Laissez-moi voir si je peux vous convaincre !
J’en ai partagé beaucoup dans cette vidéo et j’ai résumé mes réflexions dans l’article ci-dessous. De plus, c’est le deuxième article de blog que j’écris sur ce sujet la semaine dernière. Il y a beaucoup plus d’informations sur les données des utilisateurs et sur la manière dont Google les utilise dans mon précédent article de blog.
Le classement comporte 3 éléments
Nous avons appris dans l’essai DOJ vs Google que le processus de classement de Google implique trois éléments principaux :
- Les systèmes traditionnels sont utilisés pour le classement initial.
- Les systèmes d’IA (tels que RankBrain, DeepRank et RankEmbed BERT) reclassent les 20 à 30 meilleurs documents.
- Ces systèmes sont affinés par les scores Quality Rater et, plus important encore, par les résultats des tests utilisateur en direct.
Le procès DOJ contre Google a longuement expliqué comment l’énorme avantage de Google découle des grandes quantités de données utilisateur qu’il utilise. Dans son appel, Google a déclaré qu’il ne voulait pas se conformer au mandat du juge de transmettre les données des utilisateurs à des concurrents. Il répertorie deux manières d’utiliser les données des utilisateurs : dans un système appelé Glue, un système qui intègre Navboost qui examine ce sur quoi les utilisateurs cliquent et avec lesquels ils interagissent, et également dans le modèle RankEmbed.
RankEmbed est fascinant. Il intègre la requête de l’utilisateur dans un espace vectoriel. Le contenu susceptible d’être pertinent pour cette requête sera trouvé à proximité. RankEmbed est affiné par deux choses :
1. Notes des évaluateurs de qualité. Ils reçoivent deux ensembles de résultats – les résultats Google « gelés » et les résultats « recyclés » – ou, en d’autres termes, les résultats des algorithmes de recherche nouvellement entraînés et raffinés basés sur l’IA. Leurs scores aident les systèmes de Google à comprendre si les algorithmes recyclés produisent des résultats de recherche de meilleure qualité.
2. Expériences en direct dans le monde réel où un petit pourcentage de vrais chercheurs voient les résultats des algorithmes anciens ou recyclés. Leurs clics et actions aident à affiner le système.
Le but ultime de ces systèmes est de s’améliorer continuellement pour produire des classements qui satisfont le chercheur.
Plus de réflexion sur les tests en direct – Les utilisateurs disent à Google le Espèces Des pages utiles, pas les pages réelles
J’ai réalisé que les tests utilisateur en direct de Google ne consistent pas seulement à collecter des données sur des pages spécifiques. Il s’agit de former le système à reconnaître motifs. Google ne suit pas nécessairement chaque interaction utilisateur pour classer cette URL spécifique. Au lieu de cela, il utilise ces données pour enseigner à son IA à quoi ressemble « utile ». Le système apprend à identifier le genres de contenu qui satisfait l’intention de l’utilisateur, puis prédit si votre site correspond à ce moule à succès.
Il continuera à faire évoluer son processus pour prédire quel contenu est susceptible d’être utile. Cela va certainement bien au-delà de la simple recherche vectorielle. Google trouve continuellement de nouvelles façons de comprendre l’intention de l’utilisateur et comment y répondre.
Ce que cela signifie pour le référencement
Si vous êtes classé dans les premières pages de recherche, vous avez convaincu les systèmes de classement traditionnels de vous inclure dans les enchères de classement.
Une fois sur place, une multitude de systèmes d’IA s’efforcent de prédire lequel des meilleurs résultats est réellement le meilleur pour le chercheur. Ceci est encore plus important maintenant que Google commence à utiliser « l’intelligence personnelle » en mode Gemini et AI. Mes meilleurs résultats de recherche seront spécifiquement adaptés à ce que pensent les systèmes de Google je trouvera utile.
Une fois que vous commencez à comprendre comment les systèmes d’IA effectuent des recherches, qui sont principalement des recherches vectorielles, il peut être tentant de procéder à une ingénierie inverse. Si vous optimisez en utilisant une compréhension approfondie de ce que récompense la recherche vectorielle (y compris en utilisant la similarité cosinus), vous travaillez pour bien paraître aux systèmes d’IA. Je vous mets en garde contre une plongée trop profonde ici.
Étant donné que les systèmes sont peaufinés pour s’améliorer continuellement et produire les résultats les plus satisfaisants pour le chercheur, paraître beau aux yeux de l’IA est loin d’être aussi important que d’être réellement le résultat le plus utile. Je dirais que l’optimisation de la recherche vectorielle peut faire plus de mal que de bien à moins que vous n’ayez réellement le type de contenu que les utilisateurs trouvent plus utile que les autres options dont ils disposent. Sinon, il y a de fortes chances que vous entraîniez les systèmes d’IA à pas vous favorise.
Mon conseil
Mon conseil est de optimiser librement pour la recherche de vecteurs. Ce que je veux dire par là, c’est de ne pas être obsédé par les mots-clés et la similarité du cosinus, mais plutôt de comprendre ce que veut votre public et d’être sûr que vos pages répondent à ses besoins spécifiques. L’utilisation de la connaissance de Query Fan-Out de Google est-elle utile ici ? Dans une certaine mesure, oui, car il est utile de connaître les questions que les utilisateurs ont généralement tendance à se poser concernant une requête. Mais je pense que mes mêmes craintes s’appliquent également ici. Si vous regardez vraiment bien les systèmes d’IA qui tentent de trouver du contenu pour satisfaire la diffusion des requêtes, mais que les utilisateurs n’ont pas tendance à être d’accord, ou si vous manquez d’autres caractéristiques associées à l’utilité par rapport à vos concurrents, vous pourriez entraîner les systèmes de Google pour qu’ils vous favorisent moins.
Utiliser les titres – non pas pour que les systèmes d’IA le voient, mais pour aider vos lecteurs à comprendre que les éléments qu’ils recherchent se trouvent sur votre page.
Regardez les pages que Google classe pour les requêtes qui devraient mener à votre page et demandez-vous vraiment Qu’est-ce que ces pages trouvent utile aux chercheurs ?. Regardez dans quelle mesure ils répondent à des questions spécifiques, s’ils utilisent de bonnes images, tableaux ou autres graphiques, et à quel point il est facile de parcourir et de naviguer dans la page. Essayez de comprendre pourquoi cette page a été choisie parmi les plus susceptibles d’être utiles pour satisfaire les besoins des chercheurs.
Au lieu d’être obsédé par les mots-clés, travaillez à améliorer l’expérience utilisateur réelle. Si vous rendez votre page plus attrayante, en vous concentrant davantage sur des mesures telles que les parchemins et la durée de la session, les classements devraient naturellement s’améliorer.
Et surtout, obsédé par la serviabilité. Il peut être utile qu’une partie externe examine votre contenu et explique pourquoi il peut ou non être utile.
J’ai découvert que même si je comprends que la recherche est conçue pour apprendre et s’améliorer continuellement en montrant aux chercheurs des pages qu’ils sont susceptibles de trouver utiles, je toujours je me retrouve à lutter contre l’envie d’optimiser pour les machines plutôt que pour les utilisateurs. C’est une habitude difficile à perdre ! Étant donné que les systèmes d’apprentissage profond de Google travaillent sans relâche sur un seul objectif – prédire quelles pages sont susceptibles d’être utiles au chercheur – cela devrait également être notre objectif. Comme le suggère la documentation de Google sur le contenu utile, le type de contenu que les gens ont tendance à trouver utile est un contenu original, perspicace et offrant une valeur substantielle par rapport aux autres pages des résultats de recherche.
Plus de ressources :
Cet article a été initialement publié sur Marie Haynes Consulting.
