Lo que los especialistas en marketing deben saber sobre el aprendizaje profundo y Google

Aprendizaje profundo.

Durante la KeyNote de PubCon de 2013, Matt Cutts mencionó esto como una de las cosas clave que Google está usando para mejorar la búsqueda, particularmente en lo que respecta a tener entidades y búsqueda por voz. El director de inteligencia artificial de Facebook, Yann LeCun, indica que compañías como Facebook y Google confiarán cada vez más en él: Facebook para clasificar elementos para mostrar a las personas, Google para autos sin conductor. Y después de un “invierno de IA” algo largo, compañías como Google, Facebook, Microsoft e IBM están contratando expertos en inteligencia artificial y aprendizaje profundo.

Para los especialistas en marketing, nunca ha habido un momento más importante para aprender qué es exagerado y qué es real. El aprendizaje profundo sin duda cambia las reglas del juego, pero tal vez no de la manera que espera.

No como un cerebro, en realidad

Todo suena muy "Google-is-SkyNet", ¿no es así? Lo que lo imbuye de ese tipo de misticismo es, en parte, cómo los medios de comunicación han retratado el aprendizaje profundo y la IA. Pero el problema al que se enfrentan los especialistas en marketing no se trata tanto de la trama de Terminator 2 como de la experiencia que tienen en torno a la obsolescencia de las búsquedas.

Para entender por qué, ayuda a desmitificar lo que realmente es y no es el aprendizaje profundo.

La forma abreviada que la gente usa a veces para describir las técnicas de aprendizaje profundo en IA es que "funciona como un cerebro". Esta es una frase muy tentadora de usar, porque se deshace de algo de la complejidad, y las personas pueden envolver sus cabezas alrededor de máquinas que aprenden como lo hace un cerebro.

Pero como señala Yann en una entrevista reciente, este tipo de publicidad es peligrosa. Sí, hay algunas técnicas en el aprendizaje automático que están inspiradas en la biología, pero muchas, muchas más técnicas que no lo están. Más bien, Deep Learning se trata de enseñar a las máquinas el reconocimiento de patrones, como enseñar a un automóvil a reconocer las luces verdes, rojas y amarillas, o hacer que Google reconozca cuando hay una cara en una imagen.

Máquinas que Aprenden

Lo que es profundo en Deep Learning es la arquitectura, no los aprendizajes. Se trata de escala.

Cuando Google usa Deep Learning para sus proyectos de "cosas, no cadenas", lo que lo hace profundo no es el hecho de que pueda tener una mejor búsqueda conversacional, sino el hecho de que millones y millones de "entidades" como "Obama" y "presidente ” se están acostumbrando, junto con toneladas de patrones sobre esas relaciones.

Una breve historia de los motores de búsqueda

La forma en que esto se relaciona con los motores de búsqueda y los vendedores en línea no es evidente hasta que examina la historia de cómo los vendedores de búsqueda han sido útiles.

Cuando los motores de búsqueda estaban en su fase incipiente, Altavista, Google y otros motores de búsqueda de la época usaban lo que se llama la metaetiqueta de palabra clave para ayudar a determinar de qué se trata una página. Lo que hicieron los SEO "malos" o "blackhat" fue abusar de esto: enviaron spam a las palabras clave en las metaetiquetas hasta que Google básicamente tuvo que darse por vencido y decir que el campo ya no es útil como señal.

Este patrón continuaría en la búsqueda en el futuro: Google y la compañía dirían que los enlaces son buenos para los motores de búsqueda, hasta que los jugadores del sistema abusaron de esto al construir redes de enlaces pagados que hicieron que los resultados de búsqueda fueran menos útiles en general cuando solo dependían de los enlaces. Los motores de búsqueda tuvieron que adaptarse descontando los enlaces que se pagan. Las páginas orientadas a temas son buenas para los motores de búsqueda, hasta que aparecieron las granjas de contenido y básicamente tenían contenido poco profundo para los temas. Así nació Panda.

Así es como ha sido el ecosistema en general: los ingenieros dentro de las empresas de motores de búsqueda no dicen específicamente qué hace que las páginas se clasifiquen, sino que dan instrucciones generales. Los SEO de "sombrero blanco" tomarían el espíritu de esas pautas y las aplicarían a los sitios web, y los "sombrero negro" continuarían probando el sistema en busca de debilidades.

Eso ha estado sucediendo durante unos 15 años, y Deep Learning en la búsqueda amenaza con desarraigar gran parte de ese ecosistema.

La máquina sabe lo que los ingenieros no saben

Cuando Amit Singhal y el resto del equipo de búsqueda de Google aplican cambios a la búsqueda de Google, esencialmente introducen algoritmos con algunas perillas modificadas.

Pero la introducción de Deep Learning en las secciones de la búsqueda de Google es un cambio de juego en el sentido de que para un conjunto particular de búsquedas, la máquina proporciona la relevancia; los ingenieros no podrían responder, por ejemplo, si los dominios de coincidencia exacta están ayudando, si los pesos sociales están impulsando la mayor parte de la clasificación para esa búsqueda o si la arquitectura interna del sitio está perjudicando la clasificación.

Lo mejor que podría decir un ingeniero de Google es "tal vez".

Y si los propios ingenieros de Google no lo saben, puede apostar que los SEO no lo saben, y sus clientes tampoco. Eso es lo que enfrentamos a medida que los sistemas de aprendizaje profundo mejoran: el SEO como oficio no morirá, pero la amplitud de lo que un SEO estándar puede afirmar razonablemente que sabe será más limitada.

¿Cómo prepara sus habilidades para el futuro en un mundo de aprendizaje profundo?

El impacto de Deep Learning no solo se sentirá en la búsqueda, sino que para muchos vendedores en línea, la búsqueda es lo que está en juego. En la próxima década, a medida que estos sistemas mejoren y se desarrollen más estándares (incluso los ingenieros de Google y Facebook admiten fácilmente que aún no estamos allí), serán aplicables en más y más áreas.

Lo que esto significa para usted como vendedor es que si tiene el mismo tiempo limitado para repasar el impacto de vincular bloques C para búsqueda y metodología de prueba dividida para usabilidad y conversiones, este último puede tener un poco más de posibilidades para avanzar.

Parece que en la próxima década, las habilidades que debe elegir son las que evitan que los visitantes vuelvan a hacer clic una vez que ingresan a su sitio web; serán fundamentales independientemente de cuánto Deep Learning desarraigue la página de resultados de búsqueda. Los enlaces, las referencias a las redes sociales, los elementos en la página y otras cosas seguirán siendo consideraciones, pero tendrá aún menos visibilidad de lo importantes que son que en la actualidad.