magi搜索__一个别样的知识搜索引擎

正文：

今日，给大家推荐款知识图谱的搜索引擎，magi搜索（点击访问magi搜索），接下来我们会通过以下五个部分进行讲述：

为什么会向大家推荐这款产品？
magi搜索简介
magi核心技术
创始人NB！
从个人角度，提出一些建议和意见。
magi对未来的产品，究竟意味着什么？

1. 为什么会想大家推荐这款产品

这个产品是通过微信公众号看到的，看完全文后，就迫不及待的体验产品，并查看了作者相关的博客、知乎等，哇哦，体验下来很牛的样子。
这款产品，除了讨论一下技术层面的厉害之处，创始人令人敬佩之处外，还想再深入的和大家探讨一下关于AI对未来产品的影响。
我也在AI这个行业做产品经理约5年，但真正的，把AI做到如此纯粹的公司也是少数，它的精彩之处，除了产品以外，还启迪了我们对于未来AI产品形态，AI场景的一些思考（小编的心，鸡冻鸡冻）。话不多说，让我们进入正题。

2. magi搜索简介

2.1. magi搜索首页

下图就是首页的截图（小编很想搞一个GIF，可惜还没有学会相关技术，哭哭o(╥﹏╥)o）

输入

经过试验，我们可以输入以下几种内容

关键词，”知识图谱”
问题，”985的学校有哪些”
表达式，”3+5”

其他

我们还可以看到目前magi正在学习的文章标题、链接，以及学习到的内容。将AI过程可视化，让用户真正的信服你的产品，相信技术，真的是AI产品必修的一门课呀

2.2. magi搜索结果页

从页面上看，结果分为4个模块：

搜索框
结构化数据
主要学习来源
相关报道（普通搜索引擎类似）

搜索框以及相关报道，我们其实已经很熟悉了，在其他产品中较为常见，我们主要就结构化数据以及主要学习来源来做一些。
我们可以从下图看到相关的结构化的数据的含义。

这里的所有带颜色框的标签，都是可点的，点进去后会出来，该数据的来源，以及置信度数值，当然此时hover住右端的主要学习来源还是有连线的。

到这里，magi的搜索产品就介绍完了，很简单，就两个页面。其实很明显，这完全就是一个技术驱动的产品，那么我们接下来介绍一下他的一些技术。

3. magi核心

想看更详细的技术解析，大家可以访问面向硬核用户的问题与解答，知乎CEO官方回答，我们呢，就简单的讲讲。
搜索的过程分为以下几步：

意图识别
检索
排序

但我们这一次不讲这三步相关的内容，是不是很惊喜很意外，如果大家感兴趣的话，可以看小编的另一个篇文章，搜索是怎么样的一回事？。我们本次主要讲的是信息抽取的技术。
大家可以看到，搜索页面的结构化数据，和知识图谱是不是很像呀，数据结构都是三元组的形式。目前通常意义上的知识图谱都是全部人工，或者半机器半人工（人工确认）的方式来获取数据的。但是，magi太棒了，它可以通过文章，自动学习实体，以及实体与实体的关系。大家想详细的了解技术，就看一看上面的链接。能做到自动发现，且准确率较高，这本身就是一件很难的事情。
大家可以想象，如果有一天机器把这个世界各个角度，所有发生的事情都理解了一遍，那么它是不是就是某种程度的”上帝”了呢？如果知识图谱可以自动发现并积累各个领域的知识，那么无论是对于Siri、小爱同学，甚至对现有的模型及应用场景都是一个大幅的提升，远超人类也并非不可能。

正如创始人所说，这样其实也会面临以下几个问题：

消歧义的问题，如何把握这个度量，可以较为显著的区分不同含义的同一词组，比如”tesla”是一个人还是一个汽车品牌
工程上，在速度和成本方面还是有提升空间的

那有些朋友会问了：
万一magi去爬了某些质量不高的网站，或者抽取的信息错误怎么办？

magi会评估每个来源的网站。为什么不用白名单来解决，因为白名单虽然可以保证质量，却也失去了很多内容。
由于magi每分钟都在学习新的知识，因此，在大量数据的情况下，被抽取错误的信息会慢慢变得正确。

4. 创始人NB

季逸超是北大毕业，Peak Labs创始人，猛犸浏览器，Magi智能搜索引擎的开发者。在19岁时便登上了《福布斯》杂志的封面。（大神就是从小不凡）
Peak Labs，已经获得红杉中国和徐小平创办的真格基金的天使投资。季逸超在自己的微博上说过，这个实验室“要做最狂最新鲜的事”。　

创始人的知乎介绍：

5. 从个人角度，提出一些建议和意见

小编主要是做AI产品的，大部分会从页面上，小部分从算法结果上，给一些小小的建议，。
整体上来看，这是一个很geek的产品，产品设计页面展示上也是如此。

5.1. 页面上

目前置信度是通过颜色来表示的，如果没有人阅读过相关文章的话，很难第一眼就发现颜色的含义。建议：通过引导页，或者直接不用颜色，用文字的方式进行展示区分；
任何标签都是可点击，点击后才知道，可做引导页提示；
属性后的…是可以同时搜索的，输入框的条件以及目前点击的实体的组合，这个一般用户尝试过后才能知道，产品上可做的稍微明显一些；
标签右上方的小绿点，嗯，小编不知道，这个是啥意思，还没理解；
在描述和属性中，我们可以看到很多相关的内容，是否在展示的时候，可以把相关的展示到一个模块，比如上市公司，那就把公司财报相关的数据放一起，目前看起来是有些乱的。根据一些维度进行区分后，不仅仅能解决乱的问题，还可以解决歧义的问题，比如”tesla”享年会和公司明显分区开来。

5.2. 算法结果上

同义词的结果仅展示一次即可。比如特斯拉的描述，”上海有史以来最大的外资制造业项目”和”上海有史以来最大的外商独资制造业项目”；
同义词的实体，比如搜索”特斯拉”,它是一个品牌，一家公司，但对应的实体就是一个，因此只需要出这个的相关信息即可，目前是有”特斯拉”以及”特斯拉公司”，且”特斯拉公司”的数据几乎没什么内容；另外”tesla”与”特斯拉”出来结构化的内容也是不同的；
某些无意义的词语。比如特斯拉的标签”项目”。

5.3. 展望

数据，关系的可视化，更炫酷的页面
更干净，更有层级的数据

6. magi对未来的产品，究竟意味着什么？

让我们从小入手，就从magi的核心，信息抽取来开始讲起。
信息抽取是NLP重要的一个组成部分，是NLP的基础工程。NLP的基础就是文本，我们从最小组合说起，句子。我们来思考下，句子的构成。将实体、关系通过一些助词、语法结构等，组合在一起，就是一个句子。将诸多句子组合在一起，就是段落，于是可称为文章。由此可看出，一句话的核心，就是实体和关系。我们一般通过NER、依存分析等等相关技术，来试图理解每一句话在讲什么意思，究竟是什么意思，有哪些实体，有哪些词语，有哪些关系，这些技术一般都需要人的帮助，且无法适用所有情景。

信息被结构化后，又有什么样的好处呢？
小编目前的领域是在做候选人与职位的匹配，我深刻的从实践中了解到，匹配精准的基础就是对两方的精准理解，当然，如果你的数据量大到不可思议，且分布较为均匀，嗯，当我没说。

为决策提供准确的基础数据，提高匹配的准确性，适用于推荐、匹配；
提高检索的有效性，直击答案，而不用人再次辨别，适用于搜索、对话系统；
可视化AI决策过程，适用于建立AI与人的信任度。

最后，magi技术的突破是否能像Deepmind的强化学习一样，引起AI领域的一阵海啸，我们拭目以待。