Подробное введение в машинное обучение в SEO / AEO

1. Что такое машинное обучение? Следующие цитаты действительно подводят итог. Больше жидкости «Машинное...
2. Машинное обучение против традиционного кода
3. Основные виды машинного обучения
4. Почему это вдруг стало таким важным делом сейчас?
5. Машинное обучение перемещает ворота
6. RankBrain: машинное обучение в основном алгоритме в 2015 году
7. Три основных обновления основных алгоритмов в 2018 году
8. Обновления в 2018 году значительно активнее, чем в 2017 году
9. Видим ли мы внедрение дополнительного машинного обучения в основной алгоритм в 2018 году?
10. Чтобы смело идти ... Отвечать Двигатели
11. Машинное обучение - две стороны уравнения УЭО
12. Меняем наш подход

Что такое машинное обучение?

Следующие цитаты действительно подводят итог.
Больше жидкости
«Машинное обучение - это нечто новое под солнцем: технология, которая строит себя сама».
Педро Домингос
Больше интуиции
«Машинное обучение - это столько же искусство, сколько и наука. Это похоже на приготовление пищи - да, здесь задействована химия, но чтобы сделать что-то действительно интересное, вы должны научиться комбинировать ингредиенты, доступные вам ». Грег Коррадо (Google)
Больше гибкости
«Модель машинного обучения не является статичным фрагментом кода - вы постоянно вводите данные. Мы постоянно обновляем модели и учимся, добавляем больше данных и настраиваем, как мы собираемся делать прогнозы. Это похоже на живую, дышащую вещь. Это другой вид техники ». Кристина Робсон (Google)
Здорово !

Все три цитаты из этой замечательной статьи https://www.wired.com/2016/06/how-google-is-remaking-itself-as-a-machine-learning-first-company/

Машинное обучение похоже на кулинарию

Кулинария: ингредиенты, кухонное оборудование и кулинарный талант.
Машинное обучение: данные, математика и инженерная интуиция.

Машинное обучение против традиционного кода

В то время как традиционный код является в значительной степени статичной наукой, используя статическую серию операторов if / else, машинное обучение - это плавное «существо». Каждый раз, когда мы задаем вопрос (входные данные), чтобы получить ответ (выходные данные), путь для возврата ответа является уникальным, записанным на лету машиной, которая руководствовалась, а не инструктировалась. И каждый раз, когда он выполняет задачу, он учится и может применить это обучение, чтобы выполнить эту задачу немного лучше в следующий раз.
Сногсшибательные вещи.

Основные виды машинного обучения

Управляемое машинное обучение включает в себя подачу на машину надежных данных с метками и предоставление ей ожидаемого результата, а затем запрашивание формулы для вывода результата из данных. После того, как формула была определена из помеченных данных, мы можем подать немаркированные данные того же типа на машину и получить надежные прогнозы. Отличным примером этого является AlphaGo - чтобы научиться играть в Го, его кормили 10 миллионами человеческих игр, а затем побеждали чемпиона мира.

Машинное обучение без присмотра - предоставьте машине базовый набор инструментов, источник данных и желаемый результат, и пусть машина маркирует данные и находит путь. Отличным примером этого является AlphaGo Zero - ему были даны правила Go и цель игры (чтобы выиграть), а затем оставлено играть в себя миллионы раз. Потребовалось всего 2 дня, чтобы научиться играть достаточно хорошо, чтобы побить АльфаГо 100 раз подряд.

Таким образом, в игре с набором точных правил Google имеет возможность использовать обучение без учителя, превосходящее 4000 лет человеческих усилий всего за пару дней. Это аккуратно подчеркивает теоретически возможную шкалу прогресса.

Спойлер: Хотя Eldorado машинного обучения не контролируется, Google вряд ли использует его в сфере SEO / AEO, поскольку для Google было бы очень опасно передавать свою бизнес-модель на компьютер - необходимо поддерживать определенный уровень контроля. ,

Итак, в SEO и AEO (Оптимизация механизма ответов) нас интересует нечто промежуточное - машинное обучение под наблюдением . Проще говоря, это означает создание основы контролируемого обучения на основе надежных маркированных данных, а затем расширение самообучения с использованием немеченых данных контролируемым образом.

Почему это вдруг стало таким важным делом сейчас?

Машинное обучение в тяжелых условиях стало возможным только в течение нескольких лет, потому что для его эффективной работы требуется набор инструментов, которые никогда не были достаточно мощными и никогда не были доступны одновременно. Игра изменилась с появлением таких технологий, как многопоточные выделенные процессоры, большие данные, SQL на векторной основе.

Наличие этой технологии означает, что мир просто изменился ...
Google теперь очень ясно, что они компания, первая AI. Посмотрите здесь https://ai.google

Примечание: хотя это и не совсем верно, для целей данной статьи ИИ и машинное обучение могут рассматриваться как синонимы.

Машинное обучение перемещает ворота

Амит Сингхал, руководитель отдела поиска в Google с ранних лет, родом из мира «ретриверов» - инженеров, которые пишут статический код для сбора информации, сортируют ее и ранжируют в соответствии с набором определенных человеком правил. Учитывая успехи Google во время его руководства, мы можем заключить, что он невероятно хорош в этом. Дэвид Пабло Кон, ведущий инженер по машинному обучению в Google с 2002 года, сказал:

«Оказывается, интуиция Амита была лучшей в мире, и мы добились большего успеха, пытаясь жестко закодировать то, что было в мозгу Амита. Мы не могли найти ничего такого хорошего, как его подход.

Но к 2014 году команда машинного обучения Google может превзойти подход «ретривер» и обеспечить результаты такого же качества. Но, возможно, что еще более важно, они могли бы гораздо лучше определить ответ. С переходом на подход, основанный на 100% машинном обучении, Google быстро становится механизмом ответов… механизмом, целью которого является предоставление окончательного (правильного) ответа / решения для потребностей пользователей в данной ситуации.

RankBrain: машинное обучение в основном алгоритме в 2015 году

После запуска в 2015 году RankBrain был первой официальной частью машинного обучения основного алгоритма Google. Он был в первую очередь направлен на улучшение 15% поисковых запросов, которые Google никогда раньше не видел. 9 месяцев спустя Google объявил, что это затронуло 100% запросов и уже стало третьим по важности фактором ранжирования.
Это показывает, насколько надежным и эффективным было их машинное обучение уже в 2016 году. Google предоставил мало конкретной информации, но за последние два года, безусловно, были представлены и другие реализации. И я считаю, что мы недавно видели некоторые из наиболее значительных на сегодняшний день.

Три основных обновления основных алгоритмов в 2018 году

До сих пор в 2018 году большинство инструментов отслеживания (SEMrush, Mozcast, RankRanger) зарегистрировали несколько сильных и продолжительных треморов в волатильности SERP (я игнорирую обновление Mobile First Index от 22 марта, поскольку это особый случай).

• Устойчивый недельный тремор в январе 2018 года
• Устойчивый недельный тремор в марте 2018 года
• Устойчивый недельный тремор в апреле 2018 года

Я немного углубился в датчик SEMrush - оглядываясь на апрель 2017 года. Я взял любой показатель датчика больше 7 по их шкале как начало обновления ядра и рассчитал средний показатель тремора за неделю. Очевидно, не масс данных, но результаты довольно откровенно.

Данные предоставлены semrush.com

Обновления в 2018 году значительно активнее, чем в 2017 году

• 2017 = 10 обновлений со средним недельным тремором 5,7
• 2018 = 3 обновления со средним недельным тремором 7,3

Средний недельный тремор в 2018 году на 30% более интенсивный, чем мы видели в 2017 году.
Все три обновления 2018 года показывают недельное среднее значение более 7.
Ни одно из 10 обновлений в 2017 году не выходит выше 6,5.

Три значительных основных обновления за 4 месяца с необычно длительными периодами устойчивой волатильности, ничем не мешающими специфике Google, но настойчивым требованием, чтобы они не были направлены на наказание за низкокачественные сайты ... В этом контексте этот комментарий приобретает совершенно новое значение для мне.

«Между ретриверами и людьми, занимающимися машинным обучением, всегда была битва. Ученики машин наконец-то выиграли битву ».
Педро Домингос

Видим ли мы внедрение дополнительного машинного обучения в основной алгоритм в 2018 году?

Google ранее заявлял, что само обучение проводится в автономном режиме.

Дэнни Салливан (который сейчас работает в Google) «Все, что узнает Ранкрейн, работает в автономном режиме… Он дает множество исторических поисков и учится делать прогнозы из них. Эти прогнозы проверяются, и если они подтвердятся, то последняя версия RankBrain выходит в эфир. Затем цикл обучения в автономном режиме и тестирования повторяется ».

При такой манере работы три обновления (12 января, 2 марта и 17 апреля) могут стать чем-то, что мы скоро увидим как «нормальное» обновление машинного обучения: Google внедряет «кусок» машинного обучения в основной алгоритм создавая первоначальный серьезный шок, за которым сразу последовал период значительной нестабильности, в то время как новое обучение «укладывается» на живые данные.
Кто согласен со мной в этом образованном предположении?

Чтобы смело идти ... Отвечать Двигатели

«Судьба [поисковой системы Google] - стать компьютером Star Trek, и это то, что мы строим». Амит Сингхал

Что делает компьютер Star Trek таким интересным стремлением для Google? Он предоставляет ответы либо после разговорного обмена с пользователем, либо (что еще более увлекательно для Google), предвосхищая потребности пользователя и предоставляя решение без запроса.
Google занимается разработкой виртуального помощника, который ведет диалог с пользователями, наблюдает за их поведением, самостоятельно изучает и совершенствует его с течением времени и предоставляет единые («объективно правильные») ответы… на основе машинного обучения.

Google суждено стать подобным Star-Trek механизмом ответов.

Машинное обучение - две стороны уравнения УЭО

Примечание: очевидно, что разграничение не так ясно, как предлагается ниже, между двумя сторонами уравнения есть пересечение. Такое разграничение помогает сохранять относительную простоту и является отличным способом решения этой проблемы в краткосрочной перспективе, не упуская из виду более долгосрочные задачи.

• Внешний интерфейс: понимание намерений пользователя

Внедрение машинного обучения уже здесь в значительной степени - шаблоны запросов, векторы слов, универсальное кодирование предложений ... RankBrain - это официальное название для всех аспектов машинного обучения в основном алгоритме поиска Google. Это часть алгоритма, которая направлена ​​на лучшее понимание потребностей пользователя и, таким образом, позволяет механизму ранжирования лучше расставлять приоритеты результатов в соответствии с намерением.
Для любого запроса RankBrain принимает запрос, а затем учитывает информацию, которую он имеет о пользователе (включая такие аспекты, как история поиска, атрибуты человека, история покупок и т. Д.), Конкретный контекст (время, место, устройство и т. Д.) И его понимание мира, чтобы определить потребность как можно более точно и конкретно.

Цель: понять вопрос, чтобы он мог передать очень конкретный и явный запрос на сервер.

• Бэкэнд: Понимание доступных опций

Google собирает информацию о доступных вариантах по многим каналам: График знаний, MyBusiness, Местные гиды, AdWords и т. Д., Чтобы предоставить клиенту наиболее подходящее и надежное решение / ответ.
Здесь есть огромное количество потенциальных приложений для машинного обучения. Но если Google не общается с RankBrain, он еще менее общителен с этим аспектом своего движка, так что эта часть уравнения часто проходит очень далеко от радара.
Насколько я знаю, этой части алгоритма не приписывается конкретное имя, но цель состоит в том, чтобы надежно собрать и понять доступные варианты, а затем оценить их относительную пригодность и достоверность.
Это обширная область, где машинное обучение будет процветать. Хотя патенты Google очень скромны в своих заявлениях, они указывают на то, что машинное обучение уже применяется в этой сфере и должно стать доминирующей силой. Статьи Билла Славского являются отличным источником информации и вдохновения для этих патентов. Начните читать здесь.

Цель: предоставить ответ (а не просто набор результатов на выбор).

Меняем наш подход

Машинное обучение - это революция в SEO. Настолько, что вместо того, чтобы думать «как я могу быть одной из возможностей, предлагаемых Google для своего пользователя», мы должны теперь подумать: «Как я могу быть единственным ответом, который Google предоставляет своему пользователю». И этот сдвиг в перспективе необходим сегодня. Новые возможности для того, чтобы быть ответом, приходят к нам тяжело и быстро - ящики для ответов, панели знаний, люди также спрашивают, MyBusiness и т. Д. И голосовой поиск действительно меняет ситуацию, когда ответ является единственно возможным вариантом для маркетологов. Внедрение эффективной тактики для такого множества позиций0 уже является сложной задачей, и эта задача станет намного сложнее, так как машинное обучение все больше делает эти возможности конкретными для конкретного случая.
Реализация соответствующей тактики, конечно, необходима. Но в контексте «революции машинного обучения», когда у Microsoft есть шанс, что Google предложит ее в качестве ответа, Microsoft и др. Требуют целостного, ориентированного на бренд подхода.
Машинное обучение - это движущая сила, которая предвещает новую эру «Двигателей ответа», и стратегия победы в УЭО сосредоточена на понимании и достоверности.

Подробнее об УЭО от Джейсона БАРНАРДА
Ключ к будущему SEO / AEO - понимание и доверие
BrightonSEO Универсальная стратегия для оптимизации механизма ответов - Beyond Position0 (ссылка будет объявлена ​​дополнительно)
Колибри и График Знаний - что это такое и как они влияют на SEO? (Вебинар)

Похожие

Комментарии