Machine learning w SEO

Co to jest machine learning?

Jest to samodoskonalący się system komputerowy, który posiada umiejętność zdobywania informacji i uczenia się. Został zaprogramowany w taki sposób, aby umieć zapoznać się z danym zagadnieniem i udzielić na nie jak najlepszej odpowiedzi. Zadaniem uczenia maszynowego jest dopasowanie odpowiedzi do zapytania – niezależnie od tego, czy odpowiedź ta została mu podsunięta przez człowieka, czy maszyna nauczyła się jej sama poprzez sortowanie i analizowanie dostępnych danych.

System jest wykorzystywany nie tylko w wyszukiwarkach internetowych – choć w tym artykule skupimy się głównie na nich i roli, jaką ma uczenie maszynowe w pozycjonowaniu. Dzięki wyłapywaniu nowych informacji i pozyskiwaniu wiedzy poprzez monitorowanie zachowania użytkowników internetu, machine learning zapamiętuje dane i umożliwia każdemu z nas łatwiejsze i szybsze poruszanie się w sieci poprzez wyświetlanie najlepiej dopasowanych propozycji do naszego zapytania.

Jak działa uczenie maszynowe?

System, który sam się uczy – brzmi skomplikowanie? Wcale tak nie jest! Maszynowe uczenie to narzędzie, które pomaga nam na co dzień, w sytuacjach, w których nawet nie zdajemy sobie sprawy (wspiera ono również wiele algorytmów). Wykorzystuje dwa sposoby uczenia się: nadzorowane i nienadzorowane.

Pierwsze z nich odbywa się na podstawie tego, co człowiek ręcznie wprowadził do systemu maszyny – zarówno pytań, jak i odpowiedzi. Drugie natomiast, wymaga od maszyny uczenia się na podstawie danych wprowadzonych przez człowieka, jednak pozostawionych bez odpowiedzi. W takiej sytuacji program uczenia maszynowego samodzielnie odnajduje połączenia, grupy znaczeniowe i inne cechy wspólne, które pozwalają na dopasowanie odpowiedzi do zadanego pytania.

Uczenie maszynowe nadzorowane

Pokazujemy systemowi uczenia maszynowego zdjęcia z żółtymi różami. Dajemy mu także informację “to są róże”. System uczenia maszynowego zapoznaje się ze zdjęciami. Następnie pokazujemy zdjęcie z czerwonymi różami. Mimo, że system machine learning “zna” tylko i wyłącznie kwiaty o innej barwie, jest w stanie stwierdzić, że jest to ten sam gatunek rośliny.

Uczenie maszynowe nienadzorowane

Pokazujemy systemowi zdjęcia różnych kwiatów – są to czerwone i różowe róże oraz czerwone i różowe tulipany. Nie informujemy go o tym, co znajduje się na zdjęciach. Poprzez uczenie maszynowe, system rozróżni rośliny i odpowiednio je pogrupuje – podzieli je ze względu na kształt (osobną kategorią będą róże, a osobną tulipany) oraz na kolor (czerwone kwiaty będą oddzielone od różowych).

Z pewnością znasz folder SPAM…

… do którego czasem błędnie trafia ważna wiadomość. W jaki sposób działają filtry antyspamowe? To właśnie zastosowanie naszego samodoskonalącego się systemu wspierającego algorytmy uczące się pozwala na podjęcie decyzji o tym, jakie wiadomości trafią do folderu SPAM.

W momencie stworzenia naszej skrzynki pocztowej program wspierany przez uczenie maszynowe, na podstawie skrzynek wielu użytkowników, “wie” jakie maile będą trafiać do folderu SPAM. Jednak, także my pomagamy mu się doskonalić! Poprzez przenoszenie wiadomości do folderu SPAM bądź oznaczanie maili, które trafiły tam błędnie jako ważnych, pokazujemy filtrom i algorytmom, wspieranym przez machine learning, które wiadomości są dla nas istotne, a które kompletnie nietrafione. Z biegiem czasu system korzystający z uczenia maszynowego samodzielnie potrafi stwierdzić, które maile są ważne, a które powinny trafić do folderu SPAM.

Jeśli więc dany serwis mailingowy posiada bardzo dobre filtry i korzysta ze świetnych algorytmów sortowania, duża liczba użytkowników działa jako dodatkowa “baza danych”. System, za pomocą machine learning, może pozyskiwać wówczas informacje ze skrzynek użytkowników i na tej podstawie jeszcze bardziej udoskonalać swoją wiedzę.

Gmail to jeden z najpopularniejszych serwisów mailingowych. Z pewnością jedną z jego niewątpliwych zalet jest odpowiedni filtr, jeśli chodzi o folder SPAM. Czy pamiętasz ostatni raz, kiedy w Twoim głównym folderze pojawiła się niechciana wiadomość? Zdarza się to niezwykle rzadko!

Dlaczego tak się dzieje? Filtry antyspamowe i algorytmy, wspierane przez uczenie maszynowe, mogą czerpać wiedzę ze skrzynek mailowych Google ogromnej liczby użytkowników. Bazując na nich, mogą się uczyć i odpowiednio sortować wiadomości, dzięki czemu są bliskie perfekcji.

Sztuczna inteligencja a uczenie maszynowe

Czy w takim razie uczenie maszynowe to to samo co sztuczna inteligencja? Nie do końca. Mimo że i jedno, i drugie, ma za zadanie kształcić się i zdobywać wiedzę samodzielnie, założenie jest nieco inne. Sztuczna inteligencja ma działać jak człowiek, czyli odpowiadać, reagować i rozmawiać w sposób jak najbardziej zbliżony do ludzkiego. Test Turinga, w którym człowiek musi określić, czy rozmawia z maszyną, czy też z AI, potwierdza to właśnie założenie. Jeśli osoba wykonująca test nie rozpozna maszyny – sztuczna inteligencja zdała test. Czy tak samo jest z machine learning?

Test Turinga został nazwany na cześć brytyjskiego matematyka i kryptologa Alana Turinga. Jest to procedura, w które sędziowie muszą określić, czy rozmawiają z człowiekiem, czy też z maszyną, chatbotem. Istnieją sprzeczne opinie na temat tego, czy jakiekolwiek AI przeszło już test. Programem, który przekonał 30% sędziów jest Eugene Goostman, który udawał 13-letniego chłopaka z Ukrainy (wiek i brak znajomości angielskiego od dziecka miały wyjaśnić pewne błędy gramatyczne lub logiczne). Chatbot “podszedł” do testu Turinga w 2014 roku i wiele osób uważa, że test został wówczas zdany; inni wskazują nieprawidłowości podczas procesu, takie jak np. zbyt krótki czas trwania rozmowy.

Machine learning nie ma udawać człowieka

Maszyna samodzielnie zdobywająca wiedzę nie musi zachowywać się i reagować jak człowiek. Jej zadaniem jest rozwiązanie konkretnego problemu lub udzielenie najlepszej możliwej odpowiedzi na dane pytanie. Uczenie maszynowe rozwija się, zbierając i sortując dane po to, aby przedstawić jak najlepiej wyselekcjonowany wynik do danego zapytania (co jest przydatne m.in. w pozycjonowaniu!), podczas gdy AI robi to w celu umiejętności zachowywania się jak najbardziej ludzko i naturalnie. Idea samodzielnego uczenia się, zdobywania wiedzy i doskonalenia jej to coś, co łączy oba te programy, jednak podczas tworzenia machine learning i sztucznej inteligencji intencje są różne.

Mimo, że założenie jest inne, należy pamiętać, że i jeden i drugi program ma na celu uczenie się bez ciągłego wkładu człowieka. Czy możliwe jest więc, że uczenie maszynowe ewoluuje w sztuczną inteligencję? Tego nie możemy być pewni w 100%. Istnieje jednak taka możliwość, ponieważ pozwalając programom i maszynom zdobyć wiedzę “na własną rękę” musimy się liczyć z tym, że będą one coraz bardziej złożone i że mogą one rozwinąć się w kierunku, którego nie zdołamy przewidzieć.

Istnieją instytucje, które zajmują się dbaniem o rozwój sztucznej inteligencji. Ich zadaniem jest nadzorowanie procesów związanych z AI i pilnowanie tego, aby systemy i maszyny nie wymknęły się spod kontroli i nie zaczęły stanowić zagrożenia dla człowieka. Dwa najbardziej rozpoznawalne organizacje tego typu to DeepMind, które zostało przejęte przez Google w 2014 roku oraz OpenAI, założone przez m.in. Elona Muska.

Co zapewnia uczenie maszynowe w SEO?

Jeśli chodzi o uczenie maszynowe w pozycjonowaniu, to jest to system, który wspiera algorytmy uczące się, których zdaniem jest dobieranie wyników do zapytania – jest to m.in. Panda, Gołąb, Koliber i RankBrain. Są one odpowiedzialne za user intent, czyli zamiar użytkownika. Machine learning w SEO pomaga tym algorytmom w przeczesywaniu sieci w celu znalezienia propozycji stron, które będą jak najlepiej odpowiadały na zapytanie użytkownika.

Najważniejszy jest zamiar

Jednym z najistotniejszych aspektów, w których nieoceniona jest pomoc machine learning, jeśli chodzi o pozycjonowanie, jest odpowiednie rozpoznanie zamiaru użytkownika. Nie jest nim to, co wpiszemy w Google – jest nim to, co próbujemy znaleźć. Załóżmy, że wpisane przez nas w wyszukiwarkę hasło będzie brzmiało “pozycjonowanie Poznań”, “firmy pozycjonujące strony internetowe wielkopolska” czy “jak być wyżej w wyszukiwarce kwiaciarnia z poznania”. Zamiar może być różny – możemy próbować znaleźć firmę z siedzibą w Poznaniu, która pomoże nam w optymalizacji naszej witryny pod względem SEO. Możemy także sprawdzać, jaką ofertę ma nasza konkurencja. Inną możliwością jest chęć zgłębienia tajników, jeśli chodzi o pozycjonowanie – poradnik może dać kilka wskazówek jak samodzielnie dostosować stronę zgodnie z zasadami SEO. W pozycjonowaniu, uczenie maszynowe pomoże algorytmom odpowiedzialnym za dopasowywanie witryn zrozumieć nasz zamiar i wyświetlić najlepsze propozycje stron internetowych.

Literówki i zawiłości językowe a SEO

Zamiar to jednak nie wszystko. Co z tego, że użytkownik wpisze w Google daną frazę, skoro zrobi literówkę lub błąd ortograficzny? Jak rozróżnić słowa bliskoznaczne? Czy wówczas zastosowane na stronie techniki SEO zadziałają?

Uczenie maszynowe także w tym pomaga algorytmom odpowiedzialnym za wyświetlanie i dopasowywanie wyników do zapytania. Robi to poprzez rozszyfrowywanie błędów, które mogą pojawić wpisanej przez nieuważnego użytkownika frazie. Załóżmy, że chcemy znaleźć wiarygodny blog o pozycjonowaniu, jednak zrobimy literówkę i wpiszemy “blog o pozyjconowaiu”. Gdyby nie algorytmy uczące się, wspierane przez machine learning, nie znaleźlibyśmy żadnego bloga o SEO. Na szczęście system maszyn, które samodzielnie zdobywają wiedzę rozpoznaje ciąg liter i dopasowuje go do znanego sobie słowa, ponieważ w swoich danych ma informację o tym, w jaki sposób użytkownicy mogą się mylić.

W ramach rozpoznawania zamiaru, algorytmy związane z pozycjonowaniem, wspierane przez uczenie maszynowe mogą również wyświetlać najpotrzebniejsze wyniki także jeśli chodzi o format. Z zapytania może wynikać, czy bardziej przyda nam się schemat czy może opis. Próbując znaleźć informacje o tym, jak wymienić młynek w ekspresie do kawy danej marki, maszyna podsunie nam diagram lub wideo zamiast trudnego w zrozumieniu tekstu.

Jak machine learning wpływa na SEO?

Jeśli chodzi o SEO to algorytmy wspierane przez uczenie maszynowe oczywiście wpływają na widoczność naszej strony. Wpływ ten raczej jest pozytywny – dobrze stworzona strona, wypełniona odpowiednim contentem, powinna mieć zwiększoną widoczność.

Techniki pozycjonowania, które są zgodne z wytycznymi Google, to tzw. White Hat SEO. Jeśli z nich korzystamy, możemy spodziewać się, że algorytmy wspierane przez uczenie maszynowe zwiększą widoczność naszej strony. Strona stworzona przez specjalistę ds. SEO i wypełniona różnorodnymi unikatowymi treściami ma duże szanse na “wybicie się” i “trafienie” w zamiar użytkownika. Jeśli nasz content będzie najlepszą odpowiedzią na ten zamiar – nasza strona może mieć szansę na najlepszą widoczność wśród stron o podobnej tematyce, niezależnie od tego, czy jest to sklep, blog czy strona promująca usługi naszej firmy.

Niestety, pewnego dnia, wspierane przez uczenie maszynowe algorytmy mogą wywnioskować, że użytkownikom zależy jednak na czymś odrobinę innym – wówczas nasza widoczność nieco spadnie. Nie możemy zapominać, że ideą uczenia maszynowego jest ciągłe doskonalenie i zdobywanie wiedzy. W związku z tym, raz zdobyte wysokie miejsce nikomu nie jest dane na zawsze. Jest to zarówno plus, jak i minus. Plus, dlatego że możemy wyprzedzić konkurencję. Minus – bo nasza widoczność, nad którą pracowaliśmy, może się zmieniać – zarówno na gorszą, jak i na lepszą. Dzieje się to jednak naturalnie i nie mamy na to wpływu. To właśnie dlatego praca nad pozycjonowaniem strony www nigdy nie jest skończona!

Niewielki spadek widoczności kilku fraz to nie jest jednak koniec świata. Mamy w końcu swoistą “podkładkę”, czyli całą stronę, która ma dobrą widoczność! Mimo, że istnieje niebezpieczeństwo, że widoczność na część naszych fraz odrobinę spadnie, powrót do poprzednich wyników jest możliwy. Czasem wystarczy dodać jedną informację, która uzupełni nasze treści i algorytmy wspierane przez uczenie maszynowe na nowo ocenią nasz content jako taki, który jest ponownie idealną odpowiedzią na zamiar użytkownika.

Należy również pamiętać o tym, że w zależności od zapytania i zamiaru użytkownika, nasza strona może osiągać różną widoczność. Spadek w widoczności danej frazy może pojawić się równocześnie z wzrostem widoczności na inną. Machine learning właśnie na tym polega – na ciągłym dobieraniu najlepszych odpowiedzi!

Wyobraźmy sobie, że prowadzimy lokalną fundację pomagającą bezdomnym zwierzętom. Pomagamy zarówno psom, kotom, jak i innym zwierzętom. Ponieważ bezdomne psy wzbudzają największe zaangażowanie i odpowiadają na zamiar użytkowników, to o nich głównie piszemy na naszej stronie – dzięki temu mamy dobrą widoczność.

Jednak pewnego dnia, algorytm wspierany przez uczenie maszynowe stwierdza, że nastąpiła zmiana – użytkownicy, wpisując frazę “fundacja bezdomne zwierzęta wielkopolska” równie często szukają pomocy dla kotów. Może być to związane z np. porą roku, kiedy na świat przychodzą małe kocięta – ludzie zaczynają bardziej je zauważać i rozglądać się za odpowiednią dla nich pomocą.

Widoczność naszej strony spadnie, ale nie na długo! Wystarczy rozbudować content i zająć się frazami związanymi z kotami, dzięki czemu znowu będziemy mogli wybić się na pierwsze miejsca w Google. Co więcej, w przyszłości mamy już więcej gotowych, SEO-friendly treści, które umożliwią nam łatwiejsze “odbicie się” w sytuacji, w której wyszukiwarka rozpozna nowy, nieco inny zamiar użytkownika. Nie oznacza to jednak, że możemy spocząć na laurach. Aby strona była atrakcyjna dla algorytmów, konieczna jest jej ciągła rozbudowa lub wprowadzane zmiany – inaczej, może być potraktowana jako nieaktywna lub niewarta uwagi.

Nie zapominajmy jednak, że nie wszyscy korzystają z technik zgodnych z zaleceniami Google. Black Hat SEO, które polega na przechytrzeniu robotów i wykorzystywaniu luk po to, by szybko wybić się na pierwsze miejsca. Jednak, gdy tylko Google zorientuje się (a zorientuje się praktycznie zawsze), że jest to strona, która nie dostarcza treści przyjaznych użytkownikowi, spada ona natychmiastowo w rankingu.

Dodatkowo, może zostać ona zablokowana przez wyszukiwarkę. Algorytmy wspierane przez uczenie maszynowe mogą początkowo zwiększyć widoczność naszej strony, lecz zdarza się to dość rzadko – coraz częściej techniki Black Hat SEO zwyczajnie nie działają, a algorytmy są w stanie od razu rozpoznać oszustwo. W takiej sytuacji, twórcy strony nie mają również podparcia w postaci dobrego contentu, na którym może “odbudować” swoją pozycję. Bardzo często witryna, korzystająca z Black Hat SEO jest więc z góry skazana na porażkę.

Machine learning wymaga wielu rozwiązań

Jeśli chodzi o SEO, istotne jest zadanie sobie pytań – do kogo chcemy trafić? Kto jest naszą grupą docelową? – i dopasowanie nie tylko contentu, ale również jego formy, do naszych potencjalnych użytkowników. Potrzebujemy więc projektu strony, który będzie dopasowany do przeglądania na urządzeniach mobilnych oraz odpowiedniej ilości treści na podstronach stworzonych z uwzględnieniem zasad pozycjonowania. Zdecydowanie przyda się również podstrona, na której znajdował się będzie przyjazny dla SEO blog z wpisami np. poradnikowymi, tworzonymi oczywiście zgodnie z zasadami pozycjonowania (najlepiej przez wykwalifikowanych SEO Copywriterów).

Wyobraź sobie, że prowadzisz kwiaciarnię i oferujesz nie tylko kwiaty cięte, ale również rośliny doniczkowe. Działasz lokalnie oraz wysyłasz produkty kurierem. Dzięki umieszczeniu wpisów takich jak “TOP 10 roślin doniczkowych, które przetrwają wszystko” lub “Dodatek do prezentu – tradycyjny bukiet czy kwiat w doniczce?”, które będą stworzone zgodnie z zasadami pozycjonowania, przyciągniesz większą liczbę osób zainteresowanych tematem, którzy po przeczytaniu wpisu mogą zostać na stronie i kupić produkty, które są zachwalane w Twoich tekstach.

RankBrain to algorytm, wprowadzony przez Google w 2015 roku. Jest on jednym z algorytmów wspieranych przez uczenie maszynowe (wraz z Kolibrem), które są odpowiedzialne za skojarzenie zapytania użytkownika z jego zamiarem. Co ważne, RankBrain bierze pod uwagę wszystkie słowa we wpisanej frazie – szczególnie jeśli w pasek wpisujemy długie wyrażenie typu long-tail.

Uczenie maszynowe w SEO jest wszechobecne!

Jak więc można wywnioskować, nie warto skupiać całej uwagi i energii wkładanej w promocję swojego biznesu na uczeniu maszynowym. Jeśli nasze treści będą odpowiednio zoptymalizowane pod kątem SEO, a także przyjazne i odpowiednie dla użytkownika, machine learning może pomóc w podsunięciu naszej strony tym, których zamiar będzie się zgadzał z proponowanymi przez nas treściami – niezależnie, czy oferujemy usługi, produkty, czy może po prostu: informacje.

RankBrain pomoże znaleźć odpowiedź!

Należy również pamiętać o wspomnianym już algorytmie RankBrain. Wraz z Pandą i Kolibrem, i wspierany przez machine learning, może pomóc w podsunięciu naszej strony na wysokie pozycje w liście znalezionych wyników. RankBrain niejako “łączy w pary” użytkowników z informacjami, których poszukują – niezależnie od słów użytych w pasku wyszukiwania.

Podsumowanie

Machine learning w SEO nie musi być zagrożeniem – może być za to szansą na pomoc naszej witrynie! Nasza odpowiednio zoptymalizowana strona może mieć lepszą widoczność dzięki algorytmom ML. Uczenie maszynowe w pozycjonowaniu to zdecydowany plus – należy jednak pamiętać, że na naszą korzyść może zadziałać tylko w sytuacji, w której dbamy o zróżnicowany i SEO-friendly content. Współpraca z firmą, która zajmuje się pozycjonowaniem naszej strony jest konieczna – specjaliści pomogą nam nie tylko, jeśli chodzi o przygotowanie treści przyjaznych dla wyszukiwarki, ale również, jeśli chodzi o dostosowanie jej do wymagań potencjalnych użytkowników.

SEO i uczenie maszynowe mogą i będą iść w parze, jeśli im w tym pomożemy!

Źródła: Wikipedia 1, 2; Wyszukiwarka Google; Searchenginejournal