Recuperación de información Parte 1: Desambiguación

TL;DR

1. La desambiguación es el proceso de resolver la ambigüedad y la incertidumbre en los datos. Es crucial en el SEO y la recuperación de información de hoy en día.
2. Los motores de búsqueda y los LLM premian el contenido que es fácil de “comprender”, no el contenido que es necesariamente mejor.
3. Cuanto más claro y mejor estructurado sea tu contenido, más difícil será reemplazarlo.
4. Tienes que reforzar cómo se entiende tu marca y tus productos. Cuando se requiere conexión a tierra, los modelos favorecen las fuentes que reconocen a partir de los datos de entrenamiento.

Internet ha cambiado. Los canales han comenzado a homogeneizarse. Google está tratando de convertirse en una especie de destino, y el creador de contenido individual es más poderoso que nunca.

Ah, y no necesitamos hacer clic en nada.

Pero lo que constituye un contenido excelente no ha cambiado. La IA y los LLM no han cambiado lo que la gente quiere consumir. Han cambiado lo que debemos hacer clic. Lo cual no necesariamente odio.

Siempre y cuando hayas creado contenido educativo/entretenido bien estructurado, atractivo durante años. Toda esta charla sobre fragmentación es un poco humo y espejos para mí.

Sin embargo, no todo es basura. Conceptos como la ambigüedad son una fuerza más destructiva que nunca. Si permites una rápida doble negativa, no puedes no Sea claro.

Cuanto más claro lo tengas. Cuanto más conciso. Los más estructurados dentro y fuera de la página. Más posibilidades tendrás. No hay lugar para frases, párrafos y definiciones ambiguas.

Esto se conoce como desambiguación.

¿Qué es la desambigación?

La desambiguación es el proceso de resolver la ambigüedad y la incertidumbre en los datos. La ambigüedad es un problema en la Internet moderna. Cuanto más nos adentramos en la madriguera del conejo, menos diligencia se presta a la exactitud y la verdad. Cuanta más claridad proporcione el contexto que lo rodea, mejor.

Es un componente crítico del SEO, la IA, el procesamiento del lenguaje natural (NLP) y la recuperación de información de hoy en día.

Este es un ejemplo obvio y usado en exceso, pero considere un término como manzana. La intención y la comprensión detrás de esto son vagas. No sabemos si la gente se refiere a la compañía, a la fruta, a la hija de una celebridad tonta y con muerte cerebral.

Hace años, este tipo de búsqueda ambigua habría arrojado un conjunto de resultados más diverso. Pero gracias a la personalización y a los billones de interacciones almacenadas, Google sabe lo que todos queremos. Aquí son fundamentales las señales de participación del usuario escaladas y una mejor comprensión de la intención, las palabras clave, las frases y el contexto.

Sí, se me podría haber ocurrido un ejemplo mejor, pero no me molestaba. Ya ves mi punto.

¿Por qué debería importarme?

La recuperación de información moderna requiere claridad. El contexto que proporcione realmente importa cuando se trata de la puntuación de confianza que requieren los sistemas al obtener la respuesta “correcta”.

Y este contexto no sólo está presente en el contenido.

Existe un importante debate sobre el valor de los datos estructurados en la búsqueda y recuperación de información de hoy en día. Usar datos estructurados como SameAs para indicar exactamente quién es este autor y vincular todas las cuentas sociales y submarcas de su empresa solo puede ser algo bueno.

El argumento no es que esto no tenga valor. Tiene sentido.

• Se trata de si Google ya lo necesita para analizar información precisa.
• Y si tiene valor para los LLM fuera del HTML bien estructurado.

La ambigüedad y la recuperación de información se han convertido en temas increíblemente candentes en la ciencia de datos. La vectorización (representar documentos y consultas como vectores) ayuda a las máquinas a comprender las relaciones entre términos.

Permite a los modelos predecir qué palabras deben estar presentes en el contexto circundante. Es por eso que responder las preguntas más relevantes y predecir la intención del usuario y “lo que sigue” ha sido tan valioso durante mucho tiempo en las búsquedas.

Consulte Word2Vec de Google para obtener más información.

Google ha estado haciendo esto durante mucho tiempo

¿Recuerda cuál era la declaración de misión inicial y oficial de Google con respecto a la información?

Su antiguo lema era “no seas malvado”. Lo cual creo que en tiempos más recientes quizás lo hayan dejado pasar un poco. O esconderlo convenientemente.

Organizar la información mundial se ha vuelto mucho más eficaz gracias a los avances en la recuperación de información. Originalmente, Google prosperó gracias a la concordancia sencilla de palabras clave. Luego pasaron a la tokenización.

Su capacidad para dividir oraciones en palabras y hacer coincidir consultas cortas fue revolucionaria. Pero a medida que las consultas avanzaron y la intención se volvió menos obvia, tuvieron que evolucionar.

La llegada del Knowledge Graph de Google fue transformadora. Una base de datos de entidades que ayudó a crear coherencia. Creó estabilidad y mejoró la precisión en una red en constante cambio.

Ahora las consultas se reescriben a escala. La clasificación es probabilística en lugar de determinista y, en algunos casos, se aplican procesos de distribución para crear una respuesta que lo abarque todo. Se trata de coincidir con la intención del usuario en ese momento. Es personalizado. Se aplican señales contextuales para brindarle al individuo el mejor resultado para él.

Lo que significa que perdemos previsibilidad según la configuración de temperatura, el contexto y la ruta de inferencia. Hay mucha más recuperación a nivel de pasaje.

Gracias a Dan Petrovic, sabemos que Google no utiliza el contenido de su página completa cuando conecta a tierra sus sistemas de inteligencia artificial impulsados ​​por Gemini. Cada consulta tiene un presupuesto fijo de aproximadamente 2000 palabras en total, distribuidas entre las fuentes por rango de relevancia.

Cuanto más alto sea su ranking en la búsqueda, más presupuesto se le asignará. Piense en este límite de ventana de contexto como un presupuesto de rastreo. Las ventanas más grandes permiten interacciones más largas, pero provocan una degradación del rendimiento. Por eso tienen que lograr un equilibrio.

Hummingbird, BERT, RankBrain – Comprensión semántica fundamental

Estos cambios de algoritmos más antiguos fueron fundamentales para que los sistemas de Google trataran el lenguaje y el significado de manera diferente.

• Colibrí (2013) ayudó a Google a identificar entidades y cosas rápidamente y con mayor precisión. Este fue un paso hacia la interpretación semántica y el reconocimiento de entidades. Piense en palabras clave en un página nivel. No nivel de consulta.
• RankBrain (2015): Para combatir las consultas cada vez mayores y nunca antes vistas, Google introdujo el aprendizaje automático para interpretar consultas desconocidas y relacionarlas con conceptos y entidades conocidos.

RankBrain se basó en el éxito de la búsqueda semántica de Hummingbird. Al dominar los sistemas de PNL, Google comenzó a asignar palabras a patrones matemáticos (vectorización) para atender mejor consultas nuevas y en constante evolución.

Estos vectores ayudan a Google a ‘adivinar’ la intención de las consultas que tiene nunca visto antes encontrando sus vecinos matemáticos más cercanos.

Actualizaciones del gráfico de conocimiento

En julio de 2023, Google lanzó una importante actualización de Knowledge Graph. Creo que la gente en SEO lo llamó Actualización de la ballena asesina, pero no recuerdo quién acuñó la frase. O por qué. Disculpas. Fue diseñado para acelerar el crecimiento del gráfico y reducir su dependencia de fuentes de terceros como Wikipedia.

Como alguien que ha pasado mucho tiempo jugando con entidades, realmente puedo entender por qué. Es una pérdida de tiempo gigante y costosa.

Amplió y reestructuró explícitamente cómo se reconocen y clasifican las entidades en el Gráfico de conocimiento. En particular, entidades personales con roles claros como autor o escritor.

• El número de entidades en Knowledge Vault aumentó un 7,23% en un día a más de 54 mil millones.
• En julio de 2023, el número de entidades Personas se triplicó en sólo cuatro días.

Todo esto es un esfuerzo para combatir el deterioro de la IA, brindar claridad y minimizar la desinformación. Reducir la ambigüedad y ofrecer contenido en el que un experto vivo y respirable sea el centro del mismo.

Vale la pena comprobar si tienes presencia en el Gráfico de conocimiento aquí. Si lo hace y puede reclamar un Panel de conocimiento, hágalo. Cimenta tu presencia. Si no, desarrolle su marca y su conexión en Internet.

¿Qué pasa con los LLM y la búsqueda de IA?

Hay dos formas principales en que los LLM recuperan información:

• Accediendo a sus vastos datos de entrenamiento estáticos.
• Usar RAG (un tipo de conexión a tierra) para acceder a fuentes de información externas y actualizadas.

RAG es la razón por la que la búsqueda tradicional de Google sigue siendo tan importante. Los últimos modelos ya no se entrenan con datos en tiempo real y se quedan un poco atrás. Antes de que el modelo principal se sumerja para responder a su desesperada necesidad de compañía, un clasificador determina si es necesaria la recuperación de información en tiempo real.

No pueden saberlo todo y tienen que emplear RAG para compensar su falta de información actualizada (o hechos verificables a través de sus datos de entrenamiento) al recuperar ciertas respuestas. Básicamente, tratar de asegurarse de que no estén diciendo tonterías.

Alucinar si te sientes elegante.

Por tanto, cada modelo necesita su propia forma de desambiguación. Principalmente, esto se logra mediante:

• Coincidencia de consultas consciente del contexto. Ver las palabras como tokens e incluso reformatear las consultas en formatos más estructurados para intentar lograr el resultado más preciso. Este tipo de transformación de consultas conduce a la distribución y la incorporación de consultas más complejas.
• Arquitecturas RAG. Acceder a conocimiento externo cuando no se alcanza un umbral de precisión.
• Agentes conversacionales. A los LLM se les puede pedir que decidan si responden directamente una consulta o piden una aclaración al usuario si no cumplen con el mismo umbral de confianza.

Recuerde, si su contenido no es accesible para los sistemas de recuperación de búsqueda, no se puede utilizar como parte de una respuesta de conexión a tierra. Aquí no hay separación.

¿Qué debes hacer al respecto?

Si ha querido tener un buen desempeño en las búsquedas durante la última década, esto debería haber sido una parte central de su pensamiento. El contenido útil premia la claridad.

Pretendidamente. También recompensa la eliminación de sitios más pequeños.

No significa que no puedas ser ambas cosas. Un excelente contenido entretiene, educa, inspira y mejora.

Usa tus palabras

Necesitas aprender a escribir. Frases cortas y ágiles. Ayude a las personas y a las máquinas a conectar los puntos. Si comprende el tema, debería saber lo que la gente quiere o necesita leer a continuación casi mejor que ellos.

• Utilice afirmaciones verificables.
• Cita tus fuentes.
• Muestre su experiencia a través de su comprensión.
• Destacar. Sea diferente. Agregue información al corpus para forzar una mención y/o cita.

Estructurar la página de forma eficaz

Escriba párrafos claros y directos con una estructura de encabezado lógica. Realmente no tienes que llamarlo fragmentación si no quieres. Simplemente facilite que las personas y las máquinas consuman su contenido.

• Responde la pregunta. Responde temprano.
• Utilice resúmenes o ganchos.
• Tablas de contenidos.
• Tablas, listas y actual datos estructurados. No esquema. Pero también esquema.

Facilite a los usuarios ver lo que obtienen y si esta página es adecuada para ellos.

Intención

Mucha intención es estática. Las consultas comerciales siempre exigen cierto nivel de comparación. Las consultas transaccionales exigen algún tipo de proceso de compra o venta.

Pero cada día surgen cambios de intención y millones de consultas nuevas.

Por lo tanto, es necesario controlar la intención de un término o frase. Las noticias son probablemente un ejemplo perfecto. Las historias se rompen. Desarrollar. Lo que era cierto ayer puede no serlo hoy. Los tribunales de opinión pública maldicen y elogian a partes iguales.

Google monitorea el consenso. Realiza un seguimiento de los cambios en los documentos. Supervisa la autoridad y, aquí de manera crucial, la relevancia.

Puede utilizar algo como También se le preguntó para monitorear los cambios de intención a lo largo del tiempo.

La capa técnica

Durante años, los datos estructurados han ayudado a resolver la ambigüedad. Pero no tenemos claridad real sobre su impacto en la búsqueda de IA. Las páginas más limpias y bien estructuradas siempre son más fáciles de analizar y el reconocimiento de entidades realmente importa.

• Las propiedades de SameAs conectan los puntos con su marca y sus cuentas sociales.
• Le ayuda a indicar explícitamente quién es su autor y, lo que es más importante, quién no lo es.
• Los enlaces internos ayudan a los robots a navegar por las secciones conectadas de su sitio web y crear algún tipo de autoridad temática.
• Mantenga el contenido actualizado, con marcos de fechas consistentes: en la página, datos estructurados y mapas del sitio.

Si te gusta jugar con el Gráfico de conocimiento (¿a quién diablos no?), puedes encontrar puntuaciones de confianza para tu marca.

Según las propias directrices de Google, los datos estructurados proporcionan pistas explícitas sobre el contenido de una página, lo que ayuda a los motores de búsqueda a comprenderla mejor.

Sí, sí, muestra resultados enriquecidos, etc. Pero elimina la ambigüedad.

Coincidencia de entidades

Creo que esto une todo. Tu marca, tus productos, tus autores, tus cuentas sociales.

Lo que dices sobre tu marca importa ahora más que nunca.

• La compañía que mantienes (las frases de una página).
• Las cuentas vinculadas.
• Los eventos en los que hablas.
• Su(s) página(s) acerca de nosotros.

Todo esto ayuda a las máquinas a crear una imagen clara de quién es usted. Si tiene perfiles sociales sólidos, querrá asegurarse de aprovechar esa confianza.

A nivel de página, la coherencia del título, el uso de entidades relevantes en el párrafo inicial, los enlaces a etiquetas y páginas de artículos relevantes y el uso de una biografía del autor rica y relevante es un gran comienzo.

Realmente, simplemente un SEO bueno y sólido. No me @.

PSA: No seas aburrido. No sobrevivirás.

Más recursos:

Esta publicación se publicó originalmente en Liderazgo en SEO.

Imagen de portada: Roman Samborskyi/Shutterstock