Google meklēšana ir plašā tīmekļa indeksēšanas dzinējs, ko lielākā daļa cilvēku izmanto ikdienā, savukārt zināšanu grafu meklēšana ir Google strukturēto vienību datubāze, kas nodrošina tiešas atbildes un informācijas paneļus. Izpratne par to atšķirībām palīdz izskaidrot, kāpēc daži vaicājumi atgriež bagātīgus faktus, bet citi atgriež tradicionālas zilas saites.
Pasaulē dominējošā tīmekļa meklētājprogramma, kas indeksē miljardiem lapu un ranžē rezultātus, izmantojot tādus algoritmus kā PageRank, RankBrain un BERT.
Google 2012. gadā palaista semantiska zināšanu bāze, kas organizē informāciju par reālās pasaules entītijām un to attiecībām, lai sniegtu tiešas atbildes.
| Funkcija | Google meklēšana | Zināšanu grafa meklēšana |
|---|---|---|
| Primārā funkcija | Atgriež sarindotus tīmekļa lapu sarakstus, kas atbilst vaicājumam | Atgriež strukturētus faktus par entītijām un to attiecībām |
| Palaišanas gads | 1997. gadā (kā BackRub, 1998. gadā pārdēvēts par Google) | 2012. gadā |
| Datu avots | Pārmeklētas un indeksētas tīmekļa lapas no visa interneta | Izvēlētas datubāzes, Vikipēdija, licencēti avoti un uzticami partneri |
| Izvades formāts | Desmit zilas saites, fragmenti, attēli, videoklipi un piedāvātie fragmenti | Zināšanu paneļi, entītiju kartītes un tiešo atbilžu lodziņi |
| Pamata tehnoloģija | PageRank, RankBrain, BERT un neironu saskaņošana | Grafu datubāze, izmantojot semantiskos tripletus (subjekts-predikāts-objekts) |
| Vispiemērotākais vaicājuma veids | Plaši, izpētes vai navigācijas vaicājumi | Faktuāli jautājumi par konkrētiem cilvēkiem, vietām, organizācijām vai lietām |
| Datu mērogs | Indeksētas simtiem miljardu tīmekļa lapu | Vairāk nekā 500 miljardi faktu aptuveni 70 miljardos vienību |
| Lietotāja mijiedarbība | Noklikšķiniet uz ārējām tīmekļa vietnēm, lai iegūtu pilnīgu informāciju | Lasiet atbildes tieši rezultātu lapā, nenoklikšķinot uz |
Google meklēšana darbojas kā milzīgs bibliotēkas katalogs, kas pārmeklē atvērto tīmekli un ranžē lapas, pamatojoties uz atbilstības un autoritātes signāliem. Kad ierakstāt vaicājumu, tas salīdzina jūsu vārdus ar savu indeksu un atgriež visnoderīgākā izskata lapas. Zināšanu grafa meklēšana darbojas citādi. Tā vietā, lai saskaņotu atslēgvārdus ar dokumentiem, tā saprot, ka jūsu vaicājums attiecas uz konkrētu vienību, piemēram, personu, pilsētu vai ķīmisko elementu, un no strukturētas datubāzes izvelk pārbaudītus faktus par šo vienību.
Tradicionālā Google meklēšana iegūst informāciju praktiski no jebkuras publiski pieejamas tīmekļa lapas, kas nozīmē, ka tā aptver milzīgu satura klāstu, bet ietver arī zemākas kvalitātes vai neuzticamus avotus. Knowledge Graph izmanto pretēju pieeju, izmantojot atlasītu uzticamu avotu kopumu, piemēram, Wikipedia, valdības datubāzes un licencētus komerciālus datu kopumus. Tas padara Knowledge Graph rezultātus uzticamākus faktu meklēšanai, bet ierobežo aptverto tēmu klāstu.
Standarta Google meklēšanas rezultātu lapā tiek rādītas desmit zilas saites kopā ar piedāvātajiem fragmentiem, attēliem un reklāmām. Zināšanu grafika rezultāti tiek rādīti kā informācijas panelis lapas labajā pusē (vai augšpusē mobilajās ierīcēs), kurā redzams kopsavilkums, galvenie fakti, attēli un saistītās vienības. Praksē abas sistēmas darbojas kopā lielākajā daļā vaicājumu, un zināšanu panelis papildina tradicionālos rezultātus, nevis tos aizstāj.
Google meklēšana izceļas ar neskaidru, izpētes vai garastes vaicājumu apstrādi, kur lietotāji vēlas atklāt saturu visā tīmeklī. Knowledge Graph meklēšana ir īpaši noderīga, ja lietotāji vēlas ātru un konkrētu atbildi par kādu labi zināmu objektu, piemēram, Tokijas iedzīvotāju skaitu vai slavenības dzimšanas datumu. Nišas tēmām, neskaidriem faktiem vai neseniem notikumiem tradicionālā meklēšana parasti pārspēj Knowledge Graph, jo strukturētajā datubāzē šī informācija vienkārši nav ietverta.
Abas sistēmas ir ievērojami attīstījušās līdz ar mākslīgo intelektu. Google meklēšana ir integrējusi BERT un jaunāko MUM modeli, lai labāk izprastu dabisko valodu un sarežģītus vaicājumus. Pats zināšanu grafiks tiek izmantots Google jaunākajās mākslīgā intelekta funkcijās, tostarp mākslīgā intelekta pārskatos un Gemini darbinātās atbildēs, kas apvieno grafika datus ar ģeneratīvajiem valodas modeļiem. Šajā ziņā zināšanu grafiks kļūst par pamatu Google plašākām mākslīgā intelekta meklēšanas ambīcijām, nevis par atsevišķu produktu.
Zināšanu grafiks ir tas pats, kas Google meklēšana.
Tās ir atsevišķas sistēmas, kas darbojas kopā. Google meklēšana indeksē tīmekļa lapas, savukārt zināšanu grafiks ir strukturēta vienību un faktu datubāze. Lielākā daļa meklēšanas rezultātu apvieno abus, taču tiem ir atšķirīgi mērķi.
Zināšanu grafika rezultāti vienmēr tiek iegūti no Vikipēdijas.
Vikipēdija ir nozīmīgs avots, taču Knowledge Graph izmanto arī CIA World Factbook, Freebase, licencētas komerciālas datubāzes un daudzus citus uzticamus partnerus. Google nepaļaujas uz nevienu atsevišķu avotu.
Ja fakts ir iekļauts zināšanu grafā, tam ir jābūt 100% precīzam.
Zināšanu grafikā var būt kļūdas, jo tajā tiek apkopoti dati no daudziem avotiem, un šie avoti dažreiz atšķiras vai noveco. Google ļauj lietotājiem ieteikt labojumus, taču precizitāte netiek garantēta.
Google meklēšana izmanto tikai atslēgvārdu saskaņošanu.
Mūsdienu Google meklēšana izmanto sarežģītus mašīnmācīšanās modeļus, tostarp RankBrain, BERT un neironu saskaņošanu, lai izprastu vaicājumu nolūku un kontekstu, ne tikai burtiski ierakstītos atslēgvārdus.
Zināšanu grafiks var atbildēt uz jebkuru jautājumu.
Zināšanu grafs ir paredzēts faktuāliem vaicājumiem par precīzi definētām vienībām. Tas nevar atbildēt uz subjektīviem jautājumiem, veikt aprēķinus vai iegūt ļoti nesenu informāciju, kas vēl nav pievienota tā datubāzei.
Izvēlieties Google meklēšanu, ja nepieciešama plaša atklāšana, jaunākā informācija vai dažādi viedokļi no visa tīmekļa. Izvēlieties zināšanu grafu meklēšanu, ja vēlaties ātru, autoritatīvu faktu par precīzi definētu vienību, piemēram, slavenu personu, vietu vai organizāciju. Praksē lielākā daļa lietotāju gūst labumu no abu pakalpojumu kopīgas izmantošanas, jo Google tos apvieno katrā rezultātu lapā.
A/B testēšana modeļu apkalpošanā novirza trafiku starp konkurējošām modeļu versijām, lai novērtētu reālo veiktspēju, savukārt viena modeļa ieviešana visiem lietotājiem nosūta vienu modeli. Komandas izvēlas starp tiem, pamatojoties uz riska toleranci, trafika apjomu un statistiskās validācijas nepieciešamību pirms pilnīgas ieviešanas.
A/B testēšana satura izlaidumos ietver variāciju ieviešanu dažādiem auditorijas segmentiem un veiktspējas mērīšanu, savukārt vienreizēji satura izlaidumi vienlaikus nodrošina vienu versiju visiem lietotājiem. Katra pieeja atbilst dažādiem mērķiem, A/B testēšanai dodot priekšroku uz datiem balstītai optimizācijai, bet vienreizējiem izlaidumiem prioritāte ir ātrums un vienkāršība.
Adaptīvā izguve dinamiski pielāgo, kā un kādu informāciju sistēma izgūst, pamatojoties uz vaicājumu, savukārt statiskās izguves cauruļvadi ievēro fiksētus noteikumus neatkarīgi no konteksta. Abas nodrošina modernas mākslīgā intelekta lietojumprogrammas, taču tās ievērojami atšķiras pēc elastības, izmaksām un precizitātes. Izvēle starp tām ir atkarīga no darba slodzes sarežģītības un budžeta.
Šajā detalizētajā salīdzinājumā tiek pētītas adaptīvo intelekta dzinēju arhitektūras atšķirības, darbības ierobežojumi un reālā veiktspēja salīdzinājumā ar fiksētas uzvedības automatizācijas sistēmām. Mēs aplūkojam, kā sistēmas, kas nepārtraukti mācās no jauniem vides datiem, atbilst stingrām, paredzamām, uz noteikumiem balstītām sistēmām.
Aģentu apmācība vidēs ietver mācīšanos, izmantojot reāllaika mijiedarbību ar simulētu vai fizisku vidi, savukārt bezsaistes datu kopu apmācība balstās uz iepriekš apkopotiem datiem bez papildu piekļuves videi. Abas pieejas apmāca mašīnmācīšanās modeļus, taču būtiski atšķiras tas, kā aģenti apkopo pieredzi un uzlabo veiktspēju.
