تحسين محركات البحث: كيف تعمل ذكاء 구글 الاصطناعي (شهر الحالي سنة الحالية)

تحسين محركات البحث (SEO) هو عملية تحسين العوامل على الصفحة وخارجها التي تؤثر على مدى ارتفاع تصنيف صفحة ويب لشروط بحث معينة. هذا عملية متعددة الأوجه تشمل تحسين سرعة تحميل الصفحة وتوليد استراتيجية بناء الروابط واستخدام أدوات تحسين محركات البحث ، بالإضافة إلى تعلم كيفية عكس هندسة ذكاء 구글 الاصطناعي باستخدام التفكير الحسابي .

التفكير الحسابي هو نوع متقدم من التحليل وتقنية حل المشكلات التي يستخدمها مبرمجو الكمبيوتر عند كتابة الشفرة والخوارزميات. سيبحث المفكرون الحسابيون عن الحقيقة الأساسية من خلال كسر المشكلة وتحليلها باستخدام التفكير الأولي .

منذ أن لا تصدر جوجل صيغتها السرية لأي شخص ، سنعتمد على التفكير الحسابي. سنقوم بمشوار بعض اللحظات الحاسمة في تاريخ جوجل التي شكلت الخوارزميات المستخدمة ، وسنتعلم لماذا هذا يهم .

كيفية إنشاء عقل

سنبدأ بكتاب تم نشره في عام 2012 ، بعنوان “كيفية إنشاء عقل: أسرار التفكير البشري المُكشفة” للعالم والمخترع راي كرزويل. هذا الكتاب يشريح الدماغ البشري ، ويفصل طرق عملها. نتعلم من الأساس كيف يتدرب الدماغ على نفسه باستخدام التعرف على الأنماط ليتحول إلى آلة للتنبؤ ، دائمًا يعمل على التنبؤ بالمستقبل ، حتى التنبؤ بالكلمة التالية .

كيف يعترف البشر بالأنماط في الحياة اليومية؟ كيف يتم تشكيل هذه الاتصالات في الدماغ؟ يبدأ الكتاب بفهم التفكير الهيكلي ، وهذا يعني فهم هيكل يتكون من عناصر متنوعة متصرفة في نمط ، ويمثل هذا الترتيب رمزًا مثل حرف أو حرف ، ويتشكل هذا الرمز إلى نمط متقدم مثل كلمة ، وفي النهاية جملة. في النهاية ، تتشكل هذه الأنماط إلى أفكار ، وتتحول هذه الأفكار إلى المنتجات التي يتحمل البشر مسؤولية بنائها .

من خلال تقليد الدماغ البشري ، يتم الكشف عن مسار لإنشاء ذكاء اصطناعي متقدم يتجاوز القدرات الحالية للشبكات العصبية التي كانت موجودة في وقت النشر .

كان هذا الكتاب بمثابة خطة لإنشاء ذكاء اصطناعي يمكنه التوسع عن طريق استهلاك بيانات العالم ، واستخدام معالجة التعرف على الأنماط متعددة الطبقات لتحليل النصوص والصور والصوت والفيديو. نظام محسّن للتوسع بسبب فوائد السحابة وقدرات المعالجة الموازية . بمعنى آخر ، لن يكون هناك حد أقصى للبيانات المدخلة أو المُخرجة .

كان هذا الكتاب مهمًا لدرجة أن راي كرزويل تم تعيينه من قبل جوجل ليتولى منصب مدير الهندسة مع التركيز على التعلم الآلي ومعالجة اللغة . دور يتوافق تمامًا مع الكتاب الذي كتبه .

من المستحيل إنكار التأثير الهائل لهذا الكتاب على مستقبل جوجل وكيفية تصنيف المواقع. هذا كتاب الذكاء الاصطناعي يجب أن يكون قراءة إجبارية لأي شخص يرغب في أن يصبح خبيرًا في تحسين محركات البحث .

DeepMind

تم إطلاق DeepMind في عام 2010 ، وكان بداية جديدة لشركة ناشئة تستخدم نوعًا ثوريًا جديدًا من خوارزمية الذكاء الاصطناعي التي كانت تثير ضجة في العالم ، وكانت تسمى التعلم التعزيزي . وصفها DeepMind على النحو التالي :

“نقدم أول نموذج تعلم عميق يتعلم بنجاح سياسات التحكم مباشرة من مدخلات حسية عالية الأبعاد باستخدام التعلم التعزيزي. النموذج هو شبكة عصبية متوازي ، تم تدريبه مع متغير من التعلم Q ، ومدخله هو بكسل خام وخرجها هو دالة قيمة تقدر المكافآت المستقبلية .”

من خلال دمج التعلم العميق مع التعلم التعزيزي ، أصبح نظام تعلم تعزيزي عميق . بحلول عام 2013 ، كان DeepMind يستخدم هذه الخوارزميات لتحقيق انتصارات ضد لاعبين بشريين على ألعاب Atari 2600 – وهذا تم تحقيقه عن طريق تقليد الدماغ البشري وكيفية تعلمه من التدريب والتكرار .

podob إلى كيفية تعلم الإنسان من خلال التكرار ، سواء كان ذلك في ركل الكرة أو لعب Tetris ، فإن الذكاء الاصطناعي سيتعلم أيضًا . تتبع شبكة الذكاء الاصطناعي العصبية الأداء وتحسنت تدريجيًا ، مما أدى إلى اختيار تحركات أقوى في التكرار التالي .

كان DeepMind مهيمنًا في تقنيته لدرجة أن جوجل اضطرت إلى شراء الوصول إلى التكنولوجيا . تم شراء DeepMind مقابل أكثر من 500 مليون دولار في عام 2014 .

بعد الاستحواذ ، شهدت صناعة الذكاء الاصطناعي اختراقات متتالية ، لم يسبق لها مثيل منذ 11 مايو 1997 ، عندما خسر العبقري غاري كاسباروف اللعبة الأولى من مباراة ستة ألعاب ضد ديب بلو ، وهو كمبيوتر يلعب الشطرنج تم تطويره من قبل علماء في شركة آي بي إم .

في عام 2015 ، قام DeepMind بتحسين الخوارزمية لاختبارها على مجموعة ألعاب Atari البالغ عددها 49 لعبة ، ونجح الجهاز في تحقيق أداء أفضل من أداء الإنسان في 23 منهم .

كان هذا فقط البداية ، لاحقًا في عام 2015 بدأ DeepMind في التركيز على AlphaGo ، برنامج بهدف محدد هو هزيمة بطل العالم المحترف في لعبة Go . لعبة Go القديمة ، التي ظهرت لأول مرة في الصين منذ حوالي 4000 عام ، تعتبر أكثر لعبة تحدي في التاريخ البشري ، مع 10³⁶⁰ حركات ممكنة .

استخدم DeepMind التعلم الإشرافي لتدريب نظام AlphaGo من خلال التعلم من لاعبين بشريين . بعد ذلك بوقت قصير ، أعلنت DeepMind عن أنباء بعد أن هزم AlphaGo لي سي دول ، البطل العالمي ، في مباراة من خمس جولات في مارس 2016 .

في أكتوبر 2017 ، أصدرت DeepMind AlphaGo Zero ، نموذج جديد لهذا الفرق الرئيسي الذي لا يتطلب أي تدريب بشري . منذ أن لم يكن هناك تدريب بشري ، لم يكن هناك أيضًا تصنيف للبيانات ، نظام يستخدم التعلم غير الإشرافي . سريعًا ما تجاوز AlphaGo Zero سابقه ، كما هو موضح في موقع DeepMind .

“النسخ السابقة من AlphaGo تم تدريبها في البداية على آلاف الألعاب البشرية الهواة والمحترفة لتعلم كيفية لعب Go . ي跳ز AlphaGo Zero هذه الخطوة ويتعلم لعب Go ببساطة من خلال اللعب ضد نفسه ، بدءًا من اللعب العشوائي . بفضل ذلك ، أصبح بسرعة على مستوى اللعب البشري وهزم الإصدار السابق الذي هزم البطل العالمي بنتيجة 100-0 .”

في غضون ذلك ، كان عالم تحسين محركات البحث يركز بشدة على PageRank ، العمود الفقري لجوجل . يبدأ هذا في عام 1995 ، عندما كان لاري بايج وسرجي برين طلاب دكتوراه في جامعة ستانفورد . بدأ الثنائي بالتعاون على مشروع بحثي جديد يُطلق عليه اسم “BackRub” . كان الهدف هو تصنيف صفحات الويب إلى مقياس للأهمية عن طريق تحويل بيانات الارتباطات الخلفية . الارتباط الخلفي هو ببساطة أي ارتباط من صفحة إلى أخرى ، مثل هذا الارتباط .

تم إعادة تسمية الخوارزمية لاحقًا إلى PageRank ، نسبة إلى مصطلح “صفحة ويب” واسم المؤسس المشارك لاري بايج . كان لاري بايج وسرجي برين هدفًا طموحًا هو بناء محرك بحث يمكن أن يدير الويب بالكامل فقط من خلال الارتباطات الخلفية .

و funcionado.

PageRank يهيمن على العناوين

فهم محترفو تحسين محركات البحث على الفور أساسيات كيفية حساب جوجل تصنيفًا جيدًا لصفحة ويب باستخدام PageRank . بعض رواد الأعمال ذوي القبعات السوداء في تحسين محركات البحث فهموا أن购买 الارتباطات قد يكون له معنى لتحقيق التوسع في المحتوى ، بدلاً من الانتظار لاكتسابها بشكل طبيعي .

ظهرت اقتصاد جديد حول الارتباطات الخلفية . كان أصحاب المواقع الذين يرغبون في التأثير على تصنيفات محركات البحث يشترون ارتباطات ، وكان هناك مواقع متعطشة لتحقيق ربح يبيعون لهم ارتباطات .

غزت المواقع التي اشترت ارتباطات جوجل في الليل ، وتصدرت تصنيفات جوجل ، متجاوزة العلامات التجارية القائمة .

عمل التصنيف باستخدام هذه الطريقة بشكل جيد لمدة طويلة – حتى توقف عن العمل ، ربما في نفس الوقت الذي تم فيه تمكين التعلم العميق وتم حل المشكلة الكامنة . مع إدخال التعلم التعزيزي العميق ، أصبح PageRank متغيرًا في التصنيف ، وليس العامل المهيمن .

في هذه الأثناء ، انقسم مجتمع تحسين محركات البحث حول شراء الارتباطات كاستراتيجية . أعتقد شخصيًا أن شراء الارتباطات يوفر نتائج دون المستوى الأمثل ، وأن أفضل الطرق لاكتساب الارتباطات الخلفية هي متغيرة حسب الصناعة . هناك خدمة شرعية يمكنني أن أوصي بها هي HARO (مساعدة صحفي) . الفرصة في HARO هي اكتساب الارتباطات الخلفية من خلال تلبية طلبات الصحفيين .

لم يكن على العلامات التجارية القائمة أن تقلق بشأن مصادر الارتباطات ، لأنها كانت تستفيد من ميزة الوقت . كلما كان عمر الموقع أكبر ، زادت المدة التي كان لها لجمع الارتباطات الخلفية عالية الجودة . بمعنى آخر ، كان تصنيف محرك البحث يعتمد بشكل كبير على عمر الموقع ، إذا قمت بحساب باستخدام مقياس الزمن = الارتباطات الخلفية .

على سبيل المثال ، سيكون من الطبيعي أن يتلقى CNN ارتباطات خلفية لمنشورات الأخبار بسبب علامته التجارية وثقته وترتيبه العالي في البداية – لذلك كان يكتسب ارتباطات خلفية إضافية من الأشخاص الذين يبحثون عن مقال ويصلون إلى أول نتيجة بحثية التي وجدوها .

معنى ذلك أن الصفحات ذات التصنيفات العالية حصلت تلقائيًا على المزيد من الارتباطات الخلفية . للأسف ، هذا يعني أن المواقع الجديدة غالبًا ما أجبرت على إساءة استخدام خوارزمية الارتباطات الخلفية من خلال اللجوء إلى سوق الارتباطات الخلفية .

في أوائل عام 2000 ، كان شراء الارتباطات الخلفية يعمل بشكل رائع ، وكان الأمر بسيطًا . اشترى مشتري الارتباطات الخلفية ارتباطات من مواقع ذات سلطة عالية ، غالبًا ما كانت ارتباطات في التذييل عبر الموقع ، أو ربما على أساس المقال (غالبًا ما كانت مدونة ضيف مخفية) ، وكان البائعون يائسين لتحقيق ربح يسعدون بالتوافق – للأسف ، غالبًا على حساب الجودة .

في النهاية ، أدرك مجموعة جوجل من مهندسي التعلم الآلي أن كتابة نتائج محرك البحث يدوياً كانت عديمة الفائدة ، وكان جزء كبير من PageRank يُكتب يدوياً . بدلاً من ذلك ، أدركوا أن الذكاء الاصطناعي سيتولى في النهاية مسؤولية حساب التصنيفات بالكامل مع قليل من التدخل البشري .

لتبقى جوجل في صدارة المنافسة ، تستخدم كل أدواتها ، بما في ذلك التعلم التعزيزي العميق – أكثر أنواع خوارزميات التعلم الآلي تقدمًا في العالم .

كان هذا النظام ، الذي تم تركيبه فوق استحواذ جوجل على MetaWeb ، مغيرًا للعبة . السبب الذي جعل استحواذ MetaWeb في عام 2010 مهمًا هو أنه قلل من وزن جوجل على الكلمات الرئيسية . أصبحت السياق مهمة ، وتم تحقيق ذلك باستخدام منهجية تصنيف تسمى “الكيانات” . كما هو موضح في Fast Company :

” بمجرد أن يكتشف MetaWeb الكيان الذي تشير إليه ، يمكنه تقديم مجموعة من النتائج . يمكنه حتى دمج الكيانات لعمليات بحث أكثر تعقيدًا – “الممثلات فوق 40” قد يكون كيانًا واحدًا ، و “الممثلات اللواتي يعيشن في مدينة نيويورك” قد يكون كيانًا آخر ، و “الممثلات اللواتي لديهن فيلم يعرض حاليًا” قد يكون كيانًا آخر . “

تم دمج هذه التكنولوجيا في تحديث خوارزمي رئيسي يسمى RankBrain الذي تم إطلاقه في ربيع عام 2015 . ركز RankBrain على فهم السياق بدلاً من الاعتماد فقط على الكلمات الرئيسية ، وسيعتبر RankBrain أيضًا السياقات البيئية (مثل موقع المستخدم) وسيستنطق المعنى حيث لم يكن هناك أي معنى من قبل . كان هذا تحديثًا مهمًا بشكل خاص للمستخدمين المحمولين .

الآن ، بعد أن فهمنا كيف تستخدم جوجل هذه التكنولوجيا ، دعونا نستخدم النظرية الحاسوبية للتنبؤ ب كيفية القيام بذلك .

ما هو التعلم العميق؟

التعلم العميق هو أكثر أنواع التعلم الآلي شيوعًا – من المستحيل أن لا تستخدم جوجل هذه الخوارزمية .

يتأثر التعلم العميق بشكل كبير بكيفية عمل الدماغ البشري ، ويهتم بمحاكاة سلوك الدماغ في كيفية استخدام التعرف على الأنماط لتحديد وتصنيف الكائنات .

على سبيل المثال ، إذا رأيت الحرف أ ، يتعرف دماغك تلقائيًا على الخطوط والأشكال لتحديد أنه الحرف أ . نفس الشيء ينطبق على الحروف أب ، يتعرف دماغك تلقائيًا على محاولة التنبؤ بالمستقبل عن طريق التفكير في كلمات محتملة مثل تطبيق أو تفاحة . قد تشمل الأنماط الأخرى الأرقام أو لافتات الطرق أو تحديد شخص محب في مطار مزدحم .

يمكنك التفكير في الاتصالات في نظام التعلم العميق على أنها مماثلة لكيفية عمل الدماغ البشري مع اتصال الخلايا العصبية والتشابكات .

التعلم العميق في النهاية هو مصطلح يُطلق على هياكل التعلم الآلي التي تجمع بين العديد من الشبكات العصبية متعددة الطبقات ، بحيث لا يكون هناك طبقة مخفية واحدة فقط ، بل العديد من الطبقات المخفية . كلما كان الشبكة العصبية العميقة أكثر ، زادت الأنماط المعقدة التي يمكن للشبكة تعلمها .

يمكن دمج الشبكات المتوازي完全 مع وظائف التعلم الآلي الأخرى لإنشاء هياكل تعلم عميق مختلفة .

كيف تستخدم جوجل التعلم العميق

تستخدم جوجل عنكبوت الويب لتحديد مواقع الويب عن طريق اتباع الارتباطات الهجينة (فكر في الخلايا العصبية) التي تربط المواقع ببعضها البعض . هذه كانت المنهجية الأصلية التي استخدمتها جوجل منذ اليوم الأول ، ولا تزال قيد الاستخدام . بمجرد تحديد مواقع الويب ، يتم استخدام أنواع مختلفة من الذكاء الاصطناعي لتحليل هذا الكنز من البيانات .

تُصنف نظام جوجل صفحات الويب وفقًا لمقاييس داخلية مختلفة ، مع تدخل بشري أو تدخل ضئيل . مثال على التدخل هو الإزالة اليدوية لعنوان URL معين بسبب طلب إزالة DMCA .

يعرف مهندسو جوجل بتحير الحضور في مؤتمرات تحسين محركات البحث ، وهذا لأن مسؤولي جوجل لا يستطيعون أبدًا التعبير بشكل جيد عن كيفية عمل جوجل . عندما يُطرح سؤال حول سبب فشل بعض المواقع في التصنيف ، يكون الرد دائمًا نفس الرد السيئ المُصاغ جيدًا . الرد متكرر لدرجة أن الحضور غالبًا ما يصرحون مسبقًا بأنهم التزَموا بإنشاء محتوى جيد لمدة أشهر أو حتى سنوات دون أي نتائج إيجابية .

يُطلب من أصحاب المواقع دائمًا التركيز على بناء محتوى قيم . هذا هو المكون المهم ، لكنه بعيد عن أن يكون شاملاً .

هذا النقص في الإجابة يرجع إلى أن المسؤولين غير قادرين على الإجابة على السؤال بشكل صحيح . تعمل خوارزمية جوجل في صندوق أسود . هناك مدخلات ، ثم مخرجات – وهذا هو كيف يعمل التعلم العميق .

دعونا نعود الآن إلى جزاء تصنيف سلبي يؤثر سلبًا على ملايين المواقع غالبًا دون علم صاحب الموقع .

PageSpeed Insights

جوجل ليست شفافة غالبًا ، ولكن PageSpeed Insights هي الاستثناء . المواقع التي تفشل في هذا الاختبار ستُرسل إلى صندوق جزاء لتحميلها ببطء – خاصة إذا كان المستخدمون المحمولون متأثرون .

ما يُشتبه به هو أنه في مرحلة ما من العملية ، هناك شجرة قرار تفرق بين المواقع السريعة والمواقع التي تحمل ببطء (فاشلة في PageSpeed Insights) . شجرة القرار هي أساسًا نهج خوارزمي يفرق بين مجموعة البيانات إلى نقاط بيانات فردية بناءً على معايير مختلفة . قد تكون المعايير هي التأثير السلبي على كيفية تصنيف صفحة لمستخدمي الهاتف المحمول مقابل مستخدمي سطح المكتب .

نظرية ، قد يتم تطبيق جزاء على التصنيف الطبيعي . على سبيل المثال ، قد يكون للموقع الذي سيكون تصنيفه #5 بدون جزاء تصنيف منخفض إلى #25 أو رقم آخر كما يختاره الذكاء الاصطناعي .

في المستقبل ، قد نرى نهاية PageSpeed Insights ، عندما تصبح جوجل أكثر ثقة في الذكاء الاصطناعي . هذا التدخل الحالي على السرعة من قبل جوجل خطير ، لأنه قد يؤدي إلى القضاء على نتائج كانت ستكون مثالية ، ويتحيز ضد الأشخاص أقل مهارة تقنية .

من الطلب الكبير أن يُطلب من كل شخص يدير عملًا صغيرًا أن يكون لديه الخبرة في تشخيص مشاكل الاختبار وتحسينها . قد يكون الحل البسيط هو إطلاق جوجل لمكون إضافي لتحسين السرعة لاستخدمي ووردبريس ، لأن ووردبريس يدير 43% من الإنترنت .

للأسف ، كل جهود تحسين محركات البحث هي عبثية إذا فشلت موقع الويب في اجتياز PageSpeed Insights من جوجل . الرهان ليس أقل من اختفاء موقع الويب من جوجل .

كيفية اجتياز هذا الاختبار هو مقال لاحق ، ولكن على الأقل يجب عليك التحقق من ما إذا كان موقعك الإلكتروني يمر بالاختبار .

معيار تقني مهم آخر يجب القلق بشأنه هو بروتوكول أمان يسمى SSL (طبقة التوصيل الآمنة) . هذا يغير عنوان miền من http إلى https ، ويتأكد من نقل البيانات الآمن . أي موقع ويب لا يحتوي على شهادة SSL سيكون معاقبًا . في حين أن هناك بعض الاستثناءات لهذه القاعدة ، فإن مواقع التجارة الإلكترونية والمالية ستتأثر بشكل أكبر .

مضيفو الويب منخفضة التكلفة ي收يرون رسومًا سنوية لتنفيذ SSL ، بينما يقدم مضيفو الويب الجيدون مثل Siteground شهادات SSL مجانًا وتدمجها تلقائيًا .

بيانات التعريف

عنصر آخر مهم على الموقع هو عنوان التعريف ووصف التعريف . هذه حقول المحتوى لها أهمية كبيرة قد تساهم في نجاح أو فشل صفحة بنفس القدر الذي يساهم به محتوى الصفحة نفسه .

هذا لأن جوجل لديها احتمالية عالية لتحديد عنوان التعريف ووصف التعريف في نتائج البحث . و هذا هو السبب في أن من المهم ملء حقل عنوان التعريف ووصف التعريف بعناية قدر الإمكان .

البديل هو أن جوجل قد تختار تجاهل عنوان التعريف ووصف التعريف وتوليد بيانات تتنبأ بأنها ستؤدي إلى المزيد من النقرات . إذا كان جوجل يعتقد أن وصف التعريف المضمن مُحسّن لتلقي النقرات ، فسيعرضه في نتائج البحث . إذا فشل جوجل في التنبؤ جيدًا بما يجب توليده كعنوان ، فسيساهم هذا في نقرات أقل من قبل المستخدمين وبالتالي سيساهم في خسارة تصنيفات محركات البحث .

بالطبع ، إذا كنت تعتقد أن المحتوى على صفحتك جيد حقًا ، فمن وقت إلى آخر قد يكون من المعقول السماح لجوجل باختيار وصف التعريف المُحسّن الذي يطابق أفضل استفسار المستخدم . سنختار عدم وجود وصف تعريف لهذا المقال لأنه غني بالمحتوى ، وسيختار جوجل وصفًا جيدًا .

في غضون ذلك ، ي点击 مليارات البشر على أفضل نتائج البحث – هذا هو ال人間 في الحلقة ، آلية التغذية الراجعة النهائية لجوجل – وهنا يأتي دور التعلم التعزيزي .

ما هو التعلم التعزيزي؟

التعلم التعزيزي هو تقنية تعلم آلي تتضمن تدريب وكيل الذكاء الاصطناعي من خلال تكرار الإجراءات والمكافآت المرتبطة بها . يتجرب وكيل التعلم التعزيزي في بيئة ، ويأخذ إجراءات ويكافأ عندما يتم اتخاذ الإجراءات الصحيحة . مع مرور الوقت ، يتعلم الوكيل اتخاذ الإجراءات التي ستعظم مكافأته .

يمكن أن تكون المكافأة قائمة على حساب بسيط يحسب مقدار الوقت الذي يقضيه المستخدم على صفحة معينة .

إذا قمت بدمج هذه المنهجية مع روتين فرعي لل人間 في الحلقة ، فسيبدو هذا مشابهًا جدًا لمحركات التوصية الحالية التي تسيطر على جميع جوانب حياتنا الرقمية مثل YouTube و Netflix (NFLX ) و Amazon (AMZN ) Prime – وإذا كان يبدو وكأنه كيف يجب أن يعمل محرك بحث ، فأنت على حق .

كيف تستخدم جوجل التعلم التعزيزي

تتحسن دوامة جوجل مع كل بحث ، حيث يتدرب المستخدمون الذكاء الاصطناعي عن طريق اختيار أفضل نتيجة التي ت回答 استفسارهم بشكل أفضل ، وبالتالي نفس استفسار ملايين مستخدمين آخرين .

يواصل وكيل التعلم التعزيزي تحسين نفسه بشكل مستمر من خلال تعزيز التفاعلات الإيجابية فقط بين البحث والنتائج المُقدمة .

تقييم جوجل لمقدار الوقت الذي يستغرقه المستخدم لتصفح صفحة النتائج ، والعنوان الذي يضغط عليه ، ووقت قضاءه على الموقع الذي زاره ، وسجله للنقر مرة أخرى . ثم يتم تجميع هذه البيانات وتقارنها لكل موقع ويب يقدم تجربة مستخدم أو قيمة مماثلة .

الموقع الذي لديه معدل إقامة منخفض (زمن قضاء على الصفحة) ، يتم تغذيته من قبل نظام التعلم التعزيزي بقيمة سالبة ، ويتجرب مواقع أخرى منافسة لتحسين التصنيفات المُقدمة . جوجل غير متحيزة ، مع افتراض عدم وجود تدخل يدوي ، تقدم جوجل في النهاية صفحة نتائج بحث مرغوبة .

المستخدمون هم ال人間 في الحلقة ، يقدمون لجوجل بيانات مجانية ويتحولون إلى المكون النهائي لنظام التعلم التعزيزي العميق . في المقابل ، تقدم جوجل للمستخدم النهائي فرصة النقر على إعلان .

الإعلانات خارج توليد الإيرادات تعمل كعامل تصنيف ثانوي ، وتطفو أكثر من البيانات حول ما يجعل المستخدم يرغب في النقر .

جوجل تعلم في النهاية ما يريده المستخدم . هذا يمكن مقارنته بمحرك التوصية لخدمة بث فيديو . في هذه الحالة ، سيتابع محرك التوصية للمستخدم المحتوى الذي يتوافق مع اهتماماته . على سبيل المثال ، قد يتمتع المستخدم الذي يشاهد بشكل متكرر سلسلة من الكوميديا الرومانسية بمحاكاة ساخرة إذا كانوا يشاركون نفس الممثلين الكوميديين .

كيف يساعد هذا تحسين محركات البحث؟

إذا استمرنا في التفكير الحسابي ، يمكننا افتراض أن جوجل قد درب نفسها على تقديم أفضل النتائج ، وهذا غالبًا ما يتم تحقيقه عن طريق تعميم وتحقيق تحيزات بشرية . سيكون من المستحيل أن لا يُحسّن جوجل النتائج التي تتوافق مع هذه التحيزات ، إذا فعلت ، فإن النتائج ستكون دون المستوى الأمثل .

بمعنى آخر ، لا يوجد صيغة سحرية ، ولكن هناك بعض أفضل الممارسات .

من مسؤولية ممارس تحسين محركات البحث أن يتعرف على التحيزات التي تسعى جوجل لتحقيقها والتي هي محددة لصناعته – وأن يغذي هذه التحيزات . على سبيل المثال ، شخص يبحث عن نتائج استطلاعات الانتخابات دون تحديد تاريخ ، يبحث على الأرجح عن النتائج الأكثر حداثة – هذا هو تحيز الحداثة . شخص يبحث عن وصفة ، قد لا يحتاج إلى الصفحة الأكثر حداثة ، وربما يفضل وصفة قد استمرت لسنوات .

من مسؤولية ممارس تحسين محركات البحث تقديم الزوار بما يبحثون عنه . هذا هو الطريقة الأكثر استدامة لتصنيف جوجل .

يجب على أصحاب المواقع التخلي عن استهداف كلمة رئيسية معتقدين أنهم يمكن أن يقدموا للمستخدم النهائي ما يريد . يجب أن يتوافق نتيجة البحث بدقة مع حاجة المستخدم .

ما هو التحيز؟ قد يكون هذا هو اسم النطاق الذي يبدو ذا سلطة عالية ، بمعنى آخر ، هل يتطابق اسم النطاق مع السوق التي تخدمها؟ قد يمنع اسم النطاق الذي يحتوي على كلمة “الهند” المستخدمين في الولايات المتحدة من النقر على عنوان URL بسبب تحيز وطني لثقة النتائج التي تنشأ من بلد المستخدم . قد يمنح اسم النطاق ذو الكلمة الواحدة وهم السلطة .

أهم تحيز هو ما يريده المستخدم ليتوافق مع استفساره . هل هو سؤال وأجابة ، أو قائمة أفضل 10 ، أو مدونة ، أو مقابلة ، أو شرح؟ يجب أن تتم الإجابة على هذا السؤال ، والجواب سهل العثور عليه . تحتاج فقط إلى تحليل المنافسة عن طريق إجراء بحث في سوقك المستهدف .

تحسين محركات البحث الأسود ميت

قارن هذا بتحسين محركات البحث الأسود ، وهو طريقة عدوانية لتصنيف المواقع التي تستغل تقنيات البريد العشوائي الخبيثة ، بما في ذلك شراء الارتباطات الخلفية ، وتزوير الارتباطات الخلفية ، واختراق المواقع ، وتوليد علامات كتاب sociales على نطاق واسع ، وطريقة أخرى من الطرق المظلمة التي يتم تطبيقها عبر شبكة من أدوات تحسين محركات البحث السوداء .

أدوات غالبًا ما يتم إعادة توجيهها وبيعها في منتديات تسويق محركات البحث ، منتجات لها قيمة ضئيلة وفرص نجاح قليلة . في هذه اللحظة ، تمكن البائعون من تحقيق الثروة بينما يقدمون قيمة ضئيلة للمستخدم النهائي .

هذا هو السبب الذي أدى بي إلى التوصية بتخلي عن تحسين محركات البحث الأسود . ركز تحسين محركات البحث الخاص بك على النظر إليه من خلال عدسة التعلم الآلي . من المهم أن تفهم أن كل مرة يتخطى فيها شخص ما نتيجة بحث للنقر على نتيجة مدفونة تحتها ، فإن النسان في الحلقة يتعاون مع نظام التعلم التعزيزي العميق . النسان يساعد الذكاء الاصطناعي على التحسين الذاتي ، ويصبح أفضل مع مرور الوقت .

هذا نظام تعلم آلي تم تدريبه من قبل أكثر المستخدمين في تاريخ البشرية .

تتعامل جوجل مع 3.8 مليون بحث في الدقيقة في المتوسط عبر العالم . هذا يعادل 228 مليون بحث في الساعة ، 5.6 مليار بحث في اليوم . هذا الكثير من البيانات ، وهذا هو السبب في أن محاولة تحسين محركات البحث الأسود أمر