Was hat Sie dazu bewogen, im Bereich der Empfehlung von Nachrichteninhalten zu arbeiten?
Ich habe meine Karriere in der Energiebranche in den USA im Jahr 2005 begonnen. Ich habe 12 Jahre in der Energiebranche gearbeitet. Die Energiebranche ist sehr datenintensiv und ich kam schon sehr früh in meiner Karriere mit Big-Data-Projekten in Kontakt. Mir hat es auf jeden Fall Spaß gemacht und im Nachhinein war es auch ein Segen, denn Big Data Analytics hat in den letzten 5 Jahren richtig Fahrt aufgenommen. Es ist auch so viel Cloud-Computing-Leistung leicht verfügbar, dass der Bereich Big Data Analytics sehr interessant wird.
Das war mein beruflicher Werdegang. Auf der persönlichen Seite bleibe ich gerne auf dem Laufenden und halte mich über Entwicklungen auf dem Laufenden. Ich beziehe meine Nachrichten aus verschiedenen Quellen, darunter News-Websites, soziale Medien und natürlich Fachblogs. Um 2017 herum hatte ich das Gefühl, dass es schön wäre, mein Interesse an Big Data Analytics und News zu vereinen, und ich wechselte von der Big Data Analytics der Energiebranche zur Big Data Analytics für die Empfehlung von Nachrichteninhalten.
Wie hat Sie das dazu geführt, Newsology zu gründen?
Wie ich oben erwähnt habe, bin ich ein begeisterter Nachrichtenkonsument. Ich hatte jedoch das Gefühl, Nachrichtenempfehlungen von der breiten Öffentlichkeit zu erhalten – und nicht von Experten und Fachleuten in einem bestimmten Bereich. So erhielt ich zum Beispiel Artikel über Ernährung von der breiten Öffentlichkeit, vielleicht von meinen Freunden – und ich hatte das Gefühl, dass ich lieber lesen würde, was Ernährungswissenschaftler empfehlen. Die Hypothese ist, dass ein Fachmann auf seinem Gebiet besser über die Qualität eines Nachrichtenartikels informiert ist.
Wir haben mehrere Feedback-Sitzungen durchgeführt, um unsere Hypothese zu testen, und wir hatten das Gefühl, dass dieses Problem angegangen werden muss. Also haben wir 2017 mit Newsology begonnen. Wir haben auf dem Weg dorthin Feedback von unserer Benutzergemeinschaft und Journalisten erhalten, um sicherzustellen, dass wir unseren Benutzern gute Inhalte empfehlen. Wir erhalten immer wieder Feedback zu den Empfehlungen der Artikel, die unsere App vorschlägt, und optimieren unser Produkt entsprechend.
Wie sieht ein typischer Tag aus?
Ich bin definitiv eine Nachteule, also beginnt meine typische „Nacht“ damit, dass ich unsere wichtigsten KPIs mit dem bestehenden System analysiere, und dann den Fertigstellungsstatus der nächsten Verbesserungen, die wir bauen – dies könnten Optimierungen an unserer KI-Engine oder Änderungen daran sein unsere App. Wir arbeiten mit einem verteilten Team. Wir haben keine festen Termine für Meetings. Alle sind auf Skype, also schreiben wir uns einfach Nachrichten und richten bei Bedarf Telefonkonferenzen ein.
So wird meine Nacht für weitere technische Arbeiten verwendet. Im Laufe des Tages neige ich dazu, andere Aufgaben wie Marketing, PR und Kundenfeedback zu erledigen.
Wie sieht Ihr Arbeitsaufbau aus? (Ihre Apps, Produktivitätstools usw.)
Ich habe einen Laptop mit einem Dual-Screen-Setup verbunden. Ich versuche es zu vermeiden, lange E-Mails auf meinem Handy zu schreiben, und behalte das für meinen Computer, damit ich klare Anweisungen und Antworten geben kann. Unsere Aufgaben werden bei Trello angemeldet. Wir haben sehr klare Richtlinien dafür, wie Probleme bei Trello protokolliert werden, wann eine Aufgabe als abgeschlossen markiert wird usw. Wir versuchen, eine Kultur der Bereitstellung zahlreicher Informationen für den nächsten Benutzer aufrechtzuerhalten, damit die Aufgabe mit minimalen Besprechungen effizient vorankommt. Wir sind definitiv ein O365-Shop. Unsere Dokumente, KPIs, Workflows, Präsentationen usw. werden alle in der O365-Cloud gespeichert. Abgesehen davon verwenden wir GitHub und AWS.
Wie bringt KI Originalinhalte zum Vorschein?
Es gibt eine Handvoll Nachrichtenaggregations-Apps, die KI verwenden, um Originalinhalte anzuzeigen. Es gibt mehrere Möglichkeiten, wie diese Apps KI verwenden, um Originalinhalte anzuzeigen. Ich werde zwei der gebräuchlicheren Methoden erklären und dann eine Wendung, die Newsology verwendet.
Die erste Technologie, die verwendet werden kann, ist Collaborative Filtering. Wir können Collaborative Filtering an einem einfachen Beispiel erklären. Nehmen wir an, Stephan interessiert sich für Ernährung und Gewichtsabnahme. Und Sarah interessiert sich auch für Ernährung und Gewichtsabnahme. Aber Sarah interessiert sich auch für Meeresfrüchte. Vielleicht sollten wir Stephan Seafood-Artikel empfehlen? Zeigt Stephan Desinteresse an Seafood-Artikeln, erkennt das Model das und testet ein anderes Thema. Sie können hier sehen, dass die KI-Engine selbstständig neue Themen findet, die einen Leser interessieren könnten.
Lassen Sie uns über eine zweite Technologie sprechen: Doc2Vec. Manchmal gibt es eine interessante Perspektive, die ein Journalist oder Blogger bietet. Und dies wird von einer großen Menge an Artikeln übertönt, die im Wesentlichen über dasselbe sprechen. Wir können Algorithmen wie Doc2Vec verwenden, um zu sehen, ob Journalisten über dasselbe Ereignis sprechen. Nehmen wir zum Beispiel an, ein Astrologe entdeckt am selben Tag zwei interessante Dinge über unsere Galaxie. Wir haben vielleicht 10 Journalisten, die über die erste Veranstaltung berichten, aber nur 1 Journalist, der über die 2. Veranstaltung berichtet . Doc2Vec kann erkennen, dass die 10 Journalisten in Wirklichkeit über dasselbe Ereignis diskutieren und ihre Artikel in nur einer „Anzeige“ gruppiert werden. Dies gibt dem 2. Artikel die Möglichkeit, den Benutzern gezeigt zu werden, die sich für Astrologie interessieren. In diesem Fall half die KI einem Benutzer, Entwicklungen zu erkennen, die sonst verborgen bleiben könnten.
Die Wendung, die Newsology hinzufügt, besteht darin, dass es auch den beruflichen Hintergrund eines Benutzers berücksichtigt. Nehmen wir unser erstes Beispiel mit Sarah und Stephan. Wenn ein Newsology-Benutzer angibt, Ernährungsberater zu sein, fügen wir jetzt diese dritte Dimension hinzu, indem wir Sarah und Stephan Artikel über Ernährungsartikel empfehlen. Das heißt: Welche Artikel lesen Ernährungswissenschaftler? Was können wir angesichts dieser Informationen Sarah und Stephan nun empfehlen?
Natürlich gibt es nicht nur zwei oder drei KI-Modelle, die von Nachrichtenaggregations-Apps verwendet werden. Es gibt viele weitere Modelle, die zusammenarbeiten, gemeinsam testen und gemeinsam empfehlen. Sie lernen auch selbst, ob ihre Empfehlung funktioniert. Reagiert der Benutzer beispielsweise auf die Empfehlung? Dies wird als A/B-Testing bezeichnet. Und wenn der Benutzer nicht antwortet, was tun wir?
Welchen Nutzen haben Blogger und Autoren?
Benutzer möchten originelle, gut artikulierte Inhalte konsumieren. Es gibt Tausende von Bloggern und Autoren, die originelle Inhalte schreiben, die nicht genug Aufmerksamkeit erhalten. Newsology hilft dabei, die Inhalte der unabhängigen Blogger und Autoren aufzudecken.
An welche Delegationstipps halten Sie sich?
Delegieren ist ein Prozess. Der erste Schritt ist die Verwendung des Delegierungsquadranten (wichtig/nicht wichtig vs. dringend/nicht dringend). Sie werden überrascht sein, wie viele Aufgaben in dieser Phase herausfallen. Wenn ich delegiere, finde ich es besser, mir zuerst die Zeit zu nehmen, die Vision/das Bedürfnis/das Problem selbst zu schreiben, um sicherzustellen, dass ich das Problem und das gewünschte Endergebnis vollständig verstanden habe. Nachdem ich die Aufgabe gründlich durchdacht habe, frage ich mich dann, wem ich die Aufgabe am besten zuweisen kann. Es ist wichtig, darzulegen, wie ein Erfolg aussieht, und den Delegierten zu ermutigen, sich selbst zu fragen, ob er der Meinung ist, dass eine Aufgabe erfolgreich abgeschlossen wurde. Dadurch wird sichergestellt, dass die Person, die die Aufgabe erledigt, ihre eigene Qualitätskontrolle durchführt.
Welchen Rat haben Sie für ambitionierte Digital-Publishing- und Medienprofis, die in den KI- und ML-Bereich einsteigen?
Ich gebe zwei Ratschläge. Eine Soft Skill und eine Hard Skill.
Auf der Soft-Skill-Seite verbringen Sie viel Zeit damit, die richtige Person für die Aufgabe einzustellen. Aber sobald Sie die Person eingestellt haben, scheuen Sie sich nicht, Ihr Team an hohe Standards zu halten. Sie wären überrascht, wie viele Menschen mit der „gut genug“-Mentalität arbeiten. Es ist nicht ihre Schuld. Sie suchen nach Anleitung von Ihnen, was Ihre Erwartungen sind.
Auf der Hard-Skill-Seite: KI- und ML-Technologien können Ihnen dabei helfen, Ihre Inhalte offenzulegen. Versuchen Sie, Tagging und Keywords in Ihren Artikeln zu verwenden. Die Crawling-Engines suchen nach diesen Schlüsselwörtern. Verwässern Sie Ihren Artikel auch nicht. Es gibt einige Verlage, die ihren Artikeln alle Arten von Schlüsselwörtern hinzufügen. Ihr Artikel könnte also über Wandern handeln, aber sie fügen im Hintergrund Schlüsselwörter wie „Internationale Politik, Zeitreisen usw.“ hinzu. KI-Engines können dies erkennen, und wenn überhaupt, tut es weh, Ihre Artikel zu zeigen.