Hamish Ogilvy, CEO und Mitgründer von Search.io – Interview-Serie

Hamish Ogilvy ist der CEO und Mitgründer von Search.io, einer künstlichen Intelligenz-basierten Such- und Produktentdeckungsplattform, die Milliarden von Suchanfragen für einige der größten Organisationen der Welt verarbeitet. Sie konzentrieren sich auf die Steigerung der Konversions- und Umsatzzahlen bei der On-Site-Suche mithilfe von Machine Learning. Dies wird durch proprietäre Suchtechnologie erreicht.

Was hat Sie ursprünglich zum Bereich des Machine Learning hingezogen?

Ich habe mit der Physik angefangen und Laser entworfen, aber ich war auch immer ziemlich gut darin, Muster in Daten zu erkennen. Das hat mich in die Analytik und Vorhersage verschiedener Dinge gezogen, wo ich mehrere Jahre verbrachte. Machine Learning war eine logische Erweiterung, um den Wert aus den Daten besser zu extrahieren. Das ist heute ziemlich normal, aber damals lachten die Leute über mich, weil ich den Job-Titel “Head of Data” hatte, also hat sich die Welt ein bisschen verändert!

Können Sie die Entstehungsgeschichte hinter Search.io teilen?

Die Suche hat mich immer genervt; sie hat sich zwar verbessert, aber ist immer noch ziemlich schlecht. Ich dachte immer, sie sollte den Kontext und die persönliche Absicht besser verstehen. Also begann es mit diesem Gedanken, und Jahre später sind wir viel näher dran. Larry Page sagte einmal, die Suche sei kein Problem, das in unserem Leben gelöst werden würde, und ich verstehe jetzt vollkommen, warum. Aber wir haben das Spiel drastisch verändert und sind weit davon entfernt, was wir uns vorgestellt haben.

Search.io verwendet selbstlernende Suchtechnologie basierend auf “Neural-Indizes”, was sind speziell Neural-Indizes?

Die alte Suchtechnologie erstellt Indizes auf bestimmte Schlüsselwörter, ähnlich wie der Index am Ende eines Buches, der auf die Seiten verweist, auf denen das Schlüsselwort erscheint. Neural-Indizes erstellen stattdessen Indizes aus bestimmten Neuronen in speziell entwickelten neuronalen Netzen. Diese Neuronen sind so konzipiert, dass sie für verwandten Kontext und Bedeutung aktiviert werden, anstatt für Schlüsselwörter, sodass es möglich ist, sehr schnell verwandte Elemente zu identifizieren, sogar in verschiedenen Sprachen. Selbstlernende Algorithmen ermöglichen es diesen Indizes, sich anzupassen und zu verbessern, wenn Menschen Artikel kaufen oder andere positive Feedback-Ereignisse auftreten.

Können Sie darüber sprechen, wie Verstärkungs-Lernen zur Optimierung der Suchergebnisse eingesetzt wird?

Hauptsächlich wird dies verwendet, um die Suchergebnisse so umzuordnen, dass ein bestimmtes Ziel wie Klicks oder Käufe maximiert wird. Dies ist ein klassisches Problem des Ausbalancierens von Exploration und Ausbeutung, bei dem die beste Reihenfolge anfangs unbekannt ist. Es gab ein berühmtes Zitat, dass der beste Ort, um eine Leiche zu verstecken, auf Seite 2 der Google-Ergebnisse sei! Das liegt daran, dass fast niemand es bis zum Ende von Seite 1 schafft. Wenn Sie also 10.000 relevante Ergebnisse für eine Anfrage haben und nur 10 pro Seite anzeigen, hilft eine gewisse zufällige Randomisierung, verschiedene Ergebnisse zu drehen und diejenigen zu erhöhen, die mit dem Geschäftsziel übereinstimmen.

Wird Deep Learning eingesetzt, wenn ja, in welcher Weise?

Ja, auf viele Arten. Wir verwenden Deep Learning, um Sprache in Vektoren umzuwandeln und dann auch Vektoren in neuronale Hashe.

Die Plattform ermöglicht es Unternehmen, das integrierte Lernen durch Anpassungen zu steuern, können Sie darüber sprechen, wie dieser Prozess funktioniert?

Das selbstlernende System verwendet normalerweise Ereignisse, um die neuronalen Hashe in Richtung der Dinge zu “stoßen”, die zuvor Resonanz hatten, wie gekaufte Artikel im Gegensatz zu nicht gekauften. In einigen Fällen kann dies zu lange dauern, und das Unternehmen weiß, was ein großartiges Ergebnis sein sollte. Also ermöglichen wir es ihnen, es uns zu sagen, und dies lehrt die Relevanz, die Absicht besser zu verstehen. Dies beschleunigt im Grunde genommen das Lernen.

Was sind einige der Herausforderungen bei der Entschlüsselung der Benutzerabsicht, wenn eine Suche durchgeführt wird?

Die Sprache ist sehr mehrdeutig. Eine “Bank” kann eine Finanzinstitution, eine Flussbank, ein Flugzeug, das sich dreht, oder ein Basketball-Schuss sein usw. Um es noch schlimmer zu machen, wenn jemand aus Los Angeles nach einer “Jacke” sucht, wäre dies eine völlig andere Absicht als für jemanden aus Boston. Männlich vs. weiblich, noch unterschiedlicher. Die Sprache fasst die Absicht schlecht ein, Perfektion ist tatsächlich unmöglich, also ist die Suche ein Spiel der Wahrscheinlichkeit.

Was ist der Prozess für die Integration von Search.io in eine Website?

Es variiert je nach Komplexität. Für Shopify-Store und Content-Websites können Sie in Minuten starten, während fortgeschrittene E-Commerce-Store mit komplexen Katalogen und hochpersonalisierten Ergebnissen Wochen oder sogar Monate dauern können.

Gibt es noch etwas, das Sie über Search.io teilen möchten?

Wenn Sie eine datenintensive Organisation sind, die versucht, Online-Transaktionen zu steigern, zögern Sie nicht, uns zu kontaktieren. Wir haben kontinuierlich die Online-Leistung unserer Kunden durch verbesserte Such- und Entdeckungserlebnisse massiv verbessert.

Vielen Dank für Ihre Teilnahme an diesem Interview, als jemand, der Suchmaschinen über zwei Jahrzehnte hinweg studiert hat, war dies ziemlich faszinierend. Leser, die mehr erfahren möchten, sollten Search.io besuchen.