AI: gevolgen en kansen voor marketeers en merken

Met AI en machine learning blijft Kantar nieuwe, innovatieve wegen inslaan om adverteerders te helpen een groter marketingimpact te genereren met creativiteit. Link AI test creatieve uitingen snel, repeterend en op grote schaal. Daardoor wordt de time-to-market verkort en de ROI voor onze klanten verhoogd. Link AI op Kantar Marketplace is de snelste, volledig geautomatiseerde, door AI aangedreven oplossing voor creative en media-optimalisatie die momenteel beschikbaar is. Link AI is gebaseerd op een database met meer dan 250.000 advertenties en 35 miljoen menselijke interacties.

Ontdek LinkAI.

Ontvang schaalbare, AI-aangedreven, cookie-loze metingen en begrijp de relatieve bijdrage van alle elementen in de marketingmix. UMMO (Unified Marketing Measurement and Optimization) geeft je controle over jouw marketingbudget en berekent je uniforme marketing (ROI) en de korte- en langetermijn impact op sales en merkwaarde.

Ontdek UMMO.

NeedScope heeft geholpen bij het stimuleren van merkgroei in meer dan 15.000 onderzoeken in 115 markten.

Begrijp de functionele en emotionele behoeften in jouw markt en hoe je deze het beste kunt aanspreken, met het gevalideerde psychologische framework en de AI-capaciteit van Kantar. Analyseer de beeld- en videoweergave van een merk om te begrijpen in hoeverre ze in lijn zijn met de beoogde emotionele positionering van het merk via verschillende contactpunten.

Ontdek NeedscopeAI.

Kantar BrandNow integreert Kantars eigen AI-technologie, Trend AI, om ruis uit enquêtegegevens te filteren waardoor data realtime worden. Hierdoor begrijp je de belangrijkste pijlers voor groei van jouw merk en kun je jouw middelen op het juiste moment en op de juiste plaats inzetten met behulp van Kantars wereldwijd erkende Brand Equity Framework.

Ontdek BrandNow.

Generatieve AI is een nieuw en enerverend soort kunstmatig intelligentie-systeem dat in staat is nieuwe content te genereren, zoals tekst, afbeeldingen of video's. Generatieve AI-systemen zijn gebaseerd op "foundation-modellen" die in staat zijn tekst, afbeeldingen, audio of video's op te nemen en gegevens van een of al deze typen te genereren als reactie op menselijke instructies. Large Language Models (LLM) zijn een speciaal type foundation-modellen die met tekstgegevens werken.

Wat foundation-modellen zeer krachtig maakt, is dat ze "taak-agnostisch" zijn. Dat wil zeggen dat ze zeer bekwaam kunnen zijn in taken waarvoor ze niet expliciet getraind zijn. Bijvoorbeeld, LLM's worden meestal alleen getraind om het volgende woord in een reeks woorden te voorspellen. Deze training, wanneer deze op grote schaal wordt uitgevoerd, stelt de modellen in staat om poëzie te schrijven, wiskunde te doen, codes te schrijven, puzzels op te lossen, uit te blinken in examens en nog veel meer.

Deskundigen zijn het erover eens dat we nog ver verwijderd zijn van Artificial General Intelligence. Het moment waarop een machine in staat zal zijn intellectuele taken te begrijpen of te leren zoals een mens dat zou doen. Foundation-modellen zouden echter een mogelijke eerste stap kunnen zijn.

Zowel traditionele AI als generatieve AI zijn gebaseerd op machine learning - algoritmen die machines in staat stellen te leren van gegevens zonder expliciet te worden geprogrammeerd. Ze verschillen echter op belangrijke manieren.

Traditionele AI-modellen zijn vooral gericht op geavanceerde analytische taken zoals voorspellingen of clustering. Ze werken meestal met slechts één soort data en worden meestal getraind voor één specifieke taak waarin ze zeer bekwaam zijn. Moeten ze een andere taak goed uitvoeren? Dan moeten ze opnieuw worden getraind. Generatieve AI-modellen daarentegen zijn gebaseerd op foundation-modellen die verschillende soorten gegevens (tekst, afbeelding, video) kunnen verwerken en elke soort kunnen genereren. Generatieve AI-modellen vereisen echter meer data dan traditionele AI-modellen, maar als ze van dergelijke gegevens worden voorzien, zijn ze veelzijdiger - ze kunnen goed zijn in activiteiten waarvoor ze niet expliciet zijn getraind.

Geen van beide vormen van AI is per se "beter" of "slechter" dan de andere. Elk heeft zijn eigen voordelen, afhankelijk van de beoogde toepassing en gebruik. In veel praktijksituaties is de beste oplossing juist een combinatie van beide. Bijvoorbeeld, Link AI maakt gebruik van zowel generatieve AI als traditionele AI als onderdeel van hetzelfde algehele kader om voorspellingen te doen.

Er zijn verschillende bekende risico's die we zien in de marktonderzoeksindustrie. Een daarvan is dat het model dingen verzint die feitelijk onjuist zijn - een fenomeen dat wordt aangeduid als "modelhallucinatie". Een tweede risico is dat de modellen mogelijk niet volledig up-to-date zijn - we hebben dit gezien bij voorbeelden met tijdreeksen waarbij de vorige versie van ChatGPT verkeerde antwoorden gaf omdat deze slechts was bijgewerkt tot 2021. Meer fundamenteel hebben Large Language Models geen 'kennis van kennis', dus er bestaat niet zoiets als een vertrouwensniveau. LLM’s hebben daarnaast geen besef van tijd, tijdelijkheid of wiskunde, die op regels is gebaseerd. Dus, ze zijn momenteel (nog) beperkt in hun interpretatie van gegevens tot wat ze kunnen waarnemen via generieke associaties.

Naast technische kwesties zijn er ook mogelijke juridische en ethische kwesties die zich voordoen. Intellectueel eigendom bijvoorbeeld: is dit een creatieve daad door het LLM of is dit het hergebruiken van intellectueel eigendom van iemand anders? Betekent het delen van jouw eigen data op het open web dat je toestemming geeft voor het gebruik ervan door Large Language Models? En tot slot, de kwaliteit van de datasets die de modellen gebruiken kan gemakkelijk vooroordelen en stereotypen versterken zonder dit te weten.

Gebruiksscenario's voor generatieve AI vallen in drie brede categorieën:

1. Efficiënter maken: foundation-modellen kunnen een onderzoeker helpen zich te concentreren op wat belangrijk is.

• Samenvatting: marktonderzoek verzamelt veel gegevens in de vorm van woorden - enquête-uitspraken, kwalitatieve interviews en focusgroepen. LLM's kunnen reacties samenvatten, ordenen en prioriteren, waardoor het werk van de onderzoeker wordt versneld bij het creëren van een verhaal voor de klant. LLM's en foundation-modellen kunnen zelfs video's en afbeeldingen samenvatten.
• Geautomatiseerde rapportage: marktonderzoek produceert ook grote hoeveelheden kwantitatieve gegevens die moeten worden gesorteerd, samengevat en gepresenteerd. LLM's kunnen snel organiseren en conceptkoppen maken op basis van grafieken, tabellen, modellen en samenvattingen.

2. Uitvoeren in hogere kwaliteit: Foundation-modellen kunnen doen wat eerdere AI-modellen deden, maar van veel hogere kwaliteit, soms zelfs beter dan een mens.

• Identificatie van "kenmerken": LLM's kunnen thema's identificeren, sentiment beoordelen, merkaffiniteit, merkpercepties, emoties identificeren, waarbij er ruimte is voor de onderzoeker om dit verder te verfijnen en te nuanceren.
• Voorspelling: foundation-modellen stellen ons in staat embeddings (wiskundige representaties) te extraheren die andere machine learning-modellen kunnen gebruiken om een bepaalde gewenste uitkomst te voorspellen. Bijvoorbeeld, helpt de dialoog in een tv-reclame bij het voorspellen van de prestaties ervan? Hoe kunnen we de kwalitatieve ervaring van mensen bij het omgaan met een servicemedewerker relateren aan hun merkloyaliteit of klantverloop? De kwaliteit van dergelijke embeddings is vaak aanzienlijk beter dan de vorige generatie AI-modellen.

3. Compleet nieuwe dingen doen: Generatieve AI opent de deur naar vele nieuwe toepassingen.

• Intelligent interviewen: conversational AI wordt al gebruikt in de industrie en zal met grote sprongen vooruitgaan. Het geeft antwoord op eerdere antwoorden en past volgende vragen hierop aan. Het ontwerpen van kwantitatieve vragenlijsten zal nooit meer hetzelfde zijn, de machine kan helpen bij automatisering en standaardisatie van het proces!
• Creatief schrijven: dit kan variëren van het maken van discussiegidsen, initiële concepten voor presentaties, marketingteksten, conceptverklaringen tot videoreclames.
• Conversatie-opdrachten: denk aan 'een intelligente agent' die bovenop dataplatforms zit die je in een natuurlijke, menselijke taal kunt bevragen. De agent analyseert vervolgens potentieel enorme databases 'eronder' en haalt de resultaten naar boven in natuurlijke taal.