对谈Concured首席技术官:利用AI和MongoDB打造个性化内容推荐系统

本文涉及的产品
云数据库 Tair(兼容Redis),内存型 2GB
Redis 开源版,标准版 2GB
推荐场景:
搭建游戏排行榜
RDS MySQL Serverless 基础系列,0.5-2RCU 50GB
简介: 内容无处不在。无论消费者寻找什么或所处任何行业,找到内容并不困难;关键在于如何找到对应的内容。

Built with MongoDB 栏目采访了AI初创企业Concured在成立约一年后加入的首席技术官 Tom Wilson,围绕 Concured 的人工智能使用情况、Wilson 加入团队的过程、坚持选择MongoDB的原因以及公司未来发展展开讨论。

关于Concured

image.png

内容无处不在。无论消费者寻找什么或所处任何行业,找到内容并不困难;关键在于如何找到对应的内容。而这就是 Concured 专注的领域。

Concured 是一家来自蒙特利尔的AI 初创企业,致力于协助市场营销团队对标受众,有的放矢地打造网站和销售内容;同时,帮助内容营销团队脱颖而出,加速基于洞察驱动的内容个性化。2015 年,首席执行官 Tom Salvat 创立 Concured,旨在助力内容营销机构更深入地理解受众需求,交付更具影响力的内容。

Built with MongoDB:Concured 是做什么的?

Tom Wilson:Concured 是一家软件公司,以过去 5-10 年间发展的人工智能技术为基础,帮助市场营销人员了解如何撰写具体领域的宣发物料,发掘自身内容亮点,把握竞争对手以及行业宣发现状;进而打造个性化的客户网站使用体验,最大化内容投资收益比。

Concured 已成功推出一套内容推荐系统,能够为每位访问者提供针对性服务。这套系统注重用户隐私,不使用任何第三方 cookie 或用户监视技术,完全基于网站用户的操作,通过访问者的点击行为勾勒出其兴趣领域。随着用户的兴趣和目的逐渐清晰,这套系统会尝试推荐新的阅读内容,比如博文、产品介绍或其他类型的内容。

Built with MongoDB:Concured 是如何使用人工智能的呢?

Wilson:我们运用人工智能的场景有很多。有别于其他个性化系统,Concured 的卖点之一是不需要过长的整合期,也无需在日常管理中进行维护。实现的途径是借助 AI 机器人剖析客户网站的内容,发掘相关性,提取文本、标题和其他所有相关元数据,然后完成自动索引。

我们的系统利用先进的自然语言处理 (NLP) 技术,为每个文档生成语义元数据,在多维空间中与特定点相对应。另一方面是理解其中的关键实体,以及同一个网站中某一篇特定文章与其他文章之间的关系。我们利用 AI 支持的网络爬虫找到的所有内容都会自动附上海量元数据。

image.png

Built with MongoDB:AI 并不总是 100% 准确,您在 Concured 打造的 NLP 的准确度怎么样呢?

Wilson:以内容推荐系统而言,很难断定什么是最佳推荐,因为即便是同一个人,根据日期或网络操作的不同,推荐也会有所变化。例如一些知名的推荐系统,如 Netflix、Amazon 和 Spotify,总是在猜我们接下来想看什么,但其实并没有一个唯一正确的答案。

正因如此,推荐系统的性能评估变得非常困难。所以,我们采取的方式并不是提供 100% 对应的正确答案,而是通过改变算法,来看访问者是否会点击更多的文章,或进入网站运营商定义的目标页面,比如产品页面或注册表单。访问者最终采取预期行动的比例越高,说明推荐系统越出色。通过比较采用Concured个性化系统前后的网站转化率,我们可以看到2-3 倍的提升,这显示出算法持续优化的成果。

Built with MongoDB:您是何时加入到 Concured 团队的?

Wilson:当时公司已经得到第一笔来自外部的巨额投资,条件之一是引入一位专业的首席技术官。这种情况在企业初创期比较常见,投资方想要介入企业架构,把控资金流向,减少鲁莽行事。所以,有些企业将其戏称为“家长式监督”。我不知道这算不算是我的角色,毕竟当时的团队已经很强大;但我还是从架构入手,从根本上确保我们能够实现后续的目标,以及更长期的战略规划和技术愿景。

image.png

Built with MongoDB:您的团队是如何选择 MongoDB 的?

Wilson:我加入时,团队已经在使用 MongoDB。加入后的几个月里,我们讨论过是否要换用结构化的数据库,这在当时是一个必须要做的决定。所以我才参与其中,经过深思熟虑,决定继续使用 MongoDB。事实证明这个决定是完全正确的,有利于我们实现最初的愿景。同时,我们将弃用Google Cloud Platform上的社区版本,换用 MongoDB Atlas Serverless。令人欣喜的是,归功于无服务器,我们将不再需要管理各种机器,还能够使用 Atlas 上的文本搜索功能,顺便简化一下我们的技术堆栈。作为一家企业,就我们当下所处的位置以及未来五年的发展方向而言,MongoDB 始终是我们正确的选择。

Built with MongoDB: Concured 的未来是什么样的?

Wilson:就在我们交谈的过程中,未来已经被书写。此时此刻,越来越多和我们大客户有着相同需求的企业正在找到我们。这些企业那些有着海量、已存档的内容,需要继续从中挖掘价值和进行大量发布。无论是咨询公司、金融服务行业的大企业,还是传统出版商,他们都希望确保推广的内容是精准的,并能以相应的 KPI 为基准,产出利益最大化的对应内容。
image.png

Built with MongoDB:您收到的最好反馈是什么?

Wilson:我的团队给我的一条正面反馈,是说我有担当。如果他们遇到问题,我会出手解决或者减少阻力,这样他们就可以全力以赴解决问题。这是我的人生观:如果你用心领导团队,事情就会自然顺利推进。

扫码加入钉群,与MongoDB专家一对一沟通,了解更多阿里云MongoDB产品与方案,市场活动及线上培训等内容。
4D23CF4C-EABF-40B3-80BE-5E4EDE071C42.png

相关文章
|
23天前
|
人工智能 JSON 前端开发
Agentic AI崛起:九大核心技术定义未来人机交互模式​
本文系统梳理AI智能体架构设计的九大核心技术,涵盖智能体基础、多智能体协作、知识增强、模型优化、工具调用、协议标准化及人机交互等关键领域,助力构建高效、智能、协同的AI应用体系。建议点赞收藏,持续关注AI架构前沿技术。
348 1
|
1月前
|
机器学习/深度学习 人工智能 程序员
Reflexion:让AI智能体学会反思的神奇技术
想象一下AI智能体能像人类一样从错误中学习,Reflexion技术让智能体不再需要重新训练就能自我改进。本文通过一个智能体助手小R的成长故事,带你轻松理解这个改变智能体学习方式的创新技术。
|
2月前
|
数据采集 人工智能 分布式计算
ODPS在AI时代的发展战略与技术演进分析报告
ODPS(现MaxCompute)历经十五年发展,从分布式计算平台演进为AI时代的数据基础设施,以超大规模处理、多模态融合与Data+AI协同为核心竞争力,支撑大模型训练与实时分析等前沿场景,助力企业实现数据驱动与智能化转型。
259 4
|
17天前
|
存储 机器学习/深度学习 人工智能
​​解锁AI检索的7大Embedding技术:从稀疏到多向量,一文掌握!​
本文系统解析七种主流文本嵌入技术,包括 Sparse、Dense、Quantized、Binary、Matryoshka 和 Multi-Vector 方法,结合适用场景提供实用选型建议,助你高效构建文本检索系统。
141 0
|
2月前
|
人工智能 自然语言处理 机器人
智能体平台哪家值得选?盘点国内外12家AI Agent平台技术特色
智能体平台正引领人机协作新潮流,将“智能”交给机器,让“平台”服务于人。2024年被Gartner定义为“AgenticAI元年”,预示未来企业交互将由智能体主导。面对百余平台,可从三条赛道入手:通用大模型、RPA升级派与垂直场景定制。不同需求对应不同方案,选对平台,才能让AI真正助力工作。
|
2月前
|
机器学习/深度学习 人工智能 搜索推荐
思维树提示技术:让AI像人类一样思考的魔法
想象一下,如果AI能像你思考问题一样有条理,从一个想法延伸到多个分支,会发生什么?思维树提示技术就是这样一种让AI更聪明的方法,通过结构化思维引导,让AI等大模型给出更深入、更全面的回答。本文将用最轻松的方式,带你掌握这个让AI智商飞升的秘技。
|
2月前
|
存储 人工智能 算法
AI 图纸表格识别与智能文档协同处理技术介绍
针对制造业、工程建设等领域图纸表格数据提取效率低、误差高的问题,本文介绍了一套涵盖表格识别、数据导出、EBOM转MBOM及智能文档协同处理的技术方案,实现图纸数据结构化与全生命周期管理。
103 0
|
2月前
|
设计模式 人工智能 API
​​混合检索技术:如何提升AI智能体50%的响应效率?​
本文深入解析检索增强智能体技术,探讨其三大集成模式(工具模式、预检索模式与混合模式),结合实战代码讲解RAG组件链构建、上下文压缩、混合检索等关键技术,并提供多步检索工作流与知识库自更新机制设计,助力高效智能体系统开发。
248 0
|
23天前
|
数据采集 Web App开发 人工智能
如何让AI“看懂”网页?拆解 Browser-Use 的三大核心技术模块
Browser-Use 是一种基于大语言模型(LLM)的浏览器自动化技术,通过融合视觉理解、DOM解析和动作预测等模块,实现对复杂网页任务的自主操作。它突破了传统固定选择器和流程编排的限制,具备任务规划与语义理解能力,可完成注册、比价、填报等多步骤操作。其核心功能包括视觉与HTML融合解析、多标签管理、元素追踪、自定义动作、自纠错机制,并支持任意LLM模型。Browser-Use标志着浏览器自动化从“规则驱动”向“认知驱动”的跃迁,大幅降低维护成本,提升复杂任务的处理效率与适应性。
666 28

推荐镜像

更多