिस्टम; फिर इस ऑडियंस का उपयोग बेचने के लिए करें। उदाहरण के लिए, माई टारगेट पिक्सेल। मुझे नहीं पता कि आपके पास किस तरह के दर्शक हैं, आपको समझने की जरूरत है। लेकिन किसी भी मामले में, आप या तो यांडेक्स या माई टारगेट में एकीकृत कर सकते हैं, जो सबसे बड़े डीएमपी सिस्टम हैं।

यह काफी रोचक कहानी है। एकमात्र समस्या यह है कि आप उन्हें सारा ट्रैफ़िक देते हैं, और वे, एक्सचेंज के रूप में, इस ट्रैफ़िक का मुद्रीकरण करते हैं। वे आपको बता सकते हैं कि 10 लोगों ने आपके दर्शकों का उपयोग किया है, या नहीं भी। इसलिए, या तो आप अपना खुद का विज्ञापन नेटवर्क बनाएं, या खुद को बड़े डीएमपी के हवाले कर दें।

कौन जीतेगा - कलाकार या तकनीकी विशेषज्ञ?

जेड: - तकनीकी भाग से थोड़ा हटकर एक प्रश्न। यह आगामी सामूहिक बेरोजगारी के बारे में विपणक की आशंकाओं के बारे में कहा गया था। क्या रचनात्मक विपणन (ये लोग जो चिकन विज्ञापन, वोक्सवैगन विज्ञापन के साथ आए थे, मुझे लगता है) और जो लोग "बिग डेटा" में लगे हुए हैं (जो कहते हैं: हम बस सभी डेटा एकत्र करेंगे और सभी को लक्षित विज्ञापन देंगे) के बीच किसी तरह का प्रतिस्पर्धी संघर्ष है? एक ऐसे व्यक्ति के रूप में जो सीधे तौर पर शामिल है, आपकी क्या राय है, कौन जीतेगा - कलाकार, तकनीकी विशेषज्ञ, या यह किसी तरह का सहक्रियात्मक प्रभाव होगा?

ओह: - देखिए, वे साथ मिलकर काम करते हैं। इंजीनियर रचनात्मकता के साथ नहीं आते। जो लोग ऐसा करते हैं, वे दर्शकों के साथ नहीं आते। यहाँ एक निश्चित बहु-विषयक कहानी है। अब असली समस्या उन लोगों के साथ है जो बैठकर बटन दबाते हैं, जो "बंदर का काम" करते हैं, जो हर दिन एक ही चीज़ दबाते हैं - ये लोग गायब हो जाएँगे।

लेकिन डेटा का विश्लेषण करने वाले स्वाभाविक रूप से बने रहेंगे, लेकिन किसी को इस डेटा को प्रोसेस करना होगा। किसी को ये तस्वीरें बनानी होंगी, उन्हें खींचना होगा। एक मशीन ऐसी रचनात्मकता के साथ नहीं आ सकती! यह पूरी तरह से पागलपन है! या, उदाहरण के लिए, "कारप्राइस" का वायरल विज्ञापन, जो, वैसे, बहुत अच्छा काम करता है। याद रखें, YouTube पर एक था: "कारप्राइस को बेचो" - बिल्कुल पागलपन। बेशक, कोई भी न्यूरल नेटवर्क ऐसी कहानी नहीं बना सकता।
मैं आमतौर पर इस विचार का समर्थक हूं कि लोगों की नौकरियां नहीं जाएंगी, बल्कि उनके पास थोड़ा और खाली समय होगा, और वे इस खाली समय को आत्म-शिक्षा पर खर्च कर सकेंगे।

आदिम विज्ञापन समाप्त हो जायेंगे

जेड: - कुल मिलाकर, जो विज्ञापन दिखाए जाते हैं, बैनर - कुल मिलाकर, यहां तक ​​कि बिक्री संबंधी पाठ भी वहां नहीं लिखे होते हैं: "विंडोज़ की जरूरत है - ले लो!", "कुछ और चाहिए - ले लो!", यानी, वहां कोई रचनात्मकता नहीं है।

ओह: - इस तरह के विज्ञापन, निश्चित रूप से, जल्द या बाद में खत्म हो जाएंगे। यह प्रौद्योगिकी के विकास के कारण नहीं बल्कि आपके और मेरे विकास के कारण खत्म हो जाएगा।

प्रासंगिक को अप्रासंगिक के साथ मिलाना बेहतर है

जेड: - मैं यहाँ हूँ! मेरे पास उस प्रयोग के बारे में एक सवाल है जिसके बारे में आपने कहा कि यह काम नहीं करता (सिफारिश प्रणाली के साथ)। और आपकी राय में, क्या समस्या वहाँ लिखी गई बातों में है, इसकी सिफारिश क्यों की गई, या इस तथ्य में कि उपयोगकर्ता ने जो कुछ भी देखा वह किसी तरह उसके लिए प्रासंगिक था? क्योंकि मैंने माताओं के लिए एक प्रयोग पढ़ा था, और वहाँ उतना डेटा नहीं था और इंटरनेट से भी उतना डेटा नहीं था, वहाँ केवल एक किराना खुदरा विक्रेता का डेटा था - गर्भावस्था की भविष्यवाणी (कि वे माँ बनेंगी)। और जब उन्होंने गर्भवती माताओं के लिए उत्पादों का चयन दिखाया, तो माताएँ भयभीत हो गईं कि यह उनके बारे में किसी भी आधिकारिक चीज़ों से पहले पता चल गया था। और यह काम नहीं किया। और इस समस्या को हल करने के लिए, उन्होंने जानबूझकर प्रासंगिक उत्पादों को पूरी तरह से अप्रासंगिक चीज़ों के साथ मिला दिया।

ओह: - हमने लोगों को खास तौर पर दिखाया कि सिफारिशें किस आधार पर थीं, ताकि उनकी प्रतिक्रिया को समझा जा सके। दरअसल, यहीं से यह अवधारणा जन्मी कि लोगों को यह बताने की ज़रूरत नहीं है कि ये उनके लिए कुछ सुपर-प्रासंगिक उत्पाद हैं।

हां, वैसे, उन्हें अप्रासंगिक लोगों के साथ मिलाने का एक तरीका है। लेकिन यहां एक उलटी बात है: कभी-कभी लोग आते हैं, और वे इस अप्रासंगिक उत्पाद के साथ बातचीत करते हैं - यादृच्छिक आउटलेयर प्राप्त होते हैं, मॉडल टूट जाते हैं और सब कुछ और भी जटिल हो जाता है। लेकिन यह वास्तव में होता है। इसके अलावा, कई कंपनियां, अगर उन्हें पता है कि कोई उनके डेटा को प्रोसेस कर रहा है (कोई उनसे ऐसे परिणाम चुरा सकता है), - वे कभी-कभी जानबूझकर इसे मिला देते हैं ताकि वे बाद में साबित कर सकें कि आपने डेटा अपने अनुशंसा सिस्टम से नहीं, बल्कि, मान लीजिए, Yandex.Market से लिया है।

विज्ञापन अवरोधक और ब्राउज़र सुरक्षा

जेड: - नमस्ते। आपने घोस्टरी और एडब्लॉक का ज़िक्र किया। क्या आप हमें बता सकते हैं कि ऐसे ट्रैकर कितने प्रभावी हैं (शायद सांख्यिकीय रूप से)? और क्या आपको कंपनियों से कोई आदेश मिला है: जैसे, ऐसा बनाइए कि हमारे विज्ञापनों को एडब्लॉक द्वारा ब्लॉक न किया जा सके।

ओह: - हम विज्ञापन प्लेटफ़ॉर्म से सीधे संपर्क नहीं करते हैं - ठीक इसलिए क्योंकि वे नहीं चाहते कि हम उनके विज्ञापनों को सभी के लिए दृश्यमान बनाएँ। मैं व्यक्तिगत रूप से घोस्टरी का उपयोग करता हूँ - मुझे लगता है कि यह वास्तव में एक अच्छा एक्सटेंशन है। अब सभी ब्राउज़र गोपनीयता के लिए लड़ रहे हैं: मोज़िला ने कई अलग-अलग अपडेट जारी किए हैं, Google Chrome अब सुपर-सिक्योर है। वे सभी हर संभव चीज़ को ब्लॉक कर देते हैं। सफारी ने डिफ़ॉल्ट रूप से जाइरोस्कोप को भी अक्षम कर दिया है।
और यह प्रवृत्ति, निश्चित रूप से, अच्छी है (डेटा एकत्र करने वालों के लिए नहीं, हालांकि वे भी इससे बाहर निकल गए), क्योंकि लोगों ने सबसे पहले "कुकीज़" को ब्लॉक किया। विज्ञापन नेटवर्क के मालिक हर किसी को ब्राउज़र फ़िंगरप्रिंट जैसी अद्भुत तकनीक याद थी - ये एल्गोरिदम हैं जो 60 अलग-अलग पैरामीटर (स्क्रीन रिज़ॉल्यूशन, संस्करण, इंस्टॉल किए गए फ़ॉन्ट) प्राप्त करते हैं और उनके आधार पर एक अद्वितीय "आईडी" की गणना करते हैं। उन्होंने इसे अपना लिया। और ब्राउज़रों ने भी इससे लड़ना शुरू कर दिया। सामान्य तौर पर, यह टाइटन्स की एक अंतहीन लड़ाई होगी।

नवीनतम डेवलपर मोज़िला काफी सुरक्षित है। यह लगभग कोई कुकी नहीं बचाता है, एक छोटा जीवनकाल निर्धारित करता है। खासकर अगर आप गुप्त मोड चालू करते हैं, तो कोई भी आपको नहीं ढूंढ पाएगा। समस्या यह है कि सभी सेवाओं में पासवर्ड दर्ज करना असुविधाजनक होगा।

साइकोटाइपिंग और फिजियोग्नोमी कहां काम करते हैं और कहां नहीं?

जेड: - आर्थर, व्याख्यान के लिए आपका बहुत-बहुत धन्यवाद। मुझे YouTube पर आपके व्याख्यान देखने में भी मज़ा आता है। आपने उल्लेख किया कि विपणक तेजी से साइकोटाइपिंग, फिजियोग्नोमी का उपयोग करने का सहारा ले रहे हैं। मेरा एक सवाल है: यह किस श्रेणी के ब्रांड में काम करता है? मुझे विश्वास है कि यह केवल FMCG के लिए उपयुक्त है। उदाहरण के लिए, कार चुनना…

ओह: - मैं डाउनलोड कर सकता हूँ जहाँ यह निश्चित रूप से काम करता है। यह "अमेडिएटका", टीवी सीरीज़, फ़िल्में इत्यादि जैसी सभी तरह की कहानियों में काम करता है। यह बैंकों और बैंकिंग उत्पादों में अच्छा काम करता है, अगर यह प्रीमियम सेगमेंट नहीं है, लेकिन सभी तरह के छात्र कार्ड, किश्तें - ऐसी ही चीज़ें। यह वास्तव में FMCG और सभी तरह के "आईफ़ोन", चार्जर, सभी बकवास में बहुत अच्छा काम करता है। यह "माँ" के उत्पादों, "पिताजी" के उत्पादों में अच्छा काम करता है। हालाँकि मुझे पता है कि मछली पकड़ने में (ऐसा एक विषय है) ... मछुआरों के साथ कई मामले थे - उन्हें कभी भी विश्वसनीय रूप से विभाजित नहीं किया जा सकता है। मुझे नहीं पता क्यों। किसी तरह की सांख्यिकीय त्रुटि।

यह कार मालिकों, गहनों, कुछ घरेलू सामानों के साथ ठीक से काम नहीं करता है। वास्तव में, यह उन चीज़ों के साथ ठीक से काम नहीं करता है जिनके बारे में लोग सोशल नेटवर्क पर कभी नहीं लिखेंगे - आप इसे इस तरह से जाँच सकते हैं। उदाहरण के लिए, वॉशिंग मशीन की खरीद के साथ: आप कैसे समझेंगे कि किसके पास वॉशिंग मशीन है और किसके पास नहीं? ऐसा लगता है कि हर किसी के पास एक है। आप OFD डेटा का उपयोग कर सकते हैं - रसीदों को देखें कि किसने क्या खरीदा है, रसीदों का उपयोग करके इन लोगों का "मिलान" करें। लेकिन वास्तव में, ऐसी चीज़ें जिनके बारे में आप कभी बात नहीं करेंगे, उदाहरण के लिए, Instagram पर - ऐसी चीज़ों के साथ काम करना मुश्किल है।

मशीनें तरकीबों को सांख्यिकीय संकेत के रूप में पहचानती हैं।

जेड: - मेरे पास लक्ष्यीकरण के बारे में एक प्रश्न है। क्या यह संभव है कि कोई सशर्त यादृच्छिक चरित्र मौजूद हो (या क्या वे मौजूद हैं) जो हर चीज में खुद का विरोधाभास करता है: सबसे पहले वह "सर्वश्रेष्ठ जिम" को गूगल करता है, और फिर "कुछ न करने के 10 तरीके" को गूगल करता है? और इसी तरह हर चीज में। क्या लक्ष्यीकरण किसी ऐसे व्यक्ति पर नज़र रख सकता है जो खुद का विरोधाभास करता है?

ओह: - यहाँ केवल एक ही सवाल है: अगर आपने 2 साल तक Google का इस्तेमाल किया, उसे अपने बारे में सब कुछ बताया, और अब एक प्लगइन इंस्टॉल किया जो इस तरह के रैंडम क्वेरीज़ लिखेगा, तो, ज़ाहिर है, आप आँकड़ों से समझ सकते हैं कि आप जो कर रहे हैं वह सांख्यिकीय रूप से अलग है, और उसे पूरी तरह से हटा दें। अगर आप चाहें तो नया अकाउंट रजिस्टर करें, लेकिन विज्ञापन की मात्रा में कोई बदलाव नहीं होगा। यह सिर्फ़ अजीब हो जाएगा। हालाँकि यह अभी अजीब है।

कुछ विज्ञापन 🙂

हमारे साथ रहने के लिए धन्यवाद। क्या आप हमारे लेख पसंद करते हैं? अधिक रोचक सामग्री देखना चाहते हैं? आदेश देकर या मित्रों को अनुशंसा करके हमारा समर्थन करें, डेवलपर्स के लिए क्लाउड VPS $4.99 से शुरू, प्रवेश स्तर के सर्वरों का एक अनूठा एनालॉग, जिसका आविष्कार हमने आपके लिए किया था: VPS (KVM) E5-2697 v3 (6 Cores) 10GB DDR4 480GB SSD 1Gbps के बारे में पूरी सच्चाई $19 से या सर्वर कैसे साझा करें? (RAID1 और RAID10 के साथ उपलब्ध, 24 कोर तक और 40GB DDR4 तक)।

एम्स्टर्डम में इक्विनिक्स टियर IV डेटा सेंटर में Dell R730xd 2x सस्ता है? केवल यहां 2 x Intel TetraDeca-Core Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 टीवी $199 से नीदरलैंड में! डेल R420 - 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB - $99 से! के बारे में पढ़ा इन्फ्रास्ट्रक्चर कॉर्प का निर्माण कैसे करें। एक पैसा के लिए 730 यूरो मूल्य के डेल R5xd E2650-4 v9000 सर्वर के उपयोग के साथ वर्ग?

स्रोत: www.habr.com