Egy éles szemű keresőmarketing felfedezte az okot, hogy a Google AI áttekintései a spames weboldalakat mutatták. A Google monopóliumellenes tokjának legutóbbi memorandum -véleménye olyan részben szerepelt, amely nyomot ad arra, hogy miért történt ez, és spekulálja, hogy ez hogyan tükrözi a Google elmozdulását a linkektől, mint egy kiemelkedő rangsorolási tényezőt.
Ryan Jones, a SerPrecon (LinkedIn Profile) alapítója felhívta a figyelmet a közelmúltbeli memorandum -véleményben szereplő szakaszra, amely megmutatja, hogy a Google hogyan alapozza meg az Ikrek modelleit.
Generatív AI válaszok földelése
A szakasz egy szakaszban történik, amely a válaszok földelésére vonatkozó keresési adatokkal. Rendszerint tisztességes azt feltételezni, hogy a linkek szerepet játszanak a weboldalak rangsorolásában, amelyeket egy AI modell a keresési lekérdezésről a belső keresőmotorra szerez be. Tehát amikor valaki felteszi a Google AI -t egy kérdést, a rendszer lekérdezi a Google keresést, majd összefoglalót hoz létre ezekből a keresési eredményekből.
De nyilvánvalóan nem így működik a Google -on. A Google különálló algoritmussal rendelkezik, amely kevesebb webdokumentumot szerez be, és gyorsabban teszi meg.
A szakasz így szól:
„Az Ikrek modelljeinek megalapozására a Google a FastSearch. Rem. Tr., 3509: 23–3511: 4 (Reid) nevű védett technológiát használ. alacsonyabb, mint a keresés teljesen rangsorolt webes eredményei. ”
Ryan Jones megosztotta ezeket a betekintést:
„Ez érdekes, és megerősíti mind azt, amit sokan gondoltak, mind azt, amit a korai tesztekben láttunk. Mit jelent ez? Ez azt jelenti, hogy a Google földeléséhez nem használja ugyanazt a keresési algoritmust. Szükségük van arra, hogy gyorsabb legyen, de nem érdekelnek annyi jelet. Csak olyan szövegre van szükségük, amely biztonsági másolatot készít.
… Valószínűleg van egy csomó spam és minőségi jel, amelyet a FastSearch -hez sem számítanak ki. Ez megmagyarázza, hogyan/miért/miért láttuk a korai verziókban néhány spam -oldalt és még büntetett webhelyeket is, amelyek megjelennek az AI áttekintésekben. ”
Ezután megosztja véleményét, miszerint a linkek itt nem játszanak szerepet, mert a földelés szemantikai relevanciát használ.
Mi az a FastSearch?
Másutt a memorandum megosztja, hogy a FastSearch korlátozott keresési eredményeket generál:
„A FastSearch egy olyan technológia, amely gyorsan korlátozott organikus keresési eredményeket generál bizonyos felhasználási esetekre, például az LLM -ek megalapozására, és elsősorban a Rankembed modellből származik.”
Most a kérdés az, hogy mi a Rankembed modell?
A memorandum elmagyarázza, hogy a Rankembed egy mély tanulási modell. Egyszerűen fogalmazva: a mély tanulási modell azonosítja a hatalmas adatkészletek mintáit, és például azonosíthatja a szemantikai jelentéseket és a kapcsolatokat. Nem ért semmit ugyanúgy, mint az ember; Alapvetően azonosítja a mintákat és a korrelációkat.
A memorandumnak van egy része, amely magyarázza:
„A spektrum másik végén innovatív mélytanulású modellek vannak, amelyek gépi tanulási modellek, amelyek a nagy adatkészletekben összetett mintákat észlelnek.… (Allan)
… A Google különféle „felső szintű” jeleket fejlesztett ki, amelyek bemenetek a weboldal végső pontszámának előállításához. Id. 2793: 5–2794: 9 (Allan) (az RDXD-20.018 tárgyalása). A Google legfelső szintű jelei között szerepelnek azok, amelyek a weboldal minőségét és népszerűségét mérik. Id.; RDX0041 -001.
A mély tanulási modellek, például a Rankembed által kifejlesztett jelek szintén a Google legfelső szintű jelei közé tartoznak. ”
Felhasználói oldali adatok
A Rankembed a „felhasználói oldal” adatokat használja. A memorandum, a Google által a versenytársaknak nyújtott adatokról szóló szakaszban, leírja a Rankembed -t (amelyre a FastSearch alapul) ilyen módon:
„A Rankembed modell (ek) kiképzéséhez, felépítéséhez vagy működtetéséhez használt felhasználói oldali adatok;”
Másutt megosztja:
„A Rankembed és annak későbbi iterációja a Rankembedbert olyan rangsorolási modellek, amelyek két fő adatforrásra támaszkodnak: _____% a 70 napos keresési naplók, valamint az emberi értékelők által generált és a Google által használt pontszámok, amelyeket a szerves keresési eredmények minőségének mérésére használnak.”
Majd:
„Maga a Rankembed modell egy AI-alapú, mélytanító rendszer, amelynek erős a természetes nyelvi megértése. Ez lehetővé teszi a modell számára, hogy hatékonyabban azonosítsa a legjobb dokumentumokat a visszakereséséhez, még akkor is, ha a lekérdezésnek nincs bizonyos kifejezés.
… A Rankembed a korábbi rangsorolási modellek kiképzéséhez felhasznált adatok 1/100 -ján van kiképezve, mégis magasabb minőségű keresési eredményeket nyújt.
… A Rankembed különösen segített a Google-nak javítani a hosszú farok lekérdezéseire adott válaszát.
… A mögöttes képzési adatok között szerepel a lekérdezésről szóló információk, ideértve a Google által a lekérdezésből származó kiemelkedő kifejezéseket és az ebből következő weboldalakat.
… A Rankembed modellek alapjául szolgáló adatok a kattintás és a kérdések kombinációja és az emberi értékelők által a weboldalak pontozásának kombinációja.
… A Rankembedbert -t át kell olvasni a friss adatok tükrözéséhez… ”
Új perspektíva az AI -keresésről
Igaz -e, hogy a linkek nem játszanak szerepet az AI áttekintések weboldalainak kiválasztásában? A Google FastSearch prioritása a sebesség. Ryan Jones elmélete szerint ez azt jelentheti, hogy a Google több indexet használ, a FastSearch -hez specifikus webhelyekből áll, amelyek általában látogatást kapnak. Ez lehet a FastSearch rankembed részének tükröződése, amelyről azt állítják, hogy a „kattintás-kérdések” és az emberi értékelő adatok kombinációja.
Ami az emberi értékelő adatait illeti, milliárd vagy billió oldal egy indexben, az értékelők számára lehetetlen, hogy egy apró résznél több, mint egy apró rész. Tehát ebből következik, hogy az emberi értékelő adatait minőségi jelöléssel ellátott példákhoz használják a képzéshez. A címkézett adatok példák arra, hogy egy modellt képezzenek, hogy a kiváló minőségű vagy az alacsony minőségű oldal azonosításához kapcsolódó minták nyilvánvalóbbá váljanak.
