TechSEO Boost : apprentissage automatique pour le référencement

TechSEO Boost de cette année, un événement dédié au référencement technique et organisé par Catalyseur, a eu lieu le 29 novembre à Boston.

Présenté comme la « conférence pour les spécialistes et développeurs SEO avancés », TechSEO Boost s’est appuyé sur le succès de l’événement inaugural en 2017 avec une journée d’exposés éclairants et stimulants des esprits les plus pointus de l’industrie.

Certains sujets ont imprégné le discours tout au long de la journée, et en particulier, l’apprentissage automatique était un thème récurrent.

Comme c’est la nature de la conférence TechSEO Boost, les sessions visaient à aller au-delà du battage médiatique pour définir ce que signifie précisément l’apprentissage automatique pour le référencement, à la fois aujourd’hui et dans le futur.

Ce qui suit est un résumé de l’excellent exposé de Britney Muller, scientifique senior en référencement chez Moz, intitulé (à juste titre) « Apprentissage automatique pour le référencement ».

Qu’est-ce que l’apprentissage automatique ? Un résumé rapide.

La session s’est ouverte par une brève introduction aux termes et concepts clés qui relèvent du « machine learning ».

Muller a utilisé la définition de l’image ci-dessous pour saisir le sens de l’apprentissage automatique en tant que « sous-ensemble de l’IA (intelligence artificielle) qui combine statistiques et programmation pour donner aux ordinateurs la possibilité d'”apprendre” sans être explicitement programmés”.

Il est important de comprendre cette idée centrale d’« apprendre » à partir de nouveaux stimuli lorsque nous considérons comment l’apprentissage automatique peut être appliqué aux tâches de référencement quotidiennes.

L’apprentissage automatique excelle dans l’identification de modèles dans de grandes quantités de données. En tant que tels, certains des exemples courants d’applications d’apprentissage automatique comprennent aujourd’hui :

• Systèmes de recommandation (Netflix, Spotify)
• Applications de covoiturage (Uber, Lyft)
• Assistants numériques (Amazon Alexa, Apple Siri, Google Assistant)

Cependant, cette ubiquité même peut en faire un concept difficile à comprendre. En fait, Eric Schmidt de Google est venu à raconter, “La principale chose sur laquelle Google travaille est essentiellement l’apprentissage automatique.”

Il est utile de décomposer cela en étapes qui composent un projet d’apprentissage automatique typique, pour voir comment nous pouvons l’appliquer aux tâches de référencement quotidiennes.

Le processus d’apprentissage automatique

L’image suivante représente le processus d’apprentissage automatique que Muller a partagé sur TechSEO Boost :

Il est important de noter que certaines des données d’apprentissage doivent être réservées pour des tests à un stade ultérieur du processus.

Dans la mesure du possible, ces données doivent également être clairement étiquetées pour aider l’algorithme d’apprentissage automatique à identifier les classifications et les catégories au sein d’un ensemble de données bruyant.

C’est précisément pour cette raison que Google nous demande de marquer des images pour vérifier notre identité :

Cela démontre notre capacité humaine à sélectionner des objets dans des contextes encombrés, mais a l’avantage supplémentaire de fournir à Google des données d’image de meilleure qualité.

Les pièges d’une approche non supervisée de l’apprentissage automatique et d’un ensemble de données d’entraînement ouvert à l’interprétation ont été exposés la semaine dernière.

La fonctionnalité “Smart Compose” de Google dans Gmail a montré un préjugé sexiste en préférant certains pronoms pour prédire ce qu’un utilisateur pourrait vouloir dire.

Comme le rapporte Reuters, “le chef de produit Gmail, Paul Lambert, a déclaré qu’un chercheur de la société avait découvert le problème en janvier lorsqu’il a écrit” je rencontrerai un investisseur la semaine prochaine “, et Smart Compose a suggéré une question possible. « Voulez-vous le rencontrer ? » à sa place.”

Le défi ici ne se limite pas à des projets de cette envergure. Les spécialistes du marketing qui veulent se salir les mains doivent être conscients des limites de l’apprentissage automatique, ainsi que de ses possibilités passionnantes.

Muller a ajouté que les gens ont tendance à suradapter leurs données, ce qui réduit la précision et la flexibilité du modèle qu’ils utilisent. Ce phénomène (très courant) se produit lorsqu’un modèle correspond étroitement à un ensemble de données spécifique, ce qui réduit son applicabilité à de nouveaux scénarios.

La capacité d’évoluer efficacement est ce qui donne son attrait à l’apprentissage automatique, donc le surapprentissage est quelque chose à éviter soigneusement. Il y a une bonne introduction à ce sujet. ici et c’est aussi très bien expliqué à travers cette image :

Alors, comment exactement ce sous-ensemble d’IA peut-il être utilisé pour améliorer les performances de référencement ?

Comment utiliser l’apprentissage automatique pour le référencement

Comme c’est le cas pour toutes les technologies favorables au battage médiatique, les entreprises sont impatientes de s’impliquer dans l’apprentissage automatique. Cependant, il ne s’agit pas « d’utiliser le machine learning » par peur d’être laissé pour compte, mais plutôt de trouver les meilleurs usages du machine learning pour chaque entreprise.

Britney Muller a partagé quelques exemples de son rôle chez Moz lors de sa session TechSEO Boost.

La première était une approche pour automatiser Meta Description génération à l’aide du Résumé du contenu algorithmique avancé, qui a ensuite été comparée à l’approche de Google en matière de descriptions automatiques extraites directement de la page de destination.

Les méta-descriptions sont toujours un atout important lorsqu’il s’agit de favoriser un taux de clics positif, mais beaucoup de temps est consacré à la création de ces extraits. Une alternative automatisée qui peut interpréter la signification des pages de destination et créer des résumés cliquables à afficher sur les SERP serait très utile.

Muller a partagé quelques exemples, comme l’image ci-dessus, pour démontrer la comparaison entre les deux approches. L’approche d’apprentissage automatique n’est pas parfaite et peut nécessiter quelques ajustements, mais elle fait un excellent travail pour transmettre l’intention de la page par rapport à la sélection de Google.

Depuis lors, l’équipe Moz a intégré cela dans Google Sheets :

Bien qu’il ne s’agisse pas d’un produit auquel d’autres entreprises peuvent accéder pour le moment, Paul Shapiro (l’hôte de TechSEO Boost) a partagé un moyen alternatif d’obtenir des méta-descriptions automatisées via Github. ici.

Optimisation d’image automatisée

Une autre utilisation fascinante de l’apprentissage automatique pour le référencement est l’automatisation de l’optimisation des images. Britney Muller a montré comment, en moins de 20 minutes, il est possible d’entraîner un algorithme pour distinguer les chats des canards, puis d’utiliser ce modèle sur un nouvel ensemble de données avec un haut niveau de précision.

Pour les grands détaillants, l’application de cette méthode pourrait être très bénéfique. Avec autant de nouvelles images ajoutées à l’inventaire chaque jour, et avec recherche visuelle de plus en plus, un système d’étiquetage d’images évolutif s’avérerait très rentable. Comme démontré dans TechSEO Boost, c’est désormais une possibilité très réaliste pour les entreprises souhaitant construire leur propre modèle.

Une autre utilisation de l’apprentissage automatique décrite par Britney Muller était la transcription de podcasts. Une approche automatisée de cette tâche peut rendre vos fichiers audio beaucoup plus lisibles par les moteurs de recherche, en aidant à indexer et à classer les sujets pertinents.

Muller a détaillé une approche que le produit Amazon Transcribe utilise via Amazon Web Services pour atteindre cet objectif.

L’audio est décomposé et livré dans un fichier J-SON dans les moindres détails, avec les différents haut-parleurs du podcast étiquetés séparément.

Il n’y avait pas assez de temps dans la session pour discuter de toutes les utilisations potentielles de l’apprentissage automatique pour le référencement, mais le message principal de Muller était que tout le monde dans l’industrie devrait travailler pour au moins une compréhension fonctionnelle de ces concepts.

Certaines possibilités supplémentaires d’expérimentation sont énumérées ci-dessous :

Comme nous pouvons le voir, l’apprentissage automatique excelle vraiment lorsque vous travaillez avec de grands ensembles de données pour identifier des modèles.

Outils et ressources

La meilleure façon de s’engager est de combiner la théorie avec la pratique. C’est presque toujours le cas, mais c’est un conseil particulièrement valable en matière de programmation.

Muller n’était ni le premier ni le dernier discours en référence Laboratoires de programmation Google pendant tout le jour.

Il existe plus de ressources que jamais et des entreprises comme Amazon et Google souhaitent que l’apprentissage automatique soit accessible. Amazon a lancé un cours d’apprentissage automatique et de Google cours intensif c’est une excellente façon d’apprendre les composantes d’un projet réussi.

Propriété Google Kaggle C’est toujours un endroit idéal pour tester de nouveaux ensembles de données et passer en revue le travail innovant effectué par les scientifiques des données du monde entier, une fois qu’une compréhension de base a été acquise.

Aussi, Google Collaboratif facilite le démarrage d’un projet et le travail avec une équipe distante.

Points clés à retenir : l’apprentissage automatique pour le référencement

Ce qui est devenu particulièrement clair dans le discours de Muller, c’est à quel point les applications d’apprentissage automatique peuvent être accessibles aux référenceurs. De plus, l’espace d’expérimentation est sans précédent pour ceux qui souhaitent investir du temps dans la discipline.