Apakah yang menyebabkan anda mula bekerja dalam ruang pengesyoran kandungan berita?
Saya memulakan kerjaya saya dalam industri tenaga di AS pada tahun 2005. Saya bekerja selama 12 tahun dalam Industri Tenaga. Industri tenaga sangat intensif data dan pada awal kerjaya saya, saya telah terdedah kepada projek data besar. Saya pastinya menikmatinya dan, jika difikirkan semula, ia adalah satu rahmat juga kerana Analitis Data Besar telah benar-benar berkembang sejak 5 tahun yang lalu. Terdapat begitu banyak kuasa pengkomputeran awan juga tersedia sehingga ruang Analitis Data Besar menjadi sangat menarik.
Itulah kerjaya profesional saya. Dari segi peribadi, saya suka mengikuti perkembangan terkini dan sentiasa mengikuti perkembangan. Saya mendapat berita saya daripada pelbagai sumber termasuk laman web berita, media sosial, dan sudah tentu blog pakar. Sekitar tahun 2017, saya merasakan adalah baik untuk mengahwini minat saya pada Analitis Data Besar dan Berita dan saya beralih daripada Analitis Data Besar industri tenaga kepada Analitis Data Besar bagi pengesyoran kandungan berita.
Bagaimanakah ini membawa anda kepada Newsology yang ditemui?
Seperti yang saya nyatakan di atas, saya adalah pengguna berita yang gemar. Walau bagaimanapun, saya merasakan saya mendapat cadangan berita daripada orang awam – bukannya pakar dan profesional dalam domain tertentu. Jadi, sebagai contoh, saya mendapat artikel tentang Pemakanan daripada orang awam, mungkin rakan-rakan saya – dan saya rasa saya lebih suka membaca apa yang disarankan oleh Pakar Pemakanan. Hipotesisnya ialah seorang profesional dalam domain mereka lebih mengetahui tentang kualiti artikel berita.
Kami menjalankan beberapa sesi maklum balas untuk menguji hipotesis kami dan kami merasakan terdapat keperluan untuk menangani masalah ini. Oleh itu, kami memulakan Newsology pada tahun 2017. Kami mendapat maklum balas daripada komuniti pengguna dan wartawan kami sepanjang perjalanan untuk memastikan kami mengesyorkan kandungan yang baik kepada pengguna kami. Kami terus mendapat maklum balas mengenai cadangan artikel yang dicadangkan oleh aplikasi kami dan kami mengubah suai produk kami dengan sewajarnya.
Apakah rupa hari biasa?
Saya sememangnya burung hantu malam, jadi 'malam' tipikal saya bermula dengan saya menganalisis KPI utama kami dengan sistem sedia ada, dan kemudian status penyiapan penambahbaikan seterusnya yang sedang kami bina – ini boleh menjadi tweak pada enjin AI kami, atau pengubahsuaian pada Apl kami. Kami bekerja dengan pasukan yang diedarkan. Kami tidak mempunyai jadual tetap untuk mesyuarat. Semua orang menggunakan Skype jadi kami hanya menghantar mesej antara satu sama lain dan, jika perlu, sediakan panggilan persidangan.
Jadi malam saya habis untuk lebih banyak kerja teknikal. Sepanjang hari saya cenderung melakukan tugas lain seperti Pemasaran, PR dan usaha berkaitan maklum balas pelanggan.
Apakah rupa persediaan kerja anda? (apl anda, alatan produktiviti, dsb.)
Saya mempunyai komputer riba yang disambungkan dengan persediaan dwi-skrin. Saya cuba mengelak daripada menulis e-mel panjang pada telefon saya dan menyimpannya untuk komputer saya supaya saya boleh memberikan arahan dan jawapan yang jelas. Tugas kami dilog di Trello. Kami mempunyai garis panduan yang sangat jelas tentang cara masalah dilog pada Trello, bila tugasan ditandakan sebagai selesai, dsb. Kami cuba mengekalkan budaya menyediakan banyak maklumat kepada pengguna seterusnya supaya tugas itu bergerak ke hadapan dengan cekap dengan mesyuarat yang minimum. Kami sememangnya kedai O365. Dokumen kami, KPI, aliran kerja, pembentangan, dll semuanya disimpan pada awan O365. Selain itu, kami menggunakan GitHub, dan AWS.
Bagaimanakah AI memaparkan kandungan asal?
Terdapat segelintir aplikasi pengagregatan berita yang menggunakan AI untuk memaparkan kandungan asal. Terdapat pelbagai cara apl tersebut menggunakan AI untuk memaparkan kandungan asal. Saya akan menerangkan dua daripada kaedah yang lebih biasa digunakan, dan kemudian kelainan yang digunakan Newsology.
Teknologi pertama yang boleh digunakan ialah Penapisan Kolaboratif. Kami boleh menerangkan Penapisan Kolaboratif dengan contoh mudah. Katakan Stephan berminat dengan Pemakanan dan Menurunkan Berat Badan. Dan Sarah juga berminat dengan Pemakanan, dan Penurunan Berat Badan. Tetapi Sarah juga berminat dengan Makanan Laut. Mungkin kita patut mengesyorkan artikel Makanan Laut kepada Stephan? Jika Stephan mempamerkan kurang minat terhadap artikel Makanan Laut, model itu akan mengenalinya dan menguji topik lain. Anda boleh lihat di sini bahawa enjin AI secara bebas mencari topik baharu yang mungkin diminati pembaca.
Mari bercakap tentang teknologi kedua: Doc2Vec. Kadang-kadang ada perspektif menarik yang ditawarkan oleh wartawan atau blogger. Dan ini ditenggelamkan oleh sejumlah besar artikel yang, pada asasnya, bercakap tentang perkara yang sama. Kita boleh menggunakan algoritma seperti Doc2Vec untuk melihat sama ada wartawan bercakap tentang acara yang sama. Jadi, sebagai contoh, mari kita anggap ahli astrologi menemui dua perkara menarik tentang galaksi kita pada hari yang sama. Kami mungkin mempunyai 10 wartawan membuat liputan acara pertama tetapi hanya 1 wartawan membuat liputan kedua . Doc2Vec boleh mengenal pasti bahawa sebenarnya 10 wartawan sedang membincangkan acara yang sama, dan artikel mereka akan dikumpulkan ke dalam satu 'paparan' sahaja. Ini memberi peluang untuk ke ditunjukkan kepada pengguna yang berminat dengan Astrologi. Dalam kes ini, AI membantu pengguna melihat perkembangan yang mungkin disembunyikan.
Perubahan yang Newsology tambah ialah ia juga mengambil kira latar belakang profesional pengguna. Mari kita gunakan contoh pertama kita dengan Sarah dan Stephan. Jika pengguna Newsology menyatakan mereka pakar pemakanan, kami kini menambah dimensi ketiga ini dalam mengesyorkan artikel kepada Sarah dan Stephan tentang artikel Pemakanan. Iaitu: artikel apakah yang dibaca oleh pakar pemakanan? Memandangkan maklumat ini, apakah yang boleh kami cadangkan kepada Sarah dan Stephan?
Sudah tentu, bukan hanya dua atau tiga model AI yang digunakan oleh aplikasi pengagregatan berita. Terdapat banyak lagi model yang berfungsi bersama, menguji bersama dan mengesyorkan bersama. Mereka juga belajar sendiri jika cadangan mereka berkesan. Sebagai contoh, adakah pengguna bertindak balas kepada pengesyoran. Ini dikenali sebagai ujian A/B. Dan jika pengguna tidak bertindak balas, apa yang kita lakukan?
Apakah faedah kepada blogger dan penulis?
Pengguna ingin menggunakan kandungan asli yang jelas. Terdapat 1000 blogger dan penulis yang menulis kandungan asli yang tidak mendapat pendedahan yang mencukupi. Newsology membantu memaparkan kandungan penulis blog dan penulis bebas.
Apakah beberapa petua perwakilan yang anda patuhi?
Delegasi adalah satu proses. Langkah pertama ialah menggunakan Kuadran Perwakilan (penting/tidak penting vs Urgent/Not Urgent). Anda akan terkejut berapa banyak tugas yang gagal dalam peringkat itu. Jika mewakilkan, saya dapati adalah lebih baik untuk meluangkan masa untuk menulis visi/keperluan/masalah sendiri terlebih dahulu untuk memastikan saya telah memahami sepenuhnya masalah dan hasil akhir yang diinginkan. Selepas memikirkan tugasan itu dengan teliti, saya kemudian bertanya kepada diri sendiri siapakah orang yang terbaik untuk memberikan tugasan itu. Adalah penting untuk membentangkan rupa kejayaan dan menggalakkan perwakilan untuk bertanya kepada diri sendiri jika mereka fikir sesuatu tugas itu berjaya diselesaikan. Ini memastikan individu yang menyelesaikan tugas melakukan QC mereka sendiri.
Kandungan daripada rakan kongsi kami
Apakah nasihat anda untuk penerbitan digital dan profesional media yang bercita-cita tinggi untuk memasuki ruang AI dan ML?
Saya akan menawarkan dua nasihat. Satu kemahiran lembut, dan satu kemahiran keras.
Dari segi kemahiran lembut, luangkan banyak masa untuk mengupah orang yang sesuai untuk tugas itu. Tetapi apabila anda telah mengupah orang itu, jangan takut untuk memastikan pasukan anda mencapai standard yang tinggi. Anda akan terkejut berapa ramai orang yang beroperasi dengan mentaliti 'cukup baik'. Bukan salah mereka. Mereka sedang mencari panduan daripada anda tentang jangkaan anda.
Dari segi kemahiran keras: Teknologi AI dan ML boleh membantu anda mendedahkan kandungan anda. Cuba gunakan penandaan dan kata kunci dalam artikel anda. Enjin merangkak sedang mencari kata kunci ini. Juga, jangan cairkan artikel anda. Terdapat beberapa penerbit yang menambahkan semua jenis kata kunci pada artikel mereka. Jadi, artikel mereka mungkin tentang mendaki, tetapi mereka menambah kata kunci latar belakang seperti "Politik Antarabangsa, perjalanan masa, dsb". Enjin AI boleh mengambil ini, dan, jika ada, ia menyakitkan untuk menunjukkan artikel anda.