<стр>Интервью с Perplexity AI объясняет, как работает AI Search, и дает представление об оптимизации системы ответов
Недавно я разговаривал с Джесси Дуайером из Perplexity о SEO и поиске с помощью ИИ, о том, на чем оптимизаторам следует сосредоточиться с точки зрения оптимизации поиска с использованием ИИ. Его ответы дали полезную информацию о том, на чем издателям и SEO-специалистам следует сосредоточиться прямо сейчас.
<ч2>AI Поиск сегодня <п>Важный вывод, которым поделился Джесси, заключается в том, что персонализация полностью меняется
“Я должен сказать, что самая важная/простая вещь, которую следует помнить о AEO и SEO, это то, что это больше не игра с нулевой суммой. Два человека с одним и тем же запросом могут получить разные ответы при коммерческом поиске, если инструмент искусственного интеллекта, который они используют, загружает личную память в контекстное окно (Perplexity, ChatGPT).
Во многом это связано с технологией индекса (почему на самом деле существует разница между GEO и AEO). Но да, в настоящее время можно с уверенностью сказать, что (большинство) традиционных лучших практик SEO по-прежнему применимы.”
Вывод из ответа Дуайера заключается в том, что видимость поиска больше не сводится к единственному последовательному результату поиска. Персональный контекст как роль в ответах ИИ означает, что два пользователя могут получить существенно разные ответы на один и тот же запрос, возможно, с разными источниками контента.
Хотя базовая инфраструктура по-прежнему представляет собой классический поисковый индекс, SEO по-прежнему играет роль в определении того, можно ли вообще получить контент. Говорят, что искусственный интеллект Perplexity использует разновидность PageRank, который представляет собой метод определения популярности и релевантности веб-сайтов на основе ссылок, что дает подсказку о том, на чем следует сосредоточиться оптимизаторам.
<п>Однако, как вы увидите, то, что получается, сильно отличается от классического поиска.
Я задал следующий вопрос:
Итак, вы говорите (и поправьте меня, если я ошибаюсь или немного ошибаюсь), что классический поиск имеет тенденцию достоверно показывать одни и те же десять сайтов по заданному запросу. Но что касается поиска ИИ, из-за контекстуального характера разговоров ИИ они с большей вероятностью дадут разные ответы для каждого пользователя.
Джесси ответил:
<блоковая цитата><п>“Это точно, да.”
Обработка поддокументов: чем отличается поиск с помощью ИИ
<с>Джессе продолжил свой ответ, рассказав о том, что происходит за кулисами, чтобы генерировать ответ при поиске ИИ.
Он продолжил:
“Что касается технологии индексирования, то самая большая разница в поиске с помощью ИИ сейчас сводится к поиску по всему документу и “поддокументу” обработка.
Традиционный индекс поисковых систем на уровне всего документа. Они просматривают веб-страницу, оценивают ее и сохраняют.
<п>Когда вы используете инструмент искусственного интеллекта, построенный на этой архитектуре (например, веб-поиск ChatGPT), он по сути выполняет классический поиск, выбирает 10–50 самых популярных документов, а затем просит LLM создать сводку. Вот почему поиск GPT описывается как «4 поиска Bing в плаще». —шутка направленно точна, поскольку модель генерирует выходные данные на основе стандартных результатов поиска.
Вот почему мы называем стратегию оптимизации для этого GEO (генеративная оптимизация двигателя). Этот поиск по всему документу, по сути, по-прежнему является алгоритмическим поиском, а не искусственным интеллектом, поскольку данные в индексе — это все обычные оценки страниц, к которым мы привыкли в SEO. Подход, ориентированный на искусственный интеллект, известен как «обработка субдокументов».
<п>Вместо индексации целых страниц движок индексирует конкретные детальные фрагменты (не путать с тем, что SEO знает как «избранные фрагменты»). Фрагмент, на языке ИИ, состоит примерно из 5–7 токенов или 2–4 слов, за исключением того, что текст преобразуется в числа (с помощью фундаментального процесса ИИ, известного как «трансформатор», который обозначает букву T в GPT). Когда вы запрашиваете систему поддокументов, она не извлекает 50 документов; он извлекает около 130 000 токенов наиболее релевантных фрагментов (около 26 тысяч фрагментов) для передачи ИИ.
Однако эти цифры неточны. Фактическое количество фрагментов всегда равно общему количеству токенов, соответствующему полной емкости контекстного окна конкретного LLM. (В настоящее время они составляют в среднем около 130 тыс. токенов). Цель состоит в том, чтобы полностью заполнить контекстное окно модели ИИ наиболее актуальной информацией, потому что, когда вы насыщаете это окно, вы не оставляете модели места для «галлюцинаций». или придумай что-нибудь.
<п>Другими словами, он перестает быть творческим генератором и дает более точный ответ. Этот метод поддокументов показывает, куда движется индустрия, и почему его правильнее называть AEO (оптимизация системы ответов).
Очевидно, это описание несколько упрощено. Но личный контекст, из-за которого каждый поиск больше не является универсальным результатом для каждого пользователя, заключается в том, что LLM может взять все, что он знает о поисковике, и использовать это для заполнения всего контекстного окна. Это гораздо больше информации, чем профиль пользователя Google.
<п>Конкурентная дифференциация такой компании, как Perplexity, или любой другой поисковой компании с использованием искусственного интеллекта, которая переходит к обработке субдокументов, происходит в технологии между индексом и фрагментами размером 26 000. С помощью таких методов, как модуляция вычислений, переформулирование запроса и собственные модели, которые применяются в самом индексе, мы можем сделать эти фрагменты более релевантными запросу, что является самым важным рычагом для получения лучшего и более подробного ответа.
Кстати, это менее актуально для SEO, но вся эта концепция также является причиной того, почему поисковый API Perplexity настолько легален. Для разработчиков, встраивающих поиск в любой продукт, разница — день и ночь.”
Дуайер противопоставляет два принципиально разных подхода к индексированию и поиску:
<ул>
В первой версии ИИ находится поверх традиционного поиска и суммирует ранжированные страницы. Во втором случае система ИИ извлекает фрагменты напрямую и вообще никогда не анализирует полные документы.
Он также описал, что качество ответа ограничивается насыщенностью контекстного окна, а точность достигается за счет заполнения всего контекстного окна модели соответствующими фрагментами. Когда поиску удается заполнить это окно, у модели мало возможностей изобретать факты или галлюцинировать.
Наконец, он говорит, что “модулирование вычислений, переформулирование запросов и собственные модели” это часть их секретного соуса для получения фрагментов, которые очень релевантны поисковому запросу.
