Πώς χρησιμοποιούν οι μηχανές αναζήτησης τη μηχανική μάθηση: 9 πράγματα που γνωρίζουμε σίγουρα

Γνωρίζουμε ότι οι μηχανές αναζήτησης χρησιμοποιούν τη μηχανική μάθηση με αυτούς τους 9 τρόπους που θα αναπτύξουμε παρακάτω. Δείτε τι σημαίνει αυτό για το SEO και το ψηφιακό μάρκετινγκ.

Οι κολοσσοί της τεχνολογίας επενδύουν σημαντικά στη μηχανική μάθηση.

Το 2019, η Microsoft επένδυσε σε 11 νεοσύστατες επιχειρήσεις τεχνητής νοημοσύνης (AI), 1 δισεκατομμύριο δολάρια μόνο για την OpenAI. Και δεν είναι καν η μεγαλύτερη πηγή εταιρικών επιχειρηματικών κεφαλαίων που κατακλύζουν τις νεοφυείς επιχειρήσεις AI.

Την ίδια χρονιά, η Intel Capital πραγματοποίησε 19 επενδύσεις και η Google Ventures 16.

Αυτή η τεράστια εισροή κεφαλαίων σημαίνει ότι η υπολογιστική ισχύς της ΤΝ (τεχνητής νοημοσύνης) πραγματοποιεί ραγδαίες προόδους σε διάφορους τομείς, από την υγειονομική περίθαλψη έως την βιομηχανία οικοδομικών κατασκευών, το μάρκετινγκ και τη βελτιστοποίηση μηχανών αναζήτησης (SEO).

Ωστόσο, πριν αναφερθούμε στις επιπτώσεις της μηχανικής μάθησης για τους επαγγελματίες του SEO, ας ορίσουμε τι εννοούμε με τον όρο AI.

Υπάρχουν 3 τύποι τεχνητής νοημοσύνης:

  • Περιορισμένη ή αδύναμη ΤΝ: Αυτός ο τύπος ΤΝ έχει σχεδιαστεί για να εκτελεί εξειδικευμένες εργασίες που πρέπει να “διδαχθούν” στον αλγόριθμο (σκεφτείτε τους αλγόριθμους αναζήτησης της Google). Αν και εξαιρετικά εξειδικευμένο σε πεδίο εφαρμογής, η περιορισμένη ΤΝ (ANI) είναι σε θέση να αναγνωρίζει γρήγορα μοτίβα και να εκτελεί εργασίες με τρόπο που ξεπερνά την ανθρώπινη ικανότητα.
  • Γενική ή ισχυρή ΤΝ: Η γενική τεχνητή νοημοσύνη (AGI), ικανή να μαθαίνει και να επιλύει προβλήματα αυτόνομα, οδηγεί τη μηχανική μάθηση στο επόμενο επίπεδο. Αυτή η ΤΝ τροφοδοτείται από διαδικασίες βαθιάς μάθησης που έχουν σχεδιαστεί για να αντικατοπτρίζουν τα νευρωνικά δίκτυα του ανθρώπινου εγκεφάλου, επιτρέποντας στον αλγόριθμο να λαμβάνει αποφάσεις χωρίς οδηγίες.
  • Τεχνητή υπερ-νοημοσύνη: Προς το παρόν, η τεχνητή υπερ-νοημοσύνη (ASI) εξακολουθεί να ανήκει πλήρως στην κατηγορία της επιστημονικής φαντασίας. Αυτός ο τύπος τεχνητής νοημοσύνης θα ήταν, θεωρητικά, ικανός να ξεπεράσει τις ανθρώπινες ικανότητες για την επίλυση των “άλυτων” προβλημάτων της εποχής μας.

Ενώ εταιρείες όπως η OpenAI και η Conversion.ai κινούνται προς την κατεύθυνση της ανάπτυξης γενικής τεχνητής νοημοσύνης για την επεξεργασία της φυσικής γλώσσας, δεν υπάρχουν επί του παρόντος σαφή παραδείγματα AGI.

Για να προχωρήσουμε από την ANI στην AGI, η βαθιά μάθηση θα είναι το κλειδί για τη δημιουργία ισχυρότερης ΤΝ, ικανής να χρησιμοποιεί επαγωγικό συλλογισμό για να αναλύει σύνθετα, αδόμητα δεδομένα και να λαμβάνει ανεξάρτητες αποφάσεις.

Πίσω στο 2016, η Google δήλωσε την πρόθεσή της να γίνει μια εταιρεία “machine learning first”. Έκτοτε, έχει κάνει σταθερά βήματα προς την κατεύθυνση αυτού του στόχου, λανσάροντας το Google AI το 2017 και λανσάροντας το BERT το 2019.

Ποιος είναι ο στόχος τους με το να ασχοληθούν αποκλειστικά με τη μηχανική μάθηση;

Σύμφωνα με την Google, θέλουν όχι μόνο να κάνουν τη ζωή μας ευκολότερη, αλλά και να χρησιμοποιήσουν την ΤΝ για να βρουν “νέους τρόπους αντιμετώπισης υφιστάμενων προβλημάτων, από την επανεξέταση της υγειονομικής περίθαλψης έως την προώθηση της επιστημονικής ανακάλυψης”.

Εκτός από αυτούς τους υψηλούς στόχους για το μέλλον, η ανθρωπότητα βλέπει ήδη αυτές τις εξελίξεις της μηχανικής μάθησης σε μικρότερη κλίμακα σε κάτι με το οποίο αλληλεπιδρούμε καθημερινά: τους αλγόριθμους των μηχανών αναζήτησης.

Η Google σημειώνει σταθερή πρόοδο στον τρόπο με τον οποίο συνδέει τους χρήστες με το περιεχόμενο που αναζητούν, συμπεριλαμβανομένων αυτών των εννέα τρόπων με τους οποίους γνωρίζουμε ότι οι μηχανές αναζήτησης χρησιμοποιούν τη μηχανική μάθηση αυτή τη στιγμή.

1. Εντοπισμός μοτίβων 

Οι μηχανές αναζήτησης χρησιμοποιούν τη μηχανική μάθηση για την ανίχνευση προτύπων που βοηθούν στον εντοπισμό ανεπιθύμητου ή διπλού περιεχομένου.

Το περιεχόμενο χαμηλής ποιότητας έχει συνήθως διακριτές ομοιότητες, όπως:

  • Η παρουσία πολλών εξερχόμενων συνδέσμων προς άσχετες σελίδες.
  • Πολλές χρήσεις συνώνυμων.
  • Το ποσοστό εμφάνισης αναγνωρισμένων “spammy” λέξεων-κλειδιών.

Η μηχανική μάθηση αναγνωρίζει αυτά τα μοτίβα και τα επισημαίνει. Χρησιμοποιεί επίσης δεδομένα από τις αλληλεπιδράσεις των χρηστών για να εντοπίσει πότε χρησιμοποιούνται νέες δομές και τεχνικές spam, να αναγνωρίσει τα νέα μοτίβα και να επισημάνει επιτυχώς και αυτά.

Παρόλο που η Google εξακολουθεί να χρησιμοποιεί ανθρώπινους για την αξιολόγηση της ποιότητας, η χρήση της μηχανικής μάθησης για την ανίχνευση αυτών των μοτίβων μειώνει δραστικά το ανθρώπινο δυναμικό που απαιτείται για την εξέταση του περιεχομένου.

Με αυτόν τον τρόπο, η Google είναι σε θέση να “κοσκινίζει” αυτόματα τους ιστότοπους για να εξαλείψει το περιεχόμενο χαμηλής ποιότητας πριν χρειαστεί να εμπλακεί ένας πραγματικός άνθρωπος.

Η μηχανική μάθηση είναι μια τεχνολογία που εξελίσσεται συνεχώς, οπότε όσο περισσότεροι ιστότοποι αναλύονται, τόσο πιο ακριβής είναι (τουλάχιστον θεωρητικά).

2. Αναγνώριση νέων σημάτων

Το RankBrain είναι ο αλγόριθμος μηχανικής μάθησης που ανέπτυξε η Google και ο οποίος όχι μόνο βοηθά στον εντοπισμό μοτίβων στα ερωτήματα, αλλά και στον εντοπισμό πιθανών νέων σημάτων κατάταξης από τη μηχανή αναζήτησης.

Πριν από το RankBrain, ο αλγόριθμος της Google κωδικοποιούνταν εξ ολοκλήρου με το χέρι. Εξαρτιόταν από μια ομάδα μηχανικών για την ανάλυση των αποτελεσμάτων των ερωτημάτων αναζήτησης, την εκτέλεση δοκιμών για τη βελτίωση της ποιότητας αυτών των αποτελεσμάτων και την εφαρμογή των αλλαγών.

Τώρα, ενώ εξακολουθούν να υπάρχουν μηχανικοί που εργάζονται στον αλγόριθμο, το RankBrain εργάζεται αθόρυβα στο παρασκήνιο εκτελώντας δοκιμές και μετρώντας πώς οι αλλαγές επηρεάζουν τις αλληλεπιδράσεις των χρηστών.

Το RankBrain λύνει ορισμένα από τα δύσκολα προβλήματα που αντιμετώπιζε η Google με τους παραδοσιακούς αλγορίθμους – συμπεριλαμβανομένου του τρόπου χειρισμού όρων αναζήτησης που δεν έχουν εισαχθεί ποτέ στη Google.

Σύμφωνα με τον Gary Illyes της Google σε ένα Reddit AMA του 2019:

“Το RankBrain είναι ένα στοιχείο κατάταξης με μηχανική μάθηση PR που χρησιμοποιεί δεδομένα αναζήτησης ιστορικού για να προβλέψει σε τι θα έκανε πιθανότατα κλικ ένας χρήστης για ένα ερώτημα που δεν είχε εμφανιστεί προηγουμένως”.

Καθώς οι μηχανές αναζήτησης είναι σε θέση να διδάξουν στις τεχνολογίες αυτές πώς να εκτελούν προβλέψεις και δεδομένα από μόνες τους, μπορεί να υπάρξει μείωση στην χειρωνακτική εργασία, επομένως οι εργαζόμενοι θα ασχολούνται με άλλα πράγματα που δεν μπορούν να κάνουν οι μηχανές, όπως η καινοτομία ή τα ανθρωποκεντρικά έργα.

3. Δεν έχουν μεγάλο αντίκτυπο (προς το παρόν)

Ωστόσο, παρόλο που η μηχανική μάθηση μεταμορφώνει σιγά-σιγά τον τρόπο με τον οποίο οι μηχανές αναζήτησης βρίσκουν και κατατάσσουν τους ιστότοπους, αυτό δεν σημαίνει ότι έχει μεγάλο, σημαντικό αντίκτυπο (προς το παρόν) στις SERPs μας.

Σε μια συζήτηση στο Webmaster Central Office Hours του 2019, ο John Mueller της Google αναφέρεται στο πώς η μηχανική μάθηση βοηθά τους μηχανικούς της Google να κατανοήσουν καλύτερα διάφορα ζητήματα, σημειώνοντας ότι:

“…η μηχανική μάθηση δεν είναι απλώς ένα μαύρο κουτί που κάνει τα πάντα για εσάς, όπου από τη μία πλευρά τροφοδοτεί το διαδίκτυο και από την άλλη πλευρά βγαίνουν τα αποτελέσματα αναζήτησης”.

Πιο πρόσφατα, σε μια συζήτηση του Μαΐου 2021 στο πλαίσιο του Office Hours, εξήγησε ότι η μηχανική μάθηση μπορεί να προσαρμόσει τη βαρύτητα των διαφόρων σημάτων κατάταξης. Αλλά και πάλι, εξακολουθούν να υπάρχουν πραγματικοί άνθρωποι που ελέγχουν και ρυθμίζουν χειροκίνητα αυτές τις τιμές.

Ο τελικός στόχος της Google είναι να χρησιμοποιεί την τεχνολογία για να παρέχει στους χρήστες μια καλύτερη εμπειρία. Δεν θέλουν να αυτοματοποιήσουν ολόκληρη τη διαδικασία, αν αυτό σημαίνει ότι ο χρήστης δεν θα έχει την εμπειρία που αναζητά.

Επομένως, μην υποθέσετε ότι η μηχανική μάθηση θα αναλάβει σύντομα όλη την κατάταξη της αναζήτησης- είναι απλώς ένα μικρό κομμάτι του παζλ που έχουν εφαρμόσει οι μηχανές αναζήτησης για να κάνουν -ελπίζουμε- τη ζωή μας ευκολότερη.

4. Προσαρμοσμένα σήματα με βάση συγκεκριμένο ερώτημα

Οι τρέχουσες πολιτικές απορρήτου της Google αναλύουν πώς η μηχανή αναζήτησης δημιουργεί επί του παρόντος εξατομικευμένα αποτελέσματα αναζήτησης με βάση τη συμπεριφορά ενός χρήστη.

Η πατέντα εξατομικευμένης αναζήτησης της Google, US20050102282A1, αναφέρει ότι:

“…η εξατομικευμένη αναζήτηση δημιουργεί διαφορετικά αποτελέσματα αναζήτησης σε διαφορετικούς χρήστες της μηχανής αναζήτησης με βάση τα ενδιαφέροντα και την προηγούμενη συμπεριφορά τους”.

Μπορούμε να το δούμε αυτό ξεκάθαρα στην πράξη. Συχνά χρησιμοποιείται σε παρουσιάσεις σε συνέδρια, η απόδειξη αυτής της διαδικασίας είναι τόσο απλή όσο το να πληκτρολογήσετε μια σειρά από ερωτήματα στο Google και να δείτε πώς αλλάζουν τα αποτελέσματα ανάλογα με το τι αναζητήσατε τελευταία φορά.

Για παράδειγμα, αν πληκτρολογήσω στην αναζήτηση [γήπεδο ποδοσφαίρου της Νέας Υόρκης] σε ένα πρόγραμμα περιήγησης, θα λάβω την απάντηση π.χ. [MetLife Stadium].
Στη συνέχεια, αν κάνω αναζήτηση στο ίδιο πρόγραμμα περιήγησης μόνο για [jets], η Google υποθέτει ότι επειδή το τελευταίο μου ερώτημα αφορούσε ένα γήπεδο ποδοσφαίρου, τότε και αυτό το ερώτημα αφορά το ποδόσφαιρο. Καθώς συνεχίζω την αναζήτησή μου, η Google καταλαβαίνει πότε το ενδιαφέρον μου αρχίζει να αλλάζει. Η αναζήτηση για [Jaguars] στο ίδιο πρόγραμμα περιήγησης θα εμφανίσει πληροφορίες σχετικά με την ομάδα NFL Jacksonville Jaguars (η οποία σχετίζεται με τις δύο τελευταίες αναζητήσεις μου). Αλλά τη στιγμή που θα αναζητήσω π.χ.  [ζωολογικός κήπος κοντά στο Σαν Ντιέγκο] και πληκτρολογήσω τις λέξεις [ζωολογικός κήπος] στο πλαίσιο ερώτησης, η Google προτείνει [ζωολογικοί κήποι με τζάγκουαρ], παρόλο που δεν έχω αναζητήσει για δεύτερη φορά το jaguars.

Το ιστορικό αναζήτησης είναι μόνο ένα από τα στοιχεία που λαμβάνουν μέρος στην εμπειρίας αναζήτησης που χρησιμοποιεί η μηχανική μάθηση για να παρέχει καλύτερα αποτελέσματα.

5. Επεξεργασία φυσικής γλώσσας

Είναι σημαντικό για μια μηχανή αναζήτησης να μπορεί να αναγνωρίζει πόσο παρόμοιο είναι ένα κομμάτι κειμένου με ένα άλλο. Αυτό ισχύει όχι μόνο για τις λέξεις που χρησιμοποιούνται, αλλά και για το βαθύτερο νόημά τους.

Οι αμφίδρομες κωδικοποιημένες αναπαραστάσεις από μετασχηματιστές (Bidirectional Encoder Representations from Transformers- BERT, εν συντομία) είναι ένα πλαίσιο επεξεργασίας φυσικής μάθησης που χρησιμοποιεί η Google για να κατανοήσει καλύτερα το πλαίσιο του ερωτήματος αναζήτησης ενός χρήστη.

Οι άνθρωποι δεν μιλούν πάντα όπως θα περίμενε μια μηχανή. Παίζουμε με τη γλώσσα για να επινοήσουμε νέες εκφράσεις.

Χρησιμοποιούμε την ίδια λέξη για να περιγράψουμε διαφορετικά πράγματα. Μερικές φορές, είμαστε ακόμη και σκόπιμα διφορούμενοι.

Ωστόσο, καθώς όλο και περισσότεροι άνθρωποι χρησιμοποιούν και αναζητούν νέες φράσεις στο διαδίκτυο, η μηχανική μάθηση είναι σε θέση να εμφανίζει πιο ακριβείς πληροφορίες για αυτά τα ερωτήματα.

Οι τάσεις της Google αποτελούν ένα εξαιρετικό παράδειγμα αυτού του γεγονότος. Μια νέα φράση ή λέξη που κερδίζει έδαφος (π.χ., “κάνω flex” ή “μπόμπα”) μπορεί να έχει αρχικά ανούσια αποτελέσματα αναζήτησης.

Το BERT έχει σχεδιαστεί για να αναπαράγει όσο το δυνατόν πιο πιστά την αναγνώριση ανθρώπινων όρων, ώστε να αποκωδικοποιεί αυτές τις αποχρώσεις του πλαισίου, μαθαίνοντας πώς οι χρήστες αλληλεπιδρούν με το περιεχόμενο και αντιστοιχίζοντας τα ερωτήματα αναζήτησης με πιο συναφή αποτελέσματα.

Καθώς η γλώσσα εξελίσσεται και μετασχηματίζεται, οι μηχανές είναι σε θέση να προβλέπουν καλύτερα τα νοήματα που κρύβονται πίσω από τις λέξεις που λέμε και να μας παρέχουν καλύτερες πληροφορίες.

6. Αναζήτηση εικόνας για την κατανόηση των φωτογραφιών

Κάθε δευτερόλεπτο, περίπου 1087 φωτογραφίες ανεβαίνουν στο Instagram και 4000 στο Facebook. Αυτό σημαίνει εκατοντάδες εκατομμύρια φωτογραφίες που ανεβαίνουν μόνο σε αυτά τα δύο κοινωνικά δίκτυα κάθε μέρα.

Η ανάλυση και η καταγραφή τόσων πολλών υποβολών θα ήταν ένα δύσκολο (αν όχι αδύνατο) έργο για έναν άνθρωπο, αλλά είναι ιδανικό για τη μηχανική μάθηση.

Η μηχανική μάθηση αναλύει τα μοτίβα χρώματος και σχήματος και τα συνδυάζει με τυχόν υπάρχοντα δεδομένα ίδιων προδιαγραφών σχετικά με τη φωτογραφία για να βοηθήσει τη μηχανή αναζήτησης να καταλάβει τι είναι στην πραγματικότητα η εικόνα που αναζητάται.

Με αυτόν τον τρόπο η Google είναι σε θέση όχι μόνο να καταγράφει τις εικόνες για τα αποτελέσματα της αναζήτησης Google Images, αλλά και να τροφοδοτεί την αντίστροφη αναζήτηση εικόνας, η οποία επιτρέπει στους χρήστες να κάνουν αναζήτηση χρησιμοποιώντας μια εικόνα αντί για ένα λεκτικό ερώτημα.

Οι χρήστες μπορούν στη συνέχεια να βρουν παρόμοιες φωτογραφίες που έχουν τα ίδια θέματα ή την ίδια χρωματική παλέτα και πληροφορίες σχετικά με τα θέματα της φωτογραφίας.

Με τη σειρά του, ο τρόπος με τον οποίο ο χρήστης αλληλεπιδρά με αυτά τα αποτελέσματα μπορεί να διαμορφώσει τα SERPs στο μέλλον.

7. Βελτίωση ποιότητας και στόχευσης διαφημίσεων

Ακριβώς όπως και τα οργανικά αποτελέσματα αναζήτησης, η Google θέλει να παρέχει τις πιο σχετικές διαφημίσεις για τους μεμονωμένους χρήστες της. Σύμφωνα με τα διπλώματα ευρεσιτεχνίας της Google στις ΗΠΑ US20070156887 και US9773256 σχετικά με την ποιότητα των διαφημίσεων, η μηχανική μάθηση μπορεί να χρησιμοποιηθεί για τη βελτίωση ενός “κατά τα άλλα αδύναμου στατιστικού μοντέλου”.

Αυτό σημαίνει ότι το Ad Rank μπορεί να επηρεαστεί από ένα σύστημα μηχανικής μάθησης.

Το ποσό της προσφοράς, η ποιότητα της διαφήμισής σας κατά τη διάρκεια της δημοπρασίας (συμπεριλαμβανομένου του αναμενόμενου ποσοστού κλικ, της συνάφειας της διαφήμισης και της εμπειρίας της σελίδας προορισμού), τα κατώτατα όρια Ad Rank και το πλαίσιο της αναζήτησης, τροφοδοτoύνται στο σύστημα ανά λέξη-κλειδί, για να καθοριστούν τα κατώτατα όρια που λαμβάνονται υπόψη από την Google για κάθε λέξη-κλειδί.

8. Προσδιορισμός συνωνύμων

Όταν βλέπετε αποτελέσματα αναζήτησης που δεν περιλαμβάνουν τη λέξη-κλειδί στο snippet, αυτό πιθανότατα οφείλεται στο ότι η Google χρησιμοποιεί το RankBrain για τον εντοπισμό συνωνύμων.

Κατά την αναζήτηση για π.χ. [διαφύλαξη των δασών], θα δείτε διάφορα αποτελέσματα με τη λέξη “προστασία”, καθώς μπορεί να χρησιμοποιηθεί εναλλακτικά για την λέξη “διαφύλαξη” σε αυτή την περίπτωση.

Η Google επισημαίνει ακόμη και τα συνώνυμα σε ορισμένες περιπτώσεις, υποδεικνύοντας περαιτέρω ότι αναγνωρίζει τα συνώνυμα.

9. Διευκρίνιση ερωτήματος

Ένα από τα αγαπημένα θέματα είναι η διευκρίνιση της πρόθεσης του χρήστη για την δημιουργία ενός ερωτήματος αναζήτησης.

Οι χρήστες μπορεί να αναζητούν για να αγοράσουν (συναλλακτική αναζήτηση), να κάνουν έρευνα (πληροφοριακή αναζήτηση) ή να βρουν πόρους (πλοήγηση) σε κάθε δεδομένη αναζήτηση. Επιπλέον, μια και μόνο λέξη-κλειδί θα μπορούσε να είναι χρήσιμη για μία ή περισσότερες από αυτές τις προθέσεις.

Αναλύοντας τα μοτίβα των κλικ και τον τύπο περιεχομένου με τον οποίο ασχολούνται οι χρήστες (π.χ. CTRs ανά τύπο περιεχομένου), μια μηχανή αναζήτησης μπορεί να αξιοποιήσει τη μηχανική μάθηση για να προσδιορίσει την πρόθεση πίσω από την αναζήτηση του χρήστη.

Ένα παράδειγμα μπορεί να δει κανείς με το ερώτημα “καλύτερα κολέγια” σε μια αναζήτηση στη Google.

Τα αποτελέσματα είναι κριτικές και ένας κατάλογος κολεγίων, όλα σε μία SERP, με τα πανεπιστήμια να εμφανίζονται στην κορυφή. Αυτό αποδεικνύει την κατανόηση της Google των πιθανών προθέσεων πίσω από την αναζήτηση.

Αυτό αλλάζει τον τρόπο με τον οποίο οι SEOs εξετάζουν τη δομή και την τοποθέτηση των συνδέσμων, καθώς ο αλγόριθμος της Google χρησιμοποιεί εργαλεία όπως το BERT για να γίνεται όλο και καλύτερη στην αξιολόγηση του πλαισίου όπου τοποθετούνται αυτοί οι σύνδεσμοι.

Περιληπτικά:

Παρόλο που η μηχανική μάθηση δεν είναι (και πιθανότατα δεν θα είναι ποτέ) τέλεια, όσο περισσότερο αλληλεπιδρούν οι άνθρωποι μαζί της, τόσο πιο ακριβής και “έξυπνη” θα γίνεται.

Αυτό θα μπορούσε να είναι ανησυχητικό για κάποιους, που πιστεύουν ότι οι σκηνές από τις ταινίες “Terminator” κάποια στιγμή θα γίνουν πραγματικότητα.

Ωστόσο, το πραγματικό αποτέλεσμα μπορεί να είναι μια καλύτερη εμπειρία με την τεχνολογία που επιλύει σύνθετα προβλήματα και επιτρέπει στους ανθρώπους να επικεντρωθούν στην προώθηση της δημιουργικότητας και της καινοτομίας.

Το 2018, η Pew Research διεξήγαγε δημοσκόπηση στην οποία το 63% των ερωτηθέντων δήλωσε ότι είναι αισιόδοξο για το μέλλον της ανθρωπότητας σε σχέση με την τεχνητή νοημοσύνη – συμφωνώντας ότι μέχρι το 2030, οι άνθρωποι θα είναι καλύτερα με τη βοήθεια της τεχνητής νοημοσύνης.

Ένας τρόπος με τον οποίο βλέπουμε ήδη αυτή τη βελτίωση της ποιότητας ζωής είναι η αναζήτηση. Καθώς η Google και άλλες μηχανές αναζήτησης φέρνουν επανάσταση στη μηχανική μάθηση, είμαστε σε θέση να βρίσκουμε ευκολότερα τις πληροφορίες και τις υπηρεσίες που χρειαζόμαστε, όταν τις χρειαζόμαστε.

Αφήστε μια απάντηση

Your email address will not be published. Required fields are marked *

top