评估相关性取决于对图像内容的理解。他们使用“传统”信号：
- Alt 标签
- 标题标签
- 文件名
- 传奇
- 图片周围的文字内容
但事实证明，相关性最强的信号是通过机器学习分析来了解图像真正显示的内容。
机器学习的进步
正如 Fabrice Canel 在本系列第 2 集中指出的那样，微软（和谷歌）在深度学习应用方面取得的进步是指数级的，他们的算法正在以惊人的速度改进。
据 Merchant 介绍，特别是对于图像行业来说，过去三年代表着真正的腾飞。 Bing 理解图像周围内容以了解上下文的能力有所提高，但其分析图像本身并理解其内容的能力也得到了提高。
为了建立一个机器学习系统来分析和理解图像的内容，他们从一组易于识别的事物开始，并获得了大量可靠的数据（正确标记的图像）。名人面孔、名胜、动物、花朵……汤姆汉克斯、埃菲尔铁塔、德国牧羊犬、玫瑰肯定都是三年前为学习而设计的这套教材的一部分。
他们逐渐将这一技术扩展到标记不太清楚的图像集
并加入对图像中特定元素的识别……以至于它 韩国电报数据 们现在可以非常微妙。
让我们回到 Meenaz Merchant 使用的例子：机器现在可以理解地平线的图像是一座城市。但还可以进一步问：具体是哪个城市？ （这里：旧金山）。甚至更进一步：图像是从某个角度拍摄的（例如，从恶魔岛拍摄的旧金山天际线）。
这个结果显示了该分析的可靠性。虽然不是 100%……但比 3 年前好多了！
作为用户，我们使用这些功能，并开始认为它们是理所当然的、是“正常的”，然而，作为营销人员，我们往往会试图作弊，忘记这些机器变得多么智能。
现在，让我们更进一步阐述这一点：准确分析图 基本并主要关注 像内容的能力呈指数级增长。这意味着他们逐渐减少对传统信号的依赖。例如，alt标签不再像以前那样具有指示作用，甚至如果机器确信已经正确识别了图像所显示的内容，那么图像周围的文本内容也会变得相对多余。
我一直认为用他们的算法处理图像需要花费财务成本
因此出于财务原因，他们无法分析收集到的每张图像。
伪造的 ！
商人说他们绝对会分析每一张图片并识别其所表达的内容。这意味着他们在文件名、alt 标签、标题、说明甚至图像周围的内容中看到的线索只能 短信列表 证实或澄清机器所理解的内容。
所以在这些方面作弊已经没有任何意义了。 Bing 会发现作弊行为并将其忽略。但还有更糟糕的事情：信任。以 alt 标签为例，Merchant 表示该算法将快速识别哪些网站是值得信赖的，并将历史信任参数应用于这些网站图像的排名。