Resumo
- A partir do Chrome 124, o Google incorporou um novo modelo de aprendizado de máquina para aumentar a relevância dos URLs sugeridos e do preenchimento automático de pesquisa.
- Os engenheiros do Chrome enfrentaram desafios na atualização da Omnibox, mas os novos modelos de aprendizado de máquina oferecem soluções promissoras.
- Os modelos de aprendizado de máquina na Omnibox do Chrome têm o potencial de personalizar resultados com base no comportamento do usuário.
A incursão do Google na IA, exemplificada pelo seu popular chatbot de IA, Gemini, está se estendendo a mais serviços e aplicativos. Notavelmente, o navegador Chrome está preparado para mostrar o seu potencial na incorporação de recursos de IA. Em uma atualização recente, compartilhamos a notícia de uma possível integração do Gemini no Google Chrome para desktop para aprimorar a barra de endereço. Agora, a barra de endereço do Chrome, também conhecida como Omnibox, está preparada para elevar sua inteligência integrando modelos de aprendizado de máquina de última geração.
O que há de novo no Chrome 125: testando uma nova página de guia redesenhada
O Chrome 125 também testa algumas melhorias sérias para guias no Android
Conforme observado no Chromium Blog, começando com a versão M124 do Chrome, o Google está integrando modelos de aprendizado de máquina na barra de endereço do Chrome para fornecer aos usuários sugestões de páginas da web mais precisas e relevantes. Esses modelos de aprendizado de máquina também ajudarão a aumentar a relevância das sugestões de pesquisa.
A Omnibox do Chrome agora oferecerá sugestões mais inteligentes
O engenheiro de software do Chrome, Justin Donnelly, esclarece os desafios enfrentados pela equipe de engenharia no aprimoramento da Omnibox. As fórmulas artesanais utilizadas anteriormente não eram adequadas aos cenários modernos, fazendo com que o sistema de pontuação permanecesse inalterado por um período significativo. Além disso, alterar um recurso usado bilhões de vezes diariamente representava outro desafio significativo para a equipe.
Donnelly acrescentou que os modelos de aprendizado de máquina usados para treinar o Chrome Omnibox poderiam identificar alguns padrões interessantes. Por exemplo, quando os usuários selecionam um URL e retornam imediatamente à Omnibox para procurar outro URL, o sistema de ML diminui a pontuação de relevância desse URL. Em tentativas futuras, o sistema de ML não priorizará o URL com pontuação mais baixa nesse contexto.
De acordo com os engenheiros de software do Chrome, a integração de modelos de aprendizado de máquina na Omnibox tem um imenso potencial para melhorar a experiência do usuário. Esses modelos poderiam se adaptar ao horário do dia, oferecendo aos usuários resultados mais relevantes. Donnelly também revelou que a equipe de engenharia do Chrome está explorando versões especializadas de treinamento do modelo para ambientes móveis, empresariais ou acadêmicos, melhorando ainda mais a experiência do usuário em diversas plataformas.
O recurso estará disponível no Google Chrome para Windows, Mac e ChromeOS. Enquanto isso, é mais provável que um recurso semelhante seja adicionado à versão Android do Chrome em breve para uma experiência unificada.
