Ano ang nagbunsod sa iyo na magsimulang magtrabaho sa puwang ng rekomendasyon sa nilalaman ng balita?
Sinimulan ko ang aking karera sa industriya ng enerhiya sa US noong 2005. Nagtrabaho ako ng 12 taon sa Industriya ng Enerhiya. Ang industriya ng enerhiya ay napaka-data intensive at napakaaga sa aking karera nalantad ako sa malalaking proyekto ng data. Talagang nag-enjoy ako at, sa pagbabalik-tanaw, ito ay isang pagpapala rin dahil talagang nagsimula ang Big Data Analytics sa nakalipas na 5 taon. Napakaraming kapangyarihan ng cloud computing na madaling magagamit na ang espasyo ng Big Data Analytics ay nagiging lubhang kawili-wili.
Iyon ang aking propesyonal na karera. Sa personal na bahagi gusto kong manatiling updated at panatilihin ang aking sarili abreast sa mga development. Nakukuha ko ang aking mga balita mula sa iba't ibang mga mapagkukunan kabilang ang mga website ng balita, social media, at siyempre mga blog na espesyalista. Sa bandang 2017, naramdaman kong masarap pakasalan ang aking interes sa Big Data Analytics at News at lumipat ako mula sa Big Data Analytics ng industriya ng enerhiya patungo sa Big Data Analytics ng rekomendasyon sa nilalaman ng balita.
Paano ka nito hahantong sa nahanap na Newsology?
Tulad ng nabanggit ko sa itaas, ako ay isang masugid na mamimili ng balita. Gayunpaman, naramdaman kong nakakakuha ako ng mga rekomendasyon sa balita mula sa pangkalahatang publiko – sa halip na mga eksperto at propesyonal sa isang partikular na domain. Kaya, halimbawa, nakakakuha ako ng mga artikulo tungkol sa Nutrisyon mula sa pangkalahatang publiko, marahil sa aking mga kaibigan - at naramdaman kong mas gugustuhin kong basahin kung ano ang inirerekomenda ng mga Nutritionist. Ang hypothesis ay ang isang propesyonal sa kanilang domain ay mas may kaalaman tungkol sa kalidad ng isang artikulo ng balita.
Nagsagawa kami ng maraming sesyon ng feedback upang subukan ang aming hypothesis at naramdaman namin na kailangang tugunan ang problemang ito. Kaya sinimulan namin ang Newsology noong 2017. Nakatanggap kami ng feedback mula sa aming komunidad ng user at mga mamamahayag habang naglalakbay upang matiyak na nagrerekomenda kami ng magandang content sa aming mga user. Patuloy kaming nakakakuha ng feedback sa rekomendasyon ng mga artikulong iminumungkahi ng aming app at isinasaayos namin ang aming produkto nang naaayon.
Ano ang hitsura ng isang karaniwang araw?
Talagang isa akong night owl, kaya ang tipikal kong 'gabi' ay nagsisimula sa pagsusuri ko sa aming mga pangunahing KPI gamit ang kasalukuyang system, at pagkatapos ay ang katayuan ng pagkumpleto ng mga susunod na pagpapahusay na aming ginagawa – ito ay maaaring mga pag-aayos sa aming AI engine, o mga pagbabago sa aming App. Nakikipagtulungan kami sa isang ipinamahagi na pangkat. Wala kaming mga nakapirming iskedyul para sa mga pagpupulong. Nasa Skype ang lahat kaya nagme-message lang kami sa isa't isa at, kung kinakailangan, mag-set up ng mga conference call.
Kaya naubos na ang gabi ko para sa mas teknikal na gawain. Sa buong araw ay may posibilidad akong gumawa ng iba pang mga gawain tulad ng Marketing, PR, at mga pagsusumikap na nauugnay sa feedback ng customer.
Ano ang hitsura ng iyong setup sa trabaho? (iyong mga app, productivity tool, atbp.)
Mayroon akong laptop na konektado sa isang dual-screen set up. Sinusubukan kong iwasang magsulat ng mahahabang email sa aking telepono at panatilihin iyon para sa aking computer para makapagbigay ako ng malinaw na mga direksyon at sagot. Ang aming mga gawain ay naka-log sa Trello. Mayroon kaming napakalinaw na mga alituntunin sa kung paano naka-log ang mga problema sa Trello, kailan minarkahan bilang kumpleto ang isang gawain, atbp. Sinisikap naming panatilihin ang kultura ng pagbibigay ng maraming impormasyon sa susunod na user upang ang gawain ay umusad nang mahusay sa kaunting mga pulong. Siguradong O365 shop kami. Ang aming mga dokumento, KPI, mga daloy ng trabaho, mga presentasyon, atbp ay lahat ay nakaimbak sa O365 cloud. Bukod doon, ginagamit namin ang GitHub, at AWS.
Paano lumalabas ang AI sa orihinal na nilalaman?
Mayroong ilang bilang ng mga app ng pagsasama-sama ng balita na gumagamit ng AI upang ipakita ang orihinal na nilalaman. Mayroong maraming mga paraan na ginagamit ng mga app na iyon ang AI upang ipakita ang orihinal na nilalaman. Ipapaliwanag ko ang dalawa sa mas karaniwang paraan na ginagamit, at pagkatapos ay isang twist na ginagamit ng Newsology.
Ang unang teknolohiya na magagamit ay Collaborative Filtering. Maaari naming ipaliwanag ang Collaborative Filtering gamit ang isang simpleng halimbawa. Sabihin nating interesado si Stephan sa Nutrisyon at Pagbaba ng Timbang. At si Sarah ay interesado rin sa Nutrisyon, at Pagpapayat. Pero mahilig din si Sarah sa Seafood. Siguro dapat naming irekomenda ang mga artikulo ng Seafood kay Stephan? Kung nagpapakita si Stephan ng kakulangan ng interes sa mga artikulo ng Seafood, makikilala iyon ng modelo at susubok ng isa pang paksa. Makikita mo dito na ang AI engine ay nakapag-iisa sa paghahanap ng mga bagong paksa na maaaring maging interesado ang isang mambabasa.
Pag-usapan natin ang tungkol sa pangalawang teknolohiya: Doc2Vec. Minsan mayroong isang kawili-wiling pananaw na inaalok ng isang mamamahayag o isang blogger. At ito ay nalulunod ng malaking dami ng mga artikulo na, mahalagang, pinag-uusapan ang parehong bagay. Maaari kaming gumamit ng mga algorithm tulad ng Doc2Vec upang makita kung ang mga mamamahayag ay nagsasalita tungkol sa parehong kaganapan. Kaya, halimbawa, ipagpalagay natin na natuklasan ng astrologist ang dalawang kawili-wiling bagay tungkol sa ating kalawakan sa parehong araw. Maaaring mayroon tayong 10 mamamahayag na nagko-cover sa unang kaganapan ngunit 1 mamamahayag lamang ang nagko-cover sa ika-2 kaganapan . Matutukoy ng Doc2Vec na sa katotohanan ay tinatalakay ng 10 mamamahayag ang parehong kaganapan, at ang kanilang mga artikulo ay ipapangkat sa isang 'display' lamang. Nagbibigay ito ng pagkakataon na maipakita ang ika artikulo sa mga user na interesado sa Astrology. Sa kasong ito, tinulungan ng AI ang isang user na makita ang mga pag-unlad na maaaring maitago.
Ang twist na idinagdag ng Newsology ay isinasaalang-alang din nito kung ano ang propesyonal na background ng isang user. Gamitin natin ang ating unang halimbawa kasama sina Sarah at Stephan. Kung ang isang gumagamit ng Newsology ay nagsasaad na sila ay isang nutrisyunista, idinagdag namin ngayon ang ikatlong dimensyon sa pagrekomenda ng mga artikulo kina Sarah at Stephan tungkol sa mga artikulo sa Nutrisyon. Iyon ay: anong mga artikulo ang binabasa ng nutrisyunista? Dahil sa impormasyong ito, ano ngayon ang mairerekomenda namin kina Sarah at Stephan?
Siyempre, hindi lang dalawa o tatlong modelo ng AI ang ginagamit ng mga app sa pagsasama-sama ng balita. Marami pang mga modelo na nagtutulungan, sumusubok nang magkasama, at nagrerekomenda nang magkasama. Natututo din sila sa kanilang sarili kung gumagana ang kanilang rekomendasyon. Halimbawa, tumutugon ba ang user sa rekomendasyon. Ito ay kilala bilang A/B testing. At kung hindi tumutugon ang gumagamit, ano ang gagawin natin?
Ano ang pakinabang sa mga blogger at manunulat?
Gusto ng user na ubusin ang orihinal at mahusay na articulated na nilalaman. Mayroong 1000 na mga blogger at manunulat na nagsusulat ng orihinal na nilalaman na hindi nakakakuha ng sapat na pagkakalantad. Ang Newsology ay tumutulong sa paglabas ng nilalaman ng mga independiyenteng blogger at manunulat.
Ano ang ilang tip sa delegasyon na pinananatili mo?
Ang delegasyon ay isang proseso. Ang unang hakbang ay gamitin ang Delegation Quadrant (importante/not important vs Urgent/Not Urgent). Magugulat ka kung gaano karaming mga gawain ang nahuhulog sa yugtong iyon. Kung magde-delegate, napag-alaman kong mas mabuting maglaan ng oras upang isulat muna ang pangitain/pangangailangan/problema sa aking sarili upang matiyak na lubos kong naunawaan ang problema at ang nais na resulta. Matapos pag-isipang mabuti ang gawain, tinanong ko ang aking sarili kung sino ang pinakamahusay na tao na bibigyan ng gawain. Mahalagang ilatag kung ano ang hitsura ng isang tagumpay at hikayatin ang delegado na tanungin ang kanilang sarili kung sa tingin nila ay matagumpay na natapos ang isang gawain. Tinitiyak nito na ang indibidwal na kumukumpleto sa gawain ay gumagawa ng kanilang sariling QC.
Nilalaman mula sa aming mga kasosyo
Anong payo ang mayroon ka para sa ambisyosong digital publishing at mga propesyonal sa media na pumapasok sa AI at ML space?
Magbibigay ako ng dalawang payo. Isang soft skill, at isang hard skill.
Sa soft-skill side, gumugol ng maraming oras sa pagkuha ng tamang tao para sa gawain. Ngunit kapag nakuha mo na ang tao, huwag matakot na hawakan ang iyong koponan sa mataas na pamantayan. Magugulat ka kung gaano karaming mga tao ang nagpapatakbo nang may 'sapat na kaisipan'. Hindi nila kasalanan. Naghahanap sila ng gabay mula sa iyo kung ano ang iyong mga inaasahan.
Sa bahagi ng mahirap na kasanayan: Matutulungan ka ng mga teknolohiyang AI at ML na ilantad ang iyong nilalaman. Subukang gumamit ng pag-tag at mga keyword sa iyong mga artikulo. Hinahanap ng mga gumagapang na makina ang mga keyword na ito. Gayundin, huwag palabnawin ang iyong artikulo. Mayroong ilang mga publisher na nagdaragdag ng lahat ng uri ng mga keyword sa kanilang artikulo. Kaya, ang kanilang artikulo ay maaaring tungkol sa hiking, ngunit nagdaragdag sila ng mga keyword sa background tulad ng "International Politics, time travel, atbp." Maaaring kunin ito ng mga AI engine, at, kung mayroon man, masakit na ipakita ang iyong mga artikulo.