Hamish Ogilvy, PDG et co-fondateur de Search.io – Série d’entretiens

Hamish Ogilvy est le PDG et co-fondateur de Search.io, une plateforme de recherche et de découverte de produits alimentée par l’IA qui traite des milliards de recherches pour certaines des plus grandes organisations du monde. Ils se concentrent sur l’augmentation de la conversion et des revenus de la recherche sur site à l’aide de l’apprentissage automatique. Cela est réalisé à l’aide d’une technologie de recherche propriétaire.

Qu’est-ce qui vous a initialement attiré dans le domaine de l’apprentissage automatique ?

J’ai commencé en physique en concevant des lasers, mais j’étais également très doué pour voir des modèles dans les données. Cela m’a conduit dans l’analyse et la prédiction de diverses choses où j’ai passé plusieurs années. L’apprentissage automatique était une extension évidente pour mieux faciliter l’extraction de valeur à partir des données. Cela semble assez normal maintenant, mais à l’époque, les gens se moquaient de moi pour avoir le titre de poste « responsable des données », donc le monde a changé un peu !

Pouvez-vous partager l’histoire de la création de Search.io ?

La recherche m’a toujours frustré ; elle s’est améliorée beaucoup, mais elle est encore assez mauvaise pour la plupart. J’ai toujours pensé qu’elle devrait mieux comprendre le contexte et l’intention personnelle. Alors, cela a commencé avec cette idée, et des années plus tard, nous sommes beaucoup plus proches. Larry Page a dit célèbrement que la recherche n’est pas un problème qui sera résolu de notre vivant, et je comprends maintenant pourquoi. Mais nous avons drastiquement changé le jeu et sommes loin de ce que nous avions imaginé.

Search.io utilise une technologie de recherche autonome basée sur des « indexes neuronaux », qu’est-ce que sont exactement les indexes neuronaux ?

La technologie de recherche traditionnelle crée des indexes sur des mots-clés spécifiques, comme l’index à la fin d’un livre qui pointe vers les pages où le mot-clé apparaît. Les indexes neuronaux créent des indexes à partir de neurones spécifiques dans des réseaux de neurones conçus spécialement. Ces neurones sont conçus pour s’activer pour des contextes et des significations liés, et non pour des mots-clés, il est donc possible d’identifier très rapidement des éléments liés, même dans différentes langues. L’apprentissage autonome permet à ces indexes de s’adapter et de s’améliorer à mesure que les gens achètent des articles ou d’autres événements de rétroaction positive.

Pouvez-vous discuter des façons dont l’apprentissage par renforcement est utilisé pour optimiser les résultats de recherche ?

Principalement, cela est utilisé pour réorganiser les résultats de recherche pour maximiser un objectif spécifique, comme les clics ou les achats. Il s’agit d’un problème classique d’exploration contre d’exploitation où le meilleur ordre est initialement inconnu. Il y avait un dicton célèbre qui disait que le meilleur endroit pour cacher un cadavre était à la page 2 des résultats de Google ! C’est parce que pratiquement personne n’arrive même au bas de la page 1. Donc, si vous avez disons 10 000 résultats pertinents pour une requête et que vous n’affichez que 10 par page, une certaine randomisation probabiliste aide à faire tourner différents résultats et à élever ceux qui résonnent avec l’objectif commercial.

Est-ce que l’apprentissage profond est utilisé, et si oui, de quelle façon ?

Oui, de nombreuses façons. Nous utilisons l’apprentissage profond pour convertir le langage en vecteurs et également les vecteurs en hachages neuronaux.

La plateforme permet aux entreprises de contrôler l’apprentissage intégré en permettant des ajustements, pouvez-vous discuter de la façon dont ce processus fonctionne ?

L’apprentissage autonome utilise généralement des événements pour « pousser » les hachages neuronaux vers les choses qui ont précédemment résonné, comme des articles achetés par opposition à des articles non achetés. Dans certains cas, cela peut prendre trop de temps et l’entreprise sait ce qui devrait être un excellent résultat. Nous leur permettons donc de nous le dire et cela enseigne la pertinence pour mieux comprendre l’intention. Cela accélère essentiellement l’apprentissage.

Quels sont certains des défis derrière la découverte de l’intention de l’utilisateur lorsqu’une recherche est effectuée ?

Le langage est très ambigu. Une « banque » peut être une institution financière, une rive, un virage d’avion, un tir au basket, etc. Pour aggraver les choses, pour quelqu’un de Los Angeles qui recherche un « blouson », cela serait une intention très différente de celle de quelqu’un de Boston. Homme contre femme, encore plus différent. Le langage encapsule mal l’intention, la perfection est en fait impossible, donc la recherche est un jeu de probabilités.

Quel est le processus pour intégrer Search.io dans un site Web ?

Cela varie en fonction de la complexité. Pour les magasins Shopify et les sites Web basés sur le contenu, vous pouvez être opérationnel en quelques minutes, tandis que les magasins de commerce électronique avancés avec des catalogues complexes et des résultats hautement personnalisés peuvent prendre des semaines à plusieurs mois.

Y a-t-il autre chose que vous aimeriez partager à propos de Search.io ?

Si vous êtes une organisation gourmande en données qui tente d’augmenter les transactions en ligne, contactez-nous. Nous avons consistamment amélioré de manière massive les performances en ligne de nos clients via des expériences de recherche et de découverte améliorées.

Je vous remercie de participer à cette interview, en tant que personne qui a étudié les moteurs de recherche pendant plus de deux décennies, c’était assez fascinant. Les lecteurs qui souhaitent en savoir plus peuvent visiter Search.io.