ამ recente საუბრის დროს მე გადავწყვიტე, ვისაუბროთ ჟესმა დისთანიერთობის შესახებ Perplexity-ს მხრიდან SEO-ს და AI საძიებო სისტემებთან დაკავშირებით, განსაკუთრებით იმის შესახებ, რა უნდა ჰქონდეს პრიორიტეტი SEO-ს მიმართულებით AI საძიებო სისტემის ოპტიმიზაციის დროს. მისი შრომები როლს თამაშობდა მიცემული და მნიშვნელოვანი რამ გინება გამომცემლობისა და SEO-სთვის დღეს. ### გეოს საძიებო სისტემა დღეს ჟესმა ყურადღება მიაქცია პიროვნების გარდაცვალებას რეაგირებაზე AI საძიებო სისტემაში. მან თქვა, „საუკეთესო და ყველაზე მარტივი წესი AEO-ს (პასუხის მექანიზმის ოპტიმიზაცია) და SEO-ს შორის არის ის, რომ ეს აღარ არის ჩატვირთული თამაში. ორი მომხმარებელი ერთი კითხვით შეიძლება მიიღოს განსხვავებული პასუხები, თუ AI-ს ხელსაწყო მათ პირად მეხსიერებას მოიცავს მისი კონტექსტის ფანჯრაში (როგორც Perplexity და ChatGPT). " ეს ცვლილება წყლავს ტექნოლოგიური ინექცირების განსხვავებებით, რაც აჩვენაჰს გეოგრაფიული მექანიზმის (GEO) და AEO-ს შორის. თუმცა, უმეტესობა რჩება პრაქტიკული SEO-ს საუკეთესო გამოცდილებით. კარგი მესიჯია, რომ ძებნის გამჭვირვალობა აღარ გახლავთ შედეგების სტაბილურობა მომხმარებლების მიხედვით. AI პასუხები ფორმირდება პიროვნული კონტექსტით, რაც ნიშნავს, რომ ორი მომხმარებელი შეიძლება ნაჩვენებია სრულიად განსხვავებული პასუხები და ძირითადი წყაროები ერთსა და იმავე კითხვაზე. მიუხედავად იმისა, რომ ინფრასტრუქტურა ისევ რჩება კლასიკური საძიებო ინდექსის ტიპი — Perplexity AI იყენებს PageRank-ის მსგავს სისტემას, რომელიც ადევნებს თვალყურს საიტების პოპულარობას და შესაბამისობას — დეტალები, თუ რა იქნა მოძებნილი, აშკარად განსხვავდებიან ტრადიციული საძიებო სისტემისგან. ubwo შევამოწმოთ, თუ კვლავ ტრადიციული საძიებო სისტემა ჩვეულებრივ აჩვენებს იმავე უმაღლეს საიტებს კითხვაზე, მაშინ AI-ს ორიენტირებული საძიებო სისტემა გამოიღებს განსხვავებულ პასუხებს კონტექსტის განხილვის გამო, ასე დადასტურდა ჟესის მიერ. ### ქვე-დოკუმენტის დამუშავება: ძირითადი განსხვავება AI-ს საძიებო სისტემაში ჟესმა ასევე განმარტა მნიშვნელოვანი ტექნოლოგია, რომელიც აწარმოებს AI-ს საძიებო სისტემას: მთლიან დოკუმენტზე და ქვედოკუმენტებზე დაფუძნებული დამუშავების განსხვავება. ტრადიციული საძიებო სისტემები ინდექსირებას ახდენენ მთლიან გვერდებს, მათ ანგარიშებსა და რეიტინგებს ერთ ერთეულად.

AI ხელსაწყოები ఇది იყენებენ, მაგალითად ChatGPT-ის ვებსაიტები, ხდება 10-50 დოკუმენტის მოძიება და შემდეგ დიდი ენობრივი მოდელის (LLM) დახმარებით იკამაზება შედეგები. ეს მეთოდი, რამოდენიმე მოუწოდებს, „4 Bing ძიება ტრენჩკოტში, “ თუმცა ნათლად დგინდება, რომ ეს აგებულია ანალოგიური ალგორითმებით და არა აშკარად AI-ს რეალურ მოპოვებაზე. ეს მეთოდი თანხვედრიულია GEO-ს ან გენერაციული მექანიზმის ოპტიმიზაციასთან, რომელიც აგებს მთლიან გვერდებზე რეიტინგად. ახალი მიდგომაა — სახელწოდებით „ქვედოკუმენტი დამუშავება“ — სადაც ინდექსირებას უკეთებდენ ზუსტად და დეტალურად იმ პატარა ფრაგმენტებზე, ვიდრე სრულ დოკუმენტზე. AI-ს ინდექსინგის დროს snippet-ის შიგთავსი შედგება დაახლოებით 5-7 ტოკენისგან (2-4 სიტყვები), რომლებიც ტრანსფორმაციის არქიტექტურით გარდაიქმნება სფერული რეპრეზენტაციების ფორმაში, როგორც GPT-ის მოდელთან მუშაობისას. კითხვაზე რეაგირებისას სისტემა იღებს დაახლოებით 130, 000 ტოკენის ღირებულების ყველაზე მნიშვნელოვნად მეჩვენებ Prozent నిజეპირაციაიანი ხერხები (დაახლოებით 26, 000 ფილმი) მოდის მოდელების კონტექსტის ფანჯარაში, რაც შეეცადე ამ ფანჯრის სიმაღლე და სიღრმე ივსოს შესაბამისი ინფორმაცია. ეს იძლევა მაღალი სიზუსტის პასუხებს, რადგან მოდელი ნაკლებადაა მიდრეკილი „მომელაღილო სიტუაციებით“ და იოლად იძლევა ზუსტ პასუხებს. ეს ქვედოკუმენტიანი ინდექსირება არის მიმართულება, სადაც ინდუსტრია მიდის, ასახავს სახელწოდებას AEO. გარდა ამისა, პერსონალიზაცია ხდება, რადგან LLM-ის შეუძლია შეჰყოს მომხმარებლის მონაცემების გაფართოებული სურათი სრული კონტექსტისთვის — ბევრად უფრო ფართო ვიდრე ტრადიციული Google პროფილი — ეს ქმნის უნიკალურ, პერსონალიზირებულ შედეგებს. Perplexity-ის მსგავსი კომპანია გამოირჩევა იმით, რომ ოსტატურად უმჯობესებს ინდექსის და ფრაგმენტების მიწერას შორის მიმოსვლას — მაგალითად, საკეტების მორგება, დათხოვნის რეორგანიზაცია და საკუთრებადი მოდელების გამოყენება — რაც საბოლოოდ ზრდის ფრაგმენტების და პასუხების სიზუსტეს და რელევანტურობას. ამ პროცესების უმნიშვნელოვანესი მნიშვნელობა არაა მხოლოდ SEO-ისთვის, არამედ აქვე შემჩნეულია, რომ Perplexity-ის საძიებო API ერთ-ერთი მოწინავეა სხვა პროდუქციის ინტეგრაციისთვის. ### უკუკავშირი ინდექსირების მეთოდებზე ჟესმა გაუსვა ხაზს: - **ულუალო დოკუმენტური ინდექსირება:** დაარქივებს და დაახელებს მთელ ვებგვერდებს, სადაც AI-მ გამოიტანს საბოლოო შედეგებს. - **ქვედოკუმენტური ინდექსირება:** ინახავს და გადაწყვეტს მნიშვნელობას სავარგულ ფენებში, რომლებზე პირდაპირია AI-ის გააზრება ამ ფრაგმენტების დახმარებით. საბოლოო ჯამში, მეორე მეთოდი უკეთეს შედეგებს აძლევს, რადგან სწორად ავსებს მოდელის კონტექსტის ფანჯარას შესაბამისი მონაცემებით, მინიმუმს აქცევს "ფანტაზიის" დონეს და ქმნის უფრო მდიდარ პასუხებს. დასასრულს, ჟესმა აღნიშნა, რომ „კომპიუტერული გამოთვლების მორგება, “ კითხვების ცვლილება და საკუთრებადი ინდექსის მოდელები არის მათი „საიდუმლო შემადგენელი ინგრედიენტი“ უმაღლესი ფრაგმენტების მიწოდებისა და AI-ის საძიებო სისტემის ხარისხის უზრუნველსაყოფად. **Feature Image**-ი Shutterstock/Summit Art Creations-დან