Keskin bir arama pazarlamacısı, Google'ın yapay zeka genel bakışlarının spamlı web sayfaları göstermesinin nedenini keşfetti. Google Antitröst davasındaki son muhtıra görüşü, bunun neden olduğuna dair bir ipucu sunan ve Google'ın bağlantılardan önemli bir sıralama faktörü olarak nasıl uzaklaştığını nasıl yansıttığını tahmin eden bir pasaj içeriyordu.
Serprecon'un (LinkedIn profili) kurucusu Ryan Jones, Google'ın İkiz modellerini nasıl temel aldığını gösteren son muhtıra görüşünde bir pasaja dikkat çekti.
Topraklama üreten AI cevapları
Geçit, arama verileriyle yanıt verme ile ilgili bir bölümde meydana gelir. Normalde, bağlantıların bir AI modelinin bir arama sorgusundan dahili bir arama motoruna aldığı web sayfalarını sıralamada rol oynadığını varsaymak adildir. Dolayısıyla, birisi Google'ın AI'sına genel bir soruyu sorduğunda, sistem Google aramasını sorgular ve ardından bu arama sonuçlarından bir özet oluşturur.
Ama görünüşe göre, Google'da böyle çalışmıyor. Google, daha az web belgesini alan ve bunu daha hızlı bir şekilde yapan ayrı bir algoritmaya sahiptir.
Passage şöyle diyor:
“Google, Gemini modellerini topraklamak için FastSearch adlı tescilli bir teknoloji kullanıyor. Rem. TR. 3509: 23–3511: 4 (Reid). FastSearch, bir dizi arama sıralama sinyallerine – bir dizi arama sıralaması sinyallerine dayanıyor ve bir modelin, bir modelin, bir modelin, bir modelin, bir modelin, bir modelin daha az hızlı bir şekilde kullanılabileceği, bir modelin, bir modelin, bir modelin, bir modelin, fastearch icatlarının faston vicdanı,“ fasting fasting casu casual ise ise ise ise ise ise ise ise ise Search'in tamamen sıralı web sonuçlarından daha düşük. ”
Ryan Jones şu bilgileri paylaştı:
“Bu ilginç ve hem çoğumuzun ne düşündüğünü hem de erken testlerde gördüğümüzü doğrular. Bu ne anlama geliyor? Google'ın aynı arama algoritmasını kullanmadığı anlamına geliyor. Daha hızlı olmaları gerekiyor, ancak çok fazla sinyali umursamıyorlar. Sadece söylediklerini destekleyen metne ihtiyaçları var.
… Muhtemelen FastSearch için hesaplanmayan bir grup spam ve kalite sinyali var. Bu, erken sürümlerde bazı spam siteleri ve hatta AI genel bakışlarında ortaya çıkan cezalandırılmış sitelerin nasıl/neden gördüğümüzü açıklayacaktır. ”
Topraklama anlamsal alaka düzeyini kullandığı için bağlantıların burada rol oynamadığı görüşünü paylaşmaya devam ediyor.
İlgili: Google, bağlantıların o kadar önemli olmadığını onaylar
FastSearch nedir?
Başka yerlerde FastSearch'in sınırlı arama sonuçları oluşturduğu muhtıra paylaşıyor:
“FastSearch, LLM'lerin topraklanması gibi belirli kullanım durumları için hızla sınırlı organik arama sonuçları üreten ve öncelikle RankEmbed modelinden türetilen bir teknolojidir.”
Şimdi soru şu ki, RankEmbed modeli nedir?
Memorandum, RankEmbed'in derin öğrenme modeli olduğunu açıklıyor. Basit bir ifadeyle, derin öğrenme modeli, büyük veri kümelerindeki kalıpları tanımlar ve örneğin anlamsal anlamları ve ilişkileri tanımlayabilir. Bir insanın yaptığı gibi hiçbir şeyi anlamıyor; Esasen kalıpları ve korelasyonları tanımlamaktadır.
Memorandumun şunları açıklayan bir pasajı vardır:
“Spektrumun diğer ucunda, büyük veri kümelerindeki karmaşık desenleri fark eden makine öğrenme modelleri olan yenilikçi derin öğrenme modelleri var.… (Allan)
… Google, bir web sayfası için son puanı üretmenin girişleri olan çeşitli “üst düzey” sinyaller geliştirdi. İD. 2793: 5-2794: 9 (Allan) (RDXD-20.018'i tartışıyor). Google'ın üst düzey sinyalleri arasında bir web sayfasının kalitesini ve popülaritesini ölçen sinyaller vardır. İD.; -001'de RDX0041.
RankEmbed gibi derin öğrenme modelleri aracılığıyla geliştirilen sinyaller de Google'ın üst düzey sinyalleri arasındadır. ”
Kullanıcı tarafı verileri
RankEmbed “kullanıcı tarafı” verileri kullanır. Memorandum, Google'ın rakiplere vermesi gereken verilerle ilgili bir bölümde, RankEmbed'i (FastSearch'e dayanır) bu şekilde açıklar:
“Rankedbed modellerini eğitmek, oluşturmak veya işletmek için kullanılan kullanıcı tarafı verileri;”
Başka yerlerde paylaşıyor:
“RankEmbed ve daha sonraki yinelemesi Rankembedbert, iki ana veri kaynağına dayanan modellerdir: 70 günlük arama günlüklerinin _____% _____ artı insan değerlendiricileri tarafından üretilen ve Google tarafından organik arama sonuçlarının kalitesini ölçmek için kullanılır.”
Daha sonra:
“Sıralı modelin kendisi, güçlü doğal dil anlayışına sahip AI tabanlı, derin öğrenme sistemidir. Bu, bir sorgu belirli terimlerden yoksun olsa bile, modelin alınacak en iyi belgeleri daha verimli bir şekilde tanımlamasına izin verir.
… RankEmbed, önceki sıralama modellerini eğitmek için kullanılan verilerin 1/100'ünde eğitilir, ancak daha yüksek kaliteli arama sonuçları sağlar.
… RankEmbed özellikle Google'ın uzun kuyruk sorgularına verdiği cevapları geliştirmesine yardımcı oldu.
… Temel eğitim verileri arasında, Google'ın sorgudan elde ettiği belirgin terimler ve sonuçta ortaya çıkan web sayfaları dahil olmak üzere sorgu hakkında bilgi bulunmaktadır.
… RankEmbed modellerinin altında yatan veriler, tıklama ve sorgu verilerinin ve web sayfalarının insan değerlendiricileri tarafından puanlanmasının bir kombinasyonudur.
… Rankembedbert'in yeni verileri yansıtmak için yeniden eğitilmesi gerekiyor… ”
AI aramasına yeni bir bakış açısı
Bağlantıların AI Genel Bakışları için Web sayfalarının seçilmesinde rol oynamadığı doğru mu? Google'ın fastSearch hızı önceliklendirir. Ryan Jones, Google'ın ziyaret etme eğilimi gösteren sitelerden oluşan Fastboare'ye özgü bir tanesi ile birden fazla dizin kullanabileceğini teorize ediyor. Bu, “tık ve sorgu verileri” ve insan rater verilerinin bir kombinasyonu olduğu söylenen FastSearch'in RankSearch kısmının bir yansıması olabilir.
İnsan rater verileri ile ilgili olarak, bir endekste milyarlarca veya trilyonlarca sayfa ile, değerlendiricilerin küçük bir fraksiyondan daha fazla manuel olarak derecelendirmesi imkansız olacaktır. Dolayısıyla, insan rater verilerinin eğitim için kalite etiketli örnekler sağlamak için kullanıldığı sonucuna varmaktadır. Etiketli veriler, bir modelin yüksek kaliteli bir sayfayı veya düşük kaliteli bir sayfayı tanımlamanın doğasında var olan kalıpların daha belirgin hale gelebileceği şekilde eğitildiği örneklerdir.
Ayrıca bakınız: Google, Kalite Değerlendiricileri Yönergeleri hakkında değerli SEO paketini paylaşıyor
Shutterstock/Cookie Studio'dan Öne Çıkan Resim
Bir yanıt yazın