Intervjuer

Hamish Ogilvy, VD och medgrundare av Search.io – Intervjuer

Antoine Tardif
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterSearch.io använder neurala index som aktiveras för sammanhang och innebörd snarare än…
Visa mer
  • Search.io använder neurala index som aktiveras för sammanhang och innebörd snarare än nyckelord.
  • Förstärkningsinlärning omordnar sökresultat för att maximera specifika mål som klick eller köp.
  • Företag kan snabbspåra självinlärning genom att manuellt lära plattformen vilka resultat som är utmärkta.

Hamish Ogilvy är VD och medgrundare av Search.io, en AI-driven sök- och produktupptäcktsplattform som bearbetar miljarder sökningar för några av världens största organisationer. De fokuserar på att öka konvertering och intäkter från sökningar på webbplatsen med hjälp av maskinlärning. Detta uppnås med hjälp av proprietär sökteknologi.

Vad var det som initialt drog dig till området maskinlärning?

Jag började med fysik och designade laser, men jag var också ganska bra på att se mönster i data. Det drog mig in i analytik och förutsägelse, där jag tillbringade flera år. Maskinlärning var ett naturligt steg för att bättre kunna utvinna värde från data. Det verkar ganska vanligt nu, men på den tiden skrattade människor åt mig för att jag hade jobbtiteln “chef för data”, så världen har förändrats en del!

Kan du berätta om bakgrunden till Search.io?

Sökning har alltid irriterat mig; det har förbättrats en del, men det är fortfarande ganska dåligt i största allmänhet. Jag tänkte alltid att det borde förstå sammanhang och personligt syfte bättre. Så det började med den tanken, och år senare är vi mycket närmare. Larry Page sa en gång att sökning är inte ett problem som kommer att lösas under vår livstid, och jag förstår nu varför. Men vi har förändrat spelet och har kommit en bra bit på väg mot det vi hade föreställt oss.

Search.io använder självinlärningssökteknik baserad på “neuronnätverksindex”, vad är neuronnätverksindex specifikt?

Traditionell sökteknik skapar index på specifika nyckelord, liknande indexet i boken som pekar på sidorna där nyckelordet förekommer. Neuronnätverksindex skapar istället index från specifika neuroner i särskilt utformade neuronnätverk. Dessa neuroner är utformade för att aktiveras för relaterat sammanhang och mening, snarare än nyckelord, så det är möjligt att mycket snabbt identifiera relaterade objekt, även på olika språk. Självinlärning tillåter dessa index att anpassa sig och förbättras när människor köper objekt eller andra positiva återkopplingshändelser.

Kan du diskutera hur förstärkt inlärning används för att optimera sökresultat?

Huvudsakligen används detta för att omordna sökresultaten för att maximera ett specifikt mål, som klick eller köp. Detta är ett klassiskt utforska-vs-utnyttja-problem där den bästa ordningen initialt är okänd. Det fanns ett berömt uttalande att den bästa platsen att gömma en död kropp var på sidan 2 av Google-sökresultat! Det beror på att nästan ingen ens når slutet av sidan 1. Så om du har säg 10 000 relevanta resultat för en fråga och bara visar 10 per sida, hjälper en viss probabilistisk slumpmässighet att rotera olika objekt och höja de som resoneras med affärsmålet.

Används djupinlärning, och i så fall på vilket sätt?

Ja, på många sätt. Vi använder djupinlärning för att omvandla språk till vektorer och sedan vektorer till neuronnätverks-hasher.

Plattformen möjliggör för företag att kontrollera den inbyggda inlärningen genom att tillåta justeringar, kan du diskutera hur denna process fungerar?

Självinlärning använder vanligtvis händelser för att “knuffa” neuronnätverks-hasher mot saker som tidigare har resonerat, som köpta objekt vs icke-köpta. I vissa fall kan det ta för lång tid och företaget vet vad som borde vara ett bra resultat. Så vi tillåter dem att berätta för oss och detta lär relevansen att bättre förstå syfte. Detta förkortar i princip inlärningen.

Vilka är några av utmaningarna bakom att tolka användaravsikt när en sökning görs?

Språk är mycket tvetydigt. Det engelska ordet ”bank” kan syfta på en finansiell institution, en flodstrand, ett flygplans lutning i en sväng eller ett basketskott via plankan, etc. För att göra det värre, för någon från Los Angeles som söker efter en “jacka”, skulle det också vara en mycket annorlunda avsikt än för någon som söker från Boston. Manlig vs kvinnlig, ännu mer olika. Språk fångar dåligt avsikt, perfektion är faktiskt omöjlig, så sökning är ett spel om sannolikhet.

Vad är processen för att integrera Search.io i en webbplats?

Det varierar beroende på komplexitet. För Shopify-butiker och innehållsbaserade webbplatser kan du vara igång på några minuter, medan avancerade e-handelsbutiker med komplexa kataloger och högt personliga resultat kan ta veckor till flera månader.

Finns det något annat du vill dela om Search.io?

Om du är ett dataintensivt företag som försöker öka online-transaktioner, kontakta oss. Vi har konsekvent och kraftigt förbättrat online-resultaten för våra kunder genom förbättrade sök- och upptäcktsupplevelser.

Tack för att du deltog i den här intervjun, som någon som har studerat sökmotorer i över två decennier var det ganska fascinerande. Läsare som vill lära sig mer kan besöka Search.io.

Antoine är en visionär ledare och medgrundare av Unite.AI, driven av en orubblig passion för att forma och främja framtiden för AI och robotik. Som serieentreprenör tror han att AI kommer att förändra samhället lika genomgripande som elektriciteten, och han talar ofta entusiastiskt om potentialen i banbrytande teknik och artificiell generell intelligens (AGI).

Som futurist ägnar han sig åt att utforska hur dessa innovationer kommer att forma vår värld. Han är även grundare av Securities.io, en plattform med fokus på investeringar i spetsteknik som omdefinierar framtiden och omformar hela branscher.