Sean Mullaney, Chief Technology Officer bei Algolia – Interview-Serie

Sean Mullaney ist der Chief Technology Officer bei Algolia, einer End-to-End-, künstlicher Intelligenz-basierten Such- und Entdeckungsplattform.

Sean ist ein ehemaliger Stripe- und Google (GOOGL ) -Manager mit Erfahrung in der Skalierung von Ingenieur-Organisationen, der Entwicklung von künstlicher Intelligenz-basierten Such- und Entdeckungstools sowie der globalen Skalierung von API-ersten Lösungen. Bei Algolia überwacht er die Technologie hinter der zweitgrößten Suchmaschine nach Google, die für über 1,5 Billionen Suchanfragen pro Jahr verwendet wird. Vor kurzem leitete er den Start von AlgoliaNeuralSearch – der weltweit schnellsten, hyper-skalierten und kosteneffizienten Vektor- und Schlüsselwort-Such-API.

Was hat Sie ursprünglich zur Informatik hingezogen?

Als ich 10 Jahre alt war, kauften meine Eltern unseren ersten Computer für zu Hause. Das Erste, was ich tun wollte, war, herauszufinden, wie man ein Text-Abenteuer-Spiel schreibt, das ich aus einem Buch kopierte. Ein paar Jahre später begann ich, C++ zu lernen, aber das Entwerfen und Bauen von Computerspielen blieb eine große Leidenschaft von mir als Teenager, der gerade erst die Informatik erkundete.

Sie haben über 7 Jahre bei Google gearbeitet, wo Sie halfen, Teams aufzubauen und zu leiten, die an Strategie, Betrieb, Big Data und maschinellem Lernen arbeiteten. Was war Ihr Lieblingsprojekt und was haben Sie aus dieser Erfahrung gelernt?

Wir haben herausgefunden, wie wir alle großen Daten, die wir über die Nutzung unserer Produkte durch Werbetreibende hatten, nutzen konnten, um den Vertriebsteams zu helfen. Wir entwickelten benutzerdefinierte Regeln (später komplexere neuronale Netze), um vorherzusagen, welche Kunden wir mit welchen Produkten zu welchen Zeiten ansprechen sollten, um die Wahrscheinlichkeit zu maximieren, dass die Zeit eines Vertriebsmitarbeiters zu einer Umsatzsteigerung führt. Mit über 1 Million Werbetreibenden bei Google half dieses Tool den Vertriebsteams erheblich, die Nadeln im Heuhaufen zu finden.

In einer kürzlichen DevBit-Zusammenfassung haben Sie den Zweck von Algolia als Möglichkeit für Benutzer beschrieben, die Welt zu indizieren und Inhalte in Bewegung zu setzen. Können Sie diese Aussage erläutern?

Letztendlich möchten wir unseren Kunden helfen, Wert aus ihren Daten zu ziehen. Das Internet hat eine so massive Explosion von Inhalten und E-Commerce-Produkten hervorgerufen, und obwohl diese Entwicklung sicherlich ein wichtiger Meilenstein ist, bedeutet die enorme Menge an Informationen, die jetzt verfügbar ist, dass es auch schwieriger ist, das zu finden, wonach man als Benutzer tatsächlich sucht. Wenn jedoch die Suche und Entdeckung durch künstliche Intelligenz angetrieben wird, kann die wachsende Liste von Inhalten intelligent abgerufen und in Bewegung gesetzt werden, um Benutzern wirklich zu helfen, anstatt sie zu überwältigen.

Im September 2022 erwarb Algolia Search.io und dessen eigenes Flaggschiff-Produkt NeuralSearch, können Sie diese Suchtechnologie speziell besprechen?

In einem Wort: Algolia NeuralSearch integriert Schlüsselwort-Abgleich mit vektor-basiertem natürlichen Sprachverständnis, das durch LLMs angetrieben wird, in einer einzigen API – ein Branchen-First. Die Lösung umfasst unsere eigene und bahnbrechende Neural-Hashing-Technik, die den Einsatz von Vektoren skalierbar und 90 % kosteneffizienter macht – ein Problem, mit dem andere KI-Unternehmen, einschließlich ChatGPT, konfrontiert sind. Was wirklich aufregend an diesem Durchbruch-Produkt ist, ist, dass es wahre KI-Suche für unternehmensgroße Organisationen skalierbar macht.

Die neue Technologie ermöglicht es Kunden, wie Einzelhändlern, Inhalte zu verstehen und zu liefern, die Anfragen entsprechen, die normalerweise zu konversationell sind, um genaue oder überhaupt Ergebnisse zu liefern (sogenannte Long-Tail-Anfragen). Diese machen 55 % der aktuellen Seiten-Suchen aus. Als einzige End-to-End-KI-Suchlösung, die KI auf Abfrage-Verständnis, Abruf und Rangliste anwendet, versteht NeuralSearch diese Anfragen wirklich und wandelt verpasste Chancen in Umsatz um.

Außerhalb von NeuralSearch, welche anderen maschinellen Lernmethoden werden verwendet?

Wir haben KI über drei primäre Funktionen integriert – Abfrage-Verständnis, Abfrage-Abfrage und Rangliste der Ergebnisse. Wir nennen dies bei Algolia das KI-Such-Sandwich:

• Abfrage-Verständnis: Algolias fortschrittliches natürliches Sprachverständnis (NLU) und KI-getriebene Vektor-Suche bieten freie, natürliche Sprachausdrucks-Verständnis und KI-getriebene Abfrage-Kategorisierung, die eine Abfrage für die Analyse vorbereitet und strukturiert. Darüber hinaus feinjustiert das adaptive Lernen auf der Grundlage von Benutzer-Feedback das Verständnis von Absichten.
• Abfrage-Abfrage: Die relevantesten Ergebnisse werden dann abgerufen und von den relevantesten zu den weniger relevanten Ergebnissen gerankt. Der Abruf-Prozess kombiniert die Ergebnisse von Neural Hashing parallel mit Schlüsselwörtern unter Verwendung desselben Index für einfache Abrufung und Rangliste. Dieser Ansatz löst das Problem der “leeren Ergebnisse” und verbessert erheblich die Klickpositionen und Klick-Through-Raten. Keine andere Suchplattform im Such- und Entdeckungsbereich bietet diese leistungsstarke Fähigkeit.
• Rangliste: Schließlich werden die besten Ergebnisse durch Algolias KI-getriebene Re-Rangliste an die Spitze gesetzt, die viele Signale berücksichtigt, die an die Suchabfrage angehängt sind (einschließlich des genauen Schlüsselwort-Abgleich-Scores, des kontextuellen Personalisierungsprofils, der beobachteten Beliebtheit von Artikeln, des semantischen Abgleich-Scores usw.) und lernt, die maximale Relevanz zu erreichen.

Darüber hinaus wird das KI-getriebene Algolia-NeuralSearch-Produkt lernen und sich automatisch anpassen, wenn der Index geändert wird, neue Produkte hinzugefügt werden, neue Inhalte hochgeladen werden oder wenn Begriffe eine neue Bedeutung erhalten. Es erfordert keine zusätzlichen Mitarbeiter oder manuelle Operationen. Es wird automatisch Schlüsselwörter oder Konzepte abgleichen – möglicherweise eine Mischung aus beidem – je nach Abfrage oder Suchbegriff. Dies setzt die Suche wirklich auf Autopilot.

Algolia hat kürzlich seinen kostenlosen Tarif von 10.000 auf 1 Million Datensätzen erhöht, was war die Denkweise hinter dieser Entscheidung und wie hat der Markt reagiert?

Wir haben uns entschieden, Algolias Preise und Pakete zu ändern, um noch benutzerfreundlicher zu sein, indem wir zwei neue Entwickler-orientierte Pläne eingeführt haben: einen “Build”-Plan, der kostenlos ist, und einen “Grow”-Plan, der eine einfache Skalierbarkeit zu erschwinglichen Preisen bietet. Der neue Build-Plan erhöht die Anzahl der kostenlosen Datensätze, die ein Entwickler in Algolia speichern kann, von 10.000 auf 1 Million Datensätze. Dies stellt eine 100-fache Erhöhung der Anzahl der kostenlosen Datensätze dar, die Entwickler jetzt in Algolia indizieren können. Darüber hinaus hat Algolia die Kosten für Suchanfragen im Grow-Plan um 50 % und die Kosten für Datensätze um 60 % gesenkt.

Die Idee hinter unserem aktualisierten “Build”-Preisplan ist es, Entwicklern kostenlosen Zugang zu dem gesamten Satz an Funktionen in seiner KI-getriebenen Such- und Entdeckungsplattform zu bieten. Der “Grow”-Plan ermöglicht es Entwicklern, ihre Anwendung zu skalieren, mit benutzerfreundlichen, nutzungsabhängigen Preisen für Live-Produktionsumgebungen.

Ein wichtiger Hinweis hier ist, dass jeder Designer, Ersteller oder Builder – ob nun als Gelegenheits- oder vollzeitiger Software-Ingenieur – schnell und einfach auf alle Tools, Dokumentationen, Beispielcode, Bildungsinhalte und Cross-Platform-Integrationen zugreifen kann, die benötigt werden, um mit der Verwaltung von Daten, dem Aufbau einer Such-Oberfläche, der Konfiguration von Analysen und mehr zu beginnen – alles kostenlos. Darüber hinaus haben sie sofortigen Zugang zu einer wachsenden Entwickler-Community von über 5 Millionen Buildern.

Können Sie die Such-Personalisierungstools besprechen, die angeboten werden?

Algolia bietet mehrere Such-Personalisierungstools für Unternehmen, um Daten zu nutzen, um Empfehlungen zu verbessern, einschließlich verschiedener Arten von Empfehlungen und einzigartiger Möglichkeiten, Daten zu nutzen, um diese Empfehlungen tatsächlich zu treiben.

Einige Beispiele sind:

• Trending: Andere Artikel vorschlagen, die in Popularität trenden und mit den Suchen des Kunden zusammenhängen.
• Ratings-basiert: Menschen wollen Produkte mit den besten Bewertungen kaufen.
• Personalisiert: Basiert auf dem, was Sie das letzte Mal gekauft haben, der Browser-Verlauf, dem Standort oder anderen Faktoren, empfehlen wir diese anderen Produkte.

Diese datengetriebenen Methoden können helfen, Ergebnisse schnell zu verbessern, basierend auf der Art und Weise, wie Kunden mit Produkten interagieren, sodass Sie eher Produkte empfehlen, die tatsächlich am besten umgesetzt werden.

Sie haben Algolia als die skalierbarste Hybrid-KI-Suchmaschine der Welt beschrieben. Wie wurde Algolia so effizient konzipiert?

Es kommt alles zurück auf Neural Hashing. Diese bahnbrechende Lösung komprimiert und beschleunigt jede Abfrage dramatisch. Es ist viel schneller, die gehashte Ähnlichkeit zu berechnen als Standard-Vektor-Ähnlichkeiten und liefert Ergebnisse in Millisekunden.

Neural Hashing stellt einen Durchbruch für die Einbindung von KI-Abfrage-Verarbeitung in die Produktion für eine Vielzahl von Anwendungsfällen dar. Kombiniert mit KI-getriebener Abfrage-Verarbeitung und Re-Rangliste verspricht es, die volle Kraft von KI auf der Website-Suche freizusetzen. Vor Algolias bahnbrechendem Durchbruch war vektor-basierte Suche zu rechenintensiv, um in der Produktion zu laufen.

Der Teil des Sandwichs, auf den ich mich am meisten konzentrieren möchte, ist das Fleisch: Abruf. Der Grund, warum wir sagen, dass wir die einzige wahre End-to-End-KI-Suchmaschine sind, ist, dass es einen ständigen Kampf im Hintergrund der Suchindustrie gab, um KI in den Abruf zu integrieren. Informationsabruf ist ein unglaublich komplexer Prozess, und es ist noch komplexer, hohe Leistung und kosteneffiziente KI-Abfrage zu meistern. Wir haben es mit unserer bahnbrechenden Neural-Hashing-Technik gemeistert. Indem wir dies taten, haben wir im Grunde den Heiligen Gral der KI-Suche gewonnen.

Gibt es noch etwas, das Sie über Algolia teilen möchten?

Es ist eine aufregende Zeit, um bei Algolia zu arbeiten, und wir suchen immer nach Gesprächen mit talentierten, leidenschaftlichen Menschen, die uns auf unserer Reise begleiten möchten, um die beste Suchtechnologie der Welt zu bauen. Wenn das nach Ihnen klingt, lade ich Sie ein, unsere aktuellen Stellenangebote unter https://www.algolia.com/careers/ zu besuchen.