除了能够从视频中提取元数据，Video Intelligence API 还允许用户标记视频中的场景变化。这些视频接着被存储在谷歌的云存储平台上。视频分析此前是让研究人员十分痛苦的事情，但有了机器学习的能力，谷歌的这项新服务能够让从视频中提取数据就像处理静态图像一样简单。谷歌也在推进其使用 TensorFlow 框架的云机器学习引擎，以允许创造自定义的学习模型。

　　改变数字营销，SEO 将变得极端技术化

　　机器学习和深度学习也在改变数字营销的面貌。在这股潮流当中，谷歌无疑处于领头羊的地位。再一次地，谷歌使用机器学习和深度学习。谷歌曾经公开宣布，使用机器学习的 RankBrain 是其搜索引擎网站排名算法的第三大要素。

　　谷歌在 2015 年推出了 RankBrain，RankBrain 并不是算法的一部分，它的作用是了解哪种算法组合最适用于当前类型的搜索结果。这也意味着，对于每个搜索结果，谷歌都使用了完全不同的算法混合方式。确切地说，RankBrain 在词的水平上进行操作，为每个搜索结果都进行算法的个性定制。

　　RankBrain 用于帮助处理搜索结果，特别是那些不常见的、复杂的多字查询。例如，包含单词“without”或“not”的否定搜索查询并不常见，RankBrain 就能帮助这些搜索词的查询。

　　RankBrain 还可以“看出”那些似乎没有什么关联的搜索之间的模式，从而了解这些搜索之间有什么相似的地方。然后，RankBrain 还能将这些搜索与它认为搜索者正在寻找的结果相关联。谷歌有一个循环流程，让 RankBrain 离线学习材料，然后测试它，然后在线使用新的版本。这种循环不断重复，RankBrain 变得越来越聪明，可以更好地处理这些不寻常的搜索查询。

　　RankBrain 这个新型深度学习系统还可以学习分辨“好”网站长什么样，“坏”网站长什么样。不同的垂直领域具有不同的客户关系管理方式、不同的模板和数据结构类型。谷歌为每一个搜索结果赋予不同的算法权重，因此每个垂直领域都有不同的“好”网站和“坏”网站实例。

　　当 RankBrain 运行时，它会学习每种垂直环境中的正确“设定”是什么样的。你或许已经猜到，这些正确设定是什么完全取决于该设定所处于的垂直领域是什么样的。例如，在医疗产业中，谷歌知道像 WebMD.com 这样的网站声誉良好，并会把这样的网站放在其搜索索引的顶部位置。而任何结构上与 WebMD 网站相似的网站，也会被归类到“好”网站的类别中。类似的，那些与已知的医疗领域垃圾网站结构相似的网站则会被归为“坏”网站的类别。

　　对于那些包含了许多不同类别的网站，比如 How-To 型网站，为了避免深度学习方法崩溃，谷歌可能会使用看起来随机的数据——当然，这只是一种可能。它可能从众多类别中选择这个类别，也可能选择另一个类别。对于像 Wikipedia 这样的著名网站来说，谷歌可能完全不采取任何分类过程，这也是为了确保深度学习过程不会打扰用户既有的搜索体验（因为维基这样的大网站不太可能产生坏网页）。

　　谷歌设计 RankBrain 的目的是让人没有办法再“钻空子”。没有了黑帽战略来击 RankBrain，谷歌就能以此强制让网站所有者提升他们网站的用户友好度。用户看到的结果就是，对垃圾邮件网站的打击力度更大了。此外，更智能的搜索引擎能够了解哪些网站将在设备上正常显示，并将这些结果传递到相应的屏幕尺寸上面。也就是说，你还能看到更好的设备集成和基于所使用的设备类型得到更好的搜索结果。

　　SEO 领域将继续变得极端技术化。分析和大数据是今日的王道，那些对这些方法尚不熟悉的 SEO 必须尽快赶上，直播，而那些已经拥有这些能力的 SEO 有希望未来获得巨大收益。

　　深度学习的“金数据”和“银数据”，商业模式迭代创新的杀手锏

　　尽管机器学习和深度学习让谷歌在搜索的各种方面都变得更加智能，但是，仍然存在难以跨越的障碍。

　　为了让谷歌搜索自动给出答案，谷歌组织了一个由大量语言学博士组成团队，它把这支团队称为“Pygmalion”，使用这些语言学家人工筛选的数据来训练神经网络。实际上，谷歌的机器通过观察人类的做法来学习如何从长段落中提取相关答案，这个过程需要重复多遍，相当漫长。这些艰苦的努力表明了深度学习的能力和局限性。为了训练像这样的人工智能系统，需要大量的、由专业人士筛选过的数据。这些数据不容易得到，也不便宜，而且对这种数据的需求不会很快消失。