Нещодавно Google надав два патенти, які малюють дуже цікаву картину майбутнього пошуку.
Перш ніж ми зануримося в тему, вважаємо за необхідне вказати, що наявність виданого патенту не означає, що Google буде впроваджувати все (або навіть хоч щось), що міститься в ньому. Проте, він ілюструє ті області, в які Google планують інвестувати значні кошти.
Ці два патенти містять ідеї та технології, які відображають напрямок, в якому в даний час розвивається Google: монетизація мобільного і голосового зв'язку.
У цій статті ми зосередимося на першому патенті «Виявлення та виправлення потенційних помилок в поведінці користувачів». Щоб отримати уявлення про повний обсяг досягнень Google в цій сфері, ми зробили витяги з ключових розділів Патенту, після чого даємо свою оцінку цих розділів.
Описана обчислювальна система, яка передбачає майбутнє дію, яку повинен зробити користувач обчислювального пристрою, і визначає на основі контекстної інформації, пов'язаної з обчислювальним пристроєм, поточний дії, що робляться користувачем. Обчислювальна система на основі поточного дії визначає ступінь ймовірності того, чи зможе користувач зробити майбутні дії і прогнозує, виходячи зі ступеня ймовірності, які майбутні дій у користувача не вийде виконати. Обчислювальна система відправляє інформацію на обчислювальний пристрій, вказуючи, що поточне дії, що робляться користувачем, призведе до того, що користувач не зможе зробити майбутні дії.
Зазвичай в передісторії патенту викладається питання «чому», або яку проблему пропонується вирішити з його допомогою. У даній передісторії ми бачимо, що Google визнає той факт, що, хоча сьогоднішні пристрої можуть попередити користувачів про майбутні події, вони, можливо, повинні також порекомендувати товари, грунтуючись на історії покупок користувача. (Цікаво, чому вони це згадують, чи не так?) Сучасні технології не превентивні у виправленні дій користувача, коли його дії не сумісні з його потребами.
... відкриття направлено на спосіб, який включає в себе прогнозування обчислювальної системою майбутнього дії, яке повинен зробити користувач обчислювального пристрою; визначення обчислювальної системою на основі контекстної інформації, пов'язаної з обчислювальним пристроєм, що стосуються поточної дії, які потрібно виконати користувачем; визначення за допомогою обчислювальної системи на основі поточного дії ступеня ймовірності того, чи зможе користувач прийняти наступні дії, і прогнозування за допомогою обчислювальної системи на основі ступеня ймовірності того, що користувач не зможе прийняти майбутніх дій. Спосіб додатково включає в себе передачу від обчислювальної системи до обчислювальному пристрою інформації, яка вказує, що поточний дії, що робляться користувачем, призведе до того, що користувач не зможе зробити майбутні дії.
Хоча резюме складається з чотирьох частин, вже в другому розділі ми отримуємо картину того, чого домагається Google цим патентом. У передісторії описувалася система, яка буде виявляти, коли вжиті заходи можуть перешкодити майбутнім діям, які очікуються від користувача, а тут ми бачимо, що Google відправить користувачеві вказівку про те, що їх поточні дії допоможуть запобігти майбутні неоптимальні дії.
Це може здатися не зовсім цікавим; однак, у міру подальшого занурення, ми почнемо розуміти весь охоплення, вплив і силу, про які вони говорять.
Нижче ви знайдете деякі числові посилання, такі як «обчислювальний пристрій 110». Ці числа відносяться до цифр, включеним в патент. Хоча більшість з них не має особливого ставлення до розуміння того, що ми обговорюємо (в нашому контексті).
Тепер давайте повернемося до патенту ...
Контекстний модуль 162 може підтримувати минулі і майбутні контекстні історії, пов'язані з користувачем обчислювального пристрою 110. контекстний модуль 162 може каталогізувати і записувати попередні контексти обчислювального пристрою 110 в різних місцях і в минулому, і з раніше записаних контекстів, може спроектувати або виводити майбутні контексти обчислювального пристрою 110 в різних майбутніх місцях в майбутньому. Контекстний модуль 162 може пов'язувати майбутні дні і майбутні часи з повторюваними контекстами попередніх днів і часів, щоб побудувати майбутню контекстуальную історію, пов'язану з користувачем обчислювального пристрою 110.
Контекстний модуль 162 може доповнити майбутню контекстну історію, пов'язану з користувачем обчислювального пристрою 110, інформацією, що зберігається в електронному календарі, або інформацією, отриманою з інших джерел, пов'язаного з обчислювальним пристроєм 110. Наприклад, електронний календар може включати в себе розташування, пов'язане з подією або зустріччю, запланованих на майбутнє, або в день, коли користувач зазвичай знаходиться в домашній мережі. Замість того, щоб включати вихідне місце розташування для майбутнього часу або дня події в якості очікуваного місця розташування в майбутньої контекстуальної історії, контекстний модуль 162 може включати в себе розташування події в якості очікуваного місця розташування протягом майбутнього часу або дня події.
У Розділі 36 вказана конструкція поведінки користувача, прорахованого шляхом «спостереження» за нашими шаблонами поведінки з Розділу 34, і її комбінацію з інформацією про події в календарі, отриманої з інших джерел, щоб перевизначити звичні шаблони з відомими наступаючими подіями, які можуть порушити наше повсякденне діяльність.
В рамках служби прогнозування, до якої звертається обчислювальний пристрій 110, модуль прогнозування 164 може автоматично виводити дані повідомлення, або іншу інформацію, в модуль повідомлень 122 обчислювального пристрою 110, для попередження користувача про корекцію, яку користувач може зробити для поточного дії, як спосіб забезпечення того, щоб в майбутньому було зроблено певним чином впливати.
Інакше кажучи, модуль передбачення 164 може визначати, чи є поточний дію, яке виконує користувачем в поточному контексті, більш імовірним-менш імовірним, щоб привести до того, що користувач зможе виконати майбутнє дію в майбутньому контексті.
У Розділі 39 ми просто бачимо результат: Google повідомляє користувача про те, що дія, яку він робить зараз, може вплинути на здатність виконувати майбутні дії.
Таким чином, модуль передбачення 164 може виконувати один або кілька методів машинного навчання, щоб вивчати і моделювати дії, які користувачі обчислювального пристрою 110 і інших обчислювальних пристроїв зазвичай приймають для різних контекстів. Шляхом навчання і моделювання дій для різних контекстів модуль передбачення 164 може генерувати одне або кілька правил для прогнозування дій, які користувач обчислювального пристрою 110 приймає для конкретного контексту.
У розділі 40 патенту обговорюється використання машинного навчання і моделювання для визначення і прогнозування можливих дій, які виконуються. В інших розділах патенту ми читаємо такі приклади, як використання руху і місцезнаходження пристрою для визначення того, що користувач стоїть в черзі в аеропорту (і який контекст цієї події).
У розділі 44 ми бачимо дуже корисний приклад: система виявляє, що користувач проспав на рейс, і, попереджає його про це, поки ще не пізно на нього встигнути, з огляду на поточні умови (час до аеропорту, час, щоб пройти через рамку і т. д.).
На відміну від інших обчислювальних пристроїв і систем, які просто надають нагадування і доступ до інформації, але все ж можуть дозволити користувачеві йти в тому напрямку або робити ті дії, які можуть привести до помилки, яку здійснюють в їх повсякденному житті, пропонована система вживає додаткових заходів для виключення помилок, і того, що майбутні дії, пов'язані з нагадуваннями і інформацією, фактично будуть виконані. Навіть якщо користувач не усвідомлює, що він або вона робить помилку, пропонована система все одно автоматично надасть інформацію, яка допоможе користувачеві повернутися, щоб уникнути помилки.
Тут ми бачимо щось досить просте, але це потрібно проілюструвати, оскільки ми наближаємося до розділу 54. Система призначена для активного надання інформації, яка дозволить користувачеві уникнути помилок, навіть якщо він не знає про згадану помилку спочатку. Дуже приємна ідея, що і говорити, але тут вона стає небезпечною.
Отже, користувачеві не потрібно навіть знати, що він або вона робить помилку, обчислювальна система може зрозуміти, чи може користувач, можливо, зробити коригувальні дії до поточного дії без участі користувача. Користувач може відчувати менше стресу і витрачати менше часу на неправильний шлях до майбутнього дії і менше часу на виправлення курсу, щоб уникнути помилок. Шляхом виправлення потенційних помилок заздалегідь, пропонована система може дозволити обчислювальному пристрою отримувати менше вхідних даних від користувача, який шукає інформацію, щоб спробувати виправити помилку.
Перш ніж ми продовжимо, розглянемо малюнок 2. Розуміння цих цифр не обов'язково для наших цілей, але для деяких з них це може бути корисним або, по крайней мере, допоможе вам зрозуміти, що ви нічого не втрачаєте.
Сховище даних завдань і потреб 270C містить одне або кілька раніше розроблених правил, яким необхідний модуль прогнозування 264 для прогнозування завдання або дії, які, ймовірно, будуть виконуватися користувачем обчислювального пристрою для поточного контексту. Сховище 270С також містить інформацію, яка може знадобитися користувачеві для виконання завдання. Наприклад, сховище даних 270C може зберігати правила машинного навчання або системи штучного інтелекту модуля прогнозування потреб 264. Система машинного навчання або штучного інтелекту модуля 264 прогнозування потреб може звертатися до даних сховища 270C для визначення завдань і потреб, пов'язаних з користувачами обчислювального пристрою 110 для конкретного контексту .
Розділ 66 досить простий: у патенті йдеться, що машинне навчання та / або штучний інтелект (ШІ) будуть застосовуватися для визначення найбільш ймовірних завдань, які виконуються на основі минулих моделей поведінки, і для оцінки їх впливу на виконання майбутньої завдання. Це включає визначення ймовірних завдань і потреб, пов'язаних з цим майбутнім подією, щоб визначити, чи виконав користувач всі дії, які необхідно виконати до участі в цьому майбутньому подію. Це може включати такі речі, як зупинка на бензоколонці, щоб залити бак ввечері напередодні польоту, якщо виліт о 6:30 ранку.
Варто зазначити, що в інших розділах, які не включені тут, йдеться про те, що системи машинного навчання і штучного інтелекту постійно навчаються розуміння глобальних моделей, а також моделей, унікальних для окремих осіб.
Модуль передбачення 264 може вводити поточний контекст, заздалегідь визначений майбутній контекст, поточний дію, і очікуване або майбутнє дію в сховище даних завдань і потреб 270C і отримувати вказівку ступеня ймовірності того, чи може, наприклад, користувач відмовитися від хімчистки і при цьому мати можливість бути присутнім на заході на наступний день. Сховище даних завдань і потреб 270C може видавати низький ступінь ймовірності (наприклад, менше 50%), так як на наступний день хімчистка закрита, і тому користувач не зможе забрати свій одяг для події.
Ось моя улюблена частина, де Google все вибудовує. У цьому розділі ми бачимо, як користувач під'їжджає до хімчистці, а система передбачає, що у користувача на наступний день зустріч. Знаючи, що хімчистка закрита на наступний день, Google використовує коригувальні дії, пропонуючи найближчу хімчистку, яка буде відкрита на наступний день. Діалог міг би звучати так:
Система інформаційних серверів (СІС) 160 може визначити, що користувач взаємодіє з обчислювальним пристроєм 110, щоб купити квитки на подію, яка завадить відвідування іншої події, для якого користувач вже придбав квитки, і змусити обчислювальний пристрій 110 попередити користувача про можливу помилку. СІС 160 може знати більше, ніж просто час початку і закінчення подій для визначення потенційних конфліктів. Наприклад, модуль передбачення 164 може дізнатися з попередніх спостережень інших користувачів інших обчислювальних пристроїв, що навіть якщо час початку події призначено на конкретний момент часу, то реєстрація на нього закривається за 15 хвилин до фактичного часу початку. І якщо учасники не приїхали на п'ятнадцять хвилин раніше, зарезервовані місця віддаються іншим відвідувачам заходу. Таким чином, навіть якщо офіційний час початку і закінчення двох подій не перекриваються, ISS 160 може попередити користувача обчислювального пристрою 110 про можливий конфлікт в бронюванні квитків для цих двох подій, якщо час закінчення попереднього події перекривається з «неофіційними» часом початку наступного події.
Цей розділ неймовірно важливий і корисний. Тут ми бачимо, що система здатна зрозуміти менш формальні аспекти людського життя, такі як неофіційне час для подій. Припускаємо, наприклад, що буде враховуватися середній час, необхідний для проходження через митницю після прибуття в Лос-Анджелес, щоб Убер очікував мене, а не сидів там протягом 30 хвилин, тому що він був замовлений на підставі того часу, коли мій літак повинен був приземлитися.