Es bieži nesen runāju ar Jesse Dwyer no Perplexity par SEO un AI meklēšanu, koncentrējoties uz to, ko SEO speciālistiem būtu jāizceļ, optimizējot AI meklēšanai. Viņa pārdomas sniedza vērtīgus padomus šodien publicētājiem un SEO speciālistiem. ### Šodiena par AI meklēšanu Jesse uzsvēra, ka personalizācija būtiski pārveido AI meklēšanu. Viņš norādīja, “Lielākā un vienkāršākā lieta par AEO (Atbildes mehānisma optimizācija) salīdzinājumā ar SEO ir tā, ka tas vairs nav nulle-sum spēle. Divi lietotāji ar to pašu vaicājumu var saņemt atšķirīgas atbildes, ja AI rīks iekļauj personīgo atmiņu konteksta logā (kā ar Perplexity, ChatGPT). ” Šī pārmaiņa ir saistīta ar indeksēšanas tehnoloģijas atšķirībām, skaidrojot atšķirības starp tradicionālo ģeogrāfisko optimizāciju (GEO) un AEO. Tomēr, lielākā daļa tradicionālo SEO labāko praksi joprojām ir spēkā. Dwyera galvenā ziņa ir tāda, ka meklēšanas redzamība vairs nav par konsekventiem rezultātiem dažādiem lietotājiem. AI atbildes ir veidotas pēc personīgā konteksta, kas nozīmē, ka divi lietotāji var redzēt pilnīgi atšķirīgas atbildes un zemstruktūras avotus tam pašam vaicājumam. Lai gan infrastruktūra joprojām ir klasiskā meklēšanas indeksa veidā—Perplexity AI izmanto līdzīgu PageRank sistēmu, kas vērtē vietnes popularitāti un atbilstību—sadaļas, kas tiek iegūtas, būtiski atšķiras no tradicionālās meklēšanas. Kad es jautāju, vai klasiskā meklēšana parasti rāda tās pašas galvenās vietnes katram vaicājumam, kamēr AI meklēšana ģenerē dažādas atbildes, ņemot vērā sarunu kontekstu, Jesse apstiprināja šo atšķirību. ### Sub-dokumentu apstrāde: galvenā atšķirība AI meklēšanā Jesse paskaidroja, ka galvenā tehnoloģija aiz AI meklēšanas ir tās darbības princips — atšķirība starp visu dokumentu un sub-dokumentu apstrādi. Tradicionālās meklētājprogrammas indeksē pilnas tīmekļa lapas, novērtējot un rangojot tās kā vienumu.

AI rīki, kas izmanto šo modeli—piemēram, ChatGPT tīmekļa meklēšanu—iegūst labāko 10-50 dokumentu apkopojumu, un tad izmanto lielo valodu modeli (LLM), lai tos kopsavilktu. Šī pieeja, dažkārt dēvēta par “4 Bing meklējumus vienā uzvalkā, ” joprojām ir balstīta uz algoritmisku meklēšanu, nevis patiesu AI izgūšanu. Šī metode atbilst GEO vai ģeneratīvās mašīnas optimizācijai, kas vēl joprojām balstās uz visu lapu vērtēšanu. Jaunā, AI pirmā pieeja—tā sauktā “sub-dokumentu apstrāde”—indeksē un izgūst ļoti specifiskas, sīki sadrumstālotas sadrumstalteres, nevis visu dokumentu. AI kontekstā sadrumstalta sastāv no aptuveni 5–7 vienībām (2–4 vārdiem), kas tiek pārvērstas skaitliskās reprezentācijās, izmantojot transformatoru arhitektūru, kas ir pamatā modeļiem kā GPT. Vaicājuma gadījumā sistēma paņem aptuveni 130, 000 vienību (aptuveni 26, 000 fragmentu), kas ir visatbilstošākie, konteksta logā—kopējā jauda, ko spēj šobrīd lielie valodu modeļi—, ar mērķi pilnībā aizpildīt šo logu ar relevantu informāciju. Šāds uzpildījums samazina modeļa tendenci “halucinēt” vai izgudrot, ļaujot tam sniegt precīzākas atbildes. Šī sub-dokumentu indeksēšana ir tieši tas, uz ko virzās industrija, pamatojoši terminu AEO izmantošanu. Turklāt personalizācija rodas tādēļ, ka LLM var ieviest plašu lietotāja datu kopumu konteksta logā—kā tas ir daudz plašāk nekā tradicionāla Google lietotāja profilā—radot unikāli pielāgotas atbildes. Uzņēmums kā Perplexity izceļas ar to, ka optimizē plūsmu starp indeksu un fragmentu iegūšanu, izmantojot metodes kā skaitļošanas modulācija, vaicājumu pārveidošana un patentētas modeļu tehnoloģijas, kas kopā uzlabo fragmentu atbilstību un atbilžu kvalitāti. Lai gan tas mazāk ietekmē SEO, šie attīstījumi arī izskaidro, kāpēc Perplexity meklēšanas API ir ievērojami progresīvs attīstītājiem, integrējot meklēšanu citos produktos. ### Indeksa pieejumu kopsavilkums Dwyers uzsvēra kontrastu starp: - **Pilna dokumenta indeksāciju:** Rangu un meklē pilnas tīmekļa lapas, kamēr AI apkopo galīgos rezultātus. - **Sub-dokumentu indeksāciju:** Glabā un izgūst nozīmi sadrumstaltās plāksnēs, kur AI tieši analizē šos fragmentus. Otra pieeja uzlabo atbilžu precizitāti, pilnībā aizpildot modeļa konteksta logu ar relevantu datu kopumu, ierobežojot maldināšanu un radot bagātākas atbildes. Noslēgumā Jesse uzsvēra, ka “skaitļošanas modulācija, ” vaicājumu pārveidošana un patentētas indeksa modeļi veido viņu “slepeno sastāvdaļu” priekšaugstākās fragmentu iegūšanas un AI meklēšanas kvalitātes.