Onton prezentuje Ontology 1: Neurosymboliczny model wyszukiwania 2,7x dokładniejszy niż czołowe wyszukiwarki e-commerce

Firma Onton z San Francisco, specjalizująca się w wyszukiwaniu i odkrywaniu produktów, zaprezentowała Ontology 1 – neurosymboliczny model zaprojektowany do złożonego, konwersacyjnego i multimodalnego wyszukiwania produktów. W niezależnym teście obejmującym 90 zapytań, ocenianym przez trzech sędziów LLM, model Ontology 1 osiągnął średnią precyzję@10 na poziomie 0.630. Dla porównania, Google Shopping uzyskało wynik 0.543, a Amazon – 0.469. Co istotne, Onton osiągnął te wyniki, indeksując zaledwie około 1% katalogów swoich konkurentów.

Przewaga Ontology 1 nad tradycyjnymi wyszukiwarkami

Tradycyjne wyszukiwarki e-commerce opierają się na mapowaniu intencji użytkownika na kategorie i atrybuty, takie jak rozmiar, cena, materiał czy marka. Onton podkreśla, że ten interfejs katalogowy praktycznie nie zmienił się od blisko 30 lat i nie pozwala na wyszukiwanie produktów według bardziej złożonych kryteriów, np. „przyjazne dla zwierząt” czy „meble pasujące do mojego pokoju”.

Ontology 1 podchodzi do problemu inaczej. W przypadku zapytania o „kanapę przyjazną dla zwierząt” model nie polega wyłącznie na etykietach sprzedawcy, które mogą być nieobecne lub niedokładne. Zamiast tego, wnioskuje na podstawie obiektywnych właściwości produktu, takich jak włókno, splot czy konstrukcja, i oznacza wszelkie niezgodności w danych produktu. Model bierze również pod uwagę wiarygodność źródła, ponieważ niektóre oferty mogą manipulować algorytmem, a recenzje bywają kupowane.

Model buduje jawny, możliwy do inspekcji model świata, zamiast absorbować wzorce w wagi. Kiedy brakuje mu informacji o „przyjazności dla zwierząt”, traktuje to jako lukę i samodzielnie dochodzi do odpowiedzi, analizując takie cechy jak łatwość czyszczenia i trwałość, a następnie identyfikując tapicerkę poliestrową jako wskaźnik. Ta nauka jest następnie wykorzystywana w kolejnych zapytaniach, np. „krzesło przyjazne dla zwierząt” czy „łatwa do czyszczenia niebieska kanapa”, a proces uczenia się działa w sposób ciągły.

Wyniki benchmarku i metodologia

Onton udostępnił kod i dane dla benchmarku Subtext-Decor-90. Trzech multimodalnych sędziów – Claude Opus 4.8, Gemini 3.1 Pro i GPT-5.5 – oceniało 10 najlepszych widocznych kart wyników zwróconych przez Onton, Amazon i Google Shopping dla każdego z 90 zapytań tekstowych. Wyniki precyzji@10 zostały uśrednione dla wszystkich sędziów, z 95% przedziałami ufności obliczonymi na podstawie 10 000 ponownych próbek bootstrap.

Szczegółowe wyniki to:

• Onton: 0.630 [0.571, 0.688]
• Google Shopping: 0.543 [0.490, 0.596]
• Amazon: 0.469 [0.417, 0.521]

Onton zwyciężył w 52 zapytaniach, Google w 19, a Amazon w 16. Suma wynosi 87, ponieważ Ontology zwróciło mniej niż 10 wyników w trzech zapytaniach, a puste miejsca zostały ocenione jako nieistotne. Wykluczenie tych pustych miejsc daje Ontonowi wynik 0.665, Google 0.549, a Amazon 0.459.

Współczynnik zgodności Krippendorffa alfa dla trzech sędziów wyniósł 0.465, co wskazuje na pewną zmienność w bezwzględnych wartościach precyzji@10 zależnych od sędziego. Niemniej jednak, wszyscy trzej sędziowie konsekwentnie umieścili silniki wyszukiwania w tej samej kolejności.

Ograniczenia i przyszłe plany

Zapytania dotyczące obrazów i multimodalne zostały wykluczone z benchmarku 90 zapytań, ponieważ Amazon Lens nie obsługuje zapytań multimodalnych, a Google Lens nie zwraca wyłącznie produktów. Onton prowadzi jednak oddzielne porównanie 10 zapytań obrazowych i multimodalnych z Google.

Przypadki, w których Ontology 1 radziło sobie gorzej, dotyczyły zapytań o specyfikację funkcjonalną, gdzie dominują metadane kategorii Amazonu, np. „lampa, która nie obudzi mojego partnera, jeśli czytam o 3 nad ranem” (Onton 0.4, Amazon 0.9) lub „coś do postawienia na dziwnie głębokim parapecie” (Onton 0.07, Amazon 0.67). Onton przypisuje to szerokości katalogu Amazonu i swojemu jednowertykalnemu, niesponsorowanemu indeksowi, oczekując, że pętla samouczenia zmniejszy tę lukę.

Podstawą grafu wiedzy Ontology 1 jest Ograph, niestandardowa baza danych grafowych. Onton informuje, że jeden rdzeń Ograph przewyższa SuiteSparse:GraphBLAS działający na 14 rdzeniach, oferując około 100-krotnie większą przepustowość na rdzeń. Wersja na GPU działa 43 razy szybciej niż wariant na CPU, a wczesne testy wskazują na przyspieszenie nawet 1000-krotne w miarę optymalizacji implementacji.

Obecnie Ontology 1 jest dostępne dla użytkowników końcowych na Onton.com. Dostęp partnerski jest udzielany indywidualnie zespołom budującym na „agentic web”. Nie ma publicznego API, cennika ani otwartego punktu kontrolnego dla samego modelu. Przyjęcie technologii odbywa się na zasadzie partnerstwa, a nie prostej instalacji.

Rozwój takich modeli jak Ontology 1 wskazuje na ewolucję wyszukiwania produktów w kierunku bardziej inteligentnych i kontekstowych rozwiązań. Zdolność do rozumowania na podstawie obiektywnych właściwości i uczenia się w sposób ciągły może zrewolucjonizować sposób, w jaki konsumenci odnajdują produkty online, oferując znacznie bardziej trafne i spersonalizowane wyniki niż dotychczasowe, oparte na kategoriach systemy. To otwiera nowe możliwości dla handlu elektronicznego, pozwalając na lepsze dopasowanie oferty do rzeczywistych potrzeb i intencji użytkowników.

Źródło: marktechpost.com