اقدامات درست و غلطی که eBay با کمک AI انجام داد: چیزی که مقیاس قرار می‌دهید مهم است

منتشر‌شده در: وبسایت درباره علم داده
لینک منبع: Where eBay Went Right — and Wrong — with AI: What You Measure Matters

موارد زیر از Real World AI.

من در سال ۲۰۰۶ به eBay پیوستم، و در سال ۲۰۰۹، شرکت در وضعیت بسیار بدی بود. قیمت سهم این شرکت در یک سطح پایین تاریخی بود، و قیمت تاریخی آن نزدیک به ۲۴ دلار بود؛ هزینه‌ها را کاهش می‌داد، رشد منفی بود، سهم بازار کاهش می‌یافت، و تیم فن‌آوری قدرت نوآوری نداشت.

به بیان ساده‌تر، این شرکت دچار مشکل جدی بود.

آن‌ها این موضوع را تغییر دادند، تا حد زیادی برای سرمایه‌گذاری در تکنولوژی. به طور خاص، این شرکت سفر خود را برای استفاده از تکنولوژی، داده‌ها و AI برای هدایت تجارت آغاز کرد. من خوش‌شانس بودم که به تیم علمی جستجو پیوستم و آن را ایجاد کردم، که یکی از اولین تیم‌هایی بود که یادگیری ماشینی را برای بهینه‌سازی تجربه خریدار و کمک به آن‌ها برای پیدا کردن آیتم‌های مورد نظر در سایت eBay به کار برد.

ما تصمیم گرفتیم تا یک مدل AI بسازیم که تجربه مشتری را بهبود بخشد و درآمد حاصل کند، اما در اولین تلاش آن را کامل نکردیم. اغلب اوقات، با AI، چیزها قبل از اینکه درست پیش بروند، اشتباه پیش می‌رود. به عنوان یک مالک کسب‌وکار یا تصمیم‌گیرنده، یا به عنوان یک مهندس یا دانشمند داده، مهم است که درک کنیم چرا یک مدل AI ممکن است به عنوان مورد نظر کار نکند، به طوری که شما بتوانید آن را اصلاح کرده و از AI موثرتر استفاده کنید.

ساخت اولین مدل ما

از آنجا که ما می‌خواستیم به سود برسیم، وقتی برای اولین بار شروع به ساخت مدل AI خود کردیم، تیم ما بر افزایش خرید در هر جلسه تمرکز کرد: تعداد متوسط آیتم‌هایی که خریدار در یک جلسه کاربر خریداری می‌کند.

با در نظر گرفتن این هدف، مدل AI ما بر فروش (چند بار فروش یک کالا) در قالب (چند بار مشاهده یک کالا) تاکید کرد، و اقلام ارزان‌تر، که بیشتر از اقلام گران‌قیمت به فروش می‌رسند، در رتبه بالاتری نسبت به سایر اقلام قرار گرفتند.

ما مدل‌های مختلف یادگیری ماشین را امتحان کردیم-مدل‌هایی برای بازنویسی سوالات خریداران، مدل‌هایی برای تولید ویژگی‌هایی که باید در مدل رتبه‌بندی استفاده شوند، و مدل‌هایی برای رتبه‌بندی نتایج نهایی جستجو. سپس مجموعه‌ای از آزمون‌های A / B را اجرا کردیم تا نتایج مدل را با موفقیت بالا ارزیابی کنیم. بسیاری از مدل‌ها ثابت کردند که مبادله خریدار افزایش‌یافته است. سایر تیم‌ها از این موفقیت‌ها انگیزه گرفتند و شروع به تلاش برای افزایش خریدهایشان در هر جلسه کردند.

همه چیز عالی به نظر می‌رسید. یعنی تا زمانی که تیم مالی مشاهده کرد که آن برنده‌های تست A / B به معنای افزایش درآمد نیست.

یک مدل کاری لزوما یک مدل مفید نیست.

ما در جایی اشتباه کرده بودیم، و به یک راه‌حل نیاز داشتیم-سریعاً. ما در زمانی که شرکت نمی‌توانست حتی یک سنت هم از دست بدهد، به درآمد خود آسیب می‌رساندیم.

ما نتایج جستجوی مختلف را جستجو کردیم و یک پدیده جالب را یافتیم: خیلی اوقات، موارد جانبی را در بالا قرار می‌دادیم. به عنوان مثال، بسیاری از موارد آیفون زمانی که خریداران عبارت « iPhone.» را جستجو می‌کردند، در صدر نتایج قرار می‌گرفتند. اگرچه آن لوازم جانبی در سایت محبوب بودند، آن‌ها چیزی نبودند که کاربر به دنبالش بود، بنابراین چیزی را ایجاد کرد که ما آن را «آلودگی جانبی» می‌نامیم و منجر به تجربه بد کاربر شد.

آه! ما متوجه شدیم که چرا درآمد کاهش پیدا کرده‌است؛ یک مورد آیفون ۱۰ دلاری درآمد بسیار کمتری را نسبت به یک آیفون ۳۰۰ دلاری نشان می‌دهد. مدل ما زمانی که باید گوشی با قیمت بالاتر را توصیه می‌کرد، لوازم جانبی ارزان‌تر را توصیه می‌کرد.

مدل ما دقیقا همانطور کار می‌کرد که ما آن را ساخته بودیم، اما ما آن را ساخته بودیم تا کار اشتباهی انجام دهیم.

اندازه‌گیری درست را انتخاب کنید

موفقیت، بیشتر اوقات، چیزی است که شما برای اندازه‌گیری انتخاب می‌کنید.

وقتی ما سفر خود را شروع کردیم، تیم فن‌آوری اهداف مختلف را در یک هدف واحد متمرکز بر افزایش فروش متحد کرد. این یک انتخاب مشتری محور است که بگوییم تنها هدف شما فروش بیشتر است-اما این چیزی است که فروشندگان و خریداران می‌خواهند و در نهایت برای انجام آن به ما پول پرداخت می‌شود.

پس از چندین دور بحث، ما با اندازه‌گیری موفقیت با خرید در هر جلسه شروع کردیم. مدل AI ما در این هدف موفق شد اما تجربه کاربر بدی ایجاد کرد و در ارائه رشد کسب‌وکار شکست خورد. ما نیاز به یافتن یک راه‌حل جدید با یک مدل AI متفاوت و حتی مهم‌تر از آن، یک راه جدید برای اندازه‌گیری موفقیت مدل AI داشتیم. واضح است که «خرید در هر جلسه» انگیزه اشتباهی در مدل‌های AI ما و تیم ما ایجاد کرده‌است.

درس واضح بود: دقت کنید که اندازه‌گیری درست را انتخاب کنید چون جهت AI شما را آگاه خواهد کرد.

بعدا، ما سیگنال‌های مربوط به قیمت را در مدل گنجاندیم، که مشکلات «آلودگی جانبی» را ثابت می‌کرد. مهم‌تر اینکه، ما اندازه‌گیری را از خرید در هر جلسه به ارزش ناخالص کالا (GMV) در هر جلسه تغییر دادیم. با این تغییرات، ما نه تنها یک مدل کاری داشتیم، بلکه یک مدل سودآور نیز داشتیم.

هوش مصنوعی کار می‌برد، اما ارزشش را دارد

وقتی تیم ما به کل شرکت نشان داد که یادگیری ماشینی و داده تا چه حد می‌تواند قدرتمند باشد، تیم‌های بیشتری شروع به استفاده از AI به عنوان خانه قدرت برای رشد کسب‌وکار کردند. این امر در نهایت تاثیر زیادی بر درآمد داشت و به مهندسی کمک کرد تا تغییر چشمگیر شرکت را انجام دهد.

تا سال ۲۰۱۲، قیمت سهم eBay تا ۶۵ درصد افزایش‌یافته بود، و این شرکت حدود ۱۷۵ میلیارد دلار در تجارت فعال کرده بود-حدود ۱۹ درصد تجارت الکترونیک جهانی و نزدیک به ۲ درصد بازار خرده‌فروشی جهانی.

اگر eBay از AI استقبال نکرده بود، این شرکت احتمالا در حال حاضر در مکان متفاوتی قرار داشت. امروزه، تاخیر داشتن در AI می‌تواند به معنای از دست دادن مزیت رقابتی در صنعت شما باشد.

برخورد با AI می‌تواند بسیار سخت و فنی باشد، اما مهم است که به یاد داشته باشید که این یک فرآیند است. ممکن است در اولین تلاش درست متوجه نشوید، اما اگر از اشتباهات خود یاد بگیرید-و برای اندازه‌گیری چیزهای درست کار کنید-می‌توانید ابزارهای قدرتمندی با تاثیر واقعی بسازید.

برای مشاوره بیشتر در مورد ایجاد AI کسب‌وکار محور، می‌توانید Real World AI را در آمازون پیدا کنید.

ممکن است علاقه‌مند به مطالعه به هر چیزی نگویید هوش مصنوعی! باشید.

ویلسون پنگ در نوامبر ۲۰۱۸ به آپن پیوست و مسئول محصولات و تکنولوژی شرکت است. ویلسون بیش از نوزده سال تجربه در مهندسی نرم‌افزار و علم داده دارد. قبل از پیوستن به آستن، ویلسون مدیر ارشد داده سفر در چین بود، که در آن مهندسان داده، تحلیلگران، مدیران محصول داده، و دانشمندان را برای بهبود تجربه کاربر و افزایش کارایی عملیاتی که کسب‌وکار را رشد داده بود، رهبری می‌کرد. قبل از آن، او مدیر ارشد مهندسی در eBay در کالیفرنیا و یک معمار در IBM بود که در آن راه‌حل‌های تکنولوژیکی برای مشتریان مختلف ساخت. ویلسون مدرک کارشناسی و کارشناسی‌ارشد خود را در مهندسی برق از دانشگاه ژجیانگ چین گرفت.

آلیسا روچوبرگر یک رهبر محصول مشتری محور است که به ساخت محصولاتی اختصاص دارد که مشکلات سختی را برای مردم واقعی حل می‌کنند. او از آوردن محصولاتی به بازار که تاثیر مثبتی بر مشتریان می‌گذارند، لذت می‌برد. تجربه او در مقیاس بندی محصولات از مفهوم به ROI در مقیاس بزرگ هم در شرکت‌های نوپا و هم در شرکت‌های بزرگ به طور یک‌سان به اثبات رسیده‌است. او نقش‌های رهبری محصول متعددی را برای سازمان‌های یادگیری ماشینی ایفا کرده‌است. او به عنوان VP محصول برای شکل ۸ (که توسط Appen به دست آمد) ، VP AI و داده‌ها در Appen، و مدیر محصول در IBM واتسون خدمت کرد. در حال حاضر، او به عنوان مدیر محصول در بلو شیلد کالیفرنیا مشغول به کار است، جایی که او با خوشحالی با داده‌های بسیار زیاد، مشکلات بسیار زیاد، و هیچ چیزی به جز فرصت‌هایی برای ایجاد تاثیر مثبت احاطه شده‌است. آلیسا در سان‌فرانسیسکو کالیفرنیا به دنیا آمد و بزرگ شد و دارای مدرک کارشناسی در مطالعات آمریکایی از کالج ترینیتی است.

این متن با استفاده از ربات مترجم مقالات دیتاساینس ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.

مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.