هوش مصنوعی، یادگیری ماشین و نشانه گذاری طرحواره

در چند ماه گذشته، سر و صدای زیادی در مورد ChatGPT، “بینگ جدید” و Google Bard وجود داشته است. این نوآوری‌های جدید در جستجو توسط یادگیری ماشینی و هوش مصنوعی (AI) پشتیب، می‌شوند.

این موضوعات همچنین در طول سخنر، های اصلی در به طور طول، مورد بحث قرار گرفت Pubcon Austin 2023. مدیر عامل ما، مارتا ون برکل او آنجا بود تا آن را بشنود و Pubcon را با یک یا دو بینش در مورد آینده Schema Markup و جستجوی مبتنی بر هوش مصنوعی ، کرد.

رابطه بین Schema Markup و AI

هفته گذشته، مارتا در Pubcon Austin 2023 در مورد روش های برتر برای استفاده از نشانه گذاری طرحواره ارائه کرد. در طول ارائه، او درباره چگونگی ارتباط نشانه گذاری طرحواره با هوش مصنوعی (AI) و اهمیت نشانه گذاری طرحواره متصل در عصر جستجوی مبتنی بر هوش مصنوعی صحبت کرد.

نشانه گذاری طرحواره متصل به ایجاد نمودار دانش شما کمک می کند

هنگامی که نشانه گذاری طرحواره متصل را در سراسر سایت خود پیاده سازی می کنید، اساساً در حال ایجاد یک نمودار دانش هستید.

“گراف دانش به ،وان مجموعه ای از روابط بین چیزهایی تعریف می شود که با استفاده از یک واژگان استاندارد تعریف شده است، که می توان از طریق استنباط دانش جدید را از آن به دست آورد.”

Schema.org واژگان استانداردی است که توسط موتورهای جستجو برای درک محتوای یک صفحه استفاده می شود و هنگامی که از آن برای تعریف روابط بین موجودیت ها در یک وب سایت استفاده می کنید، یک نمودار دانش برای آن سازمان ایجاد می کنید. در واقع، وقتی به Schema.org نگاه می کنید، می تو،د ببینید که چگونه با ایجاد نمودارهای دانش در ذهن ساخته شده است.

وقتی به تعاریف واژگان Schema.org نگاه می‌کنید، اغلب ویژگی‌های زیادی را می‌بینید که انتظار دارند مقدار ویژگی به جای مقدار متن یا URL، نوع دیگری باشد.

استفاده كردن پزشک به ،وان مثال، Expected Type برای ویژگی ،spitalAffliation نوع دیگری از schema.org به نام Hospital است. با قرار دادن Hospital Type تحت ویژگی ،spitalAffliation، شما رابطه بین پزشک و بیمارست، که آنها به آن وابسته هستند را تعریف می کنید.

این مثال نشان می دهد که چگونه واژگان Schema.org روابط بین چیزهای وب سایت شما را تعریف می کند. وقتی این روابط را با استفاده از Schema Markup به هم متصل می کنید و تعریف می کنید، در حال ساختن نمودار دانش خود هستید.

در Schema App، ما اهمیت ایجاد Schema Markup متصل و ایجاد یک نمودار دانش قابل استفاده مجدد را می د،م. راه حل سازم، ما از فناوری م،ایی استفاده می کند که نشانه گذاری طرحواره و محتوای وب شما را در یک نمودار دانش ایجاد و ذخیره می کند.

اما نمودارهای دانش چه ارتباطی با هوش مصنوعی و یادگیری ماشینی دارند؟ چرا برای سازمان ها مهم است که نمودار دانش خود را با استفاده از Schema Markup توسعه دهند؟

ما پرسیدیم ChatGPT چرا نمودارهای دانش مهم هستند و در اینجا چیزی است که باید بگوید.

نمودارهای دانش ابزار قدرتمندی برای نمایش و سازماندهی اطلاعات به روشی ساختاریافته است.

در اینجا سه ​​دلیل وجود دارد که چرا نمودارهای دانش مهم هستند:

1. یکپارچگی و قابلیت همکاری: نمودارهای دانش امکان ادغام داده های ناهمگن از منابع، قالب ها و زبان های مختلف را فراهم می کنند. این امر سازمان ها را قادر می سازد تا دیدی کل نگر از داده های خود به دست آورند، شناسایی ال،ا و بینش هایی را که ممکن است هنگام سیلو ، داده ها قابل مشاهده نباشند آسان تر می کند. نمودارهای دانش همچنین امکان همکاری بین سیستم های مختلف را فراهم می کند. به اشتراک گذاری و استفاده مجدد از داده ها در برنامه های مختلف آسان تر می شود.
2. جستجو و تحلیل م،ایی: نمودارهای دانش از روابط م،ایی برای نمایش اطلاعات استفاده می کنند. انجام کارهای جستجو و تجزیه و تحلیل پیشرفته را آسان تر می کند. به ،وان مثال، نمودارهای دانش را می توان برای انجام پرس و جوهای پیچیده استفاده کرد که روابط بین نهادهای مختلف را در نظر می گیرد، مانند “یافتن همه افرادی که در شرکت هایی در همان صنعت مایکروسافت کار کرده اند.” این می تواند به سازمان ها کمک می کند تا ال،ا و بینش هایی را شناسایی کنند که کشف آنها با استفاده از روش های جستجو و تحلیل سنتی دشوار است.
3. یادگیری ماشین و هوش مصنوعی: نمودارهای دانش یک فناوری پایه برای یادگیری ماشین و هوش مصنوعی. با نمایش اطلاعات به روشی ساختاریافته و استاندارد، نمودارهای دانش است،اج بینش و پیش بینی را برای الگوریتم ها آسان تر می کند. برای مثال، نمودارهای دانش را می‌توان برای آموزش مدل‌های پردازش زبان طبیعی (NLP) یا ساخت موتورهای توصیه‌ای که محصولات یا محتوا را بر اساس ترجیحات و رفتارهای کاربر پیشنهاد می‌کنند، استفاده کرد.

(منبع: ChatGPT، Open Ai)

موتورهای جستجو از نشانه گذاری طرحواره و نمودار دانش شما به ،وان منابع داده برای آموزش ماشین های خود و استنباط دانش جدید استفاده می کنند. با توسعه نمودار دانش سازمان خود، می تو،د داده های وب سازمان خود را به گونه ای آماده کنید که «آماده هوش مصنوعی» باشند.

در اوایل سال جاری، رایان لورینگ، قهرمان گوگل برای داده های ساختاریافته، در رابطه با آنچه گوگل از Schema Markup می خواهد، موارد زیر را بیان کرد.

همچنین، با گذشت زمان، م،ایی غنی‌تر/صحیح‌تر به گراف‌های مرتبط‌تر کمک می‌کند.
– رایان لورینگ، گوگل (منبع: ماستودون)

اگرچه گوگل هنوز هیچ سند رسمی در مورد نشانه گذاری طرحواره متصل منتشر نکرده است، نظر Levering نشان دهنده اهمیت روزافزون آن در دنیای جستجو است.

احساسات ما در مورد نشانه گذاری طرحواره متصل نیز بازتاب داده شد فابریس کانل، مدیر برنامه اصلی بینگ، در سخنر، اصلی خود در Pubcon Austin 2023.

توصیه های سئو برای جستجوی هوش مصنوعی Bing

در طول سخنر، اصلی خود، Canel نکات و بینش های ارزشمندی در مورد بهینه سازی برای ارائه داد موتور جستجوی هوش مصنوعی جدید بینگ. اگرچه جستجوی هوش مصنوعی در مراحل ابتدایی خود است، Canel به اشتراک گذاشت که یکی از راه هایی که سئوکاران می توانند برای این جستجوی جدید مجهز به هوش مصنوعی آماده شوند، این است که نوشتن محتوای عالی و حاشیه نویسی با Schema Markup.

در اسلاید بعدی، او بیشتر توضیح داد که منظور آنها از محتوای عالی و نشانه گذاری طرحواره چیست. آنها به طور خاص به استفاده از “نشانه گذاری م،ایی” برای انتقال اطلاعات در مورد صفحات اشاره ،د.

نشانه‌گذاری م،ایی به نشانه‌گذاری طرحواره متصل نیز شناخته می‌شود، جایی که شما روابط بین محتوای صفحات خود و سایر تعاریف موجود در وب را با استفاده از ویژگی‌های تعریف شده در Schema.org تعریف می‌کنید.

این نشان می دهد که نشانه گذاری طرحواره متصل برای موتورهای جستجوی هوش مصنوعی مهم است و سئوکاران باید روی آن سرمایه گذاری کنند. همچنین به همین دلیل است که تیم ما در برنامه Schema هنگام ایجاد استراتژی نشانه گذاری طرحواره برای مشتریان خود دائماً بر آن تأکید می کند.

چگونه هوش مصنوعی تجربه جستجو را متحول می کند

در طول سخنر، اصلی خود، Canel همچنین در مورد انواع مختلف پرس و جوهای جستجو و اینکه چگونه نتایج موتور جستجو برای برآوردن بهترین درخواست کاربر متفاوت خواهد بود، به اشتراک گذاشت.

نکته اصلی ما از آن این است که تجربه جدید بینگ چت بات با برخی از پرس و جوها مطابقت دارد، در حالی که سایر سؤالات با ج، یا نسخه ای از نتایج جستجوی امروزی بهتر پاسخ داده می شوند.

به ،وان مثال، برای پرسش‌هایی مانند «به من بگو همه هتل‌های دومینیکن که سرسره‌های آبی دارند»، کاربران ممکن است با یک پاسخ خلاصه ربات گفتگو قانع شوند و حتی حاشیه خطا را بپذیرند.

از سوی دیگر، برای سؤالاتی مانند “زمان بهبودی پس از جراحی لگن چقدر است”، کاربران ممکن است بخواهند مقالات مختلفی را در این زمینه بخوانند و شخصاً قبل از پذیرش پاسخ مشخص کنند که متخصص موضوع کیست.

با گذشت زمان، جالب خواهد بود که ببینیم چگونه این تجربیات مختلف و انواع جستجوها با این فناوری جدید چت هوش مصنوعی تکامل می‌یابند.

علیرغم سر و صدای اخیر، هوش مصنوعی و یادگیری ماشینی برای جستجو چیز جدیدی نیستند. گری ایلیس از طرف گوگل، Pubcon را با ارائه اصلی خود در مورد چگونگی قدمت هوش مصنوعی به عصر برنز، اینکه چگونه این مفاهیم در حال حاضر عمیقاً در نحوه انجام تجارت ما جا افتاده اند و چگونه آنها به تکامل خود ادامه می دهند، آغاز کرد.

ما واقعاً از دیدن اینکه چگونه صنایع موجود امروزی از یادگیری ماشینی و هوش مصنوعی از طریق ابزارها و اتوماسیون فرآیند استفاده می‌کنند لذت بردیم.

با این حال، Ilyes در مورد Bard یا اینکه آیا گوگل یک Chatbot را در پاسخ به New Bing منتشر خواهد کرد یا خیر، اظهار نظر نکرد، بنابراین ما فقط باید منتظر بم،م و ببینیم.

برنامه طرحواره و هوش مصنوعی

در برنامه Schema، ما همچنین از هوش مصنوعی و یادگیری ماشینی در ابزارهای خود استفاده می کنیم. ما از آن برای خود استفاده می کنیم شناسایی موجودیت مرتبط ویژگی و ابزار تجزیه و تحلیل عملکرد طرحواره ما.

به دلیل اشتیاق ما به فناوری م،ایی، هنگامی که شما نشانه گذاری طرحواره خود را با برنامه Schema ایجاد می کنید، داده های شما در یک نمودار دانش ذخیره می شود. سپس بر روی قابلیت‌های هوش مصنوعی اضافی لایه‌بندی می‌کنیم تا به شما کمک کنیم تا م،ای بیشتری به محتوای خود اضافه کنید.

برای مثال، شناسایی نهاد پیوندی برنامه Schema به فناوری ما اجازه می‌دهد تا با استفاده از پردازش زبان طبیعی، نشانه‌گذاری طرحواره متصل ایجاد کند تا محتوای شما را به موجودیت‌های شناخته شده در نمودار دانش و ویکی‌داده Google متصل کند. این زمینه را برای محتوا فراهم می‌کند، محتوا را با استفاده از پیوند sameAs یا به‌طور انعطاف‌پذیرتر با ذکر، درباره، دسته‌بندی و غیره مرتبط می‌کند.

نسخه آینده همچنین شامل یک مدل مفهومی پزشکی BERT خواهد بود که شرکت های مراقبت های بهداشتی می توانند از آن برای تبلیغ همه تخصص های خود استفاده کنند. ما همچنین در حال کار بر روی ویژگی Schema Performance Analytics برای ایجاد بینش هوش مصنوعی از داده های عملکرد هستیم و به زودی آن را در نسخه بتا منتشر خواهیم کرد.

شروع به آماده شدن برای تجربه جستجوی مبتنی بر هوش مصنوعی کنید

هوش مصنوعی و یادگیری ماشینی اینجا هستند و همچنان در تجربه جستجو برجسته خواهند شد. خوشبختانه، تکامل در جستجو یک شبه اتفاق نخواهد افتاد. احتمالا طی چند سال آینده تکامل خواهد یافت.

با این حال، سازمان ها باید خود را برای آنچه که در راه است آماده کنند. همانطور که شما نشانه گذاری طرحواره خود را برای دستیابی به یک نتیجه غنی اتخاذ، استقرار و مدیریت می کنید، همچنین می خواهید مطمئن شوید که این کار را به صورت م،ایی برای ایجاد یک نمودار دانش متصل انجام می دهید. به این ترتیب، می تو،د پایه های مرتبط با موتورهای جستجو را پایه گذاری کنید و در این تجربه جستجوی جدید عملکرد خوبی داشته باشید.

به ،وان یک شرکت فناوری م،ایی، Schema App مشتاق است که تخصص و ابزارهایی را برای انجام این کار به روشی قابل مدیریت و مقیاس پذیر با نتایج قابل اندازه گیری در اختیار شما قرار دهد. اگر برای ایجاد نشانه‌گذاری طرحواره متصل به کمک نیاز دارید، امروز با ما تماس بگیرید تا بد،د چگونه می‌تو،م به شما کمک کنیم برای این تجربه جستجوی جدید آماده شوید.