1. Что такое машинное обучение? Краткий обзор.
2. Процесс машинного обучения
3. Как вы можете использовать машинное обучение для SEO
4. Автоматическая оптимизация изображения
5. Инструменты и ресурсы
6. Ключевые выводы: машинное обучение для оптимизаторов
7. Хотите быть в курсе последних тенденций поиска?
8. Хотите быть в курсе последних тенденций поиска?

В этом году TechSEO Boost, мероприятие, посвященное технический SEO и организовано катализатор , состоявшейся 29 ноября в Бостоне.

Объявлено как конференция «для разработчиков и продвинутых SEO специалисты ”TechSEO Boost основаны на успехе первое событие в 2017 году с днем ​​просвещения, сложных переговоров от самых острых умов в отрасли.

Некоторые темы пронизывали дискуссию в течение дня, и, в частности, машинное обучение было постоянной темой.

Как и характер конференции TechSEO Boost, сессии были направлены на то, чтобы выйти за рамки обмана, чтобы определить, что именно означает машинное обучение. SEO как сегодня, так и в будущем.

Ниже приводится резюме отличной речи Бритни Мюллер, старшего научного сотрудника SEO в Moz, под названием (достаточно подходяще) «Машинное обучение для оптимизаторов».

Что такое машинное обучение? Краткий обзор.

Сессия началась с краткого ознакомления с основными терминами и концепциями, которые подпадают под «машинное обучение».

Мюллер использовал определение, приведенное на рисунке ниже, чтобы охватить ощущение машинного обучения как «подмножество ИИ (искусственного интеллекта), которое объединяет статистику и программирование, чтобы дать компьютерам возможность« учиться »без явного программирования».

Эту основную идею «обучения» с помощью новых стимулов важно понять, поскольку мы рассматриваем, как машинное обучение может применяться к повседневным задачам SEO.

Машинное обучение выделяется при выявлении закономерностей в огромных количествах данных. Таким образом, некоторые из распространенных примеров приложений машинного обучения сегодня включают в себя:

• Рекомендательные системы (Netflix, Spotify)
• Приложения для совместного использования (Uber, Lyft)
• Цифровые помощники (Amazon Alexa, Apple Siri, Google Ассистент)

Однако именно эта повсеместность может сделать его сложной концепцией. На самом деле Эрик Шмидт из Google зашел так далеко, что сказать «Основная вещь, над которой работает Google, - это в основном машинное обучение».

Полезно разбить это на этапы, которые составляют типичный проект машинного обучения, чтобы увидеть, как мы можем применить это к повседневным задачам SEO.

Процесс машинного обучения

Изображение ниже представляет процесс машинного обучения, которым Мюллер поделился на TechSEO Boost:

Важно помнить, что некоторые данные обучения должны быть зарезервированы для тестирования на более позднем этапе процесса.

Там, где это возможно, эти данные также должны быть четко обозначены, чтобы помочь алгоритму машинного обучения идентифицировать классификации и категории в зашумленном наборе данных.

Именно по этой причине Google просит нас пометить изображения для подтверждения нашей личности:

Это демонстрирует нашу способность человека выбирать объекты в загроможденном контексте, но имеет дополнительное преимущество, заключающееся в предоставлении Google более качественных данных изображений.

Ловушки неконтролируемого подхода к машинному обучению и набора данных для обучения, который открыт для интерпретации, были выявлены только на прошлой неделе.

Функция Smart Compose от Google в Gmail продемонстрировала тенденциозность по признаку пола, отдавая предпочтение определенным местоимениям при прогнозировании того, что может захотеть сказать пользователь.

Как сообщает Reuters, «менеджер по продукту Gmail Пол Ламберт сказал, что исследователь-исследователь компании обнаружил проблему в январе, когда он напечатал« Я встречаюсь с инвестором на следующей неделе », а Smart Compose предложила возможный дополнительный вопрос:« Хотите ли вы встретиться с ним? »вместо« ее ».

Задача здесь не ограничивается проектами такого масштаба. Маркетологи, которые хотят испачкать руки, должны знать об ограничениях машинного обучения, а также о его захватывающих возможностях.

Мюллер добавил, что люди склонны переоценивать свои данные, что снижает точность и гибкость используемой ими модели. Это (очень распространенное) явление возникает, когда модель очень тесно соответствует одному конкретному набору данных, что снижает ее применимость к новым сценариям.

Способность эффективно масштабировать - это то, что делает машинное обучение привлекательным, поэтому избегать переоснащения следует с осторожностью. Есть хороший учебник по этой теме Вот и это также очень хорошо объясняется с помощью этого изображения:

Итак, как именно это подмножество ИИ может быть использовано для повышения производительности SEO?

Как вы можете использовать машинное обучение для SEO

Как и в случае со всеми дружественными к рекламе технологиями, компании стремятся участвовать в машинном обучении. Однако дело не в том, чтобы «использовать машинное обучение» из-за страха быть оставленным позади, а в том, чтобы найти наилучшее применение машинного обучения для каждого бизнеса.

Бритни Мюллер поделилась некоторыми примерами из своей роли в Moz во время своей сессии в TechSEO Boost.

Первым был подход к автоматизированному мета описание поколение с использованием Алгоритм Продвинутый контент Summarizer , который затем сравнили с подходом Google к автоматизированным описаниям, извлеченным непосредственно с целевой страницы.

Мета-описания остаются важным активом при попытке поощрить положительный рейтинг кликов, но на создание этих фрагментов тратится много времени. Автоматическая альтернатива, которая может интерпретировать значение целевых страниц и создавать интерактивные сводки для отображения в результатах поиска, была бы очень полезной.

Мюллер поделился некоторыми Примеры , например, на изображении выше, чтобы продемонстрировать сравнение между двумя подходами. Подход машинного обучения не идеален и может потребовать некоторой настройки, но он отлично справляется с передачей страниц. намерение по сравнению с выбором Google.

С тех пор команда Moz встроила это в Google Sheets:

Хотя это не тот продукт, к которому другие компании могут получить доступ прямо сейчас, Пол Шапиро (хост TechSEO Boost) поделился альтернативным способом получения автоматизированных метаописаний через Github. Вот ,

Автоматическая оптимизация изображения

Другое увлекательное использование машинного обучения для SEO - автоматизация оптимизации изображений. Бритни Мюллер показала, как менее чем за 20 минут можно обучить алгоритм различения кошек и уток, а затем использовать эту модель для нового набора данных с высоким уровнем точности.

Для крупных ритейлеров применение этого метода может быть очень полезным. С таким количеством новых изображений, добавляемых в инвентарь каждый день, и с визуальный поиск на подъеме масштабируемая система маркировки изображений окажется очень прибыльной. Как продемонстрировано в TechSEO Boost, сейчас это очень реальная возможность для компаний, желающих построить свою собственную модель.

Дальнейшее использование машинного обучения, описанное Бритни Мюллер, было транскрипцией подкастов. Автоматизированный подход к этой задаче может превратить аудиофайлы в нечто гораздо более разборчивое для поисковой системы, что помогает с индексацией и ранжированием по соответствующим темам.

Для достижения этой цели Мюллер подробно описал подход, использующий продукт Amazon Transcribe через Amazon Web Services.

Аудио разбито и доставлено в файл J-SON во многих деталях, при этом разные динамики на подкасте помечены отдельно.

В ходе сессии было недостаточно времени для проработки каждого потенциального использования машинного обучения для SEO, но основной смысл Мюллера состоял в том, что все в отрасли должны стремиться к хотя бы практическому знанию этих концепций.

Некоторые дальнейшие возможности для экспериментов были перечислены следующим образом:

Как мы видим, машинное обучение действительно отлично работает при работе с большими наборами данных для выявления закономерностей.

Инструменты и ресурсы

Лучший способ обручиться - это объединить теорию с практикой. Это почти всегда так, но это особенно полезный совет в отношении программирования.

Мюллера не было первым или последним разговором со ссылкой Google Codelabs в течение дня.

Есть больше ресурсов, чем когда-либо прежде, и такие как Amazon и Google хотят, чтобы машинное обучение было доступно. Amazon запустил курс машинного обучения и гугл ускоренный курс это фантастический способ узнать компоненты успешного проекта.

Принадлежащий Google Kaggle Это всегда отличное место, чтобы опробовать новые наборы данных и проанализировать инновационную работу, выполненную учеными в области данных по всему миру, как только будут получены базовые знания.

Кроме того, Google Colaboratory позволяет легко начать работу над проектом и работать с удаленной командой.

Ключевые выводы: машинное обучение для оптимизаторов

Из выступления Мюллера стало особенно ясно, насколько доступными могут быть приложения машинного обучения для оптимизаторов. Кроме того, пространство для экспериментов является беспрецедентным для тех, кто готов потратить некоторое время на дисциплину.

Хотите быть в курсе последних тенденций поиска?

Получить лучшие идеи и новости от наших экспертов по поиску.

Хотите быть в курсе последних тенденций поиска?

Получить лучшие идеи и новости от наших экспертов по поиску.