Jak wyszukiwarki wykorzystują uczenie maszynowe.
Wiemy, że wyszukiwarki wykorzystują uczenie maszynowe na te 9 sposobów. Oto, co to oznacza dla SEO i marketingu cyfrowego. Giganci technologiczni dużo inwestują w uczenie maszynowe.
W 2019 r. Microsoft zainwestował w 11 start-upów wykorzystujących sztuczną inteligencję (AI), z 1 miliardem dolarów na samą OpenAI. I nie są nawet największym źródłem korporacyjnego kapitału wysokiego ryzyka napływającego do startupów AI.
W tym samym roku Intel Capital dokonał 19 inwestycji, a Google Ventures 16 inwestycji.
Ten ogromny napływ kapitału oznacza, że moc obliczeniowa AI dokonuje szybkich postępów w wielu sektorach, od opieki zdrowotnej, przez budownictwo, po marketing i optymalizację wyszukiwarek.
Zanim jednak przejdziemy do implikacji uczenia maszynowego dla specjalistów SEO, zdefiniujmy, co rozumiemy przez sztuczną inteligencję.
Istnieją 3 rodzaje sztucznej inteligencji:
- Wąska lub słaba sztuczna inteligencja: ten typ sztucznej inteligencji jest przeznaczony do wykonywania specjalistycznych zadań, których algorytm musi „nauczyć” (pomyśl o algorytmach wyszukiwania Google). Choć bardzo wyspecjalizowana w zakresie, wąska sztuczna inteligencja (ANI) jest w stanie szybko rozpoznawać wzorce i wykonywać zadania w sposób, który przewyższa ludzkie możliwości.
- Ogólna lub silna sztuczna inteligencja: zdolna do samodzielnego uczenia się i rozwiązywania problemów, ogólna sztuczna inteligencja (AGI) przenosi uczenie maszynowe na wyższy poziom. Ta sztuczna inteligencja jest zasilana przez procesy głębokiego uczenia się, które mają odzwierciedlać sieci neuronowe ludzkiego mózgu, umożliwiając algorytmowi podejmowanie decyzji bez instrukcji.
- Sztuczna superinteligencja: W tej chwili sztuczna superinteligencja (ASI) nadal w pełni zalicza się do kategorii science fiction. Ten rodzaj sztucznej inteligencji teoretycznie byłby w stanie przewyższyć ludzkie możliwości w rozwiązywaniu „nierozwiązywalnych” problemów naszych czasów.
Chociaż firmy takie jak OpenAI i Conversion.ai zmierzają w kierunku opracowywania ogólnej sztucznej inteligencji do przetwarzania języka naturalnego, obecnie nie ma jednoznacznych przykładów AGI .
Aby przejść od ANI do AGI, głębokie uczenie będzie kluczem do stworzenia silniejszej sztucznej inteligencji zdolnej do wykorzystywania dedukcyjnego rozumowania do analizowania złożonych, nieustrukturyzowanych danych i podejmowania niezależnych decyzji.
W 2016 r. Google zadeklarował zamiar zostać firmą „najpierw uczącą się maszynowo”. Od tego czasu poczynili stałe kroki w kierunku tego celu, uruchamiając Google AI w 2017 r. i wdrażając BERT w 2019 r.
Jaki jest ich cel, jeśli chodzi o pełne wykorzystanie uczenia maszynowego?
Cóż, według Google chcą nie tylko ułatwić nam życie, ale także wykorzystać sztuczną inteligencję, aby znaleźć „nowe sposoby patrzenia na istniejące problemy, od ponownego przemyślenia opieki zdrowotnej po postęp w odkryciach naukowych”.
Oprócz tych wzniosłych celów na przyszłość, ludzkość już widzi te postępy w uczeniu maszynowym na mniejszą skalę w czymś, z czym codziennie wchodzimy w interakcję – algorytmach wyszukiwarek.
Google robi stałe postępy w łączeniu użytkowników z treściami, których szukają, w tym dziewięć sposobów, o których wiemy, że wyszukiwarki korzystają obecnie z uczenia maszynowego.
1. Wykrywanie wzoru
Wyszukiwarki wykorzystują uczenie maszynowe do wykrywania wzorców, które pomagają identyfikować spam lub duplikaty treści.
Treści niskiej jakości zazwyczaj mają wyraźne podobieństwa, takie jak:
- Obecność kilku linków wychodzących do niepowiązanych stron.
- Wiele zastosowań słów stop lub synonimów.
- Częstość występowania zidentyfikowanych „spamowych” słów kluczowych.
Uczenie maszynowe rozpoznaje te wzorce i oznacza je. Wykorzystuje również dane z interakcji użytkowników, aby wykryć, kiedy używane są nowe struktury i techniki spamu, rozpoznawać nowe wzorce i skutecznie je także oznaczać.
Mimo że Google nadal korzysta z ludzkich wskaźników jakości , wykorzystanie uczenia maszynowego do wykrywania tych wzorców drastycznie zmniejsza ilość siły roboczej niezbędnej do przeglądania treści.
W ten sposób Google jest w stanie automatycznie przeszukiwać strony, aby wyeliminować treści o niskiej jakości, zanim prawdziwy człowiek będzie musiał się zaangażować.
Uczenie maszynowe to stale rozwijająca się technologia, więc im więcej analizowanych stron, tym jest ono dokładniejsze (przynajmniej teoretycznie).
2. Identyfikacja nowych sygnałów
RankBrain to algorytm uczenia maszynowego opracowany przez Google, który nie tylko pomaga identyfikować wzorce w zapytaniach, ale także pomaga wyszukiwarce zidentyfikować możliwe nowe sygnały rankingowe.
Przed RankBrain algorytm Google był kodowany całkowicie ręcznie. Zależało to od zespołu inżynierów, którzy przeanalizowali wyniki zapytań wyszukiwania, przeprowadzili testy poprawiające jakość tych wyników i zaimplementowali zmiany.
Teraz, gdy nad algorytmem wciąż pracują inżynierowie, RankBrain po cichu pracuje w tle, przeprowadzając testy i oceniając, jak zmiany wpływają na interakcje użytkowników.
RankBrain rozwiązuje niektóre trudne problemy, z jakimi borykał się Google w przypadku tradycyjnych algorytmów – w tym sposób obsługi wyszukiwanych haseł, które nigdy wcześniej nie były wprowadzane do Google.
Ponieważ wyszukiwarki są w stanie nauczyć technologię samodzielnego uruchamiania prognoz i danych, praca fizyczna może być mniejsza, a pracownicy mogą dążyć do innych rzeczy, których maszyny nie mogą zrobić, takich jak innowacje lub projekty skoncentrowane na człowieku.
3. Waży jak mała porcja
Jednak mimo że uczenie maszynowe powoli zmienia sposób, w jaki wyszukiwarki znajdują i pozycjonują strony internetowe, nie oznacza to, że ma duży, znaczący wpływ (obecnie) na nasze SERPy.
W dyskusji o godzinach pracy dla webmasterów w 2019 r. John Mueller z Google wspomina, jak uczenie maszynowe pomaga inżynierom Google lepiej zrozumieć różne problemy, ale zwraca uwagę, że: „…uczenie maszynowe to nie tylko ta jedna czarna skrzynka, która robi wszystko za Ciebie, gdzie z jednej strony zasilasz internet, a z drugiej strony pojawiają się wyniki wyszukiwania”.
Niedawno w dyskusji w sprawie godzin pracy w maju 2021 r. wyjaśnił, że uczenie maszynowe może dostosować wagę różnych sygnałów rankingowych. Ale znowu, wciąż są prawdziwi ludzie ręcznie sprawdzający i dostosowujący te wartości.
Ostatecznym celem Google jest wykorzystanie technologii, aby zapewnić użytkownikom lepsze wrażenia. Nie chcą automatyzować całego procesu, jeśli oznacza to, że użytkownik nie będzie miał doświadczenia, którego szuka.
Nie zakładaj więc, że uczenie maszynowe wkrótce przejmie cały ranking wyszukiwania; jest to po prostu mały kawałek układanki, którą wdrożyły wyszukiwarki, aby, miejmy nadzieję, ułatwić nam życie.
4. Sygnały niestandardowe oparte na konkretnym zapytaniu
Obecna polityka prywatności Google omawia sposób, w jaki wyszukiwarka obecnie tworzy spersonalizowane wyniki wyszukiwania w oparciu o zachowanie użytkownika.
Patent Google na wyszukiwanie spersonalizowane US20050102282A1 stwierdza, że: „…spersonalizowane wyszukiwanie generuje różne wyniki wyszukiwania różnym użytkownikom wyszukiwarki na podstawie ich zainteresowań i przeszłych zachowań”.
Wyraźnie widać to w działaniu. Często używany w prezentacjach konferencyjnych, udowodnienie, że ten proces jest tak prosty, jak wpisanie ciągu zapytań do Google za jednym razem i zobaczenie, jak zmieniają się wyniki w zależności od tego, czego ostatnio szukałeś.
5. Przetwarzanie języka naturalnego
Ważne jest, aby wyszukiwarka była w stanie rozpoznać, jak podobny jest jeden fragment tekstu do drugiego. Dotyczy to nie tylko użytych słów, ale także ich głębszego znaczenia.
Dwukierunkowe reprezentacje kodera firmy Transformers – w skrócie BERT – to struktura przetwarzania naturalnego uczenia się, której Google używa do lepszego zrozumienia kontekstu zapytania użytkownika.
Ludzie nie zawsze mówią tak, jak oczekiwałaby od nich maszyna. Bawimy się językiem, aby wymyślić nowe zwroty.
Używamy tego samego słowa, aby opisać różne rzeczy. Czasami jesteśmy nawet celowo niejednoznaczni.
Jednak ponieważ coraz więcej osób używa i wyszukuje nowe frazy online, uczenie maszynowe jest w stanie wyświetlać dokładniejsze informacje dla tych zapytań.
Trendy Google są tego doskonałym przykładem. Nowa fraza lub słowo, które zyskuje na popularności (np. „rozświetl się” lub „rozlej herbatę”) może początkowo mieć bezsensowne wyniki wyszukiwania.
BERT ma na celu jak najdokładniejsze odtworzenie ludzkiego rozpoznania, aby rozszyfrować te kontekstowe niuanse, ucząc się, jak użytkownicy wchodzą w interakcję z treścią i dopasowując zapytania wyszukiwania do bardziej trafnych wyników.
W miarę rozwoju i transformacji języka maszyny są w stanie lepiej przewidywać nasze znaczenie za wypowiadanymi słowami i dostarczać nam lepszych informacji.
6. Wyszukiwanie obrazów w celu zrozumienia zdjęć
Co sekundę około 1087 zdjęć jest przesyłanych na Instagram, a 4000 na Facebooka. To setki milionów zdjęć przesyłanych codziennie do tych dwóch sieci społecznościowych.
Analizowanie i katalogowanie, że wiele zgłoszeń byłoby żmudnym (jeśli nie niemożliwym) zadaniem dla człowieka, ale doskonale nadaje się do uczenia maszynowego.
Uczenie maszynowe analizuje wzorce kolorów i kształtów i łączy je z istniejącymi danymi schematu dotyczącymi fotografii, aby pomóc wyszukiwarce zrozumieć, czym tak naprawdę jest obraz.
W ten sposób Google może nie tylko katalogować obrazy w wynikach wyszukiwania grafiki Google, ale także wspomaga wyszukiwanie odwrotne grafiki , które umożliwia użytkownikom wyszukiwanie przy użyciu obrazu zamiast zapytania tekstowego.
Użytkownicy mogą następnie znaleźć inne wystąpienia zdjęcia w Internecie, a także podobne zdjęcia, które mają te same tematy lub paletę kolorów oraz informacje o tematach na zdjęciu.
Z kolei sposób, w jaki użytkownik wchodzi w interakcję z tymi wynikami, może w przyszłości kształtować jego SERP.
7. Poprawa jakości i kierowania reklam
Podobnie jak organiczne wyniki wyszukiwania, Google chce dostarczać najtrafniejsze reklamy swoim indywidualnym użytkownikom. Zgodnie z amerykańskimi patentami Google US20070156887 i US9773256 dotyczącymi jakości reklam, uczenie maszynowe można wykorzystać do ulepszenia „w przeciwnym razie słabego modelu statystycznego”.
Oznacza to, że na ranking reklamy może mieć wpływ system uczący się.
„Kwota stawki, jakość reklamy w czasie aukcji (w tym oczekiwany współczynnik klikalności, trafność reklamy i jakość strony docelowej), progi rankingu reklamy , kontekst wyszukiwania użytkownika” są wprowadzane do systemu na podstawie poszczególnych słów kluczowych , aby określić, jakie progi są uwzględniane przez Google dla każdego słowa kluczowego.
8. Identyfikacja synonimów
Gdy widzisz wyniki wyszukiwania, które nie zawierają słowa kluczowego we fragmencie, jest to prawdopodobnie spowodowane tym, że Google używa RankBrain do identyfikowania synonimów.
9. Wyjaśnienie zapytań
Jednym z moich ulubionych tematów jest intencja użytkownika w zapytaniu .
Istnieje wiele powodów, dla których warto odpalić wyszukiwarkę. Użytkownicy mogą szukać w celu zakupu (transakcyjnego), badania (informacyjnego) lub znalezienia zasobów (nawigacyjnych) dla dowolnego wyszukiwania.
Co więcej, jedno słowo kluczowe może być przydatne dla jednej lub dowolnej z tych intencji.
Analizując wzorce kliknięć i typ treści, z którą użytkownicy wchodzą w interakcję (np. CTR według typu treści), wyszukiwarka może wykorzystać uczenie maszynowe do określenia intencji wyszukiwania użytkownika.
Wyniki to recenzje i lista uczelni w jednym SERP, z uniwersytetami wymienionymi na górze. Pokazuje to zrozumienie przez Google możliwych intencji kryjących się za wyszukiwaniem.
Zmienia to sposób, w jaki SEO patrzą na strukturę i rozmieszczenie linków, ponieważ algorytm Google wykorzystuje narzędzia takie jak BERT, aby coraz lepiej oceniać kontekst, w którym te linki są umieszczone.
Streszczenie
Chociaż uczenie maszynowe nie jest (i prawdopodobnie nigdy nie będzie) doskonałe, im więcej ludzi będzie z nim wchodzić w interakcje, tym dokładniejsze i „mądrzejsze” się stanie.
Dla niektórych może to być niepokojące, tworząc wizje Skynetu z filmów „Terminator”.
Jednak rzeczywisty wynik może być lepszym doświadczeniem z technologią, która rozwiązuje złożone problemy i pozwala ludziom skupić się na kreatywności i innowacyjności.
W 2018 r. Pew Research przeprowadził sondaż, w którym 63% respondentów stwierdziło, że ma nadzieję na przyszłość ludzkości w odniesieniu do AI – zgadzając się, że do 2030 r. ludziom będzie lepiej dzięki sztucznej inteligencji.
Jednym ze sposobów, w jaki już widzimy poprawę jakości życia, jest wyszukiwanie. Ponieważ Google i inne wyszukiwarki zrewolucjonizowały uczenie maszynowe, możemy łatwiej znaleźć potrzebne nam informacje i usługi wtedy, gdy ich potrzebujemy.