พบกับ Rhea Goel นักวิทยาศาสตร์ประยุกต์อาวุโสด้าน Sponsored Products

พบกับ Rhea นักวิทยาศาสตร์ประยุกต์อาวุโสที่ Amazon Ads เธอเริ่มต้นอาชีพการงานในฐานะพนักงานฝึกงานด้านการพัฒนาซอฟต์แวร์ และปัจจุบันเป็นผู้จัดการทีมนักวิทยาศาสตร์และวิศวกร

ในการสัมภาษณ์ครั้งนี้ Rhea กล่าวถึงวิธีที่เธอผสมผสานประสบการณ์ด้านวิศวกรรมกับความเชี่ยวชาญด้านแมชชีนเลิร์นนิ่งเข้าด้วยกัน เพื่อรับมือกับความท้าทายด้านการโฆษณาที่ซับซ้อนที่สุดของบริษัท เธอยังแบ่งปันว่านักวิทยาศาสตร์สามารถกำหนดกลยุทธ์ทางธุรกิจได้อย่างไรในขณะที่พัฒนาอาชีพไปในทิศทางที่ไม่คาดคิด

ฉันเริ่มต้นจากการฝึกงานด้านวิศวกรรม ฉันมีแผนที่จะเปลี่ยนไปทำงานในด้านวิทยาศาสตร์อยู่เสมอ เพราะนั่นคือสิ่งที่ฉันได้ศึกษามา อย่างไรก็ตาม ฉันตั้งใจเลือกที่จะเริ่มต้นเป็นวิศวกรเพื่อที่ฉันจะได้เรียนรู้ทักษะต่าง ๆ ในการสร้างและใช้งานระบบการผลิต และเข้าใจแนวทางปฏิบัติที่ดีที่สุดเพื่อสร้างระบบที่เหมาะสมสำหรับโลกแห่งความเป็นจริง

หลังจากย้ายไปทำงานในตำแหน่งวิทยาศาสตร์ประยุกต์ที่ Amazon Fashion ฉันก็เชี่ยวชาญด้านระบบแนะนำ การจัดอันดับ และการปรับแต่งเฉพาะบุคคล ตอนนี้ ฉันกำลังแสวงหาเส้นทางสู่งานด้านบริหารในสายงานวิทยาศาสตร์ การเป็นวิศวกรที่แข็งแกร่งช่วยให้ฉันมีความเป็นอิสระและมั่นใจในตัวเองมากขึ้นในฐานะนักวิทยาศาสตร์ นอกจากนี้ยังหมายความว่าฉันมีความสามารถอย่างมากในการเป็นผู้นำทีมธุรกิจที่มีความหลากหลาย ซึ่งมีทั้งผู้เชี่ยวชาญด้านวิทยาศาสตร์และวิศวกรรมศาสตร์ทำงานร่วมกันอย่างใกล้ชิดเพื่อบรรลุเป้าหมาย

ในการโฆษณา มีปัญหาบางอย่างยากที่จะแก้ไข คุณพยายามแสดงโฆษณาในลักษณะที่จะทำให้ลูกค้าเห็นเนื้อหาที่มีประโยชน์ที่สุดสำหรับพวกเขา ในขณะเดียวกันผู้โฆษณาก็ได้รับผลตอบแทนสูงสุดจากโฆษณาของตน และ Amazon ในฐานะผู้เผยแพร่ก็ช่วยให้ธุรกิจเติบโตได้ การรักษาสมดุลระหว่างสามสิ่งนี้เป็นเรื่องที่ท้าทายและละเอียดอ่อนอย่างมาก ฉันสนุกกับวัฒนธรรมการทดลองอย่างรวดเร็วของ Amazon เป็นพิเศษ ซึ่งเราได้ทดสอบโมเดลแมชชีนเลิร์นนิ่งแบบใหม่ ซึ่งทำงานภายใต้วัตถุประสงค์ที่หลากหลายและมักจะแข่งขันกันเหล่านี้

ที่ Amazon นักวิทยาศาสตร์ประยุกต์สามารถมีอิทธิพลต่อกลยุทธ์ทางธุรกิจในวงกว้างได้อย่างแท้จริง ตลอดทั้งปีมีโอกาสอย่างเป็นทางการหลายครั้ง เช่น การวางแผนประจำปี การวางแผนรายไตรมาส และแฮกกาธอนที่จัดตามกำหนด ซึ่งเปิดโอกาสให้ทุกคน ตั้งแต่นักวิทยาศาสตร์ระดับจูเนียร์ไปจนถึงผู้บริหาร ได้นำเสนอไอเดียโดยเริ่มจากปัญหาของลูกค้าหรือเป้าหมายทางธุรกิจเป็นหลัก ในทุกระดับ เราได้รับการสนับสนุนให้นำเสนอไอเดียเป็นลายลักษณ์อักษรเพื่อให้ผู้นำพิจารณาและผลักดันต่อไป

แบบจำลองภาษาขนาดใหญ่ (LLM) มีการประยุกต์ใช้งานในทางปฏิบัติมากมายที่สามารถปฏิวัติระบบการจัดอันดับโฆษณาได้ ตัวอย่างเช่น ขณะนี้เรากำลังศึกษาวิธีใช้ LLM เพื่อทำความเข้าใจคำค้นหาของนักช้อปให้ดียิ่งขึ้น เพื่อให้ได้ผลการค้นหาที่สอดคล้องมากขึ้นกับคุณลักษณะต่าง ๆ ของสินค้า เช่น แบรนด์ LLM ช่วยให้กระบวนการนี้ง่ายขึ้นสำหรับเรา เนื่องจากมาพร้อมกับความรู้เกี่ยวกับโลกมากมายตั้งแต่ต้น

ฉันรู้สึกว่าผู้นำให้ความสำคัญกับการเติบโตในสายอาชีพของฉันเป็นอย่างมาก ตัวอย่างเช่น เมื่อไม่นานมานี้ ผู้จัดการของฉันได้แจ้งกับผู้อำนวยการของฉันว่า ฉันสนใจที่จะเดินตามเส้นทางสายงานบริหาร ผู้อำนวยการของฉันจำเรื่องนี้ได้ ประเมินทักษะของฉันตลอดช่วงเวลาที่ผ่านมา และมอบโอกาสให้ฉันได้ก้าวไปสู่จุดนั้น เมื่อเร็วๆ นี้ ฉันเริ่มบริหารทีม ซึ่งเป็นประสบการณ์การเรียนรู้ที่ยอดเยี่ยม

นอกจากนี้ยังมีโอกาสในการเป็นที่ปรึกษามากมาย ทันทีที่คุณเข้าร่วม Amazon โดยทั่วไปผู้จัดการของคุณจะมอบหมายเพื่อนร่วมงานและที่ปรึกษาให้คุณ มีโปรแกรมที่ปรึกษาสำหรับผู้หญิงในสายงานวิศวกรรม และโครงการที่ปรึกษาอย่างเป็นทางการทั่วทั้ง Amazon ผู้จัดการของคุณสามารถช่วยอำนวยความสะดวกในการหาที่ปรึกษาที่เหมาะสมสำหรับคุณได้

แน่นอน ทุกปี Amazon จะจัดงาน Amazon Machine Learning Conference (AMLC) ซึ่งเป็นงานประชุมด้านวิทยาศาสตร์ภายในที่มีมาตรฐานสูงมากและอัตราการตอบรับต่ำ นักวิทยาศาสตร์มักทำงานในโครงการที่มีทรัพย์สินทางปัญญา และอาจเป็นเรื่องยากที่จะเผยแพร่ภายนอก แต่ด้วย AMLC คุณจะได้รับโอกาสในการเผยแพร่งานวิจัยทางวิทยาศาสตร์ เนื่องจากมีมาตรฐานสูงและอัตราการตอบรับต่ำ การได้รับการยอมรับจึงเป็นสิ่งที่คุ้มค่า หากคุณได้รับเลือกให้นำเสนอแบบปากเปล่าหรือแบบโปสเตอร์ คุณจะมีโอกาสนำเสนองานของคุณต่อ *Amazon* ทั่วทั้งองค์กร ซึ่งเป็นประโยชน์อย่างมากที่จะทำให้คุณเป็นที่รู้จักและพัฒนาตนเอง

เมื่อเร็ว ๆ นี้ ฉันทำงานกับโมเดลที่ปรับแต่งโฆษณา Sponsored Products บนหน้าค้นหา เพื่อแสดงสินค้าที่ตรงกับความสนใจของลูกค้าให้มากขึ้น ปรัชญาของเราที่ Amazon คือ “ความหลงใหลในลูกค้า” ดังนั้นเป้าหมายสูงสุดของเราคือการทำให้ประสบการณ์การโฆษณามีประโยชน์และเกี่ยวข้องกับลูกค้า โมเดลของเราปรับปรุงประสบการณ์ของลูกค้าอย่างมีนัยสำคัญ

โมเดลนี้ใช้การเรียนรู้แบบเสริมกำลัง ซึ่งเป็นหนึ่งในสาขาวิชาที่ยากที่สุดในการนำไปใช้งานจริง เราได้มีการหารือภายในอย่างเข้มข้นเกี่ยวกับจุดร่วมระหว่างศาสตร์ของการเรียนรู้แบบเสริมกำลัง (Reinforcement Learning) และแมชชีนเลิร์นนิ่งเชิงสาเหตุ (Causal Machine Learning) ผู้คนในทีมยืมแนวคิดจากทั้งสองด้านเพื่อสร้างโมเดลนี้ นี่เป็นโครงการที่ให้ผลตอบแทนคุ้มค่า เพราะนอกจากจะมีความท้าทายทางวิทยาศาสตร์แล้ว ยังส่งผลกระทบต่อลูกค้าในทางที่จับต้องได้อีกด้วย

ที่นี่น่าจะเป็นสภาพแวดล้อมการทำงานที่รวดเร็วที่สุดที่คุณเคยเจอ และเป็นที่ที่คุณสามารถค้นหาพื้นที่ของตัวเองได้ หากคุณสนใจในอาชีพที่เน้นการวิจัยเชิงลึกมากกว่านี้ ทีมที่ Amazon Ads ก็ทำงานในด้านนี้อยู่ หากคุณสนใจในการทดลองที่รวดเร็วและการนำเทคโนโลยีแมชชีนเลิร์นนิ่งล่าสุดมาใช้ในธุรกิจ ก็มีทีมจำนวนมากที่ทำงานในด้านนี้เช่นกัน

สุดท้าย ขนาดของ Amazon ใหญ่โตมาก ทำให้คุณได้เรียนรู้จากผู้เชี่ยวชาญที่ดีที่สุดในอุตสาหกรรม หากคุณพร้อมที่จะเรียนรู้ คุณจะสามารถกลายเป็นผู้เชี่ยวชาญในด้านนี้ได้จริง ๆ เพราะคุณจะอยู่ท่ามกลางผู้คนที่เก่งที่สุด ไม่ว่าคุณจะต้องการทำอะไร ที่นี่หมดทุกอย่าง