O Google apresentou um novo algoritmo de recuperação multi-vetorial chamado MUVERA, que promete acelerar a busca e o ranqueamento, além de aumentar a precisão nos resultados. Essa tecnologia pode ser aplicada em sistemas de busca, recomendação (como o YouTube) e processamento de linguagem natural (PLN).
Embora o anúncio não confirme o uso direto da MUVERA nas buscas do Google, o artigo científico por trás da tecnologia revela que ela possibilita uma recuperação multi-vetorial eficiente, adequada para aplicações em grande escala. Isso é alcançado ao transformar o problema em uma busca de vetor único MIPS (produto interno máximo), permitindo utilizar infraestruturas de recuperação já existentes, reduzindo latência e consumo de memória.
Entendendo Embeddings Vetoriais na Busca
Embeddings vetoriais são representações multidimensionais que capturam relações entre palavras, tópicos e frases. Essa representação permite que máquinas compreendam similaridades por meio de padrões, como palavras que aparecem em contextos semelhantes ou que têm significados próximos. Assim, termos relacionados ficam próximos no espaço vetorial.
- Por exemplo, os termos “King Lear” estão próximos da frase “tragédia de Shakespeare”.
- “Sonho de Uma Noite de Verão” fica perto da categoria “comédia de Shakespeare”.
- Ambas as obras, “King Lear” e “Sonho de Uma Noite de Verão”, se situam próximas à palavra “Shakespeare”.
A distância matemática entre essas representações indica o grau de relação entre os conceitos, facilitando que os sistemas entendam contextos e semânticas por trás das buscas.
Problemas dos Embeddings Multi-Vetor e a Solução MUVERA
A pesquisa que deu origem ao MUVERA destaca que, nos últimos dez anos, embeddings neurais têm impactado a recuperação de informação. O modelo multi-vetor ColBERT, lançado em 2020, trouxe avanços importantes, porém enfrenta limitações graves na escalabilidade devido ao alto custo computacional.
Modelos multi-vetoriais geram múltiplos vetores por item, o que melhora a precisão, mas também aumenta significativamente a complexidade e o tempo de processamento na hora da recuperação e pontuação.
O Google ressalta esses desafios: apesar do ganho em acurácia e relevância nos documentos recuperados, o aumento no número de vetores e a complexidade dos cálculos tornam o processo pesado e caro.
Potencial Evolução em Relação ao RankEmbed
Durante o processo jurídico antitruste nos Estados Unidos, foi revelado que o Google utiliza um sinal chamado RankEmbed para ranqueamento, que funciona como um modelo de codificadores duplos (dual encoder) que mapeia consultas e documentos em um espaço vetorial, facilitando a comparação por produto escalar. Esse método é muito rápido e acurado em consultas comuns, mas pode ter desempenho inferior em buscas mais específicas.
O MUVERA representa um avanço técnico que supera limitações dos sistemas multi-vetoriais anteriores, incluindo os embasados em dual encoders, oferecendo maior profundidade semântica e melhor desempenho para consultas específicas.
O segredo está na técnica chamada Codificação de Dimensão Fixa (Fixed Dimensional Encoding – FDE), que fragmenta o espaço vetorial em seções e une vetores em cada parte, gerando um vetor único e de tamanho fixo. Assim, a comparação fica mais rápida, aproximando a eficiência do modelo de vetor único sem perder a riqueza semântica do método multi-vetor.
Esse método possibilita o uso eficiente dos algoritmos MIPS altamente otimizados para buscar candidatos iniciais, que depois são reavaliados com a similaridade multi-vetorial exata, equilibrando velocidade e precisão.
Modelos multi-vetoriais entregam respostas mais precisas que os dual encoders, mas com custo computacional maior. O MUVERA resolve essa barreira, trazendo alta precisão com menor demanda de processamento.
Impactos Para o SEO
O avanço do MUVERA mostra que os sistemas de ranqueamento modernos tendem a se apoiar mais na similaridade semântica do que em sinais tradicionais de palavras-chave, muito utilizados por SEO e ferramentas do setor. Isso significa que focar em corresponder exatamente frases exatas pode perder relevância.
Em vez disso, é recomendado que SEO e produtores de conteúdo invistam em entender e expressar claramente o contexto e a intenção por trás das consultas. Por exemplo, para a busca “jaquetas de veludo cotelê masculina tamanho M”, o sistema baseado em MUVERA deve priorizar páginas que realmente ofereçam esse produto, não apenas que citem separadamente “jaquetas de veludo cotelê” e “tamanho médio” tentando encaixar a pesquisa.
Essa mudança retorna a importância da criação de conteúdo orientado à experiência e à relevância contextual, antecipando o que o usuário busca de forma mais inteligente.