Algoritma Kecerdasan Buatan & Pembelajaran Mesin Yandex
Google bukan satu-satunya mesin pencari yang menggunakan algoritme kecerdasan buatan dan pembelajaran mesin. Berikut adalah ikhtisar algortima AI dan ML yang digunakan oleh Yandex.
Awal bulan ini, Google meluncurkan algoritma AI terbarunya, BERT, yang disebut-sebut sebagai pembaruan Google terbesar sejak RankBrain dan mempengaruhi 10% dari semua permintaan pencarian.
BERT adalah singkatan dari representasi encoder dua arah dari transformer. Transformers mengacu pada model yang memproses kata-kata dalam kaitannya dengan semua kata lain dalam sebuah kalimat, seperti kata kunci penjajaran, dan sinonim.
BERT telah dibahas secara rinci di Search Engine Journal, oleh Roger Montti dan Matt Southern.
Namun, algoritma kecerdasan buatan dan pembelajaran mesin Google bukanlah satu-satunya yang digunakan oleh mesin pencari di seluruh dunia.
Pembelajaran mesin adalah istilah umum yang mencakup berbagai macam algoritme yang belajar dari kumpulan data yang disediakan:
Rekomendasi.
Keputusan.
Prediksi.
Ini banyak digunakan untuk sejumlah tugas, tidak hanya oleh mesin pencari, tetapi juga:
Rekomendasi musik dan film pada platform streaming.
Prediksi penggunaan energi di seluruh negara bagian.
Mesin pencari menggunakan ini untuk memproses data dari seluruh internet, dan beberapa sumber offline dalam kasus Yandex, untuk memberikan hasil pencarian dan pengalaman yang lebih baik bagi pengguna.
Sudah satu dekade sejak Yandex pertama kali memperkenalkan pembelajaran mesin dalam penelusuran dengan peluncuran Matrixnet.
Mesin pencari ini terus meningkatkan kemampuan AI dan ML-nya dengan pembaruan lebih lanjut, termasuk Palekh dan Korolyov.
Matrixnet, 2009
Matrixnet bekerja dengan mengambil ribuan variabel dan “faktor peringkat” dan memberikan bobot yang berbeda berdasarkan variabel-variabel tersebut:
Lokasi pengguna.
Permintaan pencarian.
Maksud pengguna yang telah ditetapkan
Memajukan Bisnis Anda Dengan Pemasaran Konten
Tingkatkan visibilitas online Anda, jangkau pelanggan baru, dan dorong penjualan dengan perangkat pemasaran konten lengkap ini.
Coba Gratis
Hal ini dilakukan untuk memberikan hasil yang lebih relevan dan akurat kepada pengguna.
Dampak nyata dari Matrixnet adalah bahwa untuk kueri yang lebih pendek dengan beberapa interpretasi umum, konten non-komersial mulai tampil lebih menonjol di dalam halaman hasil pencarian dibandingkan dengan konten yang lebih komersial (dan situs web komersial).
Hal ini dikarenakan algoritma inti yang baru mulai memperhitungkan domain sebagai sebuah ekosistem secara keseluruhan, bukan hanya halaman individual dan tautan langsungnya.
Pada periode yang sama saat Yandex meluncurkan Matrixnet, mesin pencari ini juga mengambil langkah-langkah untuk memberikan hasil yang lebih baik bagi pengguna berdasarkan lokasi. (Tidak ada gunanya bagi seseorang di Vladivostok diberikan hasil pencarian lokal untuk Moskow karena jaraknya 113 jam perjalanan dengan mobil!)
Mereka melakukan ini melalui algoritme Arzamas, yang digantikan pada tahun itu oleh Snezhinsk, dan kemudian pada tahun 2010 melalui Obinsk.
Algoritma ini memungkinkan Yandex untuk lebih memahami wilayah tempat sebuah situs web berada, meskipun webmaster tidak membuat deklarasi wilayah di Yandex Webmaster Tools.
Hal ini terutama berdampak pada situs web dengan halaman pintu lokasi dan spam kutipan lokal.
Palekh, 2016
Pada tahun 2016 (setahun setelah RankBrain), Yandex memperkenalkan algoritme Palekh. Palekh memanfaatkan jaringan saraf dalam untuk memahami makna di balik kueri penelusuran dengan lebih baik.
Algoritme ini menggunakan jaringan saraf untuk melihat hubungan antara kueri dan dokumen meskipun tidak mengandung kata-kata yang sama.
Teknologi ini sangat berguna untuk kueri yang rumit, seperti menemukan film dengan deskripsi plot yang tidak akurat.
Korolyov, 2017
Berdasarkan algoritme Palekh, Yandex merilis pembaruan Korolyov pada Agustus 2017.
Menurut Andrey Styskin, Kepala Yandex Search:
“Korolyov mampu mencocokkan makna kueri dengan makna halaman, berbeda dengan cara kerja Palekh yang hanya menggunakan tajuk utama. Korolyov juga meningkatkan 150 halaman yang dianalisis Palekh, dengan kemampuannya untuk bekerja dengan 200.000 halaman sekaligus.”
Mirip dengan cara kerja RankBrain, Korolyov menjadi lebih efisien dan akurat dengan setiap titik data tambahan yang diterimanya, dan semua hasil kemudian diumpanbalikkan ke dalam algoritme inti, Matrixnet.
Bersamaan dengan pengumuman Korolyov,