Sitemap

ย้อนกลับไปในปี 2008 ฉันเป็นนักเขียนคนแรกๆ ในอุตสาหกรรมที่สังเกตว่า YouTube ผ่าน Yahoo!เพื่อเป็นเสิร์ชเอ็นจิ้นที่ใหญ่เป็นอันดับสองของโลก รองจาก Google เท่านั้น

ย้อนกลับไปตอนนั้น ฉันกำลังเขียนสำหรับ Search Engine Watch และบทความของฉันมีชื่อว่า YouTube ผ่าน Yahoo ในการค้นหาแบบขยายหรือไม่

(การแจ้งเตือนสปอยเลอร์: คำตอบสำหรับคำถามเชิงโวหารในพาดหัวคือ: “ใช่”)

วันนี้ ฉันต้องการถามคำถามที่เกี่ยวข้อง: "YouTube กำลังจะแซงหน้า Amazon ให้เป็นระบบแนะนำอุตสาหกรรมที่ใหญ่และซับซ้อนที่สุดที่มีอยู่หรือไม่"

คำถามนี้ไม่ใช่เชิงโวหาร – เพราะฉันไม่รู้คำตอบ

แต่ฉันรู้ดีว่าวิดีโอแนะนำเป็นตัวคูณแรงสำหรับอัลกอริทึมการค้นหาของ YouTube ที่คุณต้องการเข้าใจ

ฉันค่อนข้างบอกใบ้เมื่อปีที่แล้วในบทความ Search Engine Journal อัลกอริธึมของ YouTube: 7 Key Findings You Must Know

ฉันกล่าวว่า "เพื่อเพิ่มการแสดงของคุณในการค้นหา YouTube และวิดีโอแนะนำ คุณยังต้องตรวจสอบให้แน่ใจว่าข้อมูลเมตาของคุณได้รับการปรับให้เหมาะสมที่สุด ซึ่งรวมถึงชื่อ คำอธิบาย และแท็กของวิดีโอด้วย”

ตอนนี้ ฉันขอโทษ เพราะฉันได้อธิบายวิธีเพิ่มประสิทธิภาพชื่อ คำอธิบาย และแท็กของวิดีโอแล้ว

ฉันเลื่อนผ่านวลี "การแสดงตนของคุณในการค้นหา YouTube และวิดีโอแนะนำ" โดยสิ้นเชิงแต่ขอแก้ไขการกำกับดูแลนั้นตอนนี้

SEO ส่วนใหญ่เน้นที่ผลการค้นหา เพราะนั่นคือสิ่งที่สำคัญใน Google

แต่นักการตลาดของ YouTube ส่วนใหญ่ทราบดีว่าการปรากฏในวิดีโอแนะนำสามารถสร้างการดูได้มากเกือบเท่ากับที่ปรากฏในผลการค้นหาของ YouTube

ทำไม

เนื่องจากผู้ดูมักจะดูวิดีโอหลายรายการในระหว่างเซสชันที่ใช้เวลาประมาณ 40 นาทีโดยเฉลี่ย

ดังนั้น ผู้ดูอาจทำการค้นหาหนึ่งครั้ง ดูวิดีโอ จากนั้นไปดูวิดีโอที่แนะนำ

กล่าวอีกนัยหนึ่ง คุณอาจได้รับการดูวิดีโอสองรายการขึ้นไปสำหรับการค้นหาแต่ละครั้งที่ดำเนินการบน YouTube

นั่นคือสิ่งที่ทำให้วิดีโอแนะนำเป็นตัวคูณแรงสำหรับอัลกอริทึมการค้นหาของ YouTube

ฉันยอมรับว่าฉันฉวยโอกาสจากปรากฏการณ์นี้ในปี 2008

ลูกค้ารายหนึ่งของเราในตอนนั้นคือ STACK Media ผู้ผลิตและจัดจำหน่ายเนื้อหากีฬา การฝึกอบรม และไลฟ์สไตล์ชั้นนำของประเทศสำหรับนักกีฬาระดับมัธยมศึกษาตอนปลาย

เราเพิ่มประสิทธิภาพวิดีโอ 137 รายการสำหรับช่อง STACKVids, STACK Football, STACK Baseball และ Stack Basketball บน YouTube ซึ่งนำเสนอเคล็ดลับการออกกำลังกายกีฬาจากผู้เชี่ยวชาญและเรื่องราวภายในจากนักกีฬาชั้นนำของโลก

ตัวอย่างเช่น เรามีวิดีโอที่นำเสนอ Will Bartholomew ผู้ซึ่งพูดคุยเกี่ยวกับการออกกำลังกายดัมเบลล์แบบกดบัลลังก์ที่ Peyton Manning ใช้ในช่วงนอกฤดูกาล

เราใช้คำหลักใดในชื่อเรื่อง

ถ้าคุณดูที่ชื่อวิดีโอ คำตอบก็ค่อนข้างชัดเจน: Peyton Manning Workout

และคำอธิบายของวิดีโอจะไม่ทำให้ใครงงเกี่ยวกับข้อความค้นหาที่เรากำหนดเป้าหมาย:

“ Peyton Manning ฝึกซ้อมที่ D1 ในช่วงนอกฤดูกาล ดูการออกกำลังกายเต็มรูปแบบของ Manning (พร้อมลิงก์ติดตามไปยังบทความที่เกี่ยวข้องบนเว็บไซต์ของ STACK)”

แต่แท็กไหนที่เราใช้?

ย้อนกลับไปในตอนนั้น YouTube ยังคงแสดงแท็กที่วิดีโอใช้อยู่

นั่นไม่ใช่กรณีอีกต่อไปแต่ฉันได้แบ่งปันกรณีศึกษานี้ที่ SES San Jose 2008 ดังนั้นฉันจึงได้รับอนุญาตจากลูกค้าให้เปิดเผยว่าเราใช้แท็กต่อไปนี้:

  • “เพย์ตัน แมนนิ่ง”
  • “การออกกำลังกายของเพย์ตันแมนนิ่ง”
  • “ออกกำลังกายกองหลัง”
  • “การฝึกกองหลัง”
  • “การฝึกเพย์ตัน แมนนิ่ง”
  • “แท่นกด”
  • “กองหลังม้านั่งกด”
  • “ดัมเบลบัลลังก์กด”
  • “แมนนิ่งออกกำลังกาย”

เราสร้างแท็กเหล่านี้ขึ้นมาได้อย่างไร

เราดูวิดีโอที่มีอันดับสูงสุดในตอนนั้นสำหรับคำว่า "การออกกำลังกายของ Peyton Manning" แล้วใช้แท็กให้มากที่สุดเท่าที่เราจะทำได้ซึ่งเกี่ยวข้องกับวิดีโอของเราด้วย

ด้วยวิธีนี้ เราจึงปรับปรุงโอกาสในการเป็นวิดีโอแนะนำยอดนิยมหลังจากที่มีคนดูวิดีโอที่มีอันดับสูงสุดนั้น

ทุกวันนี้ เป็นเรื่องยากที่จะหาวิดีโอที่ติดอันดับสูงสุดสำหรับคำนั้นในปี 2008

แต่เป็นที่น่าสังเกตว่าขณะนี้วิดีโอของ STACK อยู่ในอันดับที่ 1 สำหรับ "การออกกำลังกาย Peyton Manning", #1 สำหรับ "Manning Workout" และ #5 สำหรับ "Peyton Manning training"

YouTube ค้นพบและจัดอันดับวิดีโอแนะนำในปัจจุบันอย่างไร

นั่นคือวิธีการทำงานของวิดีโอที่แนะนำเมื่อผู้ใช้อัปโหลดเนื้อหาวิดีโอ 13 ชั่วโมงไปยัง YouTube ทุกนาที

ดังนั้น YouTube ค้นพบและจัดอันดับวิดีโอแนะนำอย่างไรในขณะนี้ที่มีการอัปโหลดเนื้อหาวิดีโอมากกว่า 500 ชั่วโมงไปยัง YouTube ทุกนาที

เมื่อไม่นานมานี้ คำตอบเดียวที่ฉันพบได้มาจากวิดีโอในช่อง YouTube Creators เรื่อง วิธีการทำงานของวิดีโอแนะนำของ YouTube

ตามที่คำอธิบาย 300 คำของวิดีโออธิบาย:

“วิดีโอแนะนำคือคอลเลกชั่นวิดีโอส่วนตัวที่ผู้ดูแต่ละคนอาจสนใจที่จะรับชมเป็นลำดับต่อไป โดยอิงจากกิจกรรมก่อนหน้า”

ไม่มีทางใดที่ครีเอเตอร์จะมีอิทธิพลต่อพฤติกรรมก่อนหน้าของผู้ดูได้ แต่ก็หมายความว่าช่องกีฬาสามารถเข้าถึงแฟนกีฬาได้

“พวกเขาจะแสดงให้ผู้ชมเห็นทางด้านขวาของหน้าสำหรับดูภายใต้ "รายการถัดไป" ใต้วิดีโอในแอปบนอุปกรณ์เคลื่อนที่ และแสดงเป็นวิดีโอถัดไปในโหมดเล่นอัตโนมัติ

เวลาในการรับชม YouTube มากกว่า 70% มาจากอุปกรณ์เคลื่อนที่ ดังนั้นคุณต้องมีกลยุทธ์ที่เน้นอุปกรณ์เคลื่อนที่สำหรับวิดีโอแนะนำ

“การศึกษาการใช้ YouTube แสดงให้เห็นว่าผู้ดูมีแนวโน้มที่จะดูมากขึ้นเมื่อพวกเขาได้รับคำแนะนำจากช่องต่างๆ และวิดีโอแนะนำก็ทำอย่างนั้น วิดีโอแนะนำได้รับการจัดอันดับเพื่อเพิ่มการมีส่วนร่วมสูงสุดสำหรับผู้ดู”

ดังนั้น การเพิ่มประสิทธิภาพข้อมูลเมตาของคุณยังคงช่วยได้ แต่คุณต้องสร้างช่องเปิดที่น่าสนใจสำหรับวิดีโอของคุณ รักษาและสร้างความสนใจตลอดทั้งวิดีโอ รวมทั้งดึงดูดผู้ชมของคุณด้วยการสนับสนุนความคิดเห็นและโต้ตอบกับผู้ดูของคุณซึ่งเป็นส่วนหนึ่งของเนื้อหาของคุณ

ตามคำอธิบาย วิดีโอแนะนำมีแนวโน้มที่จะ:

  • “วิดีโอ … ที่เกี่ยวข้องกัน อาจเป็นวิดีโอจากช่องเดียวกันหรือช่องอื่นก็ได้”กล่าวคือ วิดีโอกีฬาสำหรับแฟนกีฬาจากช่องของคุณหรือช่องกีฬาอื่น
  • “วิดีโอจากประวัติการดูที่ผ่านมาของผู้ดู”ถ้าคุณไม่มีเครื่องย้อนเวลา DeLorean คุณจะไม่มีทางมีอิทธิพลต่อประวัติการดูของผู้ดูในอดีตได้

คำอธิบายของวิดีโอยังบอกผู้สร้าง:

“คุณสามารถดูวิดีโอที่นำผู้ดูมาที่ช่องของคุณจากวิดีโอแนะนำในรายงานแหล่งที่มาของการเข้าชม (ใน YouTube Analytics) โดยคลิกที่ช่อง "วิดีโอแนะนำ"

อืมใช่แต่คนส่วนใหญ่ไม่ใช่หรือหากผู้สร้าง YouTube รู้เรื่องนี้แล้ว

สุดท้าย คำอธิบายรวมถึงเคล็ดลับต่อไปนี้สำหรับผู้สร้าง:

  • ใส่คำกระตุ้นการตัดสินใจที่ชัดเจนในวิดีโอของคุณเพื่อดูวิดีโออื่นในซีรีส์ของคุณ
  • ชักชวนผู้ดูว่าทำไมพวกเขาจึงควรไปดูวิดีโออื่นในซีรีส์ของคุณ
  • พึงระลึกไว้เสมอว่าวิดีโอของคุณจบลงอย่างไร เพราะตอนจบที่ยาวอาจทำให้ผู้ดูไม่ดูวิดีโอมากขึ้น
  • ใช้เพลย์ลิสต์ ลิงก์ การ์ด และตอนท้ายเพื่อแนะนำวิดีโอถัดไปเพื่อดู
  • พัฒนาชุดวิดีโอที่เชื่อมต่อแบบออร์แกนิก
  • สร้างวิดีโอที่เกี่ยวข้องกับรูปแบบยอดนิยมบน YouTube เช่น คำท้าหรือรายการ

ตอนนี้ วิดีโอนี้มีผู้ชม 394,000 ครั้ง

ดังนั้นจึงปลอดภัยที่จะสรุปว่าผู้สำเร็จการศึกษาหลายแสนคนจากที่เคยรู้จักในชื่อ YouTube Creator Academy ทราบอย่างน้อยเกี่ยวกับวิธีการทำงานของวิดีโอแนะนำของ YouTube

ดังนั้นสิ่งนี้จะไม่ทำให้คุณได้เปรียบในการแข่งขันมากนัก

อย่างไรก็ตาม มีข้อมูลรายละเอียดเพิ่มเติม – แม้ว่าจะถูกซ่อนไว้อย่างปลอดภัยในสายตาธรรมดา จนกระทั่งแหล่งที่ไม่ระบุตัวตนซึ่งอาจเป็นหรือไม่ใช่ Bothan ก็ได้ส่งลิงก์ไปยังที่ที่ฉันสามารถหาได้

ลิงก์นี้พาฉันไปที่บทความที่เผยแพร่เมื่อวันที่ 15 กันยายน 2016 และตอนนี้ถูกเก็บไว้ใน Google Research

บทความวิจัยเก่านี้เขียนโดย Paul Covington, Jay Adams และ Emre Sargin จาก Googleมีชื่อว่า "Deep Neural Networks for YouTube Recommendations"

ระบบการแนะนำของ YouTube สร้างและจัดอันดับวิดีโอแนะนำอย่างไร

หากคุณกำลังมองหาความได้เปรียบในการแข่งขัน คุณจะต้องดาวน์โหลดไฟล์ PDF และอ่านเอกสารวิจัยนี้ด้วยตนเอง

แต่ถ้าคุณต้องมั่นใจว่าการอ่านเอกสารวิชาการ 8 หน้าที่อายุเกิน 3 ปีครึ่ง คุ้มกับเวลาและความสนใจของคุณ มาแบ่งปันไฮไลท์ที่ผมพบในหัวข้อ “ Deep Neural Networks สำหรับคำแนะนำของ YouTube”

สำหรับผู้เริ่มต้น Covington, Adams และ Sargin เปิดเผยว่าระบบแนะนำขนาดใหญ่ของ YouTube ประกอบด้วย "โครงข่ายประสาทเทียมสองเครือข่าย: เครือข่ายหนึ่งสำหรับรุ่นผู้สมัครและอีกเครือข่ายหนึ่งสำหรับการจัดอันดับ"

นั่นเป็นสิ่งสำคัญ

หรืออย่างที่ Mon Mothma (Caroline Blakiston) กล่าวอย่างจริงจังใน Star Wars: Episode VI – Return of the Jedi (1983) “ทั้งคู่เสียชีวิตเพื่อนำข้อมูลนี้มาให้เรา”

กระดาษของพวกเขาพูดว่า:

“เครือข่ายการสร้างผู้สมัครรับเลือกตั้งใช้กิจกรรมจากประวัติกิจกรรม YouTube ของผู้ใช้เป็นข้อมูลป้อนเข้าและดึงส่วนย่อย (หลายร้อย) ของวิดีโอจากคลังข้อมูลขนาดใหญ่ ผู้สมัครเหล่านี้มีจุดมุ่งหมายเพื่อให้มีความเกี่ยวข้องกับผู้ใช้โดยทั่วไปด้วยความแม่นยำสูง”

ตอนนี้ เราไม่สามารถเพิ่มประสิทธิภาพวิดีโอของเราสำหรับประวัติการดูที่ผ่านมาของผู้ดู เว้นแต่เราจะมีเครื่องย้อนเวลา

แต่เราสามารถสร้างวิดีโอที่กำหนดเป้าหมายไปยังผู้ชมที่ YouTube ใช้เพื่อกำหนดเป้าหมายแคมเปญโฆษณาวิดีโอได้เช่นกัน

กล่าวอีกนัยหนึ่ง วิดีโอของคุณจะไม่ลงเอยด้วยวิดีโอชุดย่อย (หลายร้อยรายการ) หากเกี่ยวกับหัวข้อที่ต่างไปจากวิดีโออื่นๆ ในช่องของคุณโดยสิ้นเชิง หรือหากวิดีโอกำหนดเป้าหมายไปยังกลุ่มประชากรที่ต่างไปจากเดิมอย่างสิ้นเชิง

โอ้ และอย่าคิดแม้แต่จะสร้างวิดีโอใหม่ที่กำหนดเป้าหมายไปที่ "แฟนเพลง" หากวิดีโออื่นๆ ทั้งหมดที่ผู้ติดตามช่องของคุณกำหนดเป้าหมายไปที่ "แฟนกีฬา"

ดังที่ฉันได้กล่าวไว้ในบทความเรื่อง Platform Trends: How the Verticalization of Content added Reach บน YouTube และ Facebook ซึ่งเผยแพร่บน Tubular Insight ในเดือนกันยายน 2018 ผู้เผยแพร่โฆษณารายแรกในโลกดิจิทัลจำนวนกว่าครึ่งโหลตระหนักดีว่ากำลังดำเนินกลยุทธ์ในแนวดิ่งอยู่แล้ว

ซึ่งรวมถึง: Axel Springer SE, Group Nine, BuzzFeed, UNILAD, Jungle Creations, The LADbible Group และ 9GAG

นี่คือคำถามเชิงโวหารที่ฉันถามในบทความนั้น:

“เหตุใดผู้เผยแพร่โฆษณาเหล่านี้จึงแบ่งคุณสมบัติของตนออกเป็นแนวดิ่งหลายแนว แทนที่จะบรรจุเนื้อหาที่หลากหลายลงในช่อง YouTube แนวนอนขนาดใหญ่ยักษ์ เนื่องจากในระบบนิเวศของวิดีโอออนไลน์ที่มีการแข่งขันสูง คุณจึงมีแนวโน้มที่จะดึงดูดผู้ชมด้วยเนื้อหาที่กำหนดเป้าหมายไปยังความสนใจพิเศษของพวกเขาในวงแคบมากกว่าที่คุณมีด้วยการรวบรวมเนื้อหาแบบสุ่มที่อาจหรือไม่อาจดึงดูดความสนใจทั่วไปของพวกเขา กล่าวอีกนัยหนึ่งคือการไปลึกกว่าที่จะไปกว้าง ๆ ฉลาดกว่า”

สิ่งนี้นำเราไปสู่โครงข่ายประสาทเทียมที่สองสำหรับการจัดอันดับ

Covington, Adams และ Sargin รับทราบว่ามีหลายวิธีในการจัดอันดับวิดีโอแนะนำแต่พวกเขาเปิดเผยว่า:

“การจัดอันดับตามอัตราการคลิกผ่าน (CTR) มักจะส่งเสริมวิดีโอหลอกลวงที่ผู้ใช้ทำไม่ครบ ('คลิกเบต') ในขณะที่เวลาในการรับชมสามารถดึงดูดการมีส่วนร่วมได้ดีกว่า”

ดังนั้น หลีกเลี่ยงการใช้ชื่อและภาพขนาดย่อที่ทำให้เข้าใจผิด การคลิกเบต หรือภาพขนาดย่อที่ทำให้เข้าใจผิด

ใช่พวกเขาทำงานในอดีต

แต่พวกเขาไปในทางของ dodo เมื่อ YouTube แทนที่ "การดู" ด้วย "เวลาในการดู" ในอัลกอริทึมในเดือนตุลาคม 2012

โอเค โครงข่ายประสาทที่สองไม่ใช้ CTR เป็นสัญญาณมันใช้สัญญาณอะไรอีก?

ผู้เขียนรายงานสังเกตว่า “สัญญาณที่สำคัญที่สุด” ได้แก่:

  • ก่อนหน้านี้ผู้ใช้โต้ตอบกับวิดีโอและวิดีโออื่นๆ ที่คล้ายคลึงกันอย่างไร
  • ผู้ใช้ดูวิดีโอจากช่องนี้กี่วิดีโอ
  • ครั้งสุดท้ายที่ผู้ใช้ดูวิดีโอเกี่ยวกับหัวข้อนี้คือเมื่อใด

Covington, Adams และ Sargin กล่าวว่า:

“คุณลักษณะต่อเนื่องเหล่านี้ที่อธิบายการกระทำของผู้ใช้ในอดีตเกี่ยวกับรายการที่เกี่ยวข้องนั้นมีประสิทธิภาพเป็นพิเศษ เนื่องจากมีลักษณะทั่วไปที่ดีในรายการที่แตกต่างกัน นอกจากนี้เรายังพบว่าการเผยแพร่ข้อมูลจากรุ่นของผู้สมัครไปสู่การจัดอันดับในรูปแบบของคุณสมบัติที่สำคัญเช่น แหล่งใดเสนอชื่อผู้สมัครรับเลือกตั้งวิดีโอนี้ พวกเขาให้คะแนนอะไร”

พวกเขาเพิ่ม:

“ฟีเจอร์ที่อธิบายความถี่ของการแสดงผลวิดีโอในอดีตนั้นมีความสำคัญอย่างยิ่งในการแนะนำ 'การเลิกรา' ในวิดีโอแนะนำ (คำขอที่ต่อเนื่องกันจะไม่ส่งคืนรายการที่เหมือนกัน) หากผู้ใช้เพิ่งได้รับการแนะนำวิดีโอ แต่ไม่ได้ดูวิดีโอ โมเดลจะลดระดับการแสดงผลนี้ในการโหลดหน้าถัดไปโดยธรรมชาติ การแสดงความประทับใจและประวัติการรับชมเป็นวินาทีนั้นเป็นงานวิศวกรรมที่อยู่นอกขอบเขตของบทความนี้ แต่มีความสำคัญต่อการสร้างคำแนะนำที่ตอบสนอง”

Covington, Adams และ Sargin เปิดเผยว่า:

“เป้าหมายของเราคือคาดการณ์เวลาในการรับชมที่คาดหวังจากตัวอย่างการฝึกอบรมที่เป็นบวก (มีการคลิกการแสดงผลวิดีโอ) หรือเชิงลบ (ไม่ได้คลิกการแสดงผล) ตัวอย่างเชิงบวกจะมีคำอธิบายประกอบเกี่ยวกับระยะเวลาที่ผู้ใช้ดูวิดีโอ ในการคาดการณ์เวลาในการรับชมที่คาดหวัง เราใช้เทคนิคการถดถอยโลจิสติกแบบถ่วงน้ำหนัก ซึ่งพัฒนาขึ้นเพื่อจุดประสงค์นี้”

กล่าวคือ หากคุณต้องการเพิ่มประสิทธิภาพวิดีโอของคุณสำหรับระบบการแนะนำของ YouTube คุณต้องช่วยผู้ดูค้นหาวิดีโอที่ต้องการดู จากนั้นจึงเพิ่มการมีส่วนร่วมและความพึงพอใจในระยะยาวให้สูงสุด

นั่นเป็นเรื่องยาก

แต่ด้วยการอัปโหลดเนื้อหาวิดีโอมากกว่า 500 ชั่วโมงไปยัง YouTube ทุกนาที นั่นคือสิ่งที่คุณต้องทำในทุกวันนี้

สิ่งนี้หมายความว่าคุณหรือไม่?

แต่เดี๋ยวก่อน ยังมีอีก!

ผู้เขียนรายงานยังเปิดเผยว่า YouTube ใช้ "การเรียนรู้เชิงลึก" เพื่อออกแบบ ทำซ้ำ และรักษา "ระบบแนะนำขนาดใหญ่" มาตั้งแต่ปี 2016

และพวกเขาเห็น "การปรับปรุงประสิทธิภาพอย่างมาก" พร้อม "ผลกระทบอย่างมากต่อผู้ใช้" แม้กระทั่งในตอนนั้น

ตอนนี้อาจไม่ทำให้คุณตื่นขึ้นในเวลากลางคืน

แต่ถ้า Google เปิดตัวสิ่งที่พวกเขาได้เรียนรู้ เช่น Google Shopping ฉันพนันได้เลยว่าจะสร้างฝันร้ายให้กับนักวิจัยและนักพัฒนาที่ Amazon

ตอนนี้สิ่งนี้มีความหมายกับคุณอย่างไร?

ฉันตระหนักดีว่าคุณมุ่งเน้นที่การตลาดดิจิทัล SEO การตลาดเนื้อหา และการค้นหาที่เสียค่าใช้จ่ายนั่นทำให้คุณมาไกลได้ขนาดนี้

อีกสี่ปีข้างหน้าจะเป็นอย่างไร?

ถ้าคุณหรือคนในทีมของคุณเข้าใจ TensorFlow แล้ว (เดิมชื่อ Google Brain) คุณก็พร้อมแล้วที่จะก้าวไปข้างหน้า

แต่ถ้าคุณไม่มีนักวิจัยหรือนักพัฒนาในทีมของคุณที่เข้าใจวิธีใช้ระบบนิเวศของเครื่องมือ ไลบรารี และทรัพยากรชุมชนที่ครอบคลุมและยืดหยุ่นของ TensorFlow เพื่อผลักดันการเรียนรู้ของเครื่อง (ML) ที่ทันสมัย สร้างและปรับใช้แอปพลิเคชันที่ขับเคลื่อนด้วย ML สำหรับองค์กรหรือไคลเอนต์ของคุณ จากนั้นคุณจะต้องค้นหา … อย่างรวดเร็ว

ทำไม

เพราะในอนาคตข้างหน้า ชะตากรรมของคุณ – และชะตากรรมขององค์กรหรือลูกค้าของคุณ – จะเพิ่มขึ้นอยู่ในมือของระบบการแนะนำ

นั่นเป็นเหตุผลที่คุณควรใช้เวลาและความสนใจในการอ่าน "Deep Neural Networks for YouTube Recommendations" ในวันนี้

เช่นเดียวกับของเล่นสอดแนมกล้องปริทรรศน์ชิ้นหนึ่งที่ให้เด็ก ๆ “มองเห็นได้รอบมุมและบนกำแพง” เอกสารวิชาการ 8 หน้านี้สามารถช่วยให้คุณเห็นสิ่งที่ถูกซ่อนในที่สาธารณะมานานกว่าสามปีครึ่ง

แหล่งข้อมูลเพิ่มเติม:

ทุกประเภท: บล็อก