Hva fikk deg til å begynne å jobbe med anbefaling av nyhetsinnhold?
Jeg startet karrieren min i energibransjen i USA tilbake i 2005. Jeg jobbet 12 år i energibransjen. Energibransjen er svært dataintensiv, og veldig tidlig i karrieren min ble jeg eksponert for stordataprosjekter. Jeg likte det definitivt, og sett i ettertid var det også en velsignelse, fordi stordataanalyse virkelig har tatt av de siste fem årene. Det er så mye skybasert datakraft også lett tilgjengelig at stordataanalyseområdet blir veldig interessant. Det var min profesjonelle karriere. På den personlige siden liker jeg å holde meg oppdatert og følge med på utviklingen. Jeg får nyheter fra ulike kilder, inkludert nyhetsnettsteder, sosiale medier og selvfølgelig spesialblogger. Rundt 2017 følte jeg at det ville være fint å forene interessen min for stordataanalyse og nyheter, og jeg gikk over fra energibransjens stordataanalyse til stordataanalyse innen anbefaling av nyhetsinnhold.Hvordan førte dette til at du grunnla Newsology?
Som jeg nevnte ovenfor, er jeg en ivrig nyhetsforbruker. Jeg følte imidlertid at jeg fikk nyhetsanbefalinger fra allmennheten – snarere enn eksperter og fagfolk innen et bestemt domene. Så, for eksempel, fikk jeg artikler om ernæring fra allmennheten, kanskje vennene mine – og jeg følte at jeg heller ville lese det ernæringseksperter anbefaler. Hypotesen er at en fagperson innen sitt domene er bedre informert om kvaliteten på en nyhetsartikkel. Vi gjennomførte flere tilbakemeldingsmøter for å teste hypotesen vår, og vi følte at det var behov for å ta tak i 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 tilbakemeldinger på anbefalingene til artiklene appen vår foreslår, og vi justerer produktet vårt deretter.Hvordan ser en typisk dag ut?
Jeg er definitivt en nattugle, så min typiske «kveld» starter med at jeg analyserer våre viktigste KPI-er med det eksisterende systemet, og deretter fullføringsstatusen for de neste forbedringene vi bygger – dette kan være justeringer av AI-motoren vår eller modifikasjoner av appen vår. Vi jobber med et distribuert team. Vi har ikke faste møteplaner. Alle er på Skype, så vi bare sender meldinger til hverandre og setter opp telefonkonferanser om nødvendig. Så natten min går med til mer av det tekniske arbeidet. I løpet av dagen pleier jeg å gjøre andre oppgaver som markedsføring, PR og tilbakemeldinger fra kunder.Hvordan ser arbeidsoppsettet ditt ut? (dine apper, produktivitetsverktøy osv.)
Jeg har en bærbar PC koblet til en dobbel skjerm. Jeg prøver å unngå å skrive lange e-poster på telefonen min og oppbevarer den til datamaskinen, slik at jeg kan gi tydelige instruksjoner og svar. Oppgavene våre logges på Trello. Vi har veldig klare retningslinjer for hvordan problemer logges på Trello, når en oppgave merkes som fullført, osv. Vi prøver å opprettholde en kultur der vi gir mye informasjon til den neste brukeren, slik at oppgaven går effektivt fremover med minimale møter. Vi er definitivt en O365-butikk. Dokumentene våre, KPI-ene, arbeidsflytene, presentasjonene osv. lagres i O365-skyen. Bortsett fra det bruker vi GitHub og AWS.Hvordan avdekker AI originalt innhold?
Det finnes en håndfull apper for nyhetsaggregering som bruker AI for å avdekke originalt innhold. Det finnes flere måter disse appene bruker AI på for å avdekke originalt innhold. Jeg skal forklare to av de vanligste metodene som brukes, og deretter en vri som Newsology bruker. Den første teknologien som kan brukes er samarbeidsfiltrering. Vi kan forklare samarbeidsfiltrering 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 burde anbefale sjømatartikler til Stephan? Hvis Stephan viser mangel på 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 blogger tilbyr. Og dette drukner i 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 den samme hendelsen. Så la oss for eksempel anta at en astrolog oppdager to interessante ting om galaksen vår på samme dag. Vi kan ha 10 journalister som dekker den første hendelsen, men bare én journalist dekker den andreog hendelse. Doc2Vec kan identifisere at de 10 journalistene i realiteten diskuterer den samme hendelsen, og artiklene deres vil bli gruppert i bare én «visning». Dette gir en sjanse for de 2og artikkelen som skal vises til brukere som er interessert i astrologi. I dette tilfellet hjalp AI en bruker med å se utviklinger som ellers ville vært skjult. Vrien Newsology legger til er at den også tar inn hva en brukers profesjonelle bakgrunn er. La oss bruke vårt første eksempel med Sarah og Stephan. Hvis en Newsology-bruker oppgir at de er ernæringsfysiolog, legger vi nå til denne tredje dimensjonen ved å anbefale artikler til Sarah og Stephan om ernæringsartikler. Det vil si: hvilke artikler leser ernæringsfysiologer? 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 apper for nyhetsaggregering. Det finnes mange flere modeller som jobber sammen, tester sammen og anbefaler sammen. De lærer også selv om anbefalingen deres fungerer. For eksempel, responderer brukeren på anbefalingen. Dette kalles A/B-testing. Og hvis brukeren ikke svarer, hva gjør vi?Hva er fordelen for bloggere og forfattere?
Brukere ønsker å konsumere originalt, velformulert innhold. Det finnes tusenvis av bloggere og forfattere som skriver originalt innhold som ikke får nok eksponering. Newsology bidrar til å avdekke innholdet til uavhengige bloggere og forfattere.Hvilke delegeringstips holder du deg til?
Delegering er en prosess. Det første trinnet er å bruke delegeringskvadranten (viktig/ikke viktig vs. haster/ikke haster). Du vil bli overrasket over hvor mange oppgaver som faller ut i den fasen. Hvis jeg delegerer, synes jeg det er bedre å ta seg tid til først å skrive ned visjonen/behovet/problemet selv for å forsikre meg om at jeg har forstått problemet og det ønskede sluttresultatet fullt ut. 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 frem hva en suksess ser ut som og oppmuntre delegerte til å spørre seg selv om de synes en oppgave er fullført. Dette sikrer at personen som fullfører oppgaven gjør sin egen kvalitetskontroll.Hvilke råd har du til ambisiøse fagfolk innen digital publisering og media som går inn i AI- og ML-området?
Jeg vil gi to råd. En myk ferdighet og en vanskelig ferdighet. Når det gjelder myke ferdigheter, bruk mye tid på å ansette den rette personen til oppgaven. Men når du først har ansatt personen, ikke vær redd for å kreve høye standarder for teamet ditt. Du vil bli overrasket over hvor mange som opererer med en «god nok»-mentalitet. Det er ikke deres feil. De ønsker veiledning fra deg om hva dine forventninger er. På den vanskelige siden: AI- og ML-teknologier kan hjelpe deg med å eksponere innholdet ditt. Prøv å bruke tagging og nøkkelord i artiklene dine. Gjennomsøkingsmotorene ser etter disse nøkkelordene. Ikke vanne ut artikkelen din. Det finnes noen utgivere som legger til alle slags nøkkelord i artiklene sine. Så artikkelen deres kan handle om fotturer, men de legger til nøkkelord i bakgrunnen som «Internasjonal politikk, tidsreiser osv.» AI-motorer kan fange opp dette, og hvis noe, skader det visningen av artiklene dine.Innhold fra våre partnere
