LLM でサービスをランク付けするための道を開く

公開: 2024-01-06

AI と LLM (大規模言語モデル) に関する最近の発展により、これが人々の検索エンジンの使い方や SEO の理解に与える影響を抑えることはできません。

バックリンクと Web サイトの価値を分類するための従来のページランクモデルが 1996 年に Google によって最初に開発された大きな進歩であったとすれば、Web サイトをランク付けする方法の基礎は、Web サイトと Web サイトに影響を与える、それほど重要ではないものの依然として関連する要素を除けば、それほど変わっていません。検索エンジン上の対応するクエリのランキング。

LLM、特に最前線の GPT は、ユーザーが情報を検索できる新しい方法を提供して、これらの従来のモデルに挑戦し始めています。 ChatGPT を使用して特定の事実や情報を取得すると、必要な時間とクリック数が大幅に減ります。また、LLM の性質そのものが大量の情報を「消費」することであるため、多くの場合、この情報は客観的な事実をより代表するものになります。

このため、LLM は詩を書いたり、コードを書いたり、旅程を準備したりするだけでなく、実際に多数の有用な情報の「検索」を提供するのに非常に実用的になります。

人々が LLM と GPT を使用して、対象を絞った質問に対する回答を迅速かつ効率的に得る方法をどのように学んだのか、そしてこれが SEO の将来に何を意味するのか、いくつかの例を見てみましょう。

実際のLLM

ChatGPT に「価格、正確さ、顧客サービスの点で、フライトの検索と比較に最も信頼できる Web サイトは何ですか?」と尋ねました。

GPT には、すべてのオプションと各サービスの短い概要がわかりやすくリストされています。時間を節約するだけでなく、重要なことに、レビューサイトからの偏った意見を回避できるこのアプローチの効率性を認識して、情報にアクセスするために GPT を利用するユーザーが増えています。

これにより、当社は、潜在的な見込み客やユーザーが当社の製品やサービスが解決しようとしている問題の解決策を探すために使用している質問を理解するための、SEO と同様の技術とアプローチを含む、情報最適化の新しい分野を明らかにしています。

この新しい分野 - LLMO (Large Language Model Optimization) と呼ぶこともできます - は、これらのクエリの関連性を高め、可視化し、ランクを高くするために、クエリの位置を最適化する方法に焦点を当てています。

次のパートでは、これらの GPT の質問が、ユーザーが検索エンジンに入力する検索クエリとどのように異なるのか、GPT の質問を考慮する必要がある理由、およびこのイノベーションをビジネスの成長に活用するために最適化の準備をどのように行う必要があるのかを詳しく見ていきます。私たちのクライアントのサービスと製品。

ユーザーが ChatGPT を利用する理由

従来の検索エンジンの使用から ChatGPT に質問を送信するというこの移行は新しい傾向ではありませんが、その利点への直接的な対応です。 GPT がユーザーの要件に沿った回答を返す主な理由のいくつかは次のとおりです。

包括的で有益。 検索エンジンは Web サイトへのリンクのリストを返し、ユーザーはそれを手動で選別する必要がありますが、GPT はクエリに直接答えるテキストを生成できます。これは、最初のページの結果から大量のリンクを開いて読む時間や能力が必ずしもなく、迅速かつ徹底的な答えを探しているユーザーにとって特に役立ちます。

客観的かつ公平です。従来の検索エンジンの結果は、リンクの購入に費やすことができる Web サイトの予算や、上位に表示するためのその他の疑わしい戦略など、誰もが明確に利用できるわけではないいくつかの要因によって影響を受ける可能性があります。一方、LLM は大規模なデータセットでトレーニングされ、高度な分類および相関アルゴリズムを使用して、企業の予算ではなく事実と証拠に基づいた回答を生成します。

パーソナライズされた。 ユーザーが求めている答えに不可欠な、より複雑で個人的な背景情報に言及することは、一般に画一的なアプローチを採用し、特定のクエリに対して同一の検索結果を表示する従来の検索エンジンとは好ましくありません。。 GPT は、ユーザーのプライバシーを侵害することなく、明示的かつコンテキストに富んだ入力を通じてユーザーの好みや要件を理解し、それに適応できるため、この点で画期的です。

動的。 LLM は複数回にわたる会話に参加する機能を備えており、ユーザーがクエリを絞り込み、フォローアップの質問を通じて追加のコンテキストを提供することを促します。これにより、各ユーザーに合わせて特別に調整されたかのように、徐々に洗練された応答を考案できるようになります。

LLM が検索方法をどのように変えるか

従来の検索エンジンを使用することで、ユーザーは探している情報に一致する正確なキーワードを入力する方法を学びました。このアプローチでは、クエリを複数のキーワードに断片化する必要があり、多くの場合非効率的で、望ましい結果が得られない可能性があります。

特に結果の関連性を高めるという目的で LLM を検索エンジンに統合したとしても、検索エンジンは依然として苦戦しており、多くの場合、無関係で不完全な結果を表示します。

GPT などのモデルの出現により、検索プロセスに関する新しい視点が開かれ、断片化されたキーワードベースのアプローチから、より自然で直感的な質問の提示への明確な移行が見られます。この進化は音声検索テクノロジーの台頭と同時に起こっており、現在 Google のモバイル検索クエリの 20% を占めています。

Chat GPT などの LLM との対話により、ユーザーは情報探索プロセスを積極的に形成し、指示できるようになります。必要な情報をより深く理解し、望ましい結果を得るために質問を効果的に表現する方法を開発します。

彼らは、つながりのないキーワードの単純な文字列に依存するのではなく、次のことを学習しています。

曖昧さやあいまいな言葉を避け、明確かつ簡潔な方法で質問を表現します。
関連する背景情報、好み、状況要因など、コンテキストと具体的な詳細を提供します。

人々はどのような質問をしますか?

GPT クエリプロセスを一歩遡ると、人々が回答を求めて AI に頼る理由と時期だけでなく、クエリをどのように表現しているのか、そこから他のどのようなコンテキスト情報が推測されるのかを理解することが不可欠です。

この理解は、これらのユーザーのクエリのパターンに焦点を当て、特定のユーザーのニーズに直接対応するコンテンツの必要性を強調する、AEO (Answer Engine Optimization) という新しい分野の中核を形成しています。

これらの質問は、GPT の最適化を試みる際に理解することが不可欠となる特定のパターンと構造に従っています。ユーザーが特定の製品やサービスを探しているときに ChatGPT に向けられる一般的なクエリのフレーズをいくつか示します。

パーソナライズされた推奨事項を求める

ユーザーは頻繁に GPT を利用して、提案/個別の推奨事項、または専門家のアドバイスを求め、「何が最高ですか… 」または「いくつかお勧めできますか? 」などの質問をします。 ‍

価格重視のクエリ

‍ LLM は、お金に見合った最高の価値を見つけたいときに相談できる優れたツールです。さまざまなシナリオにおける価格設定、割引、費用対効果の高いオプションに関するリアルタイムの情報を提供できます。

質問は、「最も安いものは何ですか… 」、「最も費用対効果が高いものは何ですか…」、または「手頃な価格のものはどこにありますか… 」といった形で表現されます。 ‍

機能固有のリクエスト

多くの場合、ユーザーはサービスや製品の特定の機能や品質について問い合わせます。

たとえば、「 [特定の機能] が最も優れている [製品/サービス] はどれですか? 」または「[特定の機能] を提供する [製品/サービス] を挙げていただけますか? 」と尋ねる可能性があります。

比較質問

この種の問い合わせは、ユーザーが示したニーズや好みに基づいてさまざまな製品の詳細な分析を提供できるため、LLM に特に適しています。

彼らは質問を「 X は Y より優れていますか?」、「 [特定の機能] の点で X と Y を比較するとどうですか? 」、「 X と Y の違いは何ですか? 」などの表現で表現します。

位置ベースの検索

‍ LLM は地理的要素を組み込んだクエリに優れており、近くのオプション、サービス、またはアクティビティに関するリアルタイムの情報を提供します。

質問は「近くで X を購入できる場所はどこですか? 」または「 [場所] で利用できる最高の [サービス] は何ですか? 」などの表現になります。

問題解決のクエリ

多くのユーザーは、「 X を解決するにはどうすればよいですか? 」または「 Y に対処する最善の方法は何ですか? 」という特定の問題を抱えて LLM にやって来ます。

これらの質問は、彼らがソリューションとして製品やサービスを探していることを示しています。

‍

これらの洞察に応じて、企業は積極的なコンテンツ戦略を採用し、ユーザーのクエリによって浮き彫りになった特定のニーズを正確に満たす素材の作成に重点を置くことが推奨されます。そうすることで、製品やサービスが検索結果に表示されるだけでなく、さまざまなシナリオで対象ユーザーのニーズに直接響くことが保証されます。

チャット GPT ランキングのメカニズム

ユーザーが GPT に寄せる質問の種類と構造を理解することの重要性について説明したので、プロセスのもう一方の端に目を向けて、どのような要素がソリューションベースのクエリのランキングを決定するのかを見てみましょう。この基礎となるメカニズムには、次のような包括的で非線形のプロセスが含まれます。

意味解析

意味分析のプロセスでは、単語とフレーズをより大きな意味関係に結び付け、さまざまな文脈で単語がどのように組み合わされるかを理解します。

これを行うために、GPT は大量のテキストを分析して、すぐには明らかではないものの、クエリの完全な意味を把握するために不可欠なパターンと関連性をマッピングします。プロセスには次のものが含まれます。

クエリ分析

GPT は、クエリをその要素 (単語、フレーズ、およびそれらの構文関係) に分解することを含む詳細な意味分析を実行します。これらの要素は、集合的なコンテキストで評価されます。それらが互いにどのように関係しているのか。 ‍

ユーザーの意図を判断する

GPT は、確率論的なアプローチを使用してユーザーの意図を判断し、トレーニングデータ内の単語のパターンの頻度と、それらが特定のコンテキストでどのように相関するかを分析します。

たとえば、「予算に優しいファミリーカー」に関する質問の場合、GPT は、「ファミリーに優しい」車がスペースや安全性などの属性と関連付けられているのと同様に、車両における「予算に優しい」こととコストの考慮事項との間に相関関係があることを認識しています。 ‍

文脈に沿った評価

LLM は、クエリには似たような単語が含まれていても、まったく異なる意味や要件を持つ可能性があることを考慮しており、質問の表現がユーザーがアドバイスを求めていること、比較をしていること、または特定の機能について問い合わせていることを示しているかどうかを識別します。答えは、予算の制約、パフォーマンスの特徴、ブランドの好みなど、根底にあるユーザーのニーズに応じて調整されます。

データの検索と合成

ChatGPT は、セマンティック分析の結果に加えて、広範なトレーニングデータセットおよびリアルタイム Web 検索に対してクエリを評価します。

トレーニングデータセット

GPTのデータベースには、学術論文から一般的なメディアに至るまで幅広いソースが含まれており、さまざまな分野にわたる包括的な理解を保証します。ただし、トレーニングセットに何が含まれているのか、またどのようなガイドラインに従ってトレーニングセットに含まれる情報源が含まれているのかは正確には不明です。 ‍

ウェブ検索

GPT のトレーニングデータの重要な側面は、その時間制限です。この記事の執筆時点では、その期間は 2023 年 4 月までに制限されています。これを補足するために、ChatGPT の Pro バージョンでは、Bing を介した Web 検索機能も提供されるようになりました。この統合は、新しい製品やサービスが頻繁に導入される分野では特に重要です。

最後の言葉

GPT の導入とその後の反復により、検索エンジン最適化のパラメーターが再定義されていることに疑いの余地はありません。主にバックリンクとキーワード密度に基づいた従来のランキングモデルとは異なり、GPT は、ユーザーのコンテキストと意図を予測して理解し、複雑なクエリに対してコンテンツを積極的に最適化することが最前線となる新しいフロンティアを提示します。

これを効果的に行うには、ユーザー入力と GPT ランキングのメカニズムを理解するだけでなく、製品やサービスがさまざまな LLM モデルのどこにランクされているかを知ることも重要です。将来を見据えている人は、GPT ランキングを追跡するために特別に調整された高度なツールを利用して、さまざまなユーザーの質問に対するランキングの順位を把握することを検討する必要があります。

私たちが LLM の革新的な機能を受け入れ、その進歩が SEO の世界にもたらしている進歩に備えているとき、AI 時代はまだ初期段階にあり、急速な変化の可能性があることを覚えておくことが重要です。

このガイドが、この新しいテクノロジーを効果的に利用するために理解する必要がある GPT ランキングメカニズムの最も重要な側面のいくつかを明らかにするのに役立つことを願っています。いつものように、常に最新の開発情報を入手し、さらなるイノベーションに注目してください。

LLM でサービスをランク付けするための道を開く