Google AI Mode работает как многоэтапная система, использующая...

143

Google AI Mode работает как многоэтапная система, использующая классический индекс Google, но отличающаяся постоянным пользовательским контекстом, который сохраняется с помощью векторных эмбеддингов прошлых взаимодействий, таких как поисковые запросы (далее ПЗ) и клики.

Когда поступает ПЗ, AI-режим запускает процесс "Query Fan-Out" (веерное расширение запроса), генерируя множество связанных синтетических запросов.

Эти синтетические запросы, вместе с исходным ПЗ, отбирают документы, чьи векторные эмбеддинги хорошо соответствуют друг другу, формируя "кастомный корпус", адаптированный под пользователя и его запрос.

Query Fan-Out — это способность Google интерпретировать более глубокий ПЗ пользователя, выходя за рамки буквального значения введенных слов.

Затем система автоматически расширяет этот первоначальный ПЗ, чтобы охватить связанные подтемы, сопутствующие вопросы и различные аспекты темы, которые также могут заинтересовать пользователя, по сути, предвосхищая его последующие информационные потребности.

Это работает благодаря тому, что Google использует свой продвинутый ИИ и технологии понимания естественного языка, чтобы определить этот более широкий пользовательский интент.

Затем Google определяет эти связанные информационные потребности, часто опираясь на анализ типичных путей пользователей (user journeys) и их последующих ПЗ.

Такое "веерное" понимание позволяет Google формировать более полные и релевантные результаты поиска, что особенно заметно в таких функциях, как AI Overviews, которые обобщают информацию, чтобы напрямую ответить как на первоначальный ПЗ, так и на эти предполагаемые смежные области.

Затем, в зависимости от характера ПЗ и потребностей пользователя, выборочно подключаются специализированные LLM, которые выполняют такие задачи, как создание кратких сводок, извлечение данных или логический анализ информации из нескольких документов.

Вместо того чтобы генерировать текст с нуля, AI-режим, подобно методу генерации с дополненным извлечением (RAG), извлекает релевантные отрывки или "чанки" из кастомного корпуса для синтеза связного ответа.

Важно отметить, что выбор источников (citation selection) не зависит от традиционного ранжирования документов, а фокусируется на том, насколько точно конкретный фрагмент текста подтверждает сгенерированный ответ.

Весь процесс в значительной степени опирается на метод "плотного извлечения", при котором ПЗ, документы и фрагменты текста преобразуются в векторные эмбеддинги для расчета их сходства.

Это означает отход от чисто статической оценки (static scoring); AI-режим все чаще использует LLM для оценки релевантности, возможно, посредством попарных сравнений, когда LLM определяет относительную релевантность двух фрагментов текста по отношению к поисковому запросу.

AI-режим также обладает "фоновой памятью", которая со временем накапливает информацию о пользователе в виде агрегированных векторных эмбеддингов.

Это, в сочетании с моделями "пользовательских векторных эмбеддингов" — постоянными векторными репрезентациями отдельных пользователей, сформированными на основе их активности в экосистеме Google — обеспечивает глубокую персонализацию.

Этот "пользовательский векторный эмбеддинг" влияет на интерпретацию ПЗ, генерацию синтетических запросов, извлечение фрагментов текста и окончательный синтез ответа.

Это означает, что разные пользователи могут получать разные ответы или видеть разные источники для одного и того же ПЗ.

https://ipullrank.com/how-ai-mode-works

https://www.aleydasolis.com/en/ai-search/google-query-fan-out/

@MikeBlazerX