Co czytelnik przeczyta następne — i czy ten tekst warto było napisać.

Okres: 2019 – 2021
Klient: Duży wydawca prasowy
Moja rola: Head of AI/ML — projekt, wdrożenie, 80% pracy hands-on

Kontekst

Redakcja produkowała ogromne wolumeny treści bez systematycznej wiedzy o tym, które teksty faktycznie budują zasięg i przychód.

Wyzwanie

Rekomendacje oparte na popularności prowadzą do bańki: promują to, co już się promuje. Potrzebne było podejście oparte na treści, działające także dla artykułów bez historii odsłon.

Rozwiązanie

Silnik rekomendacji content-based operujący na reprezentacji tekstu, uzupełniony modelami szacującymi potencjalną wartość artykułu jeszcze przed publikacją oraz — osobno — automatyką multi-armed bandit zapewniającą ciągłe testowanie zakładanej efektywności artykułu na części populacji i uzalażnianie cyklu życia materiału od wyniku eksperymentu.

Efekt

Rekomendacje działające od pierwszej minuty życia artykułu i dane wejściowe do decyzji redakcyjnych o alokacji pracy i doborze tematów.

Czego się nauczyłem

Modele oparte na popularności są łatwe do wdrożenia i trudne do obrony. Podejście oparte na treści wymaga więcej pracy, ale rozwiązuje zimny start — a w mediach zimny start to codzienność.

Technologie: Python, NLP, Scikit-learn, TensorFlow, SQL