RAG 对抗机器：将第一方数据注入 AI 模型以获得更好的结果

第一方数据长期以来一直是营销人员的工具箱中的重要工具，用于在各个媒体触点上个性化客户体验。但它尚未影响大多数公司如何使用生成式人工智能技术。

然而，专有数据集有可能在当今生成式人工智能的几个关键营销应用中发挥重要作用。其中包括大规模内容制作、活动洞察生成和客户服务。

利用检索增强生成管道 (RAG) 形式的大量结构化和非结构化数据集合的技术和流程已经存在。RAG 是一种最近开发的流程，用于提取、分块、嵌入、存储、检索并将第一方数据输入基础模型（例如 OpenAI、Google 和 Meta 提供的模型）。

以下是如何使用这些工具将第一方数据注入您下一个支持 AI 的广告系列。

一切都与背景有关

无论您使用 GPT、Dall-E、Imagen、Gemini 还是 Llama，每次您要求生成式 AI 应用程序生成文本或图像时，您都会提供（主要基于文本的）指令。这些指令被发送到模型以生成所需的响应（称为推理）。结果要么是洞察，要么是广告文案或创意。

每个营销人员和机构都可以从 Google 和 OpenAI 的 PB 级训练数据中受益，从而更有效地完成工作。不过，有一个技巧。基础模型不会经常重新训练（可能每隔一年一次）。这意味着它们并不总是最新的。虽然这些模型可能看起来无所不知，但实际上它们对特定于您的品牌和客户的信息一无所知。

为什么？因为这些信息不对外公开。

如果你要求 Dall-E 或 Imagen 针对你的五个主要受众群体分别调整主创意，他们肯定会达不到要求，甚至可能产生幻觉，因为他们不知道你的受众是谁，也不知道他们可能对什么感兴趣。

能够利用第一方数据和知识为提示提供背景信息至关重要，这不仅能让您从人群中脱颖而出，还能帮助生成式 AI 模型提供有用的结果。如果您在提示中添加特定于受众的数据（例如人口统计和偏好），那么您将以极低的成本获得符合品牌的定制创意。

同样，要求 Gemini 或 GPT 为新产品撰写 500 到 800 个字符的亚马逊产品描述不会产生很好的效果，除非您在目录中添加其他产品的现有高性能文案示例。这个过程被称为小样本提示。

RAG 时间

识别和提取专有知识和数据的能力是生成成功内容的关键。但是，需要做些什么才能将第一方数据输入大型语言模型 (LLM)？

对于生成式 AI，数据管理涉及的技术和管道与其他营销技术应用（例如客户数据平台）所使用的技术和管道不同。这是因为第一方数据的性质更为广泛，以及 LLM 如何使用它。

在传统的营销技术中，当您想要满足“注重健康的妈妈”客户群时，您会选择数据库中所有返回“妈妈”和“注重健康”属性的行。您将生成的散列电子邮件列表导出到目标媒体平台。

但在生成式人工智能时代，营销人员需要一条 RAG 管道来提取、分块和嵌入有关“注重健康的妈妈”细分市场的丰富信息。这些数据包括社交聆听、定性小组和客户评论，以及过去在该群体中表现良好的创意功能。

分块和嵌入可能不是广告商熟悉的术语。这些概念代表将长而非结构化的文本文件和多层图像分解为较小的同质片段（分块），并将这些片段转换为数学多维表示（嵌入）。这些过程使数据与 LLM 进行互操作成为可能。

使用生成式 AI 应用程序时，发送到基础模型的提示将通过 RAG 管道进行丰富，以创建针对注重健康的妈妈优化的创意变体。从品牌的第一方数据世界中提取的最相关知识以及由此产生的创意将根据品牌特定的数据点针对这一受众群体进行量身定制。

这种新模式为那些传统上被认为数据贫乏的品牌提供了机会，因为它们没有与用户进行必要的价值交换来收集大量结构化的消费者级数据。

更智能地使用第一方数据

通过实施强大的数据管理流程和 RAG 管道，CPG 和汽车等垂直行业的公司可以筛选他们长期积累的大量非结构化受众洞察和创意绩效报告。这些洞察可用于基于第一方数据创造新型竞争优势。

无论新的人工智能模型有多强大，只要提供相关数据，它们总会变得更好。营销人员越早意识到这一机会，效果就越好。

“数据驱动思维》由媒体界成员撰写，包含有关媒体数字革命的新鲜思想。

跟随 品牌科技集团 和 广告交换器 是领英。