Einstein vs 1 milyar stajyer

Unskippable Labs Global Kreatif Direktörü Ben Jones'a göre makine öğrenimi, tek bir Einstein yerine 1 milyar stajyere sahip olmaya eşdeğer.

Advertorial 13.04.2020 - 11:43 | MediaCat

Einstein vs 1 milyar stajyer
Makine öğrenimi (machine learning), mükemmel çözümü bulan tek bir Einstein ile çalışmak yerine bir milyar stajyere sahip olmak gibidir. Bu stajyerlerden nasıl yararlanacağınızı siz belirlemeli, onlara görevler atamalı ve sağladıkları verileri faydalı sonuçlara dönüştürmelisiniz.

Google’da Unskippable Labs’in global kreatif direktörü olarak daima en iyi reklam stratejilerini bulmaya çalışıyorum. Yazdığımız her raporda, yaptığımız her denemede makine öğreniminden yararlanmak için birçok fırsat olduğunu görüyorum.

Ancak aynı zamanda reklam ekiplerinin endişelenmeye başladığını fark ediyorum. Reklamcı olarak şunu merak edebilirsiniz: “Makinelerin becerileri hızla artıyorsa benim yerime reklam metni yazmaya ne zaman başlarlar?” Bu, makul bir soru. Ancak reklamcıların rolü hiç bu kadar önemli olmamıştı. Makine öğreniminin reklamcıların yerini alması değil, yaratıcılığı desteklemesi amaçlanıyor.

Makine öğrenimiyle mükemmel reklama doğru

Makine öğreniminin yeteneklerinden yararlanarak daha iyi, daha alakalı ve daha etkili reklamlar hazırlayabiliriz. Makine öğrenimi kullanmak, mükemmel çözümü bulan tek bir Einstein ile çalışmak yerine bir milyar stajyere sahip olmak gibidir. Bu stajyerlerden nasıl yararlanacağınızı siz belirlemeli, onlara görevler atamalı ve sağladıkları verileri faydalı sonuçlara dönüştürmelisiniz. Siz olmadan, stajyerlerin ne yapacaklarına dair hiçbir fikirleri yoktur.

Yaratıcılık ve teknolojinin karşılaştırıldığı sektör tartışmalarının üzerinde durmaktansa, biz reklamcıların bu stajyerleri nasıl yönlendireceğimizi öğrenmemiz gerektiğini düşünüyorum. Makine öğreniminin yeteneklerinden yararlanarak daha iyi, daha alakalı ve daha etkili reklamlar hazırlayabiliriz.

Stajyerleri eğitmek

Daha iyi reklamlar hazırlamak için stajyerlere nasıl kazanacaklarını öğretmemiz gerekiyor. Stajyerlerinizin eski bir bilgisayar oyunu olan Breakout’u oynadıklarını hayal edin. Oyuncuların bir raketi kontrol ederek zıplayan topu oyunda tutmaya çalıştığı bu oyunda amaç, ekranın üst kısmındaki can sıkıcı tuğla katmanını yok etmektir.

Son olarak, zafere ulaşmaları için yeterli büyüklükte bir veri kümesine ihtiyaçları vardır. Onlara 10 dakika verirseniz muhtemelen fena bir yenilgiye uğrarlar. Altı saat verirseniz altıncı sınıfta beni gururlandıran o en yüksek puanın üstüne çıkmayı başarırlar.

Makine öğreniminin çalışabilmesi için şunları yapması gerekiyor:

Kazanmanın ne demek olduğunu bilmeli

Stajyerler ilk olarak “kazanmanın” ne anlama geldiğini öğrenmeli. Breakout’ta bunun için, puanın önemini vurgulamak ve stajyerlere puanları ne kadar yüksek olursa o kadar başarılı olacaklarını anlatmak gerekiyor.

Nasıl kazanılacağını öğrenmeli

Öğrenmeleri gereken bir sonraki şey, oyunun nasıl kazanılacağı. Oyunu oynamaya devam ettikçe, top tuğlaların üzerindeki alana ulaşana kadar durmadan tek bir sütuna saldırmanın en etkili strateji olduğunu fark ederler. Böylece oyun için sabit bir kural grubuna sahip olurlar.

Bunu yapmak için yeterli zamana ve veriye sahip olmalı

Son olarak, zafere ulaşmaları için yeterli büyüklükte bir veri kümesine ihtiyaçları vardır. Onlara 10 dakika verirseniz muhtemelen fena bir yenilgiye uğrarlar. Altı saat verirseniz altıncı sınıfta beni gururlandıran o en yüksek puanın üstüne çıkmayı başarırlar.

Stajyerlerin kafası karışık

Şu an reklamlarla ilgili sorun, stajyerlerin kafasının karışık olması.

Stajyerler en sonunda Breakout’u kendi kendilerine oynamayı başarabiliyorlarsa, neden kendi başlarına reklam oluşturarak bize yardımcı olamıyorlar?

Çünkü Breakout’un aksine reklamcılık dünyasında kazanıp kazanmadığınızı belirlemek için her zaman aynı yöntem kullanılmaz. Konu mükemmel reklamlar olunca, bırakın kazanmayı, “kazanmanın” ne demek olduğu konusunda bile hemfikir değiliz. Kimileri işin sırrının mükemmel hikâyeler anlatmak olduğunu kimileri de izleyicinin o anki zihinsel durumunun önemli olduğunu söyler. İlişkilendirme ölçütleri ve modelleri, hem karışık hem tutarsızdır. Stajyerler açısından ise bunlar kafa karıştırıcı.

Ayrıca kültürün durmadan değişmesi ve reklamcılık ile kültürün iç içe geçmiş olması nedeniyle, kurallar da değişmeye devam ediyor. Etkileyici bir reklam hazırlamak için belirli bir kültürde insanlara doğru anda doğru mesajı vermeniz gerekiyor.

Kültür söz konusu olduğunda, yaptığımız seçimlerin son derece etkili olduğu bazı anlar var. Bu seçimi çok erken yaparsanız (örneğin, reklamınıza dile dolanan ancak bilinmeyen bir şarkı eklerseniz) insanlar sizi anlamaz. Bu seçimi çok geç yaparsanız (örneğin, çok bilinen bir hit haline gelmesinden bir yıl sonra bu şarkıyı reklamınıza koyarsanız) klişe olursunuz. Üstelik insanların sizi anlamadıkları bir noktadayken yalnızca birkaç gün içinde klişe olabilirsiniz. Stajyerler kuvvetli rüzgârların estiği bir havada hareketli bir hedefin doğru noktasını bulmaya çalışır.

Kitle sinyalleri dünyası: Hâlâ umut var

Neyse ki hızla değişen bu dünyada sayısız kitle sinyaline ulaşıyoruz. Veri kümeleri zenginleştikçe verilerin değeri de daha açık hale geliyor. Markanızın hikâye anlatıcısı olarak siz ve stajyerleriniz için bu, heyecan verici bir haber.

Bu sinyalleri stajyerlerinize ilettiğinizi ve onlara şu soruları sorduğunuzu hayal edin: Ne tür kalıplar görüyoruz? Bu kalıpların değeri ne? Özel bir reklamın değeri ne olur?

Makinelere hangi yanıtları arayacağını ve bu yanıtlarla ne yapacağını bizim öğretmemiz gerekiyor.

Ekibim şu anda bu soruların yanıtlarını arıyor. Kısa zaman önce CoverGirl’ün altı saniyelik bumper reklamlarıyla bir deneme yaptık. Herkes için tek bir yaklaşım izlemektense reklamları özelleştirerek daha başarılı olabileceğimizi öğrendik. Ancak bu durum, yeni sorunları da beraberinde getiriyor: Kaç reklam oluşturmalısınız? Bunları kaç kez yinelediğinizde ne kadar değer elde ediyorsunuz?

Stajyerler bu sorulara yanıt bulmamıza yardımcı olabilir. Stajyerlerin, sinyal verilerini işleyip en iyi sinyal türlerini açığa çıkarmalarının ve birçok farklı kitleye hitap edecek muhteşem satırlar yazmamız için bize analizler sunmalarının tam zamanı. Ancak stajyerlerimizi nasıl doğru yönlendireceğimizi bilmemiz için önce denemeler yapıp sorular sormalıyız.

Karmaşıklığı benimsemek

Siz de benim gibi son derece meraklı bir reklamcıysanız, doğru noktayı bulmak için testler ve denemelerin önemini bilirsiniz. Bu noktayı bulduğumuzda, reklam harcamalarından maksimum gelir elde etmek için doğru kitlelere doğru reklamları doğru sıklıkla ve sırayla sunabiliriz.

Bunu başarmak için 1 milyar stajyerle çalışmanın karmaşıklığını benimsemeliyiz. Makinelere hangi yanıtları arayacağını ve bu yanıtlarla ne yapacağını bizim öğretmemiz gerekiyor. Ancak yalnızca bildiklerimizle yetinirsek, kültüre olduğu kadar verilere de aşina olmazsak ve kendi kendimize meydan okumazsak daha iyi reklamlar üretemeyiz.

Yakında 1 milyar stajyerimiz olacak. Hazır olmamız için şimdiden denemeler yapmaya başlamamız gerekiyor. Bu stajyerler sayesinde daha fazla zaman kazanarak yaratıcı gücümüzü en etkili olduğumuz alanlarda kullanabilir, sıkıcı işlerden kurtulabiliriz. Stajyerler, yalnızca yaratıcı çalışmalarımıza odaklanmamızı ve değer ortaya koymamızı sağlayacak. Böylece hepimiz işimizden çok daha fazla zevk alacağız.

İnsan zekâsına alternatif değil, performans artırıcı

2019 Cannes Lions Uluslararası Yaratıcılık Festivali’nde ödül almayı bekleyen kampanyalardan biri, senaryosu yapay zekâ tarafından yazılmış olan Lexus ES reklamıydı. Makine öğrenimi son 15 yılda ödül alan lüks kategorilere ait reklamlarla yapılmıştı. Ödüllü sinema yönetmeni Kevin MacDonald tarafından çekilmişti. Buna rağmen festivalden ödül alamadı. Yapay zekâ tarafından yazılmış bu reklam neden yeterince yaratıcı bulunmadı?

Toygun Yılmzer
TBWA\Istanbul Chief Strategy Officer

Bu sorunun cevabı yapay zekâ tarafından yazılmış senaryolardan bilim kurgu filmleri çeken yönetmen Oscar Sharp’ta. 2016 yılında ilk denemesinin tatmin edici olmamasını şu şekilde açıklamıştı Sharp: “Yapay zekâ insanların o güne kadar yazdıklarının ortalamasını almış…”

Ben de Sunspring adlı bu filmi izlediğimde ilginç ama anlamsız bulmuştum. Makine öğrenimi 80’lerin ve 90’ların en ünlü bilim kurgu filmleri ve dizilerinin senaryolarıyla yapılmıştı. Yapay zekâ tüm bu filmlerde ortak kullanılan kalıpları öğrenmişti. Süreç çok yaratıcı olsa da geçmiş kalıplar kullanıldığı için ortaya çıkan sonuç yaratıcı olmamıştı.

Her iki örnekte de insanların yazabilecekleri senaryoları yapay zekâya yazdırma gayreti var. Zaman içinde insanın yapabildiği becerileri yapay zekâdan beklemek yerine insanın yapamadığı ya da yapmak için çok uzun zamana ihtiyacı olduğu fonksiyonları yapay zekâ desteğiyle başarmayı öğreneceğiz.

Sürekli değişen iyi reklam anlayışı

Ben Jones’un da söylediği gibi reklamda sabit bir başarı tanımı yok. Sürekli değişen bir kültüre paralel, sürekli değişen bir iyi reklam anlayışı var. Bu yüzden tanım gereği geçmiş verilerden kalıp çıkarmaya dayalı olan yapay zekâ çözümleri sadece bir ara çözüm olarak işleri hızlandırmak için kullanılabilir.

2015’ten beri birçok reklam ajansı “dünyanın ilk yapay zekâ bir şeyi” tanımını kazanmak için yapay zekâyı kullandı. Bundan sonra deneyip yanılarak yapay zekâ destekli yaratıcılığı öğreneceğimiz bir dönem olacak. Asıl yaratıcı işleri, yapay zekâyı insan zekâsına alternatif değil, bir performans artırıcı olarak kullandığımızda göreceğiz.

create.withgoogle.com adresinden erişilen Google’ın yaratıcılık merkezinde yaratıcılık için ilham, araçlar ve en iyi uygulamaları keşfedin.

Kaynak: thinkwithgoogle.com.tr

Giriş

Parolanı mı unuttun?

Parolanı mı unuttun?

Kullanıcı adını ya da e-posta adresini gir. Sana bir e-posta göndereceğiz. Oradaki bağlantıya tıklayarak parolanı sıfırlayabilirsin.

Your password reset link appears to be invalid or expired.

Giriş

Gizlilik Politikası

Add to Collection

No Collections

Here you'll find all collections you've created before.