Perché automatizzare i processi di Digital Content Delivery?

Mirko Vairo
Co-Founder&Business Developer @SocialBeat

Ottimizzare il tempo dei publishers e degli editori a partire dall’automazione dei processi di creazione e pubblicazione di contenuti nei diversi canali è una delle milestone dell’era digitale.

Attività ripetitive come il social posting, la selezione di trending topics, la scelta delle grafiche dei contenuti e delle tag migliori da pubblicare, possono essere automatizzate dall’Intelligenza Artificiale.

I sistemi di Social Automation come SocialBeat sono alimentati da algoritmi di apprendimento automatico che, a partire dall’extraction e dall’analisi in tempo reale dei dati ricavati dai social, riescono a sostituirsi nella gestione delle attività su questi canali con risultati notevoli.

È un ciclo continuo di miglioramento che impara dai dati e la tecnologia, oltre ad ottimizzare i processi di produzione e consegna dei contenuti, fornisce più garanzie di “andare a segno” per via delle maggiori probabilità statistiche individuate. Un caso di successo dettato dagli algoritmi è rappresentato da Netflix, il cui numero di utenti in tutto il mondo è salito a 125 milioni.

 

L’artwork personalization di Netflix

 

È focalizzato sulle “artwork” il sistema di raccomandazione personalizzata di Netflix. L’immagine “perfetta”, ovvero quella più attinente ai gusti di ogni singolo spettatore, è capace di trainarlo dentro al contenuto ben oltre il titolo. 

Di uno stesso film la gamma di temi che può essere presentata visivamente è multipla: un fotogramma di Keanu Reeves avrà un ascendente maggiore su una persona che si è guardata tutti i suoi film, mentre una scena d’amore sarà più click-baiting per un appassionato di commedie romantiche. 

In precedenza, attraverso multi-armed bandits algorithms, Netflix riusciva a misurare la reward - l’impegno positivo da parte dello spettatore, a partire dall’azione compiuta sull’homepage. Però, a differenza delle tipiche impostazioni di raccomandazione che presentano scelte multiple, Netflix poteva selezionare un’unica artwork per rappresentare ogni titolo. E doveva valutare anche quanto ciascuna di esse influisse sulle altre, cioè sulla scelta di una piuttosto che di un’altra. 

Prima di “assimilare” correttamente le strategie di personalizzazione, il sistema aveva quindi bisogno di raccogliere molti dati per individuare l’artwork migliore per ogni utente. Invece di aspettare di raccogliere una serie completa di dati, addestrare un modello ed eseguire test A/B, Netflix decide di ricorrere ai contextual bandits, che possono essere riassunti nel modello “context – action – reward”. 

A partire dall’analisi del contesto, gli algoritmi scelgono un’opzione e indirizzano all’utente quella che ritengono migliore per lui e poi valutano a seconda del reward. Questa randomizzazione controllata nelle previsioni del modello appreso ha il vantaggio di applicare un modello imparziale al contesto di ciascun utente e di valutarlo con cicli di feedback continui.

 

L’importanza dell’analisi semantica

 

Un problema ricorrente per una media company che si trova a gestire quotidianamente enormi moli di contenuti è la loro reperibilità. Petabyte di asset, la cui produzione ha richiesto un costo in termini di tempo ed energie, giacciono a volte inutilizzati perché non si riesce a recuperarli al momento del bisogno. 

Per questo è indispensabile un passaggio che li comprenda semanticamente: l’assegnazione di tag, ovvero etichette che li identificano nei loro argomenti costituitivi, però, è un processo lungo e oneroso dal punto di vista manuale. È richiesta una conoscenza approfondita dei topics trattati e spesso uno stesso argomento viene nominato in maniera differente dai vari dipendenti impiegati nell’operazione, con un risultato disomogeneo.

Un motore alimentato da algoritmi AI è certamente più efficace: grazie a funzionalità di Speech-to-Text, di Image Recognition e di Text Summarization, l’assegnazione di tag su video, immagini e documenti si fa automatica perché la tecnologia riesce a “distillare” le informazioni utili. 

Come funziona? I sistemi di Machine Learning partono da un input di dati: cercano al loro interno un pattern e lo applicano, trovandovi le relazioni. Con il Deep Learning siamo a un gradino superiore: una volta addestrate le reti neurali con una base di dati enorme, il margine di errore sarà quasi pari a zero.

 

Aumento delle performance


Per quanto riguarda i social, possiamo affermare che il volume dei contenuti è un fattore di criticità che aumenta l’importanza e il valore della pagina. È vero che pochi post guadagnano più interazioni ma quantitativi maggiori, pur con meno engagement, raggiungono risultati migliori in termini di volumi e followers.

In questa direzione lavorano i sistemi di Social Automation. Mentre prima per i social venivano impiegate 3 persone, ora lo stesso compito può essere affidato a una macchina, con una riduzione del 70% di effort.  

I sistemi di personalizzazione di SocialBeat tengono conto di più fattori contestuali: ad esempio Mirko, che appartiene all’ambito automotive, in quel momento si trova in Valtellina ed è prevista neve. Ed ecco che gli viene proposta un’immagine che raffigura un’auto in montagna.

Molto utile è anche trovare, tramite gli algoritmi, i microinfluencers: in questo modo si possono fare attività di trade marketing su di essi e allargare, grazie alla loro risonanza, la propria cerchia di contatti.