Google Chrome ora è ancora più potente grazie al machine learning

Google Chrome è il browser più diffuso e amato, non lo diciamo noi ma le statistiche che, ormai da tempo, vedono il software sviluppato da Google in testa su tutti i competitor per funzionalità e prestazioni. Se questo non bastasse, gli ingegneri di Mountain View sono sempre all’opera per migliorare l’esperienza utente, rendendola più flessibile e completa grazie anche a nuove tecnologie. Proprio in questa direzione si muove l’ultima novità di Google Chrome che molto presto integrerà, o meglio, potenzierà uno degli strumenti più cari agli utenti, ovvero la barra degli indirizzi.

La barra degli indirizzi di Chrome, meglio conosciuta come Omnibox, è di sicuro uno dei suoi punti di forza. Permette di velocizzare in modo importante le ricerche, offrendo diversi suggerimenti sull’argomento tenendo conto anche dei segnalibri e non solo. Stando a quanto dichiara l’ingegnere del team Chrome, Justin Donnelly, con la prossima versione del browser verrà introdotta un’importante novità che potenzierà ancora di più Omnibox su desktop, ovvero il machine learning. Ma vediamo come.

Come si migliora la barra degli indirizzi di Chrome con il machine learning

Omnibox in realtà fornisce già ottimi risultati, tuttavia il sistema dietro a questa funzionalità mancava di flessibilità, una caratteristica importante se pensiamo alla continua evoluzione degli scenari utenti che, in alcuni casi, potrebbero risultare quasi penalizzati. Omnibox è una caratteristica solida e fondamentale del browser Google, una funzione su cui non era semplice apportare cambiamenti a breve termine e che per questo ha richiesto un po’ di tempo.

Il team messo in piedi per l’occasione però è finalmente riuscito a mettere a punto questa ottimizzazione che, grazie appunto al machine learning, renderà la ricerca su Chrome molto più flessibile e intuitiva, tenendo conto anche e soprattutto delle abitudini dell’utente in base alle ricerche quotidiane e/o alle pagine visitate. Si tratta quindi di un modello dinamico, capace di adeguarsi nel tempo alle abitudini dell’utente sulla base di ore, giorni o settimane di utilizzo e navigazione; il modello in questione lavora con quello che si può definire un punteggio di pertinenza che viene determinato anche in base alle ricerche e ai risultati (soprattutto non pertinenti) dello stesso utente.

Analizzando il comportamento del modello ML, gli ingegneri infatti hanno rilevato che i dati di addestramento riflettevano un modello in cui gli utenti a volte navigano verso un URL che non era quello desiderato, tornando immediatamente alla Omnibox per riprovare. In tal caso, l’URL che hanno appena consultato certamente non era quello desiderato, quindi dovrebbe ricevere un punteggio di pertinenza basso durante il secondo tentativo, migliorando di conseguenza la ricerca.

Secondo Google i prossimi modelli ML permetteranno di migliorare ulteriormente queste funzionalità, incorporando potenzialmente nuovi parametri come la differenziazione oraria del giorno per migliorare la pertinenza, senza contare l’idea di sperimentare modelli ad hoc rivolti a particolari fasce di utenza e ambiti di utilizzo: per esempio utenti mobili, aziendali, accademici ecc. C’è molta attesa per questa nuova funzionalità che, come anticipato in apertura, arriverà presto su Windows, MacOS e Chrome OS.