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。 订阅 AdExchanger 日报 每个工作日将我们编辑的综述发送到您的收件箱。 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 […]