En catimini, la barre d'adresse du navigateur Chrome sur ordinateur profite d'une amélioration. Elle s'appuie sur l'intégration de modèles de machine learning pour cette barre autrement qualifiée d'omnibox. Ils doivent permettre des suggestions de pages web plus précises et plus pertinentes.
Afin de faire apparaître et de suggérer une URL, Google indique que l'ancien système tire parti d'un ensemble de formules manuelles. Si elles sont efficaces, il demeure difficile de les adapter à de nouveaux scénarios, qui plus est avec une fonctionnalité utilisée des milliards de fois chaque jour.
Grâce au machine learning, c'est une plus grande flexibilité et la possibilité de mettre régulièrement à jour le système en tenant plus facilement compte de l'évolution des interactions des utilisateurs. Y compris pour ce qui aurait pu passer inaperçu.
La sagacité du machine learning
Un exemple cité est la découverte d'un schéma concernant la pertinence des suggestions sur la base du temps écoulé depuis la précédente navigation. Les scores de pertinence diminuent quand le temps écoulé est très court.
L'explication est en rapport avec le fait que les utilisateurs peuvent se rendre vers une URL par erreur, puis revenir de manière immédiate à la barre d'adresse pour une nouvelle tentative. En apparence évident, ce type d'observation n'aurait pas été permis sans le recours à des modèles de machine learning.
Ultérieurement, Google souligne que de tels modèles contribueront également à améliorer l'évaluation de la pertinence des suggestions de recherche. De nouveaux signaux comme la différenciation entre les heures de la journée pourraient en outre être intégrés.
Google imagine aussi l'entraînement de versions spécialisées des modèles en fonction des environnements : mobile, entreprise, différents paramètres régionaux…
