iKala AI 實戰案例:怎讓 KOL Radar 網紅雷達工作效率快上 4 倍?

隨著微網紅、奈米網紅崛起,網紅們的公開社群資料也越來越多元、複雜,這也讓 iKala 的 KOL Radar 收集、整理資料的速度必須更快、更精準,那該怎麼做?AI 能幫上忙嗎?可以!
評論
評論

本文為 iKala 投稿,經 INSIDE 編審後刊載。

iKala 目前從原本的雲代理商正積極轉型成一間跨國的 AI 公司,提供以 AI 驅動的數位轉型及數據行銷整體解決方案。其中旗下產品「KOL Radar」網紅雷達則透過大數據技術,即時收集網路上龐大的公開社群資料,並結合 AI 技術為品牌與企業客戶做到最精準的網紅推薦,目前已累積超過  50,000 筆跨國網紅資料 。  

但隨著微網紅、奈米網紅崛起,網紅們的公開社群資料也越來越多元、複雜,這也讓 KOL Radar 收集、整理資料的速度必須更快、更精準,那該怎麼做呢?AI 能幫上忙嗎?

因此 KOL Radar 找上 iKala 內部 AI 團隊進行跨部門合作,來解決在篩選公開資料流程中所遇到的「精準度維持」、「審核速度需求」等挑戰,整個專案從雙方開始討論需求到 AI 順利導入,總共花了不到一個月的時間。最終 AI 成功幫助 KOL Radar 在維持資料精準度相同水準之下,讓工作效率提升了 4 倍左右。

這段專案導入過程我們覺得很值得分享,以下主要由 iKala AI Team Lead 黃宣龍 (Neil Huang) 口述,並經整理呈現。

萬地高樓平地起:把問題問對就是第一步 

在我們合作執案的開始,KOL  Radar 團隊提出的需求為「希望 AI 幫忙篩選出網紅」,但這個問題的範圍太大、指令太模糊,必須被重新定義。因此,我們首先向 KOL Radar 釐清了網紅的定義為「Facebook、Instagram、YouTube  任一平台粉絲人數達 1,000 人以上,並排除政治、宗教領域人物、企業及媒體。」再來,我們開始思考如何從公開資料中,快速篩選出符合上述條件的名單,而最快速有效的方法就是定義出他們的共同特徵或具體樣貌。  

KOL  Radar 團隊則依據過去收錄 5 萬筆網紅公開資料,發現頭圖是人/狗/貓的社群粉專,有 8 成機率是網紅!因此,我們下一步就是用 AI 從上萬筆公開社群資料中快速找出頭圖為人/狗/貓的名單。

選擇符合任務目標的 AI 工具

一旦把問題問明確,目標清楚了,AI 團隊就能快速決策打造 AI 圖像偵測模組。而這領域的 AI 現有資源相當成熟、好用。本次我們採用了雲端 AI 工具來自動偵測公開社群資料中屬於狗、貓的頭圖;並另外使用  Progressive Calibration Networks (PCN) 偵測人臉的頭圖。 

用兩種不同的 AI 工具能讓團隊以最快的效率,從 AI 偵測、貼標後的資料中取得頭圖屬於人、狗、貓類別的名單。

詳細來說,該雲端 AI 工具對於狗和貓等圖像所貼的標籤就是狗、貓等明確的類別,但有時則會同時出現「柯基」這種標籤(不過還是很好判斷與統整)。但其對人臉圖像,出現的標籤就較為多元,時常會同時出現例如手、脖子、服裝造型,甚至是工作性質等太細節的標籤。這讓我們整理出頭圖為人臉的名單時不太順利,而且這種標籤邏輯也不符合我們的需求。因此決定改用 PCN ,明確地將人臉圖像統一標籤分類為「人」。 

整個頭圖貼標工作的完整流程(如圖片一)包含了幾個步驟,我們批次依序處理數萬筆公開頭圖圖片,使用主程式把圖片抓進預測模組(Predict  Image Label),並由 PCN 模組先負責辨識圖片中有無出現人臉,將含人臉的圖片直接貼標為  Human Face,而其餘的圖片則另外呼叫雲端 AI 工具的 API,來偵測與判斷是否包含貓(Cat)、狗(Dog)相關的標籤。

整套雲端 AI 工具是建置於 Cloud 平台上並且支援 Prediction API,而 PCN 則是第三方提供的程式,其  Prediction API 功能就須由開發者自行整合與部署(如圖片二)。不過這些現有 AI 工具資源都能大幅加快整個專案流程的進行。

【圖說一】頭圖偵測標籤流程圖
【圖說一】iKala 的 AI 團隊繪製的頭圖標籤偵測流程圖。
【圖說二】現有_AI_工具資源可大幅加快開發流程
【圖說二】現有 AI 工具資源可大幅加快開發流程

最終,我們在 KOL Radar 團隊提供的 7.6 萬筆公開社群資料中,導入上述兩個 AI 模組進行偵測與標籤,並快速篩選出 1.5 萬筆頭圖為人、狗、貓的名單資料,將其做為高優先名單提供給 KOL Radar 團隊。而經過人工確認,在這 1.5 萬筆資料中有 80% 的資料符合 KOL Radar 收錄網紅的標準,使工作效率加速了 4 倍。 

ik
【圖說三】iKala 共同創辦人暨執行長程世嘉(左後三)、iKala 資料長暨 AI 團隊負責人黃宣龍(右後一灰色外套)與去年摘下 DSA 數位奇點獎銅獎作品的 AI 自動修圖服務 Picaas 團隊合照。

關鍵思維:「人的智慧」讓 AI 成最給力的助手 

在這次  iKala 的內部案例中,我們在想一件事:「企業導入 AI 時的關鍵思維」到底是什麼?從過去經驗李看,我們發現企業最常在一開始提出需求都問:「我想要 AI 幫我增加營收、AI 能幫我做到哪些事?」

但我們認為問題應該精簡成這樣:「公司現有及未來的工作流程或產品佈局有哪些痛點需要被解決、被優化」,並加入經驗法則,將導入 AI 的目標更加具體化。在這樣思考的過程中,人的經驗法則與產業  know-how 顯得至關重要。 

總體來說,AI 不是取代人,而是輔助人解決問題,唯有在我們問對問題的時候,AI 才能更精準地發揮最佳效益。iKala  整合顧問、服務超過 400 家企業的經驗,提出 DAA 飛輪(Digitalization,  Analytics, Application)的框架,不僅以 AI 賦能內部工作流程、實踐「自己的問題自己解決」,也持續以客戶為中心,協助客戶釐清其真正的關鍵需求。

至今,我們所有對外產品皆以 AI 為核心,包含雲端資料池與 AI/  ML 數據分析服務 iKala Cloud、AI 網紅雷達 KOL  Radar、AI 社群商務銷售工具  Shoplus,讓客戶導入 AI 時能有明確的策略藍圖。

【INSIDE_投稿文章圖說四】iKala_提出_DAA_飛輪架構,透過數位化、
【圖說四】iKala 提出 DAA 飛輪架構,透過數位化、分析能力、以及行銷應用組成的框架,讓企業在導入 AI 應用時,有明確的策略、規劃、及發展藍圖。

【圖說四】iKala 提出 DAA 飛輪架構,透過數位化、分析能力、以及行銷應用組成的框架,讓企業在導入 AI 應用時,有明確的策略、規劃、及發展藍圖。

責任編輯:Chris
核稿編輯:Anny



精選熱門好工作

行銷企劃主管

安力國際開發股份有限公司
臺北市.台灣

獎勵 NT$15,000

IT System Engineer

Digital Forest Technologies Co. Ltd.
臺北市.台灣

獎勵 NT$15,000

C#/.NET Core 開發工程師

天旭國際科技有限公司
臺北市.台灣

獎勵 NT$15,000