1) 🚀 Тренди та вплив
Останні дослідження Google показують, що майбутнє пошуку полягає в розумінні намірів користувача ще до введення запиту. Замість великих AI-моделей, які працюють у хмарі, компанія зосереджується на малих моделях, що можуть працювати безпосередньо на пристрої. Такий підхід дозволяє зберігати дані локально, що прискорює процес, знижує вартість і мінімізує ризики для конфіденційності. Як пояснюється в статті "Small Models, Big Results", розуміння намірів користувача розбивається на менші кроки, що робить малі моделі достатньо потужними для досягнення результатів, порівнянних із великими системами.
2) 🛠 Практичні кроки
Google пропонує розділити задачу на два простих етапи. Спочатку кожна взаємодія з екраном окремо узагальнюється, записуючи, що було на екрані, що зробив користувач і чому. Далі інша мала модель аналізує лише фактичні частини цих резюме, ігноруючи припущення, щоб видати коротку заяву, яка пояснює загальну мету користувача. Такий підхід дозволяє уникнути типових помилок малих моделей, які стикаються зі складними, неоднозначними історіями.
3) 💡 Конкурентні переваги
Метод Bi-Fact, що використовується для оцінки успіху, показує, що підхід з покроковим аналізом перевершує інші методи з малими моделями. Наприклад, модель Gemini 1.5 Flash може досягнути такої ж продуктивності, як і Gemini 1.5 Pro, але на мобільних даних. Це не тільки зменшує кількість помилкових припущень, але й забезпечує швидшу та дешевшу роботу системи в порівнянні з великими моделями у хмарі.
Цей підхід також більш стійкий до "шумного" навчального набору даних, що є частою проблемою при аналізі реальної поведінки користувачів. Таким чином, Google наближається до майбутнього, де агент може пропонувати дії або відповіді ще до того, як користувач здійснить пошук.