Interviews

Hamish Ogilvy, CEO og medstifter af Search.io – Interview-serie

Antoine Tardif
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterSearch.io bruger neurale indekser, der aktiveres for kontekst og betydning frem for…
Vis mere
  • Search.io bruger neurale indekser, der aktiveres for kontekst og betydning frem for søgeord.
  • Forstærkningslæring omorganiserer søgeresultater for at maksimere specifikke mål som klik eller køb.
  • Virksomheder kan fremskynde selvindlæring ved manuelt at lære platformen, hvilke resultater der er gode.

Hamish Ogilvy er CEO og medstifter af Search.io, en AI-dreven søge- og produktfindingsplatform, der behandler milliarder af søgninger for nogle af verdens største organisationer. De fokuserer på at øge konvertering og omsætning af on-site-søgning ved hjælp af maskinlæring. Dette opnås ved hjælp af proprietær søgeteknologi.

Hvad var det, der først tiltrak dig til feltet maskinlæring?

Jeg startede med at arbejde med fysik og designede lasere, men jeg var også altid ret god til at se mønstre i data. Det trak mig ind i analytics og forudsigelser, hvor jeg tilbragte flere år. Maskinlæring var en naturlig udvidelse for at kunne udtrække værdi fra data på en bedre måde. Det synes ret normalt nu, men dengang lo folk af mig, fordi jeg havde jobtitlen “chef for data”, så verden har ændret sig en del!

Kan du dele historien bag Search.io?

Søgning har altid irriteret mig; det er blevet bedre, men det er stadig ret dårligt. Jeg tænkte altid, at det burde forstå kontekst og personlig intention bedre. Så det startede med den tanke, og år senere er vi meget tættere på. Larry Page sagde engang, at søgning ikke er et problem, der vil blive løst i vores livstid, og jeg forstår nu fuldt ud, hvorfor. Men vi har ændret spillet og er langt på vej mod, hvad vi havde forestillet os.

Search.io bruger selv-lærende søgeteknologi baseret på “neurale indeks”, hvad er neurale indeks specifikt?

Den traditionelle søgeteknologi opretter indeks over bestemte nøgleord, ligesom indekset i bagsiden af en bog, der peger på siderne, hvor nøgleordet findes. Neurale indeks opretter indeks fra bestemte neuroner i særligt designede neurale netværk. Disse neuroner er designet til at aktivere for relateret kontekst og mening i stedet for nøgleord, så det er muligt at meget hurtigt identificere relaterede elementer, selv på tværs af forskellige sprog. Selv-læring tillader disse indeksers at tilpasse sig og forbedre sig, efterhånden som mennesker køber varer eller andre positive feedback-hændelser.

Kan du diskutere, på hvilke måder forstærkningslæring bruges til at optimere søgeresultater?

Primært bruges dette til at omordne søgeresultaterne for at maksimere et bestemt mål, såsom klik eller køb. Dette er et klassisk problem med at udforske vs. udnytte, hvor den bedste rækkefølge ikke er kendt fra starten. Der var engang en berømt udtalelse om, at det bedste sted at gemme en død krop var på side 2 af Google-søgeresultater! Det skyldes, at næsten ingen når til bunden af side 1. Så hvis du har, lad os sige, 10.000 relevante resultater for en forespørgsel og kun viser 10 pr. side, hjælper en vis probabilistisk tilfældighed med at rotere forskellige resultater og hæve dem, der resonerer med forretningsmålet.

Bliver dyb læring brugt, og hvis ja, på hvilke måder?

Ja, på mange måder. Vi bruger dyb læring til at omdanne sprog til vektorer og derefter også vektorer til neurale hashes.

Platformen giver virksomheder mulighed for at kontrollere den indbyggede læring ved at tillade justeringer, kan du diskutere, hvordan denne proces fungerer?

Selv-læring bruger typisk hændelser til at “støde” de neurale hashes mod ting, der tidligere har resoneret, såsom købte varer vs. ikke-købte. I nogle tilfælde kan det tage for lang tid, og virksomheden ved, hvad der burde være et godt resultat. Så vi giver dem mulighed for at fortælle os det, og det lærer relevansen at forstå intention bedre. Dette accelererer i grund og grund læringen.

Hvad er nogle af udfordringerne ved at afkode brugerens intention, når en søgning udføres?

Sprog er meget tvetydigt. Det engelske ord „bank” kan betegne en finansiel institution, en flodbred, et flys krængning under et sving eller et basketballskud via bagpladen osv. For at gøre det værre, hvis en person fra Los Angeles søger efter en “jakke”, ville det være en meget forskellig intention end for en person fra Boston. Mand vs. kvinde, endnu mere forskellig. Sprog indkapsler dårligt intention, perfektion er faktisk umulig, så søgning er et spil om sandsynlighed.

Hvad er processen for at integrere Search.io på en hjemmeside?

Det varierer afhængigt af kompleksiteten. For Shopify-butikker og indholds-baserede hjemmesider kan du være op og køre på få minutter, mens avancerede e-handelsbutikker med komplekse kataloger og høj personliggjorte resultater kan tage uger til flere måneder.

Er der noget andet, du gerne vil dele om Search.io?

Hvis du er en data-tung organisation, der forsøger at øge online-transaktioner, så kontakt os. Vi har konsekvent massivt forbedret vores kunders online-præstation gennem forbedrede søg- og opdagelsesoplevelser.

Tak for at deltage i dette interview, som en person, der har studeret søgemaskiner i over to årtier, var dette ret fascinerende. Læsere, der ønsker at lære mere, bør besøge Search.io.

Antoine er en visionær leder og stiftende partner i Unite.AI, drevet af en urokkelig passion for at forme og fremme fremtiden for AI og robotteknologi. Som serieiværksætter mener han, at AI vil forandre samfundet lige så grundlæggende som elektriciteten, og han taler ofte begejstret om potentialet i banebrydende teknologier og kunstig generel intelligens (AGI).

Som fremtidsforsker er han optaget af at undersøge, hvordan disse innovationer vil forme vores verden. Han er desuden grundlægger af Securities.io, en platform med fokus på investering i avancerede teknologier, der omdefinerer fremtiden og omformer hele brancher.