پشت پرده سنجش گوگل از موتورهای جست وجوی رقیب

اگر پرده از سال‌های نخست موتورهای جست‌وجو کنار بزنیم، با واقعیتی شگفت‌آور اما کم‌زرق‌وبرق روبه‌رو می‌شویم: تیم‌هایی که آزمایش‌های موازی انجام می‌دادند، درست مثل سرآشپزهایی که سوپ رقیب را می‌چشند تا دستور پخت خودشان را بهتر کنند. این روایت را دیوید فریدبرگ، مهندس پیشین گوگل، مطرح کرده است. او می‌گوید این شرکت به‌طور معمول میلیون‌ها پرس‌وجوی متنی را به مایکروسافت و یاهو می‌فرستاد تا ببیند موتورهای جست‌وجوی آن‌ها چه پاسخی می‌دهند.

جمله کوتاه. ایده ساده. خروجی‌ها را مقایسه کن. رتبه‌بندی را بهتر کن. این، خلاصه همان روشی بود که مهندسان به آن تکنیک «تقطیر» می‌گفتند؛ نه جاسوسی، بلکه الگوبرداری رقابتی در مقیاس بزرگ. توسعه‌دهندگان نتایج قابل مشاهده عمومی را جمع‌آوری می‌کردند، الگوها را تحلیل می‌کردند و از این داده‌ها برای تقویت سیگنال‌های مرتبط بودن نتایج و تنظیم قواعد تجربی رتبه‌بندی استفاده می‌کردند.

فریدبرگ به یاد می‌آورد: «ما میلیون‌ها پرس‌وجو را به موتورهای جست‌وجوی یاهو و مایکروسافت می‌فرستادیم تا ببینیم نتایج آن‌ها چیست. سپس نتایج آن‌ها را با نتایج خودمان مقایسه می‌کردیم تا رتبه‌بندی جست‌وجو و الگوریتم‌های خود را بهبود دهیم.» این فرایند نظام‌مند بود. در عین حال، نکات زیادی را آشکار می‌کرد: مقایسه‌های کنار هم نشان می‌داد گوگل کجا ضعیف‌تر عمل می‌کند و در چه بخش‌هایی می‌تواند یاد بگیرد.

آیا این کار دزدی بود؟ نه به معنای دقیق کلمه. مهندسان تأکید داشتند که تیم هرگز به سرورهای رقبا نفوذ نکرده و کد اختصاصی آن‌ها را برنداشته است. آن‌ها خروجی‌های عمومی را بررسی می‌کردند؛ اسنیپت‌ها، رتبه‌بندی‌ها و رفتارهای قابل مشاهده سامانه‌های رقیب را می‌سنجیدند و از آن‌ها به‌عنوان بازخورد استفاده می‌کردند. می‌توان آن را دیدن تابلوی امتیاز دانست، نه خواندن دفترچه تاکتیک‌ها.

ما خروجی‌ها را مقایسه می‌کردیم؛ نه نفوذ می‌کردیم و نه کد آن‌ها را کپی می‌کردیم.

چرا این موضوع امروز اهمیت دارد؟ چون روش‌هایی که برای آموزش و آزمون الگوریتم‌های جست‌وجو به کار می‌روند، تعیین می‌کنند کاربران چه چیزی را ببینند. روش‌های اولیه‌ای مانند تقطیر، توسعه را سرعت می‌دادند و به تیم‌ها کمک می‌کردند موارد حاشیه‌ای و نقاط شکست را سریع‌تر از آزمون‌های داخلی صرف شناسایی کنند. از بسیاری جهات، این مقایسه‌ها نوعی کنترل کیفیت مداوم بودند؛ آینه‌ای که در برابر محصولی نوپا گرفته می‌شد.

این روایت همچنین برداشت‌های رایج درباره نوآوری را بازتعریف می‌کند. رقابت همیشه به معنای سرقت پنهانی و عملیات محرمانه نیست. گاهی شبیه دو کودک در حیاط‌های کنار هم است که هرکدام نگاه می‌کنند دیگری چگونه رمپ اسکیت بهتری می‌سازد و بعد برای بهبود طراحی خود دست به آزمایش می‌زنند. تکرار سریع‌تر. تاب‌آوری بیشتر. نتایج بهتر برای کاربران.

روایت فریدبرگ یادآوری می‌کند که موتورهای جست‌وجو به همان اندازه که با نظریه تکامل یافتند، با عمل‌گرایی هم رشد کردند. این موضوع پرسش‌های تازه‌ای درباره شفافیت و اخلاق در توسعه الگوریتم مطرح می‌کند، به‌ویژه اکنون که سامانه‌های یادگیری ماشین می‌توانند بخش‌های عظیمی از خروجی‌های عمومی قابل مشاهده را دریافت و تقلید کنند. تحلیل مقایسه‌ای تا کجا باید پیش برود؟ چه کسی تعیین می‌کند چه چیزی منصفانه و مجاز است؟

گذشته، در نهایت، آزمایشگاهی ارزشمند است. و با ادامه تغییر فناوری جست‌وجو، آداب بررسی کار همسایه هم تغییر خواهد کرد؛ برای الهام گرفتن، نه تصاحب کردن.