¡Déjame ver si puedo convencerte!
Compartí muchos en este video y resumí mis pensamientos en el artículo a continuación. Además, esta es la segunda publicación de blog que escribo sobre este tema en la última semana. Hay mucha más información sobre los datos de los usuarios y cómo los usa Google en mi publicación de blog anterior.
La clasificación tiene 3 componentes
En la prueba entre el DOJ y Google aprendimos que el proceso de clasificación de Google implica tres componentes principales:
- Los sistemas tradicionales se utilizan para la clasificación inicial.
- Los sistemas de inteligencia artificial (como RankBrain, DeepRank y RankEmbed BERT) reclasifican los 20 a 30 documentos principales.
- Esos sistemas se ajustan según las puntuaciones de Quality Rater y, lo que es más importante, en mi opinión, los resultados de las pruebas de usuarios en vivo.
La demanda entre el DOJ y Google habló extensamente sobre cómo la enorme ventaja de Google surge de las grandes cantidades de datos de los usuarios que utiliza. En su recurso, Google afirmó que no quiere cumplir con el mandato del juez de entregar datos de los usuarios a sus competidores. Enumeró dos formas en que utiliza los datos del usuario: en un sistema llamado Glue, un sistema que incorpora Navboost que analiza en qué hacen clic los usuarios y con qué interactúan, y también en el modelo RankEmbed.
RankEmbed es fascinante. Incorpora la consulta del usuario en un espacio vectorial. El contenido que probablemente sea relevante para esa consulta se encontrará cerca. RankEmbed está optimizado por dos cosas:
1. Calificaciones de los Evaluadores de Calidad. Se les dan dos conjuntos de resultados: resultados “congelados” de Google y resultados “reentrenados” o, en otras palabras, los resultados de los algoritmos de búsqueda impulsados por IA recientemente entrenados y refinados. Sus puntuaciones ayudan a los sistemas de Google a comprender si los algoritmos reentrenados están produciendo resultados de búsqueda de mayor calidad.
2. Experimentos en vivo del mundo real donde a un pequeño porcentaje de buscadores reales se les muestran resultados de algoritmos antiguos versus algoritmos reentrenados. Sus clics y acciones ayudan a ajustar el sistema.
El objetivo final de estos sistemas es mejorar continuamente para producir clasificaciones que satisfagan al buscador.
Más ideas sobre las pruebas en vivo: los usuarios le dicen a Google Tipos De páginas que son útiles, no las páginas reales
Me di cuenta de que las pruebas de usuarios en vivo de Google no se tratan solo de recopilar datos en páginas específicas. Se trata de entrenar al sistema para que reconozca patrones. Google no necesariamente rastrea cada interacción del usuario para clasificar esa URL específica. En cambio, está utilizando esos datos para enseñarle a su IA qué significa «útil». El sistema aprende a identificar tipos de contenido que satisface la intención del usuario y luego predice si su sitio encaja en ese molde exitoso.
Continuará evolucionando su proceso para predecir qué contenido probablemente será útil. Definitivamente va mucho más allá de la simple búsqueda vectorial. Google encuentra continuamente nuevas formas de entender la intención del usuario y cómo afrontarlo.
Qué significa esto para el SEO
Si está clasificado en las primeras páginas de búsqueda, ha convencido a los sistemas de clasificación tradicionales para que lo incluyan en la subasta de clasificación.
Una vez allí, una multitud de sistemas de inteligencia artificial trabajan para predecir cuál de los mejores resultados es realmente el mejor para el buscador. Esto es aún más importante ahora que Google está comenzando a utilizar la “Inteligencia personal” en el modo Gemini y AI. Mis principales resultados de búsqueda se adaptarán específicamente a lo que piensan los sistemas de Google. I encontrará útil.
Una vez que comience a comprender cómo realizan la búsqueda los sistemas de inteligencia artificial, que es principalmente una búsqueda vectorial, puede resultar tentador trabajar en ingeniería inversa. Si está optimizando utilizando un conocimiento profundo de lo que recompensa la búsqueda de vectores (incluido el uso de similitud de coseno), está trabajando para verse bien ante los sistemas de IA. Advertiría que no se debe profundizar demasiado aquí.
Dado que los sistemas están ajustados para mejorar continuamente y producir resultados que sean más satisfactorios para el buscador, verse bien ante la IA no es tan importante como ser realmente el resultado más útil. Yo diría que la optimización para la búsqueda vectorial puede hacer más daño que bien a menos que realmente tenga el tipo de contenido que los usuarios encuentran más útil que las otras opciones que tienen. De lo contrario, es muy probable que estés entrenando los sistemas de IA para no favorecerte.
mi consejo
Mi consejo es optimizar libremente para la búsqueda de vectores. Lo que quiero decir con esto es no obsesionarse con las palabras clave y la similitud de cosenos, sino comprender qué es lo que quiere su audiencia y asegurarse de que sus páginas satisfagan las necesidades específicas que tienen. ¿Es útil aquí el conocimiento de Query Fan-Out de Google? Hasta cierto punto, sí, ya que es útil saber qué preguntas suelen tener los usuarios en torno a una consulta. Pero creo que mis mismos temores también se aplican aquí. Si te ves muy bien ante los sistemas de inteligencia artificial que intentan encontrar contenido que satisfaga la distribución de consultas, pero los usuarios no tienden a estar de acuerdo, o si te faltan otras características asociadas con la utilidad en comparación con la competencia, puedes entrenar a los sistemas de Google para que te favorezcan menos.
Haz uso de encabezados – no para que lo vean los sistemas de inteligencia artificial, sino para ayudar a sus lectores a comprender que las cosas que buscan están en su página.
Mire las páginas que Google clasifica para las consultas que deberían conducir a su página y pregúntese realmente ¿Qué tienen estas páginas que los buscadores encuentran útiles?. Observe qué tan bien responden preguntas específicas, si usan buenas imágenes, tablas u otros gráficos, y qué tan fácil es hojear y navegar por la página. Trabaje para descubrir por qué se eligió esta página como una de las que tiene más probabilidades de ser útil para satisfacer las necesidades de los buscadores.
En lugar de obsesionarse con las palabras clave, trabaje para mejorar la experiencia real del usuario. Si hace que su página sea más atractiva, centrándose más en métricas como los desplazamientos y la duración de la sesión, las clasificaciones deberían mejorar naturalmente.
Y, sobre todo, obsesionarse con la ayuda. Puede resultar útil que un tercero revise su contenido y comparta por qué puede ser útil o no.
He descubierto que, aunque entiendo que la búsqueda está diseñada para aprender y mejorar continuamente al mostrarles a los buscadores páginas que probablemente les resulten útiles, aún Me encuentro luchando contra la necesidad de optimizar para las máquinas en lugar de para los usuarios. ¡Es un hábito difícil de romper! Dado que los sistemas de aprendizaje profundo de Google trabajan incansablemente con un objetivo (predecir qué páginas probablemente serán útiles para el buscador), ese debería ser también nuestro objetivo. Como sugiere la documentación de Google sobre contenido útil, el tipo de contenido que la gente tiende a encontrar útil es el contenido original, revelador y que proporciona un valor sustancial en comparación con otras páginas en los resultados de búsqueda.
Más recursos:
Esta publicación se publicó originalmente en Marie Haynes Consulting.
Imagen de portada: Chayanit/Shutterstock
