La Cerca de Google és el motor d'indexació web ampli que la majoria de la gent utilitza diàriament, mentre que la Cerca de Grafs de Coneixement és la base de dades d'entitats estructurades de Google que alimenta les respostes directes i els panells d'informació. Comprendre com difereixen ajuda a explicar per què algunes consultes retornen dades riques i altres retornen enllaços blaus tradicionals.
El motor de cerca web dominant del món que indexa milers de milions de pàgines i classifica els resultats mitjançant algoritmes com PageRank, RankBrain i BERT.
Una base de coneixement semàntic llançada per Google el 2012 que organitza informació sobre entitats del món real i les seves relacions per oferir respostes directes.
| Funcionalitat | Cerca de Google | Cerca del Gràfic de Coneixement |
|---|---|---|
| Funció primària | Retorna llistes classificades de pàgines web que coincideixen amb una consulta | Retorna fets estructurats sobre entitats i les seves relacions |
| Any de llançament | 1997 (com a BackRub, rebatejat com a Google el 1998) | 2012 |
| Font de dades | Pàgines web rastrejades i indexades de tot Internet | Bases de dades seleccionades, Viquipèdia, fonts amb llicència i socis de confiança |
| Format de sortida | Deu enllaços blaus, fragments, imatges, vídeos i fragments destacats | Panells de coneixement, targetes d'entitat i quadres de resposta directa |
| Tecnologia subjacent | PageRank, RankBrain, BERT i coincidència neuronal | Base de dades de grafs utilitzant triplets semàntics (subjecte-predicat-objecte) |
| Tipus de consulta més adequat | Consultes àmplies, exploratòries o de navegació | Consultes factuals sobre persones, llocs, organitzacions o coses específiques |
| Escala de dades | Centenars de milers de milions de pàgines web indexades | Més de 500.000 milions de fets en aproximadament 70.000 milions d'entitats |
| Interacció de l'usuari | Feu clic a llocs web externs per obtenir informació completa | Llegiu les respostes directament a la pàgina de resultats sense fer clic |
La Cerca de Google funciona com un catàleg de biblioteca massiu, que rastreja el web obert i classifica les pàgines en funció dels senyals de rellevància i autoritat. Quan escriviu una consulta, compara les vostres paraules amb el seu índex i retorna les pàgines que semblen més útils. La Cerca de Gràfics de Coneixement funciona de manera diferent. En lloc de fer coincidir paraules clau amb documents, entén que la vostra consulta fa referència a una entitat específica, com ara una persona, una ciutat o un element químic, i extreu dades verificades sobre aquesta entitat d'una base de dades estructurada.
La cerca tradicional de Google extreu informació de pràcticament qualsevol pàgina web d'accés públic, cosa que significa que cobreix una àmplia gamma de contingut, però també inclou fonts de menor qualitat o poc fiables. El Graf de Coneixement adopta l'enfocament contrari, basant-se en un conjunt seleccionat de fonts fiables com ara la Viquipèdia, bases de dades governamentals i conjunts de dades comercials amb llicència. Això fa que els resultats del Graf de Coneixement siguin més fiables per a cerques factuals, però limita l'amplitud de temes que pot cobrir.
Una pàgina de resultats de la Cerca de Google estàndard mostra deu enllaços blaus juntament amb fragments destacats, imatges i anuncis. Els resultats del Gràfic de coneixement apareixen com a panell d'informació a la part dreta de la pàgina (o a la part superior en dispositius mòbils), mostrant un resum, dades clau, imatges i entitats relacionades. A la pràctica, tots dos sistemes funcionen conjuntament en la majoria de consultes, i el Panell de coneixement complementa els resultats tradicionals en lloc de substituir-los.
La Cerca de Google destaca per gestionar consultes ambigües, exploratòries o de cua llarga on els usuaris volen descobrir contingut a la web. La Cerca de Gràfics de Coneixement destaca quan els usuaris volen una resposta ràpida i definitiva sobre una entitat coneguda, com ara la població de Tòquio o la data de naixement d'una celebritat. Per a temes de nínxol, fets obscurs o esdeveniments recents, la Cerca tradicional sol superar el Gràfic de Coneixement perquè la base de dades estructurada simplement no conté aquesta informació.
Ambdós sistemes han evolucionat significativament amb la IA. La Cerca de Google ha integrat BERT i el model MUM més recent per entendre millor el llenguatge natural i les consultes complexes. El propi Graf de Coneixement s'incorpora a les noves funcions d'IA de Google, com ara les visions generals d'IA i les respostes amb tecnologia Gemini, que combinen dades de grafs amb models de llenguatge generatiu. En aquest sentit, el Graf de Coneixement s'està convertint en una capa fonamental per a les ambicions de cerca d'IA més àmplies de Google en lloc d'un producte independent.
El Gràfic de coneixement és el mateix que la Cerca de Google.
Són sistemes separats que funcionen conjuntament. La Cerca de Google indexa les pàgines web, mentre que el Gràfic de Coneixement és una base de dades estructurada d'entitats i fets. La majoria dels resultats de cerca combinen tots dos, però tenen finalitats diferents.
Els resultats del Gràfic de Coneixement sempre provenen de la Viquipèdia.
La Viquipèdia és una font important, però el Knowledge Graph també extreu informació del CIA World Factbook, Freebase, bases de dades comercials amb llicència i molts altres socis de confiança. Google no depèn de cap font única.
Si una dada apareix al Gràfic de coneixement, ha de ser 100% precisa.
El Gràfic de coneixement pot contenir errors perquè agrega dades de moltes fonts, i aquestes fonts de vegades no coincideixen o queden desactualitzades. Google permet als usuaris suggerir correccions, però no es garanteix l'exactitud.
La Cerca de Google només utilitza la concordança de paraules clau.
La cerca moderna de Google utilitza models sofisticats d'aprenentatge automàtic, com ara RankBrain, BERT i la coincidència neuronal, per entendre la intenció i el context que hi ha darrere de les consultes, no només les paraules clau literals que s'escriuen.
El Gràfic de Coneixement pot respondre a qualsevol pregunta.
El Gràfic de Coneixement està dissenyat per a consultes factuals sobre entitats ben definides. No pot respondre preguntes subjectives, realitzar càlculs ni recuperar informació molt recent que encara no s'hagi afegit a la seva base de dades.
Trieu la Cerca de Google quan necessiteu informació àmplia, recent o perspectives diverses de tot el web. Trieu la Cerca de Gràfics de Coneixement quan vulgueu una dada ràpida i autoritària sobre una entitat ben definida com ara una persona, un lloc o una organització famosa. A la pràctica, la majoria dels usuaris es beneficien de la col·laboració de tots dos, ja que Google els combina a totes les pàgines de resultats.
Aquest desglossament detallat explora les diferències fonamentals entre les actualitzacions de gràfics basades en esdeveniments i el processament de gràfics per lots dins de les arquitectures d'IA. Mentre que les pipelines basades en esdeveniments gestionen la transmissió en temps real i les mutacions irregulars de la topologia de xarxa, el processament per lots consolida els canvis en execucions computacionals pesades i programades per maximitzar el rendiment del sistema i la saturació del maquinari.
Les actualitzacions de models en temps real i el reentrenament de models per lots representen dos enfocaments fonamentalment diferents per mantenir els sistemes d'aprenentatge automàtic actualitzats. Els mètodes en temps real s'adapten instantàniament a les noves dades, mentre que el reentrenament per lots reconstrueix els models a intervals programats utilitzant conjunts de dades acumulats.
Les actualitzacions de la versió LLM se centren en la implementació de models de llenguatge més nous i capaços amb un raonament i unes funcions millorades, mentre que el manteniment de models antics manté els sistemes d'IA més antics funcionant de manera fiable. Les organitzacions han de sospesar la innovació contra l'estabilitat a l'hora de decidir entre actualitzar o mantenir els seus models existents.
Aquesta comparació analitza les opcions estratègiques en l'aprenentatge automàtic entre l'adaptació de domini, que transfereix coneixement d'un entorn d'origen etiquetat a un entorn de destinació diferent, i l'entrenament dins del domini, que crea models completament a partir de dades recollides de la configuració exacta de desplegament de destinació.
L'adaptació lingüística en la IA se centra en l'ensenyament de models per gestionar idiomes específics mitjançant l'afinament i l'aprenentatge per transferència, mentre que els sistemes d'IA agnòstics a l'idioma tenen com a objectiu processar qualsevol idioma sense formació específica per a l'idioma. Ambdós enfocaments aborden els reptes multilingües, però difereixen fonamentalment en l'arquitectura, les dades d'entrenament i el desplegament al món real.
