La primissima applicazione è su un tema assolutamente interessante, che è quello legato al linguaggio la classificazione del testo.

La classificazione documentale è una delle applicazioni che nel marketing è sicuramente più interessante e più importante rispetto a tantissime altre.

Ci sono delle librerie a disposizione degli strumenti a disposizione che ormai sono raffinatissimi nel riuscire a stabilire le relazioni fra parole.

La libreria fastest fasti ex di Facebook World Tech di Google o Glove di Stanford permettono, hanno permesso, insomma, hanno fatto un lavoro importantissimo di cosiddetta vettori izz azione di tutte le parole che vengono utilizzate dalle persone all'interno del proprio linguaggio.

Questi libri hanno permesso di andare a costruire un vero e proprio spazio di vettori che conservano alcune caratteristiche e che permettono a una macchina che lavora con i numeri di trattare il linguaggio tramite la matematica.

Questa una cosa interessantissima perché si porta con se' tutta una serie di applicazioni interessanti che poi ci ritroviamo quando applichiamo anche strumenti più complessi come le reti neurali alla classificazione.

Per esempio, una libreria come fast text, per fare un primissimo esempio, permette di capire, per esempio che uomo sta a donna come re sta a regina e che applicando una trasformazione di un vettore, quindi spostando un un punto, una parola da un punto all'altro la stessa i denti.

Lo stesso identico rapporto che cioè fra uomo e donna, cioè fra regina nel nostro lingua, permette di capire, per esempio, che L'italia sta a Roma come Francia, sta a Parigi e permette quindi di avere una rappresentazione del linguaggio in termini matematici, tramite set di numeri che descrivono le parole che permettono una macchina di trattare questa mole di dati infinita, questa conoscenza che abbiamo accumulato nel tempo grazie a rappresentazioni che siano gestibili anche da appunto una macchina da un computer.

Questo è stato fatto grazie a una cosa, a un elemento che è un file rouge nell'intelligenza artificiale.

I dati Google, Facebook, Stanford hanno fatto una cosa interessantissima hanno preso billion miliardi, decine di miliardi di documenti che sono catalogati online.

Tutto fa Stax, per esempio, si basa su tutto il corpo di documenti di Wikipedia e tutto il cosiddetto book corpus.

Quindi tutti i libri che sono stati digitalizzati disponibili online é tutto cosiddetto Common Krall, quindi un set di informazioni di documenti che sono disponibili online, che sono stati raccolti e disponibili a qualsiasi dieta scientists che voglia utilizzare questi documenti e prendendo tutti questi testi, sono andati a vedere tutte le possibili correlazioni tra le singole parole nei testi sono andati a scoprire quindi che una parola magari si trova molto spesso insieme un'altra parola che una parola può essere equivalente a un'altra parola ancora e andando analizzare tutto questo.

Sette enorme di informazioni sono riusciti a tradurre parole come re e regina in dei vettori di trecento numeri, quindi in una sequenza di trecento numeri che poi porta queste parole delle caratteristiche per cui possiamo dire che il re sta regina come uomo sta donna.

Questo tipo di applicazioni porta a questo tipo di tecnologie porta a una serie di applicazioni interessantissime.

La classificazione in primo luogo è quella sicuramente più importante, più interessante.

Il più classico esempio di classificazione che possiamo andare a utilizzare quando ci occupiamo di marketing è quello della sentiment analysis.

La sentiment analysis fa una cosa molto, molto semplice la cosiddetta classificazione binaria che permette di associare a una stringa di testo un sentiment positivo o negativo.

La stessa cosa che succede nei sistemi di spam detection in cui associamo a un'e-mail un'etichetta spam spam come funziona la sentiment analysis.

Diamo in pasto a uno strumento di classificazione un set di testi in cui abbiamo detto questi testi sono a sentiment positivo, quindi parlano bene della nostra azienda.

Questi testi parlano male della nostra azienda, così come quando Google gmail legge le nostre e-mail, le segniamo come spam spam il motore di ricerca.

In quel caso Google prende le mail, le dà in pasto a un sistema che dice queste e-mail sono di spam e queste sono in spam.

Il sistema a quel punto automaticamente va' a capire che ci sono delle degli elementi in comune fra tutte quelle che sono le conversazioni sentiment positivo a sentiment negativo e quelli che sono nell'altro caso le mail di spam e-mail di spam e magari scoprono che se c' è scritto viagra, una mail probabilmente è una mail di spam, a meno che non siamo delle persone che ordinano molto spesso viagra e quindi riceviamo tantissimi ordini sulla nostra email e che quindi in quel caso i motori di ricerca si adatterà e dirà che quello spam spam un esempio molto molto classico è proprio è proprio questo qui estendendo l'applicazione ha un concetto più ampio.

Possiamo andare a fare la cosiddetta classificazione.

Quindi come applicazione di marketing un pochino più ampia, possiamo non limitarci a due etichette positivo, negativo, spam, spam.

E possiamo dire per esempio, che se abbiamo un set di testi molto mol molto ampio, immaginiamo di avere un blog che stiamo migrando su un nuovo sito web.

Abbiamo millecinquecento testi, duemila testi, diecimila testi e vogliamo andarli a classificare all'interno di quattro categorie principali l'intelligenza artificiale permette di evitare di doversi mettere li' testo per test su diecimila testi e dover dire Questo testo parla di giardinaggio.

Questo testo parla di cucina.

Questo testo parla di fai da te, eccetera eccetera, ma di limitarsi magari a un centinaio di testi.

Dare questo set di testi pre classificati.

Questo cosiddetto training set a un'intelligenza artificiale che basata su sistemi pre allenati come quelli di cui parlavo prima, prende queste informazioni e traslato la nostra capacità di classificazione a tutta la restante parte dei test le ha tutte, a parte il restante parte dei testi.

In questo modo riusciamo a ridurre in modo molto, molto forte quello che è là, il tempo di elaborazione, il tempo di classificazione dei testi che abbiamo nel nostro dataset e quindi lavorare molto meno e quindi riuscire in questo modo a spostare il problema su una macchina.

La stessa classificazione viene utilizzata per capire gli interessi degli utenti.

Possiamo vedere la navigazione degli utenti sul nostro sito e sulla base di cio' che navigano sulla base di cio' che leggono.

Se riusciamo a classificare il testo delle nostre pagine, possiamo per esempio vedendo che un utente naviga spesso su pagine a tema giardinaggio.

Ma ci deve essere un algoritmo prima che dice che quella pagina parla di giardinaggio.

Dire quell'inter quell'utente è interessata al giardinaggio e poi prendere queste audience che abbiamo costruito in questo modo e spararle magari su una piattaforma di digital advertising in modo tale da far sì che quel tipo di informazione venga utilizzata per fare della pubblicità più rilevante che possa essere sparata, magari anche su strumenti di email marketing, per far sì che le nostre mail siano segmentati in modo più efficace rispetto a quelli che sono gli interessi dimostrati sulla base della navigazione sul nostro sito