Apakah yang mendorong anda untuk mula bekerja dalam bidang cadangan 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 terdedah kepada projek data raya. Saya benar-benar menikmatinya dan, jika diimbas kembali, ia juga merupakan satu rahmat kerana Analisis Data Raya telah benar-benar berkembang pesat dalam tempoh 5 tahun yang lalu. Terdapat begitu banyak kuasa pengkomputeran awan yang sedia ada sehingga ruang Analisis Data Raya menjadi sangat menarik.
Itulah kerjaya profesional saya. Dari segi peribadi, saya suka sentiasa dikemas kini dan mengikuti perkembangan terkini. Saya mendapat berita daripada pelbagai sumber termasuk laman web berita, media sosial dan sudah tentu blog pakar. Sekitar tahun 2017, saya rasa adalah lebih baik untuk menggabungkan minat saya terhadap Analisis Data Besar dan Berita dan saya beralih daripada Analisis Data Besar industri tenaga kepada Analisis Data Besar untuk cadangan kandungan berita.
Bagaimanakah ini membawa anda kepada pengasasan Newsology?
Seperti yang saya nyatakan di atas, saya seorang pengguna berita yang tegar. 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 disyorkan oleh Pakar Pemakanan. Hipotesisnya ialah seorang profesional dalam domain mereka lebih berpengetahuan tentang kualiti artikel berita.
Kami telah menjalankan pelbagai sesi maklum balas untuk menguji hipotesis kami dan kami merasakan terdapat keperluan untuk menangani masalah ini. Jadi kami memulakan Newsology pada tahun 2017. Kami mendapat maklum balas daripada komuniti pengguna dan wartawan kami sepanjang proses tersebut untuk memastikan kami mengesyorkan kandungan yang baik kepada pengguna kami. Kami terus mendapatkan maklum balas mengenai cadangan artikel yang dicadangkan oleh aplikasi kami dan kami mengubah suai produk kami dengan sewajarnya.
Bagaimana rupa hari biasa?
Saya sememangnya seorang yang gemar bekerja pada waktu malam, jadi 'waktu malam' saya yang biasa bermula dengan menganalisis KPI utama kami dengan sistem sedia ada, dan kemudian status penyiapan penambahbaikan seterusnya yang sedang kami bina – ini mungkin pengubahsuaian pada enjin AI kami atau pengubahsuaian pada Aplikasi kami. Kami bekerjasama dengan pasukan yang teragih. Kami tidak mempunyai jadual tetap untuk mesyuarat. Semua orang menggunakan Skype jadi kami hanya menghantar mesej antara satu sama lain dan, jika perlu, menyediakan panggilan persidangan.
Jadi malam saya digunakan untuk lebih banyak kerja teknikal. Sepanjang hari saya cenderung untuk melakukan tugas-tugas lain seperti Pemasaran, PR dan usaha berkaitan maklum balas pelanggan.
Bagaimana rupa persediaan kerja anda? (aplikasi, alatan produktiviti anda, dsb.)
Saya mempunyai komputer riba yang disambungkan dengan tetapan dwi-skrin. Saya cuba mengelakkan menulis e-mel yang panjang di telefon saya dan menyimpannya untuk komputer saya supaya saya dapat memberikan arahan dan jawapan yang jelas. Tugas kami direkodkan di Trello. Kami mempunyai garis panduan yang sangat jelas tentang cara masalah direkodkan di Trello, bila tugas ditanda sebagai selesai, dan sebagainya. Kami cuba mengekalkan budaya menyediakan banyak maklumat kepada pengguna seterusnya supaya tugas berjalan lancar dengan mesyuarat yang minimum. Kami sememangnya sebuah syarikat O365. Dokumen, KPI, aliran kerja, pembentangan, dan sebagainya kami semuanya disimpan di awan O365. Selain itu, kami menggunakan GitHub dan AWS.
Bagaimanakah AI memaparkan kandungan asal?
Terdapat beberapa aplikasi pengagregatan berita yang menggunakan AI untuk menonjolkan kandungan asal. Terdapat pelbagai cara aplikasi tersebut menggunakan AI untuk menonjolkan kandungan asal. Saya akan menerangkan dua kaedah yang lebih biasa digunakan, dan kemudian kelainan yang digunakan oleh Newsology.
Teknologi pertama yang boleh digunakan ialah Penapisan Kolaboratif. Kita boleh menerangkan Penapisan Kolaboratif dengan contoh mudah. Katakan Stephan berminat dengan Pemakanan dan Penurunan Berat Badan. Dan Sarah juga berminat dengan Pemakanan dan Penurunan Berat Badan. Tetapi Sarah juga berminat dengan Makanan Laut. Mungkin kita harus mengesyorkan artikel Makanan Laut kepada Stephan? Jika Stephan menunjukkan kekurangan minat terhadap artikel Makanan Laut, model akan mengenali perkara itu dan menguji topik lain. Anda boleh lihat di sini bahawa enjin AI secara bebas mencari topik baharu yang mungkin diminati oleh pembaca.
Mari kita bincangkan tentang teknologi kedua: Doc2Vec. Kadangkala terdapat perspektif menarik yang ditawarkan oleh wartawan atau blogger. Dan ini ditenggelami oleh sejumlah besar artikel yang, pada asasnya, membincangkan perkara yang sama. Kita boleh menggunakan algoritma seperti Doc2Vec untuk melihat sama ada wartawan bercakap tentang peristiwa yang sama. Jadi, sebagai contoh, mari kita andaikan ahli astrologi menemui dua perkara menarik tentang galaksi kita pada hari yang sama. Kita mungkin mempunyai 10 wartawan yang membuat liputan peristiwa pertama tetapi hanya 1 wartawan yang membuat liputan 2 peristiwa tersebutdan acara tersebut. Doc2Vec dapat mengenal pasti bahawa pada hakikatnya 10 wartawan sedang membincangkan acara yang sama, dan artikel mereka akan dikumpulkan ke dalam hanya satu 'paparan'. Ini memberi peluang kepada 2 orang tersebutdan artikel untuk ditunjukkan kepada pengguna yang berminat dengan Astrologi. Dalam kes ini, AI membantu pengguna melihat perkembangan yang mungkin tersembunyi.
Kelainan yang ditambah oleh Newsology ialah ia juga mengambil kira latar belakang profesional pengguna. Mari kita gunakan contoh pertama kita dengan Sarah dan Stephan. Jika pengguna Newsology menyatakan bahawa mereka pakar pemakanan, kita kini menambah dimensi ketiga ini dalam mengesyorkan artikel kepada Sarah dan Stephan tentang artikel Pemakanan. Iaitu: artikel apakah yang sedang dibaca oleh pakar pemakanan? Memandangkan maklumat ini, apakah yang boleh kita cadangkan kepada Sarah dan Stephan sekarang?
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 mempelajari sendiri sama ada cadangan mereka berkesan. Contohnya, adakah pengguna memberi respons kepada cadangan tersebut. Ini dikenali sebagai ujian A/B. Dan jika pengguna tidak memberi respons, apa yang perlu kita lakukan?
Apakah faedahnya kepada blogger dan penulis?
Pengguna ingin menggunakan kandungan asli yang diartikulasikan dengan baik. Terdapat beribu-ribu blogger dan penulis yang menulis kandungan asli tetapi tidak mendapat pendedahan yang mencukupi. Newsology membantu menonjolkan kandungan blogger dan penulis bebas.
Apakah beberapa petua pendelegasian yang anda patuhi?
Pendelegasian adalah satu proses. Langkah pertama adalah menggunakan Kuadran Pendelegasian (penting/tidak penting vs Mendesak/Tidak Mendesak). Anda akan terkejut berapa banyak tugasan yang akan diselesaikan dalam peringkat tersebut. Jika mendelegasikan, saya dapati adalah lebih baik untuk meluangkan masa untuk menulis visi/keperluan/masalah terlebih dahulu bagi memastikan saya telah memahami sepenuhnya masalah dan hasil akhir yang diingini. Selepas memikirkan tugasan tersebut dengan teliti, saya kemudian bertanya kepada diri sendiri siapakah orang yang terbaik untuk diberikan tugasan tersebut. Adalah penting untuk membentangkan bagaimana rupa kejayaan dan menggalakkan wakil untuk bertanya kepada diri sendiri sama ada mereka fikir sesuatu tugasan itu berjaya diselesaikan. Ini memastikan individu yang menyelesaikan tugasan itu menjalankan QC mereka sendiri.
Apakah nasihat anda untuk profesional penerbitan digital dan media yang bercita-cita tinggi yang menceburi ruang AI dan ML?
Saya akan menawarkan dua nasihat. Satu kemahiran insaniah, dan satu lagi kemahiran keras.
Dari segi kemahiran insaniah, luangkan banyak masa untuk mengupah orang yang tepat untuk tugas tersebut. Tetapi setelah anda mengupah orang tersebut, jangan takut untuk memastikan pasukan anda mempunyai standard yang tinggi. Anda akan terkejut betapa ramai orang yang beroperasi dengan mentaliti 'cukup baik'. Itu 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 perayapan sedang mencari kata kunci ini. Selain itu, jangan cairkan artikel anda. Terdapat beberapa penerbit yang menambah 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, dll". Enjin AI boleh mengesan perkara ini, dan, jika ada, ia menyakitkan untuk memaparkan artikel anda.
