Entrevistas
Hamish Ogilvy, CEO e Co-fundador da Search.io – Série de Entrevistas

Pontos-chaveO Search.io utiliza índices neurais que são ativados por contexto e significado, em vez…
Ver mais
- O Search.io utiliza índices neurais que são ativados por contexto e significado, em vez de palavras-chave.
- O aprendizado por reforço reorganiza os resultados da pesquisa para maximizar objetivos específicos, como cliques ou compras.
- As empresas podem acelerar o autoaprendizado ensinando manualmente à plataforma quais resultados são excelentes.
Hamish Ogilvy é o CEO e co-fundador da Search.io, uma plataforma de busca e descoberta de produtos impulsionada por IA que processa bilhões de buscas para algumas das maiores organizações do mundo. Eles se concentram em aumentar a conversão e a receita da busca no site usando aprendizado de máquina. Isso é alcançado usando tecnologia de busca proprietária.
O que inicialmente o atraiu para o campo do aprendizado de máquina?
Eu comecei em física, projetando lasers, mas também era muito bom em ver padrões nos dados. Isso me levou à análise e previsão de várias coisas, onde passei vários anos. O aprendizado de máquina foi uma extensão óbvia para facilitar a extração de valor dos dados. Isso parece bastante normal agora, mas na época as pessoas realmente riam de mim por ter o título de “chefe de dados”, então o mundo mudou um pouco!
Pode compartilhar a história de criação da Search.io?
A busca sempre me irritou; ela melhorou muito, mas ainda é bastante ruim na maioria das vezes. Eu sempre pensei que deveria entender melhor o contexto e a intenção pessoal. Então, começou com esse pensamento e, anos depois, estamos muito mais perto. Larry Page disse famosamente que a busca não é um problema que será resolvido em nossa vida, e agora entendo completamente por quê. Mas mudamos drasticamente o jogo e já percorremos uma boa parte do caminho em direção ao que imaginamos.
A Search.io usa tecnologia de busca de autoaprendizado baseada em “índices neurais”, o que são exatamente índices neurais?
A tecnologia de busca antiga cria índices em palavras-chave específicas, muito como o índice no final de um livro que aponta para as páginas onde a palavra-chave aparece. Os índices neurais, por outro lado, criam índices a partir de neurônios específicos em redes neurais especialmente projetadas. Esses neurônios são projetados para ativar relacionados ao contexto e significado, e não às palavras-chave, então é possível identificar rapidamente itens relacionados, mesmo em diferentes idiomas. O autoaprendizado permite que esses índices se adaptem e melhorem à medida que as pessoas compram itens ou outros eventos de feedback positivo.
Pode discutir de que maneira o aprendizado por reforço é usado para otimizar os resultados da busca?
Principalmente, isso é usado para reorganizar os resultados da busca para maximizar um objetivo específico, como cliques ou compras. Isso é um problema clássico de explorar novas opções versus aproveitar as opções já conhecidas, onde a melhor ordem é inicialmente desconhecida. Havia um ditado famoso de que o melhor lugar para esconder um corpo morto era na página 2 dos resultados do Google ! Isso porque virtualmente ninguém chega ao final da página 1. Então, se você tiver, digamos, 10.000 resultados relevantes para uma consulta e mostrar apenas 10 por página, um pouco de randomização probabilística ajuda a girar diferentes resultados e elevar aqueles que estão ressoando com o objetivo do negócio.
O aprendizado profundo é usado, se sim, de que maneira?
Sim, de muitas maneiras. Usamos aprendizado profundo para transformar linguagem em vetores e, em seguida, também vetores em hashes neurais.
A plataforma permite que os negócios controlem o aprendizado incorporado, permitindo ajustes, pode discutir como funciona esse processo?
O autoaprendizado normalmente usa eventos para “empurrar” os hashes neurais em direção a coisas que anteriormente ressoaram, como itens comprados versus não comprados. Em alguns casos, isso pode levar muito tempo, e o negócio sabe o que deve ser um ótimo resultado. Então, permitimos que eles nos digam, e isso ensina a relevância a entender melhor a intenção. Isso basicamente acelera o aprendizado.
Quais são alguns dos desafios por trás da decifração da intenção do usuário quando uma busca é feita?
A linguagem é altamente ambígua. A palavra inglesa «bank» pode se referir a uma instituição financeira, à margem de um rio, à inclinação de um avião ao fazer uma curva ou a um arremesso de basquete que usa a tabela, etc. Para piorar, para alguém de Los Angeles procurando por um “casaco”, também seria uma intenção muito diferente para alguém procurando em Boston. Masculino versus feminino, ainda mais diferente. A linguagem encapsula mal a intenção, a perfeição é na verdade impossível, então a busca é um jogo de probabilidade.
Qual é o processo para integrar a Search.io em um site?
Isso varia dependendo da complexidade. Para lojas do Shopify e sites baseados em conteúdo, você pode estar funcionando em minutos, enquanto lojas de comércio eletrônico avançadas com catálogos complexos e resultados altamente personalizados podem levar semanas a vários meses.
Há algo mais que você gostaria de compartilhar sobre a Search.io?
Se você é uma organização cheia de dados tentando aumentar transações online, nos envie uma mensagem. Melhoramos de forma consistente e expressiva o desempenho online de nossos clientes por meio de experiências de busca e descoberta aprimoradas.
Obrigado por participar desta entrevista, como alguém que estudou motores de busca por mais de duas décadas, isso foi bastante fascinante. Os leitores que desejam aprender mais devem visitar Search.io.












