Andrey Plakhov‘as ir Andrey Gulin‘as „Yandex“ paieškos pagrindiniai specialistai papasakojo Andy Atkins-Krûger’iui iš Searchengineland.com apie „Matriksnete”, „Spektr” (technologija vartotojų užklausoms atminti) ir elgsenos duomenis. Tai dar vienas jo straipsnis šalia visos eilės jo leidinių apie „Yandex“.
Gulin’as ir Plakhov‘as, užsiminė ir apie kovą prieš mokamas nuorodas. „Yandex“ planuoja leisti tam tikrais atskirais atvejais mokamoms nuorodoms įtakoti reitingavimą (Google, pasak Atkins-Kruger’io taip toli neina) – bet tai bus nuorodos į labai, labai aukštos kokybės tinklalapius. Kaip dėl elgesio metrikų – didelis kiekis paspaudimų ant informacijos pateiktos apie svetainę ne visada reiškia, kad svetainė yra gera. Daug paspaudimų gali gauti, pavyzdžiui, pornografijos svetainė netyčia papuolusi pagal „padorią” užklausą į pateiktus rezultatus.
„Google“ niekada nepatvirtino, kad jis įvertina vartotojų paspaudimus savo algoritmuose, tačiau Andrey Gulin’as mano, kad be elgesio duomenų apdorojimo geros naršyklės šiuo metu nesukūrsi. O „Google” yra gera naršyklė, vadinasi ji tokius duomenis nadoja.
Taip pat yra žinoma, kad „Google” labai ribotai palyginti su „Yandex“ naudoja įrangos apmokymus (kuriais remiantis yra sukūrtas „Matriksnet”) savo paieškos technologijose (bet aktyviai juos naudoja reklamos technologijose). Svetainėje Quora.com, kurioje bendrauja IT- kompanijų užsienio specialistai, yra aptariamos tokios veiklos priežastys.
Buvęs „Google“ darbuotojas Edmond’as Lau įvardija priežastis, dėl kurių „Matriksnet” nepatinka optimizuotojams. Įrangos apmokymų atveju, pasirodo yra sunku suprasti, kodėl būtent šis dokumentas yra reitinguojamas pagal tam tikras užklausas. Algoritmas virsta „juodaja dėže“ ir net jo kūrėjai dažnai negali atkurti „apmastymų” grandinės ir veiksnių rinkinio, kurie privertė algoritmą priimti vienokį ar kitokį sprendimą. Antra, net jei jums pavyko nustatyti signalus, dėl kurių buvo priimtas sprendimas, o šis sprendimas pasirodė esąs neteisingas, algoritmą labai sunku konfigūruoti rankiniu būdu taip, kad jis į kokius nors signalus nekreiptų dėmesio, kad jis juos priimtų kaip konteksto dalį ir t. t. Algoritmui galima tik „sušerti” tam tikrus duomenis, o kaip jis juos naudoja po apdorojimo – neaišku. Tiesioginės kontrolės trūkumas sukuria situaciją, kai žmogus aiškiai žino, kad vienas puslapis labiau atitinka užduotą užklausą negu kitas, o perteikti šias žinias mašinai pasirodo yra neįmanoma. Ypač jeigu jo žinias įtakoja intuicija.
„Google“ paieškos algoritmas yra pagrįstas taisyklėmis, kurios leidžia programuotojams tiksliai taškiniu būdu „sureguliuoti svarstykles” konkrečiose situacijose. Tik 2008 metais buvo įvesta 450 tokių taškinių algoritmo patobulinimų, o „Google” dominavimas paieškoje leidžia šią technologiją laikyti sėkminga.
Kodėl įrangos apmokymas yra naudojamas „Google” reklamos skelbimų reitingavimui? Lau mano, kad to priežastimi yra faktas, jog žmogui yra daug sunkiau palyginti dviejų skelbimų kokybę nei dviejų svetainių. Be to, nustatant skelbimų reitingą, reikia atsižvelgti į elgsenos duomenis, o su šia užduotimi mašina susidoroja geriau negu žmogus.
Dar vienas „buvęs didžiosios naršyklės bendradarbis” anonimiškai priduria, kad reklamos atveju nuo algoritmų sprendimų priklauso „Google” pajamos ir reklamuotojų laimė, todėl būtų geriau, kad skelbimų reitingą nustatytų robotai atsižvelgdami į objektyvias priežastis.
