網紅雷達 KOL Radar
我們如何打造一款猜測人心的 AI Search？
描述 PM 如何協助 AI 功能開發，又從中扮演什麼角色。
大家好，我是 KOL Radar 的產品經理 Belinda，2024 年 7 月份我們花了半年以上時間開發跟討論的 AI Search 終於上線了，中間歷經了很多心路歷程，寫一篇文章來跟大家分享，我們如何打造屬於 KOL Radar 的 AI Search 吧！
KOL Radar 是什麼？
iKala 旗下的 KOL Radar 網紅雷達提供頂尖的 AI 數據化網紅行銷服務。獨家 AI 網紅數據資料庫囊括超過 300 萬筆跨國網紅名單，以及破億筆 Facebook、YouTube、Instagram、TikTok、Twitter 即時社群數據。透過 AI 技術達成最佳化網紅推薦，用數據打造精準、卓越的成效型網紅行銷。
今年 7 月上線的 AI Search，最主要的目的是為了協助使用者更有效的找到適合的網紅，截至 9 月寫文的時刻，AI Search 大幅提升了 KOL Radar 的解鎖轉化率（從搜尋到找到網紅並解鎖資料），是一般搜尋的 4 倍！
用數據來說話，AI Search 達到如此有效的解鎖轉化率，表示我們一定有做對了某些事情，那就讓我們開始吧。
大部分的 AI 功能，最後還是由不懂 AI 的人在使用
PM 在規劃一個新的 AI 相關功能時，就跟其他功能一樣，我們會從使用者的使用情境出發，就算你不是 AI 背景或工程師，閱讀完這篇文章，也能夠初步了解一個 AI 功能是如何產生的，以下會分為四個步驟，帶領你一步一步跟著我們一起打造 AI Search！
第一步：找到使用者痛點
最近我們研究數據或使用者訪談後發現以下 3 點：
- 使用者於 KOL Radar 內搜尋「寵物行為」，在 AI Search 上線之前的搜尋結果，會提供提及「寵物行為」這四個關鍵字的網紅，但使用者期待我們給的是「有治療或分享過寵物相關行為的醫師或者寵物溝通師」
- 使用者之前也會直接在 Instagram 搜尋「獸醫」，雖然有機會搜尋到一些人選，但也僅限名稱內有獸醫的網紅
- 依照使用者過往行為來看，就算使用我們 2023 年 12 月上線的 AI Search，依然只會寫出超短的字詞
於是問題產生，我們該怎麼做，才能夠讓使用者就算只打短短的字，也能夠找到想要的網紅？
第二步：產生假設
- 如果…
- 當…
- 就可以…
透過以上的格式，我們可以根據上方的問題產生一些假設性的功能提案，舉例來說：如果我們可以猜到使用者想要找怎樣的網紅，當使用者只打短短的搜尋字，就可以幫他找到想要的網紅。
但，我們該怎麼猜到使用者想要找什麼網紅呢？
確認手上有的資料
資料就是武器，你必須先釐清手上有的武器，才能夠確認你能夠做到什麼。KOL Radar 手邊擁有最多的資料，就是網紅的貼文資料，一篇篇貼文內的資訊累積起來，就構成這個網紅的特徵跟特質，也能夠看出他想傳達的事情。
於是我們再次產生了幾個假設：
如果我們可以從貼文內抓到網紅每篇貼文的行為跟目的，是否可以更了解這個網紅？ 如果能夠透過短短的關鍵字來連結到行為，是不是能讓使用者更容易找到他想要的網紅？
舉例來說：使用者只需要輸入「保養」，我就可以給他近期有推薦過保養品的人，不僅如此，還可以提供其他相關的行為，如：推薦彩妝商品，分享護膚經驗。
第三步：找工程師討論可行性
以上這個發想是由貼文可不可以抓出行為 為前提來發想，這涉及到幾個問題。
- 如何抓出貼文內的行為？
- 如何把關鍵字跟行為做連結？
- 如何知道哪些是相關的行為？
以上三個問題列出來之後，我們列出自己預想的可能作法，去找工程師討論詳細的可行性。
因為涉及到內部開發的機密，我們就不細細分享是如何實作的，直接跟大家分享我們那時列出來的其中一個方案。
如何透過關鍵字找到行為
我們透過偵測與關鍵字相關的貼文，並抓取那些貼文的標籤，在標籤下最常見的行為，我們當成是相關的行為推薦給使用者。
這個方法誕生的過程，經過非常多的討論與修改，最後完成其中一個可行性方案後，為了不讓正式上線落差過大，我們會開始進行測試與驗證。
第四步：測試與驗證
測試是讓我們從上次的可行性概念中落實到真實資料，也就是說讓模型實際去跑一次真實的資料，確認準度跟結果會如同 PM 心中所想的，不過事實常常與想像中相反。
舉一個跨領域的例子來說：設計師在 Figma 上畫出來的網頁，總是比實際上線的漂亮，因為設計師會挑選好看的照片，而使用者不一定。
如何測試？
對於 AI 模組的驗收，iKala 技術端自行有一套驗證準度的方式，但機器覺得準，跟使用者覺得好不好用，實際上還是有落差的。
PM 會與 AI Team 的工程師討論實際需要的欄位，舉例來說我們會需要有：關鍵字、預期找到的推薦關鍵字、推薦的行為、實際對應到的網紅清單。
但，測試的關鍵字從哪來？
通常測試的題目會需要聚焦在一個合理的範圍，否則光是驗證就會耗費過多的時間，也可能花很多不必要的時間在解決一個根本不太會有人觸發的關鍵字。
想像一下，如果我們使用 Google 搜尋關鍵字來當成題目，第一名：颱風，可能根本沒有使用者拿來找網紅。最後 PM 採用過去一整年所有使用者透過 KOL Radar 搜尋的前 1,000 名關鍵字，來當成第一版測試題目。
開始測試
定義好題目後，我們會拿到一包結果，這時候會請 PM + 其他部門同仁（內部使用者）來試著評斷結果是否合理，如果不合理，那怎樣的結果才是合理的？
我們需要給出預期結果的原因，讓模型再次進行訓練時可以當成正確資料餵給模型學習。
這中間會經歷不斷的產出結果後不滿意、調整、再次修改，雙方妥協的過程，最終會產出一版大家都可以接受的結果。
KOL Radar 的 AI Search 跟其他的 AI 搜尋哪裡不一樣？
一般來說，想到 AI Search ，因為 ChatGPT 的關係，剛開始大家一定會以「對話式搜尋」作為最基礎的想像，這也是我們去年底推出 AI Search 時追求的方向：「給我一句話，我給你一批網紅」。
但上線後，經由 PM 的調查跟研究，我們發現使用者在現有的 AI Search 輸入時，大多還是以簡短的關鍵字為主，也就是說，使用者其實懶得打字，也沒有這麼多時間或者詞彙去進行詳細的描述。
雖然我們都知道現在 AI 很強大，只要使用者願意寫 Prompt 或者詳細的說明，都可以達到你想要的效果，這就跟記事本打開也可以寫程式、寫網頁一樣。
⚠️ 但事實上人類就是很懶，我如果可以寫幾個字或點幾下就做完事情，為什麼我要從頭寫？
如果說大家都願意花時間跟精力寫 Prompt，也就不會出現這麼多延伸的小工具。所以，天真地以為使用者都會按照我們的期待，寫出完整的句子來搜尋網紅，這件事情是不可能的。
因此，我們這次的 AI Search 才會選擇非對話式的方式，而是
透過協助發想、猜測使用者的心，透過關鍵字來推估你可能想要找什麼網紅，提供可能性更高的結果給你
而不是透過對話來轉換成篩選條件。
AI Search 的用法
我們透過使用者輸入簡短的關鍵字，推測使用者想要找的相關內容，並透過內容連結到對應的網紅，達到使用者輸入簡短關鍵字就能直接找到符合期待的網紅，也可以透過延伸的行為來找到更多的網紅。
舉例：使用者搜尋「寵物行為」，但他期待我們給的是「有治療或分享過寵物相關行為的醫師或者寵物溝通師」，以前他可能需要再次搜尋營養師、獸醫、寵物等等關鍵字組合才能找到網紅。
但現在他只需要輸入寵物行為，我們就會給他可能的行為對應網紅，並提供說明，甚至推薦其他相關行為，如：寵物醫院介紹、寵物行為專科醫院等等。
搜尋結果下方也提供提及特定關鍵字的網紅名單。
⚠️ 注意
- 此新功能暫時只支援台灣工作區、且為繁體中文關鍵字，如使用者設定香港、日本工作區，則無法使用 AI Search 功能。（工作區於建立時選擇，建立後將無法進行修改）
- 此功能不支援長句搜尋，使用長句子搜尋時的體驗可能會不如預期，請務必注意。
結語
KOL Radar 的 AI Search 已經於 2024 年 7 月上線，這個功能從去年底開始進行討論跟實作，花了團隊很多的心力，AI 功能可能第一時間準度不會到 100%，但我們的初衷是希望使用者在找網紅這條路上能夠更簡單、更直覺，我們的產品能夠更貼近、更懂使用者的心。
沒有什麼產品開發流程一定是 100% 完美不會有問題的，所有的產品開發流程都來自不斷的討論跟精進，AI 模型都會持續進步與改善了，更何況是人類呢？
希望大家多多前往 KOL Radar 註冊試用，提供各種反饋，我們將會持續精進跟調整！
