Что машинное обучение и ИИ действительно означают для SEO?

1. Безмолвное распространение машинного обучения
2. Для чего нужен ML и где он не хватает?
3. Машинное обучение: Google's Vision - Google I / O 2016
4. Стоит ли беспокоиться о том, как машинное обучение влияет на SEO?
5. Где машинное обучение способствует SEO?
6. Где технологии машинного обучения могут способствовать SEO?
7. Прогноз - путь вперед
8. (пере) Написание контента
9. Машинное обучение должно быть полезным для решения новых задач
10. Источники:

Наша команда-партнер Artmisto

Искусственный интеллект и машинное обучение (ML) не являются совершенно новыми концепциями, но за последние несколько лет мы стали намного больше слышать о том, как эти технологии используются поисковыми компаниями.

Google использует машинное обучение, чтобы помочь определить такие вещи, как качество веб-страницы и значение поисковых запросов; с целью всегда улучшить качество результата поиска.

Безмолвное распространение машинного обучения

Мы живем в мире, где медленно, но верно, сервисы, которые мы окружаем, приобретают все больше и больше функций, управляемых системами машинного обучения.

Как потребитель, вы никогда не говорите, что сервис, который вы используете, основан на ML, вы просто используете его. Например, Amazon использует машинное обучение для повышения качества рекомендаций, которые они дают своим клиентам.

Вы были бы полностью прощены за то, что не знали, что МЛ был там. Для правильных вещей, ML может улучшить сервис, где «классические» алгоритмы могут ошибаться или чаще ошибаться.

Это заставляет меня задуматься.

Изменилось ли появление машинного обучения в поисковой выдаче как наших оптимизаторов в повседневной деятельности? Будет ли это в будущем?

Для чего нужен ML и где он не хватает?

Быстрый поиск в интернете дает большой список приложений для ML. Посмотрите на темы как это на Quora, и вы увидите, насколько широкое применение ML.

Текущее состояние машинного интеллекта 3.0 ( Источник )

В биологии это используется в разработке лекарств и дизайне.

В области финансов она занимается моделированием и оценкой кредитного риска, прогнозированием кредитоспособности соискателя и обнаружением мошенничества (если у вас когда-либо была заблокирована транзакция из-за «необычной» транзакции, вы, вероятно, не согласитесь с тем, что процесс было усилено машинным обучением).

Машинное обучение также используется для поиска перспективных тенденций на фондовом рынке и проведения высокочастотных торгов.

В астрономии ML используется для поиска интересных объектов в большом количестве астрономических данных.

Системы Auto Pilot, которые могут спасать жизни в самостоятельное вождение автомобиля ,

Модели прогнозирования, обнаруженные в ряде физических устройств IOT, таких как Гнездо ,

Есть примеры ML по всему Интернету: таргетирование рекламы, распознавание изображений, распознавание лиц, распознавание речи, автоматические помощники по электронной почте, рекомендации по продукту, рекомендации по контенту, услуги по переводу и так далее.

Таким образом, сценарий использования для ML заключается в получении и прогнозировании моделей в больших объемах данных. Именно поэтому проблема ранжирования веб-страниц невероятно хорошо подходит для ML.

Машинное обучение: Google's Vision - Google I / O 2016

Для непрофессионала с точки зрения того, где «мы» с дисциплиной ML, это отличная дискуссионная дискуссия, чтобы развить понимание типов вещей, которые в настоящее время возможны в ML.

Панель была записана на Google I / O в прошлом году с Googlers Джон Джаннандреа (Руководитель отдела поиска и машинного интеллекта в Google), Джефф Дин (Ведущий Google Brain Research Group), Апарна Ченнапргада Директор по продуктам, Google Now, Google Search и YouTube.

На сессии было сделано много очень интересных моментов:

- ML быстро улучшается. При распознавании речи или распознавании лиц развитие этих служб значительно сокращает количество ошибок по сравнению с несколькими годами назад.

- Google "серьезно" об ИИ "около 4 лет назад".

- Хотя ML - очень впечатляющая технология, она также очень ограничена в некоторых типах приложений:

«Язык и диалог - большая нерешенная проблема в информатике. Например, чтение длинной статьи и написание ее более короткой версии в настоящее время выходит за рамки уровня техники ».

Деятельность, требующая манипулирования физической средой, требующая координации рук / глаз и способности выучить много сложных физических заданий (например, уход в больнице или выполнение заданий для помощи пожилым людям), очень далека.

Машинное обучение не очень «переносимо». Вы должны построить систему для выполнения одной задачи, но эти уроки не особенно переносимы на другой тип задачи. Модель, обученная играть в Го, не могла играть в Шахматы.

Стоит ли беспокоиться о том, как машинное обучение влияет на SEO?

Это вопрос, который я изо всех сил пытался решить. Делает ли распространение и более широкое использование инструментов машинного обучения тем, что практикующие органический поиск должны чувствовать себя вынужденными изменить свою работу?

Мы делаем что-то по-другому, потому что Google использует машинное обучение?

Прочитайте каждую статью о ML, написанную с точки зрения SEO, и вы заметите, что все они заканчиваются обычными рекомендациями, основанными на Quality Rater.

- Обратите внимание на контент, разработанный, чтобы ответить на запросы хорошо
- Используйте исследование, чтобы развить лучшее понимание темы в целом
- Сосредоточьтесь на вовлеченности пользователей, времени на сайте и других факторах, которые могут указывать на то, что страница хорошо ответила на запрос.
- Избегайте макетов страниц, которые являются тяжелыми для рекламы, не создавайте страниц, которые используют тонкий или дублированный контент, будьте очень осторожны с использованием рекламных вставок
- итерируйте лучшие практики технический SEO и сделать акцент на тестировании и наблюдении за результатами

В SEO есть естественное стремление всегда улучшать качество.

Я чувствую, что это просто естественное следствие реагирования на постоянно улучшающиеся алгоритмы поиска. Внешние конкурентные факторы также влияют на это. Если все остальные становятся лучше в SEO, то и вы тоже.

Попробуйте определить любую тактику SEO, разработанную специально, потому что Google использует машинное обучение в своем алгоритме ранжирования. Я, честно говоря, не думаю, что могу.

Я спросил в Твиттере, и большинство ответов тоже оказались неубедительными.

Где машинное обучение способствует SEO?

я нашел это внушительный список API машинного обучения, которые включают в себя OCR, текстовую классификацию, инструменты для ответов на вопросы и т.д. отличная презентация от моего друга Ян-Виллем Боббинк ,

Для SEO все эти API почти исключительно могут быть использованы для улучшения контента или улучшения исследований.

Я думаю, что любая попытка найти новые инструменты, основанные на любой технологии, которые улучшают процесс SEO, является действительно стоящим занятием, но я чувствую, что эти сервисы вряд ли меняют игру.

Где технологии машинного обучения могут способствовать SEO?

Однажды, я надеюсь, у нас будет много возможностей увидеть умные инструменты и практики, которые используют ML, которые фактически меняют наш день. Вещи, как предсказание возможностей рынка.

я нашел Эта статья от Уилла на Мозе интересно. В этом он заключает, что ML мог бы однажды лучше предсказывать ранжирование в поисковых системах, чем опытный SEO. Учитывая достаточно большой набор данных, я согласен. Я думаю, что вполне возможно, что основанные на ML инструменты могут снизить потребность в опыте в SEO для того, чтобы это сделать. Поскольку эта дисциплина в значительной степени зависит от опыта, я нахожу эту идею захватывающей.

Слово предупреждения, хотя. Как Пит кладет это,

«Могут ли люди предсказать, что будет выше, это не вопрос. Вопрос в том, можем ли мы сделать что-то, что улучшит сайт, чтобы улучшить его рейтинг? »

Я бы сказал, что модель ML должна быть способна распознавать переменные достаточно, чтобы правильно угадать, какая страница занимает более высокое место, чем другая, но когда вы на самом деле пытаетесь внести изменения, вам нужна опытная рука, чтобы решить, какие изменения будут наиболее эффективными. смысл.

Отдельные рекомендации по улучшению SEO, тем не менее, будут очень полезными. Я удивлен, что это больше не вещь. Идея подойдет большинству наборов инструментов SEO, возможно, немного похоже на Google Analytics Assistant.

Прогноз - путь вперед

Точно так же, как финансовые приложения используют ML для определения возможностей фондового рынка, я думаю, что можно обучить модель для прогнозирования возможностей в поиске. Это совершенно не похоже на прогнозирование того, какая страница должна превосходить другую - меня больше интересуют запросы, которые недостаточно обслуживаются и доступны конкурентам, и (именно здесь роль ОД может сыграть роль) новые возможности в будущем, которые будут приносить доход при хорошая степень уверенности.

(пере) Написание контента

Особенно для электронной коммерции. Одной из самых больших повседневных проблем, с которыми я сталкиваюсь в сфере SEO для розничной торговли, является ужасно медленный процесс переписывания контента продукта.

Инструменты как Автоматизированные идеи использовать Natural Language Generation для создания базового анализа диаграмм и таблиц данных. Что было бы очень впечатляющим, так это модель ML, которая изучает конкретное использование языка, специфического для вертикали (например, Fashion vs скажем, Sports gear) * и * узнает, какой язык лучше всего убеждает в конверсии.
Как мы уже слышали, пока это «за пределами уровня техники».

Машинное обучение должно быть полезным для решения новых задач

Возможно, мы думали о машинном обучении неправильно; как механизм для улучшения процессов, которые у нас уже есть. Но это не признает, как можно применить силу машинного обучения.

С открытыми приложениями, такими как TensorFlow В свободном доступе мы, безусловно, смотрим на захватывающий период перемен, который нас ожидает.

Вместо того, чтобы пытаться добавить ML к нашим существующим процессам для достижения предельного прироста производительности, мы должны использовать уникальные возможности машинного обучения, чтобы помочь нам найти возможности и обнаружить глубокое понимание, которое в противном случае могло бы быть упущено человеком.

Поставщики инструментов, которые решают эту проблему, на мой взгляд, найдут некоторый реальный успех.

Источники:

1. https://www.oreilly.com/ideas/the-current-state-of-machine-intelligence-3-0
2. https://moz.com/blog/machine-learning-for-seos
3. https://news.ycombinator.com/item?id=13563892
4. http://searchengineland.com/faq-all-about-the-new-google-rankbrain-algorithm-234440
5. https://www.quora.com/What-are-some-real-world-examples-of-applications-of-machine-learning-in-the-field
6. https://www.wired.com/2016/04/google-supercharging-tensorflow-open-source-ai/
7. http://www.recode.net/2016/2/4/11587564/googles-artificial-intelligence-boss-and-why-he-will-run-the-search
8. http://www.slideshare.net/AmazonWebServices/build-a-recommendation-engine-using-amazon-machine-learning-in-realtime