Az utóbbi időszakban a Google keresőoptimalizálási stratégiáit érintően számos izgalmas fejlesztés történt, amelyek közül az egyik legérdekesebb a MUVERA nevű keresési módszer. Gary Illyes, a Google szakértője a közelmúltban tartott Search Central Live Deep Dive eseményen beszélt erről, és megerősítette, hogy a Google egy a MUVERA-hoz hasonló megoldást alkalmaz. Ezen kívül szóba került a Graph Foundation Model (GFM) is, amelyről azonban Illyes nem tudott egyértelmű információt adni. A MUVERA célja, hogy a bonyolult többutas keresést gyors és hatékony egyvektoros kereséssé alakítsa.
Milyen előnyökkel jár a MUVERA alkalmazása?
A MUVERA lényege, hogy a tokenek halmazait rögzített dimenziós vektorokká alakítja, amelyek szoros összhangban állnak az eredeti hasonlóságokkal. Ez lehetővé teszi, hogy a Google a hagyományos keresési módszerekhez képest gyorsabban találjon releváns dokumentumokat, mivel a MUVERA optimalizált egyvektoros keresési módszereket alkalmaz. Az előnyök közé tartozik, hogy kevesebb jelöltet talál, ugyanakkor a visszakeresési arány is javul, így a nagy mennyiségű adat között hatékonyabban tud dolgozni.
A MUVERA kulcsfontosságú jellemzője, hogy a többutas vektorokat rögzített vektorokká alakítja, amelyeket Fixed Dimensional Encodings (FDEs) néven ismerünk. Ezek a FDE-k a többutas összehasonlításokkal szoros összhangban vannak, lehetővé téve a pontos keresést. Az MIPS (Maximum Inner Product Search) technika, amelyet a MUVERA használ, széles körben elterjedt a keresési módszerek között, így az alkalmazása skálázható és hatékony. Az újrarangsorolás során a MUVERA a Chamfer hasonlóságot alkalmazza, amely a részletes többutas összehasonlítási módszer, így a végső lépés során visszaállítja a többutas keresés teljes pontosságát, ami a sebesség és a precizitás kombinációját nyújtja.
A Graph Foundation Model és annak jelentősége
A Graph Foundation Model (GFM) szintén jelentős áttörést képvisel a Google keresési technológiájában. Ez a mesterséges intelligencia alapú modell a relációs adatbázisokat gráfokká alakítja, ahol a sorok csomópontokká, a táblák közötti kapcsolatok pedig élekké válnak. A GFM lehetővé teszi, hogy a Google új adatbázisokat kezeljen anélkül, hogy újra kellene tanítania a modellt, ami a hagyományos gépi tanulási modellekhez képest jelentős előnyöket kínál.
A GFM képes arra, hogy a különböző táblák közötti kapcsolatokat értelmezze, így olyan mintázatokat is észlel, amelyeket a korábbi modellek figyelmen kívül hagytak. Ezzel a megoldással a spam észlelés, valamint más klasszifikációs feladatok teljesítménye jelentősen javulhat. A GFM alkalmazásának előnyei nem csupán apró lépések, hanem akár 3-40-szeres teljesítménynövekedést is eredményezhetnek az átlagos pontosságban.
Mi a jövő a MUVERA és a GFM terén?
Gary Illyes az esemény során kifejtette, hogy a MUVERA egy formája már a Google keresési folyamataiban is megjelenik. Ugyanakkor a GFM használatával kapcsolatban egy kicsit bizonytalanabb volt, mivel úgy tűnt, hogy nem biztos abban, hogy ez a modell már a gyakorlatban is bevezetésre került. A GFM kapcsán említette, hogy a Google saját kutatási blogján nem találhatóak olyan publikációk, amelyek megerősítenék ennek a modellnek a használatát a keresési rendszerekben.
Az eddigi információk alapján tehát a MUVERA egyértelműen a Google fejlődő keresési technológiájának része, míg a GFM esetében még várni kell a további megerősítésekre és konkrét alkalmazásokra. A digitális marketing szakemberek számára ez azt jelenti, hogy érdemes nyomon követni a Google új fejlesztéseit, mivel azok jelentősen befolyásolhatják a keresőoptimalizálási stratégiákat és a digitális hirdetéseket.
