Йоми Теджумола — основатель и генеральный директор компании Algomarketing, которая помогает корпоративным командам интегрировать специалистов по искусственному интеллекту (ИИ) для стимулирования преобразований и раскрытия потенциала роста.
Йоми Теджумола более десяти лет работал с ведущими мировыми предприятиями в качестве специалиста по данным и технолога в области маркетинга. Он наблюдал, как маркетинговые команды всё больше обременены административными задачами, что мешает творчеству и стратегической концентрации. Это привело к созданию Algomarketing. Миссия компании — помочь маркетинговым командам выйти за рамки рутинной работы, предоставляя доступ к квалифицированным специалистам, разбирающимся в ИИ.
Вопрос: «Начните с рассказа о своём опыте работы в Google и о том, как он повлиял на ваше видение ИИ и машинного обучения».
Ответ Йоми Теджумолы: «Моё время в Google было переломным. Руководя проектами по маркетинговой аналитике, науке о данных и автоматизации, я своими глазами видел, как интеллектуальные алгоритмы могут принимать более взвешенные решения, масштабировать выполнение кампаний и максимизировать эффективность маркетинга. Это знакомство с передовыми технологиями и инновациями укрепило мою веру в способность ИИ революционизировать маркетинг».
Вопрос: «Как ваш опыт в области данных и машинного обучения в Google вдохновил вас на создание Algomarketing?»
Ответ Йоми Теджумолы: «Работа в Google открыла мне глаза на потенциал ИИ и возможности, которые правильный талант может предложить передовым предприятиям. Это вдохновило меня создать Algomarketing, чтобы обеспечить достаточный источник профессиональных маркетинговых талантов как для Google, так и за его пределами».
Как ИИ и автоматизация меняют повседневную работу маркетологов
ИИ и автоматизация меняют правила игры для маркетологов, беря на себя повторяющиеся и трудоёмкие задачи, чтобы они могли сосредоточиться на более стратегических и творческих видах деятельности. ИИ не заменяет рабочие места, а повышает их. Роли эволюционируют в более стратегические позиции, например, специалисты по SEO становятся стратегами роста с поддержкой ИИ, направляя ИИ в соответствии с бизнес-целями. Это не только повышает эффективность, но и повышает удовлетворённость работой, освобождая маркетологов для более значимой и результативной работы.
Подход Algomarketing уникален по сравнению с конкурентами
Подход Algomarketing уникален, поскольку мы предоставляем командам готовые к работе решения. Наш ИИ-enabled B2B маркетинговый талант, наши «Algos», могут легко интегрироваться в повседневные операции предприятий. Мы также очень гибки в этом предложении, поэтому мы можем работать по-разному, чтобы внедрять лучшие практики в области ИИ, технологий и генерации спроса, усиливая воздействие.
Как ИИ-решения Algomarketing интегрируются в существующие стеки MarTech
Маркетинговый стек эволюционирует, и традиционные платформы станут инструментами бэкенда, а агенты ИИ будут заниматься автоматизацией. Взаимодействие будет осуществляться через интерфейсы естественного языка, что сделает рабочие процессы более интуитивно понятными.
В Algomarketing наши ИИ-решения разработаны так, чтобы легко интегрироваться в существующие стеки MarTech, расширяя их возможности без нарушения текущих рабочих процессов. Наш подход сочетает ИИ-инсайты, передовые MarTech и SalesTech, а также точную генерацию спроса, чтобы повысить эффективность работы команд.
Что такое агентский ИИ (ИИ) и какие проблемы он создаёт для организаций
Агенты ИИ представляют собой следующий рубеж развития ИИ, обещая выйти за рамки возможностей генеративного ИИ (GenAI). В отличие от большинства систем GenAI, которые полагаются на подсказки пользователей или надзор, агентский ИИ проактивен, поскольку не требует ввода данных пользователем для решения сложных многошаговых задач.
Используя цифровую экосистему больших языковых моделей (LLM), машинного обучения (ML) и обработки естественного языка (NLP), агентский ИИ выполняет задачи автономно от имени человека или системы, значительно повышая производительность и эффективность операций.
Хотя агентский ИИ всё ещё находится на ранней стадии развития, эксперты выделили несколько новаторских вариантов использования. Рассмотрим среду обслуживания клиентов в банке, где ИИ-агент делает больше, чем просто отвечает на вопросы пользователя, когда его спрашивают. Вместо этого агент фактически выполняет транзакции или задачи, такие как перевод средств, по запросу пользователя.
Другой пример — финансовая среда, где системы агентского ИИ помогают человеческим аналитикам, автономно и быстро анализируя большие объёмы данных для создания отчётов, готовых к аудиту, для принятия решений на основе данных.
Однако, как и любая новая технология, агентский ИИ создаёт проблемы с точки зрения безопасности, управления и соответствия. Уникальная природа этих ИИ-агентов представляет несколько проблем с точки зрения безопасности и управления для организаций. Предприятиям необходимо решить эти проблемы, чтобы не только пожинать плоды агентского ИИ, но и обеспечить сетевую безопасность и эффективность.
Вызовы сетевой безопасности, связанные с агентским ИИ
У агентского ИИ есть четыре основные операции. Первая — восприятие и сбор данных. Эти сотни, тысячи и, возможно, миллионы агентов собирают и собирают данные из разных мест, будь то облако, локально, на периферии и т. д., и эти данные могут быть физически откуда угодно, а не из одного конкретного географического местоположения.
Вторая — принятие решений. После сбора данных агенты используют модели ИИ и машинного обучения для принятия решений. Третья — действие и исполнение. Приняв решение, эти агенты действуют соответствующим образом для выполнения этого решения. Последний шаг — обучение, где эти агенты используют данные, собранные до и после их решения, для соответствующей настройки и адаптации.
В этом процессе агентскому ИИ требуется доступ к огромным наборам данных для эффективной работы. Агенты обычно интегрируются с системами данных, которые обрабатывают или хранят конфиденциальную информацию, такую как финансовые отчёты, базы данных здравоохранения и другие личные данные.
К сожалению, агентский ИИ усложняет усилия по защите сетевой инфраструктуры от уязвимостей, особенно при подключении к разным облакам. Это также создаёт проблемы с безопасностью исходящего трафика, затрудняя для бизнеса защиту от утечки данных и нарушений управления и контроля.
Комплексный подход к решению проблем безопасности, связанных с агентским ИИ
Организации могут решить проблемы безопасности, связанные с агентским ИИ, применяя решения по обеспечению безопасности и лучшие практики на каждом из четырёх основных операционных шагов:
1. Восприятие и сбор данных. Предприятиям нужен высокоскоростной сетевой канал, который будет зашифрован от начала до конца, чтобы их агенты могли собирать огромные объёмы данных, необходимые для работы.
2. Принятие решений. Компании должны обеспечить своим ИИ-агентам доступ к правильным моделям и инфраструктуре ИИ и машинного обучения для принятия правильных решений.
3. Действие и исполнение. ИИ-агенты выполняют действия на основе решения. Однако предприятиям необходимо определить, какой агент из сотен или тысяч принял это решение.
4. Обучение и адаптация. Компании тратят миллионы, если не сотни миллионов или больше, на настройку своих алгоритмов, что повышает ценность и точность этих агентов.
Как использовать агентский ИИ безопасным и ответственным образом
Агентский ИИ обладает огромным потенциалом, позволяя компаниям достичь новых высот производительности и эффективности. Но, как и в случае с любой новой технологией в области ИИ, организации должны принимать меры предосторожности для защиты своих сетей и конфиденциальных данных.
Организации должны сотрудничать с экспертами по облачной безопасности для разработки надёжной, масштабируемой и ориентированной на будущее стратегии безопасности, способной решать уникальные задачи, связанные с агентским ИИ. Эти партнёры могут помочь предприятиям отслеживать, управлять и защищать своих ИИ-агентов, а также предоставить им необходимую осведомлённость для соблюдения стандартов, связанных с соответствием требованиям и управлением.
Как ИИ меняет поиск и обнаружение информации
В меняющемся мире искусственного интеллекта одна из самых глубоких трансформаций происходит в том, как мы ищем и обнаруживаем информацию. Платформы, основанные на ИИ, особенно генеративные модели ИИ, такие как OpenAI’s ChatGPT, Google’s Gemini и Perplexity AI, переопределяют понятие «ищущийся».
Поскольку эти инструменты меняют поведение в поиске, традиционные сценарии пресс-релизов, поисковой оптимизации и заголовков в СМИ должны развиваться. PR-специалистам и брендам необходимо переосмыслить свои стратегии, чтобы обеспечить видимость в среде, ориентированной на ИИ.
От оптимизации по ключевым словам к контекстуальной релевантности
SEO долгое время основывалось на стратегии ключевых слов, метаданных и обратных ссылках. Однако генеративный ИИ не просто сканирует и ранжирует страницы на основе плотности ключевых слов. Он интерпретирует контекст, синтезирует смысл и создаёт подробные ответы на основе огромных объёмов контента.
Это означает, что PR-контент теперь должен быть структурирован и контекстуализирован таким образом, чтобы ИИ-модели могли точно интерпретировать его. Структурированные данные, ясность в сообщениях и последовательные нарративы сейчас более важны, чем когда-либо. Бренды должны сосредоточиться не столько на том, какие ключевые слова вводят пользователи, сколько на вопросах, которые они задают, и на том, как ИИ будет понимать и отвечать на эти запросы.
Эволюция лидерства в области мышления
Генеративный ИИ часто опирается на экспертные комментарии и оригинальные идеи для создания ответов. Это означает, что лидерство в области мышления — это не просто хороший PR; это основа для включения в выходные данные ИИ. Руководители, публикующие авторитетные, хорошо проработанные идеи, могут повысить шансы на то, что их точки зрения будут включены в ИИ-генерируемый контент.
Это создаёт возможность для PR-специалистов переосмыслить лидеров мнений не просто как источники информации в СМИ, но как стратегических создателей контента. Статьи, интервью и комментарии должны быть написаны так, чтобы отвечать на реальные вопросы, которые пользователи могут задать ИИ-инструментам.
Заработанные медиа в эпоху ИИ
Заработанные медиа по-прежнему важны, но их использование должно измениться. Традиционно успешный выход в СМИ приводил к всплеску видимости в поисковых системах и социальной активизации. Теперь ценность заработанных медиа заключается в их способности обучать и информировать ИИ-модели.
Высокоавторитетные публикации являются ключевым источником данных для генеративных моделей. Освещение в уважаемых изданиях, таких как MIT Technology Review, The Verge или Wired, не только повышает доверие, но и может влиять на выходные данные ИИ-генерируемых ответов.
Структурирование контента для ИИ-читаемости
Генеративный ИИ процветает на структурированной, фактической и доступной информации. Контент должен быть машиночитаемым: чёткие заголовки, подзаголовки, маркированные списки и краткие абзацы имеют большее значение, чем когда-либо. Неоднозначный язык, жаргон или скрытые заголовки рискуют быть упущенными.
Более того, бренды должны рассмотреть возможность использования схем разметки и других тактик семантического SEO, которые помогают машинам понять взаимосвязи между контентом. Инструменты, такие как Schema.org, предоставляют ценные фреймворки для улучшения понимания ИИ.
Измерение PR в эпоху ИИ
Поскольку ИИ меняет цифровой ландшафт, измерение в PR также должно развиваться. Успех больше не может оцениваться исключительно по количеству показов или кликов. Вопрос заключается в том, является ли наш бренд частью генеративного разговора.
Новые метрики должны сосредоточиться на видимости ИИ. Упоминаются ли бренды в генеративных ответах? Цитируются ли руководители в ИИ-инструментах? Вносят ли наши публикации в СМИ вклад в наборы данных для обучения ИИ?
Инструменты и аналитические платформы должны адаптироваться. Перспективные фирмы уже инвестируют в инструменты отслеживания ИИ, чтобы определить, где и как контент бренда появляется в выходных данных больших языковых моделей.
Заключение: PR-плейбук для генеративной эпохи
Революция в области поиска, основанная на ИИ, — это не тенденция, это сейсмический сдвиг. Для брендов это означает, что для сохранения видимости требуется новый уровень стратегического намерения. Структурированный контент, проактивное лидерство в области мышления, разумное использование заработанных медиа и машиночитаемые форматы больше не являются необязательными; они имеют решающее значение для успеха.
Специалисты по связям с общественностью стоят на пересечении сторителлинга и возможности обнаружения. Те, кто примет эту новую среду генеративного поиска, не только сохранят актуальность своего бренда, но и расширят его влияние способами, которые ранее были немыслимы. Чтобы преуспеть, PR-команды должны свободно владеть технологиями ИИ, адаптируя сообщения в соответствии с развивающимися алгоритмами, сохраняя при этом аутентичность.
Voxel51 представляет новую технологию автоматической маркировки, которая обещает сократить расходы на аннотацию в 100 000 раз
Новаторское исследование от стартапа в области компьютерного зрения Voxel51 предполагает, что традиционная модель аннотации данных может быть перевернута с ног на голову. В исследовании, опубликованном сегодня, компания сообщает, что её новая система автоматической маркировки достигает до 95% точности на уровне человека, будучи при этом в 5 000 раз быстрее и до 100 000 раз дешевле, чем ручная маркировка.
Исследование сравнило базовые модели, такие как YOLO-World и Grounding DINO, на известных наборах данных, включая COCO, LVIS, BDD100K и VOC. Примечательно, что во многих реальных сценариях модели, обученные исключительно на ИИ-генерируемых метках, работали наравне с — или даже лучше, чем — те, которые были обучены на человеческих метках.
Для компаний, разрабатывающих системы компьютерного зрения, последствия огромны: миллионы долларов, потраченные на аннотацию данных, могут быть сэкономлены, а циклы разработки моделей могут сократиться с недель до часов.
Aibidia привлекает 28 миллионов долларов в рамках серии B для расширения возможностей ИИ в сфере налоговых технологий на рынке США
Финская финтех-новатор Aibidia успешно привлекла 28 миллионов долларов в рамках серии B финансирования, что позиционирует компанию для масштабирования своей платформы налоговых технологий на основе ИИ для транснациональных корпораций в США. Раунд, возглавляемый Activant при участии существующих инвесторов DN Capital, FPV и Icebreaker.vc, знаменует собой поворотный момент в пути компании по внедрению передовых решений для обеспечения соблюдения налоговых требований и трансфертного ценообразования для глобальных предприятий, сталкивающихся с растущими нормативными проблемами.
С момента своего основания в 2018 году Aibidia стала неотъемлемой частью экосистемы налоговых технологий для крупных корпораций. Её платформа, которая автоматизирует и оптимизирует процессы глобального трансфертного ценообразования и соблюдения налоговых требований, уже помогает таким гигантам, как Unilever, Nokia, Dyson и Delivery Hero, ориентироваться в сложностях международного налогового законодательства.
Compyl привлекает 12 миллионов долларов в рамках серии A для ускорения внедрения ИИ в управление рисками и соответствием требованиям (GRC)
Compyl, быстрорастущий поставщик унифицированных решений для управления рисками и соответствием требованиям (GRC), успешно закрыл раунд финансирования серии A на сумму 12 миллионов долларов. Инвестирование возглавил Venture Guides при участии существующих инвесторов, включая Contour Venture Partners, Armory Square Ventures, nvp capital, Alpine Meridian Ventures, Brooklyn Bridge Ventures и Zelkova Ventures.
В основе отрасли лежит управление рисками и соответствие требованиям (GRC) — интегрированный подход к управлению общим управлением организации, её практикой управления рисками и соблюдением нормативных требований. Традиционные решения GRC были в значительной степени разрозненными и громоздкими, требующими нескольких разрозненных систем для отслеживания рисков и соответствия требованиям, что часто приводило к неэффективности и реактивному подходу.
Однако платформа Compyl была разработана для решения этих проблем путём объединения GRC в единое, бесшовное решение. Технология компании автоматизирует и оптимизирует ключевые функции GRC, сокращая ручные процессы, повышая согласованность и обеспечивая упреждающее управление рисками.
Как Meta укрепляет безопасность ИИ с помощью Llama Firewall
Крупные языковые модели (LLMs), такие как серия Llama от Meta, изменили то, как сегодня работает искусственный интеллект (ИИ). Эти модели больше не являются простыми инструментами для чата. Они могут писать код, управлять задачами и принимать решения, используя входные данные из электронных писем, веб-сайтов и других источников. Это даёт им огромную силу, но также создаёт новые проблемы с безопасностью.
Старые методы защиты не могут полностью устранить эти проблемы. Атаки, такие как взломы ИИ, инъекции подсказок и создание небезопасного кода, могут нанести вред доверию к ИИ и его безопасности. Чтобы решить эти проблемы, Meta создала LlamaFirewall. Этот инструмент с открытым исходным кодом наблюдает за ИИ-агентами и останавливает угрозы по мере их возникновения.