如何使用AI实现营销DX(数字转换)，最后一部分将是第三部分，将介绍营销人员介绍AI的最低知识获取方法。所需要的不是AI专业知识，而是对通过输入数据可以获得什么以及可以识别出什么结果的``想象''。教授如何成为“公司内部创新者”的知识。

即使在诸如AIX(AI转换)和市场营销DX这样的新领域中，我在第2部分中也解释了诸如激情，灵活性和询问之类的模拟部分也是必不可少的。但是，在没有知识的情况下很难实现AIX和市场营销DX。那么，这种“ 知识 ”是什么意思，我们应该如何获得它作为信息?毕竟，是否有必要具备有关AI技术的专门知识?

尽管它需要技术知识，但对于工程师来说是完全不可能的，但是对于AI领域知识不多的营销人员却毫无根据地进入这里。这是我们上次介绍的“创新者之旅地图”的来源，我们与该项目一起工作的人员也是如此。但是他们通过行动来补充它。

首先，他们行动的基础是强烈的好奇心和积极寻求意见的态度。首先，在公司内部，我们采取了一些措施，例如研究公司中AI项目的存在以及寻找可以在公司中使用的资源。同时，在公司外部，我们积极参加与AI相关的研讨会和活动，以提高我们的知识水平。有些人试图获得日本深度学习协会的G考试(一般主义者考试)，该考试被称为衡量深度学习基础知识的资格。通过积累这样的日常工作，他说，他为理解技术信息奠定了基础。

但是，我想在这里提一下，严格来说，人工智能是用于其开发的机器学习技术，它是去中心化的研究领域，例如图像领域，自然语言领域，语音领域和强化学习领域，并且是必不可少的。这意味着知识据说是完全不同的。实际上，作为开发专业人员的机器学习工程师通常具有专门的领域，例如图像领域和自然语言领域，并且每个领域都很广泛和深入。创新者采取的行动不是要在与工程师相同的水平上对这些领域有专业的了解，而是要根据自己的职责范围来确定应了解哪些技术领域的范围。有人强调了。

这与促进营销DX的营销人员是相同的，例如，在与设计相关的领域(如产品包装)中，它源自用于图像识别和图像检测以及图像特征提取的CNN(卷积神经网络)。对算法的理解将是核心。SNS和口碑中都需要有关RNN(递归神经网络)的信息，以进行自然语言处理和时间序列数据处理，以及由Google开发的BERT(来自变压器的双向编码器表示)取得了重大突破。这将是。如果在实际的商店中收集客户的语音，那么了解语音技术(例如语音分离)将增加可使用的客户数据的范围。