Seo

Beispiele für maschinelles Lernen in der realen Welt (und für SEO) (festlicher Rückblick)

Feiern Sie die Feiertage mit einigen der besten SEJ-Artikel des Jahres 2023.

Unsere festliche Flashback-Reihe läuft vom 21. Dezember bis 5. Januar und bietet tägliche Lektüren zu wichtigen Ereignissen, Grundlagen, umsetzbaren Strategien und Meinungen von Vordenkern.

Das Jahr 2023 war in der SEO-Branche ziemlich ereignisreich und unsere Mitwirkenden haben einige herausragende Artikel verfasst, um Schritt zu halten und diese Veränderungen widerzuspiegeln.

Informieren Sie sich über die besten Lektüre des Jahres 2023, damit Sie auf dem Weg ins Jahr 2024 viel zum Nachdenken haben.


Als SEO-Profi haben Sie von ChatGPT und BARD gehört – oder sie sogar selbst genutzt.

Möglicherweise kennen Sie auch einige Modelle für maschinelles Lernen von Google, beispielsweise BERT und RankBrain.

Dies sind alles großartige Anwendungen des maschinellen Lernens.

Es ist jedoch nicht immer sofort ersichtlich, wie nützlich maschinelles Lernen für Ihre BAU-Aufgaben (Business as Usual) oder Ihre täglichen SEO-Aufgaben sein kann.

Wenn es darum geht, maschinelles Lernen in Ihrer Arbeit einzusetzen, stellt sich auch die Frage der Ethik, etwa des Datenschutzes und der Fairness.

Allerdings kann es für Sie als SEO-Profi nur von Vorteil sein, zu verstehen, wie maschinelles Lernen in der Suche (und im wirklichen Leben) funktioniert – egal, ob Sie technisch versiert sind oder nicht.

In diesem umfassenden Artikel lernen Sie die Arten des maschinellen Lernens und die Ethik kennen, die mit der Technologie verbunden sind, und lassen sich anschließend von sieben Beispielen maschinellen Lernens inspirieren, die einen großen Einfluss auf unsere Welt hatten.

Als zusätzlichen Bonus sehen Sie sich am Ende dieses Artikels acht Beispiele für maschinelles Lernen an, die direkt auf SEO angewendet werden.

Was ist maschinelles Lernen?

Maschinelles Lernen ist eine Teilmenge der künstlichen Intelligenz (KI), die es Systemen ermöglicht, zu lernen und sich zu verbessern, ohne dass sie explizit programmiert werden müssen. Dies wird durch die Verwendung großer Datensätze erreicht, die die Parameter im Modell trainieren.

Die vielleicht bekanntesten Beispiele für maschinelles Lernen sind derzeit ChatGPT und BARD – und obwohl dieser Beitrag sich nicht auf sie konzentriert, habe ich beschlossen, sie beide zu bitten, mir zu erklären, was maschinelles Lernen ist. Hier sind ihre Antworten:

ChatGPT

„Maschinelles Lernen ist eine Art künstlicher Intelligenz, die es Softwareanwendungen ermöglicht, aus den Daten zu lernen und Ergebnisse ohne explizite Programmierung genauer vorherzusagen. Mit anderen Worten handelt es sich um eine Methode, Computern beizubringen, aus den ihnen gegebenen Daten zu lernen und dann auf der Grundlage dieses Lernens Entscheidungen oder Vorhersagen zu treffen.

Das Ziel des maschinellen Lernens besteht darin, Algorithmen zu entwickeln, die Muster in Daten lernen und diese Muster dann verwenden können, um Entscheidungen oder Vorhersagen über neue Daten zu treffen. Dies geschieht, indem der Algorithmus für maschinelles Lernen anhand eines Datensatzes bekannter Ein- und Ausgaben trainiert und dieses Wissen dann verwendet wird, um Vorhersagen zu neuen, unsichtbaren Daten zu treffen.

Zu den gängigen Anwendungen des maschinellen Lernens gehören Bilderkennung, Verarbeitung natürlicher Sprache, Betrugserkennung und Empfehlungssysteme.“

” alt=”ChatGPT-Definition von maschinellem Lernen” width=”1222″ height=”346″ srcset=”” src=”https://behmaster.com/wp-content/uploads/2023/12/localimages/screenshot-2023-04-03-at-20.17.57-642b26804342e-sej.png” class=” b-lazy pcimg”>Screenshot von ChatGPT, April 2023

BARDE

„Maschinelles Lernen ist das Studium von Computeralgorithmen, die sich durch Erfahrung und die Nutzung von Daten automatisch verbessern. Es wird als Teilmenge der künstlichen Intelligenz angesehen. Algorithmen für maschinelles Lernen erstellen ein Modell auf der Grundlage von Beispieldaten, sogenannten Trainingsdaten, um Vorhersagen oder Entscheidungen zu treffen, ohne explizit dafür programmiert zu werden.

Maschinelles Lernen kann für eine Vielzahl von Aufgaben eingesetzt werden, darunter:

  • Klassifizierung: Sortieren von Daten in Kategorien. Beispielsweise könnte ein Spamfilter E-Mails als Spam oder Nicht-Spam klassifizieren.
  • Regression: Vorhersage eines kontinuierlichen Werts. Beispielsweise könnte eine Wettervorhersage die Temperatur für morgen vorhersagen.
  • Clustering: Gruppieren von Datenpunkten basierend auf ihrer Ähnlichkeit. Beispielsweise könnte ein Empfehlungssystem Benutzer auf der Grundlage ihrer vergangenen Käufe gruppieren.
  • Anomalieerkennung: Identifizieren ungewöhnlicher Datenpunkte. Beispielsweise könnte ein Betrugserkennungssystem Transaktionen identifizieren, die wahrscheinlich betrügerisch sind.

Maschinelles Lernen ist ein leistungsstarkes Werkzeug, mit dem sich eine Vielzahl von Problemen lösen lassen. Es ist jedoch wichtig zu beachten, dass Algorithmen für maschinelles Lernen nur so gut sind wie die Daten, auf denen sie trainiert werden. Wenn die Daten verzerrt sind, ist auch der Algorithmus verzerrt. Darüber hinaus können Algorithmen für maschinelles Lernen anfällig für eine Überanpassung sein, d. h. wenn der Algorithmus die Trainingsdaten zu gut lernt und sich nicht gut auf neue Daten verallgemeinern lässt.

Trotz dieser Herausforderungen ist maschinelles Lernen ein schnell wachsendes Feld mit einem breiten Anwendungsspektrum. Da die Menge der uns zur Verfügung stehenden Daten immer weiter wächst, wird maschinelles Lernen in Zukunft wahrscheinlich eine noch größere Rolle in unserem Leben spielen.“

” alt=”BARD-Definition von maschinellem Lernen” width=”1214″ height=”240″ srcset=”” src=”https://behmaster.com/wp-content/uploads/2023/12/localimages/screenshot-2023-04-03-at-20.18.08-642b26a1285f3-sej.png” class=” b-lazy pcimg”>Screenshot von BARD, April 2023

Überwachtes Lernen

Wie der Name schon sagt, lernt das Modell beim überwachten Lernen unter Aufsicht. Es wird mit gekennzeichneten Daten trainiert und die Ausgabe wird manuell überprüft.

Die Maschine lernt aus den gekennzeichneten Daten, die dann für zukünftige Vorhersagen verwendet werden.

Sobald die Ausgabe empfangen wurde, merkt sich das Modell sie und verwendet sie für den nächsten Vorgang.

” alt=”Überwachtes Lernen visuell” width=”1230″ height=”730″ srcset=”” src=”https://behmaster.com/wp-content/uploads/2023/12/localimages/screenshot-2023-03-25-at-19.36.03-642b14752883e-sej.png” class=” b-lazy pcimg”>Bild vom Autor, April 2023
” alt=”Überwachtes prädiktives Lernen visuell” width=”1236″ height=”774″ srcset=”” src=”https://behmaster.com/wp-content/uploads/2023/12/localimages/screenshot-2023-03-25-at-19.36.23-642b148019bf8-sej.png” class=” b-lazy pcimg”>Bild vom Autor, April 2023

Es gibt zwei Haupttypen des überwachten Lernens: Klassifizierung und Regression.

Einstufung

Bei der Klassifizierung handelt es sich um eine kategoriale Ausgabevariable mit zwei oder mehr Klassen, die das Modell identifizieren kann. zum Beispiel wahr oder falsch und Hund oder Katze.

Beispiele hierfür sind die Vorhersage, ob es sich bei E-Mails wahrscheinlich um Spam handelt oder ob es sich bei einem Bild um einen Hund oder eine Katze handelt.

In beiden Beispielen wird das Modell anhand von Daten trainiert, die entweder als Spam oder nicht als Spam klassifiziert sind, und anhand der Frage, ob ein Bild einen Hund oder eine Katze enthält.

Rückschritt

Dies ist der Fall, wenn die Ausgabevariable ein reeller oder kontinuierlicher Wert ist und eine Beziehung zwischen den Variablen besteht. Im Wesentlichen ist eine Änderung einer Variablen mit einer Änderung der anderen Variablen verbunden.

Das Modell lernt dann die Beziehung zwischen ihnen und sagt abhängig von den bereitgestellten Daten das Ergebnis voraus.

Zum Beispiel die Vorhersage der Luftfeuchtigkeit auf der Grundlage eines bestimmten Temperaturwerts oder des wahrscheinlichen Aktienkurses zu einem bestimmten Zeitpunkt.

Unbeaufsichtigtes Lernen

Beim unüberwachten Lernen verwendet das Modell unbeschriftete Daten und lernt selbstständig, ohne jegliche Aufsicht. Im Gegensatz zum überwachten Lernen verarbeitet das Modell im Wesentlichen die Eingabedaten ohne jegliche Anleitung.

Es erfordert keine gekennzeichneten Daten, da seine Aufgabe darin besteht, in den Eingabedaten nach versteckten Mustern oder Strukturen zu suchen und diese dann nach etwaigen Ähnlichkeiten und Unterschieden zu organisieren.

Wenn einem Modell beispielsweise Bilder von Hunden und Katzen gegeben werden, ist es noch nicht darauf trainiert, die Merkmale zu kennen, die beide unterscheiden. Dennoch können sie anhand von Mustern von Ähnlichkeiten und Unterschieden kategorisiert werden.

” alt=”Unüberwachtes Lernen visuell” width=”1304″ height=”798″ srcset=”” src=”https://behmaster.com/wp-content/uploads/2023/12/localimages/screenshot-2023-03-25-at-19.36.43-642b148c04fce-sej.png” class=” b-lazy pcimg”>Bild vom Autor, April 2023

Es gibt auch zwei Haupttypen des unbeaufsichtigten Lernens: Clustering und Assoziation.

Clustering

Beim Clustering handelt es sich um die Methode, Objekte in Cluster zu sortieren, die einander ähnlich sind und zu einem Cluster gehören, im Gegensatz zu Objekten, die einem bestimmten Cluster unähnlich sind und daher zu einem anderen Cluster gehören.

Beispiele hierfür sind Empfehlungssysteme und Bildklassifizierung.

Verband

Die Assoziation basiert auf Regeln und wird verwendet, um die Wahrscheinlichkeit des gleichzeitigen Auftretens von Elementen innerhalb einer Wertesammlung zu ermitteln.

Beispiele hierfür sind Betrugserkennung, Kundensegmentierung und die Ermittlung von Kaufgewohnheiten.

Halbüberwachtes Lernen

Halbüberwachtes Lernen verbindet überwachtes und unbeaufsichtigtes Lernen, indem zum Trainieren des Modells ein kleiner Abschnitt gekennzeichneter Daten zusammen mit unbeschrifteten Daten verwendet wird. Es eignet sich daher für verschiedene Probleme, von der Klassifizierung und Regression bis hin zur Clusterbildung und Assoziation.

Halbüberwachtes Lernen kann verwendet werden, wenn eine große Menge unbeschrifteter Daten vorhanden ist, da nur ein kleiner Teil der Daten beschriftet werden muss, um das Modell zu trainieren, das dann auf die verbleibenden unbeschrifteten Daten angewendet werden kann.

Google hat halbüberwachtes Lernen eingesetzt, um die in einer Suche verwendete Sprache besser zu verstehen und sicherzustellen, dass für eine bestimmte Suchanfrage die relevantesten Inhalte bereitgestellt werden.

Verstärkungslernen

Beim verstärkenden Lernen wird ein Modell darauf trainiert, die optimale Lösung für ein Problem durch einen sequenziellen Ansatz zur Entscheidungsfindung zu finden.

Es verwendet Versuch und Irrtum aus seinen eigenen Erfahrungen, um das Ergebnis zu definieren, mit Belohnungen für positives Verhalten und negativer Verstärkung, wenn es nicht auf das Ziel hinarbeitet.

Das Modell interagiert mit der eingerichteten Umgebung und erarbeitet Lösungen ohne menschliches Eingreifen.

Dann wird menschliches Eingreifen eingeführt, um entweder positive oder negative Verstärkung zu liefern, je nachdem, wie nah das Ergebnis am Ziel ist.

Beispiele hierfür sind Robotik – denken Sie an Roboter, die in einem Fabrik-Fließband arbeiten – und Spiele, wobei AlphaGo das bekannteste Beispiel ist. Hier wurde das Modell darauf trainiert, den AlphaGo-Champion zu schlagen, indem es Verstärkungslernen nutzte, um den besten Ansatz zum Gewinnen des Spiels zu definieren.

Ethik des maschinellen Lernens

Es besteht kein Zweifel daran, dass maschinelles Lernen viele Vorteile hat, und die Verwendung von Modellen für maschinelles Lernen nimmt ständig zu.

Es ist jedoch wichtig, die ethischen Bedenken zu berücksichtigen, die mit der Nutzung dieser Art von Technologie verbunden sind. Zu diesen Bedenken gehören:

  • Die Genauigkeit eines maschinellen Lernmodells und ob es die richtige Ausgabe generiert.
  • Verzerrung in den Daten, die zum Trainieren von Modellen verwendet werden, was zu einer Verzerrung im Modell selbst und damit zu einer Verzerrung im Ergebnis führt. Wenn die Daten eine historische Verzerrung aufweisen, wird diese Verzerrung oft überall wiederholt.
  • Die Fairness der Ergebnisse und des Gesamtprozesses.
  • Datenschutz – insbesondere bei Daten, die zum Trainieren von Modellen für maschinelles Lernen verwendet werden – sowie die Genauigkeit der Ergebnisse und Vorhersagen.

7 Beispiele für maschinelles Lernen in der realen Welt

1. Netflix

Netflix nutzt maschinelles Lernen auf verschiedene Weise, um seinen Benutzern das beste Erlebnis zu bieten.

Das Unternehmen sammelt außerdem kontinuierlich große Datenmengen, darunter Bewertungen, den Standort der Nutzer, die Zeitspanne, in der etwas angeschaut wird, ob Inhalte zu einer Liste hinzugefügt werden und sogar, ob etwas Binge-Watched war.

Diese Daten werden dann verwendet, um die Modelle für maschinelles Lernen weiter zu verbessern.

Inhaltsempfehlungen

TV- und Filmempfehlungen auf Netflix werden individuell an die Vorlieben jedes einzelnen Nutzers angepasst. Zu diesem Zweck hat Netflix ein Empfehlungssystem eingeführt, das zuvor konsumierte Inhalte, die am häufigsten angesehenen Genres der Nutzer und Inhalte berücksichtigt, die von Nutzern mit ähnlichen Vorlieben angesehen wurden.

Automatisch generierte Miniaturansichten

Netflix hat herausgefunden, dass die auf dem Suchbildschirm verwendeten Bilder einen großen Einfluss darauf haben, ob Benutzer etwas ansehen oder nicht.

Daher nutzt es maschinelles Lernen, um unterschiedliche Bilder entsprechend den individuellen Vorlieben eines Benutzers zu erstellen und anzuzeigen. Dies geschieht durch die Analyse der bisherigen Inhaltsauswahl eines Benutzers und das Erlernen der Art von Bild, die ihn eher zum Klicken anregt.

Dies sind nur zwei Beispiele dafür, wie Netflix maschinelles Lernen auf seiner Plattform einsetzt. Wenn Sie mehr über die Verwendung erfahren möchten, können Sie sich den Forschungsbereichs-Blog des Unternehmens ansehen.

2. Airbnb

Mit Millionen von Inseraten an Standorten auf der ganzen Welt zu unterschiedlichen Preisen nutzt Airbnb maschinelles Lernen, um sicherzustellen, dass Benutzer schnell finden, was sie suchen, und um die Conversions zu verbessern.

Es gibt eine Reihe von Möglichkeiten, wie das Unternehmen maschinelles Lernen einsetzt, und es teilt viele Details in seinem Engineering-Blog mit.

Bildklassifizierung

Da Gastgeber Bilder für ihre Unterkünfte hochladen können, stellte Airbnb fest, dass viele Bilder falsch beschriftet waren. Um das Benutzererlebnis zu optimieren, wurde ein Bildklassifizierungsmodell eingesetzt, das Computer Vision und Deep Learning nutzte.

Ziel des Projekts war die Kategorisierung Fotos basierend auf verschiedenen Räumen. Dadurch konnte Airbnb die Bilder der Einträge nach Zimmertyp gruppiert anzeigen und sicherstellen, dass der Eintrag den Richtlinien von Airbnb entspricht.

Zu diesem Zweck wurde das Bildklassifizierungs-Neuronale Netzwerk ResNet50 mit einer kleinen Anzahl beschrifteter Fotos neu trainiert. Dadurch war es möglich, aktuelle und zukünftige auf die Website hochgeladene Bilder genau zu klassifizieren.

Suchranking

Um den Nutzern ein personalisiertes Erlebnis zu bieten, hat Airbnb ein Ranking-Modell eingeführt, das die Suche und Entdeckung optimiert. Die Daten für dieses Modell stammen aus Kennzahlen zum Nutzerengagement wie Klicks und Buchungen.

Die Einträge wurden zunächst nach dem Zufallsprinzip geordnet, anschließend wurden verschiedene Faktoren innerhalb des Modells gewichtet – darunter Preis, Qualität und Beliebtheit bei den Nutzern. Je mehr Gewicht ein Eintrag hatte, desto weiter oben wurde er in den Einträgen angezeigt.

Dies wurde seitdem weiter optimiert, wobei auch Trainingsdaten wie die Anzahl der Gäste, der Preis und die Verfügbarkeit in das Modell einbezogen wurden, um Muster und Vorlieben zu erkennen und ein personalisierteres Erlebnis zu schaffen.

3. Spotify

Spotify nutzt außerdem mehrere Modelle des maschinellen Lernens, um die Art und Weise, wie Audioinhalte entdeckt und konsumiert werden, weiter zu revolutionieren.

Empfehlungen

Spotify verwendet einen Empfehlungsalgorithmus, der die Präferenz eines Benutzers basierend auf einer Sammlung von Daten anderer Benutzer vorhersagt. Dies ist auf zahlreiche Ähnlichkeiten zwischen den Musikarten zurückzuführen, die Gruppen von Menschen hören.

Playlists sind eine Möglichkeit, dies zu erreichen, indem mithilfe statistischer Methoden personalisierte Playlists für Benutzer erstellt werden, z. B. Discover Weekly und tägliche Mixe.

Mithilfe weiterer Daten kann es diese dann je nach Nutzerverhalten anpassen.

Da auch persönliche Playlists in Millionenhöhe erstellt werden, verfügt Spotify über eine riesige Datenbank, mit der man arbeiten kann – insbesondere wenn Songs gruppiert und mit semantischer Bedeutung gekennzeichnet sind.

Dies ermöglichte es dem Unternehmen, Nutzern mit ähnlichem Musikgeschmack Songs zu empfehlen. Das maschinelle Lernmodell kann Songs für Benutzer mit einer ähnlichen Hörhistorie bereitstellen, um die Entdeckung von Musik zu erleichtern.

Natürliche Sprache

Mit dem Natural Processing Language (NLP)-Algorithmus, der es Computern ermöglicht, Texte besser als je zuvor zu verstehen, ist Spotify in der Lage, Musik basierend auf der Sprache zu kategorisieren, in der sie beschrieben wird.

Es kann das Internet nach Text zu einem bestimmten Lied durchsuchen und dann NLP verwenden, um Lieder basierend auf diesem Kontext zu kategorisieren.

Dies hilft Algorithmen auch dabei, Songs oder Künstler zu identifizieren, die zu ähnlichen Playlists gehören, was das Empfehlungssystem weiter unterstützt.

4. Fake News erkennen

Während KI-Tools wie die Generierung von Inhalten durch maschinelles Lernen eine Quelle für die Erstellung gefälschter Nachrichten sein können, können Modelle des maschinellen Lernens, die die Verarbeitung natürlicher Sprache nutzen, auch verwendet werden, um Artikel zu bewerten und festzustellen, ob sie falsche Informationen enthalten.

Soziale Netzwerkplattformen nutzen maschinelles Lernen, um Wörter und Muster in geteilten Inhalten zu finden, die darauf hindeuten könnten, dass Fake News geteilt werden, und sie entsprechend zu kennzeichnen.

5. Gesundheitserkennung

Es gibt ein Beispiel für ein neuronales Netzwerk, das anhand von über 100.000 Bildern trainiert wurde, um gefährliche Hautläsionen von gutartigen zu unterscheiden. Im Vergleich mit menschlichen Dermatologen konnte das Modell anhand der bereitgestellten Bilder 95 % der Hautkrebsfälle genau erkennen, verglichen mit 86,6 % bei den Dermatologen.

Da das Modell weniger Melanome übersah, wurde eine höhere Empfindlichkeit festgestellt und es wurde während des gesamten Prozesses kontinuierlich trainiert.

Es besteht die Hoffnung, dass maschinelles Lernen und KI zusammen mit der menschlichen Intelligenz ein nützliches Werkzeug für eine schnellere Diagnose werden könnten.

Zu den weiteren Einsatzmöglichkeiten der Bilderkennung im Gesundheitswesen gehören die Identifizierung von Anomalien in Röntgenbildern oder Scans und die Identifizierung wichtiger Markierungen, die auf eine zugrunde liegende Krankheit hinweisen können.

6. Wildtiersicherheit

Protection Assistant for Wildlife Security ist ein KI-System, das Informationen über Wildereiaktivitäten auswertet, um eine Patrouillenroute für Naturschützer zu erstellen und Wildereiangriffe zu verhindern.

Das System wird kontinuierlich mit weiteren Daten versorgt, etwa Standorten von Fallen und Sichtungen von Tieren, wodurch es intelligenter wird.

Die prädiktive Analyse ermöglicht es Patrouilleneinheiten, Gebiete zu identifizieren, die wahrscheinlich von Wilderern besucht werden.

8 Beispiele für maschinelles Lernen in SEO

1. Inhaltsqualität

Modelle für maschinelles Lernen können trainiert werden, um die Qualität von Website-Inhalten zu verbessern, indem vorhergesagt wird, was sowohl Benutzer als auch Suchmaschinen am liebsten sehen würden.

Das Modell kann auf die wichtigsten Erkenntnisse trainiert werden, darunter Suchvolumen und Traffic, Conversion-Rate, interne Links und Wortanzahl.

Anschließend kann für jede Seite ein Inhaltsqualitätswert generiert werden, der Aufschluss darüber gibt, wo Optimierungen vorgenommen werden müssen, und der insbesondere für Inhaltsprüfungen nützlich sein kann.

2. Verarbeitung natürlicher Sprache

Natural Language Processing (NLP) nutzt maschinelles Lernen, um die Struktur und Bedeutung von Texten aufzudecken. Es analysiert Text, um die Stimmung zu verstehen und wichtige Informationen zu extrahieren.

NLP konzentriert sich auf das Verstehen von Kontexten und nicht nur auf Wörter. Es geht mehr um den Inhalt rund um Schlüsselwörter und wie diese zu Sätzen und Absätzen zusammenpassen, als um Schlüsselwörter allein.

Auch das Gesamtsentiment wird berücksichtigt, da es sich auf das Gefühl hinter der Suchanfrage bezieht. Anhand der bei der Suche verwendeten Wortarten lässt sich feststellen, ob eine positive, negative oder neutrale Stimmung vorliegt.

Die wichtigsten Bereiche für NLP sind:

  • Juristische Person – Wörter, die greifbare Objekte wie Menschen, Orte und Dinge darstellen, die identifiziert und bewertet werden.
  • Kategorien – Text in Kategorien unterteilt.
  • Salienz – Wie relevant die Entität ist.

Google bietet eine kostenlose NLP-API-Demo an, mit der analysiert werden kann, wie Text von Google gesehen und verstanden wird. Dadurch können Sie inhaltliche Verbesserungen erkennen.

Empfehlungen in der Welt des NLP

  • NLP wird auch verwendet, um Ankertexte zu überprüfen und zu verstehen, die zum Verlinken von Seiten verwendet werden. Daher ist es wichtiger denn je, sicherzustellen, dass der Ankertext relevant und informativ ist.
  • Stellen Sie sicher, dass jede Seite einen natürlichen Ablauf hat und Überschriften für Hierarchie und Lesbarkeit sorgen.
  • Beantworten Sie die Frage, die der Artikel stellt, so schnell wie möglich. Stellen Sie sicher, dass Benutzer und Suchmaschinen wichtige Informationen ohne großen Aufwand finden können.
  • Stellen Sie sicher, dass Sie die richtige Rechtschreibung und Zeichensetzung verwenden Wird verwendet, um Autorität und Vertrauenswürdigkeit zu zeigen.

3. Googles Modelle

KI und maschinelles Lernen werden in den zahlreichen Produkten und Diensten von Google eingesetzt. Die beliebteste Verwendung im Suchkontext besteht darin, die Sprache und die Absicht hinter Suchanfragen zu verstehen.

Es ist interessant zu sehen, wie sich die Suche aufgrund von Fortschritten in der verwendeten Technologie dank maschineller Lernmodelle und Algorithmen entwickelt hat.

Bisher suchten die Suchsysteme nur nach passenden Wörtern und berücksichtigten dabei nicht einmal Rechtschreibfehler. Schließlich wurden Algorithmen entwickelt, um Muster zu finden, die Rechtschreibfehler und potenzielle Tippfehler erkennen konnten.

In den letzten Jahren wurden mehrere Systeme eingeführt, nachdem Google 2016 seine Absicht bestätigt hatte, ein auf maschinelles Lernen ausgerichtetes Unternehmen zu werden.

RankBrain

Das erste davon war RankBrain, das 2015 eingeführt wurde und Google dabei hilft, zu verstehen, wie unterschiedliche Wörter mit unterschiedlichen Konzepten zusammenhängen.

Dies ermöglicht es Google, eine umfassende Anfrage zu beantworten und ihren Bezug zu realen Konzepten besser zu definieren.

Die Systeme von Google lernen, indem sie Wörter sehen, die in einer Suchanfrage auf der Seite verwendet werden, und können diese dann nutzen, um Begriffe zu verstehen und sie mit verwandten Konzepten abzugleichen, um zu verstehen, wonach ein Nutzer sucht.

Neuronales Matching

Neural Matching wurde 2018 eingeführt und 2019 in die lokale Suche eingeführt.

Dies hilft Google zu verstehen, wie sich Suchanfragen auf Seiten beziehen, indem es den Inhalt einer Seite oder einer Suchanfrage betrachtet und ihn im Kontext des Seiteninhalts oder der Suchanfrage versteht.

Die meisten heute durchgeführten Abfragen nutzen neuronales Matching und es wird in Rankings verwendet.

BERT

BERT, das für „Bidirektionale Encoder-Repräsentationen von Transformers“ steht, wurde 2019 eingeführt und ist eines der wirkungsvollsten Systeme, die Google bisher eingeführt hat.

Mit diesem System kann Google verstehen, wie Wortkombinationen unterschiedliche Bedeutungen und Absichten ausdrücken, indem es die gesamte Wortfolge auf einer Seite überprüft.

BERT wird mittlerweile in den meisten Suchanfragen verwendet, da es Google hilft, zu verstehen, wonach ein Nutzer sucht, um die besten Ergebnisse im Zusammenhang mit der Suche anzuzeigen.

MAMA

MUM, was Multitask Unified Model bedeutet, wurde 2021 eingeführt und wird verwendet, um Sprachen und Variationen in Suchbegriffen zu verstehen.

LaMBDA

Language Models for Dialog Application, kurz LaMDA, ist das neueste Modell und wird verwendet, um Google flüssige und natürliche Konversationen zu ermöglichen.

Dabei werden die neuesten Fortschritte genutzt, um Muster in Sätzen und Korrelationen zwischen verschiedenen Wörtern zu finden, um differenzierte Fragen zu verstehen – und sogar vorherzusagen, welche Wörter wahrscheinlich als nächstes kommen.

4. Prädiktives Vorabrufen

Durch die Kombination historischer Website-Daten zum Benutzerverhalten mit den Funktionen des maschinellen Lernens können einige Tools erraten, zu welcher Seite ein Benutzer wahrscheinlich als nächstes navigieren wird, und mit dem Vorabrufen der erforderlichen Ressourcen zum Laden der Seite beginnen.

Dies wird als prädiktives Prefetching bezeichnet und kann die Leistung der Website verbessern.

Predictive Prefetching kann auch auf andere Szenarien angewendet werden, z. B. auf die Vorhersage von Inhalten oder Widgets, die Benutzer am wahrscheinlichsten sehen oder mit denen sie interagieren, und auf die Personalisierung des Erlebnisses basierend auf diesen Informationen.

5. Testen

Die Durchführung von SEO-A/B-Tests ist eine der effektivsten Methoden, um die SEO-Auswirkungen von Änderungen zu ermitteln, und die Möglichkeit, statistisch signifikante Ergebnisse zu generieren, ist durch den Einsatz von Algorithmen für maschinelles Lernen und neuronalen Netzen möglich.

SearchPilot ist ein Beispiel für SEO-A/B-Tests, die auf maschinellem Lernen und neuronalen Netzwerkmodellen basieren.

Ausgehend von einem Bucketing-Algorithmus, der statistisch ähnliche Buckets mit Kontroll- und Variantenseiten zur Durchführung von Tests erstellt, prognostiziert ein neuronales Netzwerkmodell dann den erwarteten Datenverkehr zu den Seiten, auf denen der Test ausgeführt wird.

Das neuronale Netzwerkmodell, das darauf trainiert ist, alle externen Einflüsse wie Saisonalität, Konkurrenzaktivität und Algorithmusaktualisierungen zu berücksichtigen, analysiert auch den organischen Suchverkehr zu den Variantenseiten und ermittelt, wie sie während des Tests im Vergleich zur Kontrollgruppe abschneiden .

Dadurch können Benutzer auch berechnen, ob ein Unterschied im Datenverkehr statistisch signifikant ist.

(Haftungsausschluss: Ich arbeite für SearchPilot.)

6. Interne Verlinkung

Maschinelles Lernen kann bei der internen Verlinkung auf zwei Arten helfen:

  • Defekte Links werden aktualisiert: Durch maschinelles Lernen kann Ihre Website gecrawlt werden, um defekte interne Links zu erkennen und diese dann durch einen Link zur besten Alternativseite zu ersetzen.
  • Schlagen Sie relevante interne Links vor: Diese Tools können Big Data nutzen, um während des Artikelerstellungsprozesses und im Laufe der Zeit relevante interne Links vorzuschlagen.

Die andere interne Verlinkungsaufgabe ist ein internes Link-Audit. Dazu gehört die Analyse der Anzahl interner Links zu einer Seite, der Platzierung der Links zusammen mit dem Ankertext und der gesamten Crawling-Tiefe der Seite.

Eine Ankertextklassifizierung kann auch durchgeführt werden, um die Phrasen zu identifizieren, die am häufigsten in Alternativtexten verwendet werden, und sie basierend auf Themen und der Frage, ob es sich um markenbezogene oder nicht markenbezogene Begriffe handelt, zu kategorisieren.

7. Bildunterschrift für Alt-Text

Als SEO-Profis wissen wir, wie wichtig Bild-Alternativtexte sind. Sie verbessern die Zugänglichkeit für Nutzer von Screenreadern und helfen gleichzeitig Suchmaschinen-Crawlern, den Inhalt der Seite, auf der sie platziert sind, zu verstehen.

Sprachvisionsmodelle können verwendet werden, um Bilder automatisch zu beschriften und so Inhalte bereitzustellen, die als Alternativtext verwendet werden können. Bildunterschriften werden verwendet, um in einem einzigen Satz zu beschreiben, was in einem Bild gezeigt wird.

Für die Bildunterschrift werden zwei Modelle verwendet, die beide genauso wichtig sind wie das o dort. Das bildbasierte Modell beginnt mit der Extraktion von Merkmalen aus dem Bild, während das sprachbasierte Modell diese Merkmale in einen logischen Satz übersetzt.

Ein Beispiel für Bildunterschriften in der realen Welt ist das Pythia Deep Learning Framework.

8. Andere SEO-Aufgaben

Andere lesenswerte Artikel konzentrieren sich auf die Verwendung von Deep Learning zur Automatisierung der Titel-Tag-Optimierung und Absichtsklassifizierung mithilfe von Deep Learning.

Wenn Sie daran interessiert sind, wie maschinelles Lernen bei täglichen SEO-Aufgaben eingesetzt werden kann, ist dieser Artikel von Lazarina Stoy ein Muss – und wenn Sie mit einigen superinteressanten Skripten herumspielen möchten, diese Sammlung von Colab-Notizbüchern von Britney Muller ist der perfekte Ausgangspunkt.

Abschließend

Maschinelles Lernen ist nicht nur auf ChatGPT und BARD beschränkt.

Es gibt viele praktische Anwendungen für maschinelles Lernen, sowohl in der realen Welt als auch speziell in der Welt der SEO – und das ist wahrscheinlich nur der Anfang.

Und obwohl es wichtig sein wird, sich der ethischen Fragen im Zusammenhang mit maschinellem Lernen bewusst zu bleiben, hat es spannende Auswirkungen auf die Zukunft von SEO.

Mehr Ressourcen:

  • Eine Einführung in Python und maschinelles Lernen für technisches SEO
  • Wie maschinelles Lernen SEO verändert und wie man sich daran anpasst
  • Ein Anfängerleitfaden für SEO in einer Welt des maschinellen Lernens

Ausgewähltes Bild: Phonlamai Photo/Shutterstock

Related Articles

Leave a Reply

Back to top button