Li Shan Annie Derleme ve bitirme
Qubit Üretildi | Genel Hesap QbitAI
Sıradan (mobil) bir İnternet şirketinin ürün yöneticisinin de makine öğrenimini anlaması mı gerekiyor? Quora ürün tasarımcısı Abhinav Sharma, neredeyse tüm tasarımcıların makine öğrenimi konusunda temel bir anlayışa sahip olması gerektiğini söyledi.
Quora yalnızca bir soru-cevap web sitesi olmasına rağmen, makine öğrenimi teknolojisi çok önemlidir.Bu teknoloji, kişiselleştirilmiş abonelik e-postalarında, ana sayfa bilgi akışında, konu önerilerinde, sorun iletmelerinde ve spam filtrelemede kullanılır.
Öncelikle Quora'da ürün tasarımcıları ile ürün yöneticileri arasında çok fazla örtüşme olabilir, onlara ürün müdürü (PM) diyeceğiz.
Aşağıdakileri okumadan önce lütfen kendinizi böyle bir insan olarak hayal edin:
Günlük çalışmanız, web sitesinde yeniden kullanılabilecek tüm stiller, ızgaralar, düzenler, renkler ve tasarım desenleridir.
Makine öğrenimini nerede kullanırsınız?
Spam filtrelerinin temeli, makine öğreniminin temel bir modelidir: sınıflandırma. Sınıflandırıcı, bir içeriğin spam veya normal olup olmadığını belirlemek için etiketler eklemek için geçmiş verileri kullanır.
Bu tür sistemler hata yapar.Bazıları iyi niyetli içeriği spam (yanlış pozitif) olarak sınıflandırır ve diğerleri spam'i (yanlış negatif) bırakır. Çok kategorili sınıflandırma aynıdır.
Daha iyi bir kullanıcı deneyimine sahip olmak için, ürün yöneticilerinin yanlış pozitifler ve yanlış negatiflerle uğraşması gerekir.
Bazı normal içerikler yanlışlıkla spam olarak işaretlendiğinde, göz önünde bulundurmanız gereken şey, kullanıcıların bilgileri kaçırmaktan endişe duyup duymadıkları veya zamanı geldiğinde "spam'ı kontrol etmeleri" konusunda kendilerine hatırlatılması gerekip gerekmediğidir.
İstenmeyen postayı serbest bıraktığınızda, endişelenmeniz gereken şey, bunu kullanıcılara nasıl açıklayacağınız, onlara geri bildirim kanalları sağlayacağınız ve ardından bu sorunlarla nasıl başa çıkacağınızdır.
Bildirimler etkileşimi büyük ölçüde artırabilir ve insanların eylemleri hakkında geri bildirim sağlayabilir, ancak bu sistemlerin tasarlanması zordur.
Bir şirket genişledikçe, genellikle farklı ekiplerin kullanıcılara farklı e-postalar veya bildirimler göndermelerine olanak tanıyan bir sistem geliştirmek gerekir. Önceki etkileşimlere ve mevcut bant genişliğine bağlı olarak sınıflandırıcı, posta gönderilip gönderilmeyeceğine karar vermekten sorumludur. LinkedIn'in e-posta optimizasyon çerçevesi ( bir örnektir.
Bu tür bir sistem aynı zamanda yanlış pozitifler ve yanlış negatifler sorununa da sahiptir.Aşağıdaki iki senaryoda ortaya çıkan sorunlar, ürün yöneticileri tarafından özellikle dikkate alınmaya değerdir:
Cevabımla ilgili yorumları takip ediyorsam, bu çok önemli bir işarettir ve diğer birçok yoruma yanıt verecek vaktim olmasa bile kesinlikle bilmek istiyorum.
Uzun zaman önce yayınlanan cevaplarla karşılaştırıldığında, yakın zamanda yayınlanan cevaplardan alınan geri bildirimler konusunda daha endişeli olabilirim.
Eksik bilgi ve kullanıcı güvenini kaybetme konusunda endişelenmek istemiyorsanız, kullanıcıların ne zaman deterministik bir ilişki arzuladığını ve sistemin ne zaman yanlış pozitifleri karşılayamayacağını bilmelisiniz.
Genel olarak konuşursak, makine öğrenimi sistemini geliştirmek için ihtiyaç duyduğumuz davranışları belirtmek için bir dizi kural kullanılabilir. Aslında, "kuralları" kodlamanın ve bunları gerçek makine öğrenimi sistemlerine entegre etmenin birçok yolu vardır.
Buna ek olarak, bazı ürünler bu tür sorunları çözmeden aşırıya kaçmış, makine öğrenimini tamamen son derece karmaşık kural kümeleriyle değiştirmiş ve böylece tamamen güvendikleri bir sistem oluşturmuştur. Örneğin, Slack kullanıcıları size bir bildirim gönderip göndermemeyi belirlemek için bu akış şemasını kullanır:
Twitter'dan farklı olarak, Facebook, Quora ve Netflix'in ana sayfa bilgi akışları kronolojik sırayla değil, alaka düzeyine göre düzenlenmiştir. Bu bizi ilk regresyon problemimize götürür Makine öğrenimi algoritmalarının bir içerik parçasını beğenme olasılığınızı tahmin etmeye çalışması gerekir. Olasılık 0 ile 1 arasındadır ve referans veriler daha önce gözlemlenen durumda yansıtılan 0 ve 1'dir.
Bilgi akışı, önce olası sonuçları taramak ve ardından sınıflandırmaktır, bu da sınıflandırmadaki yanlış pozitifler ve yanlış negatifler hakkındaki endişelerinizi azaltabilir. Ancak, tazelik, çeşitlilik ve kullanıcıların en çok görmek istedikleri gibi ana sayfa bilgi akışı deneyiminin kalitesini etkileyen daha fazla faktörü göz önünde bulundurmanız gerekir.
Bu nedenle, kullanıcı deneyiminden sorumlu kişi, genellikle ürün yöneticisi, genellikle amaç işlevinin belirlenmesinde önemli bir rol oynar.Bunu sistemin maksimizasyon hedefi olarak değerlendirebilirsiniz. Örneğin, Facebookun amacı belirli bir gönderiyi okuma olasılığınızı en üst düzeye çıkarmaksa, size ilginç ancak modası geçmiş içeriği veya aynı kişiden çok sayıda içeriği gösterirken diğer kullanıcı deneyimlerini de göz önünde bulundurur. Görünüş faktörleri.
Ek olarak, belirli bir içeriği gerçekten beğenip beğenmediklerini anlamak için kullanıcılardan doğru sinyalleri toplamalısınız, böylece bir sonraki ...
Geri bildirim, bu ayırma sistemleri için çok önemlidir. Herhangi bir regresyon modeli yalnızca ölçülebilir şeyler için optimize edilebilir, bu da bir ürünün hangi yönünün daha zorlu ve hangi yönünün daha düşük olduğunu açıkça anlamanız gerektiği anlamına gelir.
Bu sinyaller, kullanıcının videoyu YouTube'da izlediği zaman gibi ince olabilir veya Quora'daki belirli bir soru veya yanıtla ilgili anlaşmazlık geçmişi gibi net olabilir. Önemli olan, bu sinyallerin aşağıdaki özelliklere sahip olması gerektiğidir:
Tahmin edilebilir: Gerçekten harika bir kullanıcı deneyimini gösterir.
Açık: Niyetleri karıştırmayın. Örneğin, Twitterın başlangıçtaki "yıldız" davranışı toplama içindi, ancak aslında "beğenme" olarak kullanıldı.
Yoğun kullanım: Kullanıcılar, verileri veriler aracılığıyla analiz etmek için sık sık kullanmalıdır. Video izleme süresi gibi örtük sinyallerin iyi sonuç vermesinin nedeni budur.
Regresyon modelleri genellikle fiyatlandırma için kullanılır ve deneyimli kullanıcılar bu fiyatın neden olduğunu bilmek ister. Örneğin, Airbnb bu sorunla karşılaştı. Fiyatlandırma modeli doğrusal regresyona yakın, bu da benzersizliğin ağırlıklı toplamı, arz ve talep ve konum olarak açıklanabilir ve basit ve anlaşılması kolay bir grafikte gösterilir:
Daha karmaşık makine öğrenimi görevlerinde, model yorumlama yetenekleri hala önemlidir, ancak model ne kadar karmaşık ve doğru olursa, yorumlama yetenekleri o kadar kötü olur.
Şimdi Google hakkında konuşalım.
Daha önce bahsedilen bilgi akışı sıralama sistemini hatırlıyor musunuz? Google, karmaşık kullanıcı arayüzünü içeren ilk genel sıralama ürünü olabilir.
Google ilk başta makine öğrenimi ile yönlendirilmiyordu, ancak şimdi öyle.
Arama motorlarının, nihai arama arayüzünü oluşturmak için değerlendirme katmanlarından geçmesi gerekir. Bu hususlar, yetişkinlere yönelik ve şiddet içeren içeriği filtrelemeyi, karmaşık hedef işlev hesaplamaları altında sıralamayı, meta verileri yorumlamayı ve arama sonuçlarıyla ilgili kullanıcı memnuniyetini toplamayı içerebilir. Geri bildirim derecesi.
Ancak unutmayın, bir arama motorunun en kritik odak noktası, kullanıcının amacını tanımaktır. Gördüğünüz gibi, bir kullanıcı bir filmi aradığında, isteyebileceği şey filmin açıklaması, yayınlanma zamanı, haber incelemeleri, önemli anlar koleksiyonu veya diğer bilgilerdir.
Bu durumda, ürün yöneticisinin, kullanıcıların ihtiyaçlarını en iyi şekilde karşılayabilecek niyet kombinasyonunu anlaması ve farklı olası UI sistemlerini karşılayacak şekilde tasarlaması gerekir.
Makine öğrenimi, web ile ilgili içeriğin önerisine de uygulanmıştır En tipik yaklaşım, kullanıcıların ilgili bağlantılara tıklama olasılığını en üst düzeye çıkarmak için bunu bir gerileme sorunu olarak ele almaktır.
Örnek olarak yukarıdaki YouTube resmini ele alalım. Japon tarihiyle ilgili bir videodan sonra önerilen içeriklerden biri "Subversion of Cognition: The Rise of Wolves". İkisi arasında bir ilişki yoktur, ancak YouTube, muhtemelen kullanıcının daha önce benzer içeriği görüntülemiş olmasından dolayı, kullanıcıların bu videoyu tıklamaya istekli olabileceğini biliyor.
YouTube, beğendiğiniz içeriği sunarken bazı "ilgili içeriklerin" gerçekten alakalı olmasını sağlamaya çalışır ve ikisi arasında bir denge kurar ve hatta "ilgili videoyu" titizlikle "sonraki" olarak değiştirir.
Sohbet robotları bir zamanlar çok popülerdi, ancak doğal dil anlama ve konuşma sentezi teknolojileri hala emekleme aşamasındadır. Ürün yöneticileri için, ekiple birlikte ses sisteminin sınırlarını keşfetmek çok önemlidir.
Örneğin, robotların bağlamsal içeriği hatırlaması hala çok zor ve konuşma sentezi teknolojisi nihayet son zamanlarda insanlara yakın bir seviyeye ulaştı.
Doğal dil alanındaki hızlı teknolojik ilerleme, ürün yöneticilerinin sürekli ilgisini hak ediyor.Geçen hafta mümkün olmayan işlevler bu hafta gerçekleştirilebilir.
Son olarak, kişiselleştirilmiş ürünlere adanmış sayısız çalışma, birçok kullanıcının aldıkları içeriğin kişiselleştirilmiş özelleştirmeye dayalı olduğunu bile bilmeyebileceğini göstermektedir.
Bu nedenle ayrıntılar çok önemlidir.Örneğin, "başlık hikayesi" ni "sizin için önerilen başlık hikayesi" olarak değiştirin veya kullanıcı adını yazmak için kullanıcı arayüzünde uygun bir yer bulun.
Son olarak, makalenin başındaki soruya bakalım: Ürün yöneticilerinin neden belirli bir makine öğrenimi anlayışına sahip olması gerekir? Yukarıdakiler kapsamlı ancak kapsamlı olmayan bir cevap sayfasıdır. Makine öğrenimi, ürün tasarımında her yerde bulunur, ancak çok önemlidir.
İşe Alım
Editörleri, muhabirleri, operasyonları ve diğer pozisyonları işe alıyoruz. Çalışma yeri Pekin, Zhongguancun'da. Ziyaretinizi dört gözle bekliyoruz ve yükselen yapay zeka dalgasını yaşıyoruz.
İlgili ayrıntılar için lütfen şu yanıtı verin: resmi hesabın diyalog arayüzünde "İşe Alım".
Bir şey daha...
Bugün AI dünyasında dikkat etmeye değer başka ne var? Yapay zeka endüstrisini ve tüm ağımızdan toplanan araştırma eğilimlerini görmek için QbitAI genel hesap görüşme arayüzünde "bugün" yanıtını verin. Yeniden doldur ~