تمهيد الطريق لتصنيف خدماتك في LLMs

مع التطورات الأخيرة في الذكاء الاصطناعي وLLM (نماذج اللغة الكبيرة) لا يمكننا قمع الآثار المترتبة على ذلك على كيفية استخدام الأشخاص لمحركات البحث وفهم تحسين محركات البحث.

إذا كان نموذج ترتيب الصفحات التقليدي لتصنيف الروابط الخلفية وجدارة مواقع الويب التي طورتها Google في الأصل بمثابة إنجاز كبير في عام 1996، فإن أساس كيفية تصنيف مواقع الويب لم يتغير كثيرًا بصرف النظر عن العوامل الأخرى الأقل أهمية، ولكنها لا تزال ذات صلة والتي تؤثر على مواقع الويب و تصنيفات الاستعلام المقابلة لها على محركات البحث.

بدأت شهادات LLM، وخاصة GPT على الخط الأمامي، في تحدي هذه النماذج التقليدية، حيث تقدم طرقًا جديدة يمكن للمستخدمين من خلالها البحث عن المعلومات. يتطلب استخدام ChatGPT للحصول على حقائق أو معلومات معينة وقتًا ونقرات أقل بكثير، وغالبًا ما تكون هذه المعلومات أكثر تمثيلاً للحقائق الموضوعية، نظرًا لأن طبيعة LLMs هي "استهلاك" كميات كبيرة من المعلومات.

وهذا يجعل LLMs عملية للغاية ليس فقط لكتابة القصائد والبرمجة وإعداد مسارات السفر، ولكن لتوفير العديد من عمليات البحث عن المعلومات المفيدة.

دعونا نلقي نظرة على بعض الأمثلة لكيفية تعلم الأشخاص استخدام LLMs وGPT للحصول على إجابات للأسئلة المستهدفة بسرعة وكفاءة، وما قد يعنيه هذا بالنسبة لمستقبل تحسين محركات البحث (SEO).

LLMs في الممارسة العملية

لقد سألنا ChatGPT “ما هي المواقع الأكثر موثوقية للبحث ومقارنة الرحلات الجوية من حيث السعر والدقة وخدمة العملاء؟”

قامت GPT بإدراج جميع الخيارات بشكل جيد، مع ملخص قصير لكل خدمة. وإدراكًا لكفاءة هذا النهج، الذي لا يوفر الوقت فحسب، بل الأهم من ذلك أنه يتجاوز أيضًا الآراء المتحيزة من مواقع المراجعة، يتجه المستخدمون بشكل متزايد إلى GPT للوصول إلى المعلومات.

وبهذا نكشف عن مجال جديد لتحسين المعلومات يتضمن - على غرار تحسين محركات البحث - تقنيات وأساليب لفهم الأسئلة التي يستخدمها العملاء المحتملون والمستخدمون للبحث عن حلول للمشكلات التي تحلها منتجاتنا أو خدماتنا.

يركز هذا النظام الناشئ - الذي يمكن أن نسميه LLMO (تحسين نماذج اللغة الكبيرة) - على طرق تحسين وضعنا بحيث تصبح هذه الاستعلامات أكثر صلة ووضوحًا وتحتل مرتبة أعلى.

في الأجزاء التالية، سننظر بشكل أعمق في كيفية اختلاف أسئلة GPT عن استعلامات البحث التي يضعها المستخدمون في محركات البحث، ولماذا يجب أن نهتم بها وكيف يجب أن نستعد للتحسين من أجل الاستفادة من هذا الابتكار في نمو أعمالنا أو خدمات ومنتجات عملائنا.

لماذا يفضل المستخدمون اللجوء إلى ChatGPT

هذا التحول من استخدام محرك البحث التقليدي إلى توجيه سؤالك إلى ChatGPT ليس اتجاهًا جديدًا، ولكنه استجابة مباشرة لمزاياه. فيما يلي بعض الأسباب الرئيسية التي تجعل المستخدمين يجدون إجابات GPT تُرجع أكثر توافقًا مع متطلباتهم:

• شاملة وغنية بالمعلومات. بينما تعرض محركات البحث قائمة من الروابط إلى مواقع الويب، والتي يتعين على المستخدم التدقيق فيها يدويًا، فإن GPT قادر على إنشاء نص يجيب مباشرة على استفساره. وهذا مفيد بشكل خاص للمستخدمين الذين يبحثون عن إجابة سريعة وشاملة، دون أن يكون لديهم بالضرورة الوقت أو القدرة على فتح وقراءة مجموعة من الروابط من نتائج الصفحة الأولى.

• موضوعية وغير متحيزة . يمكن أن تتأثر نتائج محركات البحث التقليدية ببعض العوامل التي قد لا تكون متاحة للجميع بشكل لا لبس فيه - مثل ميزانية موقع الويب التي يمكنهم إنفاقها على شراء الروابط أو غيرها من الاستراتيجيات المشكوك فيها لمساعدتهم على الحصول على تصنيف أعلى. من ناحية أخرى، يتم تدريب ماجستير إدارة الأعمال (LLM) على مجموعات البيانات الضخمة ويستخدمون خوارزميات التصنيف والارتباط المتقدمة لتوليد إجابة تعتمد على الحقائق والأدلة، وليس على ميزانيات الشركة.

• شخصية. إن ذكر معلومات أساسية شخصية أكثر تعقيدًا، والتي تعتبر ضرورية للإجابات التي يبحث عنها المستخدم، لا يبشر بالخير مع محركات البحث التقليدية، التي تستخدم عادةً منهجًا واحدًا يناسب الجميع وتقدم نتائج بحث متطابقة لاستعلام معين . تعتبر GPT رائدة في هذا الصدد، لأنها قادرة على فهم تفضيلات المستخدم ومتطلباته والتكيف معها من خلال مدخلات واضحة وغنية بالسياق، كل ذلك دون التطفل على خصوصية المستخدم.

• متحرك. يتمتع LLMs بالقدرة على المشاركة في محادثات متعددة الأدوار، مما يشجع المستخدمين على تحسين استفساراتهم وتوفير سياق إضافي من خلال أسئلة المتابعة. وهذا يتيح لهم التوصل إلى استجابات منقحة تدريجيًا تبدو كما لو أنها مصممة خصيصًا لكل مستخدم.

كيف تغير LLMs طريقة بحثنا

ومن خلال العمل مع محركات البحث التقليدية، تعلم المستخدمون كيفية إدخال كلمات رئيسية دقيقة تتطابق مع المعلومات التي يبحثون عنها ــ وهو النهج الذي يتطلب غالباً تجزئة الاستعلامات إلى كلمات رئيسية متعددة، وهو النهج الذي غالباً ما يكون غير فعال وقد لا يؤدي إلى النتائج المرجوة.

حتى مع دمج LLMs في محركات البحث، وتحديدًا بهدف تحقيق أهمية أكبر للنتائج، لا تزال محركات البحث تكافح، وفي أغلب الأحيان، تقدم نتائج غير ذات صلة وغير كاملة.

مع ظهور نماذج مثل GPT، تنفتح وجهات نظر جديدة حول عملية البحث، ونشهد تحولًا واضحًا من النهج المجزأ القائم على الكلمات الرئيسية، إلى طرح الأسئلة بشكل أكثر طبيعية وبديهية. ويتزامن هذا التطور مع ظهور تقنيات البحث الصوتي، التي تشكل الآن 20% من طلبات بحث Google عبر الهاتف المحمول.

تعمل التفاعلات مع LLMs، مثل Chat GPT، على تمكين المستخدمين من تشكيل وتوجيه عملية البحث عن المعلومات بشكل فعال؛ لتطوير فهم أعمق للمعلومات التي يحتاجون إليها وكيفية صياغة أسئلتهم بشكل فعال للحصول على النتائج المرجوة.

بدلاً من الاعتماد على سلسلة بسيطة من الكلمات الرئيسية غير المتصلة، يتعلمون ما يلي:

• صياغة أسئلتهم بطريقة واضحة وموجزة، وتجنب الغموض واللغة الغامضة؛
• توفير السياق والتفاصيل المحددة، بما في ذلك المعلومات الأساسية ذات الصلة والتفضيلات والعوامل الظرفية.

ما نوع الأسئلة التي يطرحها الناس؟

بالعودة خطوة إلى الوراء في عملية استعلام GPT، من الضروري أن نفهم ليس فقط لماذا ومتى يلجأ الأشخاص إلى الذكاء الاصطناعي للحصول على إجابات، ولكن أيضًا كيف يقومون بصياغة استفساراتهم وما هي المعلومات السياقية الأخرى التي يمكن استنتاجها من ذلك.

يشكل هذا الفهم جوهر النظام الناشئ لـ AEO (تحسين محرك الإجابة) الذي يركز على أنماط استعلامات المستخدم هذه، مع التركيز على ضرورة المحتوى الذي يعالج احتياجات المستخدم المحددة بشكل مباشر.

تتبع هذه الأسئلة أنماطًا وهياكل محددة سيكون من الضروري فهمها في محاولات تحسين GPT. فيما يلي بعض العبارات الشائعة للاستعلامات التي يوجهها المستخدمون إلى ChatGPT عندما يبحثون عن منتجات أو خدمات معينة :

البحث عن توصيات شخصية

كثيرًا ما يلجأ المستخدمون إلى GPT لطلب اقتراحات/توصيات مخصصة أو مشورة الخبراء، وصياغة أسئلتهم مثل " ما هي الأفضل... "، أو " هل يمكنك التوصية ببعض... ". ‍

الاستعلامات الحساسة للسعر

‍ LLMs هي أداة رائعة للتشاور عندما تريد العثور على أفضل قيمة مقابل أموالك. يمكنهم توفير معلومات في الوقت الفعلي حول الأسعار والخصومات والخيارات الفعالة من حيث التكلفة لسيناريوهات مختلفة.

تتم صياغة الأسئلة على غرار " ما هي الأرخص... "، أو " ما هو الأكثر فعالية من حيث التكلفة ..."، أو " أين يمكنني أن أجد بأسعار معقولة... ". ‍

طلبات خاصة بالميزات

في كثير من الأحيان، يستفسر المستخدمون عن ميزة أو صفات معينة للخدمات والمنتجات.

على سبيل المثال، قد يسألون " ما هو [المنتج/الخدمة] الذي يتمتع بأفضل [ميزة محددة]؟ " أو " هل يمكنك تسمية [منتج/خدمة] تقدم [ميزة محددة]؟ "

أسئلة المقارنة

تعتبر هذه الأنواع من الاستفسارات مناسبة بشكل خاص لحملة LLM، حيث يمكنها تقديم تحليل مفصل للمنتجات المختلفة، بناءً على الاحتياجات والتفضيلات التي يشير إليها المستخدم.

يصوغون أسئلتهم على النحو التالي " هل X أفضل من Y ؟"، أو " كيف يقارن X بـ Y من حيث [ميزة محددة]؟ " أو " ما الفرق بين X وY؟ "

عمليات البحث على أساس الموقع

‍ LLMs رائعة مع الاستعلامات التي تتضمن عناصر جغرافية، وتقدم معلومات في الوقت الفعلي حول الخيارات أو الخدمات أو الأنشطة القريبة.

تتم صياغة الأسئلة مثل " أين يمكنني شراء X بالقرب مني؟ " أو " ما هي أفضل [الخدمات] المتوفرة في [الموقع]؟ "

استعلامات حل المشكلات

يأتي العديد من المستخدمين إلى LLM ولديهم مشكلة محددة، ويسألون " كيف يمكنني حل X؟ " أو " ما هي أفضل طريقة للتعامل مع Y؟ "

تشير هذه الأسئلة إلى أنهم يبحثون عن منتجات أو خدمات كحلول.

‍

واستجابة لهذه الأفكار، ننصح الشركات بتبني استراتيجية محتوى استباقية والتركيز على إنشاء مواد تلبي بدقة الاحتياجات المحددة التي أبرزتها استفسارات المستخدم. ويضمن القيام بذلك عدم ظهور المنتجات والخدمات في نتائج البحث فحسب، بل أيضًا تلبية احتياجات الجمهور المستهدف بشكل مباشر في سيناريوهات مختلفة.

آليات تصنيف الدردشة GPT

الآن بعد أن اكتشفنا أهمية فهم نوع وبنية الأسئلة التي يوجهها المستخدمون إلى GPT، دعنا نلقي نظرة على الطرف الآخر من العملية لمعرفة العوامل التي تحدد تصنيفات الاستعلامات القائمة على الحلول. تتضمن هذه الآلية الأساسية عملية شاملة وغير خطية تتضمن ما يلي:

التحليل الدلالي

تربط عملية التحليل الدلالي الكلمات والعبارات في علاقات دلالية أكبر لفهم كيفية تجميع الكلمات معًا في سياقات مختلفة.

للقيام بذلك، تقوم GPT بتحليل كميات كبيرة من النص لتعيين الأنماط والارتباطات التي لا تظهر على الفور ولكنها ضرورية لفهم المعنى الكامل للاستعلام. تتضمن العملية :

تحليل الاستعلام

تجري GPT تحليلاً دلاليًا متعمقًا يتضمن تقسيم الاستعلام إلى عناصره - الكلمات والعبارات وعلاقاتها النحوية - والتي يتم تقييمها بعد ذلك في سياقها الجماعي، أي. كيف يرتبطون ببعضهم البعض. ‍

تحديد نية المستخدم

باستخدام نهج احتمالي لتحديد نية المستخدم، تقوم GPT بتحليل ترددات أنماط الكلمات في بيانات التدريب الخاصة بها وكيفية ارتباطها في سياقات محددة.

على سبيل المثال، في طلب بحث حول "السيارات العائلية المناسبة للميزانية"، تتعرف GPT على العلاقة بين اعتبارات "السيارات العائلية المناسبة للميزانية" واعتبارات التكلفة في المركبات، تمامًا مثلما ترتبط السيارات "المناسبة للعائلة" بصفات مثل المساحة والسلامة. ‍

التقييم في السياق

تأخذ LLMs في الاعتبار أن الاستعلامات، على الرغم من أنها قد تحتوي على كلمات متشابهة، يمكن أن يكون لها معاني ومتطلبات مختلفة تمامًا وتحدد ما إذا كانت صياغة السؤال تشير إلى أن المستخدم يسعى للحصول على المشورة، أو إجراء مقارنات، أو الاستفسار عن ميزات محددة. تم تصميم الإجابات وفقًا لاحتياجات المستخدم الأساسية، سواء كانت قيود الميزانية أو ميزات الأداء أو تفضيلات العلامة التجارية.

استرجاع البيانات وتوليفها

إلى جانب النتائج التي توصل إليها من التحليل الدلالي، يقوم ChatGPT بتقييم الاستعلام مقابل مجموعة بيانات التدريب الشاملة، بالإضافة إلى البحث على الويب في الوقت الفعلي.

مجموعة بيانات التدريب

‍ تضم قاعدة بيانات GPT مجموعة واسعة من المصادر، بدءًا من المقالات العلمية وحتى الوسائط الشائعة، مما يضمن فهمًا شاملاً عبر مختلف المجالات. ومع ذلك، ليس من المعروف على وجه التحديد ما هو وارد في مجموعة التدريب، ولا وفقًا للمبادئ التوجيهية التي تتضمنها المصادر. ‍

البحث في الويب

أحد الجوانب الحاسمة في بيانات تدريب GPT هو محدوديتها الزمنية - في وقت كتابة هذا المقال، كان يقتصر على أبريل 2023. ولتكملة ذلك، يوفر الإصدار الاحترافي من ChatGPT الآن أيضًا إمكانات البحث على الويب من خلال Bing. يعد هذا التكامل مهمًا بشكل خاص في المجالات التي يتم فيها تقديم منتجات أو خدمات جديدة بشكل متكرر.

عوامل الترتيب

عندما تقوم GPT بتصنيف المنتجات أو الخدمات استجابةً لاستعلام ما، فإنها تعتمد على مجموعة من عوامل التصنيف. وقد تم تصميمها للتأكد من أن الاستجابات ليست ذات صلة فحسب، بل أيضًا ذات مصداقية ومتنوعة وفي الوقت المناسب. وفيما يلي نظرة فاحصة على بعض من أهمها:

الاستعلام والمطابقة السياقية

تعطي GPT الأولوية للحلول التي تلبي احتياجات المستخدم بشكل مباشر. ولا يتم تحديد هذه الصلة من خلال تكرار الكلمات الرئيسية فقط، ولكن من خلال عمق التطابق بين غرض الاستعلام والمعلومات المرتبطة بالمنتجات أو الخدمات.

المصداقية والشعبية

عند ذكر المنتجات أو الخدمات، تقوم GPT بتقييم موثوقية المصادر. يتضمن ذلك تقييم تكرار وسياق الإشارات عبر مجموعة من المصادر، مع إعطاء وزن أكبر لتلك التي يتم الاستشهاد بها بشكل متكرر في سياقات حسنة السمعة. يأخذ النموذج أيضًا في الاعتبار شعبية المنتجات، كما يتضح من مدى انتشارها في بيانات التدريب.

تحليل ردود فعل المستخدم

تُجري GPT تحليلًا للمشاعر بشأن التعليقات والمراجعات في بيانات التدريب الخاصة بها ونتائج بحث الويب الأخيرة. يتم تفضيل المنتجات أو الخدمات ذات المشاعر الإيجابية في تصنيفها. ‍

التنوع والتغطية

مع ضمان التنوع، تحافظ GPT على التوازن بحيث يتم تزويد المستخدمين بمجموعة واسعة من الاختيارات التي لا تزال ذات صلة كبيرة بالاستعلام. ‍

معلومات جديدة

في حين أن البيانات التاريخية تشكل العمود الفقري لمعرفة GPT، نظرًا لأن بعض الاستعلامات قد تستفيد من المعلومات التي تم اختبارها عبر الزمن أو السمعة الطويلة الأمد، فإنها تأخذ أيضًا في الاعتبار المعلومات الجديدة، خاصة بالنسبة للأسواق التي تحدث فيها التطورات بسرعة.

‍

وإلى جانب هذه العوامل، تأخذ GPT في الاعتبار عوامل أخرى، وإن كانت بدرجة أقل، مثل:

التخصيص وردود الفعل

‍ استجابات GPT ليست ثابتة وكل تفاعل للمستخدم يمثل فرصة للنموذج للتعلم والتكيف. عندما يقدم المستخدمون متطلبات أو تعليقات أكثر تحديدًا، تقوم GPT بتغيير استجاباتها ديناميكيًا. تسمح هذه العملية التكرارية لشركة GPT بتعديل تصنيفاتها ديناميكيًا، مما يضمن أن تكون التوصيات النهائية ذات صلة ومخصصة قدر الإمكان. ‍

التصنيف الأخلاقي وغير المتحيز

‍ تسعى GPT جاهدة للحفاظ على موقف موضوعي في ردودها. تمت برمجته لتجنب التحيزات التي قد تنشأ عن العروض الترويجية المدفوعة أو الإعلانات أو أي تأثير خارجي لا لزوم له. وينصب التركيز على التحليل الموضوعي للبيانات، مع تقديم توصيات على أساس الجدارة والأهمية.

الكلمات الأخيرة

ليس هناك شك في أن إدخال GPT وتكراراته اللاحقة يعيد تعريف معايير تحسين محرك البحث. على عكس نماذج التصنيف التقليدية التي تعتمد بشكل أساسي على الروابط الخلفية وكثافة الكلمات الرئيسية، تقدم GPT حدودًا جديدة حيث سيكون توقع وفهم سياق المستخدم وقصده، وتحسين المحتوى بشكل استباقي للاستعلامات المعقدة في المقدمة.

من أجل القيام بذلك بشكل فعال، من المهم ليس فقط فهم آليات إدخال المستخدم وتصنيف GPT، ولكن أيضًا معرفة مكان تصنيف المنتجات والخدمات في نماذج LLM المختلفة. يجب على أولئك الذين يتطلعون إلى المستقبل التفكير في الاستفادة من مساعدة الأدوات المتقدمة، المصممة خصيصًا لتتبع تصنيفات GPT، للحصول على نظرة ثاقبة لمواقع التصنيف لأسئلة المستخدم المختلفة.

بينما نحتضن القدرات المبتكرة لخريجي LLM ونستعد للتقدم الذي يبشر به تقدمهم في عالم تحسين محركات البحث، من المهم أن نتذكر أن عصر الذكاء الاصطناعي لا يزال في بداياته ويخضع للتغيرات السريعة.

نأمل أن يكون هذا الدليل قد ساعد في تسليط الضوء على بعض الجوانب الأكثر أهمية لآليات تصنيف GPT والتي سيكون من الضروري فهمها من أجل الاستخدام الفعال لهذه التكنولوجيا الناشئة. كما هو الحال دائمًا، تذكر أن تظل على اطلاع بآخر التطورات وترقب المزيد من الابتكارات.