Ejemplos de aprendizaje automático en el mundo real (y para SEO) (flashback festivo)

Manténgase a la vanguardia con una exploración de 8 aplicaciones de aprendizaje automático diseñadas directamente para profesionales de SEO.

Celebre las fiestas con algunos de los mejores artículos de SEJ de 2023.

Nuestra serie Festive Flashback se llevará a cabo del 21 de diciembre al 5 de enero y presenta lecturas diarias sobre eventos importantes, fundamentos, estrategias viables y opiniones de líderes intelectuales.

2023 ha sido bastante agitado en la industria del SEO y nuestros colaboradores produjeron algunos artículos destacados para mantener el ritmo y reflejar estos cambios.

Póngase al día con las mejores lecturas de 2023 para tener mucho en qué reflexionar a medida que avanza hacia 2024.

Como profesional de SEO, habrá oído hablar de ChatGPT y BARD, o incluso los habrá utilizado usted mismo.

Es posible que también esté familiarizado con algunos modelos de aprendizaje automático de Google, como BERT y RankBrain.

Todas estas son excelentes aplicaciones del aprendizaje automático.

Pero no siempre es evidente de inmediato cómo el aprendizaje automático puede ser útil para sus tareas BAU (business as usual) o tareas pendientes diarias de SEO.

También está la cuestión de la ética, como en la privacidad y la equidad de los datos, cuando se trata de utilizar el aprendizaje automático en su trabajo.

Sin embargo, comprender cómo funciona el aprendizaje automático en la búsqueda (y en la vida real) solo puede ser una ventaja para usted como profesional de SEO, ya sea que sea técnico o no.

En este completo artículo, aprenda los tipos de aprendizaje automático y la ética asociados con la tecnología, luego inspírese en siete ejemplos de aprendizaje automático que han tenido un gran impacto en nuestro mundo.

Como beneficio adicional, al final de este artículo, explore ocho ejemplos de aprendizaje automático aplicados directamente al SEO.

¿Qué es el aprendizaje automático?

El aprendizaje automático es un subconjunto de la inteligencia artificial (IA) que permite que los sistemas aprendan y mejoren sin la necesidad de ser programados explícitamente. Esto se logra mediante el uso de grandes conjuntos de datos que entrenan los parámetros del modelo.

Quizás los ejemplos más conocidos de aprendizaje automático actualmente sean ChatGPT y BARD, y aunque esta publicación no se centrará en ellos, decidí pedirles a ambos que me explicaran qué es el aprendizaje automático. Aquí están sus respuestas:

ChatGPT

“Machine learning is a type of artificial intelligence that allows software applications to learn from the data and become more accurate in predicting outcomes without explicit programming. In other words, it is a method of teaching computers to learn from the data they are given, and then to make decisions or predictions based on that learning.

The goal of machine learning is to develop algorithms that can learn patterns in data, and then use those patterns to make decisions or predictions about new data. This is done by training the machine learning algorithm on a dataset of known inputs and outputs, and then using that knowledge to make predictions on new, unseen data.

Some common applications of machine learning include image recognition, natural language processing, fraud detection, and recommendation systems.”

Screenshot from ChatGPT, April 2023

“El aprendizaje automático es un tipo de inteligencia artificial que permite que las aplicaciones de software aprendan de los datos y sean más precisas a la hora de predecir resultados sin programación explícita. En otras palabras, es un método para enseñar a las computadoras a aprender de los datos que se les proporcionan y luego a tomar decisiones o predicciones basadas en ese aprendizaje.

El objetivo del aprendizaje automático es desarrollar algoritmos que puedan aprender patrones en los datos y luego utilizar esos patrones para tomar decisiones o predicciones sobre nuevos datos. Esto se hace entrenando el algoritmo de aprendizaje automático en un conjunto de datos de entradas y salidas conocidas, y luego utilizando ese conocimiento para hacer predicciones sobre datos nuevos e invisibles.

Algunas aplicaciones comunes del aprendizaje automático incluyen el reconocimiento de imágenes, el procesamiento del lenguaje natural, la detección de fraudes y los sistemas de recomendación”.

BARDO

“Machine learning is the study of computer algorithms that improve automatically through experience and by the use of data. It is seen as a subset of artificial intelligence. Machine learning algorithms build a model based on sample data, known as training data, in order to make predictions or decisions without being explicitly programmed to do so.

Machine learning can be used for a variety of tasks, including:

• Classification: Sorting data into categories. For example, a spam filter might classify emails as spam or not spam.
• Regression: Predicting a continuous value. For example, a weather forecast might predict the temperature tomorrow.
• Clustering: Grouping data points together based on their similarity. For example, a recommender system might cluster users together based on their past purchases.
• Anomaly detection: Identifying unusual data points. For example, a fraud detection system might identify transactions that are likely to be fraudulent.

Machine learning is a powerful tool that can be used to solve a variety of problems. However, it is important to note that machine learning algorithms are only as good as the data they are trained on. If the data is biased, the algorithm will be biased as well. Additionally, machine learning algorithms can be susceptible to overfitting, which is when the algorithm learns the training data too well and does not generalize well to new data.

Despite these challenges, machine learning is a rapidly growing field with a wide range of applications. As the amount of data available to us continues to grow, machine learning is likely to play an even greater role in our lives in the future.”

“El aprendizaje automático es el estudio de algoritmos informáticos que mejoran automáticamente a través de la experiencia y el uso de datos. Se considera un subconjunto de la inteligencia artificial. Los algoritmos de aprendizaje automático construyen un modelo basado en datos de muestra, conocidos como datos de entrenamiento, para hacer predicciones o decisiones sin estar programados explícitamente para hacerlo.

El aprendizaje automático se puede utilizar para una variedad de tareas, que incluyen:

• Clasificación: ordenar datos en categorías Por ejemplo, un filtro de spam podría clasificar los correos electrónicos como spam o no spam.
• Regresión: predecir un valor continuo Por ejemplo, un pronóstico del tiempo podría predecir la temperatura de mañana.
• Agrupación: agrupar puntos de datos en función de su similitud. Por ejemplo, un sistema de recomendación podría agrupar a los usuarios en función de sus compras anteriores.
• Detección de anomalías: identificación de puntos de datos inusuales Por ejemplo, un sistema de detección de fraude podría identificar transacciones que probablemente sean fraudulentas.

El aprendizaje automático es una herramienta poderosa que se puede utilizar para resolver una variedad de problemas. Sin embargo, es importante tener en cuenta que los algoritmos de aprendizaje automático son tan buenos como los datos con los que se entrenan. Si los datos están sesgados, el algoritmo también lo estará Además, los algoritmos de aprendizaje automático pueden ser susceptibles de sobreajuste, que es cuando el algoritmo aprende demasiado bien los datos de entrenamiento y no generaliza bien a datos nuevos.

A pesar de estos desafíos, el aprendizaje automático es un campo en rápido crecimiento con una amplia gama de aplicaciones. A medida que la cantidad de datos disponibles para nosotros siga creciendo, es probable que el aprendizaje automático desempeñe un papel aún mayor en nuestras vidas en el futuro”.

Aprendizaje supervisado

Como sugiere el nombre, en el aprendizaje supervisado, el modelo aprende bajo supervisión. Se entrena con datos etiquetados y el resultado se revisa manualmente.

La máquina aprende de los datos etiquetados, que luego se utilizan para hacer predicciones futuras.

Una vez recibido el resultado, el modelo lo recuerda y lo utilizará para la siguiente operación.

Hay dos tipos principales de aprendizaje supervisado: clasificación y regresión.

Clasificación

La clasificación es cuando la variable de salida es categórica, con dos o más clases que el modelo puede identificar;

Ejemplos de esto incluyen predecir si es probable que los correos electrónicos sean spam o si una imagen es de un perro o un gato.

En ambos ejemplos, el modelo se entrenará con datos clasificados como spam o no, y si una imagen contiene un perro o un gato.

Regresión

Esto es cuando la variable de salida es un valor real o continuo, y existe una relación entre las variables. Básicamente, un cambio en una variable está asociado con un cambio que ocurre en la otra variable.

Luego, el modelo aprende la relación entre ellos y predice cuál será el resultado dependiendo de los datos que se le proporcionen.

Por ejemplo, predecir la humedad en función de un valor de temperatura determinado o cuál será el precio de las acciones en un momento determinado.

Aprendizaje sin supervisión

El aprendizaje no supervisado es cuando el modelo utiliza datos sin etiquetar y aprende por sí solo, sin ninguna supervisión. Básicamente, a diferencia del aprendizaje supervisado, el modelo actuará sobre los datos de entrada sin ninguna guía.

No requiere ningún dato etiquetado, ya que su trabajo es buscar patrones o estructuras ocultos en los datos de entrada y luego organizarlos según las similitudes y diferencias.

Por ejemplo, si a un modelo se le dan fotografías de perros y gatos, aún no está entrenado para conocer las características que diferencian a ambos. Aun así, puede categorizarlos basándose en patrones de similitudes y diferencias.

También hay dos tipos principales de aprendizaje no supervisado: agrupamiento y asociación.

Agrupación

La agrupación es el método de clasificar objetos en grupos que son similares entre sí y pertenecen a un grupo, versus objetos que son diferentes a un grupo en particular y, por lo tanto, pertenecen a otro.

Ejemplos de esto incluyen sistemas de recomendación y clasificación de imágenes.

Asociación

La asociación se basa en reglas y se utiliza para descubrir la probabilidad de coexistencia de elementos dentro de una colección de valores.

Los ejemplos incluyen la detección de fraude, la segmentación de clientes y el descubrimiento de hábitos de compra.

Aprendizaje semisupervisado

El aprendizaje semisupervisado une el aprendizaje supervisado y no supervisado mediante el uso de una pequeña sección de datos etiquetados, junto con datos no etiquetados, para entrenar el modelo. Por lo tanto, funciona para diversos problemas, desde clasificación y regresión hasta agrupamiento y asociación.

El aprendizaje semisupervisado se puede utilizar si hay una gran cantidad de datos sin etiquetar, ya que solo requiere etiquetar una pequeña porción de los datos para entrenar el modelo, que luego se puede aplicar a los datos sin etiquetar restantes.

Google ha utilizado el aprendizaje semisupervisado para comprender mejor el lenguaje utilizado en una búsqueda y garantizar que proporcione el contenido más relevante para una consulta en particular. Google has used semi-supervised learning

Aprendizaje reforzado

El aprendizaje por refuerzo se produce cuando se entrena un modelo para devolver la solución óptima a un problema adoptando un enfoque secuencial para la toma de decisiones.

Utiliza prueba y error a partir de sus propias experiencias para definir el resultado, con recompensas por el comportamiento positivo y refuerzo negativo si no está trabajando para alcanzar la meta.

El modelo interactúa con el entorno creado y presenta soluciones sin interferencia humana.

Luego se introducirá la interferencia humana para proporcionar un refuerzo positivo o negativo dependiendo de qué tan cerca del objetivo esté el resultado.

Los ejemplos incluyen la robótica (piense en robots que trabajan en una línea de montaje de una fábrica) y los juegos, con AlphaGo como el ejemplo más famoso. Aquí es donde se entrenó el modelo para vencer al campeón de AlphaGo mediante el uso del aprendizaje por refuerzo para definir el mejor enfoque para ganar el juego. AlphaGo

Ética del aprendizaje automático

No hay duda de que el aprendizaje automático tiene muchos beneficios y el uso de modelos de aprendizaje automático es cada vez mayor.

Sin embargo, es importante considerar las preocupaciones éticas que conlleva el uso de tecnología de este tipo. Estas preocupaciones incluyen: consider the ethical concerns

• La precisión de un modelo de aprendizaje automático y si generará el resultado correcto.
• Sesgo en los datos que se utilizan para entrenar modelos, lo que provoca un sesgo en el modelo mismo y, por lo tanto, un sesgo en el resultado. Si hay un sesgo histórico en los datos, ese sesgo a menudo se replicará en todos los casos.
• La equidad en los resultados y el proceso general.
• Privacidad, particularmente con datos que se utilizan para entrenar modelos de aprendizaje automático, así como la precisión de los resultados y predicciones.

7 ejemplos de aprendizaje automático en el mundo real

1 netflix

Netflix utiliza el aprendizaje automático de varias formas para brindar la mejor experiencia a sus usuarios.

La compañía también recopila continuamente grandes cantidades de datos, incluidas calificaciones, la ubicación de los usuarios, el tiempo durante el cual se ve algo, si se agrega contenido a una lista e incluso si algo se ha visto en exceso.

Estos datos luego se utilizan para mejorar aún más sus modelos de aprendizaje automático.

Recomendaciones de contenido

Las recomendaciones de TV y películas en Netflix se personalizan según las preferencias de cada usuario individual. Para hacer esto, Netflix implementó un sistema de recomendación que considera el contenido consumido anteriormente, los géneros más vistos por los usuarios y el contenido visto por usuarios con preferencias similares.

Miniaturas generadas automáticamente

Netflix descubrió que las imágenes utilizadas en la pantalla de navegación marcan una gran diferencia a la hora de ver algo o no.

Por lo tanto, utiliza el aprendizaje automático para crear y mostrar diferentes imágenes según las preferencias individuales del usuario. Para ello, analiza las elecciones de contenido anteriores de un usuario y aprende qué tipo de imagen es más probable que lo anime a hacer clic.

Estos son sólo dos ejemplos de cómo Netflix utiliza el aprendizaje automático en su plataforma Si desea obtener más información sobre cómo se utiliza, puede consultar el blog de áreas de investigación de la empresa. research areas blog

2 Airbnb

Con millones de anuncios en ubicaciones de todo el mundo a diferentes precios, Airbnb utiliza el aprendizaje automático para garantizar que los usuarios puedan encontrar lo que buscan rápidamente y mejorar las conversiones.

Hay varias formas en que la empresa implementa el aprendizaje automático y comparte muchos detalles en su blog de ingeniería. engineering blog

Clasificación de imágenes

Como los anfitriones pueden subir imágenes de sus propiedades, Airbnb descubrió que muchas imágenes estaban mal etiquetadas. Para intentar optimizar la experiencia del usuario, implementó un modelo de clasificación de imágenes que utilizaba visión por computadora y aprendizaje profundo. image classification model

El proyecto tenía como objetivo categorizar fotografías según diferentes habitaciones. Esto permitió a Airbnb mostrar imágenes de anuncios agrupadas por tipo de habitación y garantizar que el anuncio siguiera las directrices de Airbnb.

Para hacer esto, volvió a entrenar la red neuronal de clasificación de imágenes ResNet50, con una pequeña cantidad de fotos etiquetadas. Esto le permitió clasificar con precisión las imágenes actuales y futuras cargadas en el sitio.

Clasificación de búsqueda

Para brindar una experiencia personalizada a los usuarios, Airbnb implementó un modelo de clasificación que optimizó la búsqueda y el descubrimiento. Los datos de este modelo provienen de métricas de participación del usuario, como clics y reservas.

Los listados comenzaron ordenándose aleatoriamente y luego se les dio un peso a varios factores dentro del modelo, incluido el precio, la calidad y la popularidad entre los usuarios. Cuanto más peso tuviera un anuncio, más arriba se mostraría en los anuncios.

Desde entonces, esto se ha optimizado aún más, con datos de capacitación que incluyen la cantidad de invitados, el precio y la disponibilidad también incluidos dentro del modelo para descubrir patrones y preferencias para crear una experiencia más personalizada.

3 Spotify

Spotify también utiliza varios modelos de aprendizaje automático para seguir revolucionando la forma en que se descubre y consume el contenido de audio. also uses several machine learning models

Recomendaciones

Spotify utiliza un algoritmo de recomendación que predice la preferencia de un usuario basándose en una recopilación de datos de otros usuarios. Esto se debe a las numerosas similitudes que ocurren entre los tipos de música que escuchan grupos de personas.

Las listas de reproducción son una forma de hacerlo, utilizando métodos estadísticos para crear listas de reproducción personalizadas para los usuarios, como Discover Weekly y mezclas diarias.

Luego puede utilizar más datos para ajustarlos en función del comportamiento del usuario.

Dado que también se crean millones de listas de reproducción personales, Spotify tiene una enorme base de datos con la que trabajar, especialmente si las canciones están agrupadas y etiquetadas con un significado semántico.

Esto ha permitido a la compañía recomendar canciones a usuarios con gustos musicales similares. El modelo de aprendizaje automático puede ofrecer canciones a usuarios con un historial de escucha similar para ayudar a descubrir música.

Lenguaje natural

Con el algoritmo del Lenguaje de Procesamiento Natural (NLP, por sus siglas en inglés) que permite a las computadoras comprender el texto mejor que nunca, Spotify puede clasificar la música según el lenguaje utilizado para describirla.

Puede buscar en la web texto sobre una canción en particular y luego usar PNL para categorizar canciones según este contexto.

Esto también ayuda a los algoritmos a identificar canciones o artistas que pertenecen a listas de reproducción similares, lo que ayuda aún más al sistema de recomendación.

4 Detección de noticias falsas

Si bien las herramientas de inteligencia artificial, como la generación de contenido mediante aprendizaje automático, pueden ser una fuente para crear noticias falsas, los modelos de aprendizaje automático que utilizan el procesamiento del lenguaje natural también se pueden utilizar para evaluar artículos y determinar si incluyen información falsa.

Las plataformas de redes sociales utilizan el aprendizaje automático para encontrar palabras y patrones en el contenido compartido que podrían indicar que se están compartiendo noticias falsas y señalarlas adecuadamente.

5 Detección de salud

Hay un ejemplo de una red neuronal que se entrenó con más de 100.000 imágenes para distinguir las lesiones cutáneas peligrosas de las benignas. Cuando se probó con dermatólogos humanos, el modelo pudo detectar con precisión el 95% del cáncer de piel a partir de las imágenes proporcionadas, en comparación con el 86,6% de los dermatólogos. neural network

Como el modelo omitió menos melanomas, se determinó que tenía una mayor sensibilidad y se entrenó continuamente durante todo el proceso.

Existe la esperanza de que el aprendizaje automático y la inteligencia artificial, junto con la inteligencia humana, se conviertan en una herramienta útil para un diagnóstico más rápido.

Otras formas en que se utiliza la detección de imágenes en la atención médica incluyen la identificación de anomalías en radiografías o exploraciones y la identificación de marcas clave que pueden indicar una enfermedad subyacente.

6 Seguridad de la vida silvestre

Protection Assistant for Wildlife Security es un sistema de inteligencia artificial que se utiliza para evaluar información sobre la actividad de caza furtiva y crear una ruta de patrullaje para que los conservacionistas ayuden a prevenir ataques de caza furtiva. Protection Assistant for Wildlife Security

El sistema recibe continuamente más datos, como ubicaciones de trampas y avistamientos de animales, lo que le ayuda a ser más inteligente.

El análisis predictivo permite a las unidades de patrulla identificar áreas donde es probable que visiten los cazadores furtivos de animales.

8 ejemplos de aprendizaje automático en SEO

1 Calidad del contenido

Se pueden entrenar modelos de aprendizaje automático para mejorar la calidad del contenido del sitio web prediciendo lo que tanto los usuarios como los motores de búsqueda preferirían ver.

El modelo se puede entrenar en función de los conocimientos más importantes, incluido el volumen y el tráfico de búsqueda, la tasa de conversión, los enlaces internos y el recuento de palabras.

Luego se puede generar un puntaje de calidad del contenido para cada página, lo que ayudará a informar dónde se deben realizar optimizaciones y puede ser particularmente útil para las auditorías de contenido.

2 Procesamiento natural del lenguaje

El procesamiento del lenguaje natural (PNL) utiliza el aprendizaje automático para revelar la estructura y el significado del texto Analiza el texto para comprender el sentimiento y extraer información clave.

La PNL se centra en comprender el contexto en lugar de solo palabras Se trata más del contenido relacionado con las palabras clave y de cómo encajan en oraciones y párrafos, que de las palabras clave por sí solas.

También se tiene en cuenta el sentimiento general, ya que se refiere al sentimiento detrás de la consulta de búsqueda. Los tipos de palabras utilizadas en la búsqueda ayudan a determinar si se clasifica como con un sentimiento positivo, negativo o neutral.

Las áreas clave de importancia para la PNL son;

• Entidad: palabras que representan objetos tangibles como personas, lugares y cosas que se identifican y evalúan.
• Categorías: texto separado en categorías.
• Prominencia: qué tan relevante es la entidad.

Google tiene una demostración gratuita de API de PNL que se puede utilizar para analizar cómo Google ve y entiende el texto. Esto le permite identificar mejoras en el contenido. free NLP API demo

Recomendaciones en el mundo de la PNL

• La PNL también se utiliza para revisar y comprender el texto ancla que se utiliza para vincular páginas. Por lo tanto, es más importante que nunca garantizar que el texto ancla sea relevante e informativo.
• Garantizar que cada página tenga un flujo natural, con títulos que proporcionen jerarquía y legibilidad.
• Responder la pregunta que plantea el artículo lo más rápido posible. Asegúrese de que los usuarios y los motores de búsqueda puedan descubrir información clave sin hacer demasiado esfuerzo.
• Asegúrese de utilizar la ortografía y la puntuación correctas para mostrar autoridad y confiabilidad.

3 Los modelos de Google

La inteligencia artificial y el aprendizaje automático se utilizan en todos los productos y servicios de Google. Su uso más popular en el contexto de la búsqueda es comprender el lenguaje y la intención detrás de las consultas de búsqueda.

Es interesante ver cómo han evolucionado las cosas en la búsqueda debido a los avances en la tecnología utilizada, gracias a los modelos y algoritmos de aprendizaje automático.

Anteriormente, los sistemas de búsqueda buscaban únicamente palabras coincidentes, que ni siquiera tenían en cuenta los errores ortográficos. Con el tiempo, se crearon algoritmos para encontrar patrones que identificaran errores ortográficos y posibles errores tipográficos.

Se han introducido varios sistemas a lo largo de los últimos años después de que Google confirmara en 2016 su intención de convertirse en la primera empresa de aprendizaje automático. machine learning first company

rangocerebro

El primero de ellos fue RankBrain, que se introdujo en 2015 y ayuda a Google a comprender cómo se relacionan diferentes palabras con diferentes conceptos.

Esto permite a Google realizar una consulta amplia y definir mejor cómo se relaciona con conceptos del mundo real.

Los sistemas de Google aprenden al ver las palabras utilizadas en una consulta en la página, que luego pueden usar para comprender los términos y relacionarlos con conceptos relacionados para comprender lo que busca un usuario.

Coincidencia neuronal

La coincidencia neuronal se lanzó en 2018 y se introdujo en la búsqueda local en 2019.

Esto ayuda a Google a comprender cómo se relacionan las consultas con las páginas al observar el contenido de una página o una consulta de búsqueda y comprenderlo dentro del contexto del contenido de la página o de la consulta.

La mayoría de las consultas que se realizan hoy en día utilizan la coincidencia neuronal y se utiliza en las clasificaciones.

BERT

BERT, que significa Representaciones de codificador bidireccional de Transformers, se lanzó en 2019 y es uno de los sistemas más impactantes que Google ha introducido hasta la fecha.

Este sistema permite a Google comprender cómo las combinaciones de palabras expresan diferentes significados e intenciones al revisar toda la secuencia de palabras en una página.

BERT ahora se utiliza en la mayoría de las consultas, ya que ayuda a Google a comprender lo que busca un usuario para mostrar los mejores resultados relacionados con la búsqueda.

MAMÁ

MUM, que significa Modelo Unificado Multitarea, se introdujo en 2021 y se utiliza para comprender idiomas y variaciones en los términos de búsqueda.

LAMBDA

Los modelos de lenguaje para aplicaciones de diálogo, o LaMDA para abreviar, es el modelo más nuevo y se utiliza para permitir que Google tenga conversaciones fluidas y naturales.

Utiliza los últimos avances para encontrar patrones en oraciones y correlaciones entre diferentes palabras para comprender preguntas matizadas e incluso predecir qué palabras probablemente aparecerán a continuación.

4 Captación previa predictiva

Al combinar datos históricos del sitio web sobre el comportamiento del usuario con las capacidades del aprendizaje automático, algunas herramientas pueden adivinar a qué página es probable que navegue un usuario a continuación y comenzar a buscar previamente los recursos necesarios para cargar la página.

Esto se conoce como captación previa predictiva y puede mejorar el rendimiento del sitio web.

La captación previa predictiva también se puede aplicar a otros escenarios, como pronosticar piezas de contenido o widgets que los usuarios tienen más probabilidades de ver o interactuar y personalizar la experiencia en función de esa información.

5 Pruebas

La ejecución de pruebas SEO A/B es una de las formas más efectivas de proporcionar el impacto de los cambios en el SEO, y la capacidad de generar resultados estadísticamente significativos es posible con el uso de algoritmos de aprendizaje automático y redes neuronales.

SearchPilot es un ejemplo de pruebas SEO A/B impulsadas por aprendizaje automático y modelos de redes neuronales. SearchPilot

Comenzando con un algoritmo de agrupamiento que crea grupos estadísticamente similares de páginas de control y variantes para realizar pruebas, un modelo de red neuronal pronostica el tráfico esperado hacia las páginas en las que se ejecuta la prueba.

El modelo de red neuronal, que está entrenado para tener en cuenta todas y cada una de las influencias externas, como la estacionalidad, la actividad de la competencia y las actualizaciones de algoritmos, también analizará el tráfico de búsqueda orgánica a las páginas variantes e identificará su desempeño frente al grupo de control durante toda la prueba.

Esto también permite a los usuarios calcular si alguna diferencia en el tráfico es estadísticamente significativa.

(Descargo de responsabilidad: trabajo para SearchPilot).

6 Enlace interno

El aprendizaje automático puede ayudar con los enlaces internos de dos maneras:

• Actualización de enlaces rotos: el aprendizaje automático puede rastrear su sitio para detectar enlaces internos rotos y luego reemplazarlos con un enlace a la mejor página alternativa.
• Sugerir enlaces internos relevantes: estas herramientas pueden aprovechar big data para sugerir enlaces internos relevantes durante el proceso de creación del artículo y a lo largo del tiempo.

La otra tarea de vinculación interna es una auditoría de vinculación interna. Esto incluye analizar la cantidad de enlaces internos a una página, la ubicación de los enlaces junto con el texto ancla y la profundidad general de rastreo de la página. internal link audit

La clasificación del texto ancla también se puede realizar para identificar las frases utilizadas con más frecuencia en el texto alternativo y categorizarlas según los temas y si son términos de marca o sin marca.

7 Subtítulos de imagen para texto alternativo

Como profesionales de SEO, entendemos la importancia del texto alternativo de las imágenes. Mejoran la accesibilidad para las personas que utilizan lectores de pantalla y, al mismo tiempo, ayudan a los rastreadores de los motores de búsqueda a comprender el contenido de la página en la que se encuentran.

Los modelos de visión del lenguaje se pueden usar para subtitular imágenes automáticamente, proporcionando así contenido que se puede usar como texto alternativo. Los subtítulos de imágenes se utilizan para describir lo que se muestra dentro de una imagen en una sola oración.

Se utilizan dos modelos para los subtítulos de imágenes, ambos tan importantes como el otro. El modelo basado en imágenes comenzará extrayendo características de la imagen, mientras que el modelo basado en lenguaje traducirá esas características en una oración lógica.

Un ejemplo de subtítulos de imágenes en el mundo real es el marco de aprendizaje profundo de Pythia.

8 Otras tareas de SEO

Otros artículos que vale la pena revisar se centran en el uso del aprendizaje profundo para automatizar la optimización de las etiquetas de título y la clasificación de intenciones mediante el aprendizaje profundo.

Si está interesado en cómo se puede utilizar el aprendizaje automático en las tareas diarias de SEO, debe leer este artículo de Lazarina Stoy, y si desea jugar con algunos scripts súper interesantes, esta colección de cuadernos Colab de Britney Muller. this article by Lazarina Stoy

En conclusión

El aprendizaje automático no se limita sólo a ChatGPT y BARD.

Existen muchas aplicaciones prácticas para el aprendizaje automático, tanto en el mundo real como específicamente en el mundo del SEO, y probablemente estas sean solo el comienzo.

Y si bien será vital seguir siendo conscientes de las cuestiones éticas asociadas con el aprendizaje automático, tiene implicaciones interesantes para el futuro del SEO.

Más recursos:

Imagen de portada: Phonlamai Photo/Shutterstock

Leer el articulo original en Search Engine Journal.