В официальном блоге Google объявила о новом обновлении браузера Chrome, которое вносит некоторые новые изменения в панель поиска. По мнению Google, новое обновление должно помочь адресной строке, также известной как омнибокс, предоставлять «более точные и релевантные» подсказки веб-страниц.

Компания из Маунтин-Вью заявила, что в последнем обновлении Chrome (M124) Google интегрировала модели машинного обучения в омнибокс или панель поиска. Машинное обучение поможет Chrome предоставлять точные предложения, соответствующие тому, что вы ищете.

Google утверждает, что браузер ранее полагался на «вручную составленные формулы», чтобы предлагать результаты поиска. Однако основная проблема заключалась в том, что они не были достаточно гибкими, чтобы вносить улучшения или быть адаптированными в новых сценариях.

Благодаря новым моделям машинного обучения, внедрённым в панель поиска Chrome, Google может «собирать более свежие сигналы, повторно обучать, оценивать и развёртывать новые модели» с течением времени.

Поскольку ответом номер один на вопрос об идеях по улучшению омнибокса было «улучшить систему оценки», внедрение машинного обучения в строке поиска имеет большое значение. Как отмечает Google, «система оценки практически не была затронута долго».

По данным компании, модель машинного обучения в омнибоксе Chrome будет учитывать ваши предыдущие действия над URL-адресом при предложении веб-страницы. Это означает, что если вы ушли с веб-страницы в течение последних нескольких секунд или минут, модель машинного обучения присвоит этой веб-странице более низкую оценку, основываясь на понимании того, что это был не тот сайт, который вы искали.

В будущем Google полагает, что эта новая модель машинного обучения откроет «много новых возможностей для улучшения пользовательского опыта за счёт потенциального включения новых сигналов, таких как различение времени суток для повышения релевантности».

Кроме того, Google заявляет, что система оценки релевантности должна со временем меняться, и благодаря новой системе оценки теперь она может «просто собирать более свежие сигналы, повторно обучать, оценивать и периодически с течением времени развёртывать новые модели» для достижения лучших результатов.