A-PRIZE of the Lifeboat Foundation

A-PRIZE

Purpose

The purpose of the A-PRIZE is to put development of artificial life forms in the open where it should be. Today, many efforts at developing artificial life are not well publicized. The A-PRIZE serves as a clearing house for information about the race to “Break the Carbon Barrier”. With mega-universities and companies racing to create nonbiological life, now is the time for such a clearing house.
 
With the reality that Nanobiotechnology (in its various guises including Synthetic Biology, Artificial Life, Biological Engineering, etc.) is pouring billions per year into the global race to break through the Carbon Barrier, now is the time to focus on this issue.
 
A bacterium with nonstandard DNA would be immune to bacteriophages, and would therefore have a much higher chance of becoming a broadly successful invasive species. That could devastate ecosystems on a scale that we don’t know the limits of. So let’s try to handle the development of artificial life in an open and responsible way by putting development in the open and engaging in development in a safe manner.
 

Overview

The A-PRIZE was developed by our Scientific Advisory Board member Alan H. Goldstein who coauthored the National Research Council’s triennial review of the National Nanotechnology Initiative (NNI). Input was also provided by other members of our Scientific Advisory Board including Mark A. Rothstein. Read our interview with Alan H. Goldstein!
 
It is awarded to the person or organization responsible for creating an Animat/Artificial life form with an emphasis on the safety of the researchers, public, and environment OR the person or organization who shows that an Animat/Artificial life form has been created. (The second case is to uncover unpublicized or unsafe projects.)
 
For nearly half a century, SETI efforts have Searched for Extra-Terrestrial Intelligence. Instead of searching for alien life outside our planet, the Lifeboat Foundation has decided to take the opposite approach and to search for “alien” life on this planet. We call our efforts “Finding Artificial Life Created by Nanobiotechnology” (FALCN, which is pronounced like falcon).
 
In 1978 the Nobel Prize in Physiology or Medicine was awarded to Werner Arber, Daniel Nathans and Hamilton O. Smith for the discovery of restriction enzymes and their application to problems of molecular genetics. In an editorial comment in the journal Gene, Wacław Szybalski wrote: “The work on restriction nucleases not only permits us easily to construct recombinant DNA molecules and to analyze individual genes but also has led us into the new era of synthetic biology where not only existing genes are described and analyzed but also new gene arrangements can be constructed and evaluated”.
 
We feel it is time to begin the search because considerable advancements in synthetic biology have been made recently. For example, we now have an International Conference on Synthetic Biology. At the most recent conference, our Scientific Advisory Board member Stephen M. Maurer was author of a groundbreaking proposal to finally have a code of conduct for the field of synthetic biology which unfortunately was not accepted at that meeting.
 
Because of rejections of proposals such as Maurer’s there is no coherent federal regulation or plans to develop coherent regulation of emerging fields such as nanobiotechnology/synthetic biology/artificial life. Worldwide, the situation is entirely chaotic.
 

What is an Animat?

This term was developed by Alan H. Goldstein. In his article I, Nanobot, he suggested that a new state of life be named after the contraction of the term “anima-materials” — “animats”. This artificial life form (most likely nanobiotechnology based) must meet the following tests:

A = Devices that can survive and function in our ecosphere, for example inside human beings.
 
B = Devices that can derive energy from biological metabolism. Many nanomedical devices will be powered by the fuel available inside the human body. A common idea is to take our own glucose-oxidizing enzymes and use them as a fuel cell for the nanobiobot.
 
C = Devices capable of copying themselves by molecular self-assembly. Note that any information necessary for the animat’s operations cannot be stored in DNA or RNA or any other methods that are discovered to be used naturally by life on Earth. The corollary: If the information necessary to execute the animat’s operations can be stored in DNA or RNA, then the animat is really biological and is not an animat.

So A + B + C = a self-replicating device capable of living in our ecosphere, powered by fuel available in our ecosphere = Animat.
 
Learn more about the Animat Test!
 

A-PRIZE Taxonomic System

Taxonomic System For Current And Near-Future Life Forms On Earth: Because Molecular Engineering (a.k.a. Nanobiotechnology) is already a reality, we must develop careful terminology in order to characterize the novel life forms that will emerge from this revolutionary endeavor. This table may be considered as a first attempt to create a coherent, fully inclusive set of Life Form Types, i.e. to create an expanded taxonomy that can accommodate the products of Molecular Engineering. Life Form Types are defined based on how a given life form functions and how it came into being. It is crucial to recognize that Molecular Engineering will ultimately result in every possible permutation and combination of these Life Form Types.
 
It is unlikely that a fully functional Synthetic Nonbiological Life Form (a.k.a. an Animat — see Type 4 below) will come into being in the near future. Therefore, the Carbon Barrier^TM is defined as the moment in the evolution of human Molecular Engineering when we first create an organism that must execute at least one synthetic nonbiological operation in order to complete its life cycle. The person or group that verifiably creates such an organism with an emphasis on the safety of the researchers, public, and environment, OR the person or group that provides information leading to the discovery that such an organism has been created will win the A-PRIZE.
 
Taxonomy System
 
The Life Form Type Natural Biological has the defining characteristics that Natural Biological Life Forms are limited to organisms wherein all the information necessary to execute the minimum set of physical and chemical operations necessary to complete a life cycle must be stored in DNA and/or RNA. In addition these life forms must either have come about by terrestrial evolution, or via manipulation by Homo sapiens at or above the cellular level of organismal structure.
 
Humans have been genetically manipulating biological life forms such as crop plants for thousands of years via conventional breeding. This definition allows anything down to the product(s) of in vitro fertilization to qualify as a Type 1 Life Form.
 
The Life Form Type Genetically-Engineered Biological has the defining characteristics that Genetically-Engineered Biological Life Forms also conform to the rule that all information necessary to execute the minimum set of physical and chemical operations necessary to complete a life cycle must be stored in DNA and/or RNA. Type 2 Life Forms are created via direct intervention of humans below the cellular level of organization but this intervention uses a “top-down” strategy whereby existing biomolecules are rearranged or chemically modified.
 
In addition to recombinant DNA and the other standard molecular biology tools of biotechnology (e.g. protein engineering, pathway engineering etc.) Type 2 Life Forms would include those created by subcellular methods such as somatic nuclear transfer.
 
The Life Form Type Synthetic Biological has the defining characteristics that Synthetic Biological Life Forms also conform to the rule that all information necessary to execute the minimum set of physical and chemical operations necessary to complete a life cycle must be stored in DNA and/or RNA. Rather than use pre-existing biomolecules, Type 3 Life Forms are created via direct human intervention using a ‘bottom-up’ strategy whereby the minimum number of biomolecules necessary to initiate life cycling (DNA, RNA, proteins, the bounding membrane of a synthetic cell, etc.) are synthesized and assembled in the laboratory de novo from nonliving chemical precursors.
 
The definition of a Type 3 Life Form brings up many interesting questions. For example, if we could synthesize and assemble all the components of a specific strain of E. coli (say K-12) and it began to grow and divide, would it’s progeny be considered Type 3 or Type 1 Life Forms? These issues can only be addressed after we have developed a coherent set of life form definitions.
 
The Life Form Type Synthetic Nonbiological (Animat) has the defining characteristics that Synthetic Nonbiological Life Forms absolutely must not conform to the rule that all information necessary to execute the minimum set of physical and chemical operations necessary to complete a life cycle must be stored in DNA and/or RNA. In fact, the exact opposite condition must be imposed as a taxonomic requirement. A completely Synthetic Nonbiological Life Form would not use any biomolecules to store information or execute life cycle operations. Any such organism would be considered a fully functional Animat.
 
The highest probability is that the first Synthetic Nonbiological Life on Earth will appear in hybrid organisms where one or more essential life cycle operations must be carried out using chemistry outside the parameters set for of the Biological Life. In fact, over the next decade we will see the emergence of Multi-hybrid Life Forms containing Natural, Genetically Engineered, and Synthetic Biological components as well as one or more Synthetic Nonbiological components.
 

What is the Carbon Barrier?

Nanobiotechnology is expected to eliminate the difference between living and nonliving materials, thereby ending biology’s monopoly on life… Alan H. Goldstein has termed that monopoly the “Carbon Barrier”.
 

Judges

The first phase of judging is to determine if proper safety precautions have been taken. Our safety judges are: Russell Blackford, Alan H. Goldstein, Joseph D. Miller, and Philippe Van Nedervelde. All judges must agree that proper safety precautions have been taken for an award to be given. Let us know if you are qualified to be a safety judge!
 
The second phase of judging is to determine if an animat has been created. Our animat judges are: Alan H. Goldstein and Joseph D. Miller. All judges must agree that an animat has been created for an award to be given. Let us know if you are qualified to be a animat judge!
 

Prize

Besides creating an animat, two additional items must be submitted to receive the prize: (1) a description of the measures taken by the researchers to ensure the safety of researchers, the public, and the environment during the course of the research; and (2) an analysis of the ethical, legal, and social implications of the research, along with an indication of what societal measures are needed to maximize the benefits and eliminate or minimize the possible harms flowing from the discovery.
 
We are looking for donors to add to the prize total. To collect the prize money, submit winning entries to [e-mail].
 

Notes and References

Artificial Life Likely in 3 to 10 Years, Seth Borenstein, AP – August 19, 2007.
 
I am creating artificial life, declares US gene pioneer, Ed Pilkington, The Guardian, October 6, 2007.
 
I, Nanobot by Alan H. Goldstein – March 9, 2006.
 
Life, Reinvented: A group of MIT engineers wanted to model the biological world. But, damn, some of nature’s designs were complicated! So they started rebuilding from the ground up — and gave birth to synthetic biology, Oliver Morton, Wired – January, 2005.
 
Regenesis, Matthew Herper, Forbes – August 18, 2006.
 
Tweaking Genes in the Basement, Allen Riddell – July 6, 2006.
 
The Ultimate Right to Life Debate: Synthetic biologists know the meaning of life, but do they know the meaning of synthetic biology? by Alan H. Goldstein – September, 2006.

NASA bets big on private sector to put humans on Mars

Nyshka Chandran | @nyshkac

NASA will continue tapping the private sector to fund space exploration efforts under President Trump, marking a continuation in policy that first began under former president Barack Obama.

"Public-private partnerships are the future of space exploration," Dava Newman, a former NASA deputy administrator who resigned before Trump took office, told CNBC on Tuesday. "I call it the new NASA."

NASA | Getty Images

In this handout provided by the National Aeronautics and Space Administration (NASA), SpaceXs Falcon 9 rocket and Dragon spacecraft lift off from Launch Complex 40 at the Cape Canaveral Air Force Station for their eighth official Commercial Resupply (CRS) mission on April 8, 2016 in Cape Canaveral, Florida.

In total, 22 companies—all American—have won contracts with the agency across a diverse range of sectors, from in-space manufacturing to engine development.

Boeing and Elon Musk's SpaceX will be delivering NASA astronauts to international space stations, while Orbital ATK, Sierra Nevada and SpaceX will transport NASA cargo to space stations, said Newman, who is now chair of the Apollo Program at the Massachusetts Institute of Technology.

NASA is a part of the U.S. government, but remains independent while still receiving federal funds —a structure originally conceived by McKinsey. Back in the 1950s, the management consultancy suggested the idea of a separate government office dedicated to space research.

Other countries have also fixated their sights on the private sector. Last year, the Indian Space Research Organisation invited firms to build a full spacecraft as Prime Minister Narendra Modi looks to open up the country's satellite manufacturing industry, according to local news.

One specific goal of NASA's public-private partnerships is putting humans on Mars by the 2030s, a journey that's already underway.

A robotic rover that's been exploring the Red Planet since 2012 has helped confirmed evidence that water once flowed on the isolated planet, suggesting the existence of streams and lakes billions of years ago. NASA intends to launch another rover in July 2020.

Obama made no apologies for curbing the agency's exploration ambitions and it's not yet clear how NASA will be impacted under Trump, who said little on space during his campaign.

Some strategists believe the real-estate billionaire will be keen to push property development on the Moon, a scenario that Newman believes will spark excitement "in the next decade."

تحلیل اقتصادی از بیکاری و سرمایه گذاری در کشور

بیکاری دهه شصتی ها

مشاور اقتصادی رئیس‌جمهوری درآمد خانوارها در‌ سال ٩٣ معادل دهه ٨٠ است وزیر کار: سیاست‌های صدقه‌ای راه مبارزه با فقر نبود درآمد سرشار نفت در دولت گذشته صرف اشتغال دهه شصتی ها نشد

«دخل و خرج جور در‌نمی‌آید»، «زندگی خرج دارد»، «عائله‌مندم» اینها جملاتی است که این روزها بیشتر از هر زمانی شنیده می‌شوند.

---

به گزارش عصر ایران، روزنامه شهروند نوشت: جملاتی که حالا مسعود نیلی مشاور اقتصادی رئیس‌جمهوری نیز بر آن صحه گذاشته و اعلام می‌کند؛ رفاه خانوارها از‌سال ۸۷ روند نزولی داشته است.

او که پیشتر اعلام کرده بود؛ هر فرد شاغل درکشور ما ٦/٣نفر را سرپرستی می‌کند درحالی ‌که درکشورهای مختلف افرادی که شاغل هستند، به‌طور میانگین سرپرستی ٢/٢ افراد را برعهده دارند، حالا از واقعیت تلخ دیگری پرده برمی‌دارد؛ «درآمد خانوارها در ‌سال ۹۳ تقریبا معادل درآمد اوایل دهه۸۰ است، این آمار نشان می‌دهد بنیه اقتصادی خانوارها ضعیف شده به‌گونه‌ای که حتی توان پس‌انداز برای سال‌های آینده وجود ندارد».اما بی‌توجهی به سطح درآمد طی سال‌های گذشته موجب شده که ٦٨‌درصد فقرا را شاغلان، ٢٤‌درصد را صاحبان درآمد بدون کار و ٤‌درصد را بیکاران تشکیل می  دهند.

معضل کار برای دهه شصتی‌ها

کاهش سطح رفاه مردم درشرایطی صورت گرفته که حجم انبوهی از جوانان جویای کار دهه٦٠ از اواخر دهه٨٠ روانه بازار شد و درعین حال اقتصاد کشور نتوانست به این حجم از تقاضای متقاضیان پاسخ دهد. آمارهای ارایه‌شده ازسوی مشاور اقتصادی رئیس‌جمهوری نشان می‌دهد که یک‌میلیون و۴۲۲‌هزار نفر در یک‌سال منتهی به تابستان ۹۳، ۸۷۲‌هزار نفر منتهی به بهار ۹۴، یک‌میلیون و۳۸۲‌هزار نفر در ۱۲ماه منتهی به تابستان ۹۴، ۸۶۱‌هزار نفر در یکسال منتهی به پاییز ۹۴، ۵۱۵‌هزار نفر در ۱۲ماه منتهی به زمستان‌سال ۹۴، یک‌میلیون و۲۴۵‌هزار نفر در یک‌سال منتهی به بهار ‌سال‌جاری و یک‌میلیون و۲۳۰‌هزار نفر در یک‌سال منتهی به تابستان ‌سال‌جاری وارد بازار کار شدند. این درحالی است که طی یک‌دهه گذشته سالانه تقریبا ۸۰‌هزار جویای شغل وارد بازار کار می‌شدند.

نیلی دراین‌باره با اشاره به این‌که جمعیت شاغل کشور در ‌سال ۸۴ حدود ۲۰‌میلیون و۶۰۰‌هزار نفر بود، توضیح داد: این میزان در ‌سال ۹۱ نیز ثابت ماند، به‌طوری که باید گفت؛ خالص ایجاد اشتغال در این ۷‌سال تقریبا صفر بود؛ همزمان با نیروی انباشت و متقاضی شغل شاهد ورود متقاضیان جدید الورود به بازار کار بودیم و این موضوع منجر شد تا پدیده بیکاری بحرانی شود.

زنگ خطر بیکاری

حالا در شرایطی که زنگ خطر بیکاری در کشور به صدا درآمده، برخی از کارشناسان اقتصادی نسبت به تبعات افزایش فقر در جامعه هشدار می‌دهند. میثم‌هاشم خانی دراین‌باره به «شهروند» می‌گوید: عقیم شدن اقتصاد ملی ما برای زایش اشتغال که ١٠‌سال استمرار داشته، در ترکیب با رشد اقتصادی نامناسب، هجوم قریب‌الوقوع حدود ٥‌میلیون فارغ‌التحصیل دانشگاهی به بازار کار و نیز مضیقه بودجه‌ای دولت به ‌واسطه نفت ٥٠دلاری، به معنای چشم‌انداز تیره و تار بازار کار درکشور است. او ادامه می‌دهد: این وضع فشار سنگینی را بر خانوار‌های فقیری تحمیل خواهد کرد که تقریبا تمام درآمد خود را از عرضه نیروی کار و دریافت دستمزد (و نه از سرمایه‌گذاری) کسب می‌کنند. درچنین اوضاعی بخش بزرگی از فقیرترین خانوارهای کشور، حتی درصورت یافتن شغل هم، قدرت چانه‌زنی بسیار اندکی در تعیین دستمزد دارند. او معتقد است که دولت با تولید اشتغال انبوه در صنایع هدایت‌بر و کم‌هزینه می‌تواند بحران فعلی را پاسخ دهد.

سیاست‌های صدقه‌ای راه مبارزه  با فقر نبود

«سیاست‌های صدقه‌ای راه مبارزه با فقر نبود و اکنون با انباشتی از بیکاران روبه‌رو شده‌ایم.» این موضوعی است که روز گذشته علی ربیعی در همایش رشد فراگیر، تاویلی از اقتصاد مقاومتی مطرح کرد و افزود: به راهبردی رشد نیاز داریم؛ زیرا پاشیدن پول دردی درمان نمی‌کند و فقط موجب فساد می‌شود. ربیعی گفت: زمانی تصور می‌شد خصوصی سازی راهکار اقتصاد ایران است اما همه اینها به توسعه منجر نشد. به گفته او جامعه متکی به صنعت نفت به توزیع نابرابر دامن می‌زند و اشتغال در آن پایین است؛ امروز دیگر کارهای بزرگی مانند جاده سازی یا ساختمان سازی اشتغال ایجاد نمی‌کند. وزیر تعاون، کار و رفاه اجتماعی رشد فراگیر اقتصادی را مهم‌ترین راهبرد دولت یازدهم دانست و گفت: رشدی که همه قشرهای جامعه به‌ویژه محرومان را دربرمی گیرد،  باید به کاهش فقر منجر شود و فاصله طبقاتی تنزل یابد. ربیعی تخصیص ١٠‌هزار ‌میلیارد ریال برای ایجاد اشتغالزایی در‌ سال آتی را در صورت اولویت‌بندی استان‌ها، آموزش و توانمندسازی نیروی انسانی براساس نیازهای منطقه، موثر دانست. او گفت: دولت یازدهم وارث دورانی است که نیروی انسانی و جمعیت دانش‌آموخته پشت درهای بازار کار جمع شده بود.

هزینه سنگینی برای رشد منفی اقتصاد پرداخت کردیم

مسعود نیلی که درهمایش رشد فراگیر و تأویلی از اقتصاد مقاومتی سخن می‌گفت؛ به روند شاخص تولید ناخالص داخلی سرانه کشور از اوایل دهه ۸۰ اشاره کرد و گفت: این شاخص در سال‌های اولیه نیمه دوم دهه ۸۰ حدود ۵.۳‌درصد بود که بعد از آن با دو دوره رشد منفی مواجه شد، به‌طوری که در سال‌های ۹۱ و ۹۲ همزمان با تحریم‌های جدید این رشد به شدت کاهش یافت، اما بعد از آن شاهد افزایش ملایم شاخص تولید ناخالص داخلی سرانه بودیم.مشاور اقتصادی رئیس‌جمهوری همچنین افزود: اگر روند رشد این شاخص از نیمه دهه۸۰ ادامه داشت، نرخ شاخص تولید ناخالص داخلی سرانه درحال حاضر ۱.۵ برابر بیش از نرخ فعلی بود، اما متاسفانه طی ۱۰‌سال گذشته هزینه سنگینی بابت رشد منفی اقتصادی پرداخت کردیم و درحال حاضر آثار این شرایط در وضع اقتصادی خانوارها مشاهده می‌شود.

افزایش آسیب‌های اجتماعی با بیکاری

نیلی آسیب‌های اقتصادی و اجتماعی را دو عارضه بیکاری عنوان کرد و افزود: به دلیل این‌که بخشی از جمعیت متولدین اواخر دهه۵۰ و اوایل دهه۶۰ از سن اشتغال عبور کردند و موفق به عبور به بازار کار نشدند، این موضوع سن ازدواج را با تأخیر مواجه کرد و آسیب‌های اجتماعی را در بین جمعیت جوان افزایش داد. از طرفی دربخش عارضه اقتصادی حجم زیادی از متقاضیان جویای کار به دلیل این‌که خالص اشتغال افزایش پیدا نکرد، به سال‌های آینده موکول شد. نیلی با اشاره به این‌که کشور در سال‌های آینده با پدیده مقیاس بزرگ ورود به بازار کار مواجه خواهد شد، افزود: اگر رشد پایین در اقتصاد ادامه داشته باشد، برای کشور مشکل‌ساز خواهد بود؛ برای خروج از بحران باید با استفاده از سرمایه‌های خارجی وارد عمل شد.

رقم  ۱۸‌  درصدی بیکاران به ۶۰  ‌درصد افزایش یافت

اما مرکز آمار درحالی در جدیدترین گزارش خود از افزایش نرخ بیکاری به ١٢,٦‌درصد خبر داده که نیلی عملکرد دولت در ایجاد شغل را مناسب دانسته و می‌گوید که در ‌سال ۹۵ از یک‌میلیون و۲۴۰‌هزار نفری که وارد بازار کار شده‌اند، ۷۴۳‌هزار نفر شغل پیدا کرده‌اند که رکورد قابل توجهی است.

او البته از آمار تلخ دیگری پرده برداشته و می‌افزاید: دراین مدت ۵۵۰‌هزار نفر هم بیکار شده‌اند که این هم رقم بزرگی است. درواقع ۸۲‌درصد افرادی که در ‌سال ۹۳ شغل پیدا کرده‌اند، به ۴۰‌درصد در ‌سال ۹۵ رسیده و رقم ۱۸‌درصدی بیکاران در ‌سال ۹۳ به ۶۰‌درصد در ‌سال ۹۵ افزایش یافته است. به گفته مشاور اقتصادی رئیس‌جمهوری همچنین در تابستان ۹۵ تعداد کسانی که شغل پیدا کرده‌اند، به ۴۹‌درصد و تعداد بیکارشدگان به ۵۱‌درصد رسیده که نشان می‌دهد افرادی که بیکار شده و افرادی که شغل پیدا کرده‌اند نصف نصف شده‌اند و این آمارها هشدار می‌دهد که ما با افزایش تدریجی بیکاری درکشور مواجه خواهیم شد و باید مراقب باشیم مسائل بزرگتری ایجاد نکند.

٢ کلید کنترل بحران اشتغال متولدین دهه 60

هرچند که مشاور اقتصادی رئیس‌جمهوری راهکار برون‌رفت از وضعیت فعلی را افزایش حجم سرمایه‌گذاری خارجی عنوان می‌کنند اما برخی از اقتصاددان‌ها بر ایجاد اشتغال انبوه تأکید می‌کنند.

میثم‌ هاشم‌خانی دراین‌باره به «شهروند» می‌گوید: برای مواجه‌نشدن به بحران ملی اشتغال درچند‌ سال آینده، ٢ راه پیش‌رو داریم. اول، با توجه به محدودیت منابع داخلی پس‌انداز و سرمایه‌گذاری، به هموارسازی مسیر سرمایه‌گذاری خارجی در حوزه‌های دارای اشتغالزایی مناسب بپردازیم. دوم، سرمایه‌گذاری‌های داخلی را ازحوزه‌های «سرمایه‌بر مانند خودروسازی، فولادسازی، پتروشیمی و امثالهم، به سمت فعالیت‌های اقتصادی «کم سرمایه» هدایت کنیم، یعنی حوزه‌هایی که برای تولید هر شغل در آنها، سرمایه‌گذاری کمی مورد نیاز است. مانند گردشگری، صنایع‌دستی و نیز کسب‌وکارهای مبتنی بر فناوری اطلاعات و اینترنت.

میثم ‌هاشم‌خانی افزود: نکته کلیدی آن است که کسب‌وکارهای سرمایه بر مانند خودروسازی و فولادسازی، عمدتا اشتغالزایی اندک دارند و به توزیع مستمر رانت‌های دولتی هم وابسته هستند. در نقطه مقابل در فعالیت‌های اقتصادی «کم سرمایه» و «کار بر» مانند گردشگری و نیز کسب وکارهای اینترنت محور، هیچ نیازی به اختصاص بودجه مستقیم از طرف دولت وجود ندارد. برای مثال در حوزه گردشگری، می‌توان صدها‌هزار شغل در کشور ایجاد کرد، بدون آن‌که نیاز به ریالی هزینه‌کرد از طرف دولت وجود داشته باشد و یا هیچ فشاری بر منابع پس‌انداز کشور وارد شود.

هنگام اقدام و عمل فرا رسیده است

اقتصاد دانش‌بنیان راه یگانه و بی‌بدیل

*رخساره کاظم

بند نخست سیاست‌های کلی ابلاغی برنامه ششم به تحقق رشد اقتصادی شتابان، پایدار و اشتغال‌زا به میزان متوسط سالانه 8 درصد اشاره دارد. این در حالی است که عملکرد رشد اقتصادی کشور در دوره 1393-1384 به هیچ وجه رضایت‌بخش نبوده و این شاخص مهم که نشان‌دهنده قدرت اقتصاد کشور و افزایش بنیه اقتصادی است در این دوره به طور متوسط سالیانه 6/2 درصد رشد را نشان می‌دهد. حتی اگر به اتکای آمار و ارقام این دوره از تحولات کشور بسنده ننموده و رشد اقتصادی بلندمدت 50 سال گذشته را مبنا قرار دهیم باز هم عدد حدود 5 درصدی رشد متوسط سالانه بیانگر دوری از هدف تعیین شده است.

چه باید کرد؟ موتورهای محرکه‌ای که می‌توانند اقتصاد کشور را در چنین شاه‌راهی با شتاب و سرعت، پایدار و بدون نوسانات مزمن و اشتغالزا به پیش رانند چه ویژگی‌هایی دارند؟ بدون شک راهکارها و توصیه‌ها یگانه نیستند. از خلال تجربه سالیان کشور ایران و مسیر موفق طی شده توسط کشورهای پیشرو در دستیابی به رشدهای پایدار، توام با توزیع مناسب رفاه بین آحاد مردم، توصیه‌های متفاوتی که همگی نیز صحیح هستند و چاره ساز قابل استخراج است. از جمله آنها می‌توان به موارد قابل توجه زیر اشاره گذرا و اجمالی نمود.

رشد سرمایه‌گذاری ناچیز و حتی منفی موجب شده تا سوخت لازم برای حرکت، شتاب و اوجگیری اقتصاد فراهم نشود بدون شک عوامل گوناگون بازدارنده سرمایه‌گذاری داخلی و به ویژه خارجی، آنچنان که در آسیب‌شناسی و تحلیل متغیرهای کلان اقتصادی برنامه ششم نیز به آنها اشاره شده است، همچون مساعد نبودن فضای کسب وکار، مشکلات ناشی از تحریم‌های گسترده و کاهش درآمدهای نفتی و در نتیجه کاهش سرمایه‌گذاری‌های مکمل دولتی و عوامل فرهنگی و ترویج هراس از هرگونهسرمایه‌گذاری خارجی توسط برخیاقشار موثر، در شکل‌گیری این نرخ‌های بدون کفایت دخیل بوده‌اند. عدم استفاده مناسب از ظرفیت پس‌اندازهای ملی و انحراف آنها به سمت فعالیت‌های پربازده و غیرمولد از عوامل دیگر و موثر در رشد نامتناسب اقتصادی کشور است. بالاخره پایین بودن شاخص بهره‌وری از مجموع منابع در اختیار و ضرورت تامین حداقل یک سوم از رشد اقتصادی کشور با بالا بردن بهره‌وری از دیگر مولفه‌های موثر در دستیابی به هدف رشد 8 درصدی هستند.

اینها همه موثرند و اما همه داستان رشد این نیست. تحول چنین متغیرهایی باید بر بستری رخ دهد که بدون شک با مسیر و راه طی شده تا کنون متفاوت خواهد بود. برنامه ششم توسعه بر پایه محورهای سه‌گانه اقتصاد مقاومتی، پیشتازی در عرصه علم و فناوری و تعالی و مقاوم سازی فرهنگی تنظیم شده است. راهبرد دستیابی و دوام رشد اقتصادی یاد شده نیز چه در برنامه ششم و چه در سیاست‌های اقتصاد مقاومتی،دانش‌بنیان نمودن اقتصاد عنوان شده است. پایه و اساس این چنین رشدی با اتکای به منابع لایزال، کاهش ناپذیر و به گونه‌ای فزاینده قابل افزایش، یعنی انباشت دانش و تجربه استوار شدهاست. بنابراین تحکیم این ستون پایدار یک ضرورت بدون چون و چرای ملی است.برای ایجاد و تقویت اقتصاد دانش‌بنیان به مثابه یک راهبرد اساسی توسعه کشور ابتدا باید مولفه‌های دانش‌بنیانی را تقویت نمود آنگاه در تمامی بخش‌های اقتصادی به تقویت کاربرد دانش در تولید و توزیع کالاها و خدمات همت گماشت.

متناسب‌سازی نظام آموزشی کشور، اعم از آموزش عمومی، فنی‌وحرفه‌ای و عالی با مجموعه نیازمندی‌های اقتصادی و اجتماعی کشور و تحولات ناگزیر در عرصه‌های فناوری و ویژگی‌های مترتب بر یک اقتصاد‌ دانش‌پایه، اولین گام در چنین مسیر بی‌بدیلی است. همچنین تکمیل و توسعه زیر‌ساخت‌های فناوری اطلاعات‌و‌ارتباطات در کشور یک ضرورت ملی است. علاوه بر آن افزایش دسترسی سریع، مطمئن، پرکیفیت و ارزان بهانواع امکانات ارتباطی گسترده درعصر اطلاعات، یک خواسته همگانی مصرف‌کنندگان و بنگاه‌ها است. بالاخره چگونگی توسعه و بهره‌برداری از مجموعه اطلاعات و فناوری‌های نوین اطلاعاتی و ارتباطی در مدیریت زنجیره تولید تا مصرف کالاها و خدمات و نهادینه کردن و کاربرد دانش در این زنجیره،گام اساسی دیگری است که باید برداشته شود.

اما مهم‌ترین گام برای تحقق اقتصاد دانش‌بنیان شامل مجموعه اقداماتی است که باید در عرصه ظرفیت‌سازی و کاربرد تحقیق ‌و توسعه در کشور و اصلاح نظام ملی نوآوری به منظور تکمیل موثر چرخه ایده تا محصول و تجاری‌سازی نوآوری برداشته شود. چنین گام مهمی نیازمند توجه به مولفه‌های گوناگون از جمله، تامین مالی مناسب، تقویت زیرساخت‌های حقوقی و نهادی، بازنگری در وظایف دولت و بنگاه‌ها در عرصه تحقیق و توسعه و باز‌تنظیم آنها،بازنگری در مجموعه نظام ملی نوآوری و از جمله اصلی‌‌ترین مولفه‌های آن، نقش ذینفعان و بازیگران وفرایندهای حاکم و چگونگی تسهیل و حمایت از عملکردهای آن خواهد بود.

به نظر می‌رسد اصلی‌ترین وظیفه دست‌اندرکاران، سیاستگذاران و برنامه‌ریزان نظام ملی نوآوری آن است که در چرخه ایده تا محصول به شناسایی و رفع موانع، همچنین تعبیه سازوکارهای‌ لازم برای بکارگیری دستاوردهای تحقیق و توسعه در تولید و ایجاد بازار برای آن محصولات همت گمارند. اینک باید پذیرفت که رشد مقالات علمی و نشر آنها در ژورنال‌های معتبر داخلی و خارجی، یک گام ضرور است، اما تمام مسیر نیست. دانش نهفته در تحقیق آنگاه به ثروت تبدیل می‌شود که به تولید محصول و خدمت جدید یا تحول قابل توجه در فرایندهای تولید بیانجامد. اقتصاد دانش‌بنیان در جوهره خود نوآوری در تولید را به همراه دارد که تولید فزاینده با استفاده از منابع کمتر و قیمت ارزان‌تر دستاورد آن است. بدون شک طی نمودن این مسیر دشوار موانع گوناگونی دارد. این موانع، گاه با منافع سرشار گروه‌های ذی‌نفوذ از یک سو و ناآگاهی و تصورات غلط علمی و فرهنگی از سوی دیگر،گره می‌خورند. تولید و ارتقای تولید و کسب سهم از بازار، یعنی محدود شدن خرید کالاهای مشابه وارداتی و کاهش درآمدهای سرشار آن برای افراد حقیقی و حقوقی که سالیان طولانی از مسیر راحت وبعضا انحصاری واردات کالاها به ثروت‌های سرشار دست یافته‌اند. درحالی‌که این گونه از محصولات به شکل‌های مختلف به بازار داخلی راه می‌یابند، آن زمان که دانش داخلی پشتوانه دستیابی به فناوری‌های تولید چنین محصولاتی می‌شوند انواع مباحث، آنهم نه در مسیر علمی خود بلکه در لباستریبون‌ها و نوشته‌های غیرعلمی و مطرح نمودنمطالب غلط در حوزه‌های زیست‌محیطی و سلامت و بهداشت انسان‌ها، مسیر تجاری‌سازی را دشوار و پرهزینه می‌نمایند.

بنابراین، یک جنبه مهم از اقدام و عمل برای پیاده‌سازی اقتصاد دانش‌بنیان و تبدیل ایده‌ به ثروت، فعالیت گسترده علمی و فرهنگی برای غلبه بر جوسازی‌ها و موانعی است که بسیاری از آنها به صورت آگاهانه ایجاد می‌شوند. همزمان با آن، طراحی اجزای نقشه راه اقتصاد دانش‌بنیان و برنامه عمل ملی مبتنی بر این نقشه راه و رصد دائمی اقدامات، تکمیل کننده ایجاد محیط مناسب فرهنگی و مقابله با عوامزدگی‌ها و شتابزدگی‌ها خواهد بود.

کارشناس ارشد جامعه شناسی*

هوشمندی تبلیغات، ارمغان عصر جدید

یادگیری ماشینی، پر پرواز تبلیغات هوشمند

25 دى 1395

• حمیدرضا تائبی

• پرونده ویژه

ماهنامه شبکه ۱۸۶

یادگیری ماشینی راهی طولانی را از سرزمین هالیوود و روبات‌های پرزرق‌وبرق پیموده است تا به جریان اصلی زندگی ما وارد شود. در فیلم‌های هالیوودی از روبات‌ها به عنوان جایگزینی برای انسان‌ها یاد شده است. اما واقعیت این است که امروزه دنیای صنعت برای تکمیل بسیاری از وظایف خود از یادگیری ماشینی استفاده می‌کند. کافی است به پیرامون زندگی خود نگاهی بیندازید تا متوجه شوید این فناوری چگونه توانسته است بهره‌وری و عملکرد کاری شما و سازمانتان را بهبود بخشد؛ حتی در کارهایی همچون موسیقی، سرویس‌دهی به مشتریان، بازی‌های ویدیویی، معاملات بانکی، گزارش‌های خبری و البته تبلیغات. یادگیری ماشینی قدرتی باورنکردنی به متخصصان این حوزه‌ها داده است.

این مطلب یکی از مقالات پرونده ویژه «تبلیغات و بازاریابی آنلاین» منتشر شده در شماره ۱۸۶ ماهنامه شبکه است. برای دانلود کل پرونده ویژه می‌توانید اینجا کلیک کنید. 

با وجود این، یادگیری ماشینی برای بسیاری از مردم همچون جعبه‌ای سربه‌مهر است. عامه مردم گمان می‌کنند که این مفهوم، عجیب و علمی بوده و درک آن با دشواری همراه است. در حالی که بسیاری از حرفه‌ای‌های این حوزه یادگیری ماشینی را فناوری سطح بالایی توصیف می‌کنند، این فناوری آن‌گونه که باید و شاید در حوزه تبلیغات به شکل صریح و روشنی تعریف نشده است تا به مردم اعلام کند که در بازاریابی‌های امروزی، بازاریاب‌ها می‌توانند از این فناوری در برنامه‌های واقعی روزمره خود استفاده کنند.
آمارها نشان می‌دهند تبلیغات پخش‌شده در رسانه‌های مختلف، تا پایان سال 2016 حدود 600 میلیارد دلار عاید شرکت‌های فعال در زمینه تبلیغات و ناشران آن‌ها خواهد کرد و این صنعت را در مقایسه با صنایع دیگر، از نظر سودآوری در جایگاه نخست قرار خواهد داد. یادگیری ماشینی که به نوعی رهبری و هدایت یادگیری عمیق را بر عهده دارد، به فناوری کلیدی‌ای تبدیل شده است که در حال شکل‌دهی چشم‌انداز و آینده بسیاری از صنایع، از جمله تبلیغات است. یادگیری ماشینی با اتکا بر الگوریتم‌هایی که از داده‌های جمع‌آوری‌شده برای یادگیری استفاده می‌کنند، در اکثر مواقع در رویارویی با حجم سنگینی از داده‌ها، نتایج دقیقی را تولید می‌کند.

---

مطلب پیشنهادی

مقدمه پرونده ویژه تبلیغات و بازاریابی آنلاین

بنری برای تو

---

در عصر برنامه‌های هوشمند، داده‌ها سلطان بی‌رقیب هستند. سرویس‌هایی که بتوانند داده‌هایی با بالاترین کیفیت تولید کنند، می‌توانند به‌خوبی مدل‌ها را تأمین کرده و در نتیجه تجربه کاربری بهتری را در اختیار مخاطبان خود قرار دهند. نکته جالب توجه دیگر، کاهش نرخ میزبانی داده‌ها و افزایش حجم آن‌ها است. در طول پنج سال گذشته، داده‌ها رشد صعودی خیره‌کننده‌ای را تجربه کرده‌اند، در حالی که سیر صعودی هزینه میزبانی داده‌ها ناچیز بوده است. (شکل 1) برای مثال، شرکت تسلا تا امروز حدود 780 میلیون مایل داده‌های رانندگی را جمع‌آوری کرده است و در هر ده ساعت، میلیون‌‌ها رکورد داده‌ای به این حجم اضافه می‌کند؛ داده‌هایی که به‌منظور تغذیه مدل‌های مورد استفاده در ماشین‌های خودران استفاده می‌شوند. با وجود اینکه صنعت تبلیغات هوشمند در مقایسه با صنایع دیگر کمی از قافله عقب‌تر است، پیشرفت‌ها در این حوزه خیره‌کننده بوده‌اند.

شکل 1: در سال‌های 2010 تا 2015 رشد داده‌ها خیره‌کننده بود.http://www.blogsky.com/ht-csure/post/edit/8169465368

تعریف کوتاهی از یادگیری ماشینی
یادگیری ماشینی شاخه‌ای از هوش مصنوعی است که به کامپیوترها این توانایی را می‌دهد تا کارهایی همچون شناسایی مشکلات، پیش‌بینی رخدادها، کنترل عوامل متغیر و نتایج به‌دست‌آمده از آن‌ها و برنامه‌ریزی برای اشیا و سرویس‌ها را بدون آنکه به برنامه‌نویسی صریحی برای انجام این‌گونه کارها ضرورتی باشد، مدیریت کنند. برای این منظور پژوهشگران الگوریتم‌ها را با پارامترها و داده‌هایی که مدل‌ها به آن‌ها نیاز دارند، تأمین می‌کنند. در ادامه، این الگوریتم‌ها خود می‌آموزند که چگونه باید با استفاده از داده‌های جدید رشد و تغییر کنند. اگر یادگیری ماشینی با داده‌ها و اطلاعاتی از آینده تأمین شود، این توانایی را به شما می‌دهد تا چشم‌اندازها و اتفاقات حوزه کاری خود را در آینده مشاهده و پیش‌بینی کنید. بدون شک، این کاربرد هر صنعتی را که درباره آن فکر می‌کنید، تحت تأثیر قرار می‌دهد و اثر شگرفی بر تبلیغات نیز خواهد گذاشت؛ به گونه‌ای که بازاریابان قادر خواهند بود تبلیغات هدفمند را آماده کرده و این تبلیغات را برای مخاطبان شناخته‌شده ارسال کنند. اگر شما بازاریابی هستید که واژگانی همچون برنامه‌ریزی داده‌محور و هوش مصنوعی به گوشتان خورده است، باید بدانید این ابزارها کلید موفقیت شما خواهند بود.

در دنیای تبلیغات و بازاریابی، مهم‌ترین اصل این است که شناخت دقیقی از مخاطبان خود داشته باشید. این شناخت و درک درست اجازه می‌دهد سرویس‌های درستی را به مخاطبان هدف ارایه داده و به این شکل میزان فروش خود را افزایش دهید

اگر در تلاش برای کشف این موضوع هستید که چگونه یادگیری ماشینی می‌تواند در ارائه بهتر تبلیغات کمک کند، بدانید که در این راه تنها نیستید. کافی است سری به بازارهای بورس جهانی بزنید تا مشاهده کنید چگونه بانک‌های بزرگ بین‌المللی از یادگیری ماشینی برای پیش‌بینی سیر صعودی یا نزولی ارزش سهام استفاده می‌کنند و می‌توانند هر ثانیه از این تحولات را پیش‌بینی کنند. این بانک‌ها به‌راحتی دامنه، ارتفاع و نقطه شکست هر ارز را با کمک هوش مصنوعی پیش‌بینی می‌کنند و به این شکل مانع ضرر و زیان خود می‌شوند.

بازاریابی به معنای شناخت جزئیات است
در دنیای تبلیغات و بازاریابی، مهم‌ترین اصل این است که شناخت دقیقی از مخاطبان خود داشته باشید. این شناخت و درک درست اجازه می‌دهد سرویس‌های درستی را به مخاطبان هدف ارایه داده و به این شکل میزان فروش خود را افزایش دهید. این مهم‌ترین قاعده‌ای است که دنیای تبلیغات را متقاعد ساخته است یادگیری ماشینی و هوش مصنوعی به شکل خیره‌کننده‌ای می‌توانند به این صنعت کمک کرده و آن‌ را دستخوش تغییرات اساسی کنند. شاید این تجربه تلخ را داشته باشید که پس از خرید کالایی، به دلایل مختلف مانند متناسب نبودن با نیازهای شما، نداشتن قابلیت‌های کاربردی، کارایی پایین و مانند این‌ها، از خرید خود پشیمان شوید و درست چند روز بعد در گشت‌وگذار اینترنتی، تبلیغی را ببینید که مشابه کالای مورد نیاز شما را عرضه کرده است. این تکنیک بازاریابی تنها یکی از صدها راهکاری است که با کمک یادگیری ماشینی در اختیار شرکت‌های بازاریابی قرار دارد. ایمیل‌های سفارشی و هدفمند که برای مخاطبان ارسال می‌شود، یکی دیگر از کاربردهای جالب توجه یادگیری ماشینی به شمار می‌روند.

به حداکثر رساندن بهره‌وری تبلیغات
اگر جزو آن گروه از افرادی هستید که سال‌ها در صنعت بازاریابی و تبلیغات فعالیت داشته‌اند، روزگاری را که تبلیغات به طور دستی انجام می‌شد، به خاطر می‌آورید. شیوه‌های سنتی تبلیغات، در عصر جدید کارایی خود را از دست داده‌اند. این تکنیک‌ها دیگر قادر نیستند در زمینه بهینه‌سازی مکانیزم‌های تبلیغاتی یا گستر‌ش‌پذیری آن‌ها کمک کنند. این درست همان نقطه‌ای است که یادگیری ماشینی کمک می‌کند برنامه‌های تبلیغی خود را کارآمدتر کرده و اطمینان حاصل کنید سیاستی که در زمینه تبلیغات در پیش گرفته‌اید، در مسیر درست و به همان شکلی که انتظار دارید به جلو حرکت خواهد کرد. با اتکا بر سلسله عملیات بسیار پیچیده‌ای، یادگیری ماشینی کمک می‌کند تا میزان بهینه‌سازی یک تبلیغ به‌منظور اثرگذاری مضاعف بر مخاطبان هدف را تعیین کنید. برای مثال، شرکت مک‌دونالد برای آنکه بتواند مشتریان بیشتری جذب کند، از چنین الگوریتم‌هایی بهره برد و تصمیم گرفت از چهره افراد برجسته‌ای همچون شکسپیر، انیشتین و آوستین در فهرست جدید خود موسوم به The 12 استفاده کرده و به مخاطبان خود اعلام کند که افراد بزرگ پیش از پرداختن به حل مسائل بزرگ‌تر، ابتدا مسئله ناهار را حل کرده‌اند. (شکل دو و سه)

شکل 2 و 3: پوسترهای تبلیغاتی خلاقانه مک‌دونالد

برای دستیابی به چنین راهکارهای خلاقانه‌ای، الگوریتم انتخابی باید درباره معیارهای کارکردی که به شما در رسیدن به هدفتان کمک خواهد کرد، اطلاعات کافی داشته باشد. نرخ کلیک‌ها در لینک‌های اینترنتی یا نرخ نصب‌های یک برنامه کاربردی از جمله این موارد هستند. هر زمان چنین داده‌هایی در اختیار یادگیری ماشینی قرار داشته باشد، می‌تواند میزان اثرگذاری یک پیشنهاد تبلیغاتی را ارزیابی کند. داده‌های مورد نیاز برای چنین رویکردی از منابع مختلفی استخراج می‌شوند، اما نکته مهم این است که باید منابع مالی خوبی در اختیار داشته باشید تا بتوانید نتایج بهتری به دست بیاورید. 

سرمایه‌گذاری با نگاه کردن به اهداف مشابه
بدون شک الگوریتم‌های فیسبوک که داده‌های ارزشمندی در اختیار ما قرار داده و به این شکل فرصت‌های منحصربه‌فردی در زمینه شناسایی فراهم کرده‌اند، بهترین کمک هستند. آیا به یاد می‌آورید زمانی‌که در فیسبوک عضو شدید، اطلاعاتی درباره علائق شخصی خود، برنامه‌های تلویزیونی که مشاهده می‌کنید، تیم‌های ورزشی که اخبار مربوط به آن‌ها را دنبال می‌کنید و مانند این‌ها را در پروفایل خود وارد کردید؟ اطلاعاتی که آن زمان در پروفایل خود قرار دادید، امروزه به‌منظور ارائه تبلیغات و بازاریابی مؤثر استفاده می‌شوند. الگوریتم یادگیری ماشینی می‌تواند کلاستری از مخاطبان خاص را بر مبنای اینکه تبلیغات هدفمند برای کدام‌یک از این گروه‌ها ارزشمند‌تر است، ایجاد کند. برای مثال، یک الگوریتم ممکن است آگاه شده باشد که زنان بالای سی سال به طور اتفاقی در فضای مجازی به دنبال بازی‌های آنلاین و متعاقب آن به دنبال آموزش‌های مرتبط با این بازی‌ها هستند. این اطلاعات برای بازاریابان ارسال می‌شود و تبلیغات مربوط به این آموزش‌ها بر مبنای فعالیتی که این گروه از مخاطبان انجام می‌دهند، در مکان‌های مختلفی به آن‌ها نشان داده می‌شود. امروزه یادگیری ماشینی به شرکت‌های تبلیغاتی کمک کرده است تا تبلیغات محلی را ویژه افرادی که در موقعیت‌های جغرافیایی مختلف قرار دارند، به صورت هدفمند نشان دهند. 

داده‌کاوی به‌منظور بهینه‌سازی اهداف
مهم نیست چه نوع فعالیتی در فضای آنلاین انجام داده‌اید، با هر بار کلیک کردن روی لینک‌های مستقر در سایت‌ها یا حتی بازدید از سایت‌ها، زمانی‌که قصد خروج از این فضا را دارید، ردپایی از شما بر جای می‌ماند. به عنوان یک بازاریاب، باید ردپای به‌جامانده را درک کنید و قادر به تفسیر آن باشید. این تفسیر و تحلیل کمک می‌کند اطلاعات بیشتری درباره افرادی که به عنوان اهداف خود مشخص کرده‌اید، به دست آورید. اما این تکنیک با یک مشکل روبه‌رو است؛ این اطلاعات به صورت پراکنده در اختیار ارائه‌دهندگان سرویس‌ها قرار دارد و همین موضوع باعث می‌شود در بیشتر موارد اطلاعات ناقصی از مخاطبان خود به دست آورند. سرویس‌های داده‌ای از مدل‌های آماری که به صورت پویا ساخته شده‌اند، برای استخراج اطلاعات اضافی‌تر درباره مردم استفاده می‌کنند. این اطلاعات می‌توانند از طریق ناشران یا داده‌های اجتماعی همچون تعداد لایک‌ها و بازبینی‌ها به دست آید.  اگر مکانیزمی در اختیار داشته باشید تا بتواند چنین داده‌هایی را جمع‌آوری کند، بدان معنا است که به میزان باورنکردنی درباره جزئیات مربوط به مخاطبان خود اطلاعات به دست آورده‌اید و در نتیجه می‌توانید به بهترین شکل ممکن زمان خود را صرف بهینه‌سازی نحوه ارائه تبلیغات کنید و به شکل تأثیرگذاری آن‌ها را به مخاطبان خود نشان دهید؛ به‌طوری که تبلیغات به شکل هوشمندانه‌ای در زمان و مکان مناسبی به مخاطبان نشان داده شود.

پیش‌بینی اثرگذاری
یکی از جالب‌ترین کاربردهای یادگیری ماشینی در حوزه تبلیغات، توانایی پیش‌بینی اثرگذاری تبلیغات است؛ پیش از آنکه به دست مشتریان هدف برسد. امروزه تبلیغ‌کنندگان می‌توانند از داده‌های آماری و تاریخی که درباره تبلیغات قبلی در اختیار دارند و تأثیرگذاری آن‌ها به اثبات رسیده است، در تبلیغات مشابه استفاده کنند. این قابلیت به آن‌ها اجازه می‌دهد تا انتخاب‌های خلاقانه و هوشمندی را به‌منظور به حداکثر رساندن بهره‌وری ارائه کنند.

سفارشی‌سازی
با استناد به مطالعه‌ای که به‌تازگی انجام شده است، زمانی که از بازاریابان سؤال شد به نظر آن‌ها مهم‌ترین قابلیتی که می‌تواند بر آینده صنعت تبلیغات تأثیرگذار باشد، چه ویژگی‌ای است، همگان هم‌نظر بودند که شخصی‌سازی در مکان نخست این فهرست قرار دارد. الگوریتم‌های یادگیری ماشینی می‌توانند ویژگی‌های مصرف‌کنندگان همچون علایق، خرید‌های مشتریان و دموگرافی‌ها (علم تحقیق در جمعیت‌های انسانی) را در قالب خوشه‌هایی شبیه به الگوهای جست‌وجو گروه‌بندی کنند و به تحلیل آن‌ها بپردازند. این دسته‌بندی برای شناسایی انواع مختلفی از تیپ‌های شخصیتی و شناسایی مخاطبانی در رده‌های سنی مختلف استفاده می‌شود. این راهکار به تبلیغ‌دهندگان اجازه می‌دهد تبلیغات به‌شدت قانع‌کننده‌ای را بر اساس شخصیت افراد و گروه سنی آن‌ها طراحی کنند.

با اتکا بر سلسله عملیات بسیار پیچیده‌ای، یادگیری ماشینی کمک می‌کند تا میزان بهینه‌سازی یک تبلیغ به‌منظور اثرگذاری مضاعف بر مخاطبان هدف را تعیین کنید

مشخص کردن محتوا
امروزه یادگیری ماشینی به اهرمی برای به اشتراک‌گذاری محتوا روی پلتفرم‌های مختلف تبدیل شده‌‌ است. این اهرم به تبلیغ‌کنندگان اجازه می‌دهد مخاطبان خود را به‌درستی شناسایی کنند و در ادامه محتوای درست متعلق به یک برند را به دست مخاطب خود برسانند. یادگیری ماشینی همچنین به‌منظور شناسایی این موضوعات که آیا محتوایی که درباره آن قرار است صحبت شود، این ظرفیت را دارد تا برای یک برند ارزش‌آفرینی کند، آیا مخاطبان می‌توانند از این اطلاعات برای اخذ یک تصمیم‌ هوشمندانه استفاده کنند و محتوا روی کدام‌یک از رسانه‌های امروزی بهتر جواب می‌دهد، استفاده می‌شود و به‌شدت محبوب شده است. 

زمان و مکان
قرار دادن آگهی‌ها در زمان درست، برای موفقیت یک کمپین اهمیت فوق‌العاده‌ای دارد. زمانی‌که مصرف‌کنندگان در جست‌وجوی نیازهای شخصی هستند، تبلیغات غیرمرتبط به‌شدت درک و شناختی منفی در خصوص یک برند به وجود می‌آورند. یادگیری ماشینی می‌تواند مکان و زمان مناسبی را که تبلیغات باید روی رسانه انتخابی کاربر نشان داده شوند، تعیین کند. وزن متغیرها، مواردی همچون نرخ کلیک (CTR) سرنام click-through-rate و مدت‌زمانی که کاربر صرف بازدید از صفحات کرده است، از جمله موضوعاتی هستند که یادگیری ماشینی به‌خوبی آ‌ن‌ها را تحلیل می‌کند.

شناسایی تقلب
کلیک‌های نادرست یکی از بزرگ‌ترین نگرانی‌هایی است که در دنیای تبلیغات وجود دارد. یادگیری ماشینی به‌خوبی کلیک‌های جعلی را شناسایی می‌کند. یادگیری ماشینی با تجزیه‌وتحلیل عادت‌های عادی و متعلق به گذشته در مقایسه با کلیک‌های نامشروع، می‌تواند تعیین کند آیا یک کلیک واقعاً مشروعیت دارد یا غیرواقعی است. در نتیجه تبلیغ‌کنندگان به‌راحتی قادر به کشف و مشاهده اعداد واقعی خواهند بود و به این شکل الگوی رفتاری و معمول مخاطبان در یک کمپین را شناسایی می‌کنند. گوگل از این تکنیک به‌منظور شناسایی تقلب‌هایی که ممکن است در سرویس Adwords به وجود آید، استفاده می‌کند. 

پیش‌بینی موفقیت
پیش از اینکه یک کمپین تبلیغاتی کار خود را آغاز کند، دست‌اندرکاران باید تحلیل‌های جامعی درباره موفق بودن آن کمپین انجام دهند. یادگیری ماشینی می‌تواند بر اساس اطلاعات به‌دست‌آمده از کمپین‌های قبلی، همچون نوع محصول، نوع تبلیغات، نوع محتوا و اطلاعات کاربر، پیش‌بینی‌های هوشمندانه‌ای درباره موفقیت احتمالی یک کمپین ارائه کند. این تکنیک در ایجاد تغییرات و افزایش ضریب موفقیت یک کمپین پیش از آنکه به مرحله اجرایی وارد شود، نقش بسزایی دارد.

در نهایت
امروزه الگوریتم‌ها تأثیرگذاری محسوسی بر تبلیغات و کارآمدتر کردن آ‌ن‌ها دارند. در حال حاضر، هیچ کس در حوزه تبلیغات نمی‌تواند ادعا کند تمامی راه‌های ممکن برای ارائه مؤثر تبلیغات را در اختیار دارد و می‌تواند تمامی اطلاعات را به‌خوبی درک کند. ما هنوز به دورانی وارد نشده‌ایم که بسیاری از مشاغل تحت سلطه روبات‌ها قرار داشته باشند، اما در دورانی هستیم که الگوریتم‌های ماشینی می‌توانند تأثیرگذاری شگرفی بر صنعت تبلیغات داشته باشند؛ به دلیل اینکه به شکل باورنکردنی جزئیات بسیاری درباره اهداف عرضه کرده و تحلیل‌های آماری قدرتمندی در این زمینه ارائه می‌کنند.

---

==============================

شاید به این مقالات هم علاقمند باشید:

سرانجام اولین مقاله هوش مصنوعی اپل منتشر شد

روشی جدید برای افزایش ابعاد عکس بدون افت کیفیت

از این پس پلیس می‌تواند جرم و جنایت را پیش‌بینی کند

نبرد بزرگ آینده: هکرهای ماشینی بر علیه مدافعان انسانی

۷ روند بزرگی که آینده تبلیغات دیجیتال را می‌سازند!

با بزرگ‌ترین مخزن رابط‌های برنامه‌نویسی جهان آشنا شوید

Jawbone UP3؛ دستبندی ساده و کارآمد با اپلیکیشن قدرتمند

Fitbit Blaze؛ ظاهر ساعت‌های هوشمند؛ کارایی دستبندهای ردیاب سلامت

---

برچسب: 

• آینده تبلیغات - تبلیغات و بازاریابی آنلاین - بازاریابی آنلاین - یادگیری ماشینی - تبلیغات خلاقانه