Magyar online híroldalak, magazinok, portálok esetében is egyre gyakoribb, hogy bizonyos tartalmakat csak akkor "fogyaszthatunk el" teljes egészükben, ha előfizetünk a szolgáltatásra. A The New York Times példája megmutatja, hogy egy ilyen modell működtetéséhez komoly tudomány és technológia is szükséges lehet.
Minden olyan szervezet, amely mesterséges intelligenciát (MI) és gépi tanulást (ML) alkalmaz az üzleti életben, arra törekszik, hogy ezeket a nagy teljesítményű technológiákat kényes problémák megoldására használja. A New York Times számára az egyik legnagyobb kihívás az egyensúly megtalálása aközött, hogy elérje a legújabb célját, a 15 millió digitális előfizetőt 2027-ig, miközben minél többen olvassák a cikkeket online.
A multimédiaóriás ezekben a napokban egy gépi tanulási modell, a Dynamic Meter segítségével ássa bele magát ebbe az összetett ok-okozati összefüggésbe, amelynek célja, hogy fizetőfalát okosabbá tegye. Chris Wiggins, a New York Times vezető adattudósa szerint az elmúlt három-négy évben a vállalat azon dolgozott, hogy megértse a felhasználói útjukat és a fizetőfal működését.
Még 2011-ben, amikor a Times a digitális előfizetésekre kezdett összpontosítani, a "adagolt" hozzáférést úgy alakították ki, hogy a nem előfizetők havonta ugyanannyi cikket olvashassanak el, mielőtt az előfizetést kívánó fizetőfalba ütköznek. Ez lehetővé tette a vállalat számára, hogy előfizetőket szerezzen, miközben az olvasóknak is lehetővé tette, hogy felfedezzék a kínálat széles skáláját, mielőtt elköteleznék magukat az előfizetés mellett.
Most azonban a Dynamic Meter képes személyre szabott mérőhatárokat beállítani. Azáltal, hogy a modellt adatvezérelt felhasználói "meglátásokkal" táplálják, az oksági gépi tanulási modell előíró jellegű lehet. Ezzel meghatározzák a megfelelő számú ingyenes cikket, amelyet az egyes felhasználóknak meg kell kapniuk, hogy eléggé érdekelje őket a New York Times ahhoz, hogy előfizessenek az olvasás folytatásához.
Wiggins szerint, mivel egyre több szervezet viszi be az AI-t az automatizált döntéshozatalba, valóban meg akarják érteni, hogy mi történik, minden szempontból. "Ez különbözik a meglátások szolgálatában álló gépi tanulástól, ahol egyszer elvégezünk egy osztályozási problémát, és esetleg modellként tanulmányozzuk azt, de valójában nem helyezzük az ML-t a termelésbe, hogy döntéseket hozzon helyettünk" - mondta. Ehelyett egy olyan vállalkozás, amely azt akarja, hogy a mesterséges intelligencia valóban döntéseket hozzon, szeretné megérteni, hogy mi történik. "Nem akarjuk, hogy ez egy feketedoboz-modell legyen" - állapította meg.
A kiadó csapata tudatában van az algoritmikus etikának a Dynamic Meter modell esetében. A kizárólagos, első féltől származó adataik csak az emberek NYT-tartalommal való elkötelezettségéről szólnak, és nem tartalmaznak semmilyen demográfiai vagy pszichográfiai jellemzőt.
Ami a New York Times fizetőfalának jövőjét illeti, arra hatással lesznek a fizetőfalak bevezetésének negatív aspektusairól szóló tudományos kutatások is a médiaüzletágban. Tudják ugyanis, hogy ha fizetőfalat húznak fel, akkor sok előfizetőt kapnak, de az is érdekli őket, hogy a fizetőfal hogyan befolyásolja egyes olvasók szokásait, és annak valószínűségét, hogy a jövőben, akár hónapok vagy évek múlva is vissza akarnak térni. "Szeretnénk fenntartani az egészséges közönséget, hogy potenciálisan előfizetőkké válhassanak, ugyanakkor a termékünk küldetését is szolgálja, hogy növeljük az olvasottságot" - állította egy fejlesztéssel foglalkozó szakértőjük a Venture Beat szerint.
"Az előfizetéses üzleti modellnek vannak ilyen jellegű, velejáró kihívásai. Nincsenek ilyen kihívások, ha az üzleti modelled a kattintásokról szól. Arra gondolunk, a dizájnválasztásaink hogyan befolyásolják, hogy valaki három hónap vagy három év múlva is előfizető marad-e. Ez egy összetett tudomány" - tette hozzá Wiggins.
