LLM에서 서비스 순위를 매기는 방법

AI 및 LLM(대형 언어 모델)의 최근 개발로 인해 이것이 사람들이 검색 엔진을 사용하고 SEO를 이해하는 방식에 미칠 영향을 억제할 수 없습니다.

Google이 원래 개발한 백링크 분류 및 웹사이트 가치에 대한 전통적인 페이지 순위 모델이 1996년에 획기적인 발전을 이루었다면, 웹사이트 순위 지정 방식의 기초는 덜 중요하지만 여전히 웹사이트 및 웹사이트에 영향을 미치는 관련 요소를 제외하면 크게 변하지 않았습니다. 검색 엔진의 해당 검색어 순위.

LLM, 특히 최전선의 GPT는 이러한 기존 모델에 도전하기 시작하여 사용자가 정보를 검색할 수 있는 새로운 방법을 제공합니다. ChatGPT를 사용하여 특정 사실이나 정보를 얻으려면 훨씬 적은 시간과 클릭이 필요하며 LLM의 본질은 많은 양의 정보를 "소비"하는 것이기 때문에 이 정보는 객관적인 사실을 더 잘 대표하는 경우가 많습니다.

이로 인해 LLM은 시를 쓰고 코드를 작성하고 여행 일정을 준비하는 것뿐만 아니라 실제로 수많은 유용한 정보 "조회"를 제공하는 데 매우 실용적입니다.

사람들이 LLM과 GPT를 사용하여 목표 질문에 대한 답변을 빠르고 효율적으로 얻는 방법과 이것이 SEO의 미래에 어떤 의미가 있는지에 대한 몇 가지 예를 살펴보겠습니다.

실제 LLM

우리는 ChatGPT에 "가격, 정확성, 고객 서비스 측면에서 항공편을 검색하고 비교할 수 있는 가장 신뢰할 수 있는 웹사이트는 무엇입니까?"라고 물었습니다.

GPT는 각 서비스에 대한 간략한 요약과 함께 모든 옵션을 훌륭하게 나열했습니다. 시간을 절약할 뿐만 아니라 리뷰 사이트의 편향된 의견을 우회하는 이 접근 방식의 효율성을 인식한 사용자는 정보에 액세스하기 위해 점점 더 GPT를 사용하고 있습니다.

이를 통해 우리는 잠재적인 잠재 고객과 사용자가 우리 제품이나 서비스가 해결하는 문제에 대한 솔루션을 찾기 위해 사용하는 질문을 이해하기 위한 SEO와 유사한 기술과 접근 방식을 포함하는 정보 최적화의 새로운 분야를 발견하고 있습니다.

이 새로운 분야(LLMO(Large Language Model Optimization)라고 부를 수 있음)는 이러한 쿼리가 더욱 관련성이 높고 가시성이 높아지며 순위가 높아지도록 위치를 최적화하는 방법에 중점을 둡니다.

다음 부분에서는 이러한 GPT 질문이 사용자가 검색 엔진에 입력하는 검색어와 어떻게 다른지, 왜 이에 관심을 가져야 하는지, 비즈니스 성장을 위해 이러한 혁신을 활용하기 위해 최적화를 어떻게 준비해야 하는지 자세히 살펴보겠습니다. 우리 고객의 서비스와 제품.

사용자가 ChatGPT를 선호하는 이유

기존 검색 엔진 사용에서 ChatGPT로 질문을 전달하는 방식으로의 전환은 새로운 추세가 아니라 장점에 대한 직접적인 대응입니다. 사용자가 GPT 반환 답변이 요구사항에 더 부합한다고 생각하는 주요 이유는 다음과 같습니다.

• 포괄적이고 유익합니다. 검색 엔진은 사용자가 수동으로 검색해야 하는 웹사이트 링크 목록을 반환하지만, GPT는 쿼리에 직접 답변하는 텍스트를 생성할 수 있습니다. 이는 첫 페이지 결과에서 많은 링크를 열고 읽을 시간이나 능력이 없어도 빠르고 철저한 답변을 원하는 사용자에게 특히 유용합니다.

• 객관적이고 편견이 없습니다 . 전통적인 검색 엔진 결과는 링크를 구매하는 데 지출할 수 있는 웹사이트 예산이나 더 높은 순위를 매기는 데 도움이 되는 기타 모호한 전략 등 모든 사람이 모호하게 사용할 수 없는 일부 요소의 영향을 받을 수 있습니다. 반면 LLM은 대규모 데이터 세트에 대해 교육을 받고 고급 분류 및 상관 관계 알고리즘을 사용하여 회사 예산이 아닌 사실과 증거를 기반으로 답변을 생성합니다.

• 개인화. 사용자가 찾고 있는 답변에 필수적인 보다 복잡하고 개인적인 배경 정보를 언급하는 것은 일반적으로 모든 경우에 적용되는 단일 접근 방식을 사용하고 주어진 쿼리에 대해 동일한 검색 결과를 제공하는 기존 검색 엔진에 적합하지 않습니다. . GPT는 사용자 개인 정보를 침해하지 않으면서 명시적이고 상황에 맞는 입력을 통해 사용자 선호도와 요구 사항을 이해하고 이에 적응할 수 있다는 점에서 획기적인 것입니다.

• 동적. LLM은 다단계 대화에 참여할 수 있는 능력을 갖추고 있어 사용자가 쿼리를 구체화하고 후속 질문을 통해 추가 컨텍스트를 제공하도록 장려합니다. 이를 통해 각 사용자에게 특별히 맞춰진 것처럼 느껴지는 점진적으로 세련된 응답을 제시할 수 있습니다.

LLM이 검색 방식을 어떻게 변화시키고 있습니까?

기존 검색 엔진을 사용하면서 사용자는 찾고 있는 정보와 일치하는 정확한 키워드를 입력하는 방법을 배웠습니다. 이 접근 방식은 쿼리를 여러 키워드로 분할해야 하는 경우가 많으며 이는 종종 비효율적이며 원하는 결과를 얻지 못할 수 있습니다.

검색 엔진에 LLM을 통합하더라도, 특히 결과의 관련성을 높이기 위한 목적으로 검색 엔진은 여전히 ​​어려움을 겪고 있으며 종종 관련이 없고 불완전한 결과를 제공합니다.

GPT와 같은 모델의 출현으로 검색 프로세스에 대한 새로운 관점이 열리고 있으며, 단편적인 키워드 기반 접근 방식에서 보다 자연스럽고 직관적인 질문 제기로의 확실한 전환을 목격하고 있습니다. 이러한 발전은 현재 Google 모바일 검색 쿼리의 20%를 차지하는 음성 검색 기술의 발전과 동시에 진행됩니다.

Chat GPT와 같은 LLM과의 상호 작용을 통해 사용자는 정보 검색 프로세스를 적극적으로 형성하고 지시할 수 있습니다. 필요한 정보에 대한 더 깊은 이해와 원하는 결과를 얻기 위해 질문을 효과적으로 표현하는 방법을 개발합니다.

단절된 키워드의 단순한 문자열에 의존하는 대신 다음을 배우고 있습니다.

• 모호함과 모호한 언어를 피하면서 명확하고 간결하게 질문을 표현합니다.
• 관련 배경 정보, 선호도, 상황적 요인을 포함하여 맥락과 구체적인 세부정보를 제공합니다.

사람들은 어떤 종류의 질문을 하고 있나요?

GPT 쿼리 프로세스에서 한 단계 뒤로 돌아가서, 사람들이 답변을 얻기 위해 AI를 사용하는 이유와 시기뿐만 아니라 쿼리를 어떻게 표현하고 그로부터 어떤 다른 상황 정보가 추론될 수 있는지 이해하는 것이 중요합니다.

이러한 이해는 이러한 사용자 쿼리의 패턴에 초점을 맞추고 특정 사용자 요구 사항을 직접 해결하는 콘텐츠의 필요성을 강조하는 AEO(응답 엔진 최적화)라는 새로운 분야의 핵심을 형성합니다.

이러한 질문은 GPT 최적화 시도에서 이해하는 데 필수적인 특정 패턴과 구조를 따릅니다. 다음은 사용자가 특정 제품이나 서비스를 찾을 때 ChatGPT에서 보낸 쿼리에 대한 몇 가지 일반적인 문구입니다 .

맞춤 추천을 구합니다

사용자는 종종 GPT를 통해 제안/맞춤형 추천 또는 전문가 조언을 요청하며 " 최고는 무엇입니까... " 또는 " 몇 가지 추천해 주실 수 있나요... "와 같은 질문을 합니다. ‍

가격에 민감한 쿼리

‍ LLM은 돈 대비 최고의 가치를 찾고 싶을 때 상담할 수 있는 훌륭한 도구입니다. 다양한 시나리오에 대한 가격, 할인 및 비용 효율적인 옵션에 대한 실시간 정보를 제공할 수 있습니다.

질문은 " 가장 저렴한 것은 무엇입니까... ", " 가장 비용 효율적인 것은 무엇입니까 ..." 또는 " 어디에서 저렴한 것을 찾을 수 있습니까... "라는 문구로 표현됩니다. ‍

기능별 요청

종종 사용자는 서비스 및 제품의 특정 기능이나 품질에 대해 문의합니다.

예를 들어, " [특정 기능]이 가장 좋은 [제품/서비스]는 무엇입니까? " 또는 " [특정 기능]을 제공하는 [제품/서비스]의 이름을 알려 주실 수 있나요? " 라고 질문할 수 있습니다.

비교 질문

이러한 종류의 문의는 사용자가 표시한 요구 사항과 선호도를 기반으로 다양한 제품에 대한 자세한 분석을 제공할 수 있으므로 LLM에 특히 적합합니다.

그들은 질문을 " X가 Y보다 낫습니까 ?", " [특정 기능] 측면에서 X를 Y와 어떻게 비교합니까? " 또는 " X와 Y의 차이점은 무엇입니까? " 로 표현합니다.

위치 기반 검색

‍ LLM은 지리적 요소를 통합하여 인근 옵션, 서비스 또는 활동에 대한 실시간 정보를 제공하는 쿼리에 적합합니다.

질문은 " 내 근처에서 X를 어디에서 구입할 수 있나요? " 또는 " [위치]에서 사용할 수 있는 최고의 [서비스]는 무엇입니까? " 와 같은 표현으로 구성됩니다.

문제 해결 쿼리

많은 사용자가 " X를 어떻게 해결할 수 있나요? " 또는 " Y를 처리하는 가장 좋은 방법은 무엇입니까? "라는 특정 문제를 안고 LLM을 찾아옵니다.

이러한 질문은 그들이 솔루션으로 제품이나 서비스를 찾고 있음을 나타냅니다.

‍

이러한 통찰력에 대응하여 기업은 적극적인 콘텐츠 전략을 채택하고 사용자 쿼리에서 강조된 특정 요구 사항을 정확하게 충족하는 자료를 만드는 데 집중하는 것이 좋습니다. 이를 통해 제품과 서비스가 검색 결과에 표시될 뿐만 아니라 다양한 시나리오에서 대상 고객의 요구 사항에 직접적으로 공감할 수 있습니다.

채팅 GPT 순위 메커니즘

이제 사용자가 GPT에 문의하는 질문의 유형과 구조를 이해하는 것이 얼마나 중요한지 살펴보았습니다. 이제 프로세스의 다른 쪽 끝에서 솔루션 기반 쿼리의 순위를 결정하는 요소가 무엇인지 살펴보겠습니다. 이 기본 메커니즘에는 다음을 포함하는 포괄적이고 비선형적인 프로세스가 포함됩니다.

의미론적 분석

의미론적 분석 프로세스는 단어와 구를 더 큰 의미론적 관계로 연결하여 단어가 다양한 맥락에서 어떻게 함께 나타나는지 이해합니다.

이를 위해 GPT는 대량의 텍스트를 분석하여 즉각적으로 드러나지는 않지만 쿼리의 전체 의미를 파악하는 데 필수적인 패턴과 연관성을 매핑합니다. 프로세스에는 다음이 포함됩니다 .

쿼리 분석

GPT는 쿼리를 단어, 구문, 구문 관계 등의 요소로 분류하는 심층적인 의미 분석을 수행하며, 이러한 요소는 집합적 맥락에서 평가됩니다. 그들이 서로 어떻게 관련되어 있는지. ‍

사용자 의도 파악

GPT는 확률론적 접근 방식을 사용하여 사용자 의도를 파악하고 훈련 데이터에서 단어 패턴의 빈도와 특정 문맥에서의 상관 관계를 분석합니다.

예를 들어, '예산 친화적인 가족용 자동차'에 대한 쿼리에서 GPT는 '가족 친화적인' 자동차가 공간 및 안전과 같은 속성과 연관되어 있는 것처럼 '예산 친화적인' 자동차와 차량의 비용 고려 사항 간의 상관 관계를 인식합니다. ‍

맥락에 따른 평가

LLM은 유사한 단어가 포함된 쿼리라도 완전히 다른 의미와 요구 사항을 가질 수 있다는 점을 고려하고, 질문의 표현이 사용자가 조언을 구하거나, 비교하거나, 특정 기능에 대해 문의하는 것을 나타내는지 여부를 식별합니다. 답변은 예산 제약, 성능 기능, 브랜드 선호도 등 기본 사용자 요구 사항에 따라 맞춤화됩니다.

데이터 검색 및 합성

ChatGPT는 의미 분석 결과와 함께 실시간 웹 검색은 물론 광범위한 교육 데이터 세트를 기준으로 쿼리를 평가합니다.

훈련 데이터 세트

‍ GPT 의 데이터베이스는 학술 기사부터 대중 미디어까지 다양한 소스를 포괄하여 다양한 영역에 대한 포괄적인 이해를 보장합니다. 그러나 훈련 세트에 어떤 기능이 포함되어 있는지, 어떤 지침에 따라 소스가 포함되어 있는지는 정확히 알 수 없습니다. ‍

웹 서핑

GPT 학습 데이터의 중요한 측면은 시간 제한입니다. 이 기사를 작성할 당시에는 2023년 4월로 제한되어 있습니다. 이를 보완하기 위해 ChatGPT Pro 버전은 이제 Bing을 통해 웹 검색 기능도 제공합니다. 이러한 통합은 새로운 제품이나 서비스가 자주 도입되는 분야에서 특히 중요합니다.

순위 요소

GPT는 쿼리에 대한 응답으로 제품이나 서비스의 순위를 매길 때 일련의 순위 요소를 사용합니다. 이는 응답이 관련성이 있을 뿐만 아니라 신뢰할 수 있고 다양하며 시의적절하다는 것을 보장하기 위해 고안되었습니다. 가장 중요한 몇 가지 사항을 자세히 살펴보겠습니다.

쿼리 및 상황별 일치

GPT는 사용자의 요구사항을 직접적으로 해결하는 솔루션을 우선시합니다. 이러한 관련성은 키워드 빈도만으로 결정되는 것이 아니라 검색어 의도와 제품 또는 서비스와 관련된 정보 간의 일치 정도에 따라 결정됩니다.

신뢰성과 인기

제품이나 서비스가 언급된 경우 GPT는 출처의 신뢰성을 평가합니다. 여기에는 다양한 소스에서 언급 빈도와 맥락을 평가하여 평판이 좋은 맥락에서 자주 인용되는 항목에 더 높은 가중치를 부여하는 작업이 포함됩니다. 모델은 또한 훈련 데이터의 보급률에서 알 수 있듯이 제품의 인기도도 고려합니다.

사용자 피드백 분석

GPT는 훈련 데이터와 최근 웹 검색 결과에 대한 피드백과 리뷰에 대한 감정 분석을 수행합니다. 주로 긍정적인 감정을 지닌 제품이나 서비스가 순위에서 선호됩니다. ‍

다양성과 적용 범위

다양성을 보장하는 동시에 GPT는 사용자에게 쿼리와 관련성이 높은 다양한 선택 항목을 제공하도록 균형을 유지합니다. ‍

신선한 정보

과거 데이터는 GPT 지식의 중추를 형성하지만, 일부 쿼리는 오랜 시간에 걸쳐 검증된 정보나 오랜 평판을 통해 이점을 얻을 수 있기 때문에 특히 개발이 빠르게 진행되는 시장의 경우 새로운 정보도 고려합니다.

‍

이 외에도 GPT는 다음과 같은 다른 요소를 고려합니다.

개인화 및 피드백

‍ GPT 의 응답은 정적이지 않으며 각 사용자 상호작용은 모델이 학습하고 조정할 수 있는 기회입니다. 사용자가 보다 구체적인 요구사항이나 피드백을 제공하면 GPT는 해당 응답을 동적으로 변경합니다. 이 반복적인 프로세스를 통해 GPT는 순위를 동적으로 조정하여 최종 추천이 최대한 관련성이 있고 개인화되도록 보장합니다. ‍

윤리적이고 편견 없는 순위

‍ GPT는 답변에서 객관적인 입장을 유지하려고 노력합니다. 유료 판촉, 광고 또는 부당한 외부 영향으로 인해 발생할 수 있는 편견을 방지하도록 프로그래밍되어 있습니다. 장점과 관련성을 기반으로 한 권장 사항을 바탕으로 데이터를 객관적으로 분석하는 데 중점을 둡니다.

마지막 말

의심의 여지가 없습니다. GPT의 도입과 후속 반복은 검색 엔진 최적화의 매개변수를 재정의하고 있습니다. 주로 백링크와 키워드 밀도를 기반으로 하는 기존 순위 모델과 달리 GPT는 사용자의 맥락과 의도를 예측하고 이해하며 복잡한 쿼리에 대한 콘텐츠를 사전에 최적화하는 것이 최우선인 새로운 영역을 제시합니다.

이를 효과적으로 수행하려면 사용자 입력 및 GPT 순위 메커니즘을 이해하는 것뿐만 아니라 다양한 LLM 모델에서 제품 및 서비스 순위가 어디에 있는지 아는 것도 중요합니다. 미래를 내다보는 사람들은 다양한 사용자 질문에 대한 순위 위치에 대한 통찰력을 얻기 위해 특별히 GPT 순위를 추적하도록 맞춤화된 고급 도구의 도움을 활용하는 것을 고려해야 합니다.

LLM의 혁신적인 기능을 수용하고 그들의 발전이 SEO 세계로 이어지는 발전을 준비하면서 AI 시대는 아직 초기 단계이며 급격한 변화를 겪을 수 있다는 점을 기억하는 것이 중요합니다.

이 가이드가 이 새로운 기술을 효과적으로 활용하기 위해 이해하는 데 기본이 될 GPT 순위 메커니즘의 가장 중요한 측면 중 일부를 밝히는 데 도움이 되기를 바랍니다. 언제나 그렇듯이, 최신 개발 정보를 계속 확인하고 더 많은 혁신을 기대해 주시기 바랍니다.