Salesforce’s Machine Learning für intelligente Suche

Jede Suchanfrage Ihres Kunden ist eine Gelegenheit, seine Bedürfnisse und Vorlieben besser zu verstehen. Die Maximierung des Geschäftswerts in einer digitalen Umgebung, in der Suchanfragen den primären Einblick in die Bedürfnisse Ihrer Nutzer darstellen, offenbart schnell, dass die Suche ein Problem des maschinellen Lernens ist.

Sie fragen sich vielleicht: Wie kann ich die Suchfunktion meiner Website, App oder meines Startups intelligenter gestalten? Wie viel maschinelles Lernen ist wirklich nötig? Welche Art von Infrastruktur ist erforderlich, um all dieses ML zu unterstützen?

Dieses Jahr präsentierte Jake Mannix, Software Architect, Search Relevance, von Salesforce „Table Stakes ML for Smart Search“ auf unserer jährlichen Search and AI Conference, Activate. In seinem Vortrag ging Mannix auf Table Stakes für maschinelles Lernen, intelligente Suchfunktionen und architektonische Merkmale ein, um die optimale Suchfunktionalität für Ihre Benutzer zu schaffen. Sehen Sie sich seinen Vortrag unten an, um mehr über maschinelles Lernen in der Suche zu erfahren.

Maschinelles Lernen für intelligente Suche

Wenn Sie den Geschäftswert in einem suchgesteuerten Fluss maximieren möchten, müssen Sie in der Lage sein, mit größtmöglicher Genauigkeit vorherzusagen, was Ihre Nutzer nach jeder Suchanfrage tun werden. Das nennt man robuste Suchrelevanz. „Die Suchrelevanz ist ein komplexes Data-Science-Problem, das auf detaillierten Instrumenten zum Erlernen von Vorhersagemodellen auf der Grundlage Ihrer Benutzer, ihrer Fragen und der möglichen Antworten beruht“, sagt Mannix. Der Schlüssel liegt darin, mit größtmöglicher Genauigkeit vorherzusagen, was Ihre Nutzer nach einer Anfrage bei Ihnen tun werden.

Machen Sie es gesprächig

Damit eine Suche intelligent ist, muss sie dialogorientiert sein. Eine Sitzung besteht nie nur aus einer einzigen Suchanfrage, sondern aus einer Handvoll anderer Anfragen, die möglicherweise mit anderen Umformulierungen weiterverfolgt werden müssen.

Zum Beispiel, wenn Sie nach einem „weißen Mantel mit schwarzer Krawatte“ oder einem „weißen Smoking für eine formelle Veranstaltung mit schwarzer Krawatte“ suchen. Mannix erklärte, dass die konversationelle Suche nicht unter dem Verlust des Kurzzeitgedächtnisses leidet. Ihre Nutzer versuchen, Ihnen beizubringen, was sie meinen, und die Suche sollte mit jeder Interaktion immer präziser werden.

Machen Sie es natürlich

Die Zeiten, in denen man sich einfach auf Stoppwörter, ausgeklügelte Tokenizer, Stemmers und Lemmatizer verlassen hat, sind vorbei. Die natürlichsprachliche Suche ist in der Lage, die Anfrage eines Benutzers (egal ob gesprochen oder in ein Suchfeld oder einen Chatbot eingegeben) in Teile der Sprache zu zerlegen, herauszufinden, wonach der Benutzer sucht – und wonach nicht – und sie in eine Anfrage umzuwandeln, die an eine Datenbank oder ein Suchsystem übermittelt wird, um die besten Ergebnisse zu liefern.

Die Benutzer erwarten, dass sie komplexere und natürlichere Suchanfragen stellen können, wie z.B. „Wie eröffne ich ein Konto, wenn ich bereits eines habe?“ oder „Marias Top-Opportunities in Seattle mit Stage Prospecting, die diesen Monat geändert wurden?“ Die natürliche Suche ermöglicht es den Nutzern, Fragen zu stellen, als würden sie mit einem Vertriebsmitarbeiter sprechen, ohne die „richtigen“ Schlüsselwörter verwenden zu müssen, und die relevantesten Informationen zu erhalten.

Machen Sie es persönlich

Personalisierung ist das „Du-kennst-mich“-Gefühl, wenn Sie durch Netflix scrollen und die Empfehlungen genau richtig sind. Oder wenn Sie eine Website besuchen und der Chatbot proaktiv fragt, ob Sie Unterstützung für einen kürzlich gekauften Artikel benötigen. Mannix erklärt, dass es bei der Personalisierung darum geht, aktuelle und weniger aktuelle Signale über alle Nutzerkanäle hinweg zu erfassen, um vernetzte Erlebnisse zu liefern, die den Umsatz steigern.

Maschinelles Lernen, das in der Lage ist, die Suchrelevanz fein abzustimmen, bedeutet auch eine große Zeitersparnis für Ihre Mitarbeiter. Ein Jahrzehnt lang den Überblick über manuell erstellte Regeln zu behalten, schafft ein unübersichtliches Netz für Suchteams. Die manuelle Anpassung von Suchergebnissen nimmt nicht nur viel Zeit in Anspruch, sondern muss auch im Laufe der Zeit gepflegt werden, sobald Sie eine manuelle Kuratierungsregel erstellt haben. Maschinelles Lernen passt die Suchergebnisse in Echtzeit an, ohne dass ein Mensch eingreifen muss, so dass sich die Teams auf die Wertschöpfung konzentrieren können.

Hinweis: Erforderliche architektonische Komponenten

Wenn Sie diese Funktionen für Ihre Suchmaschine entwickeln, sollten Sie diese architektonischen Komponenten im Hinterkopf behalten.

• Daten-Pipelines: Behandeln Sie Relevanz-Feedback von Ihrer Benutzeroberfläche als einen erstklassigen Bürger in Ihrer Datenlandschaft, gleichrangig mit APIs zum Suchen und Hinzufügen zum Index.
• Berechnen: Trainieren Sie Ihre Modelle irgendwo skalierbar und sicher
• ML-Datenspeicher: Ein Dokumentenspeicher, der die uninvertierte Form der Originaldokumente speichert.
• Model Serving: Die Inferenz sollte außerhalb von Lucene und Solr erfolgen, um eine niedrige Latenzzeit und unabhängig skalierbare Vorhersagen zu erhalten.

Dieses maschinelle Lernen ist der Grundstein für Ihre intelligente Suchstrategie. Verschaffen Sie Ihren Suchmaschinen einen „Platz am Tisch“ für die hochgradig geteilte Aufmerksamkeit Ihrer Nutzer und sehen Sie sich die vollständige Präsentation auf der Activate 2020 hier an.