Tegye fel ugyanazt a kérdést a márkájáról négy különböző AI-motoron, és valószínűleg négy különböző választ fog kapni. Az egyik válasz aktuális, és a legutóbbi oldalát idézi. Egy másik olyan pozíciót ír le, amelyet 18 hónapja vonult nyugdíjba, és semmit sem idéz. A harmadik egy versenytárs összehasonlító bejegyzésén keresztül irányítja az egészet. Ugyanaz a márka, ugyanaz a kérdés, négy ábrázolás, és a köztük lévő hézagok nem véletlenszerű zajok, amelyeket modellkülönbségként elhessegethet. Strukturálisak, és ha már látja a szerkezetet, tervezhet körülötte.
„Amikor a képzési adatok határértéke rangsoroló tényezővé válik” című írásban bemutattam, hogy az Ön márkája most egyszerre két különböző memóriarendszerben él. Az egyik a parametrikus memória, az edzés során modellbe sütött, majd a következő edzési futásig befagyasztott tudás. A másik a visszakeresés, a tartalom frissen behúzott abban a pillanatban, amikor valaki megkérdezi. Ez a darab arról szólt, hogy mit jelent a megkülönböztetés az időzítés szempontjából. Ez arról a részről szól, amit szándékosan a saját kezelésére hagytam, vagyis hogy a motorok nem egyformán támaszkodnak erre a két emlékre, és ez a különbség az, hogy valójában mi határozza meg, hogy hol jelenik meg a márka, és hogyan olvas, amikor odaér.
Minden motornak van memóriatartása
Hadd adjak nevet a dolognak, mert a névadás megkönnyíti a tervezést. Egy LLM emlékező testtartás az alapértelmezett lean: Ha kérdezel valamit, akkor az élő visszakereséshez nyúl, vagy abból válaszol, amit már a paramétereiben tartalmaz? A platformok két nagy táborba sorolhatók, és az, hogy egy motor melyik táborba ül, szinte mindent meghatároz azzal kapcsolatban, hogy a tartalom ezen a felületen keresztül hogyan jut el a felhasználóhoz.
Az egyik oldalon a motorok találhatók, amelyek szinte minden lekérdezésre visszakeresnek. A tanácstalanság a legvilágosabb eset; lényegében minden kérdésre lefuttat egy élő internetes keresést, és nem kivételként, hanem tervszerűen mutatja meg a forrásait. A Google mesterséges intelligencia áttekintései és az AI mód szintén a visszakeresésre támaszkodik, de érdemes megérteni egy ráncot: ezeket a felületeket ugyanaz a bejáró szolgálja ki, amely az organikus eredményeket szolgáltatja, és nem a Gemini parametrikus memóriájából merít az alapvető keresési indexből. A Google által a modellképzés vezérlésére kínált token, a Google-Extended, nincs hatással arra, hogy mi jelenik meg a Keresésben vagy a mesterséges intelligencia funkcióiban. Tehát a mindig visszakereshető motorokon a láthatóság először egy visszakeresési kérdés, és alig egy paraméteres kérdés.
A másik oldalon azok a motorok állnak, amelyek lekérdezésenként döntenek. A ChatGPT, a Claude, a Microsoft Copilot és a Gemini alkalmazás mindegyik kérdésben döntést hoz: válaszoljon a paraméterekből, vagy menjen a letöltéshez. Claude webes keresése olyan eszközként fut, amelyet a modell választ, amikor úgy dönt, hogy a kérdésnek szüksége van rá. A másodpilóta csak akkor védekezik a web ellen, ha az engedélyezve van, és az azonnali előnyökkel jár, és amikor a rendszergazda kikapcsolja a webes földelést, teljes mértékben a modell belső betanítására esik vissza. Ez az utolsó részlet a híd vissza a „Stop Treating AI Visibility as One Problem”-hez, ahol a visszakeresés egyike volt annak a három rétegnek, amelyet egy csapatnak irányítania kell. Íme, ez a réteg belülről: egy modell által eldöntött motoron az, hogy a visszakeresés egyáltalán megtörténik, lehet valakinek a felügyeleti konzoljának beállítása, nem pedig a tartalom sajátossága.
A testtartás pedig még egyetlen motoron belül sem stabil. A ChatGPT egyik kattintásos vizsgálata azt találta, hogy a webes keresést kiváltó munkamenetek aránya nagyjából 15 és 66% között ingadozott a vizsgálati ablakban, ami az alapul szolgáló modellek frissítésével változott. Ugyanaz a kérdés, amit márciusban feltettél, emlékezetből válaszolhat, áprilisban pedig elérheti az élő webet, anélkül, hogy az Ön oldalán változna. A testtartás mozgó célpont, pontosan ezért kell mérni, nem pedig feltételezni.
A visszakeresés egyetlen lépésben leállt
Még akkor is, ha egy motor visszakeres, a visszakeresés már nem egy tiszta művelet, és itt sok régebbi optimalizálási ösztön csendben megtörik. Az egymenetes modell, amelyben a rendszer beágyazza a lekérdezést, megragadja a legfelső maroknyi egyező oldalt, és létrehozza, átadta helyét az ügynöki lekérdezésnek, amely számos allekérdezést tervez és futtat, mielőtt válaszolna. A felhasználó által beírt egyetlen kérdés rajongója lesz azoknak a kérdéseknek, amelyeket a rendszer feltesz a nevében, néhánytól több tucatig. Már nem csak a keresőmezőben szereplő kérdésre optimalizál. Ön azokra a láthatatlan kérdésekre optimalizál, amelyeket a motor generál, hogy kielégítse azt.
A tetejére egy másodrendű probléma rakódott, amit akkor is érdemes egyértelműen leszögezni, ha egyszer megérdemelné a saját darabot. A kontextusba vonás nem ugyanaz, mint jól használni. Az a kutatás, amely először dokumentálta, hogy a modellek hogyan használnak egyenetlenül a hosszú kontextust, nagyjából egy évtizedes múltra tekintenek vissza, és a jelenlegi modellek nagyrészt megoldották az egyszerű változatot, és egy tényt találtak egy hosszú dokumentumban eltemetve. Ami megbízhatatlan marad, az a nehezebb dolog: több szórt jelet egyetlen koherens képbe integrálni. A márka soha nem egyetlen tény. Megjelenítése attól függ, hogy a motor összegyűjti az Ön oldalait, véleményeit és harmadik féltől származó tudósításait, amelyek a letöltött anyag különböző helyein helyezkednek el, majd megfelelően összeállítják őket. Ez az összeállítási lépés még mindig veszteséges, ami azt jelenti, hogy „lekérjük” és „pontosan ábrázoljuk” egyaránt mérhető, és nem érthet egyet.
Az időzítés egy olyan kar lett, amilyen korábban nem volt
A paraméteres memória egy olyan változót vezet be, amely a hagyományos SEO korszakban egyszerűen nem létezett: a képzési ablakot. Nem szerkesztheti azt, amit egy modell már tartalmaz a paramétereiben. Ha ma közzétesz egy javítást, nem tesz semmit a márkájának a tavaly nyáron befejezett modellbe kódolt verziójával. Az egyetlen dolog, ami megváltoztatja a parametrikus memóriát, az egy új edzésfutás, ami azt jelenti, hogy nem az a hasznos kérdés, hogyan javítsuk meg azt, amiben a modell már hisz, hanem az, hogy a modell mit fog megtudni Önről a következő edzés alkalmával, és hogy az Ön történetének megfelelő verziója-e az, amelyet megtalál.
Ez kevésbé reménytelen, mint amilyennek hangzik, két okból is. Először is, a parametrikus memória nem egy fekete doboz, amelyre nincs befolyásod. A modellek megtanulják egy tény változatát, amely következetesen megjelenik, és számos forrásból megerősítik, ezért a munka az, hogy a történet pontos verzióját tegyék redundánssá. Ez egy hosszú játék, amelyet modellgenerációkban mérnek, nem pedig oldalszerkesztéseket, de ez egy olyan játék, amellyel játszani lehet. Másodszor, az edzési ütem már nem egy lassú éves esemény. A főbb szolgáltatók most már gyakori, pontszerű kiadásokat szállítanak, mindegyiknek megvan a maga határértéke, így a parametrikus réteg olyan lépésekben frissül, amelyekre ténylegesen megcélozhat, nem pedig egyetlen távoli horizontot. Az inkonzisztencia-csapatok egy része folyamatosan jelöli, ugyanaz a motor különböző napokon különböző válaszokat ad: az egyik nap a paraméterekből húzódott a kérdés, a másikon a visszakeresést váltotta ki, és a két réteg nem ugyanazt a történetet mesélte el.
Munkafolyamat, amellyel megtudhatja, hol tart valójában
Ezt ma kézzel is futtathatja, speciális szerszámok nélkül, ami inkább a lényeg. Ha megérti a két emléket, akkor elolvashatja, hogy bármelyik motor mit csinál a márkájával. Hívd fel a memória-tartás audit.
- Válassza ki azokat a lekérdezéseket, amelyek fizetnek. Nem a márkanév önmagában, hanem a vevő által feltett kérdések, ahol meg kell jelennie: a kategóriakérdések, az összehasonlítások, a problémakeretezettek. Egy maroknyi, bevételhez kötötten.
- Futtassa mindegyiket egy szándékos terítésen. Legalább egy mindig visszakereshető motor és legalább két modell által meghatározott, minden alkalommal azonos megfogalmazást használva, tehát az egyetlen változó a platform.
- Olvassa el a testtartást, ne csak a választ. Az idézetek a lényeg. Az élő idézett források azt jelentik, hogy a visszakeresés ki van kapcsolva; magabiztos, forrás nélküli válasz érkezett a parametrikus memóriából. A modell által eldöntött motoroknál tegyél fel minden kérdést kétszer, egyszer sima örökzöld megfogalmazással, egyszer pedig egy olyan újkori jelzéssel, mint a „legújabb” vagy „aktuális”, és figyeld meg, hogy a második verzió visszafordítja-e a motort. Ez a fordulat a testtartás felfedi magát.
- Sorold fel, hogy melyik memória okozta a hibát. Az elavult tények hivatkozás nélkül paraméteres problémára utalnak. Ha teljesen hiányzik, vagy egy versenytárs oldalán keresztül jelenik meg egy olyan motoron, amely egyértelműen visszakeresett, az visszakeresési-kiválasztási problémára utal. A kimenetben a kettő szinte egyformának tűnhet. Nem ugyanaz a hiba.
- Javítsa ki a ténylegesen eltört rétegetmert a javítások nem átvitelre kerülnek:
- Paraméteres probléma közvetlenül nem szerkeszthető. Befolyásolja a következő képzési időszakot azáltal, hogy konzisztens, alátámasztott, feltérképezhető tartalmat tesz most a helyére, így történetének helyes változata lesz az, amely megtanulható.
- A visszakeresési probléma a megtalálhatóság és a kiválasztási munka: válaszoljon közvetlenül a kibővített alkérdésekre, strukturálja oldalait a tiszta kivonatolás érdekében, és erősítse meg a harmadik féltől származó források megerősítését, így az Ön verziója kerül bele a válaszba.
- Dátumozzon, és ismételje meg. A testtartás nem stabil, ezért az egyszeri audit pillanatfelvétel, nem lelet. Tedd ütemre, legalább negyedévente.
Ami miatt a kérdést érdemes megfontolni
A legtöbb mesterséges intelligencia láthatóságát optimalizáló csapat keményen dolgozik az egyik memóriarendszeren, a másikat pedig úgy kezeli, mintha az nem létezne, általában anélkül, hogy eldöntötték volna, melyiket választják. A fegyelem, amit ez megkíván, kicsi leírni, és kényelmetlen gyakorolni: minden számodra fontos motor esetében ismerd a testtartását, tudd, melyik memória hordozza a márkáját, és tudd, hogy szándékosan ezt a réteget választottad-e.
Azaz a memóriaréteg kérdéseés a legtöbb csapat még nem tud rá válaszolni, ami maga a diagnózis. Azt is felfedi, hogy egyetlen AI láthatósági pontszám miért kategóriahiba. Az a szám, amely a parametrikus állást és a visszakeresést egy figurává csukja össze, két olyan dolgot átlagol, amelyek egymástól függetlenül mozognak, különböző munkát jutalmaznak, és különböző módon kudarcot vallanak. Nem tudod kezelni, amit lelapítottál. Az írástudás, ami most számít, az a képesség, hogy fejben széttartsa a két réteget, és minden alkalommal megkérdezze, melyiket nézi valójában.
Ha a saját márkáján futtatta ennek egy verzióját, szeretném hallani, mit talált, különösen ott, ahol egy platform meglepte. Hagyjon megjegyzést, vagy lépjen kapcsolatba.
És ha hosszabb érvet szeretnél amellett, hogy a láthatóság, a bizalom és a gépi olvashatóság miért válik azonos problémává, ez a könyvem tárgya, A gépi réteg.
Ez a bejegyzés eredetileg a Duane Forrester Decodes oldalon jelent meg.
