Les informations de Google gagnent le brevet

Google a récemment obtenu un brevet concernant le classement des pages Web qui l’intéresseront ensuite. Le brevet décrit l’attribution d’un score de gain d’information pour classer un deuxième ensemble de pages Web qui sont pertinentes pour prédire les prochains besoins d’informations connexes.

Les utilisateurs utilisant de plus en plus de langage naturel pour la recherche, il devient de plus en plus important d’être sur le sujet (plutôt que sur un mot sur clé) et pour que les pages concernent spécifiquement un sujet (et des sous-domaines fortement apparentés) plutôt que d’essayer d’être complets en montrant Chaque chose apparentée sur un sujet. Ce brevet devrait donner une pause éditeurs et SEO pour réfléchir à la façon dont leur contenu.

Le brevet est en grande partie dans le contexte des assistants automatisés et des chatbots, il peut donc fournir des informations sur la façon dont les aperçus de l’IA et les résultats de recherche assistée par l’IA peuvent classer les pages Web.

Estimation contextuelle du gain d’informations de liaison

Le nom du brevet est une estimation contextuelle du gain d’informations de liaison, il a été déposé en 2018 et accordé en juin 2024. Il s’agit de calculer un score de classement appelé gain d’information qui est utilisé pour classer un deuxième ensemble de pages Web qui sont susceptibles d’être de Intérêt pour un utilisateur en tant que sujet de suivi légèrement différent lié à une question précédente.

Le brevet commence par des descriptions générales, puis ajoute des couches de détails au cours des paragraphes. Une analogie peut être que c’est comme une pizza. Cela commence comme une pizza mozzarella, puis ils ajoutent des champignons, donc maintenant c’est une pizza aux champignons. Ensuite, ils ajoutent des oignons, alors maintenant c’est un champignon et une pizza à l’oignon. Il y a des couches de détails qui s’accumulent dans l’ensemble du contexte.

Donc, si vous en lisez une seule section, il est facile de dire: «C’est clairement une pizza aux champignons»Et soyez complètement confondu sur ce que c’est vraiment.

Il y a des couches de contexte mais ce qu’il s’accumule est:

• Classement une page Web pertinente pour ce qu’un utilisateur pourrait être intéressé suivant.
• Le contexte de l’invention est un assistant automatisé ou un chatbot
• Un moteur de recherche joue un rôle d’une manière qui semble similaire aux aperçus de l’IA de Google

Gain d’information et référencement: que se passe-t-il vraiment?

Il y a quelques mois, j’ai lu un commentaire sur les médias sociaux affirmant que le «gain d’information» a été un facteur important dans une récente mise à jour de l’algorithme Google Core. Cette mention m’a surpris parce que je n’avais jamais entendu parler d’informations auparavant. J’ai interrogé des amis de référencement à ce sujet et ils n’en avaient jamais entendu parler non plus.

Ce que la personne sur les réseaux sociaux avait affirmé, c’était quelque chose comme Google utilisait un score de «gain d’information» pour augmenter le classement des pages Web qui avaient plus d’informations que les autres pages Web. L’idée était donc qu’il était important de créer des pages qui ont plus d’informations que les autres pages, quelque chose dans ce sens.

J’ai donc lu le brevet et découvert que le «gain d’information» ne concerne pas les pages de classement avec plus d’informations que les autres pages. Il s’agit vraiment de quelque chose qui est plus profond pour le référencement car cela pourrait aider à comprendre une dimension de la façon dont les aperçus de l’IA peuvent classer les pages Web.

TL / DR du brevet d’informations

Ce que le brevet d’informations concerne est vraiment encore plus intéressant car il peut indiquer comment les aperçus de l’IA (AIO) classent les pages Web qui pourraient être intéressées ensuite. C’est un peu comme introduire la personnalisation en anticipant ce qui sera intéressé par un utilisateur.

Le brevet décrit un scénario où un utilisateur fait une requête de recherche et l’assistant automatisé ou le chatbot fournit une réponse pertinente pour la question. Le système de notation des gains d’informations fonctionne en arrière-plan pour classer un deuxième ensemble de pages Web qui sont pertinentes pour ce que l’utilisateur pourrait être intéressé. C’est une nouvelle dimension dans la façon dont les pages Web sont classées.

L’accent mis par le brevet sur les assistants automatisés

Il existe plusieurs versions du brevet d’informations datant de 2018 à 2024. La première version est similaire à la dernière version, la différence la plus significative étant l’ajout de chatbots comme contexte pour où l’invention de gain d’information est utilisée.

Le brevet utilise l’expression «assistant automatisé» 69 fois et utilise l’expression «moteur de recherche» seulement 25 fois. Comme avec les aperçus de l’IA, les moteurs de recherche jouent un rôle dans ce brevet, mais il est généralement dans le contexte des assistants automatisés.

Comme cela deviendra évident, rien ne suggère qu’une page Web contenant plus d’informations que la concurrence est plus complexe d’être classée plus haut dans les résultats de recherche organiques. Ce n’est pas ce dont ce brevet parle.

Description générale du contexte

La première section entière (le résumé) ne mentionne même pas les pages Web ou les liens. Il s’agit juste du score de gain d’information dans un contexte très général:

« Un score de gain d’information pour un document donné indique des informations supplémentaires qui sont incluses dans le document au-delà des informations contenues dans les documents qui ont été précédemment consultés par l’utilisateur. »

Il s’agit d’une description en bref du brevet, le point de vue clé étant que la notation des gains d’informations se produit sur les pages après que l’utilisateur a vu les premiers résultats de recherche.

Contexte plus spécifique: Assistants automatisés

Le deuxième paragraphe de la section intitulé «arrière-plan» est légèrement plus spécifique et ajoute une couche de contexte supplémentaire pour l’invention car elle mentionne les liens. Plus précisément, il s’agit d’un utilisateur qui fait une requête de recherche et reçoit des liens vers les résultats de la recherche – aucun score de gain d’information calculé.

La section d’arrière-plan dit:

« Par exemple, un utilisateur peut soumettre une demande de recherche et recevoir un ensemble de documents et / ou de liens vers des documents qui répondent à la demande de recherche soumise. »

La partie suivante se construit au-dessus d’un utilisateur ayant fait une requête de recherche:

«De plus, par exemple, un utilisateur peut être fourni avec un document basé sur les intérêts identifiés de l’utilisateur, les documents consultés précédemment de l’utilisateur et / ou d’autres critères qui peuvent être utilisés pour identifier et fournir un document d’intérêt. Les informations des documents peuvent être fournies via, par exemple, un assistant automatisé et / ou en tant que résultats à un moteur de recherche. De plus, des informations provenant des documents peuvent être fournies à l’utilisateur en réponse à une demande de recherche et / ou peuvent être automatiquement servies à l’utilisateur en fonction de la recherche continue après que l’utilisateur a mis fin à une session de recherche. »

Cette dernière phrase est mal formulée.

Voici la phrase originale:

« De plus, des informations provenant des documents peuvent être fournies à l’utilisateur en réponse à une demande de recherche et / ou peuvent être automatiquement servies à l’utilisateur en fonction de la recherche continue après que l’utilisateur a mis fin à une session de recherche. »

Voici comment cela a plus de sens:

«De plus, les informations des documents peuvent être fournies à l’utilisateur… en fonction de la recherche continue après que l’utilisateur a mis fin à une session de recherche.»

Les informations fournies à l’utilisateur sont «en réponse à une demande de recherche et / ou peuvent être automatiquement servies à l’utilisateur»

C’est un peu plus clair si vous mettez des parenthèses autour de lui:

De plus, des informations provenant des documents peuvent être fournies à l’utilisateur (en réponse à une demande de recherche et / ou peuvent être automatiquement servies à l’utilisateur) en fonction de la recherche continue après que l’utilisateur a mis fin à une session de recherche.

À emporter:

• Le brevet décrit l’identification des documents pertinents pour les «intérêts de l’utilisateur» sur la base de «documents consultés précédemment» «et / ou d’autres critères».
• Il définit un contexte général d’un assistant automatisé «Et / ou”Un moteur de recherche
• Les informations provenant des documents basées sur les «documents consultés précédemment» «et / ou d’autres critères» peuvent être affichés après la recherche de l’utilisateur.

Contexte plus spécifique: chatbot

Le brevet ajoute ensuite une couche supplémentaire de contexte et de spécificité en mentionnant comment les chatbots peuvent «extraire» une réponse d’une page Web («document») et le montrer comme réponse. Il s’agit de montrer un résumé qui contient la réponse, un peu comme des extraits en vedette, mais dans le contexte d’un chatbot.

Le brevet explique:

«Dans certains cas, un sous-ensemble d’informations peut être extrait du document de présentation à l’utilisateur. Par exemple, lorsqu’un utilisateur s’engage dans une boîte de dialogue parlée humaine-ordinateur avec un processus logiciel assistant automatisé (également appelé «chatbots», «assistants personnels interactifs», «assistants personnels intelligents», «assistants vocaux personnels», « Agents conversationnels, «« Virtual Assistants », etc.), l’assistant automatisé peut effectuer différents types de traitement pour extraire des informations saillantes d’un document, afin que l’assistant automatisé puisse présenter les informations dans une abrégation formulaire.

Comme autre exemple, certains moteurs de recherche fourniront des informations récapitulatives à partir d’un ou plusieurs documents réactifs et / ou pertinents, en plus ou à la place de liens vers des documents réactifs et / ou pertinents, en réponse à la requête de recherche d’un utilisateur. »

La dernière phrase semble décrire quelque chose qui est comme un extrait en vedette ou comme des aperçus de l’IA où il fournit un résumé. La phrase est très générale et ambiguë car elle utilise «et / ou» et «en plus de ou à la place» et n’est pas aussi spécifique que les phrases précédentes. C’est un exemple de brevet étant général pour des raisons juridiques.

Classement le prochain ensemble de résultats de recherche

La section suivante s’appelle le résumé et il entre dans plus de détails sur la façon dont le score de gain d’information représente la probabilité que l’utilisateur sera intéressé par le prochain ensemble de documents. Il ne s’agit pas de classement des résultats de recherche, il s’agit de classement le prochain ensemble de résultats de recherche (basé sur un sujet connexe).

Il déclare:

« Un score de gain d’information pour un document donné indique des informations supplémentaires qui sont incluses dans le document donné au-delà des informations contenues dans d’autres documents qui ont déjà été présentés à l’utilisateur. »

Classement basé sur le sujet des pages Web

Il parle ensuite de présenter la page Web dans un navigateur, de lire audible la partie pertinente du document ou de présenter audible / visuellement un résumé du document («présentant audible / visuellement des informations saillantes extraites du document à l’utilisateur, etc.»)

Mais la partie qui est vraiment intéressante est quand elle explique ensuite en utilisant un sujet de la page Web comme représentation du contenu, qui est utilisé pour calculer le score de gain d’information.

Il décrit de nombreuses façons différentes d’extraire la représentation de ce qu’est la page. Mais ce qui est important, c’est qu’il décrit le calcul du score de gain d’information en fonction d’une représentation de ce qu’est le contenu, comme le sujet.

«Dans certaines implémentations, les scores de gain d’information peuvent être déterminés pour un ou plusieurs documents en appliquant des données indiquant les documents, tels que leur contenu entier, les informations extraites, une représentation sémantique (par exemple, une intégration, un vecteur de fonctionnalité, un sac- Représentation des mots, un histogramme généré à partir de mots / phrases dans le document, etc.) sur un modèle d’apprentissage automatique pour générer un score de gain d’information. »

Le brevet décrit en décrivant le classement d’un premier ensemble de documents et en utilisant les scores de gain d’information pour classer des ensembles supplémentaires de documents qui anticipent des questions de suivi ou une progression dans un dialogue de ce que l’utilisateur s’intéresse.

L’assistant automatisé peut dans certaines implémentations interroger un moteur de recherche, puis appliquer le classement des gains d’informations aux multiples ensembles de résultats de recherche (qui sont pertinents pour les requêtes de recherche connexes).

Il existe plusieurs variations de faire la même chose, mais en termes généraux, c’est ce qu’il décrit:

«Sur la base des scores de gain d’informations, les informations contenues dans un ou plusieurs des nouveaux documents peuvent être fournies sélectivement à l’utilisateur d’une manière qui reflète le gain d’informations probable qui peut être atteint par l’utilisateur si l’utilisateur devait être présenté des informations à partir des informations à partir de les documents sélectionnés. « 

Ce que toutes les versions du brevet ont en commun

Toutes les versions des brevets partagent des similitudes générales sur lesquelles davantage de détails sont superposés au fil du temps (comme l’ajout d’oignons à une pizza à champignons). Voici la référence de ce que toutes les versions ont en commun.

Application du score de gain d’information

Toutes les versions du brevet décrivent l’application du score de gain d’information à un deuxième ensemble de documents qui ont des informations supplémentaires au-delà du premier ensemble de documents. De toute évidence, il n’y a pas de critères ou d’informations pour deviner ce que l’utilisateur recherche lorsqu’il démarrait une session de recherche. Les scores de gain d’information ne sont donc pas appliqués aux premiers résultats de recherche.

Exemples de passages qui sont les mêmes pour toutes les versions:

• Un deuxième ensemble de documents est identifié qui est également lié au sujet du premier ensemble de documents mais qui n’ont pas encore été consultés par l’utilisateur.
• Pour chaque nouveau document dans le deuxième ensemble de documents, un score de gain d’information est déterminé qui est indicatif pour le nouveau document, si le nouveau document comprend des informations qui n’étaient pas contenues dans les documents du premier ensemble de documents…

Assistants automatisés

Les quatre versions du brevet se réfèrent à des assistants automatisés qui affichent les résultats de recherche en réponse aux requêtes en langage naturel.

Les versions 2018 et 2023 du brevet mentionnent les deux moteurs de recherche 25 fois. La version 2O18 mentionne «l’assistant automatisé» 74 fois et la dernière version le mentionne 69 fois.

Ils font tous référence aux «agents conversationnels», «assistants personnels interactifs», «assistants personnels intelligents», «assistants vocaux personnels» et «assistants virtuels».

Il est clair que l’accent mis sur le brevet concerne les assistants automatisés, et non sur les résultats de recherche organiques.

Turns de dialogue

Note: Dans la langue quotidienne, nous utilisons le mot dialogue. En informatique, ils le sort dialogue.

Toutes les versions des brevets se réfèrent à un moyen d’interagir avec le système sous la forme d’une boîte de dialogue, en particulier un tour de dialogue. Un tour de dialogue est le va-et-vient qui se produit lorsqu’un utilisateur pose une question en utilisant un langage naturel, reçoit une réponse et pose ensuite une question de suivi ou une autre question. Cela peut être un langage naturel dans le texte, le texte à la parole (TTS) ou audible.

L’aspect principal des brevets est en commun est le va-et-vient dans ce qu’on appelle un «tour de dialogue». Toutes les versions du brevet ont ce contexte.

Voici un exemple du fonctionnement du tour de dialogue:

«Assistant automatisé Client 106 et Assistant automatisé à distance 115 peut traiter la entrée en langage naturel d’un utilisateur et fournir des réponses sous la forme d’une boîte de dialogue qui comprend un ou plusieurs virages de dialogue. Un virage de dialogue peut inclure, par exemple, une entrée en langage naturel fourni par l’utilisateur et une réponse à l’entrée du langage naturel par l’assistant automatisé.

Ainsi, une boîte de dialogue entre l’utilisateur et l’assistant automatisé peut être générée qui permet à l’utilisateur d’interagir avec l’assistant automatisé… de manière conversationnelle. »

Problèmes que les scores de gain d’information résolvent

La principale caractéristique du brevet est d’améliorer l’expérience utilisateur en comprenant la valeur supplémentaire qu’un nouveau document fournit par rapport aux documents qu’un utilisateur a déjà vu. Cette valeur supplémentaire est ce que l’on entend par le gain d’information de l’expression.

Il existe plusieurs façons dont le gain d’information est utile et L’une des façons dont toutes les versions du brevet décrivent est dans le contexte d’une réponse audio et comment une réponse audio de longue haleine n’est pas bonne, y compris dans un contexte TTS (texte à la parole)).

Le brevet explique le problème d’une réponse de longue haleine:

«… Et donc l’utilisateur peut attendre la quasi-totalité de la réponse à la sortie avant de continuer. En comparaison avec la lecture, l’utilisateur est en mesure de recevoir les informations audio passivement, cependant, le temps pris pour la sortie est plus long et il y a une capacité réduite à scanner ou à faire défiler / sauter les informations. »

Le brevet explique ensuite comment le gain d’informations peut accélérer les réponses en éliminant les réponses redondantes (répétitives) ou si la réponse n’est pas suffisante et force l’utilisateur à un autre virage de dialogue.

Cette partie du brevet fait référence au densité d’information d’une section dans une page Web, une section qui répond à la question avec le moins de mots. La densité d’informations est sur la façon dont la réponse «précise», «concise» et «pertinente» est la pertinence et la répétitivité. La densité d’informations est importante pour les réponses audio / parlées.

C’est ce que dit le brevet:

«En tant que tel, il est important dans le contexte d’une sortie audio que les informations de sortie sont pertinentes, précises et concises, afin d’éviter une sortie inutilement longue, une sortie redondante ou un tour de dialogue supplémentaire.

La densité d’informations des informations de sortie devient particulièrement importante pour améliorer l’efficacité d’une session de dialogue. Les techniques décrites ici abordent ces problèmes en réduisant et / ou en éliminant la présentation des informations qu’un utilisateur a déjà été fournie, y compris dans le contexte de dialogue audio humain-ordinateur. »

L’idée de «densité d’informations» est importante dans un sens général car elle communique mieux pour les utilisateurs, mais elle est probablement très importante dans le contexte d’être affiché dans les résultats de recherche de chatbot, qu’il soit parlé ou non. Les aperçus de Google AI montrent des extraits d’une page Web, mais peut-être plus important encore, la communication de manière concise est la meilleure façon d’être sur le sujet et de faciliter le contenu d’un moteur de recherche.

Interface des résultats de recherche

Toutes les versions du brevet d’informations sont claires que l’invention n’est pas dans le contexte des résultats de recherche organiques. Il est explicitement dans le contexte du classement des pages Web dans une interface en langage naturel d’un assistant automatisé et d’un chatbot IA.

Cependant, il y a une partie du brevet qui décrit un moyen de montrer aux utilisateurs avec le deuxième ensemble de résultats dans une «interface de résultats de recherche». Le scénario est que l’utilisateur voit une réponse et s’intéresse ensuite à un sujet connexe. Le deuxième ensemble de pages Web classées est affichée dans une «interface de résultats de recherche».

Le brevet explique:

«Dans certaines implémentations, un ou plusieurs des nouveaux documents du deuxième ensemble peuvent être présentés d’une manière sélectionnée en fonction des magasins de gain d’information. Par exemple, un ou plusieurs des nouveaux documents peuvent être rendus dans le cadre d’une interface de résultats de recherche qui est présentée à l’utilisateur en réponse à une requête qui comprend le sujet des documents, tels que des références à un ou plusieurs documents. Dans certaines implémentations, ces résultats de recherche peuvent être classés au moins en partie en fonction de leurs scores de gain d’information respectifs. »

… L’utilisateur peut ensuite sélectionner l’une des références et informations contenues dans le document particulier peut être présentée à l’utilisateur. Par la suite, l’utilisateur peut revenir aux résultats de la recherche et les références au document peuvent à nouveau être fournies à l’utilisateur, mais mises à jour en fonction de nouveaux scores de gain d’informations pour les documents référencés.

Dans certaines implémentations, les références peuvent être remaniées et / ou un ou plusieurs documents peuvent être exclus (ou considérablement rétrogradés) à partir des résultats de recherche en fonction des nouveaux scores de gain d’information déterminés en fonction du document déjà visualisé par l’utilisateur. « 

Qu’est-ce qu’une interface de résultats de recherche? Je pense que c’est juste une interface qui montre les résultats de recherche.

Arrêtons-nous ici pour souligner qu’il devrait être clair à ce stade que le brevet ne concerne pas le classement des pages Web qui sont complètes sur un sujet. Le contexte global de l’invention montre des documents au sein d’un assistant automatisé.

Une interface de résultats de recherche n’est qu’une interface, elle n’est jamais décrite comme étant des résultats de recherche organiques, c’est juste une interface.

Il y a plus qui est la même dans toutes les versions du brevet, mais ce qui précède est les contours généraux importants et le contexte de celui-ci.

Réclamation du brevet

La section des réclamations est l’endroit où la portée de l’invention réelle est décrite et pour laquelle ils recherchent une protection juridique. Il est principalement axé sur l’invention et moins sur le contexte. Ainsi, il n’y a aucune mention de moteurs de recherche, d’assistants automatisés, de réponses audibles ou de TTS (texte à la parole) dans la section des réclamations. Ce qui reste, c’est le contexte de l’interface des résultats de recherche qui couvre vraisemblablement tous les contextes.

Contexte: Premier ensemble de documents

Il commence par décrire le contexte de l’invention. Ce contexte reçoit une requête, identifie le sujet et classe un premier groupe de pages Web pertinentes (documents) et en sélectionnant au moins l’un d’entre eux comme étant pertinent et en montrant le document ou en communiquant les informations du document (comme un résumé) .

«1. Une méthode implémentée à l’aide d’un ou plusieurs processeurs, comprenant: recevoir une requête d’un utilisateur, dans lequel la requête comprend un sujet; L’identification d’un premier ensemble de documents qui répondent à la requête, dans laquelle les documents de l’ensemble des documents sont classés, et dans lequel un classement d’un document donné du premier ensemble de documents indique la pertinence des informations incluses dans le document donné à le sujet; Sélection, en fonction du classement et des documents du premier ensemble de documents, un document le plus pertinent fournissant au moins une partie des informations du document le plus pertinent à l’utilisateur; »

Contexte: deuxième ensemble de documents

Ensuite, ce qui suit immédiatement est la partie du classement d’un deuxième ensemble de documents contenant des informations supplémentaires. Ce deuxième ensemble de documents est classé à l’aide des scores de gain d’information pour afficher plus d’informations après avoir affiché un document pertinent du premier groupe.

C’est ainsi que cela l’explique:

«… En réponse à la fourniture du document le plus pertinent à l’utilisateur, recevoir une demande de l’utilisateur pour des informations supplémentaires liées au sujet; Identification d’un deuxième ensemble de documents, dans lequel le deuxième ensemble de documents comprend un ou plusieurs des documents du premier ensemble de documents et n’inclut pas le document le plus pertinent; Déterminer, pour chaque document du deuxième ensemble, un score de gain d’information, dans lequel le score de gain d’information pour un document respectif du deuxième ensemble est basé sur une quantité de nouvelles informations incluses dans le document respectif du deuxième ensemble qui diffère des informations incluses dans le document le plus pertinent; Classement le deuxième ensemble de documents en fonction des scores de gain d’information; et provoquant au moins une partie des informations d’un ou plusieurs des documents du deuxième ensemble de documents à présenter à l’utilisateur, dans lequel les informations sont présentées sur la base des scores de gain d’information. »

Détails granulaires

Le reste de la section des réclamations contient des détails granulaires sur le concept de gain d’information, qui est un classement des documents basés sur ce que l’utilisateur a déjà vu et représente un sujet connexe qui peut être intéressé. Le but de ces détails est de Enregistrez-les pour une protection juridique dans le cadre de l’invention.

Voici un exemple:

La méthode de la revendication 1, dans laquelle l’identification du premier ensemble comprend:
entraîner d’être rendu, dans le cadre d’une interface de résultats de recherche qui est présentée à l’utilisateur en réponse à une requête précédente qui inclut le sujet, références à un ou plusieurs documents du premier ensemble;
recevant une entrée utilisateur qui indique la sélection de l’une des références à un document particulier du premier ensemble à partir de l’interface de résultats de recherche, dans laquelle une partie au moins du document particulier est fournie à l’utilisateur en réponse à la sélection;

Pour faire une analogie, c’est décrire comment faire la pâte à pizza, nettoyer et couper les champignons, etc. Il n’est pas important que nos fins le comprennent autant que la vision générale de ce qu’est le brevet.

Brevet d’informations

Une opinion a été partagée sur les réseaux sociaux que ce brevet a quelque chose à voir avec le classement des pages Web dans les résultats de recherche organiques, je l’ai vu, j’ai lu le brevet et j’ai découvert que ce n’est pas ainsi que le brevet. C’est un bon brevet et il est important de le comprendre correctement. J’ai analysé plusieurs versions du brevet pour voir ce qu’ils avaient en commun et ce qui était différent.

Une lecture attentive du brevet montre qu’il est clairement axé sur l’anticipation de ce que l’utilisateur peut vouloir voir en fonction de ce qu’il a déjà vu. Pour ce faire, le brevet décrit l’utilisation d’un score de gain d’information pour le classement des pages Web qui sont sur des sujets liés à la première requête de recherche mais qui ne sont pas spécifiquement pertinents pour cette première requête.

Le contexte de l’invention est généralement des assistants automatisés, y compris les chatbots. Un moteur de recherche pourrait être utilisé dans le cadre de la recherche de documents pertinents, mais le contexte n’est pas uniquement un moteur de recherche organique.

Ce brevet pourrait être applicable au contexte des aperçus de l’IA. Je ne limiterais pas le contexte aux aperçus de l’IA car il existe des contextes supplémentaires tels que la langue parlée dans laquelle la notation des gains d’informations pourrait s’appliquer. Cela pourrait-il s’appliquer dans des contextes supplémentaires comme les extraits de vedette? Le brevet lui-même n’est pas explicite à ce sujet.

Lisez la dernière version du brevet d’informations:

Estimation contextuelle du gain d’informations de liaison

Image en vedette par Shutterstock / Khosro