سرفصل مطالب
MUM چیست؟
MUM مخفف Multitask Unified Model است و یک فناوری جدید برای جستجوی گوگل می باشد که برای اولین بار در می 2021 معرفی شد. این الگوریتم به وسیله هوش مصنوعی با درک و پردازش زبان طبیعی کار می کند و به پرسش های جستجوی پیچیده با داده های چند وجهی پاسخ می دهد.
گوگل مام چند زبانه است و اطلاعات را از رسانه ها با فرمت های مختلف برای پاسخ به سوالات پردازش می کند. یعنی علاوه بر متن، تصاویر، ویدئو و فایل های صوتی را نیز درک می کند.
چگونه کار می کند؟
در ماه می 2021، گوگل مام را به عنوان تکامل و 1000 برابر قدرتمندتر از BERT معرفی کرد. هر دو فناوری مبتنی بر پردازش زبان طبیعی هستند و چیزی فراتر از فقط پردازش زبان است. چندین فناوری را ترکیب میکند تا جستجوهای گوگل را حتی بیشتر مفهومی و مبتنی بر محتوا کند تا تجربه کاربر را بهبود بخشد. با این لگوریتم، گوگل میخواهد به پرسشهای پیچیده پاسخ دهد که یک SERP معمولی برای آنها کافی نیست.
وظایفی که باید توسط مام انجام شود:
- ارائه یک درک عمیق از دانش جهانی
- باید به 75 زبان به طور همزمان آموزش ببیند تا آنها را درک کند
- باید بتواند اطلاعات را علاوه بر متن، تصاویر، صدا و ویدئو درک کند
از این اظهارات گوگل می توان موارد زیر را استنباط کرد:
- گوگل از مام برای گسترش بیشتر معنایی پایگاه اطلاعاتی مانند گراف دانش و نزدیکتر شدن به هدف پایگاه داده با دانش کامل استفاده میکند.
- با استفاده از مام ، گوگل میخواهد جستجوی بینالمللی را بهتر کند تا همه شاخصها و نمونههای جستجو در سراسر جهان را به سطح کیفی مشابهی برساند، بنابراین تجربه کاربر را در هر کشور و هر زبان روی کره زمین در همان سطح بالا تضمین میکند و همچنین از نظر منابع خود، کارآمدتر کار میکند.
- احتمالا هیجانانگیزترین پیشرفت برای سئوکاران این است که مام میخواهد از تمام فرمت های محتوایی برای جمعآوری اطلاعات (داده کاوی) استفاده کند. درک آن و پردازش آن در نتایج جستجو به گونهای باشد که هدف جستجو به طور بهینه ارائه شود و تجربه کاربر با جستجوی گوگل بسیار بالا رود.
- به عبارت دیگر، علاوه بر تریلیون ها محتوای متنی، گوگل همچنین به تمام اطلاعات از تمام فرمت های محتوای در سیستم های گوگل دسترسی دارد تا ایندکس را افزایش دهد. در نتیجه، حتی اطلاعات بیشتری در مورد موجودیت های ثبت شده می توان تولید کرد. اطلاعات از متن، ویدئو، صدا و تصاویر را می توان در SERP حتی بهتر برای جستجو ارائه کرد.
Google MUM و EAT
علاوه بر داده کاوی، یکی دیگر از چالش های اصلی گوگل اعتبار اطلاعات است. گوگل سال هاست که با EAT یک تهاجم را اجرا میکند، که احتمالا در آینده نزدیک توسط ویژگیهای اضافی نیز پشتیبانی شود.
در مورد نمایش نتایج جستجوی مرتبط، امکان دریافت اطلاعات در مورد منبع از طریق کادر “درباره این نتیجه” وجود دارد.
این اطلاعات شامل شرحی از ناشر از منابع قابل اعتماد مانند ویکیپدیا یا وبسایت ناشر و اطلاعاتی درباره ایمن بودن اتصال به وبسایت است. علاوه بر این، می توانید بفهمید که ناشر در مورد خودش چه می نویسد، دیگران درباره او یا موضوع چه می نویسند.
اینکه تا چه حد از مام در اینجا استفاده شده است کاملاً مشخص نیست. با این حال، کاملاً مطمئن است که اعتبار و اعتماد نهاد یا منبع نیز نقش منحصر به فردی در رتبه بندی بازی می کند.
بهروزرسانی گوگل مام تغییر الگوی اصلی، برای عملکرد بهتر و راهنمایی موثرتر کاربر است
در نظر گرفتن تنها یک زبان، تفسیر معنایی برای زبان های مختلف را منسوخ می کند. الگوریتم مام بر اساس سوالات و اسناد جستجوی انگلیسی زبان آموزش داده می شوند که آنها را می توان برای تمام زبان های دیگر نیز اعمال کرد. تفسیر انگلیسی از نظر دستوری بسیار ساده تر از زبان های پیچیده تر مانند آلمانی است.
حتی قبل از الگوریتم مام، گوگل بر زبان انگلیسی به عنوان زبان اصلی تمرکز داشت. اولین ترجمه از اسناد انگلیسی زبان در اوایل سال 2019 در پنل های دانش ظاهر شد.
این یک پیشرفت قابل توجه از لحاظ عملکرد است. استفاده از یادگیری ماشینی یا پردازش زبان تنها در صورتی امکان پذیر است که از منابع موجود به نحو احسنت استفاده شود. لازمه این امر کاهش فرآیندهای در حال اجرا به صورت موازی است. با تمرکز بر جستجوی اطلاعات فقط از یک مدل داده برای هر جستجو، کارایی و عملکرد افزایش می یابد.
یک مقاله تحقیقاتی گوگل در سال 2020 با نام “Multitask Mixture of Sequential Experts for User Activity Streams” منتشر کرد که در آن فناوری را به نام MoSE توصیف می کند که از بسیاری جهات شبیه MUM است اما این مام است که می تواند به سوالات پیچیده، پاسخ دهد.
MoSE یک فناوری مبتنی بر اطلاعات ماشین است که برای پیش بینی الگوهای پیچیده جستجوی چند مرحله ای، از چندین منبع داده از جمله کلیک ها و لاگ جستجو کاربر می آموزد. الگوریتم MoSE، کلیک متوالی کاربران بر روی المان های مختلف و مرور داده ها توسط آنها را می آموزد. این اطلاعات به او اجازه می دهد تا مسیر جستجوی کاربر را تحلیل و برای تولید پاسخ های رضایت بخش، مدلسازی کند.
اینکه چطور یک پاسخ پیچیده برای یک پرسش سخت آماده می شود، در درک رفتار کاربر از شروع جستجو، ورود به سایت، کلیک بر روی هرچیزی و سپس صفحاتی را ارزشمند تر می بیند که کاربر توانسته به نتیجه برسد. آنگاه با جمع اوری و پردازش انواع نتایج و صفحات، به درک سوالات و منظور از مطرح کردن شان نشسته، تلاش می کند پرسش های اصلی و اساسی بسازد که هزاران پرسش دیگر، همین منظور را می رسانند.
پتانسیل جدید برای گوگل شاپینگ در طول سفر مشتری از طریق مام
وقتی نوبت به جستجوهای مبتنی بر محصول میرسد، گوگل در بازارهای بزرگ تجارت الکترونیک مانند آمازون و پلتفرمهای تجارت الکترونیکی جایگاه خود را از دست داده است. به عنوان مثال، کاربران اغلب مستقیماً در آمازون به دنبال محصول می گردند. این کار از نظر اقتصادی برای گوگل مطلوب نمی باشد زیرا این کاربران یا جستجوهای تجاری بیشترین کلیک را بر روی تبلیغات دارند.
اکثر کاربران از گوگل برای جستجوهای اطلاعات محور در مرحله آگاهی استفاده می کنند و گوگل در حال حاضر بسیاری از کاربران را در مرحله “ترجیح” به رقبای خود از دست می دهد.
گوگل می خواهد در مراحل اولیه سفر مشتری (قبل از آگاهی و آگاهی) اطلاعات ارزشمندی را در اختیار کاربران قرار دهد. با طراحی جدید SERP ها و جستجوی خرید، گوگل می خواهد به کاربر الهام بخشد، یک نمای کلی ارائه دهد و از خرید پشتیبانی کند.
این نشان می دهد که گوگل از مبارزه مستقیم برای جستجوی محصول در مرحله ترجیحی دست کشیده است و بر نقاط قوت واقعی خود تمرکز می کند.
آینده جستجوی گوگل و آنچه سئوکاران می توانند از آن بیاموزند
این الگوریتم قطعه بعدی پازل گوگل در راه رسیدن به یک موتور جستجوی مفهومی و معنایی است که به طور مداوم در حال بهبود الگوریتم های جستجو و محتوا است.
گوگل هنوز با توسعه یک کامپیوتر کوانتومی قابل استفاده، فاصله زیادی دارد، بنابراین باید با فناوری های کارآمدی مانند مام تلاش کند تا از قدرت محاسباتی در حال حاضر استفاده کند تا کمبودهای خود را در یادگیری ماشینی در مقیاس های بزرگ برطرف کند. به این ترتیب، گوگل میتواند سیستم های جستجوی خود را بدون در نظر گرفتن عملکرد سخت افزاری سریع تر توسعه دهد.
الگوریتم مام گوگل از آنجایی که فرمت های مختلف محتوایی (عکس، ویدیو و …) را مورد بررسی قرار میدهد می تواند تعییر بزرگی در روند سرچ گوگل در چندین جهت ایجاد کند. به این صورت که این الگوریتم با تاثیر بر روی SERP و همچنین SEO می تواند انقلابی در جهت سایت های تحت وب ایجاد کند.
سئو باید تغییر کند
در این مرحله، همچنین باید این سوال پرسیده شود که گوگل به عنوان تامین کننده ترافیک در آینده چه نقشی ایفا خواهد کرد و تا چگونه سئوها بر رتبه بندی سایت ها تأثیر می گذارند.
تا پیش از الگوریتم BERT، اساس نمایش سایت ها در صفحه نتایج سرچ گوگل به شکل سنتی و کلید واژه محور بود، اما BERT باعث شد تا سرچ گوگل به شیوه ای پیچیده ترعمل کند و به دنبال یافتن پاسخ پرسش های مخاطب یا منظور مخاطب بگردد و سایت هایی را به او معرفی کند که به سؤال او جواب داده اند.
حالا گوگل به عنوان یک دستیار حرفهای و کاربلد باید به هر نحوی پاسخگوی سؤالات مخاطبانش باشد. گوگل هر روز مهارت های پیچیده تری را به دست میآورد تا بتواند پاسخگوی نیاز کاربران باشد. طبق گفته گوگل، الگوریتم مام برای پاسخگویی به سؤال های پیچیده مخاطبان، 1000 برابر قوی تر از BERT عمل می کند.
برای سئو فنی، وظایف فنی مانند علامتگذاری با دادههای ساختار یافته منسوخ تر و منسوخ تر می شوند، زیرا گوگل برای درک از طریق پردازش زبان به اطلاعات ساختاری کمتر و کمتری نیاز دارد.
محتوا و پیوندها همچنان مهمترین عوامل تأثیرگذار هستند.
حضور همزمان در جستجوها با فرمت های مختلف محتوا (متن، ویدئو، صدا و تصاویر) سیگنال های اعتماد و اعتباری مهمی محسوب می شوند. از طریق مام، گوگل به منابع داده و اطلاعات بسیار بیشتری دسترسی دارد. علاوه بر این، گوگل می تواند از داده کاوی مستقل از زبان برای جمع آوری و ادغام تمام اطلاعات موجود در جهان در مورد نهادها و موضوعات استفاده کند.
این به Google اجازه میدهد حتی بهتر به سؤالات پاسخ دهد و دانش واقعاً عمیقی را منتقل کند.
مدیران محتوا باید خود را کمتر به فراوانی کلمات کلیدی در محتوا مشغول سازند و دیدگاه هایی را که باید از آن یک موضوع مورد بررسی قرار گیرد را در نظر بگیرند.
محتوا پاسخ سوالات را می دهد. اما در آینده تنها تولید محتوا کافی نخواهد بود. Google میخواهد کاربر را در طول سفر کامل خرید مشتری با پاسخ های مناسب همراهی کند تا ترافیک تجاری ارزشمندی برای خود دریافت کند. آنها می خواهند سهم بازار را پس بگیرند.
از نقطه نظر سئو، برای کسانی که مسئول محتوا هستند، اهمیت زیادی پیدا میکند که در طول سفر مشتری، بازاریابی محتوا را ارائه دهند تا در طول تحقیق، تا حد امکان نقاط تماس محتوا را در اختیار کاربر قرار دهند. تولید محتوای بهینه با درنظر گرفتن نیاز مخاطب را بازاریابی درونگرا میگویند.
کاربران بسته به سطح دانش خود، یک فرآیند تحقیقاتی را در یک بازه زمانی کوتاه یا طولانی انجام می دهند. هنگامی که کاربران به دنبال راه حل برای سوالات خود به ویژه در مورد موضوعات علمی رو به رشد هستند، با چالش ها و سوالات مختلفی روبرو می شوند که نیاز به پاسخ دارند.
فردی که تازه به موضوع بهینه سازی موتورهای جستجو می پردازد، احتمالاً این سوال را می پرسد که “سئو چیست؟” بعد می پرسند، “سئو چگونه کار می کند؟” فقط متوجه می شوند که موضوع بسیار پیچیده است و آنها به احتمال زیاد می پرسند “چه کسی خدمات سئو را ارائه می دهد؟” در این سفر، شرکت ها باید پاسخ ها را ارائه دهند.
شرکت مهندسی داده پردازان سپنتا مهر با بیش از 10 سال سابقه، خدمات سئو برای فروشگاه های اینترنتی ارائه میدهد.
محتوا باید کاربر محور باشد و نیازها و سوالات را در طول سفر مشتری پیش بینی کند، درست مانند کاری که گوگل با مام انجام می دهد. تجزیه و تحلیل دقیق SERP به پیش بینی اهداف جستجوی فعلی و آینده کمک می کند.
بازدیدکنندگان کمتری از گوگل خواهید داشت؟
با نوآوری هایی مانند MUM و BERT، گوگل می خواهد پاسخ های بیشتری را مستقیما در SERP ها بدون نیاز به کلیک مجدد روی منبع محتوا نمایش دهد. تمام اطلاعات مورد نظر کاربر در همان صفحه اصلی نتایج جستجو.
در اینجا این خطر وجود دارد که منافع Google و ناشر محتوا متفاوت باشد به طوریکه گوگل از محتوای سایت ها استفاده میکند بدون اینکه به ناشر اجازه مشارکت دهد. که متاستفانه این موضوع و اینکه آنها چگونه تعادل منافع را در نظر می گیرند تنها در دست خود گوگل است.
یک چیز واضح است، گوگل برای پاسخ به سوالات فعلی و آینده کاربران به محتوای به روز متکی است و به عنوان یک گروه فناوری، گوگل قادر است اطلاعات را به صورت الگوریتمی ایندکس کرده و به روشی کاربرپسند آماده کند.
با این حال، احتمالاً هرگز نمی توانید به طور مستقل دانش تخصصی عمیقی در این راستا ایجاد کنید و آن را مستقل از محتوای ارائه شده توسط ناشران نمایش دهید. بنابراین، فقط می توان اعتماد کرد که گوگل همچنان به محتوای خوب با ترافیک پاداش می دهد.
سخن پایانی
قدرت اصلی الگوریتم MUM در چند زبانه بودن، چند وجهی بودن و تمرکز کامل بر روی تمام جوانب عبارت جستجو شده است. این الگوریتم قطعا BERT را تقویت می کند و تاثیر آن را چند برابر می کند. با این الگوریتم می توانیم با زبان طبیعی خود از یک هوش مصنوعی فوق پیشرفته سوال بپرسیم و دیگر محدود به زبانی که با آن سرچ انجام داده ایم نمی شویم.