Hamish Ogilvy 是 Search.io 的首席执行官兼联合创始人，Search.io是一个人工智能驱动的搜索和产品发现平台，可为世界上一些最大的组织处理数十亿次搜索。他们专注于使用机器学习提高现场搜索的转化率和收入。这是使用专有搜索技术实现的。

最初是什么吸引您进入机器学习领域？

我从物理设计激光器开始，但我也总是很擅长观察数据中的模式。这让我进入了分析领域，并预测了我花了几年时间做的各种事情。机器学习是一个明显的扩展，可以更好地促进从数据中提取价值。现在看起来很正常，但当时人们实际上嘲笑我有“数据负责人”的职位，所以世界发生了一些变化！

您能分享一下 Search.io 背后的起源故事吗？

搜索总是让我烦恼；它已经改进了很多，但在大多数情况下仍然很糟糕。我一直认为它应该更好地理解上下文和个人意图。所以它始于这个想法，多年后我们更接近了。拉里佩奇有句名言，搜索不是我们有生之年就能解决的问题，我现在完全明白为什么了。但是我们已经彻底改变了游戏规则，并且距离我们的设想还有很长的路要走。

Search.io 使用基于“神经索引”的自学习搜索技术，神经索引具体是什么？

老式的搜索技术会为特定的关键字创建索引，就像一本书后面的索引指向关键字出现的页面。相反，神经索引从专门设计的神经网络中的特定神经元创建索引。这些神经元旨在激活相关的上下文和含义，而不是关键字，因此可以非常快速地识别相关项目，甚至跨不同的语言。自我学习允许这些指标随着人们购买物品或其他积极反馈事件而适应和改进。

你能讨论一下强化学习是如何用于优化搜索结果的吗？

主要用于对搜索结果进行重新排序以最大化特定目标，例如点击或购买。这是一个经典的探索与利用问题，其中最佳顺序最初是未知的。有句名言，最好的藏尸体的地方是谷歌搜索结果的第 2 页！那是因为几乎没有人会到达第 1 页的底部。因此，如果您说某个查询有 10,000 个相关结果并且每页仅显示 10 个，那么一些概率随机化有助于轮换不同的结果并提升那些与业务目标。

是否使用了深度学习，如果使用，以什么方式使用？

是的，在很多方面。我们使用深度学习将语言转化为向量，然后将向量转化为神经哈希。

该平台使企业能够通过调整来控制内置学习，您能讨论一下这个过程是如何工作的吗？

自学习通常使用事件来“推动”神经散列到之前产生共鸣的事物上，例如购买的物品与未购买的物品。在某些情况下，这可能需要很长时间，而企业知道什么应该是一个很好的结果。因此，我们允许他们告诉我们，这教会了相关性以更好地理解意图。这基本上可以快速跟踪学习。

在进行搜索时破译用户意图背后有哪些挑战？

语言非常模棱两可。“银行”可以是金融机构、河岸、飞机转弯、篮球投篮等。更糟糕的是，对于来自洛杉矶的人来说，寻找“夹克”的意图也可能与其他人截然不同。从波士顿搜索。男对女，差​别更大。语言对意图的封装很差，完美实际上是不可能的，所以搜索是一种概率游戏。

在网站中集成 Search.io 的过程是什么？

它因复杂性而异。对于 shopify 商店和基于内容的网站，您可以在几分钟内启动并运行，而具有复杂目录和高度个性化结果的高级电子商务商店可能需要几周到几个月的时间。

关于 Search.io，您还有什么想分享的吗？

如果您是一个试图增加在线交易的数据密集型组织，请给我们留言。通过改进搜索和发现体验，我们一直在大幅提升客户的在线性能。