Effectuer une optimisation de l'apprentissage en profondeur pour répondre à l'intention de l'utilisateur

Comment mener une optimisation de l'apprentissage en profondeur pour répondre à l'intention de l'utilisateur

Mis à jour le 2.2.2022

Pour vous aligner sur les tendances de recherche dans l'apprentissage en profondeur , commencez par avoir une approche centrée sur l'utilisateur de ce qui devrait figurer sur vos pages Web.

L'intelligence artificielle et l'apprentissage en profondeur changent rapidement la façon dont des secteurs comme la santé et les services financiers réussissent dans l'espace en ligne. L'optimisation du Deep Learning est désormais un sujet central dans la communauté Machine Learning qui cherche à se tenir au courant des dernières techniques de recherche à l'aide des ensembles de données Google . Les avantages à long terme de pages hautement structurées construites avec des données organisées offriront à votre entreprise de meilleurs résultats dans les classements de recherche.

Nous vivons une époque passionnante; il est inspirant de voir quel apprentissage en profondeur est apporté aux affaires en ligne ! Les approches modernes d'apprentissage automatique, telles que l'apprentissage en profondeur, sont le début de l'avenir de la recherche. La croissance phénoménale du Web et de l'informatique dans l'apprentissage en profondeur signifie que de nombreuses entreprises se concentrent encore sur ce qui fonctionnait auparavant pour atteindre les acheteurs, mais il leur manque toujours les concepts de données structurées SEO . Couvrons quelques termes de base et commençons.

Table des matières

• Qu'est-ce que DeepMind pour Google ?
• En quoi l'apprentissage supervisé est-il différent de l'apprentissage informatique non supervisé ?
• Comment Google utilise-t-il le Deep Learning ?
• Les sites Web doivent offrir ce que les consommateurs préfèrent
• Les facteurs de classement sont-ils morts ?
• Quels facteurs de classement ont un impact sur les sites commerciaux ?
• Les bases de données d'apprentissage en profondeur et de graphes aident les utilisateurs à localiser les informations
  • Le référencement devient de plus en plus une question de pertinence du contenu
  • L'apprentissage en profondeur fournit aux chercheurs de meilleures réponses
• Changement de paradigme dans les facteurs de classement par industrie
• Comment optimiser pour le Deep Learning ?
• Que sont les bases de données de graphes parallèles natives d'apprentissage en profondeur ?
• Qu'est-ce que NSL dans TensorFlow ?
• Résumé des réflexions : optimisation de l'apprentissage en profondeur

Qu'est-ce que DeepMind pour Google ?

Le DeepMind pour Google porte l'acronyme DMG. Son équipe met en œuvre les recherches de pointe de DeepMind en matière d'apprentissage automatique dans les produits Google et l'infrastructure de recherche Google. Des millions de personnes l'utilisent pour poser des questions et effectuer des requêtes de recherche sans connaître ni comprendre la technologie sous-jacente. C'est dans les coulisses des algorithmes d'apprentissage informatique actuels.

Il est utile pour aider les entreprises à gagner en visibilité dans les SERP et les ventes .

En quoi l'apprentissage supervisé est-il différent de l'apprentissage informatique non supervisé ?

Dans l'apprentissage supervisé, un ordinateur est formé pour prédire les étiquettes désignées par l'homme, telles que le type d'images d'arbres étiquetés à base d'arbres; l'apprentissage non supervisé ne dépend pas des étiquettes. Il est capable de créer son propre flux de travail de prédiction, par exemple en essayant de prédire chaque mot successif dans une phrase particulière. L'apprentissage par renforcement permet à un agent de découvrir des séquences d'actions qui optimisent ses bénéfices totaux, comme gagner des jeux et prédire des élections, sans exemples explicites de bonnes techniques, permettant l'autonomie.

Comment Google utilise-t-il le Deep Learning ?

Un exemple de la façon dont Google utilise Deep Learning est Google Maps. Les données de localisation agrégées peuvent être utilisées pour comprendre le trafic, les données historiques des utilisateurs et les conditions de circulation en temps réel. L'utilisation de l'apprentissage automatique pour générer des prédictions aide une personne utilisant Google Maps à naviguer. Ils peuvent savoir si le trafic routier le long de leur itinéraire professionnel est lourd ou léger, un temps de trajet estimé et l'heure d'arrivée estimée (ETA).

C'est l'IA de reconnaissance vocale de Google Assistant qui utilise des réseaux de neurones profonds pour entraîner son algorithme à mieux comprendre les commandes et les questions parlées. Le système a été mis à jour pour fonctionner sur une nouvelle plate-forme appelée Google Neural Machine Translation ; cela impliquait de tout déplacer vers un environnement d'apprentissage en profondeur.

Cependant, le géant de la technologie utilise cette technologie de nombreuses façons, dont seuls ses employés connaissent la plupart.

Les sites Web doivent offrir ce que les consommateurs préfèrent

Votre présence commerciale en ligne et vos revenus méritent des audits, une réflexion, une planification et une préparation continus pour rester à jour dans
créer du contenu Web que les utilisateurs veulent consommer . Mais cela donne également aux spécialistes du marketing numérique la possibilité d'améliorer leurs approches et de saisir différemment de nouvelles opportunités dans les recherches payantes et gagnées .

Naturellement, l'étude continue consiste à savoir à l'avance quelles questions des utilisateurs vont surgir et quel contenu préparer, ce qui peut être une étape majeure vers l'intelligence générale dont votre entreprise a besoin. L'apprentissage en profondeur prouve que la création d'un meilleur contenu dans des articles longs génère plus d'engagement des utilisateurs et de ventes que la production de plus de contenu de moindre valeur.

Sandford.edu déclare : "L'idée d'utiliser des GPU pour former des algorithmes d'apprentissage en profondeur a été proposée pour la première fois en 2009". Elle a depuis mené de nombreuses expérimentations pour comprendre le fonctionnement de différents algorithmes d'optimisation du deep learning et propose des formations continues. De plus, le livre blanc annuel Searchmetrics Ranking Factors ** fait une déclaration étonnante sur le fait que les facteurs de classement Web traditionnels sont devenus inutiles.

Pour beaucoup, les mises à jour du fonctionnement du référencement cette année sont une nouvelle science de fusée qui implique l'utilisation de l'apprentissage en profondeur. Nous comprenons les heures nécessaires pour déterminer l'impact sur votre domaine d'activité et aimons aider les entreprises de Minneapolis à développer leur présence en ligne.

Les experts en marketing de recherche n'utilisent pas seulement le balisage essentiel des données structurées tel que décrit sur schema.org et sur les pages Google Developers pour obtenir des informations sur les panneaux de connaissances enrichis et les extraits enrichis. Il s'agit de plusieurs sources qui expliquent comment fonctionne la recherche et où elle se développera pour une utilisation future améliorée. Il évolue rapidement et mérite d'y prêter beaucoup plus d'attention.

Les facteurs de classement sont-ils morts ?

Les facteurs SEO techniques restent importants et doivent être résolus sur un domaine pour maintenir un score d'optimisation SEO sain. L'évolution du paysage de la recherche et l'augmentation considérable du volume de recherches créent un travail plus important pour les moteurs de recherche. Les spécialistes du marketing doivent rapidement comprendre et mettre en œuvre une meilleure stratégie de recherche pour être compétitifs dans la recherche sur ordinateur, mobile, voix et image. Si le codage de votre site est obsolète, cassé ou gonflé, vous ne devez pas vous attendre à ce que les moteurs de recherche favorisent votre site dans les classements de recherche.

Chaque site est confronté au même fait, la qualité, la pertinence, l'exactitude et l'unicité de votre contenu sont intériorisées et jugées par Google, ainsi que le nombre de backlinks pertinents. FatJoe parle de la nouvelle expérience de page de Google** ; qui le souligne. Si votre contenu n'est pas considéré comme la meilleure réponse, vous ne serez pas récompensé par un classement plus élevé et une meilleure visibilité dans les SERP. Vous pouvez gagner beaucoup de visibilité directe sur la marque en vous présentant dans les cases People Also Ask . La nouvelle approche concerne davantage la pertinence du contenu et la satisfaction des demandes des utilisateurs. Par exemple, si vos pages Web sont embourbées avec des pixels à chargement lent, il s'agit d'un facteur de classement technique. Les utilisateurs qui n'attendent pas en raison de problèmes de vitesse de chargement sont de plus en plus nombreux.

QUELS FACTEURS DE CLASSEMENT IMPACTENT LES SITES COMMERCIAUX ?

Voici la liste exacte des principales informations sur les nouveaux facteurs de classement découverts par SearchMetrics :

• L'algorithme de deep learning de Google s'adapte désormais aux requêtes et fonctionne en temps réel.
• La pertinence du contenu est un nouveau facteur de classement - et c'est la force motrice derrière l'obtention des meilleurs classements.
• Les facteurs techniques restent une condition sine qua non pour un bon classement, mais ces éléments seuls ne suffisent plus.
• Les backlinks ne sont plus qu'un des nombreux facteurs contributifs ; des classements élevés sont même possibles pour les sites Web sans lien.

Les bases de données d'apprentissage en profondeur et de graphes aident les utilisateurs à localiser les informations

Un autre facteur dans la création de contenu de haute qualité est le passage à la fourniture d'un nouveau message ou article basé sur un sujet plutôt que sur le thème des mots clés. Tout ce que vous publiez en ligne fait partie de votre Knowledge Graph et démontre votre expertise du secteur, les sujets sur lesquels vous êtes une autorité et le contenu pertinent que vous avez produit pour le prouver.

L'investissement accru dans l'apprentissage en profondeur, l'intelligence artificielle et l'apprentissage automatique est centré sur la pertinence du contenu qui remplace les approches à l'ancienne de l'optimisation des campagnes SEO et PPC. Prédire les modèles de comportement des consommateurs à l'aide d'algorithmes d'apprentissage en profondeur est désormais plus facile que jamais.

Les visiteurs du site doivent pouvoir profiter des solutions que vous proposez pour résoudre des problèmes complexes. Les bases de données graphiques et l'apprentissage en profondeur aident les utilisateurs à trouver qui a dit quoi sur leurs sujets de recherche. Et au-delà de cela, cela devrait inclure juste quand cela a été dit, quelle chaîne le présente et où ils l'ont dit. À partir de là, les utilisateurs, espérons-le, vous appelleront, rempliront un formulaire, se connecteront sur les réseaux sociaux, effectueront un achat dans un panier, se rendront directement dans votre magasin ou prendront une autre mesure d'action positive pour se connecter.

Méfiez-vous de mettre trop l'accent sur le classement des mots clés, car cette mesure dans les résultats de recherche se déplace vers les SERP basés sur les entités . Le choix de Google pour produire des résultats de recherche varie en fonction d'un certain nombre de critères assortis.

Deux prévalent dans notre expérience :

• Géolocalisation. Les résultats de recherche des utilisateurs sont ajustés en fonction de la longitude et de la latitude d'où ils se trouvent à ce moment-là. Cela a un impact non seulement sur la recherche locale et le marketing Google Maps, mais également sur d'autres aspects du classement de la recherche organique. Alors que "près de moi" fait généralement partie des requêtes de recherche, même si ce n'est pas le cas, GoogleBot affichera naturellement les résultats près de chez vous. Une tactique qui stimule vraiment le référencement local pour certains sites consiste à implémenter le balisage de schéma Local Business .

• Préférences personnelles établies. Tous les principaux moteurs de recherche stockent en permanence des informations sur la façon dont vous et les autres utilisez le Web. Cela forme un modèle appelé recherche personnalisée. Ces informations sont stockées dans le cloud et deviennent des mégadonnées utilisées pour offrir des résultats de recherche plus pertinents. Vos enregistrements GPS, l'historique de votre navigateur, vos tweets et bien plus encore façonnent la façon dont les SERP cherchent à correspondre à vos préférences.

Le référencement devient de plus en plus une question de pertinence du contenu

Les entreprises qui constatent des améliorations dans le classement de leur site Web découvrent que cela est dû à des pages avec une pertinence de contenu unique et fantastique et qui offrent également la meilleure solution aux utilisateurs. Il s'agit d'une conclusion clé de la dernière étude de SearchMetric. Le contenu pertinent fait référence à la mesure dans laquelle les informations sur un site Web correspondent à une requête de recherche. Les critères de pertinence incluent des éléments de contenu comme le texte visible, ainsi que des images ou des vidéos. De plus, la pertinence peut être générée par le biais d'éléments méta tels que le titre, la méta description et les balises alt.

Les spécialistes du marketing qui comprennent les différentes formes de requêtes de recherche (informationnelles, de navigation et transactionnelles) peuvent créer un nouveau contenu et une nouvelle structure de page autour d'eux. Les informations utiles sont centrées sur l'expérience utilisateur et sur ce que l'utilisateur souhaite accomplir, apprendre ou acheter. Les signaux des utilisateurs sont les véritables leaders, en particulier dans le marketing de recherche local.

L'importance du contexte dans votre contenu doit correspondre à l'intention du chercheur. BERT et MUM sont des algorithmes d'apprentissage en profondeur qui sont liés au traitement du langage naturel et déchiffrent plus facilement l'intention.

L'apprentissage en profondeur fournit aux chercheurs de meilleures réponses

Google propose des choix pour les requêtes de recherche qui, selon lui, sont la meilleure réponse et offriront la meilleure expérience utilisateur. Selon la nature de la requête, l'optimisation de la recherche sémantique peut vous aider à gagner des fonctionnalités telles qu'une boîte de réponse pour une recherche médicale , un didacticiel vidéo ou un article de recherche approfondi.

Dans le passé, Google a été plus insaisissable. Lors d'un événement diffusé en direct le 23 mars 2016, Google a confirmé que les trois principaux signaux de classement étaient le contenu, les liens et RankBrain. Andrey Lipattsev, stratège principal de la qualité de la recherche chez Google, a expliqué que RankBrain est l'endroit où l'apprentissage automatique et profond entre en jeu et fonctionne en temps réel.

Changement de paradigme dans les facteurs de classement par industrie

Le contenu n'est plus une tonne de pages et de publications. Avec la prolifération du contenu Web, un site plus grand peut absorber négativement votre budget de crawl. Un contenu plus pertinent et adapté à l'utilisateur proposé sous la forme d'un article pratique, de conseils, d'infographies ou de galeries d'images offrant des exemples de travaux visuels, comme pour un peintre en bâtiment historique, est excellent. Des listes concises avec des étapes claires à puces ou numérotées facilitent la tâche des lecteurs qui doivent suivre les instructions.

Cet arrangement d'éléments d'information fait partie intégrante de la conception UX d'un site et doit être bien formaté et balisé avec un schéma. Les données structurées ne sont pas censées être un facteur de classement, mais comme elles aident à organiser le contenu de votre page, ce facteur contribue à lui seul à ses chances d'obtenir un classement plus élevé.

Le référencement devient définitivement plus complexe. Pour les personnes qui pratiquaient autrefois une approche unique, l'appel au changement est plus radical. Différentes industries ont des critères uniques pour classer les facteurs afin d'obtenir une meilleure visibilité dans les résultats de recherche pertinents. Il n'y a pas d'approche ordonnée à un facteur pour des stratégies de marketing réussies . Cependant, une chose est claire : votre site a besoin d' informations valides sur l'industrie et bien structurées .

Searchmetrics a annoncé qu'il commencerait à publier des livres blancs spécifiques à l'industrie pour les entreprises des secteurs de la santé, de la finance, du commerce électronique, des médias et des voyages. La grande complexité des facteurs de classement de recherche et la manière dont ils sont appliqués aux requêtes des utilisateurs impliquent un engagement à long terme pour comprendre quels facteurs affectent les classements en fonction de votre créneau, de la concurrence et des attentes des utilisateurs.

Comment optimiser pour le Deep Learning ?

Préparez-vous à un apprentissage en profondeur pour faire partie du processus d'optimisation de votre site Web en :

1. Centralisez vos données. Que votre entreprise soit grande ou petite, il faut un certain état d'esprit pour tirer parti de l'apprentissage en profondeur et du savoir-faire afin de l'optimiser. Pour commencer, créez un « lac de données » ou un graphique de données pour vous aider à accéder, comparer et analyser plus facilement les entrées critiques des actions des utilisateurs. Heureusement, de plus en plus de sources sont capables de gérer une énorme quantité de données et d'aider les webmasters, les gestionnaires de compte PPC et les professionnels du référencement à en comprendre le sens. Un audit de site SEO approfondi peut contribuer à tirer parti du Deep Learning pour offrir plus de valeur à vos lecteurs.

2. Faites-en la culture de votre organisation. Les sites Web qui prennent les devants aujourd'hui et à l'avenir nécessitaient un processus bien planifié. Cela ne fonctionne plus simplement pour créer le prochain message qui inspire votre stylo d'écriture. Le succès signifie échouer parfois, mais échouer en avant. Exécutez rapidement des expériences sur une infrastructure qui prend en charge un développement rapide et itératif ; tester, mesurer et ajuster. Faites évoluer votre culture organisationnelle du point de vue de la prise de décisions basées sur des intuitions émotionnelles jusqu'à celle de s'appuyer davantage sur des informations éprouvées sur les données. Ensuite, votre contenu Web et votre structure d'ontologie UX peuvent être mieux lus par l'apprentissage automatique et mieux fonctionner dans les applications d'apprentissage en profondeur.

3. Restez fluide et créez du contenu toujours vert. Plus vite vous apprendrez les concepts d'apprentissage en profondeur et comment les mettre en œuvre lors de la création de nouveau contenu Web, plus tôt vous offrirez des expériences utilisateur plus impressionnantes. Prévoyez du temps pour la recherche, suivre de nouveaux cours, mener des expériences et partager vos résultats sur les forums. Envisagez de rejoindre le cours d'Andrew Ng via Coursera ou de participer à un concours Kaggle.

"Le Deep Learning est un nouveau domaine de recherche en Machine Learning qui vise à atteindre son objectif initial : l'Intelligence Artificielle." – École d'ingénierie Amrita ***

"Il (l'apprentissage automatique) a commencé à produire des résultats étonnants. L'apprentissage en profondeur ne sert plus seulement à créer des systèmes anti-spam efficaces ; maintenant, il alimente des voitures autonomes, des robots marcheurs, la reconnaissance et la synthèse vocales au niveau humain et bien plus encore. C'est un développement incroyable ! -Consultant en machine learning Aurélien Geron****

"La méthodologie prédominante dans la formation à l'apprentissage en profondeur préconise l'utilisation de méthodes de descente de gradient stochastique (SGD). Malgré sa facilité de mise en œuvre, les SGD sont difficiles à régler et à paralléliser. Ces problèmes compliquent le développement, le débogage et la mise à l'échelle des algorithmes d'apprentissage en profondeur avec les SGD. Nous montrons que des méthodes d'optimisation prêtes à l'emploi plus sophistiquées telles que la mémoire limitée BFGS et le gradient conjugué avec recherche de ligne peuvent considérablement simplifier et accélérer le processus de pré-apprentissage des algorithmes profonds. – Andrew NG*

Que sont les bases de données de graphes parallèles natives d'apprentissage en profondeur ?

Les bases de données de graphes parallèles natives d'apprentissage en profondeur offrent des données pour des informations plus approfondies et de meilleurs résultats. L'apprentissage automatique, même s'il progresse sous l'égide de l'apprentissage en profondeur, reste exigeant en termes de calcul, et l'apprentissage automatique basé sur des graphes ne fait pas exception. Avec chaque nouveau point de connexion d'entité ou niveau de données connectées, le volume de données dans chaque recherche augmente de façon exponentielle. Cela nécessite alors un calcul massivement parallèle pour entrecroiser les données et mieux comprendre l'intention de recherche des utilisateurs .

Les bases de données clé-valeur nécessitent une connexion appropriée, mais avec un nombre propre et réduit de recherches séparées ou de RDBMS pour éviter trop de jointures lentes. Certaines bases de données de graphes standard peuvent finir par avoir du mal à gérer l'analyse des liens profonds sur de grands graphes. Une base de données de graphes native qui gère le traitement massivement parallèle et distribué est préférable.

Afin de calculer et d'expliquer les raisons des suggestions de recherche personnalisées et de la découverte de fraudes, la base de données de graphes doit disposer d'un langage de requête puissant qui peut non seulement parcourir les connexions dans le graphe, mais également prendre en charge des calculs tels que le filtrage et l'agrégation et des structures de données à multiples facettes à rappeler. la preuve. La recherche conceptuelle nécessite une approche structurée ; il prend en charge à la fois le moteur de recherche et la facilité d'utilisation de l'utilisateur.

Qu'est-ce que NSL dans TensorFlow ?

L'apprentissage structuré neuronal, ou NSL, dans TensorFlow n'est pas aussi complexe qu'il y paraît. C'est un cadre pour la formation de réseaux de neurones profonds qui s'appuient sur des signaux structurés ainsi que sur des entrées spécifiques. Ce modèle d'apprentissage s'appuie sur Neural Graph Learning pour former des réseaux de neurones à l'aide de graphiques et de données structurées. Celles-ci sont générées par de multiples sources telles que des graphes de connaissances, des dossiers médicaux, des données génomiques ou des relations multimodales. Cela prend également en charge le traitement du langage naturel utilisé dans l'algorithme BERT .

Comment NSL utilise-t-il les graphiques et les données structurées ?

Les données structurées contiennent des données riches sur les relations entre les entités parmi les échantillons. Pendant la phase de formation d'un modèle ML, l'engagement des signaux structurés aide à atteindre une plus grande précision du modèle. Les signaux structurés apportent une meilleure méthode et cohérence à l'apprentissage d'un réseau de neurones. Ceci est réalisé en forçant le modèle à assimiler des prédictions précises tout en maintenant la similarité structurelle des entrées. Ceci est extrêmement utile pour les stratèges du marketing de recherche car ils approuvent les meilleures techniques de référencement .

Il n'est pas facile pour le spécialiste du marketing numérique d'aujourd'hui de déchiffrer l'intention spécifique de l'utilisateur. En mettant de côté les intuitions et en tirant parti des mégadonnées riches en informations clés , vous pouvez adopter une nouvelle approche. De solides techniques d'optimisation restent à la base des meilleures pratiques de commerce électronique pour améliorer les ventes et le respect des directives de recherche de Google est une condition préalable à un bon classement. Votre architecture UX, la mise en œuvre de schémas structurés, la structure de liaison pertinente et la vitesse rapide du site continuent d'être applicables.

Les facteurs de classement traditionnels ne sont plus en mesure de vous aider à rester compétitif. De nouveaux algorithmes, une nouvelle utilisation de la recherche vocale, davantage d'appareils, associés à l'apprentissage en profondeur et à sa capacité à analyser le contenu du site Web et à comprendre l'intention de l'utilisateur en temps réel sont là pour rester. Hill Web Creations peut aider à éliminer les niveaux de confusion ou le sentiment d'être dépassé. Votre site Web peut prospérer avec une approche structurée du contenu comme jamais auparavant et fonctionner plus efficacement pour correspondre à l'intention de l'utilisateur .

L'expérience utilisateur dans le monde du référencement professionnel ne fait qu'augmenter. Améliorer les mesures de satisfaction des utilisateurs sur votre site Web et donner la priorité à ce qui fonctionne pour augmenter votre taux de clics SERP augmentera les niveaux de trafic et de conversions pertinents. Les facteurs que nous avons mentionnés dans cet article sont également fortement corrélés à de meilleurs classements. Google a toujours déclaré que ce qu'il cherche, c'est de fournir les résultats de recherche que les individus souhaitent. C'est aussi simple que le fait que vous, comme tous les internautes, cliquez et vous attardez sur le contenu que vous souhaitez.

Résumé des réflexions : optimisation de l'apprentissage en profondeur

Chez Hill Web Marketing , nous aimons ce que nous faisons. Nous pourrions parler et expliquer ce qu'est le référencement toute la journée ! Nous ne nous excusons pas pour notre passion pour l'expertise SEO technique ; cela signifie avoir la capacité de vous offrir des informations professionnelles uniques pour améliorer l'expérience client sur votre site. Suivez notre blog de marketing de recherche pour des nouvelles fraîches et fiables.

Si vous souhaitez en savoir plus sur nos réalisations pour aider les sites Web d'entreprises à mieux se classer, parlons-en en personne. Nous pouvons suggérer de commencer par un audit de schéma pour les correctifs et les opportunités

* http://www.andrewng.org/portfolio/on-optimization-methods-for-deep-learning/

** https://fatjoe.com/google-page-experience/

*** https://www.amrita.edu/event/workshop-advanced-optimization-deep-learning-applications

**** https://cloud.google.com/blog/products/gcp/the-book-for-getting-hands-on-with-machine-learning-deep-learning-and-tensorflow