Google vai usar machine learning para melhorar barra de endereços do Chrome – Tecnoblog

A versão 124 do Chrome para Windows, macOS e ChromeOS contará com recursos de aprendizagem de máquina (machine learning) para ajudar os usuários a localizar abas abertas ou favoritos, voltar às páginas visitadas e encontrar informações.

No blog do Chromium (projeto de código aberto que serve de base para Chrome, Edge e outros navegadores), o engenheiro de software Justin Donnelly explica como foi o trabalho da equipe para aperfeiçoar esta parte do navegador.

A barra de endereços do Chrome (também conhecida como Omnibox) funciona com base em pontuação. Cada sugestão contém pontos, levando em consideração algumas seções. As sugestões com mais pontos aparecem para o usuário.

Até agora, o sistema possuía fórmulas elaboradas e ajustadas manualmente. Ele funcionava bem, principalmente com endereços de sites e termos de pesquisa, mas era inflexível e não se adaptava bem a novos cenários.

Aprendizado de máquina melhora sistema de pontuação

A aprendizado de máquina permite analisar uma série de dados, em escalas impossíveis para seres humanos. Com isso, ela consegue ajustar o sistema de pontuação considerando detalhes que foram despercebidos para os programadores.

Donnelly dá um exemplo. O tempo de desenvolvimento do Chrome desde entendeu que o tempo da última visita a um site foi inversamente proporcional à sua relevância. Em outras palavras, uma página acessada há alguns minutos é mais relevante para o usuário que é acessado há meses.

A aprendizagem de máquina, porém, revelou que nem sempre isso é verdade. Se a última visita a uma página foi há pouco tempo, coisa de segundos, é meramente ela que o usuário quer encontrar ao digitar alguma coisa na Omnibox.

O algoritmo conseguiu perceber isso porque, muitas vezes, a barra sugeria um site visitado há alguns minutos. O usuário aceitou, mas voltou à Omnibox logo em seguida — sinal de que não era aquilo que ele estava procurando.

“Acreditamos que os novos modelos de machine learning abrirão novas possibilidades para aperfeiçoar a experiência do usuário e incorporar novos sinais, como levar em consideração o período do dia para melhorar a relevância”, adianta Donnelly.

“Com o novo sistema de classificação, podemos obter sinais mais recentes, refazer o treinamento, avaliar os resultados e implementar novos modelos periodicamente”, completa o engenheiro.

Com informações: Blog do cromo, Polícia Android