اطلع على أي من مقالات إطلاق المنتجات في مدونة Guru، وستلاحظ موضوعاً متكرراً: تحسين تجربة البحث لعملائنا. ولسبب وجيه — حيث أننا نمتلك فريقاً مخصصاً من علماء البيانات ومدراء المنتجات والمهندسين، يتم دائماً اختبار وتحسين إمكانية البحث واكتشاف المعرفة في Guru. مثل أي شركة تكنولوجية لديها وظيفة بحث، فإنها جزء أساسي من Guru وسنسعى دائماً لتحسينها وتنقيتها. بينما قد لا تكون تحسينات البحث بشكل “دراماتيكي” مثل تغييرات واجهة المستخدم، أو تعزيزات الذكاء الاصطناعي، أو ميزات جديدة، إلا أنها بالتأكيد تضيف قيمة حقيقية — وتعزز بشكل ملحوظ تجربة المستخدم مع منتجنا. اليوم نلتقي بفريق البحث لدينا لنعرف ما الذي كانوا يعملون عليه خلال الأشهر القليلة الماضية.

شكراً لكم الثلاثة على انضمامكم إلينا اليوم! للبدء، هل يمكنكم أن تخبرونا قليلاً عن أنفسكم وما تقومون به في مجموعة بحث Guru؟

نينا: أنا عالمة بيانات في مجموعة البحث، لذا أركز على معرفة أساليب تعلم الآلة التي يمكننا تجربتها لتحسين البحث. لقد كنت مركزة مؤخرًا على كيفية دمج الطريقة التي يتم بها استخدام البطاقات (النموذج الذي يتم توثيق المعلومات من خلاله في Guru) (المشاهدة، نسخ الرابط أو المحتوى، الإضافة إلى المفضلات) في خوارزمية البحث لدينا، وفي المستقبل، سأعمل على كيفية فهم نية المستخدمين بشكل أفضل أثناء البحث لضمان تقديم أكثر البطاقات ملاءمة لهم.

لورا: أنا مديرة منتج في مجموعة البحث، لذا أقضي الكثير من الوقت مع عملائنا لجمع ملاحظاتهم وفهم ما هو أكثر فائدة وأهمية لهم. ثم أعود بهذا إلى الفريق، حتى نتمكن من اتخاذ قرارات حول كيفية تحسين وتطوير البحث عبر الزمن. أخطط لأهدافنا القصيرة والمتوسطة والطويلة الأجل حتى نتمكن من إجراء تحسينات مستمرة على جوانب متعددة من البحث.

جينا: أنا أيضًا عالمة بيانات في مجموعة البحث، وأركز على خوارزميتنا بشكل خاص. حاليًا، أركز على أدواتنا الداخلية التي تسمح لنا بتجربة تعديلات خوارزمية مختلفة وفهم كيف يمكن أن تؤثر على نتائج البحث لعملائنا. كما أنني أجري تحليلات للبيانات لمقارنة أداء بحثنا الحالي مقابل كيفية أدائه مع التغييرات المحتملة.

آخر مرة التقينا مع مجموعة البحث، تحدثنا عن التغييرات القادمة على خوارزميتنا والطرق التي نقوم بها لاختبار تحسينات البحث. هل يمكنكم إخبارنا قليلاً عن كيفية سير تلك العمليات؟

لورا: كانت التغييرات الأخيرة لدينا تتعلق بأخذ استخدام البطاقة في الاعتبار كعامل آخر لإيجاد النتائج الأكثر صلة وفائدة.

نينا: جاءت الفكرة من الرغبة في فهم كيف يمكن أن تؤثر بيانات استخدام البطاقة على عمل الذكاء الاصطناعي في Guru بشكل عام. قبل تطبيق هذه الأسئلة على البحث بشكل محدد، استكشفنا كيف تتناسب “شعبية” البطاقة مع فائدتها في مشروع هاكاثون!

جينا: يقع استخدام البطاقة ضمن تركيزنا الأكبر في مجموعة البحث على إدخال مصادر بيانات جديدة يمكن أن تساعدنا في فهم مدى ملاءمة البطاقة. لذا فإن الاستخدام سيكون مصدر بيانات، وكذلك العمل الذي تقوم به نينا لفهم النية.

في البداية، كنا نعلم أن لدينا الكثير من البيانات حول الطرق التي يتم بها استخدام البطاقات عبر الفرق، وفرضنا أن سلوك المستخدم حول البطاقات يمكن أن يُفيد تحسينات البحث.

نينا: أعتقد أنه من المهم الإشارة إلى أن البحث ليس مجرد المطابقة بين الكلمات الرئيسية — بل هو أيضًا فهم السياق الذي تُستخدم فيه البطاقات ومتى.

لورا: ننظر إلى استخدام البطاقة لمساعدة مستخدمينا في مجالات أخرى من المنتج — على سبيل المثال، يمكنك رؤية بيانات الاستخدام حول البطاقات التي تنتظر تأكيدك في “مهامي.”

لدينا أيضًا درجات شعبية عبر التطبيق — هذه النقاط من بيانات الاستخدام تهدف إلى مساعدة المستخدمين في فهم ما هي المعلومات الأكثر أهمية لفريقهم.

إدخال هذه البيانات في البحث يساعدنا في جعلها تجربة أكثر شمولية.

جينا: يساعدنا ذلك أيضًا في التأكد من أن نتائج البحث مفيدة وديناميكية — على سبيل المثال، قد لا يتغير محتوى البطاقة كثيرًا خلال عام، لكن الاستخدام يزداد بشكل كبير خلال نفس الفترة الزمنية. قد يشير هذا إلى أن البطاقة تصبح أكثر فائدة للفريق، ويجب أن تعكس نتائج البحث ذلك.

هل يمكنك أن تخبرنا كيف تتخذ المجموعة قراراتها حول ما إذا كان ينبغي المضي قدمًا بالتغييرات أم لا؟

جينا: المجموعة تجريبية جداً في نهجنا، ولدينا مجموعة متنوعة من المستويات للتجارب. بيئاتنا للتجريب معزولة بالكامل عن حسابات العملاء، وهناك عدة جولات من الاختبار التي يجب على التجربة “اجتيازها” قبل أن نفكر حتى في إصدار التغييرات لعملائنا. بفضل إعدادنا التجريبي، يمكننا اختبار التغييرات بسرعة كبيرة، ونكون أكثر ثقة بشأن التغييرات التي نقوم بإطلاقها لعملائنا.

نينا: أود أيضًا أن أضيف أن جميع هذه التجارب تعتمد بشكل كبير على البيانات. سنعمل على عدة تجارب للتغيير في وقت واحد، ثم نستخدم البيانات لفهم أيها كان له الأثر الأفضل على النتائج. على سبيل المثال، أجرينا مؤخرًا سرعة مع 110 تجربة تبلغ بدرجات متفاوتة من الدقة والتعقيد — انتهى بنا المطاف إلى التقدم مع 2 منها بناءً على النتائج. في بعض الأحيان، تحتاج العشرات من التجارب لاتخاذ قرار بشأن تغيير ما، وأحيانًا يستغرق الأمر أكثر.

لورا: جميع مقاييسنا تتركز حول الحصول على أكثر النتائج ملاءمة في الجزء العلوي من قائمة النتائج قدر الإمكان. لكن بسبب تنوع فرق عملائنا والمحتوى في حساباتهم، يجب علينا المرور عبر هذا الاختبار الدقيق لضمان أننا سنرى نتائج إيجابية عبر قاعدة عملائنا بالكامل.

جينا: كل تجربة نجريها تحاكي مئات الآلاف من عمليات البحث، مما يسمح لنا بمحاكاة حجم البحث الذي نحتاجه لنقول بثقة إن تغييرًا ما سيؤثر بشكل إيجابي على العملاء بشكل شامل.

بمجرد أن نقوم بإصدار تغييرات لمستخدمينا، كيف نقيس نجاحها في مساعدتهم على العثور على ما يحتاجون إليه؟

لورا: إحدى أكبر الطرق التي نراقب بها أداء البحث للعملاء هي من خلال مراقبة مجموعة من المقاييس التي وضعناها معًا. هناك عدد من المقاييس الصناعية القياسية للبحث تعتمد على الدقة والاسترجاع التي نستخدمها للحصول على صورة عامة عن كيفية سير الأمور. هذه هي معادلات تساعدنا في قياس ما إذا كنا نقدم محتوى ملائمًا وإذا كان من السهل على الباحثين العثور على ما يحتاجون إليه في قائمة النتائج (أي أنه قريب من القمة). ثم ننظر إلى مقاييس أكثر استهدافًا تظهر لنا كيف تسير الأمور بالنسبة لأنواع مختلفة من عمليات البحث. لذا سنبحث في كيفية تأثير تغيير مقترح على تلك المقاييس، ثم كعلامة متأخرة، ملاحظات العملاء. اعتمادًا على التغيير، قد نتوقع (أو لا ننتظر) الكثير من ملاحظات العملاء، لكن التوقع هو أنهم يشعرون بتأثير التغييرات من خلال قدرتهم على العثور على ما يحتاجون إليه بشكل أسرع وبتكاليف أقل.

جينا: نحن في الأساس نحاول الإجابة عن سؤالين: الأول، هل نعرض بطاقات مفيدة؟ وثانيًا، هل نتجنب عرض بطاقات غير ملائمة؟ طريقة أخرى نقيم بها الأثر هي من خلال النظر إلى سلوك المستخدم بعد عرض نتائجهم — هل يبحثون مرة أخرى؟ هل يشاهدون المزيد من البطاقات؟ وهذا يوفر رؤى مفيدة حول نجاح نتائجهم.

سننتهي بسؤالي المفضل — ما هو التالي لبحث Guru؟

لورا: تحسين مستمر! أفكر في مجالين رئيسيين نعمل عليهما بشأن البحث — الخوارزمية، وتجربة المستخدم في عملية البحث. حاليًا، نركز أكثر على الخوارزمية، لكننا نعتبر كلا الجانبين مهمين.

على المدى الطويل، نريد دمج المزيد من السياق في البحث — بما في ذلك الاستخدام المتوقع من قبل المستخدم اعتمادًا على الفريق الذي هم فيه، وكيف يتفاعلون مع بطاقات أخرى، إلخ — لتقديم تجربة بحث أكثر تخصيصًا.

نينا: نريد أيضًا استخدام تعلم الآلة لفهم النية وراء بحث المستخدم. في بعض الأحيان، يكون هناك فجوة بين ما يكتبه المستخدم بالفعل وما يبحث عنه. على سبيل المثال، قد يبحث المستخدم عن "تعويضات المبيعات" بينما تستخدم البطاقة ذات الصلة مصطلح "عمولة" لذا سنعمل على استخدام تعلم الآلة لمعالجة هذه الفجوات.

جينا: في النهاية، يأتي كل هذا مع تحذير التجريب. بينما نختبر جميع هذه التغييرات المحتملة، يمكننا أن نقول بثقة نحن لن نقوم بإصدار أي شيء لا يظهر تحسينًا في إطار التجريب لدينا.