Hva fikk deg til å begynne å jobbe i anbefalingsområdet for nyhetsinnhold?
Jeg startet min karriere i energiindustrien i USA tilbake i 2005. Jeg jobbet 12 år i energiindustrien. Energibransjen er veldig dataintensiv og veldig tidlig i karrieren ble jeg utsatt for store dataprosjekter. Jeg likte det definitivt, og i ettertid var det også en velsignelse fordi Big Data Analytics har virkelig tatt av de siste 5 årene. Det er så mye cloud computing-kraft også lett tilgjengelig at Big Data Analytics-området begynner å bli veldig interessant.
Det var min profesjonelle karriere. På den personlige siden liker jeg å holde meg oppdatert og holde meg oppdatert med utviklingen. Jeg får nyhetene mine fra forskjellige kilder, inkludert nyhetsnettsteder, sosiale medier og selvfølgelig spesialistblogger. Rundt 2017 følte jeg at det ville være fint å kombinere interessen min for Big Data Analytics og News, og jeg gikk over fra energibransjens Big Data Analytics til Big Data Analytics med anbefaling av nyhetsinnhold.
Hvordan førte dette deg til å grunnlegge Newsology?
Som jeg nevnte ovenfor, er jeg en ivrig nyhetsforbruker. Imidlertid følte jeg at jeg fikk nyhetsanbefalinger fra allmennheten – i stedet for eksperter og fagfolk på et bestemt domene. Så, for eksempel, fikk jeg artikler om ernæring fra allmennheten, kanskje vennene mine – og jeg følte at jeg heller ville lese hva ernæringsfysiologer anbefaler. Hypotesen er at en fagperson i deres domene er bedre informert om kvaliteten på en nyhetsartikkel.
Vi gjennomførte flere tilbakemeldingsøkter for å teste hypotesen vår, og vi følte at det var behov for å løse dette problemet. Så vi startet Newsology tilbake i 2017. Vi fikk tilbakemeldinger fra brukerfellesskapet vårt og journalister underveis for å sikre at vi anbefaler godt innhold til brukerne våre. Vi fortsetter å få tilbakemelding på anbefalingen av artiklene appen vår foreslår, og vi tilpasser produktet vårt deretter.
Hvordan ser en vanlig dag ut?
Jeg er definitivt en natteravn, så min typiske "natt" begynner med at jeg analyserer nøkkel-KPI-ene våre med det eksisterende systemet, og deretter fullføringsstatusen for de neste forbedringene vi bygger – dette kan være justeringer av AI-motoren vår, eller modifikasjoner på vår app. Vi jobber med et distribuert team. Vi har ingen faste tidsplaner for møter. Alle er på Skype, så vi sender bare meldinger til hverandre og setter opp konferansesamtaler om nødvendig.
Så natten min er brukt opp til mer av det tekniske arbeidet. Gjennom dagen har jeg en tendens til å gjøre andre oppgaver som markedsføring, PR og tilbakemeldingsrelatert innsats fra kunder.
Hvordan ser arbeidsoppsettet ditt ut? (dine apper, produktivitetsverktøy osv.)
Jeg har en bærbar datamaskin koblet til med et oppsett med to skjermer. Jeg prøver å unngå å skrive lange e-poster på telefonen min og beholder det for datamaskinen min slik at jeg kan gi klare veibeskrivelser og svar. Våre oppgaver er logget på Trello. Vi har veldig klare retningslinjer for hvordan problemer logges på Trello, når er en oppgave merket som fullført osv. Vi prøver å holde en kultur med å gi rikelig med informasjon til neste bruker slik at oppgaven går effektivt fremover med minimale møter. Vi er definitivt en O365-butikk. Dokumentene våre, KPI-er, arbeidsflyter, presentasjoner osv. er alle lagret på O365-skyen. Bortsett fra det bruker vi GitHub og AWS.
Hvordan viser AI originalt innhold?
Det er en håndfull nyhetsaggregeringsapper som bruker AI for å vise originalt innhold. Det er flere måter disse appene bruker AI for å vise originalt innhold. Jeg skal forklare to av de mer vanlige metodene som brukes, og deretter en vri som Newsology bruker.
Den første teknologien som kan brukes er Collaborative Filtering. Vi kan forklare Collaborative Filtering med et enkelt eksempel. La oss si at Stephan er interessert i ernæring og vekttap. Og Sarah er også interessert i ernæring og vekttap. Men Sarah er også interessert i sjømat. Kanskje vi skal anbefale Sjømat-artikler til Stephan? Hvis Stephan viser manglende interesse for sjømatartikler, vil modellen gjenkjenne det og teste et annet emne. Du kan se her at AI-motoren uavhengig finner nye emner som en leser kan være interessert i.
La oss snakke om en annen teknologi: Doc2Vec. Noen ganger er det et interessant perspektiv som en journalist eller en blogger tilbyr. Og dette blir druknet av et stort volum av artikler som i hovedsak snakker om det samme. Vi kan bruke algoritmer som Doc2Vec for å se om journalister snakker om samme hendelse. Så, for eksempel, la oss anta at astrolog oppdager to interessante ting om galaksen vår på samme dag. Vi kan ha 10 journalister som dekker den første begivenheten, men bare 1 journalist dekker den andre begivenheten . Doc2Vec kan identifisere at de 10 journalistene i virkeligheten diskuterer den samme hendelsen, og artiklene deres vil bli gruppert i bare én "skjerm". Dette gir en sjanse for at den andre artikkelen kan vises til brukere som er interessert i astrologi. I dette tilfellet hjalp AI en bruker med å se utviklinger som ellers kan være skjult.
Vrien som Newsology legger til er at den også tar inn over seg hva en brukers faglige bakgrunn er. La oss bruke vårt første eksempel med Sarah og Stephan. Hvis en Newsology-bruker oppgir at de er en ernæringsfysiolog, legger vi nå til denne tredje dimensjonen ved å anbefale artikler til Sarah og Stephan om ernæringsartikler. Det vil si: hvilke artikler leser ernæringsfysiolog? Gitt denne informasjonen, hva kan vi nå anbefale til Sarah og Stephan?
Selvfølgelig er det ikke bare to eller tre AI-modeller som brukes av nyhetsaggregeringsapper. Det er mange flere modeller som fungerer sammen, tester sammen og anbefaler sammen. De lærer også selv om anbefalingen deres fungerer. For eksempel svarer brukeren på anbefalingen. Dette er kjent som A/B-testing. Og hvis brukeren ikke svarer, hva gjør vi?
Hva er fordelen for bloggere og skribenter?
Brukeren ønsker å konsumere originalt, velartikulert innhold. Det er 1000-vis av bloggere og forfattere som skriver originalt innhold som ikke får nok eksponering. Newsology hjelper til med å synliggjøre innholdet til de uavhengige bloggerne og skribentene.
Hva er noen delegasjonstips du holder deg til?
Delegering er en prosess. Det første trinnet er å bruke delegasjonskvadranten (viktig/ikke viktig vs Haster/Ikke Haster). Du vil bli overrasket over hvor mange oppgaver som faller ut i det stadiet. Ved delegering synes jeg det er bedre å ta seg tid til først å skrive visjonen/behovet/problemet selv for å være sikker på at jeg har forstått problemet fullt ut og det ønskede sluttresultatet. Etter å ha tenkt grundig gjennom oppgaven, spør jeg meg selv hvem som er den beste personen å tildele oppgaven til. Det er viktig å legge ut hvordan en suksess ser ut og oppmuntre delegaten til å spørre seg selv om de tror en oppgave er vellykket utført. Dette sikrer at den enkelte som fullfører oppgaven gjør sin egen QC.
Innhold fra våre partnere
Hvilke råd har du til ambisiøse digitale publiserings- og mediefagfolk som kommer inn i AI- og ML-området?
Jeg skal gi to råd. En myk ferdighet, og en hard ferdighet.
På den myke ferdighetssiden, bruk mye tid på å ansette den rette personen for oppgaven. Men når du har ansatt personen, ikke vær redd for å holde teamet ditt til høye standarder. Du vil bli overrasket over hvor mange som opererer med "god nok"-mentaliteten. Det er ikke deres feil. De leter etter veiledning fra deg om hva dine forventninger er.
På den harde ferdighetssiden: AI- og ML-teknologier kan hjelpe deg med å eksponere innholdet ditt. Prøv å bruke tagging og nøkkelord i artiklene dine. Gjennomgangsmotorene leter etter disse søkeordene. Også, ikke fortynne artikkelen din. Det er noen utgivere som legger til alle slags søkeord i artikkelen sin. Så artikkelen deres kan handle om fotturer, men de legger til i bakgrunnen nøkkelord som "Internasjonal politikk, tidsreiser osv.". AI-motorer kan fange opp dette, og om noe gjør det vondt å vise artiklene dine.