A versão 124 do Chrome para Windows, macOS e ChromeOS contará com recursos de aprendizagem de máquina (machine learning) para ajudar usuários a localizar abas abertas ou favoritos, voltar a 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 browser.
A barra de endereços do Chrome (também conhecida como Omnibox) funciona com base em pontuação. Cada sugestão recebe pontos, levando em consideração alguns parâmetros. As sugestões com mais pontos aparecem para o usuário.
Até agora, o sistema usava fórmulas desenvolvidas 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.
Machine learning melhora sistema de pontuação
A aprendizagem 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 passavam despercebidos para os programadores.
Donnelly dá um exemplo. O time de desenvolvimento do Chrome entendia que o tempo desde a última visita a um site era inversamente proporcional à sua relevância. Em outras palavras, uma página acessada há alguns minutos é mais relevante para o usuário do que uma acessada há meses.
A aprendizagem de máquina, porém, revelou que nem sempre isso é verdade. Se a última visita a uma página foi há pouquíssimo tempo, coisa de segundos, dificilmente é 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 aceitava, mas voltava 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 pontuação, podemos coletar sinais mais recentes, refazer o treinamento, avaliar os resultados e implementar novos modelos periodicamente”, completa o engenheiro.
Com informações: Blog do cromo, Polícia Android
