AI -översikter använder FastSearch, inte länkar
En skarpögd sökmarknadsförare upptäckte orsaken till att Googles AI-översikt visade spammy webbsidor. Det senaste Memorandum -yttrandet i Google Antitrust -fallet innehöll en passage som erbjuder en ledtråd om varför det hände och spekulerar hur det återspeglar Googles flytt från länkar som en framträdande rankningsfaktor.
Ryan Jones, grundare av SerPrecon (LinkedIn -profil), uppmärksammade en passage i det senaste Memorandum -åsiktet som visar hur Google grundar sina Gemini -modeller.
Grundning av generativa AI -svar
Passagen förekommer i ett avsnitt om grund av svar med sökdata. Vanligtvis är det rättvist att anta att länkar spelar en roll i att rangordna webbsidorna som en AI -modell hämtar från en sökfråga till en intern sökmotor. Så när någon ställer Googles AI -översikt över en fråga, frågar systemet Google -sökning och skapar sedan en sammanfattning från dessa sökresultat.
Men tydligen är det inte så det fungerar på Google. Google har en separat algoritm som hämtar färre webbdokument och gör det snabbare.
Passagen lyder:
”För att grunda sina Gemini -modeller använder Google en egen teknik som kallas FastSearch. Rem. Tr. På 3509: 23–3511: 4 (Reid). FastSearch är baserad på rangordna signaler – en uppsättning av sökrankningssignaler – och genererar förkortade, rankade webbresultat som en modell kan använda för att producera en markad svar. Resulterande kvalitet är lägre än sökens helt rankade webbresultat. ”
Ryan Jones delade dessa insikter:
“Detta är intressant och bekräftar både vad många av oss tänkte och vad vi såg i tidiga tester. Vad betyder det? Det betyder för att jordning Google inte använder samma sökalgoritm. De behöver det för att vara snabbare men de bryr sig inte heller om så många signaler. De behöver bara text som säkerhetskopierar vad de säger.
… Det finns förmodligen ett gäng skräppost- och kvalitetssignaler som inte heller beräknas för FastSearch. Det skulle förklara hur/varför i tidiga versioner såg vi några spammy -webbplatser och till och med straffade webbplatser som dyker upp i AI -översikter. ”
Han fortsätter med att dela sin åsikt om att länkar inte spelar en roll här eftersom grunden använder semantisk relevans.
Släkt: Google bekräftar att länkar inte är så viktiga
Vad är FastSearch?
På andra håll delar memorandumet som FastSearch genererar begränsade sökresultat:
“FastSearch är en teknik som snabbt genererar begränsade organiska sökresultat för vissa användningsfall, till exempel jordning av LLM: er, och härleds främst från den rankade modellen.”
Nu är frågan, vad är den rankade modellen?
Memorandumet förklarar att rankad är en djup inlärningsmodell. Enkelt uttryckt identifierar en djupinlärningsmodell mönster i massiva datasätt och kan till exempel identifiera semantiska betydelser och relationer. Det förstår ingenting på samma sätt som en människa gör; Det är i huvudsak identifierande mönster och korrelationer.
Memorandumet har en passage som förklarar:
”I den andra änden av spektrumet finns innovativa djupinlärningsmodeller, som är maskininlärningsmodeller som urskiljer komplexa mönster i stora datasätt. … (Allan)
… Google har utvecklat olika “toppnivå” -signaler som är ingångar till att producera slutresultatet för en webbsida. Id. vid 2793: 5–2794: 9 (Allan) (diskuterar RDXD-20.018). Bland Googles toppnivå är de som mäter en webbsidas kvalitet och popularitet. Id.; RDX0041 vid -001.
Signaler utvecklade genom djupinlärningsmodeller, som rankad, är också bland Googles toppnivå signaler. ”
Data på användarsidan
RankeMbed använder “användarsidan” -data. Memorandumet, i ett avsnitt om vilken typ av data som Google borde tillhandahålla till konkurrenter, beskriver rankad (som FastSearch är baserad på) på detta sätt:
“Data på användarsidan som används för att träna, bygga eller använda den rangordnade modellen.”
Någon annanstans delar det:
“Rangemed och dess senare iteration rankembedbert rankas modeller som förlitar sig på två huvudsakliga datakällor: _____% av 70 dagars sökloggar plus poäng genererade av mänskliga raters och används av Google för att mäta kvaliteten på organiska sökresultat.”
Sedan:
“Själva den rankade modellen är ett AI-baserat, djupinlärningssystem som har en stark naturlig språkförståelse. Detta gör att modellen mer effektivt kan identifiera de bästa dokumenten att hämta, även om en fråga saknar vissa termer. PXR0171 vid -086 (” Inbäddningsbaserad återvinning är effektiv vid semantisk matchning av dokument och frågor “);
… RankeMed är utbildad på 1/100 av de data som används för att utbilda tidigare rankingmodeller men ger resultat av högre kvalitet.
… rankad som hjälpte Google att förbättra sina svar på långvariga frågor.
… Bland de underliggande utbildningsdata är information om frågan, inklusive de framträdande termer som Google har härledt från frågan och de resulterande webbsidorna.
… Data som ligger bakom rankade modeller är en kombination av klick-och-kvittadata och poängning av webbsidor av mänskliga raters.
… rankembedbert måste omskolas för att återspegla nya data … ”
Ett nytt perspektiv på AI -sökning
Stämmer det att länkar inte spelar någon roll för att välja webbsidor för AI -översikt? Googles FastSearch prioriterar hastigheten. Ryan Jones teoretiserar att det kan betyda att Google använder flera index, med ett specifikt för FastSearch som består av webbplatser som tenderar att få besök. Det kan vara en återspegling av den rangordnade delen av FastSearch, som sägs vara en kombination av “klick-och-kvickdata” och mänskliga raterdata.
När det gäller mänskliga raterdata, med miljarder eller biljoner sidor i ett index, skulle det vara omöjligt för raters att manuellt betygsätta mer än en liten bråkdel. Så det följer att de mänskliga raterdata används för att tillhandahålla kvalitetsmärkta exempel för träning. Märkta data är exempel på att en modell tränas på så att mönstren som är inneboende i att identifiera en sida av hög kvalitet eller en sida med låg kvalitet kan bli tydligare.
Se även: Google delar värdefull SEO Takeaway om riktlinjer för kvalitets raters
Bild av Shutterstock/Cookie Studio
