A kulcsminták felfedik az AI felfedezésének jövőjét

A strukturált adatkörnyezet 2024-ben jelentős átalakuláson ment keresztül az AI-alapú keresés térnyerése, a géppel olvasható tartalom növekvő jelentősége, valamint a nagy nyelvi modellek tényadatokba való alapozásának szükségessége miatt.

A legújabb szerint HTTP Archívum webes almanachja16,9 millió webhely strukturált adatait elemezve egyértelmű elmozdulást mutatunk ki a hagyományos SEO-megvalósításról a kifinomultabb tudásgráf-fejlesztés felé, amely az AI-felderítő rendszereket támogatja.

Míg a Google 2023-ban megszüntetett bizonyos bővített találatokat, például a GYIK-et és a Útmutatókat, egyidejűleg példátlan számú új strukturált adattípust vezetett be, beleértve a járműadatokat, a tanfolyami információkat, az üdülési bérleteket, a profiloldalakat és a 3D-s termékmodelleket.

2024 februárjában kibővítette a termékváltozatok és a GS1 Digital Link támogatását, majd márciusban bevezették a strukturált adatkörözők bétaverzióját.

Ez a gyors evolúció egy érlelő ökoszisztémát jelez, ahol a strukturált adatok nemcsak a keresési láthatóságot szolgálják, hanem a tényszerű mesterséges intelligencia válaszok, a képzési nyelvi modellek és a továbbfejlesztett digitális termékélmények alapját is képezik.

Elemzés és módszertan

A cikkben bemutatott betekintések a HTTP Archívum webes almanachjának Strukturált adatok című fejezetének 2024-es kiadásán alapulnak. Az éves jelentés a web állapotát elemzi a strukturált adatok megvalósításának értékelésével 16,9 millió webhelyen. Ezek az adatkészletek vannak nyilvánosan lekérdezhető a BigQuery-n a táblázatokban `httparchive.all.*` táblázatok a dátumhoz date="2024-06-01" és olyan eszközökre támaszkodik, mint a WebPageTest, a Lighthouse és a Wappalyzer, hogy rögzítse a strukturált adatformátumokra, az átvételi trendekre és a teljesítményre vonatkozó mutatókat.

A strukturált adatok átvételének trendjei

Az elemzés lenyűgöző növekedést mutat a főbb strukturált adatformátumok között:

• A JSON-LD elterjedtsége eléri a 41%-ot (+7% Y/Y).
• Az RDFa továbbra is vezető szerepet tölt be 66%-os jelenléttel (+3% év/év).
• Az Open Graph megvalósítása 64%-ra nő (+5% év/év).
• Az X (Twitter) metacímke-használat 45%-ra nő (+8% YoY).

Ez a széles körben elterjedt elterjedtség azt jelzi, hogy a szervezetek nem csak a keresés láthatósága érdekében fektetnek be a strukturált adatokba, hanem azért is, hogy a mesterséges intelligencia és a robotok megértsék és javítsák digitális élményeiket.

AI felfedezési és tudásgrafikonok

A strukturált adatok és a mesterséges intelligencia rendszerek közötti kapcsolat összetett módon fejlődik.

Míg sok generatív mesterséges intelligencia keresőmotor még mindig fejleszti a strukturált adatok kiaknázására irányuló megközelítését, az olyan bevált platformok, mint a Bing Copilot, a Google Gemini és a speciális eszközök, mint a SearchGPT, máris bizonyítják az entitásalapú megértés értékét, különösen a helyi lekérdezések és a tények érvényesítése terén.

Képzés és entitásmegértés

A generatív mesterséges intelligencia keresőmotorok hatalmas adathalmazokra vannak kiképezve, amelyek strukturált adatjelölést tartalmaznak, és befolyásolják, hogyan:

• Az entitások (termékek, helyek, szervezetek) felismerése és kategorizálása.
• Földi válaszok. Ezt látjuk az olyan rendszerekben, mint a DataGemma, amelyek strukturált adatokat használnak a válaszok ellenőrizhető tényekbe való megalapozására.
• A különböző adatpontok közötti kapcsolatok megértése. Ez különösen akkor nyilvánvaló, ha a schema.org-ot világszerte hiteles forrásokból származó adatkészletek összesítésére használják.
• Folyamatspecifikus lekérdezéstípusok, például helyi üzleti és termékkeresések.

Ez a képzés meghatározza, hogy az AI-rendszerek hogyan értelmezik a lekérdezéseket és válaszolnak rájuk, különösen az alábbiakban:

• Helyi üzleti lekérdezések, ahol az entitásattribútumok megfelelnek a strukturált adatmintáknak.
• A kereskedő által biztosított strukturált adatokat tükröző terméklekérdezések.
• Tudáspanel információk, amelyek igazodnak az entitásdefiníciókhoz.

Keresőmotor integráció

A különböző platformok a strukturált adatok hatását a következők révén mutatják be:

• Hagyományos keresés: Bővített eredmények és tudáspanelek, amelyek közvetlenül strukturált adatokon alapulnak.
• AI Search integráció:
  • A Bing Copilot továbbfejlesztett eredményeket jelenít meg a strukturált entitásoknál.
  • A Google Gemini tudásdiagram információit tükrözi.
  • Speciális motorok, mint például a Perplexity.ai, amelyek demonstrálják az entitás megértését a helylekérdezésekben.
  • A SERP-be integrált AI Sales Assistant legújabb Google-kísérlete a vásárlási lekérdezésekhez (Ez óriási! Itt van az X-en, a SERP Alert észlelte).

Íme egy példa az Ikrek és Google Keresés ugyanazt a tényt osztják.

Adatok érvényesítése és ellenőrzése

A strukturált adatok ellenőrzési mechanizmusokat biztosítanak:

• Tudásgrafikonok: Az olyan rendszerek, mint a Google Data Commons, strukturált adatokat használnak a tények ellenőrzésére.
• Edzőkészletek: A Schema.org jelölés megbízható képzési példákat hoz létre az entitásfelismeréshez.
• Érvényesítési folyamatok: A tartalomgeneráló eszközök, mint például a WordLift, strukturált adatokat használnak az AI-kimenetek ellenőrzésére.

A legfontosabb különbség az, hogy a strukturált adatok nem befolyásolják közvetlenül az LLM-válaszokat, hanem inkább a mesterséges intelligencia keresőmotorjait alakítják a következők révén:

1. Strukturált jelölést tartalmazó képzési adatok.
2. A megértést irányító entitásosztály-definíciók.
3. Integráció a hagyományos keresési gazdag találatokkal.

Ez egyre fontosabbá teszi a strukturált adatok megvalósítását a láthatóság szempontjából mind a hagyományos, mind az AI-alapú keresési platformokon.

Ahogy belépünk az AI Discovery új korszakába, a strukturált adatokba való befektetés már nem csak a SEO-ról szól – a szemantikai réteg felépítéséről van szó, amely lehetővé teszi a gépek számára, hogy valóban megértsék és pontosan reprezentálják, ki vagy.

Szemantikus SEO evolúció: A strukturált adatoktól a szemantikai adatokig

A SEO gyakorlata szemantikus SEO-vá fejlődött, a hagyományos kulcsszóoptimalizáláson túlmenően a szemantikai megértést is magában foglalja:

Entitás alapú optimalizálás

• Koncentráljon a világos entitásdefiníciókra és kapcsolatokra.
• Átfogó entitásattribútumok megvalósítása.
• A sameAs tulajdonságok stratégiai használata az entitás egyértelművé tételéhez.

Tartalmi hálózatok

• Összekapcsolt tartalomklaszterek fejlesztése.
• Tiszta forrásmegjelölés és szerzői jelölés.
• Rich media kapcsolat meghatározásai.

Legfontosabb megvalósítási minták a JSON-LD-ben

Tartalom közzététele

A több millió webhely strukturált adatmintáinak elemzése három domináns megvalósítási trendet tár fel a tartalommegjelenítők számára.

Weboldal szerkezete és navigáció (+6 millió megvalósítás)

A WebPage → isPartOf → WebSite (5,8 millió) és a WebPage → navigációs útvonal → BreadcrumbList (4,8 millió) kapcsolatok dominanciája azt mutatja, hogy a nagyobb webhelyek előnyben részesítik az egyértelmű webhely-architektúrát és a navigációs útvonalakat.

A webhelystruktúra továbbra is a strukturált adatok megvalósításának alapja, ami arra utal, hogy a keresőmotorok nagymértékben támaszkodnak ezekre a jelekre a tartalomhierarchia megértéséhez.

Tartalommegjelölés és jogosultság

Erős minták jelennek meg a tartalom-hozzárendelés körül:

• Cikk → szerző → Személy (925 000).
• Cikk → kiadó → Szervezet (597 000).
• Blogbejegyzés → szerző → Személy (217 000).

A szerzőségre és a szervezeti attribúcióra való összpontosítás az EEAT-jelek és a tartalomjogosultság növekvő jelentőségét tükrözi a keresési algoritmusokban.

Rich Media integráció

A képjelölések következetes megvalósítása a tartalomtípusok között:

• Weboldal → elsődlegesImageOfPage → ImageObject (3 millió)
• Cikk → kép → ImageObject (806 000)

A médiakapcsolatok magas gyakorisága azt jelzi, hogy a kiadók felismerik a strukturált vizuális tartalom értékét mind a keresési láthatóság, mind a felhasználói élmény szempontjából.

Az adatok azt sugallják, hogy a kiadók túllépnek az alapvető SEO jelöléseken, és átfogó, géppel olvasható tartalomgrafikonokat készítenek, amelyek támogatják a hagyományos keresést és a kialakulóban lévő AI-felderítő rendszereket.

Helyi üzlet és kiskereskedelem

A helyi üzleti strukturált adatok megvalósításának elemzése három kritikus mintacsoportot tár fel, amelyek dominálnak a helyalapú jelöléseknél.

Hely és hozzáférhetőség (+1,4 millió megvalósítás)

A fizikai helymegjelölés széles körű elterjedése bizonyítja annak alapvető fontosságát:

• LocalBusiness → cím → Postacím (745 000).
• Hely → cím → Postacím (658 000).
• Szervezet → contactPoint → ContactPoint (334 000).
• LocalBusiness → openHoursSpecification (519 000).

Ezen alapvető működési részletek erős jelenléte azt sugallja, hogy a helyi keresés láthatóságának alapvető rangsoroló tényezői.

Földrajzi pontosság

A földrajzi koordináták jelentős megvalósítása azt mutatja, hogy a pontos helyre összpontosítanak:

• Hely → geo → GeoCoordinates (231 000).
• LocalBusiness → geo → GeoCoordinates (205 000).

A helymeghatározásnak ez a kettős megközelítése (cím + koordináták) azt jelzi, hogy a keresőmotorok fontosnak tartják a pontos földrajzi helymeghatározást a helyi keresés pontossága érdekében.

Bizalmi jelek

Egy kisebb, de figyelemre méltó mintacsoport a hírnévre összpontosít:

• LocalBusiness → vélemény → Vélemény (94 000)
• LocalBusiness → aggregateRating → AggregateRating (70 000)
• LocalBusiness → fotók → ImageObject (42 000)
• LocalBusiness → makeOffer → Ajánlat (56 000)

Bár ritkábban alkalmazzák ezeket a bizalomépítő elemeket, gazdagabb helyi üzleti egységeket hoznak létre, amelyek támogatják a keresés láthatóságát és a felhasználói döntéshozatalt.

E-kereskedelem (bővített lista)

Az e-kereskedelmi strukturált adatok elemzése olyan kifinomult megvalósítási mintákat tár fel, amelyek a termékfelfedezésre és a konverzióoptimalizálásra összpontosítanak.

Alapvető termékinformációk (+4,7 millió megvalósítás)

Az alaptermékek jelölésének dominanciája mutatja alapvető fontosságát:

• Termék → ajánlatok → Ajánlat (3,1 millió).
• Ajánlat → eladó → Szervezet (2,2 millió).
• Termék → mainEntityOfPage → Weboldal (1,5 millió).

Az alapvető termékkapcsolatok magas elterjedtségi aránya azt jelzi, hogy kritikus szerepet játszanak a termékek felfedezésében és a kereskedők láthatóságában.

Bizalom és társadalmi bizonyíték

A felülvizsgálattal kapcsolatos jelölések jelentős megvalósítása:

• Termék → vélemény → Vélemény (490 000).
• Termék → aggregateRating → AggregateRating (201 000).
• Vélemény → véleményÉrtékelés → Értékelés (110 000).

A felülvizsgálati jelölések jelentős jelenléte azt sugallja, hogy a társadalmi bizonyíték továbbra is kulcsfontosságú az e-kereskedelmi konverzió szempontjából.

Továbbfejlesztett termékkontextus

A gazdag termékattribútum megvalósítása a részletes termékinformációkra összpontosít:

• Termék → márka → Márka (315 000).
• Termék → kiegészítő Tulajdon → PropertyValue (253 000).
• Termék → kép → ImageObject (182 000).
• Ajánlat → szállítási részletek → AjánlatSzállítási részletek (151 000).
• Ajánlat → árspecifikáció → Árspecifikáció (42 000).
• AggregateOffer → ajánlatok → Ajánlat (69 000).

A termékattribútumoknak ez a többrétegű megközelítése átfogó termékentitásokat hoz létre, amelyek támogatják a keresés láthatóságát és a felhasználói döntéshozatalt.

Jövőbeli kilátások

A strukturált adatok szerepe túlmutat hagyományos SEO-eszközén, amely bővített kivonatokat és speciális keresési funkciókat biztosít. A mesterséges intelligencia felfedezésének korában a strukturált adatok a gépi megértés kritikus elemévé válnak, megváltoztatva a tartalom értelmezésének és összekapcsolásának módját az interneten. Ez az elmozdulás arra készteti az ipart gondoljon túl a Google-központú optimalizálásonamely a strukturált adatokat egy szemantikai és mesterséges intelligenciával integrált web alapvető összetevőjeként tartalmazza.

A strukturált adatok biztosítják az állványzatot az összekapcsolt, géppel olvasható keretrendszerek létrehozásához, amelyek létfontosságúak az olyan feltörekvő mesterséges intelligencia-alkalmazások számára, mint a párbeszédes keresés, a tudásgráfok és a (Graph) visszakereséssel kiegészített generációs (GraphRAG vagy RAG) rendszerek. Ez az evolúció kettős megközelítést igényel: a használható sématípusok kihasználása az azonnali SEO-előnyök (gazdag eredmények) érdekében, miközben átfogó, leíró sémákba fektet be, amelyek szélesebb adatökoszisztémát építenek fel.

A jövő a strukturált adatok, a szemantikai modellezés és a mesterséges intelligencia által vezérelt tartalomfelderítő rendszerek metszéspontjában rejlik. Egy holisztikusabb nézet elfogadásával a szervezetek elmozdulhatnak a strukturált adatok taktikai keresőoptimalizálásként való használatától, hanem stratégiai rétegként pozícionálhatják azokat az AI interakcióinak működtetéséhez és a különféle platformokon való megtalálhatóság biztosításához.

Köszönetnyilvánítás és Köszönetnyilvánítás

Ez az elemzés nem lenne lehetséges a HTTP Archívum csapatának és a Web Almanach közreműködőinek elkötelezett munkája nélkül. Külön köszönet:

A teljes Web Almanach Strukturált adatok fejezete még mélyebb betekintést nyújt a strukturált adatok megvalósításának fejlődő környezetébe.

Ahogy haladunk a mesterséges intelligencia által vezérelt jövő felé, a strukturált adatok stratégiai jelentősége tovább fog nőni.

További források:

---