Conduza a otimização de aprendizado profundo para atender à intenção do usuário

Como conduzir a otimização de aprendizado profundo para atender à intenção do usuário

Atualizado em 2.2.2022

Para se alinhar com as tendências de pesquisa em deep learning , comece com uma abordagem focada no usuário para o que deve estar em suas páginas da web.

A inteligência artificial e o aprendizado profundo estão mudando rapidamente a forma como setores como saúde e serviços financeiros são bem-sucedidos no espaço online. A otimização de Deep Learning é agora um tópico central na comunidade de Machine Learning que busca acompanhar as técnicas de pesquisa mais recentes usando conjuntos de dados do Google . Os benefícios de longo prazo de páginas altamente estruturadas criadas com dados organizados oferecerão à sua empresa melhores resultados nas classificações de pesquisa.

Estamos vivendo tempos emocionantes; é inspirador ver o que o aprendizado profundo é trazido para os negócios online! As abordagens modernas de aprendizado de máquina, como aprendizado profundo, são o começo do futuro da pesquisa. O crescimento fenomenal da web e da ciência da computação no aprendizado profundo significa que muitas empresas ainda estão focando no que antes funcionava para alcançar os compradores, mas ainda estão perdendo os conceitos de dados estruturados de SEO . Vamos abordar alguns termos básicos e começar.

Índice

• O que é DeepMind para Google?
• Como o aprendizado supervisionado é diferente do aprendizado não supervisionado por computador?
• Como o Google usa o aprendizado profundo?
• Os sites devem oferecer o que os consumidores preferem
• Os fatores de classificação estão mortos?
• Quais fatores de classificação afetam os sites de negócios?
• Deep Learning e bancos de dados gráficos ajudam os usuários a localizar informações
  • SEO está se tornando mais sobre relevância de conteúdo
  • Deep Learning fornece respostas melhores aos pesquisadores
• Mudança de paradigma nos fatores de classificação por setor
• Como otimizar para Deep Learning?
• O que são bancos de dados de gráficos paralelos nativos de aprendizado profundo?
• O que é NSL no TensorFlow?
• Resumindo Pensamentos: Otimização de Aprendizado Profundo

O que é DeepMind para Google?

O DeepMind para Google atende pela sigla DMG. Sua equipe implementa a pesquisa de aprendizado de máquina de ponta da DeepMind nos produtos do Google e na infraestrutura de pesquisa do Google. Milhões de pessoas o usam para fazer perguntas e realizar consultas de pesquisa sem conhecer ou entender a tecnologia por trás dele. Está nos bastidores dos atuais algoritmos de aprendizado de computador.

É útil para ajudar as empresas a ganhar visibilidade em SERPs e vendas .

Como o aprendizado supervisionado é diferente do aprendizado não supervisionado por computador?

No aprendizado supervisionado, um computador é treinado para prever rótulos designados por humanos, como tipos de imagens de árvores rotuladas baseadas em árvores; o aprendizado não supervisionado não depende de rótulos. Ele é capaz de fazer seu próprio fluxo de trabalho de previsão, como tentar prever cada palavra sucessiva em uma frase específica. O aprendizado por reforço permite que um agente descubra sequências de ação que otimizem seus benefícios totais, como ganhar jogos e prever eleições, sem exemplos explícitos de boas técnicas, possibilitando autonomia.

Como o Google usa o aprendizado profundo?

Um exemplo de como o Google usa Deep Learning é o Google Maps. Os dados de localização agregados podem ser usados ​​para entender o tráfego, dados históricos do usuário e condições de tráfego ao vivo. Usar o aprendizado de máquina para gerar previsões ajuda alguém que usa o Google Maps a navegar. Eles podem saber se o tráfego rodoviário ao longo de sua rota comercial é pesado ou leve, um tempo estimado de viagem e o tempo estimado de chegada (ETA).

A IA de reconhecimento de fala do Google Assistant usa redes neurais profundas para treinar seu algoritmo para entender melhor comandos e perguntas falados. O sistema foi atualizado para funcionar em uma nova plataforma chamada Google Neural Machine Translation; isso envolveu mover tudo para um ambiente de aprendizado profundo.

No entanto, existem muitas maneiras pelas quais a gigante da tecnologia usa essa tecnologia – muitas que apenas seus funcionários conhecem.

Os sites devem oferecer o que os consumidores preferem

Sua presença e receita de negócios on-line merecem auditorias contínuas, reflexão, planejamento e preparação para se manter atualizado em
criar conteúdo da Web que os usuários desejam consumir . Mas também dá aos profissionais de marketing digital a chance de melhorar as abordagens e aproveitar novas oportunidades nas pesquisas ganhas e pagas de maneira diferente.

Naturalmente, o estudo contínuo consiste em saber com antecedência quais perguntas do usuário estarão surgindo e qual conteúdo preparar, o que pode ser um grande passo para a inteligência geral que sua empresa precisa. O aprendizado profundo está provando que criar conteúdo melhor em artigos longos gera mais engajamento e vendas do usuário do que produzir mais conteúdo de menor valor.

Sandford.edu diz: “A ideia de usar GPUs para treinar algoritmos de aprendizado profundo foi proposta pela primeira vez em 2009”. Desde então, ele realizou muitos experimentos para entender como diferentes algoritmos de otimização de aprendizado profundo funcionam e oferece treinamento contínuo. Além disso, o whitepaper anual Searchmetrics Ranking Factors ** faz uma declaração impressionante de que os fatores tradicionais de classificação da web se tornaram irrelevantes.

Para muitos, as atualizações em como o SEO funciona este ano são uma nova ciência do foguete que envolve o uso de aprendizado profundo. Entendemos as horas necessárias para determinar o impacto em seu domínio de negócios e adoramos ajudar os negócios de Minneapolis a aumentar sua presença on-line.

Os especialistas em marketing de pesquisa não estão apenas usando a marcação essencial de dados estruturados , conforme descrito em schema.org e nas páginas do Google Developers, para obter informações sobre painéis de conhecimento avançados e rich snippets. Essas são várias fontes que explicam como a pesquisa funciona e onde ela estará crescendo para uso futuro aprimorado. Está evoluindo rápido e vale a pena prestar muito mais atenção.

Os fatores de classificação estão mortos?

Fatores técnicos de SEO continuam importantes e devem ser resolvidos em um domínio para manter uma pontuação de otimização de SEO saudável. O cenário de pesquisa em evolução e o grande aumento no volume de pesquisas criam um trabalho maior para os mecanismos de pesquisa. Os profissionais de marketing devem entender e implementar rapidamente uma estratégia de pesquisa melhor para serem competitivos na pesquisa de desktop, celular, voz e imagem. Se a codificação do seu site estiver desatualizada, quebrada ou inchada, você não deve esperar que os mecanismos de pesquisa favoreçam seu site nas classificações de pesquisa.

Todo site enfrenta o mesmo fato, a qualidade, relevância, exatidão e exclusividade do seu conteúdo são internalizados e julgados pelo Google, juntamente com o número de backlinks relevantes. FatJoe fala sobre a nova experiência de página do Google**; o que ressalta isso. Se o seu conteúdo não for considerado a melhor resposta, você não será recompensado com classificações mais altas e melhor visibilidade nas SERPs. Você pode obter muita visibilidade direta da marca aparecendo nas caixas As pessoas também perguntam . A abordagem mais recente é mais sobre relevância de conteúdo e atendimento às demandas do usuário. Por exemplo, se suas páginas da web estiverem congestionadas com pixels de carregamento lento, isso é um fator de classificação técnica. Os usuários que não esperam devido a problemas com a velocidade de carregamento estão aumentando em número.

QUE FATORES DE RANKING IMPACTAM OS SITES DE NEGÓCIOS?

Aqui está a lista exata dos principais insights dos novos fatores de classificação que a SearchMetrics descobriu:

• O algoritmo de aprendizado profundo do Google agora se adapta às consultas e opera em tempo real.
• A relevância do conteúdo é um novo fator de classificação — e é a força motriz por trás da obtenção das principais classificações.
• Os fatores técnicos continuam sendo um pré-requisito para uma boa classificação, mas esses elementos por si só não são mais suficientes.
• Backlinks são agora simplesmente um dos muitos fatores que contribuem; classificações altas são possíveis até mesmo para sites sem links.

Deep Learning e bancos de dados gráficos ajudam os usuários a localizar informações

Outro fator na criação de conteúdo de alta qualidade é uma mudança para fornecer uma nova postagem ou artigo com base em um tópico em vez de ter como tema palavras-chave. Tudo o que você publica on-line se torna parte do seu Gráfico de Conhecimento e demonstra sua experiência no setor, em quais assuntos você é uma autoridade e qual conteúdo relevante você produziu para provar isso.

O aumento do investimento em aprendizado profundo, inteligência artificial e aprendizado de máquina se concentra na relevância do conteúdo que substitui as abordagens antiquadas de otimização de campanhas de SEO e PPC. Prever padrões de comportamento do consumidor usando algoritmos de aprendizado profundo agora é mais fácil do que nunca.

Os visitantes do site devem ser capazes de prosperar com as soluções que você oferece para resolver problemas complexos. Os bancos de dados gráficos e o aprendizado profundo ajudam os usuários a encontrar quem disse o quê em seus tópicos de pesquisa. E além disso, deve incluir exatamente quando foi dito, qual canal o apresenta e onde foi dito. A partir daí, espera-se que os usuários liguem para você, preencham um formulário, conectem-se em canais sociais, concluam uma compra de carrinho de compras, dirijam-se diretamente à sua loja ou tomem alguma outra ação positiva para se conectar.

Desconfie de colocar muita ênfase nas classificações de palavras-chave, pois essa métrica nos resultados de pesquisa está mudando para SERPs baseados em entidade . A escolha do Google para produzir resultados de pesquisa varia com base em vários critérios variados.

Dois têm precedência em nossa experiência:

• Geolocalização. Os resultados da pesquisa do usuário são ajustados de acordo com a longitude e latitude de onde eles estão naquele momento. Isso afeta não apenas a pesquisa local e o marketing do Google Maps, mas também aspectos adicionais das classificações de pesquisa orgânica. Embora “perto de mim” seja geralmente parte das consultas de pesquisa, mesmo que não seja, o GoogleBot exibirá naturalmente os resultados perto de você. Uma tática que está realmente impulsionando o SEO local para alguns sites é implementar a marcação de esquema de empresa local .

• Preferências pessoais estabelecidas. Todos os principais mecanismos de pesquisa armazenam continuamente informações sobre como você e outras pessoas usam a web. Isso forma uma pesquisa personalizada de chamada de padrão. Essas informações são armazenadas na nuvem e se tornam big data usados ​​para oferecer resultados de pesquisa mais relevantes. Seus registros de GPS, histórico do navegador, tweets e muito mais moldam como os SERPs procuram corresponder às suas preferências.

SEO está se tornando mais sobre relevância de conteúdo

As empresas que encontram melhorias nos rankings de seus sites descobrem que isso se deve a páginas com fantástica relevância de conteúdo exclusivo e que também oferece a melhor solução para os usuários. Esta é uma descoberta importante do último estudo da SearchMetric. Conteúdo relevante refere-se a quão bem as informações em um site correspondem a uma consulta de pesquisa. Os critérios de relevância incluem elementos de conteúdo como o texto visível, bem como imagens ou vídeos. Além disso, a relevância pode ser gerada por meio de meta elementos como título, meta descrição e alt tags.

Os profissionais de marketing que compreendem as várias formas de consultas de pesquisa (informativas, navegacionais e transacionais) podem criar novos conteúdos e estruturas de páginas em torno delas. Informações úteis se concentram na experiência do usuário e no que o usuário deseja realizar, aprender ou comprar. Os sinais do usuário são os verdadeiros líderes, especialmente no marketing de busca local.

A importância do contexto em seu conteúdo precisa corresponder à intenção de um pesquisador. BERT e MUM são algoritmos de aprendizado profundo que estão relacionados ao processamento de linguagem natural e decifram a intenção com mais facilidade.

Deep Learning fornece respostas melhores aos pesquisadores

O Google oferece opções para consultas de pesquisa que acredita serem a melhor resposta e fornecerão a melhor experiência do usuário. Dependendo da natureza da consulta, a otimização de pesquisa semântica pode ajudá-lo a obter recursos como uma caixa de resposta para uma pesquisa médica , um tutorial em vídeo ou um artigo de pesquisa detalhado.

No passado, o Google foi mais evasivo. Em um evento ao vivo transmitido em 23 de março de 2016, o Google confirmou os três principais sinais de classificação como conteúdo, links e RankBrain. Andrey Lipattsev, estrategista sênior de qualidade de pesquisa do Google, falou sobre o RankBrain é onde a máquina e o aprendizado profundo entram em jogo e funcionam em tempo real.

Mudança de paradigma nos fatores de classificação por setor

O conteúdo não é mais sobre uma tonelada de páginas e postagens. Com a proliferação do conteúdo da web, um site maior pode absorver negativamente seu orçamento de rastreamento. Mais relevante, adaptado ao conteúdo do usuário oferecido na forma de uma postagem de instruções, dicas, infográficos ou galerias de imagens que oferecem exemplos de trabalho visual, como para um pintor histórico, são ótimos. Listas concisas com etapas claras com marcadores ou numeradas facilitam para os leitores que precisam seguir as instruções.

Esse arranjo de elementos informativos é parte integrante do design de UX de um site e deve ser bem formatado e marcado com esquema. Os dados estruturados não devem ser um fator de classificação, mas como ajudam a organizar o conteúdo da sua página, esse fator por si só contribui para suas chances de classificações mais altas.

SEO está definitivamente se tornando mais complexo. Para indivíduos que uma vez praticaram uma abordagem de tamanho único, o apelo à mudança é mais drástico. Diferentes setores têm critérios exclusivos para fatores de classificação para obter maior visibilidade nos resultados de pesquisa relevantes. Não existe uma abordagem ordenada de um fator para estratégias de marketing bem-sucedidas . No entanto, uma coisa é clara: seu site precisa de informações válidas do setor e bem estruturadas .

A Searchmetrics anunciou que começará a publicar whitepapers específicos do setor para empresas nos setores de saúde, finanças, comércio eletrônico, mídia e viagens. A complexidade múltipla nos fatores de classificação de pesquisa e como eles são aplicados às consultas do usuário envolve um compromisso de longo prazo para entender quais fatores afetam as classificações com base em seu nicho, concorrência e expectativa do usuário.

Como otimizar para Deep Learning?

Prepare-se para que o aprendizado profundo se torne parte do processo de otimização do seu site:

1. Centralize seus dados. Seja sua empresa grande ou pequena, é preciso uma certa mentalidade para obter valor do aprendizado profundo e know-how para otimizá-lo. Para começar, crie um “data lake” ou gráfico de dados para ajudá-lo a acessar, comparar e analisar entradas críticas de ações do usuário com mais facilidade. Felizmente, mais e mais fontes são capazes de lidar com uma enorme quantidade de dados e ajudar webmasters, gerentes de contas de PPC e profissionais de SEO a entender isso. Uma auditoria detalhada do site de SEO pode contribuir para formas de aproveitar o Deep Learning para fornecer mais valor aos seus leitores.

2. Faça disso a cultura da sua organização. Os sites que lideram hoje e no futuro exigiram um processo bem planejado. Não funciona mais apenas criar o próximo post que inspira sua caneta de escrita. Sucesso significa falhar às vezes, mas falhar para a frente. Execute experimentos rapidamente em infraestrutura que suporte desenvolvimento rápido e iterativo; testar, medir e ajustar. Avance sua cultura organizacional do ponto de tomar decisões com base em palpites emocionais para confiar mais em insights de dados comprovados. Em seguida, seu conteúdo da Web e estrutura de ontologia de UX podem ser lidos melhor por aprendizado de máquina e ter melhor desempenho em aplicativos de aprendizado profundo.

3. Mantenha-se fluido e crie conteúdo sempre verde. Quanto mais rápido você aprender conceitos de aprendizado profundo e como implementá-los ao criar novos conteúdos da Web, mais cedo você oferecerá experiências de usuário mais incríveis. Reserve tempo para pesquisar, fazer novos cursos, realizar experimentos e compartilhar seus resultados nos fóruns. Considere ingressar no curso de Andrew Ng via Coursera ou participar de um concurso Kaggle.

“Deep Learning é uma nova área de pesquisa em Machine Learning que visa atingir seu objetivo original: Inteligência Artificial.” – Escola de Engenharia Amrita ***

“Ele (aprendizado de máquina) começou a produzir resultados surpreendentes. O aprendizado profundo não é mais apenas para criar sistemas anti-spam eficientes; agora está alimentando carros autônomos, robôs ambulantes, reconhecimento e síntese de fala em nível humano e muito, muito mais. Este é um desenvolvimento incrível!” -Consultor de aprendizado de máquina Aurelien Geron****

“A metodologia predominante no treinamento de deep learning defende o uso de métodos estocásticos de gradiente descendente (SGDs). Apesar de sua facilidade de implementação, os SGDs são difíceis de ajustar e paralelizar. Esses problemas dificultam o desenvolvimento, depuração e ampliação de algoritmos de aprendizado profundo com SGDs. Mostramos que métodos de otimização mais sofisticados, como BFGS de memória limitada e gradiente conjugado com busca de linha, podem simplificar e acelerar significativamente o processo de pré-treinamento de algoritmos profundos. – André NG*

O que são bancos de dados de gráficos paralelos nativos de aprendizado profundo?

Os bancos de dados de gráficos paralelos nativos de aprendizado profundo oferecem dados para insights mais profundos e melhores resultados. O aprendizado de máquina, mesmo à medida que avança sob o guarda-chuva do aprendizado profundo, continua sendo computacionalmente exigente, e o aprendizado de máquina baseado em gráficos não é exceção. A cada novo ponto de conexão de entidade ou nível de dados conectados, o volume de dados em cada pesquisa aumenta exponencialmente. Isso requer computação paralela massiva para cruzar os dados e entender melhor a intenção de pesquisa do usuário .

Os bancos de dados de valor-chave precisam de conexão adequada, mas com um número limpo e reduzido de pesquisas separadas ou RDBMS para evitar muitas junções lentas. Alguns bancos de dados de gráficos padrão podem acabar tendo dificuldades para lidar com análises de links diretos em gráficos grandes. Um banco de dados gráfico nativo que gerencia o processamento massivamente paralelo e distribuído é o melhor.

Para calcular e explicar as razões por trás de sugestões de pesquisa personalizadas e descoberta de fraudes, o banco de dados gráfico deve ter uma linguagem de consulta poderosa que possa não apenas percorrer as conexões no gráfico, mas também suportar computação como filtragem e agregação e estruturas de dados multifacetadas para recuperar a evidência. A busca conceitual requer uma abordagem estruturada ; ele suporta a facilidade de uso do mecanismo de pesquisa e do usuário.

O que é NSL no TensorFlow?

O aprendizado estruturado neural, ou NSL, no TensorFlow não é tão complexo quanto parece. É uma estrutura para treinar redes neurais profundas que dependem de sinais estruturados junto com entradas específicas. Esse modelo de aprendizado aproveita o Neural Graph Learning para realizar o treinamento de redes neurais usando gráficos e dados estruturados. Estes são gerados por múltiplas fontes, como gráficos de conhecimento, registros médicos, dados genômicos ou relações multimodais. Isso também suporta o processamento de linguagem natural usado no algoritmo BERT .

Como a NSL usa gráficos e dados estruturados?

Os dados estruturados contêm dados de entidade-relacionamento ricos entre as amostras. Durante a fase de treinamento de um modelo de ML, envolver os sinais estruturados ajuda a alcançar maior precisão do modelo. Os sinais estruturados trazem um melhor método e consistência para o treinamento de uma rede neural. Isso é conseguido forçando o modelo a assimilar previsões precisas, bem como mantendo a similaridade estrutural de entrada. Isso é extremamente útil para os estrategistas de marketing de busca, pois eles aprovam quais técnicas de SEO são as melhores .

Não é um desafio fácil para o profissional de marketing digital de hoje decifrar a intenção específica do usuário. Ao deixar de lado os palpites e aproveitar o big data rico com insights importantes , você pode adotar uma nova abordagem. Técnicas de otimização sólidas permanecem fundamentais para as práticas recomendadas de comércio eletrônico para melhorar as vendas e aderir às Diretrizes de pesquisa do Google é um pré-requisito para uma boa classificação. Sua arquitetura de UX, implementação de esquema estruturado, estrutura de links relevante e velocidade rápida do site continuam aplicáveis.

Os fatores de classificação tradicionais não são mais capazes de ajudá-lo a permanecer competitivo. Novos algoritmos, novo uso de pesquisa por voz, mais dispositivos, juntamente com aprendizado profundo e sua capacidade de analisar o conteúdo do site e entender a intenção do usuário em tempo real, vieram para ficar. O Hill Web Creations pode ajudar a remover os níveis de confusão ou a sensação de estar sobrecarregado. Seu site pode prosperar com uma abordagem estruturada ao conteúdo como nunca antes e funcionar com mais eficiência para corresponder à intenção do usuário .

A experiência do usuário no mundo do SEO profissional só aumenta. Melhorar as métricas de satisfação do usuário em seu site e priorizar o que funciona para aumentar sua taxa de cliques na SERP aumentará os níveis de tráfego e conversões relevantes. Os fatores que mencionamos neste artigo também se correlacionam fortemente com melhores classificações. O Google tem afirmado consistentemente que o que eles estão procurando é fornecer os resultados de pesquisa que os indivíduos desejam. É tão simples quanto o fato de você, como todos os usuários da Internet, clicar e se debruçar sobre o conteúdo que deseja.

Resumindo Pensamentos: Otimização de Aprendizado Profundo

Na Hill Web Marketing , amamos o que fazemos. Poderíamos conversar e explicar o que é SEO o dia todo! Não nos desculpamos por nossa paixão pela experiência técnica em SEO; significa ter a capacidade de oferecer insights profissionais exclusivos para melhorar as experiências do cliente em seu site. Siga nosso blog de marketing de pesquisa para notícias recentes e confiáveis.

Se você quiser saber mais sobre nossas conquistas em ajudar sites de negócios a se classificarem melhor, vamos conversar pessoalmente. Podemos sugerir começar com uma auditoria de esquema para correções e oportunidades

* 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