Au cours des deux dernières semaines, il y a eu un regain de ferveur autour de l’intelligence artificielle, avec « AIO » (optimisation de l’intelligence artificielle) faisant son apparition sur les sites Web et les blogs des agences.
HTTPS et les appareils mobiles semblent d’abord cool en tant que sujets, l’accent est donc mis sur RankBrain.
Cependant, la réalité est que l’optimisation de l’intelligence artificielle est apparemment une notion paradoxale. Si nous imaginons que Google est un enfant, lorsque l’enfant va à l’école et lit un livre, nous voulons que l’enfant apprenne et comprenne les informations contenues dans ce livre. Si le livre n’est pas « optimisé » pour l’apprentissage de l’enfant (informations structurées, images, engageantes, expérience utilisateur positive, etc.), l’enfant n’apprendra ni ne comprendra le contenu.
Je pense que la plupart des référenceurs peuvent optimiser pour rankbrain, ils savent comment le faire pour de vrai, c’est trop simple alors ils proposent quelque chose de fou.
– Gary Illyes (ᐛ) ᕗ (@methode) 27 juin 2017
L’optimisation pour RankBrain n’est pas quelque chose de nouveau ou de compliqué. Le précédent tweet de Gary Illyes de Google le 27 juin 2017 fait écho à cela. Alors pourquoi y a-t-il ce besoin de faire de l’optimisation de RankBrain votre propre produit, alors que les pratiques ne sont pas nouvelles ?
Dans cet article, j’explorerai exactement ce qu’est RankBrain et ce qu’il n’est pas, ainsi que comment les concepts et pratiques préexistants d’un bon référencement (comme indiqué dans les directives de Google) s’appliquent à RankBrain.
Qu’est-ce que RankBrain ?
RankBrain utilise une forme d’apprentissage automatique et Google l’utilise pour traiter des quantités insondables de données qualitatives (contenu écrit) en données quantitatives (entités mathématiques), des vecteurs que l’algorithme et d’autres ordinateurs peuvent comprendre.
15 % de toutes les requêtes traitées par Google sont nouvelles, il est donc courant que RankBrain trouve une requête ou une phrase qu’il n’a jamais vue auparavant. En utilisant des données prétraitées dans des vecteurs et des fragments, RankBrain cherche à faire une supposition intelligente basée sur des requêtes similaires et des significations similaires.
Le nombre de nouvelles demandes a chuté de 25 % en 2007, mais le volume a augmenté de façon exponentielle grâce à l’essor des smartphones et à l’augmentation des taux de pénétration d’Internet dans le monde.
En un mot, RankBrain :
- Interpréter la requête de l’utilisateur
- Déterminer l’intention de recherche
- Sélectionner les résultats (éléments) des bases de données
Qu’est-ce que l’apprentissage automatique ?
L’apprentissage automatique est une science informatique et a été défini en 1959 par Arthur Samuel comme suit : « L’apprentissage automatique donne aux ordinateurs la capacité d’apprendre sans être explicitement programmés. Samuel a effectué les recherches initiales dans ce domaine, qui ont évolué à partir d’études sur la reconnaissance de formes et la théorie de l’apprentissage informatique.
L’apprentissage automatique explore essentiellement la construction d’algorithmes et fait des prédictions basées sur des données statistiques et des fréquences. L’apprentissage automatique a été utilisé dans plusieurs applications logicielles avant Rank Brain, notamment le filtrage du courrier indésirable, la détection des menaces et des intrusions sur le réseau et la reconnaissance optique de caractères (OCR).
Bien qu’il s’agisse d’une forme d’intelligence artificielle, ce n’est pas une forme très fonctionnelle.
Apprentissage des règles d’association
ARL (Association Rules Learning) est une méthode d’apprentissage automatique pour découvrir les relations entre les variables dans de grandes bases de données à l’aide de mesures d’intérêt prédéterminées.
Cela a déjà été utilisé par les supermarchés pour déterminer le comportement des consommateurs et des acheteurs, et est utilisé pour produire des coupons de fidélité et d’autres méthodes de divulgation éclairée. Par exemple, grâce aux cartes de fidélité / points de magasin, un magasin peut collecter des données qui, une fois analysées, peuvent prédire les modèles et les comportements d’achat.
L’ARL peut également être utilisé pour prédire les associations, par exemple si un utilisateur achète des tranches de fromage et des oignons, on peut supposer qu’il achètera également de la viande de hamburger. RankBrain utilise ce principe pour fournir des résultats de recherche intelligents, en particulier lorsqu’une phrase peut avoir plusieurs sens.
Un exemple de ceci est un terme d’argot anglais « dench ». Si un utilisateur recherche dench, il peut avoir trois significations ; le terme d’argot, une ligne de vêtements ou l’actrice Judi Dench. Le terme peut également être associé à des individus, comme l’athlète professionnel Emmanuel Frimpong et le rappeur Lethal Bizzle.
Étant donné que la requête est ambiguë, les propres directives d’évaluation de la qualité de la recherche de Google expliquent que le moteur de recherche affichera autant de variantes qu’il le jugera possible pour satisfaire au mieux l’intention de recherche des utilisateurs.
Règles d’association Concepts d’apprentissage
Les principaux concepts et règles d’ARL sont le support, la confiance, l’élévation et la conviction, mais pour les besoins de RankBrain, je me concentrerai sur le support et la confiance.
Support
Le support ARL est la mesure de la fréquence à laquelle l’élément en question apparaît dans la base de données. Ce n’est pas la même chose que la densité des mots-clés ou le nombre de fois où des variantes de mots-clés apparaissent.
Confiance
La confiance ARL est une mesure de la fréquence à laquelle la règle a été déterminée comme étant vraie. Ceci est basé sur des termes associatifs, c’est-à-dire que si un utilisateur recherche « POTUS », il y a une probabilité de X % qu’il recherchera ou trouvera également Donald Trump comme résultat satisfaisant. Ils peuvent aussi trouver des résultats satisfaisants chez Barack Obama, George Bush ou Abraham Lincoln.
La confiance peut souvent être confondue avec les probabilités, car les deux principes concernant la recherche organique sont assez similaires (si un utilisateur recherche X, alors Y et Z peuvent également être valides).
RankBrain utilise des règles d’association pour satisfaire simultanément la prise en charge minimale spécifiée par l’utilisateur et la confiance minimale spécifiée par l’utilisateur, et la prise en charge et la confiance sont généralement divisées en deux processus individuels :
- Le seuil de prise en charge minimum est défini et appliqué à tous les éléments fréquents de la base de données.
- Des contraintes de confiance minimales sont appliquées aux éléments fréquents, pour former des règles.
En utilisant ces règles, RankBrain aide Google à hiérarchiser les signaux de classement les plus pertinents pour la requête de l’utilisateur et comment pondérer ces signaux.
RankBrain et SEO
RankBrain est sorti dans une dizaine de langues (comme le confirme Gary Illyes dans Twitter en juin 2017) allant de l’anglais à l’hindi, et leur seul objectif est d’aider Google à fournir des résultats plus précis et une meilleure expérience de recherche globale pour les utilisateurs en répondant à leurs requêtes.
La principale différence entre le monde d’avant et d’après RankBrain est qu’avant RB, l’équipe d’ingénieurs logiciels de Google amenderait et modifierait les algorithmes mathématiques qui déterminent les résultats de recherche et les classements, et cet algorithme resterait constant jusqu’à ce qu’une mise à jour soit effectuée. . Cependant, Rank Brain fait partie de l’algorithme de base et est utilisé par Google pour toutes les recherches (à partir de 2016), ce qui signifie qu’il y a des fluctuations et des fluctuations constantes.
Cela signifie que les résultats de recherche sont désormais réactifs aux événements du monde réel, ainsi que beaucoup plus volatils en dehors des grandes annonces de mise à jour des algorithmes.
“Optimisation” pour RankBrain
Étant donné la façon dont RankBrain interagit avec l’algorithme de base et d’autres signaux de classement, il peut être nécessaire de modifier l’orientation stratégique (surtout si la stratégie est basée sur des backlinks). Mais RankBrain n’est pas un “algorithme classique” comme Panda et Penguin.
Avec les algorithmes classiques, nous avons pu éviter les pénalités de Penguin et grâce aux directives, nous savons satisfaire Panda. RankBrain, en revanche, est un modèle de performance qui ne peut pas être spécifiquement optimisé. Cependant, il existe un certain nombre de pratiques de référencement standard qui sont maintenant plus pertinentes que jamais.
Les pages de la porte sont mortes
L’idée d’écrire du contenu avec un “mot-clé focus” et de produire une page pour un mot-clé est dépassée. La mise à jour Hummingbird a supprimé cela en 2013 et RankBrain est allé encore plus loin.
J’ai vu que cette pratique est encore utilisée dans divers secteurs. Lors de la création de structures de contenu et d’URL, l’expérience utilisateur et les tableaux de mots-clés doivent être utilisés, dans le but de créer des pages riches et riches en ressources.
Différentes requêtes = différents facteurs de pondération
En raison de la façon dont RankBrain a modifié la façon dont certaines variables et facteurs de classement sont pondérés pour différentes requêtes, il n’est plus pratique d’adopter une approche unique pour toutes les requêtes (et catégories de requêtes).
En retirant de l’équation les requêtes qui déclenchent les résultats de Venise et le package de cartes, certaines requêtes peuvent nécessiter des vitesses élevées de nouveau contenu, un contenu plus court, un contenu plus long, de nombreux liens … Le nouveau modèle de pondération introduit par RankBrain signifie qu’il y aura doivent être des écarts par rapport aux meilleures pratiques standard.
Structures de liens internes
Nous savons, grâce aux directives d’évaluation de la qualité de la recherche de Google, que Google prend en compte le contenu principal et supplémentaire lors du classement d’une page ; cela s’étend aux pages d’un sous-répertoire URL et aux pages liées à partir du contenu principal.
Il est standard d’optimiser les structures de liens internes afin que l’équité des liens se répercute sur les pages clés du site (ainsi que sur les pages plus profondes), mais il est également important d’inclure un bon nombre de liens internes pour améliorer l’expérience utilisateur. .
Que réserve l’avenir?
Lorsque RankBrain a été lancé pour la première fois en 2015, il ne traitait qu’environ 15 % des requêtes, mais dans le même temps, en 2016, la confiance de Google dans l’algorithme avait augmenté et il a permis à RankBrain de se libérer de toutes les requêtes. Cela aura été une mise en œuvre progressive et responsable d’un certain nombre de changements que nous avons vus en 2016.
Au fur et à mesure que RankBrain apprend sur le tas, vous comprendrez mieux la sémantique et les concepts, ainsi que les relations entre les sujets et les requêtes. Cela profitera à la précision des résultats de la recherche vocale, ainsi qu’aux pages de résultats de recherche traditionnelles et aux cartes Now.
En résumé
En conclusion, plusieurs personnalités éminentes de la communauté SEO (dont Gary Illyes et Rand Fishkin) ont été révélées de diverses manières et ont souligné que RankBrain n’est pas quelque chose pour lequel ne peut pas être spécifiquement optimisé.
Cela dit, il est important de comprendre le fonctionnement de l’algorithme RankBrain pour comprendre la volatilité des classements dans vos secteurs verticaux (ou ceux de vos clients).
