Pisaliśmy, że rok 2015 był rokiem mobile. Wiele firm z branży podsumowuje, że rok 2016 także upłynął pod znakiem użytkowników mobilnych. Niektóre sugerują, że nawet 2017 będzie taki. My jednak zauważamy, że choć działo się wokół mobilnego pozycjonowania równie dużo co w poprzednim roku, to jeszcze więcej wydarzyło się w temacie uczących się algorytmów i ogólnie pojętego maszynowego uczenia stosowanego przez Google. Sam CEO giganta z Mountain View, Sundar Pichai, mówi, że to nie tylko kierunek Google, ale całego informatycznego świata: „W dłuższym terminie urządzenia przestaną mieć znaczenie, a informatyka wyewoluje z mobile-first do AI-first” (źródło).
Ikoną maszynowego uczenia w pozycjonowaniu stał się RankBrain. Jego bezpośrednie oddziaływanie na wyniki wyszukiwania jest trudne do wyizolowania. Na łamach Moz.com niedawno toczyła się pasjonująca polemika, w której starły się dwa prawie przeciwne poglądy: clue RankBraina może być lepsze procesowanie słów w zapytaniu (co sugeruje Rand Fishkin) lub powiązanie CTR i intencji z pozycjami (co sugerują dane zebrane przez Larry’ego Kima). Również na tym blogu wielokrotnie intepretowaliśmy coraz nowsze doniesienia i analizy tego algorytmu, ostatnio w lipcu. Na nim jednak temat uczących się algorytmów w pozycjonowaniu nie tyle kończy się, co… prawdopodobnie się zaczyna!
Garry Illyes, frontman kontaktu firmy Google z pozycjonerami, wyjątkowo dokładnie wyraził we wrześniu, że RankBrain to dopiero początek:
Maszynowe uczenie jest używane przy tworzeniu nowych sygnałów i przy łączeniu sygnałów. Więc dla przykładu, oczywiście to zupełnie przypadkowy pomysł i nie wiem czy prawdziwy, chciałbym sprawdzić czy połączenie PageRanka i Pandy, z czymkolwiek innym, na przykład z częstością znaków da w jakikolwiek sposób lepsze wyniki wyszukiwania. W takim przykładzie możemy z łatwością użyć maszynowego uczenia i potem stworzyć połączony sygnał.
Innym przykładem jest RankBrain, który zmienia wyniki wyszukiwania na podstawie historycznych sygnałów. Ale jeśli to przemyślisz, to także łączony sygnał. Używa wielu czynników by dać nowy modyfikator wyników, których kolejność już została ustawiona przez główny algorytm.
(…)
RankBrain to jeden element naszego systemu oceniającego. Jest ich ponad 200 i, tak jak powiedziałem wcześniej, sygnały których używamy i których będziemy używać mogą stać się algorytmami uczącymi się.
Ale nie oczekuję, że w najbliższym czasie lub niedalekiej przyszłości wszystkie sygnały zostaną oparte o maszynowe uczenie. Lub to co nazywamy głównym algorytmem stanie się algorytmem uczącym się. Najważniejszym powodem jest bardzo trudne debugowanie decyzji AI, szczególnie jeśli masz wiele warstw sieci neuronowych. Pojedyncza decyzja jest praktycznie niemożliwa do zdebugowania. A to bardzo źle dla nas. Dlatego staramy się odkryć nowe sposoby na śledzenie decyzji. Ale to może bardzo łatwo zaciemnić sytuację i ogólnie ograniczyć nasze możliwości poprawy wyników wyszukiwania.
(…)
Pingwin nie jest oparty o maszynowe uczenie.
Ta wypowiedź przeszła bez echa na polskich forach i blogach branżowych, jednak firma Google właśnie w niej wyjątkowo szczodrze zdradza tajemnice o fundamentalnych dla pozycjonowania czynnikach rankingowych. Poruszone zostały wszystkie trzy najważniejsze czynniki:
1. Trafność i treść nie jest oceniana przez algorytmy uczące się. Za tym stoi „główny algorytm”, któremu ma być daleko do tego by mógł stać się siecią neuronową.
2. Linki mogą być oceniane za pomocą maszynowego uczenia. Garry wymienia PageRank nawet w przykładzie nowego, łączonego sygnału. Jednocześnie sam Pingwin, który również istotnie modyfikuje ocenę linków nie jest już algorytmem uczącym się.
3. RankBrain jest elementem opartym w całości o maszynowe uczenie.
Prócz tych trzech czynników, bardzo ważnym wnioskiem z wypowiedzi jest też rozszerzenie sieci neuronowych na wiele więcej sygnałów niż tylko słynny RankBrain. Illyes między wierszami praktycznie zapowiada przekształcanie kolejnych czynników w algorytmy uczące się.
Ale należy pamiętać, że to tylko (i aż) Garry Illyes, któremu już zdarzało się nawet przeczyć samemu sobie w wypowiedziach odległych o kilka miesięcy. Co mówili, a przede wszystkim co robili w tym temacie pozostali pracownicy Google w 2016 roku?
2016 = Machine Learning
- W lutym nowym szefem działu wyszukiwania Google został John Giannandrea, ekspert od sztucznej inteligencji i uczenia maszynowego (źródło).
- W marcu pierwszy raz w historii ludzkości mistrz gry go został pokonany przez program komputerowy, którym był Alpha Go DeepMind spod egidy firmy Google (źródło).
- W kwietniu pojawia się seria filmów tłumaczących maszynowe uczenie, nakręcona przez pracowników Google (źródło).
- W maju firma Google ogłasza TPU, jednostkę obliczeniową dedykowaną maszynowemu uczeniu, która jest rząd wielkości wydajniejsza niż komercyjne GPU, i która jest już wykorzystywana na potrzeby m.in. RankBrain (źródło).
- W czerwcu w Zurychu powstaje europejski oddział badawczy dedykowany maszynowemu uczeniu (źródło).
- We wrześniu naukowcy pracujący w Google w wielu miejscach udowadniają, że ich uczące się algorytmy są już w stanie opisywać słowami odczytywane obrazki i filmy, publikują bazy Open Images i YouTube-8M, które zawierają miliony automatycznie opisanych zasobów (źródło).
- W październiku ogłoszone zostają przełomowe postępy w grafach tworzonych przez sieci neuronowe w firmie Google (źródło).
- W listopadzie w obrębie Google Cloud powstaje potężny zespół specjalistów od sztucznej inteligencji i maszynowego uczenia (źródło).
- W listopadzie jakość niektórych tłumaczeń w Google Translate znacznie poprawia się dzięki wdrożeniu algorytmów uczących się (źródło).
- W grudniu firma Google sponsoruje największą na świecie konferencję o sieciach neuronowych, a udział w niej bierze aż 280 pracowników grupy Alphabet (źródło).
Powyższe kalendarium robi wrażenie, lecz z pewnością jest niekompletne, ponieważ nie wszystkie postępy i nowe wdrożenia są ujawniane. Tak było na przykład z RankBrainem, który został ogłoszony dopiero pół roku po uruchomieniu.
Związek z pozycjonowaniem
W mijającym roku nastąpił zwrot całej korporacji Google w kierunku maszynowego uczenia, sztucznej inteligencji i uczących się algorytmów. Warto jednak zauważyć, że wiele zmian i tendencji bezpośrednio dotyczyło działu wyszukiwania w strukturach firmy. Wpływ na wyniki wyszukiwania musi być ewidentny, skoro nawet pracownicy odpowiadający za kontakt z pozycjonerami dość wylewnie wyjaśniają machine learning w kontekście SEO.
Zmiany z pewnością nie są proste do zauważenia na małych, nieizolowanych próbkach – czyli dla pozycjonerów, którzy monitorują zaledwie kilka stron. Osobiście, monitorując codziennie ponad 160 tysięcy domen oraz stale prowadząc wiele izolowanych testów, wyraźnie widzimy, że od kilku miesięcy mamy (z małymi przerwami) najbardziej zmienne wyniki wyszukiwania od wielu lat. Czy to już ma związek z bardziej elastycznymi, samouczącymi się algorytmami? Być może… nawet sami pracownicy Google nie znają odpowiedzi na to pytanie, ponieważ w wielu miejscach wspominają że sieci neuronowe przypominają zamkniętą skrzynkę, do której coś się wkłada i z której coś się wyciąga, ale to co dzieje się w środku jest niewiadomą.
Tym nie mniej biorąc pod uwagę niezwykle dynamiczny rozwój tej dziedziny, na której czele stoi Google, można zaryzykować stwierdzenie, że lawina dopiero ruszyła i rok 2017 będzie jeszcze bardziej przełomowy pod kątem znaczenia maszynowego uczenia w wynikach wyszukiwania. A przełożenie na proces pozycjonowania już pokazują i będą pokazywać testy/eksperymenty. Lub przestaną pokazywać…
Z pewnością obszerniejszy ciąg dalszy nastąpi. Temat już od roku jest leitmotivem tego bloga.
Zalinkowane źródła: Forbes.com, Moz.com, BusinessInsider.com, TheVerge.com, Reddit.com, PCWorld.com, Research.googleblog.com, CNet.com. Źródła grafik: PCWorld.com, Research.googleblog.com.
2 komentarze
Balonka
Obecnie Google jest tak nieobliczalne , że działania seo przestają być w jakikolwiek sposób miarodajne i mierzalne. A zawsze chodzi o to, żeby klienci zamiast wybierać firmy do pozycjonowania wybierali reklamy adwords. Proste.
Widoczni
Nie zgodzę się z przedmówcą – pozycjonowanie jest nadal jak najbardziej miarodajne i mierzalne, jednak wymaga więcej wiedzy i głębszych analiz. Wymaga przede wszystkim dużo więcej pracy i wysiłku, ale świetne efekty nadal można osiągać. Z kolei AdWords prawdopodobnie zawsze będzie miało swoją główną wadę: koszt pozyskania klienta jest zdecydowanie mniej elastyczny niż przy pozycjonowaniu. Możemy oczywiście optymalizować kampanię i obniżyć koszty kliknięć, ale co potem? Potem już co najwyżej będą rosły, jak konkurencja będzie się wzmagać. A przy pozycjonowaniu? Możemy pozyskiwać coraz więcej użytkowników przy stałym koszcie dla klienta.