Möt Rhea Goel, Senior Applied Scientist för Sponsored Products

Möt Rhea, Senior Applied Scientist på Amazon Ads. Hon började sin karriärresa som praktikant inom mjukvaruutveckling och leder nu ett team av forskare och ingenjörer.

I den här intervjun pratar Rhea om hur hon har kombinerat sin ingenjörsbakgrund med sin maskininlärningsexpertis för att ta itu med några av företagets mest komplexa annonseringsutmaningar. Hon berättar även hur forskare kan forma affärsstrategier samtidigt som de utvecklar sin karriär i oväntade riktningar.

Jag började som ingenjörspraktikant. Jag har alltid haft planer på att övergå till en vetenskaplig roll eftersom det var vad min utbildning bestod av. Men jag valde medvetet att börja som ingenjör så att jag fick lära mig att bygga och distribuera produktionssystem och förstå de bästa metoderna att skapa något för den verkliga världen.

Efter att ha övergått till en roll inom tillämpad vetenskap på Amazon Fashion specialiserade jag mig på rekommendationssystem, rankning och personlig anpassning. Nu strävar jag efter en ledande befattning inom vetenskapsfamiljen. Att vara en stark ingenjör har hjälpt mig att bli mer autonom och självsäker som forskare, och det betyder även att jag är mycket kapabel att leda ett mångsidigt affärsteam som har såväl vetenskaps- som ingenjörsspecialister som arbetar nära tillsammans för att uppnå mål.

Inom annonsering finns det verkligt svåra problem att lösa. Du försöker placera annonser på ett sätt som säkerställer att kunder ser det mest användbara innehållet för dem, samtidigt som annonsörer får mest avkastning av sina annonser och Amazon, som utgivare, utvecklar sin verksamhet. Det är mycket utmanande och nyanserat att balansera mellan tre enheter. Jag tycker särskilt om den snabba experimentkulturen på Amazon, där vi får testa nya maskininlärningsmodeller som arbetar under dessa olika, och ofta konkurrerande, mål.

På Amazon kan forskare inom tillämpad vetenskap verkligen påverka en bredare affärsstrategi. Det finns flera formella möjligheter under året, inklusive årlig planering, kvartalsplanering och regelbundet schemalagda hackathons, där vem som helst, från yngre forskare till rektorer, kan lyfta fram idéer, arbeta bakåt från en kundsmärtpunkt eller ett affärsmål. Vi uppmuntras på alla nivåer att sätta våra idéer på papper så att ledarskapet kan granska och föra dem vidare.

Det finns så många praktiska tillämpningar av stora språkmodeller (LLM:er) som kan förändra rankningsutrymmet för annonser. Just nu undersöker vi till exempel hur man använder LLM:er för att bättre förstå kundernas sökfrågor för att producera mer relevanta sökresultat när det gäller olika produktattribut, som varumärke. Med en LLM blir detta enklare för oss eftersom det kommer med mycket kunskap om världen utanför boxen.

Jag känner att ledningen är mycket engagerad i min karriärutveckling. För ett tag sedan nämnde till exempel min närmaste ansvarige för min chef att jag var intresserad av att avancera. Min chef kom ihåg det, bedömde mina färdigheter över tid och gav mig sedan en möjlighet att ta steget. Jag har nyligen börjat leda ett team, och det har varit en fantastisk inlärningsupplevelse.

Det finns även gott om mentormöjligheter. Så snart du börjar på Amazon brukar din chef vanligtvis utse en onboarding-kompis och en mentor åt dig. Det finns ett mentorprogram för kvinnor inom teknik och formella mentorprogram för hela Amazon, och din chef kan hjälpa till att hitta rätt mentor för dig.

Absolut! Varje år håller Amazon i Amazon Machine Learning Conference (AMLC), som är en intern vetenskapskonferens med en mycket hög ribba och låg acceptansgrad. Forskare arbetar ofta på projekt med immateriella rättigheter och det kan vara svårt att publicera externt, men med AMLC får du en chans att publicera vetenskaplig forskning. Med tanke på att ribban är så hög bar och acceptansgraden så låg är det lika givande. Om du blir vald att hålla en muntlig presentation eller en affischpresentation får du presentera ditt arbete på Amazon, och det är bra för synbarhet och personlig utveckling.

Jag arbetade nyligen på en modell som anpassar Sponsored Products-annonser på söksidan för att visa kunderna fler produkter som matchar deras intressen. Vår etos på Amazon är ”Kundfokus”, så vårt slutgiltiga mål är att göra annonsupplevelsen användbar och relevant för kunderna. Vår modell förbättrade kundupplevelsen avsevärt.

Modellen använder förstärkningslärande, en av de svårare disciplinerna att sätta i produktion. Vi diskuterade mycket internt om överlappningen mellan disciplinen för förstärkt inlärning och kausal maskininlärning. Människor i teamet lånade idéer från båda fälten för att bygga modellen. Det var ett givande projekt eftersom det var vetenskapligt utmanande men även hade en påtaglig inverkan på kunderna.

Det här är förmodligen den snabbast föränderliga miljö du kan arbeta i, och det är en plats där du kan hitta din egen väg. Om du är intresserad av en djupare forskningsbaserad karriär finns det team på Amazon Ads som gör det. Om du är mer intresserad av snabba experiment och affärstillämpning av den senaste maskininlärningstekniken finns det många team som gör det också.

Slutligen är Amazon-skalan massiv, så du får lära dig av några av de bästa hjärnorna i branschen. Om du är öppen för att lära dig kan du verkligen bli expert på området eftersom du är omgiven av de bästa. Vad än du vill göra finns det tillgängligt här.