Recent, Google a furnizat două brevete care desenează o imagine foarte interesantă a căutării viitoare.
Înainte de a ne scufunda în acest subiect, considerăm necesar să subliniem că disponibilitatea unui brevet nu înseamnă că Google va implementa tot ceea ce conține (sau chiar cel puțin ceva) conținutul acestuia. Cu toate acestea, aceasta ilustrează domeniile în care Google intenționează să investească fonduri semnificative.
Aceste două brevete conțin idei și tehnologii care reflectă direcția în care se dezvoltă în prezent: monetizarea comunicațiilor mobile și vocale.
În acest articol ne vom concentra pe primul brevet "Detectarea și corectarea eventualelor erori în comportamentul utilizatorilor". Pentru a obține o idee despre întreaga realizare a rezultatelor Google în acest domeniu, am făcut extrase din secțiunile cheie ale brevetului, după care ne dăm evaluarea acestor secțiuni.
Este descris un sistem de calcul care prezice acțiunea viitoare pe care utilizatorul dispozitivului de calcul trebuie să o ia și determină, pe baza informațiilor contextuale asociate cu dispozitivul de calcul, acțiunea curentă luată de utilizator. Sistemul informatic bazat pe acțiunea curentă determină gradul de probabilitate ca utilizatorul să poată lua acțiuni viitoare și prezice, pe baza gradului de probabilitate, ce acțiuni viitoare nu va putea efectua utilizatorul. Sistemul informatic trimite informații către dispozitivul de calcul, indicând faptul că acțiunea curentă luată de utilizator va determina ca utilizatorul să nu poată lua acțiuni viitoare.
De obicei, în fundalul brevetului, se afirmă întrebarea "de ce" sau ce problemă se propune rezolvarea cu ajutorul acestuia. În acest context, vedem că Google recunoaște faptul că, în timp ce dispozitivele de astăzi pot avertiza utilizatorii despre evenimente viitoare, ar putea fi necesar să recomande produse pe baza istoricului de achiziții al utilizatorului. (Mă întreb de ce spun, nu-i așa?) Tehnologiile moderne nu sunt proactive în corectarea acțiunilor utilizatorilor atunci când acțiunile lor sunt incompatibile cu nevoile lor.
... descoperirea este îndreptată către o metodă care include prezicerea de către sistemul informatic a acțiunii viitoare pe care utilizatorul dispozitivului de calcul trebuie să o ia; determinarea de către sistemul informatic pe baza informațiilor contextuale asociate cu dispozitivul de calcul, acțiunea curentă luată de utilizator; determinarea de către sistemul informatic, pe baza acțiunii curente, a gradului de probabilitate a utilizării de către utilizator a acțiunilor ulterioare și prin prezicerea cu ajutorul sistemului informatic bazată pe gradul de probabilitate ca utilizatorul să nu poată lua măsuri viitoare. Metoda include în plus transmiterea de informații de la sistemul de calcul către dispozitivul de calcul indicând faptul că acțiunea curentă luată de utilizator va avea ca rezultat faptul că utilizatorul nu poate să întreprindă acțiuni viitoare.
Deși rezumatul este format din patru părți, deja în secțiunea a doua, obținem o imagine a ceea ce caută acest brevet Google. Fundalul a descris un sistem care va detecta când măsurile luate pot interfera cu acțiunile viitoare care sunt așteptate de la utilizator și aici vedem că Google îi va trimite utilizatorului indicația că acțiunile lor actuale vor împiedica acțiuni suboptimale viitoare.
Acest lucru nu pare prea interesant; Cu toate acestea, pe măsură ce ne vom arunca cu capul în jos, vom începe să înțelegem întreaga sferă de acțiune, impactul și puterea pe care o vorbesc.
Mai jos veți găsi câteva referințe numerice, cum ar fi "dispozitivul de calcul 110". Aceste numere se referă la cifrele incluse în brevet. Deși majoritatea nu au nimic de-a face cu înțelegerea a ceea ce discutăm (în contextul nostru).
Acum să ne întoarcem la brevet ...
Modulul context 162 poate sprijini istoria trecută și viitoare a contextului asociat cu utilizatorul dispozitivului de calcul 110. Modulul de context 162 poate cataloga și înregistra contextul anterior al dispozitivului de calcul 110 în diferite locații din trecut și din contextul înregistrat anterior, se pot proiecta sau pune viitorul contextelor de calcul dispozitive 110 în diverse locații viitoare în viitor. Modulul de context 162 poate asocia zile viitoare și timpi viitori cu contextele repetate din zilele și orele anterioare pentru a construi un istoric contextual viitor asociat utilizatorului 112 al calculatorului.
Modulul context 162 poate suplimenta istoricul contextuale viitoare asociate cu dispozitivul utilizator de calcul 110, informațiile stocate în calendar electronic, sau informațiile primite de la o altă sursă conectată la un dispozitiv de calcul 110. De exemplu, calendarul electronic poate include o locație asociată cu evenimentul sau o întâlnire planificată pentru viitor sau într-o zi în care utilizatorul este, de obicei, în rețeaua de domiciliu. În loc să includă locația sursă pentru ora sau ziua viitoare a evenimentului ca locație așteptată într-un viitor istoric contextual, modulul context 162 poate include locația evenimentului ca locație așteptată pentru ora sau ziua viitoare a evenimentului.
Secțiunea 36 conține comportamentul design utilizator, calculat prin „observații“ ale modelelor noastre de comportament în secțiunea 34, și de combinarea cu informații despre evenimentele din calendar, primite din alte surse pentru a trece peste modelele obișnuite cu evenimente viitoare cunoscute care pot perturba nostru de zi cu zi activitate.
Ca parte a serviciului de prognoză, accesat de către dispozitivul de calcul 110, modulul de predicție 164 poate afișa automat datele de notificare, sau alte informații în unitatea de notificare 122 a dispozitivului de calcul 110 pentru a alerta utilizatorul cu privire la corecția pe care utilizatorul poate lua la această acțiune, ca o modalitate Asigurarea unei anumite acțiuni în viitor.
Cu alte cuvinte, modulul de predicție 164 poate determina dacă acțiunea curentă efectuată de utilizator în contextul actual este mult mai probabil sau mai puțin probabil ca utilizatorul să poată efectua o acțiune viitoare într-un context viitor.
În secțiunea 39, vedem pur și simplu rezultatul: Google anunță utilizatorul că acțiunea pe care o întreprinde acum poate afecta capacitatea de a efectua acțiuni viitoare.
Astfel, modulul de predicție 164 poate efectua una sau mai multe metode de învățare a mașinii pentru a studia și a simula acțiunile pe care utilizatorii dispozitivului de calcul 110 și alte dispozitive de calcul le primesc în mod obișnuit pentru contexte diferite. Prin acțiuni de învățare și modelare pentru diferite contexte, modulul de predicție 164 poate genera una sau mai multe reguli pentru prezicerea acțiunilor pe care utilizatorul dispozitivului de calcul 110 le recepționează pentru un anumit context.
Secțiunea 40 din brevet discută despre utilizarea învățării în mașină și modelare pentru a determina și a anticipa posibilele acțiuni care se desfășoară. În alte secțiuni ale brevetului, am citit exemple cum ar fi utilizarea mișcării și a locației dispozitivului pentru a determina dacă utilizatorul așteaptă în coada de la aeroport (și care este contextul acestei acțiuni).
În secțiunea 44 vom vedea un exemplu foarte util: sistemul detectează faptul că utilizatorul a dormit pe zbor, și îl avertizează cu privire la aceasta până când e prea târziu să-l în timp, având în vedere condițiile actuale (timp la aeroport, timpul pentru a merge prin cadru și așa mai departe. d.).
Spre deosebire de alte dispozitive și sisteme de calcul care oferă pur și simplu mementouri și acces la informații, dar pot totuși permite unui utilizator să meargă în acea direcție sau să ia acele acțiuni care pot duce la o eroare comisă în viața lor de zi cu zi, sistemul propus are măsuri suplimentare pentru a exclude erorile și că acțiunile viitoare legate de mementouri și informații vor fi efectiv efectuate. Chiar dacă utilizatorul nu își dă seama că face o greșeală, sistemul propus va furniza automat informații care vor ajuta utilizatorul să se întoarcă pentru a evita greșelile.
Aici vedem ceva destul de simplu, dar acest lucru trebuie ilustrat, pe măsură ce abordăm secțiunea 54. Sistemul este conceput pentru a furniza în mod activ informații care să permită utilizatorului să evite greșelile, chiar dacă el nu știe inițial despre eroarea de mai sus. O idee foarte plăcută, sigur, dar aici devine periculoasă.
Prin urmare, utilizatorul nici măcar nu trebuie să știe că el sau ea face o greșeală, sistemul de calcul poate înțelege dacă utilizatorul poate lua eventuale acțiuni corective pentru acțiunea curentă fără intervenția utilizatorului. Utilizatorul poate experimenta mai puțin stresul și poate petrece mai puțin timp pe calea greșită la acțiunea viitoare și mai puțin timp pentru a corecta cursul pentru a evita greșelile. Prin corectarea erorilor potențiale în avans, sistemul propus poate permite dispozitivului de calcul să primească mai puțină informație de la un utilizator care caută informații în încercarea de a corecta eroarea.
Înainte de a continua, vom examina figura 2. Înțelegerea acestor numere nu este necesară pentru scopurile noastre, dar pentru unele dintre ele poate fi utilă sau cel puțin vă poate ajuta să înțelegeți că nu pierdeți nimic.
Probleme depozit de date și are nevoie de 270C conține una sau mai multe reguli stabilite anterior, care necesită unitate de predicție 264 pentru sarcini de predicție sau acțiuni care pot fi efectuate de către dispozitivul de calcul utilizator la contextul actual. Stocul 270C conține, de asemenea, informații pe care utilizatorul ar putea să le aibă pentru a efectua sarcina. De exemplu, 270C depozit de date poate stoca reguli pentru masina de învățare sau de nevoile de inteligență artificială ale unității de predicție 264. Sistemul de mașini de învățare sau nevoi de inteligență artificială ale unității de predicție 264 pot accesa 270c de stocare a datelor pentru a determina problemele și nevoile asociate cu dispozitivul de calcul al utilizatorului 110 la un anumit context .
Secțiunea 66 este destul de simplu: în brevetul de invenție prevede că învățarea mașinii și / sau inteligență artificială (AI) vor fi utilizate pentru a determina cele mai probabile sarcini efectuate pe baza comportamentelor anterioare, precum și pentru a evalua impactul acestora asupra performanței viitoare a sarcinii. Aceasta include identificarea posibilelor probleme și nevoile asociate cu acest eveniment viitor, pentru a stabili dacă utilizatorul a efectuat toate acțiunile care trebuie să fie finalizate înainte de participarea la acest eveniment viitor. Acest lucru poate include lucruri cum ar fi oprirea de la o stație de gaz pentru a umple rezervorul cu o noapte înainte de zbor, în cazul în care zborul de la 06:30.
Este de remarcat faptul că în alte secțiuni care nu sunt incluse aici, se spune că sistemele de învățare în mașină și inteligență artificială învață constant să înțeleagă modelele globale, precum și modelele unice pentru indivizi.
Modul de predicție 264 poate intra în contextul actual, viitorul context predeterminat al acțiunii curente, și acțiunea anticipată sau viitoare în sarcinile depozit de date și nevoile 270C și să primească o indicație a gradului de probabilitate dacă, de exemplu, poate un utilizator să renunțe la curățare uscată și, în același timp, să fie în măsură să participe la eveniment a doua zi. Probleme depozit de date și are nevoie de 270C poate oferi un nivel scăzut de probabilitate (de exemplu, mai puțin de 50%), ca a doua zi serviciu de curățătorie este închis, iar astfel încât utilizatorul nu va fi capabil de a ridica hainele ei pentru eveniment.
Iată partea mea preferată, unde Google construiește totul. În această secțiune, vedem cum ajunge utilizatorul la mașina de curățat și sistemul prezice că utilizatorul are o întâlnire a doua zi. Știind că curățarea uscată este închisă a doua zi, Google utilizează acțiuni corective, oferind cele mai apropiate curățătorii chimice, care vor fi deschise a doua zi. Dialogul ar putea suna așa:
Information Servere Sistemul (SIS) 160 poate stabili că utilizatorul interacționează cu dispozitivul de calcul 110 pentru a cumpăra bilete pentru eveniment, care va preveni vizite la alte evenimente pentru care utilizatorul a cumpărat deja bilete, și de a face dispozitivul de calcul 110 pentru a notifica utilizatorul unei eventuale erori. SIS 160 poate cunoaște mai mult decât timpul de începere și de sfârșit al evenimentelor pentru a identifica eventualele conflicte. De exemplu, modulul de predicție 164 pot învăța din observațiile anterioare ale altor utilizatori ai altor dispozitive de calcul, chiar dacă timpul de pornire este programat pentru un anumit timp, înregistrarea se închide pe el timp de 15 minute înainte de ora de începere efectivă. Și dacă participanții nu au ajuns cu cincisprezece minute mai devreme, se vor acorda locuri rezervate celorlalți vizitatori ai evenimentului. Astfel, chiar dacă oficial timpii de început și de sfârșit ale celor două evenimente nu se suprapun, ISS 160 poate alerta utilizatorul dispozitivului de calcul 110 unui posibil conflict în rezervarea de bilete pentru aceste două evenimente, în cazul în care ora de încheiere a evenimentului anterior se suprapune cu timpul „neoficial“ start a evenimentului următor.
Această secțiune este incredibil de importantă și utilă. Aici vedem că sistemul este capabil să înțeleagă mai puțin aspectele formale ale vieții umane, cum ar fi timpul pentru evenimente informale. Presupunem, de exemplu, care va lua în considerare timpul mediu necesar pentru a trece prin vamă la sosirea în Los Angeles pentru a Uber de așteptare pentru mine, și nu a stat acolo timp de 30 de minute, pentru că el a fost dispus pe baza timpului, atunci când avionul meu ar trebui era să aterizeze.