Google Rankbrain – o que é?

O universo da busca orgânica foi balançado por uma notícia arrebatadora nesta semana: o Google adotou um algoritmo de inteligência artificial para mostrar seus resultados de busca, o Rankbrain.

Não só isso: o próprio Google já revelou que vem usando o software há meses e que pouco mais de 15% das buscas mundiais são avaliadas pelo Rankbrain.

Segundo fontes do próprio Google, o algoritmo é baseado em redes neurais profundas (Deep neural networks). É um projeto do Google Brain, o laboratório do Google para inteligência artificial, que está por trás de sistemas que reconhecem objetos em fotos e vídeos e do sistema de identificação de fala do Android.

Inteligência artificial é um dos focos do Google. Em 2014, por exemplo, a gigante de buscas comprou uma empresa de inteligência artificial, a Deepmind, por US$ 400 milhões. A empresa havia desenvolvido um algoritmo capaz de terminar jogos de Atari perfeita e rapidamente, através de aprendizado por redes neurais. É muito provável que algumas tecnologias tenham sido utilizadas a partir desta compra.

Mas afinal, o que são redes neurais?

Uma rede neural é um algoritmo que imita o modelo matemático de funcionamento de um neurônio. Qualquer ser vivo, quando aprende algo inconscientemente (como um pássaro aprendendo a bater asas ou um ser humano a andar), tem as conexões entre neurônios reforçadas por sinapses, que sinalizam a conexão daquilo que deu certo e que vai ajudá-lo em sua sobrevivência. Por outro lado, quando o comportamento levou a um erro, determinadas sinapses se enfraquecem. Ou seja, um processo de tentativa e erro.

O resultado dos movimentos que levaram a erros e acertos é jogado em uma matriz, que vai revelando quais características um determinado movimento de sucesso tem, através do fortalecimento das sinapses certas e enfraquecimento das erradas.

Um exemplo muito simplificado: imagine que os movimentos de músculos em um ser humano aprendendo a andar podem ser expressos em fórmulas matemáticas, com determinadas variáveis afetando os movimentos. Assim, o movimento de um músculo A, com força 20, direção 30, entre outros, mais o movimento de um músculo B, com força 10, direção 10, entra na matriz de movimento como queda. Esses valores para variáveis entram como falha e diminuem o peso de cada um desses valores nas fórmulas.

No entanto, no movimento seguinte, com valores bem diferentes (por exemplo, força 50 e direção 40 para A e força 60 e direção 30 para B), o bebê conseguiu dar um passo. Isso reforça os valores e faz com que o bebê perceba, inconscientemente, que pode tentar pequenas variações desses valores. Com o tempo, o bebê consegue aprender a força e direção exata para usar em cada uma das centenas de músculos envolvidos em sua caminhada. E aprende a andar.

E o que são redes neurais profundas?

Uma rede neural simples não é perfeita. E pode levar à propagação de alguns erros, quando um erro satisfatório faz com que a máquina atinja seu objetivo, mesmo que não seja o ideal. Por exemplo, nosso bebê pode aprender que arrastar os pés é suficiente para aprender a andar, embora seja um método ineficiente, não apenas um problema estético.

Para resolver isso, são usados conjuntos de redes neurais, tanto em paralelo quanto em camadas, cada qual tirando suas próprias conclusões (pesos na matriz) e passando para a camada seguinte comparar e melhorar os resultados. Assim, nosso bebê, que conseguiu andar com os pés arrastando em uma e tirando-os do chão em outra pode perceber que o método de tirá-los do chão é mais eficiente. E melhorar a partir disso.

Existem muitos algoritmos diferentes para redes neurais profundas, além de muitas implementações diferentes de redes neurais. Mas, grosso modo, redes neurais são isso.

E o Google Rankbrain?

Voltando ao algoritmo do Google: existem vários aspectos que um avaliador de qualidade de busca pode avaliar quando analisa um site, desde a facilidade para ler os textos, a maneira como as sentenças são construídas, se são similares a outros textos na web, até aspectos técnicos, como localização do endereço IP, quantos sites e qual a qualidade dos que estão no mesmo endereço, dados de links, entre outros.

Também é necessário avaliar qual a intenção de busca e quão satisfeito o usuário está, algo que pode ser medido através de quantos sites o usuário visitou antes de encontrar o correto, se digitou um endereço específico no browser, dentre outros.

Um ser humano só consegue ter uma boa ideia da qualidade de uma determinada página ou site ao analisar cada aspecto técnico e de conteúdo do site, algo que requer um bom tempo de treinamento e que dificilmente é escalável. Mesmo assim, provavelmente não enxergará todas as nuances que indicam que um determinado site ou página é o mais relevante para aquela busca.

Utilizando uma rede neural, é possível treinar um algoritmo para realizar isso em grande escala e analisando minuciosamente cada aspecto técnico. A partir de um treinamento que indique ao software qual o tipo de site, página e resultado de busca desejado, o algoritmo é capaz de perceber detalhes e nuances mínimos, mas que podem fazer muita diferença no resultado final, e alimentar o algoritmo, para que o buscador avalie melhor que sites devem subir e quais devem cair nos rankings, além de que tipo de página deve ser oferecida para cada busca.

Com isso, os processos de ajuste do algoritmo podem ser mais automatizados e rápidos. Uma técnica de SEO que consegue jogar sites e páginas ruins para melhores resultados de busca, por exemplo, pode ser descoberta mais rapidamente, pelo algoritmo, que avalia que tipo de técnica de links ou quaisquer outras foram utilizadas para conseguir aquele resultado e quais são suas características. Do mesmo modo, páginas boas, produzidas por especialistas, que atendem ao que o usuário quer, podem ter suas características identificadas e obter melhores resultados no buscador, continuamente.