لى شان آن مترجم الانتهاء

إنتاج و qubit | عدد ملفه QbitAI

تحتاج A شيوعا (المحمول) مدير المنتج الإنترنت، وأيضا لفهم تعلم الآلة؟ وقال قرة مصمم المنتج ابهيناف شارما أن جميع المصممين تقريبا في حاجة الى فهم أساسي للتعلم الآلة.

على الرغم من مجرد Q & A موقع قرة، ولكن من الضروري، شخصية اشتراك البريد الإلكتروني، وتدفق المعلومات الصفحة الرئيسية، توصية الموضوع، دفع المشكلة، فلترة البريد المزعج وغيرها، وقد استخدمنا التكنولوجيا تعلم آلة هذه التقنية.

سوف نلاحظ أن هناك الكثير من التداخل في قرة، ومصممي المنتجات ومديري المنتجات فقط، فإننا ندعو مدير المنتج (PM) كذلك.

قبل قراءة ما يلي، يرجى أعتبر نفسي شخص مثل هذا:

عملك اليومي، هو مجموعة متنوعة من الأساليب، والشبكة، والتخطيط، واللون، وتصميم ويمكن استخدامها في جميع أنحاء وضع الموقع.

من أين تعلمتم فإنه سيتم استخدام الجهاز؟

أنظمة مراقبة البريد المزعج / جودة

فلتر البريد المزعج الأساسي هو النموذج الأساسي من التعلم الآلي: التصنيف. المصنف لإضافة العلامات، لتحديد ما إذا كان أي جزء من المحتوى أو المعلومات العادية من البريد المزعج باستخدام البيانات السابقة.

هذه النظم يخطئون، وبعض سيسقط بحسن البريد المزعج محتوى الإيمان (المغلوطة)، فضلا عن البريد المزعج (سلبية كاذبة) سيتم ترك. تصنيف من الدرجة متعددة هو نفسه.

للحصول على تجربة أفضل للمستخدم، ومديري المنتجات تحتاج إلى القيام به للتعامل مع الحالات من الإيجابيات الكاذبة والسلبيات كاذبة.

عندما يتم تسميتها بعض المحتوى كالمعتاد البريدية، تحتاج للنظر هو أن المستخدمين لن تفوت رسالة، أو ليس من المناسب أن أذكر لهم "نظرة على البريد المزعج."

عندما البريد المزعج هو ترك، تحتاج إلى القلق بشأنه هو كيفية تفسير للمستخدمين وتزويدهم قناة ردود الفعل، ومن ثم التعامل مع هذه القضايا.

إشعار

إعلام يمكن أن تحسن بشكل كبير من التفاعل، وتوفير التغذية المرتدة على تصرفات الناس، ولكن هذه الأنظمة من الصعب تصميم.

مع التوسع في حجم الشركة، فإنها تميل إلى وضع نظام للسماح يمكن للفرق مختلفة تجعل مختلفة البريد الإلكتروني أو إشعار ليتم إرسالها إلى المستخدم. وفقا لعرض النطاق الترددي الحالي والتفاعلات السابقة، المصنف هو المسؤول عن البت في إرسال الرسالة. ينكدين إطار رسالة الأمثل ( هو مثال واحد.

هذه النظم توجد أيضا إيجابية كاذبة ومشكلة سلبية كاذبة، تحدث المشكلة في السيناريو التالي اثنين من مدير منتج معين ملاحظة:

اذا كان شخص ما أشعر بالقلق لجوابي علق، وهذا هو إشارة مهمة جدا، وأنا متأكد من يود أن يعرف، حتى لو لم يكن لديك الوقت للرد على الكثير من التعليقات الأخرى.

ونشرت منذ فترة طويلة مقارنة الإجابات، وأنا قد تكون أكثر قلقا بشأن الإجابات ردود الفعل الأخير تم الحصول عليها.

إذا كنت لا تريد أن تفوت المعلومات والقلق من فقدان ثقة المستخدم، يجب أن تعرف عندما تريد للمستخدمين العلاقات اليقين، ونعرف ما هي النقطة لا يمكن للنظام تحمل إيجابية كاذبة.

بشكل عام، يمكن استخدام مجموعة من القواعد لتحديد السلوك نحتاج لتعزيز نظام التعلم الآلي. في الواقع، هناك العديد من الطرق ل"القاعدة" يتم ترميز، ودمجها في نظام التعلم الآلي الفعلي.

وبالإضافة إلى ذلك، فإن بعض المنتجات التي لا تعالج هذه القضايا إلى أقصى الحدود، مع مجموعة معقدة جدا من القواعد لتحل تماما محل تعلم الآلة، لبناء نظام حيث أنهم الثقة بالكامل. على سبيل المثال، وسيكون للمستخدمين سلاك الاستفادة من هذا الرسم البياني لتحديد ما اذا كان سيرسل إشعار لك:

تدفق المعلومات ترتيب

مختلف وتويتر، الفيسبوك، قرة الصفحة الرئيسية وتيار نيتفليكس ليس حسب الترتيب الزمني، ولكن وفقا لأهميتها الترتيب. هذا يؤدي إلى العودة إلى السؤال الأول لدينا، تحتاج تعلم آلة الخوارزميات لمحاولة التنبؤ احتمال واحد منكم مثل قطعة من المحتوى. احتمال بين 0 و 1، في حين أن البيانات المرجعية هو الحال لوحظ سابقا تجسد 0 و 1.

تدفق المعلومات هو تصفية النتائج الممكنة، ومن ثم فرزها، وهذا قد يخفف مخاوفك حول كاذبة ايجابيات وسلبيات كاذبة في مشكلة التصنيف. ومع ذلك، عليك أن تنظر المزيد من العوامل التي تؤثر على نوعية تجربتك تيار المنزل، بما في ذلك نضارة المحتوى والتنوع ومعظم المستخدمين تريد أن ترى.

فمن هو المسؤول عن تجربة المستخدم، عادة مديري المنتجات، غالبا ما تلعب دورا هاما في تحديد دالة الهدف، يمكنك تحقيق أقصى قدر أن هذا هو النظام المستهدف. على سبيل المثال، إذا الفيسبوك هو الهدف من زيادة احتمال منكم قراءة آخر، وسوف تظهر لك مثيرة جدا للاهتمام، ولكن قد يكون هناك محتوى عفا عليها الزمن، أو الكثير من المحتوى من نفس الشخص، ولكن أيضا النظر في بعض تجربة المستخدم أخرى احترام العوامل.

وبالإضافة إلى ذلك، لديك لجمع من المستخدم الإشارات الصحيحة لمعرفة ما اذا كانوا حقا مثل محتوى معين، لذلك سيكون هناك بجانب ......

السلوك المحتوى

ردود الفعل من المهم جدا بالنسبة لنظام التصنيف. لا يمكن إلا أن يكون الأمثل أي نموذج الانحدار للأشياء التي يمكن قياسها، مما يعني أنك بحاجة إلى فهم واضح لمتطلبات المستخدم أعلى على أي جانب من المنتج، وانخفاض متطلبات أي جانب.

قد تكون هذه الإشارات دقيق جدا، مثل مستخدم مشاهدة أشرطة الفيديو على يوتيوب، وأيضا قد تكون أكثر وضوحا، على سبيل المثال، أنا لا أتفق أو الإجابة على سؤال حول تاريخ قرة. وهذه النقطة هي أن الإشارات يجب أن يكون الخصائص التالية:

يمكن التنبؤ بها: صفا جيدا من تجربة المستخدم الحقيقية.

مسح: لا نية الخلط، على سبيل المثال، تويتر الأصلي "ستار" هو إجراء جمع، ولكن في الواقع كان يستخدم ك "ممتاز".

الاستخدام المكثف: في كثير من الأحيان يجب أن يستخدم المستخدم لتحليل البيانات. وهذه هي المرة مشاهدة الفيديو وإشارات أخرى خفية غالبا ما يكون السبب لماذا نتائج جيدة.

شرح عدد السحر

كما تستخدم نموذج الانحدار كثيرا التسعير، والمستخدمين والدهاء تريد أن تعرف لماذا هو الثمن. على سبيل المثال، واجه عبر Airbnb هذه المشكلة، نموذج التسعير هو يمكن تفسير الانحدار الخطي ما يقرب من فريدة من نوعها، وموقف العرض والطلب المرجح المبلغ، وتظهر مع بسيطة لفهم الرسوم البيانية:

في أكثر تطورا مهام التعلم الآلي، ويوضح نموذج القدرة لا تزال مهمة، ولكن أكثر دقة نماذج أكثر تعقيدا، والقدرة على شرح ما هو أسوأ.

بحث

الآن، بالنسبة لنا أن نقول جوجل.

تذكر ترتيب نظام تدفق المعلومات المذكورة أمامك؟ جوجل قد يكون تنطوي المقدمة ترتيب UI معقدة من المنتجات السائدة.

جوجل ليس البداية من قبل الجهاز مدفوعة التعلم، ولكن الآن هو عليه.

محركات البحث والنظر في حاجة للذهاب من خلال طبقات من واجهة البحث الجيل الماضي، ويمكن أن تشمل هذه الاعتبارات نقطة - لتصفية محتوى للبالغين والعنف لفرز دالة الهدف في عملية حسابية معقدة، الفوقية تفسير وجمع من رضا المستخدمين مع نتائج البحث ردود الفعل درجة.

ولكن لا ننسى، محرك بحث هو أيضا معظم التركيز الحاسمة في تحديد نية المستخدم. كما ترون، عندما يبحث المستخدم عن فيلم، وقال انه قد ترغب في ندخله هو مضمون الفيلم، أوقات العرض والتعليق أخبار، مقطورات أو غيرها من المعلومات المجموعة.

في هذه الحالة، ومديري المنتجات بحاجة إلى معرفة ما القصد من الجمع يمكن أن تلبي احتياجات المستخدمين أفضل، وهكذا صممت لتلبية مختلف نظام UI ممكن.

تقديم محتوى ذي صلة

يتم استخدام آلة التعلم الموصى بها أيضا في صفحات المحتوى ذات الصلة، ومعظم النهج النموذجي هو لاستخدامه بمثابة مشكلة الانحدار للتعامل مع، وإمكانية لتحقيق أقصى قدر من مستخدم النقر على الرابط.

الرسم البياني يوتيوب فوق سبيل المثال، بعد شريط فيديو عن تاريخ اليابان، وأنه يحتوي على نسبة الموصى به هو "تخريبية الإدراك: الذئب عودة". لا توجد علاقة بين الاثنين، ولكن أعرف فقط أن مستخدمي YouTube قد تكون مستعدة في الضغط على هذا الفيديو، قد يكون ذلك بسبب المتصفح محتوى مماثل قبل المستخدم.

يحاول يوتيوب لضمان في الوقت نفسه بعض "محتوى" حقا ذات الصلة، والتي تبين المحتوى المفضل لديك، وإيجاد توازن بين الاثنين، حتى صرامة الحصول على "مقاطع الفيديو ذات الصلة" إلى "المقبل".

الصوت والحوار

بوت (Chatbots) كانت كل الغضب، ولكن اللغة الطبيعية التفاهم وخطاب التكنولوجيا التوليف لا تزال في مهدها. لمديري المنتجات، وفريق استكشاف أوجه القصور في أنظمة الصوت الحرجة معا.

على سبيل المثال، دعونا نتذكر سياق محتويات الروبوت لا يزال من الصعب جدا، والتكنولوجيا خطاب التوليف مؤخرا قد وصلت أخيرا إلى مستوى يقترب الإنسان.

التقدم التكنولوجي في مجال اللغة الطبيعية بسرعة، جديرة بالاهتمام المتواصل لمدير المنتج في الأسبوع الماضي، لا وظيفة، وربما هذا الأسبوع يمكن أن يتحقق.

كوبيوريتنغ

وأخيرا، تظهر العديد من الدراسات المخصصة لمنتجات شخصية، قد العديد من المستخدمين ليس لديهم فكرة ما يحصلون عليه يقوم على التخصيص.

ولذلك، فإن التفاصيل مهمة، مثل "قصة عنوان" إلى "أوصى لك قصة العنوان"، أو العثور على مكان مناسب لكتابة اسم المستخدم في واجهة المستخدم.

وأخيرا، دعونا نلقي نظرة على بداية المقالة في السؤال التالي: لماذا الحاجة مدير المنتج لديهم بعض الفهم للتعلم الآلة؟ ما سبق هو إجابة وافية شاملة ولكن لا. تعلم آلة في تصميم المنتجات في كل مكان، ولكن أهمية.

تجنيد

نحن نبحث عن محررين وصحفيين والمشغلين وظائف أخرى، ومقرها في تشونغ قوان تسون في بكين، ونتطلع إلى وصولك، لتجربة الذكاء الاصطناعي ارتفاع.

مزيد من التفاصيل، في عدد من واجهة الحوار العامة، يجيب: "التجنيد" كلمة.

أكثر شيء واحد ...

ما يفعله قلق المجتمع AI اليوم؟ في الكم بت (QbitAI) جلسة علنية واجهة رقم الرد "اليوم" لمعرفة صناعة منظمة العفو الدولية والبحوث وجمع ديناميات شبكتنا بأكملها. عبوة ~