جستجوی گوگل موتور فهرستبندی وب گسترده است که اکثر مردم روزانه از آن استفاده میکنند، در حالی که جستجوی نمودار دانش، پایگاه داده ساختاریافته گوگل است که به پاسخهای مستقیم و پنلهای اطلاعاتی قدرت میدهد. درک تفاوت آنها به توضیح اینکه چرا برخی از پرسوجوها حقایق غنی را برمیگردانند و برخی دیگر پیوندهای آبی سنتی را برمیگردانند، کمک میکند.
موتور جستجوی وب غالب جهان که میلیاردها صفحه را فهرستبندی میکند و نتایج را با استفاده از الگوریتمهایی مانند PageRank، RankBrain و BERT رتبهبندی میکند.
یک پایگاه دانش معنایی که توسط گوگل در سال ۲۰۱۲ راهاندازی شد و اطلاعات مربوط به موجودیتهای دنیای واقعی و روابط آنها را برای ارائه پاسخهای مستقیم سازماندهی میکند.
| ویژگی | جستجوی گوگل | جستجوی نمودار دانش |
|---|---|---|
| عملکرد اصلی | لیستهای رتبهبندیشدهای از صفحات وب مطابق با یک عبارت جستجو را برمیگرداند | حقایق ساختاریافتهای درباره موجودیتها و روابط آنها را برمیگرداند |
| سال راهاندازی | ۱۹۹۷ (با نام BackRub، در سال ۱۹۹۸ به Google تغییر نام داد) | ۲۰۱۲ |
| منبع داده | صفحات وب از سراسر اینترنت خزیده و ایندکس شدهاند | پایگاههای داده منتخب، ویکیپدیا، منابع دارای مجوز و شرکای مورد اعتماد |
| فرمت خروجی | ده لینک آبی، قطعه کد، تصویر، ویدیو و قطعه کد ویژه | پنلهای دانش، کارتهای موجودیت و جعبههای پاسخ مستقیم |
| فناوری زیربنایی | پیج رنک، رنک برین، برت و تطبیق عصبی | پایگاه داده گراف با استفاده از سهگانههای معنایی (موضوع-گزاره-مفعول) |
| نوع پرس و جو مناسب ترین | پرسوجوهای کلی، اکتشافی یا ناوبری | پرسشهای واقعی درباره افراد، مکانها، سازمانها یا چیزهای خاص |
| مقیاس دادهها | صدها میلیارد صفحه وب فهرست بندی شده است | بیش از ۵۰۰ میلیارد واقعیت در تقریباً ۷۰ میلیارد موجودیت |
| تعامل کاربر | برای اطلاعات کامل به وبسایتهای خارجی مراجعه کنید | پاسخها را مستقیماً در صفحه نتایج و بدون کلیک کردن بخوانید |
جستجوی گوگل مانند یک کاتالوگ کتابخانه عظیم عمل میکند، وب باز را میخزد و صفحات را بر اساس سیگنالهای مرتبط بودن و اعتبار رتبهبندی میکند. وقتی شما یک عبارت جستجو تایپ میکنید، کلمات شما را با فهرست خود مطابقت میدهد و صفحاتی را که از نظر ظاهری مفیدتر هستند، برمیگرداند. جستجوی گراف دانش متفاوت عمل میکند. به جای تطبیق کلمات کلیدی با اسناد، متوجه میشود که عبارت جستجو شده شما به یک موجودیت خاص، مانند یک شخص، شهر یا عنصر شیمیایی اشاره دارد و حقایق تأیید شده در مورد آن موجودیت را از یک پایگاه داده ساختار یافته استخراج میکند.
جستجوی سنتی گوگل تقریباً از هر صفحه وب عمومی که در دسترس باشد، نتایج را استخراج میکند، به این معنی که طیف وسیعی از محتوا را پوشش میدهد، اما شامل منابع بیکیفیت یا غیرقابل اعتماد نیز میشود. گراف دانش رویکرد متفاوتی را در پیش میگیرد و از مجموعهای منتخب از منابع معتبر مانند ویکیپدیا، پایگاههای داده دولتی و مجموعه دادههای تجاری دارای مجوز استفاده میکند. این امر باعث میشود نتایج گراف دانش برای جستجوهای واقعی قابل اعتمادتر باشد، اما وسعت موضوعاتی را که میتواند پوشش دهد، محدود میکند.
یک صفحه نتیجه جستجوی استاندارد گوگل، ده لینک آبی را به همراه Featured Snippets، تصاویر و تبلیغات نشان میدهد. نتایج گراف دانش به صورت یک پنل اطلاعاتی در سمت راست صفحه (یا در بالای صفحه در موبایل) ظاهر میشوند و خلاصه، حقایق کلیدی، تصاویر و موجودیتهای مرتبط را نشان میدهند. در عمل، هر دو سیستم در اکثر جستجوها با هم کار میکنند و پنل دانش به جای جایگزینی، نتایج سنتی را تکمیل میکند.
جستجوی گوگل در مدیریت پرسشهای مبهم، اکتشافی یا طولانی که کاربران میخواهند در سراسر وب محتوا را کشف کنند، عالی عمل میکند. جستجوی نمودار دانش زمانی میدرخشد که کاربران به دنبال پاسخی سریع و قطعی در مورد یک موجودیت شناخته شده، مانند جمعیت توکیو یا تاریخ تولد یک فرد مشهور، هستند. برای موضوعات خاص، حقایق مبهم یا رویدادهای اخیر، جستجوی سنتی معمولاً از نمودار دانش بهتر عمل میکند زیرا پایگاه داده ساختار یافته به سادگی حاوی آن اطلاعات نیست.
هر دو سیستم به طور قابل توجهی با هوش مصنوعی تکامل یافتهاند. جستجوی گوگل، BERT و مدل جدیدتر MUM را برای درک بهتر زبان طبیعی و پرسشهای پیچیده ادغام کرده است. خود نمودار دانش به ویژگیهای جدیدتر هوش مصنوعی گوگل، از جمله AI Overviews و پاسخهای مبتنی بر Gemini، که دادههای نمودار را با مدلهای زبان مولد ترکیب میکنند، کمک میکند. از این نظر، نمودار دانش به جای یک محصول مستقل، در حال تبدیل شدن به یک لایه اساسی برای جاهطلبیهای جستجوی گستردهتر هوش مصنوعی گوگل است.
نمودار دانش همان جستجوی گوگل است.
آنها سیستمهای جداگانهای هستند که با هم کار میکنند. جستجوی گوگل صفحات وب را فهرستبندی میکند، در حالی که نمودار دانش یک پایگاه داده ساختار یافته از موجودیتها و حقایق است. اکثر نتایج جستجو هر دو را با هم ترکیب میکنند، اما اهداف متفاوتی را دنبال میکنند.
نتایج نمودار دانش همیشه از ویکی پدیا می آید.
ویکیپدیا یک منبع اصلی است، اما نمودار دانش از CIA World Factbook، Freebase، پایگاههای داده تجاری دارای مجوز و بسیاری از شرکای مورد اعتماد دیگر نیز اطلاعات را استخراج میکند. گوگل به هیچ منبع واحدی متکی نیست.
اگر حقیقتی در نمودار دانش وجود دارد، باید ۱۰۰٪ دقیق باشد.
نمودار دانش میتواند حاوی خطا باشد زیرا دادهها را از منابع زیادی جمعآوری میکند و این منابع گاهی اوقات با هم اختلاف نظر دارند یا قدیمی میشوند. گوگل به کاربران اجازه میدهد اصلاحاتی را پیشنهاد دهند، اما دقت آن تضمین نمیشود.
جستجوی گوگل فقط از تطبیق کلمات کلیدی استفاده میکند.
جستجوی مدرن گوگل از مدلهای پیشرفته یادگیری ماشینی از جمله RankBrain، BERT و تطبیق عصبی برای درک هدف و زمینه پشت جستجوها، و نه فقط کلمات کلیدی تایپ شده، استفاده میکند.
نمودار دانش میتواند به هر سوالی پاسخ دهد.
نمودار دانش برای پرسشهای واقعی درباره موجودیتهای کاملاً تعریفشده طراحی شده است. این نمودار نمیتواند به پرسشهای ذهنی پاسخ دهد، محاسبات انجام دهد یا اطلاعات بسیار جدیدی را که هنوز به پایگاه داده آن اضافه نشده است، بازیابی کند.
وقتی به کشفیات گسترده، اطلاعات جدید یا دیدگاههای متنوع از سراسر وب نیاز دارید، جستجوی گوگل را انتخاب کنید. وقتی به دنبال یک واقعیت سریع و معتبر در مورد یک موجودیت مشخص مانند یک شخص، مکان یا سازمان معروف هستید، جستجوی نمودار دانش را انتخاب کنید. در عمل، اکثر کاربران از همکاری هر دو سود میبرند، زیرا گوگل آنها را در هر صفحه نتایج با هم ترکیب میکند.
LLM های مبتنی بر ابزار، مدلهای زبانی مستقل را با اتصال آنها به APIهای خارجی، ماشینحسابها و پایگاههای داده گسترش میدهند و بازیابی اطلاعات و اجرای وظایف را در زمان واقعی امکانپذیر میسازند. LLM های مستقل صرفاً به پارامترهای آموزشدیده خود متکی هستند و آنها را مستقل اما محدود به دانش حاصل از دادههای آموزشی میکنند.
LLM های متن باز، مدلهای هوش مصنوعی قابل تنظیم و خود-میزبان با دسترسی کامل به کد ارائه میدهند، در حالی که API های اختصاصی LLM، خدمات مدیریت شده و بهبود یافته را از طریق نقاط پایانی مبتنی بر ابر با قیمت گذاری مبتنی بر میزان استفاده ارائه میدهند.
RAG و LLM های تنظیمشده دقیق، هر دو کیفیت خروجی هوش مصنوعی را بهبود میبخشند، اما به روشهای اساساً متفاوتی عمل میکنند. RAG اطلاعات خارجی را در زمان پرسوجو دریافت میکند، در حالی که تنظیم دقیق، دانش جدید را مستقیماً در وزنهای مدل قرار میدهد. انتخاب بین آنها بستگی به این دارد که دادههای شما چند وقت یکبار تغییر میکنند و به چه نوع دقتی نیاز دارید.
RAG با زمینه بصری، مدلهای زبانی را با بازیابی تصاویر، نمودارها و دیاگرامها در کنار متن غنی میکند، در حالی که RAG فقط متنی صرفاً به متون نوشتاری متکی است. RAG بصری در وظایف چندوجهی مانند درک اسناد و پاسخ به سؤالات بصری برتری دارد، در حالی که RAG فقط متنی سادهتر، سریعتر و ارزانتر برای استقرار باقی میماند.
RAG چندوجهی متن، تصاویر، صدا و ویدیو را برای بازیابی غنیتر با هم پردازش میکند، در حالی که RAG فقط متنی منحصراً بر محتوای نوشتاری تمرکز دارد. انتخاب بستگی به این دارد که آیا دادهها و موارد استفاده شما فراتر از اسناد متنی ساده است یا خیر.
