Sitemap

Το 2008, ήμουν ένας από τους πρώτους συγγραφείς στον κλάδο που παρατήρησα ότι το YouTube είχε περάσει το Yahoo!να γίνει η δεύτερη μεγαλύτερη μηχανή αναζήτησης στον κόσμο, πίσω μόνο από την Google.

Τότε, έγραφα για το Search Engine Watch και το άρθρο μου είχε τον τίτλο, Has YouTube Pass Yahoo στις διευρυμένες αναζητήσεις;

(Ειδοποίηση spoiler: Η απάντηση στη ρητορική ερώτηση στον τίτλο ήταν: "Ναι.")

Σήμερα, θέλω να κάνω μια σχετική ερώτηση: «Είναι έτοιμο το YouTube να περάσει την Amazon ως το μεγαλύτερο σε κλίμακα και πιο εξελιγμένο σύστημα βιομηχανικών συστάσεων που υπάρχει;»

Αυτή η ερώτηση δεν είναι ρητορική - γιατί δεν ξέρω την απάντηση.

Ωστόσο, γνωρίζω ότι τα προτεινόμενα βίντεο είναι ένας πολλαπλασιαστής δύναμης για τον αλγόριθμο αναζήτησης του YouTube που θα θέλετε να κατανοήσετε.

Κάπως, κάπως, το υπαινίχθηκα πέρυσι σε ένα άρθρο στο περιοδικό της μηχανής αναζήτησης, Αλγόριθμος YouTube: 7 βασικά ευρήματα που πρέπει να γνωρίζετε.

Είπα, «Για να μεγιστοποιήσετε την παρουσία σας στην αναζήτηση YouTube και στα προτεινόμενα βίντεο, πρέπει να βεβαιωθείτε ότι τα μεταδεδομένα σας είναι καλά βελτιστοποιημένα. Αυτό περιλαμβάνει τον τίτλο, την περιγραφή και τις ετικέτες του βίντεό σας."

Τώρα, ζητώ συγγνώμη, γιατί στη συνέχεια εξήγησα πώς να βελτιστοποιήσετε τον τίτλο, την περιγραφή και τις ετικέτες του βίντεό σας.

Ξεπέρασα τελείως τη φράση «η παρουσία σας στην αναζήτηση YouTube και τα προτεινόμενα βίντεο».Αλλά, επιτρέψτε μου να διορθώσω αυτήν την παράβλεψη τώρα.

Οι περισσότεροι SEO επικεντρώνονται στα αποτελέσματα αναζήτησης – γιατί αυτό είναι που έχει σημασία στο Google.

Ωστόσο, οι περισσότεροι επαγγελματίες του μάρκετινγκ του YouTube γνωρίζουν ότι η εμφάνιση σε προτεινόμενα βίντεο μπορεί να δημιουργήσει σχεδόν τόσες προβολές όσες εμφανίζονται στα αποτελέσματα αναζήτησης του YouTube.

Γιατί;

Επειδή οι θεατές τείνουν να παρακολουθούν πολλά βίντεο κατά τη διάρκεια περιόδων σύνδεσης που διαρκούν περίπου 40 λεπτά, κατά μέσο όρο.

Έτσι, ένας θεατής μπορεί να πραγματοποιήσει μία αναζήτηση, να παρακολουθήσει ένα βίντεο και, στη συνέχεια, να συνεχίσει να παρακολουθεί ένα προτεινόμενο βίντεο.

Με άλλα λόγια, ενδέχεται να προβληθούν δύο ή περισσότερα βίντεο για κάθε αναζήτηση που πραγματοποιείται στο YouTube.

Αυτό είναι που κάνει τα προτεινόμενα βίντεο πολλαπλασιαστή δύναμης για τον αλγόριθμο αναζήτησης του YouTube.

Με θλίψη, παραδέχομαι ότι εκμεταλλεύτηκα αυτό το φαινόμενο το 2008.

Ένας από τους πελάτες μας τότε ήταν η STACK Media, ο κορυφαίος παραγωγός και διανομέας του έθνους σε αθλητικές επιδόσεις, προπονήσεις και περιεχόμενο τρόπου ζωής για αθλητές γυμνασίου.

Βελτιστοποιήσαμε 137 βίντεο στα κανάλια STACKVids, STACK Football, STACK Baseball και Stack Basketball στο YouTube, τα οποία παρουσίαζαν συμβουλές ειδικών αθλητικών προπονήσεων και εσωτερικές ιστορίες από μερικούς από τους κορυφαίους αθλητές του κόσμου.

Για παράδειγμα, είχαμε ένα βίντεο που περιλάμβανε τον Will Bartholomew, ο οποίος μίλησε για την προπόνηση με πάγκο με αλτήρες που χρησιμοποίησε ο Peyton Manning στην εκτός σεζόν.

Ποιες λέξεις-κλειδιά χρησιμοποιήσαμε στον τίτλο;

Λοιπόν, αν κοιτάξετε τον τίτλο του βίντεο, η απάντηση είναι αρκετά προφανής: Peyton Manning Workout.

Και η περιγραφή του βίντεο δεν θα αφήσει κανέναν σε σύγχυση σχετικά με τους όρους αναζήτησης που στοχεύαμε:

«Προπόνηση Peyton Manning στο D1 κατά τη διάρκεια της εκτός σεζόν. Δείτε την πλήρη προπόνηση του Manning (με σύνδεσμο παρακολούθησης σε σχετικό άρθρο στον ιστότοπο του STACK).»

Αλλά, ποιες ετικέτες χρησιμοποιήσαμε;

Λοιπόν, τότε, το YouTube εξακολουθούσε να δείχνει ποιες ετικέτες χρησιμοποιούσε ένα βίντεο.

Αυτό δεν ισχύει πλέον.Όμως, κοινοποίησα αυτήν τη μελέτη περίπτωσης στο SES San Jose 2008, οπότε πήρα την άδεια από τον πελάτη μου να αποκαλύψω ότι χρησιμοποιήσαμε τις ακόλουθες ετικέτες:

  • “Peyton Manning”
  • “Προπόνηση Πέιτον Μάνινγκ”
  • “Προπόνηση Quarterback”
  • “Προπόνηση στρατηγών”
  • “Προπόνηση Πέιτον Μάνινγκ”
  • “Πρέσσα πάγκου”
  • “Πρέσσα πάγκου τετράπλευρου”
  • “Πρέσσα πάγκου με αλτήρες”
  • “Προπόνηση Manning”

Πώς καταλήξαμε σε αυτές τις ετικέτες;

Εξετάσαμε το βίντεο με την κορυφαία κατάταξη τότε για τον όρο "Peyton Manning workout", και στη συνέχεια χρησιμοποιήσαμε όσες περισσότερες από τις ετικέτες μπορούσαμε που ήταν επίσης σχετικές με το βίντεό μας.

Με αυτόν τον τρόπο, βελτιώσαμε τις πιθανότητες να γίνουμε το κορυφαίο προτεινόμενο βίντεο αφού κάποιος παρακολούθησε αυτό το βίντεο με την κορυφαία κατάταξη.

Αυτές τις μέρες, είναι δύσκολο να βρεις το βίντεο που ήταν στην κορυφή για αυτόν τον όρο το 2008.

Ωστόσο, αξίζει να σημειωθεί ότι το βίντεο του STACK κατατάσσεται επί του παρόντος στο #1 για το "Peyton Manning workout", το #1 για το "Manning workout" και το #5 για το "Peyton Manning training".

Πώς ανακαλύπτει και κατατάσσει το YouTube τα προτεινόμενα βίντεο σήμερα;

Έτσι λειτουργούσαν τα προτεινόμενα βίντεο όταν οι χρήστες ανέβαζαν 13 ώρες περιεχόμενο βίντεο στο YouTube κάθε λεπτό.

Λοιπόν, πώς το YouTube ανακαλύπτει και κατατάσσει τα προτεινόμενα βίντεο τώρα που ανεβαίνουν περισσότερες από 500 ώρες περιεχομένου βίντεο στο YouTube κάθε λεπτό;

Μέχρι πρόσφατα, η μόνη απάντηση που μπορούσα να βρω προερχόταν από ένα βίντεο στο κανάλι YouTube Creators με τίτλο, Πώς λειτουργούν τα προτεινόμενα βίντεο του YouTube.

Όπως εξηγεί η περιγραφή 300 λέξεων του βίντεο:

"Τα Προτεινόμενα βίντεο είναι μια εξατομικευμένη συλλογή βίντεο που ένας μεμονωμένος θεατής μπορεί να ενδιαφέρεται να παρακολουθήσει στη συνέχεια, βάσει προηγούμενης δραστηριότητας."

Δεν υπάρχει περίπτωση οι δημιουργοί να επηρεάσουν την προηγούμενη συμπεριφορά ενός θεατή, αλλά αυτό σημαίνει επίσης ότι ένα αθλητικό κανάλι μπορεί να επηρεάσει τους λάτρεις των σπορ.

"Εμφανίζονται στους θεατές στη δεξιά πλευρά της σελίδας παρακολούθησης κάτω από το "Επόμενο", κάτω από το βίντεο στην εφαρμογή για κινητά και ως το επόμενο βίντεο στην αυτόματη αναπαραγωγή."

Περισσότερο από το 70% του χρόνου παρακολούθησης στο YouTube προέρχεται από κινητές συσκευές, επομένως χρειάζεστε μια στρατηγική για τα προτεινόμενα βίντεο με προτεραιότητα στο κινητό.

«Μελέτες για την κατανάλωση του YouTube έχουν δείξει ότι οι θεατές τείνουν να παρακολουθούν πολύ περισσότερο όταν λαμβάνουν συστάσεις από διάφορα κανάλια και τα προτεινόμενα βίντεο κάνουν ακριβώς αυτό. Τα προτεινόμενα βίντεο κατατάσσονται για να μεγιστοποιήσουν την αφοσίωση του θεατή."

Επομένως, η βελτιστοποίηση των μεταδεδομένων σας εξακολουθεί να βοηθάει, αλλά πρέπει επίσης να δημιουργήσετε ένα συναρπαστικό άνοιγμα στα βίντεό σας, να διατηρήσετε και να δημιουργήσετε ενδιαφέρον σε όλο το βίντεο, καθώς και να προσελκύσετε το κοινό σας ενθαρρύνοντας τα σχόλια και αλληλεπιδρώντας με τους θεατές σας ως μέρος του περιεχομένου σας.

Σύμφωνα με την περιγραφή, τα προτεινόμενα βίντεο είναι πιο πιθανό να είναι:

  • «Βίντεο… που σχετίζονται επίκαιρα. Θα μπορούσαν να είναι βίντεο από το ίδιο κανάλι ή από διαφορετικό κανάλι."Με άλλα λόγια, αθλητικά βίντεο για λάτρεις των σπορ είτε από το κανάλι σας είτε από διαφορετικό αθλητικό κανάλι.
  • "Βίντεο από το ιστορικό παρακολούθησης ενός θεατή."Αν δεν έχετε μια μηχανή του χρόνου DeLorean, δεν υπάρχει τρόπος να επηρεάσετε το ιστορικό παρακολούθησης του παρελθόντος ενός θεατή.

Η περιγραφή του βίντεο λέει επίσης στους δημιουργούς:

"Μπορείτε να δείτε ποια βίντεο φέρνουν θεατές στο κανάλι σας από τα Προτεινόμενα βίντεο στην αναφορά Πηγές επισκεψιμότητας (στο YouTube Analytics) κάνοντας κλικ στο πλαίσιο "Προτεινόμενα βίντεο".

Εμ, ναι.Αλλά, η συντριπτική πλειοψηφία, εάν οι δημιουργοί του YouTube το γνωρίζουν ήδη;

Τέλος, η περιγραφή περιλαμβάνει τις ακόλουθες συμβουλές για τους δημιουργούς:

  • Συμπεριλάβετε ισχυρές παροτρύνσεις για δράση στα βίντεό σας για να παρακολουθήσετε ένα άλλο βίντεο στη σειρά σας.
  • Πείστε τους θεατές γιατί πρέπει να πάνε να δουν ένα άλλο βίντεο στη σειρά σας.
  • Λάβετε υπόψη πώς τελειώνουν τα βίντεό σας, επειδή τα μεγάλα τελειώματα μπορεί να αποθαρρύνουν τους θεατές από το να παρακολουθήσουν περισσότερα βίντεο.
  • Χρησιμοποιήστε λίστες αναπαραγωγής, συνδέσμους, κάρτες και τελικές οθόνες για να προτείνετε το επόμενο βίντεο για παρακολούθηση.
  • Αναπτύξτε μια σειρά από βίντεο που συνδέονται οργανικά.
  • Δημιουργήστε βίντεο που σχετίζονται με δημοφιλείς μορφές στο YouTube, όπως προκλήσεις ή λίστες.

Τώρα, αυτό το βίντεο έχει 394.000 προβολές.

Επομένως, είναι ασφαλές να υποθέσουμε ότι αρκετές εκατοντάδες χιλιάδες απόφοιτοι αυτού που ήταν παλαιότερα γνωστό ως YouTube Creator Academy γνωρίζουν τουλάχιστον τόσα πολλά για το πώς λειτουργούν τα προτεινόμενα βίντεο του YouTube.

Έτσι, αυτό δεν θα σας δώσει μεγάλο ανταγωνιστικό πλεονέκτημα.

Ωστόσο, υπάρχουν πιο λεπτομερείς πληροφορίες διαθέσιμες – παρόλο που ήταν κρυμμένες με ασφάλεια σε κοινή θέα μέχρι που μια ανώνυμη πηγή, η οποία μπορεί ή όχι να είναι Bothan, μου έστειλε έναν σύνδεσμο όπου μπορούσα να τις βρω.

Ο σύνδεσμος με οδήγησε σε μια εργασία που είχε δημοσιευτεί στις 15 Σεπτεμβρίου 2016 και τώρα έχει αρχειοθετηθεί στην Έρευνα Google.

Αυτή η παλιά ερευνητική εργασία γράφτηκε από τους Paul Covington, Jay Adams και Emre Sargin της Google.Έχει τον τίτλο, "Deep Neural Networks for YouTube Recommendations."

Πώς τα Συστήματα Προτάσεων του YouTube δημιουργούν και ταξινομούν προτεινόμενα βίντεο;

Εάν αναζητάτε ένα σοβαρό ανταγωνιστικό πλεονέκτημα, τότε θα θέλετε να κατεβάσετε το PDF και να διαβάσετε αυτό το ερευνητικό έγγραφο μόνοι σας.

Αλλά, εάν πρέπει να πειστείτε ότι η ανάγνωση ενός ακαδημαϊκού εγγράφου 8 σελίδων που είναι πάνω από τριάμισι ετών αξίζει τον χρόνο και την προσοχή σας, τότε ας μοιραστείτε μερικά από τα κυριότερα σημεία που βρήκα σκίουρο μακριά στο " Βαθιά νευρωνικά δίκτυα για προτάσεις YouTube."

Για αρχή, οι Covington, Adams και Sargin αποκαλύπτουν ότι το τεράστιο σύστημα συστάσεων του YouTube αποτελείται από «δύο νευρωνικά δίκτυα: ένα για τη γενιά υποψηφίων και ένα για την κατάταξη».

Αυτό είναι σημαντικό.

Ή, όπως λέει επίσημα η Mon Mothma (Caroline Blakiston) στο Star Wars: Episode VI – Return of the Jedi (1983), «Πολλοί Bothans πέθαναν για να μας φέρουν αυτές τις πληροφορίες».

Το χαρτί τους λέει:

"Το δίκτυο δημιουργίας υποψηφίων λαμβάνει γεγονότα από το ιστορικό δραστηριότητας του χρήστη στο YouTube ως είσοδο και ανακτά ένα μικρό υποσύνολο (εκατοντάδες) βίντεο από ένα μεγάλο σώμα. Αυτοί οι υποψήφιοι προορίζονται να είναι γενικά σχετικοί με τον χρήστη με υψηλή ακρίβεια."

Πλέον, δεν μπορούμε να βελτιστοποιήσουμε τα βίντεό μας για το ιστορικό παρακολούθησης του παρελθόντος ενός θεατή - εκτός εάν έχουμε μια μηχανή του χρόνου.

Ωστόσο, μπορούμε να δημιουργήσουμε βίντεο που στοχεύουν σε κοινό που χρησιμοποιεί επίσης το YouTube για τη στόχευση διαφημιστικών καμπανιών βίντεο.

Με άλλα λόγια, το βίντεό σας δεν θα καταλήξει σε ένα μικρό υποσύνολο (εκατοντάδες) βίντεο εάν αφορά ένα εντελώς διαφορετικό θέμα από άλλα βίντεο στο κανάλι σας ή εάν στοχεύει μια εντελώς διαφορετική δημογραφική ομάδα από ό,τι είχατε στο παρελθόν.

Α, και μην σκεφτείτε καν να δημιουργήσετε ένα νέο βίντεο με στόχο τους "λάτρεις της μουσικής", εάν όλα τα άλλα βίντεο που παρακολούθησαν οι συνδρομητές του καναλιού σας είχαν στόχο "λάτρεις των σπορ".

Όπως τόνισα σε ένα άρθρο με τίτλο, Platform Trends: How the Verticalization of Content Increass Reach on YouTube και Facebook, το οποίο δημοσιεύτηκε στο Tubular Insight τον Σεπτέμβριο του 2018, μισή ντουζίνα digital-first εκδότες αναγνωρίζουν ότι ήδη ακολουθούν μια κάθετη στρατηγική.

Αυτό περιλαμβάνει: Axel Springer SE, Group Nine, BuzzFeed, UNILAD, Jungle Creations, The LADbible Group και 9GAG.

Εδώ είναι η ρητορική ερώτηση που έκανα σε αυτό το άρθρο:

«Λοιπόν, γιατί όλοι αυτοί οι εκδότες να τμηματοποιούν τις ιδιοκτησίες τους σε πολλούς κλάδους αντί να γεμίζουν απλώς ένα ευρύ φάσμα περιεχομένου σε γιγάντια, οριζόντια… κανάλια YouTube; Επειδή σε ένα αυξανόμενο ανταγωνιστικό οικοσύστημα βίντεο στο διαδίκτυο, είναι πιο πιθανό να προσελκύσετε κοινό με περιεχόμενο που στοχεύει στενά στα ειδικά ενδιαφέροντά του παρά με μια τυχαία συλλογή περιεχομένου που μπορεί ή όχι να απευθύνεται στα γενικά τους ενδιαφέροντα. Με άλλα λόγια, είναι πιο έξυπνο να πας βαθιά παρά να πας φαρδιά».

Αυτό μας φέρνει στο δεύτερο νευρωνικό δίκτυο για κατάταξη.

Οι Covington, Adams και Sargin αναγνωρίζουν ότι υπάρχουν πολλοί τρόποι κατάταξης των προτεινόμενων βίντεο.Όμως αποκαλύπτουν:

"Η κατάταξη με βάση την αναλογία κλικ προς αριθμό εμφανίσεων (CTR) συχνά προωθεί παραπλανητικά βίντεο που ο χρήστης δεν ολοκληρώνει ("clickbait"), ενώ ο χρόνος παρακολούθησης αποτυπώνει καλύτερα την αφοσίωση."

Επομένως, αποφύγετε τη χρήση παραπλανητικών, clickbaity ή εντυπωσιακών τίτλων και μικρογραφιών.

Ναι, δούλεψαν στο παρελθόν.

Όμως, ακολούθησαν το dodo όταν το YouTube αντικατέστησε τις "προβολές" με τον "χρόνο παρακολούθησης" στον αλγόριθμό του τον Οκτώβριο του 2012.

Εντάξει, οπότε το δεύτερο νευρωνικό δίκτυο δεν χρησιμοποιεί το CTR ως σήμα.Τι άλλα σήματα χρησιμοποιεί;

Οι συντάκτες της εργασίας παρατηρούν ότι «τα πιο σημαντικά σήματα» περιλαμβάνουν:

  • Ποια ήταν η προηγούμενη αλληλεπίδραση του χρήστη με το ίδιο το βίντεο και άλλα παρόμοια βίντεο;
  • Πόσα βίντεο έχει παρακολουθήσει ο χρήστης από αυτό το κανάλι;
  • Πότε ήταν η τελευταία φορά που ο χρήστης παρακολούθησε ένα βίντεο σχετικά με αυτό το θέμα;

Οι Covington, Adams και Sargin λένε:

«Αυτές οι συνεχείς λειτουργίες που περιγράφουν ενέργειες του παρελθόντος χρήστη σε σχετικά στοιχεία είναι ιδιαίτερα ισχυρές επειδή γενικεύονται καλά σε διαφορετικά στοιχεία. Θεωρήσαμε επίσης ζωτικής σημασίας τη διάδοση πληροφοριών από τη γενιά υποψηφίων στην κατάταξη με τη μορφή χαρακτηριστικών, π.χ. ποιες πηγές πρότειναν αυτό το υποψήφιο βίντεο; Τι βαθμολογίες έδωσαν;»

Προσθέτουν:

"Οι λειτουργίες που περιγράφουν τη συχνότητα των προηγούμενων εμφανίσεων βίντεο είναι επίσης κρίσιμες για την εισαγωγή του "churn" στις προτάσεις (τα διαδοχικά αιτήματα δεν επιστρέφουν ίδιες λίστες). Εάν σε έναν χρήστη προτάθηκε πρόσφατα ένα βίντεο αλλά δεν το παρακολούθησε, τότε το μοντέλο θα υποβιβάσει φυσικά αυτήν την εμφάνιση στην επόμενη φόρτωση σελίδας. Η προβολή εντυπώσεων έως και δευτερολέπτων και ιστορικού παρακολούθησης είναι ένα κατόρθωμα μηχανικής για τον εαυτό της εκτός του πεδίου αυτού του εγγράφου, αλλά είναι ζωτικής σημασίας για την παραγωγή ανταποκρινόμενων προτάσεων».

Οι Covington, Adams και Sargin αποκαλύπτουν:

«Στόχος μας είναι να προβλέψουμε τον αναμενόμενο χρόνο παρακολούθησης με παραδείγματα εκπαίδευσης που είναι είτε θετικά (κάνατε κλικ στην εμφάνιση του βίντεο) είτε αρνητικά (δεν έγινε κλικ στην εμφάνιση). Τα θετικά παραδείγματα σχολιάζονται με τον χρόνο που αφιέρωσε ο χρήστης παρακολουθώντας το βίντεο. Για να προβλέψουμε τον αναμενόμενο χρόνο παρακολούθησης χρησιμοποιούμε την τεχνική της σταθμισμένης λογιστικής παλινδρόμησης, η οποία αναπτύχθηκε για αυτόν τον σκοπό.»

Με άλλα λόγια, εάν θέλετε να βελτιστοποιήσετε το βίντεό σας για τα συστήματα προτάσεων του YouTube, τότε πρέπει να βοηθήσετε τους θεατές να βρουν τα βίντεο που θέλουν να παρακολουθήσουν και στη συνέχεια να μεγιστοποιήσετε τη μακροπρόθεσμη αφοσίωση και ικανοποίησή τους.

Αυτό είναι δύσκολο.

Όμως, με περισσότερες από 500 ώρες περιεχομένου βίντεο που ανεβαίνουν στο YouTube κάθε λεπτό, αυτό πρέπει να κάνετε αυτές τις μέρες.

Τι σημαίνει αυτό για εσάς;

Αλλά περιμένετε, υπάρχουν περισσότερα!

Οι συντάκτες της εφημερίδας αποκάλυψαν επίσης ότι το YouTube χρησιμοποιεί τη «βαθιά μάθηση» για να σχεδιάσει, να επαναλάβει και να διατηρήσει «ένα τεράστιο σύστημα συστάσεων» από το 2016.

Και είδαν «δραματικές βελτιώσεις απόδοσης» με «τεράστιες επιπτώσεις στον χρήστη» ακόμη και τότε.

Τώρα, αυτό μπορεί να μην σας κρατήσει ξύπνιους τη νύχτα.

Αλλά, εάν η Google κυκλοφορήσει αυτό που έχει μάθει στο Google Shopping για παράδειγμα, τότε θα στοιχηματίσω ότι θα δημιουργήσει εφιάλτες για ερευνητές και προγραμματιστές στο Amazon.

Τώρα, τι σημαίνει αυτό για εσάς;

Αντιλαμβάνομαι ότι η εστίασή σας είναι στο ψηφιακό μάρκετινγκ, το SEO, το μάρκετινγκ περιεχομένου και την πληρωμένη αναζήτηση.Λοιπόν, αυτό σε έφτασε ως εδώ.

Τι γίνεται με τα επόμενα τέσσερα χρόνια;

Λοιπόν, αν εσείς ή κάποιος στην ομάδα σας καταλαβαίνει ήδη το TensorFlow, (παλαιότερα γνωστό ως Google Brain), τότε είστε έτοιμοι να κάνετε rock and roll.

Ωστόσο, εάν δεν έχετε ερευνητή ή προγραμματιστή στην ομάδα σας που να κατανοεί πώς να χρησιμοποιεί το ολοκληρωμένο, ευέλικτο οικοσύστημα εργαλείων, βιβλιοθηκών και κοινοτικών πόρων του TensorFlow για να προωθήσει την τελευταία λέξη της τεχνολογίας στη μηχανική μάθηση (ML) στο δημιουργήστε και αναπτύξτε εφαρμογές που υποστηρίζονται από ML για τον οργανισμό ή τους πελάτες σας, τότε θα πρέπει να βρείτε μία … γρήγορα.

Γιατί;

Επειδή στην πορεία, η μοίρα σας – και η μοίρα του οργανισμού ή των πελατών σας – θα αυξάνεται στα χέρια των συστημάτων συστάσεων.

Γι' αυτό αξίζει τον χρόνο και την προσοχή σας για να διαβάσετε σήμερα το «Deep Neural Networks for YouTube Recommendations».

Ακριβώς όπως ένα από αυτά τα παιχνίδια κατασκοπείας περισκοπίου που επιτρέπουν στα παιδιά να «βλέπουν γύρω από τις γωνίες και τους τοίχους», αυτό το ακαδημαϊκό έγγραφο 8 σελίδων μπορεί να σας βοηθήσει να δείτε τι κρύβεται σε κοινή θέα για περισσότερα από τρεισήμισι χρόνια.

Περισσότεροι πόροι:

Tutte le categorie: Ιστολόγιο