Preparando o caminho para classificar seus serviços em LLMs

Com os recentes desenvolvimentos em IA e LLM (Large Language Models), não podemos suprimir as implicações que isso terá na forma como as pessoas usam os motores de busca e entendem o SEO.

Se o modelo tradicional de classificação de páginas para classificação de backlinks e valor de sites originalmente desenvolvido pelo Google foi um grande avanço em 1996, a base de como classificamos sites não mudou muito, exceto outros fatores menos importantes, mas ainda relevantes, que influenciam sites e suas classificações de consulta correspondentes nos mecanismos de pesquisa.

Os LLMs, especialmente o GPT na linha de frente, começaram a desafiar esses modelos tradicionais, oferecendo novas maneiras de os usuários buscarem informações. Usar o ChatGPT para obter determinados fatos ou informações requer significativamente menos tempo e cliques e, muitas vezes, essas informações são mais representativas de fatos objetivos, uma vez que a própria natureza dos LLMs é “consumir” grandes quantidades de informações.

Isso torna os LLMs muito práticos não apenas para escrever poemas, codificar e preparar itinerários de viagem, mas para realmente fornecer inúmeras “pesquisas” de informações úteis.

Vejamos alguns exemplos de como as pessoas aprenderam a usar LLMs e GPT para obter respostas a perguntas específicas de forma rápida e eficiente e o que isso pode significar para o futuro do SEO.

LLMs na prática

Perguntamos ao ChatGPT “Quais são os sites mais confiáveis ​​para pesquisar e comparar voos em termos de preço, precisão e atendimento ao cliente?”

O GPT listou bem todas as opções, com um breve resumo de cada serviço. Reconhecendo a eficiência desta abordagem, que não só economiza tempo, mas, principalmente, também evita opiniões tendenciosas de sites de avaliação, os usuários recorrem cada vez mais à GPT para acessar informações.

Com isto estamos a descobrir um novo campo de otimização de informação que inclui - semelhante ao SEO - técnicas e abordagens para compreender as questões que os nossos potenciais clientes e utilizadores estão a utilizar para procurar soluções para problemas que os nossos produtos ou serviços estão a resolver.

Esta disciplina emergente - poderíamos chamá-la de LLMO (Large Language Model Optimization) - concentra-se em maneiras de otimizar nossa posição para que essas consultas se tornem mais relevantes, visíveis e tenham uma classificação mais elevada.

Nas partes seguintes, examinaremos mais profundamente como essas questões da GPT diferem das consultas de pesquisa que os usuários colocam nos mecanismos de pesquisa, por que devemos nos preocupar com elas e como devemos nos preparar para a otimização, a fim de aproveitar essa inovação para o crescimento do nosso negócio ou serviços e produtos de nossos clientes.

Por que os usuários preferem recorrer ao ChatGPT

Essa mudança do uso de um mecanismo de busca tradicional para o direcionamento de sua pergunta no ChatGPT não é uma tendência nova, mas uma resposta direta às suas vantagens. Alguns dos principais motivos pelos quais os usuários consideram as respostas de retorno do GPT mais alinhadas com seus requisitos são os seguintes:

• Abrangente e informativo. Enquanto os motores de busca retornam uma lista de links para sites, que o usuário deve examinar manualmente, o GPT é capaz de gerar um texto que responde diretamente à sua consulta. Isso é especialmente útil para usuários que buscam uma resposta rápida e completa, sem necessariamente ter tempo ou capacidade para abrir e ler vários links dos resultados da primeira página.

• Objetivo e imparcial . Os resultados dos mecanismos de pesquisa tradicionais podem ser influenciados por alguns fatores que podem não estar disponíveis de forma equivocada para todos - como o orçamento de um site que eles podem gastar na compra de links ou outras estratégias duvidosas para ajudá-los a ter uma classificação mais elevada. Os LLMs, por outro lado, são treinados em conjuntos de dados massivos e usam algoritmos avançados de classificação e correlação para gerar uma resposta baseada em fatos e evidências, e não nos orçamentos da empresa.

• Personalizado. Mencionar informações pessoais mais complexas, essenciais para as respostas que um usuário procura, não é um bom presságio para os mecanismos de pesquisa tradicionais, que normalmente empregam uma abordagem única e apresentam resultados de pesquisa idênticos para uma determinada consulta . A GPT é inovadora nesse aspecto, pois é capaz de compreender e se adaptar às preferências e requisitos do usuário por meio de informações explícitas e ricas em contexto, sem interferir na privacidade do usuário.

• Dinâmico. Os LLMs têm a capacidade de participar de conversas em vários turnos, incentivando os usuários a refinar suas dúvidas e fornecer contexto adicional por meio de perguntas de acompanhamento. Isso permite que eles criem respostas progressivamente refinadas que parecem ter sido adaptadas especificamente para cada usuário.

Como os LLMs estão mudando a forma como pesquisamos

Trabalhando com mecanismos de pesquisa tradicionais, os usuários aprenderam a inserir palavras-chave precisas que correspondam às informações que procuram - uma abordagem que muitas vezes exige a fragmentação das consultas em várias palavras-chave, o que muitas vezes é ineficiente e pode não produzir os resultados desejados.

Mesmo com a integração dos LLMs nos motores de busca, especificamente com o objetivo de alcançar maior relevância dos resultados, os motores de busca ainda enfrentam dificuldades e, na maioria das vezes, apresentam resultados irrelevantes e incompletos.

Com o surgimento de modelos como o GPT, novas perspectivas sobre o processo de pesquisa estão se abrindo e estamos vendo uma mudança definitiva de uma abordagem fragmentada baseada em palavras-chave para uma formulação de perguntas mais natural e intuitiva. Esta evolução é concomitante com o surgimento das tecnologias de pesquisa por voz, que agora representam 20% das consultas de pesquisa móvel do Google.

As interações com LLMs, como o Chat GPT, estão capacitando os usuários a moldar e direcionar ativamente o processo de busca de informações; desenvolver uma compreensão mais profunda das informações de que necessitam e como articular eficazmente as suas questões para obter os resultados desejados.

Em vez de depender de uma simples sequência de palavras-chave desconectadas, eles estão aprendendo a:

• formular suas perguntas de maneira clara e concisa, evitando ambiguidade e linguagem vaga;
• forneça contexto e detalhes específicos, incluindo informações básicas relevantes, preferências e fatores situacionais.

Que tipo de perguntas as pessoas estão fazendo?

Retrocedendo um passo no processo de consulta GPT, é essencial compreender não só por que e quando as pessoas recorrem à IA em busca de respostas, mas também como formulam as suas consultas e que outras informações contextuais podem ser inferidas a partir disso.

Esse entendimento forma o núcleo da disciplina emergente de AEO (Answer Engine Optimization), que se concentra nos padrões dessas consultas do usuário, enfatizando a necessidade de conteúdo que atenda diretamente às necessidades específicas do usuário.

Essas questões seguem padrões e estruturas específicas que serão essenciais para a compreensão nas tentativas de otimização do GPT. Aqui estão algumas frases comuns de consultas que os usuários têm direcionado ao ChatGPT quando procuram produtos ou serviços específicos :

Buscando recomendações personalizadas

Os usuários frequentemente recorrem ao GPT pedindo sugestões/recomendações personalizadas ou conselhos de especialistas, formulando suas perguntas como “ Quais são os melhores… ” ou “ Você pode recomendar alguns… ”. ‍

Consultas sensíveis ao preço

‍ LLMs são uma ótima ferramenta para consultar quando você deseja encontrar o melhor valor pelo seu dinheiro. Eles podem fornecer informações em tempo real sobre preços, descontos e opções econômicas para vários cenários.

As perguntas são formuladas nos seguintes termos: “ Quais são os mais baratos… .”, “ Qual é o mais econômico …” ou “ Onde posso encontrar preços acessíveis… ”. ‍

Solicitações específicas de recursos

Freqüentemente, os usuários perguntam sobre características ou qualidades específicas de serviços e produtos.

Por exemplo, eles podem perguntar " Qual [produto/serviço] tem o melhor [recurso específico]? " ou " Você pode citar um [produto/serviço] que oferece [recurso específico]? "

Perguntas comparativas

Este tipo de consulta é especialmente adequado para LLMs, pois pode fornecer uma análise detalhada de diferentes produtos, com base nas necessidades e preferências indicadas pelo usuário.

Eles formulam suas perguntas como " X é melhor que Y ?", " Como X se compara a Y em termos de [característica específica]? " ou " Qual é a diferença entre X e Y? "

Pesquisas baseadas em localização

‍ LLMs são ótimos com consultas que incorporam elementos geográficos, oferecendo informações em tempo real sobre opções, serviços ou atividades próximas.

As perguntas são formuladas como " Onde posso comprar X perto de mim? " ou " Quais são os melhores [serviços] disponíveis em [local]? "

Consultas para resolução de problemas

Muitos usuários chegam ao LLM com um problema específico, perguntando “ Como posso resolver X? ” ou “ Qual a melhor maneira de lidar com Y? ”

Essas perguntas indicam que eles procuram produtos ou serviços como soluções.

‍

Em resposta a esses insights, as empresas são aconselhadas a adotar uma estratégia de conteúdo proativa e a se concentrar na criação de material que atenda com precisão às necessidades específicas destacadas pelas consultas dos usuários. Isso garante que os produtos e serviços não sejam apenas visíveis nos resultados da pesquisa, mas também correspondam diretamente às necessidades do público-alvo em vários cenários.

Mecanismos de classificação do Chat GPT

Agora que exploramos a importância de compreender o tipo e a estrutura das perguntas que os usuários recorrem à GPT, vamos examinar a outra extremidade do processo para ver quais fatores determinam as classificações das consultas baseadas em soluções. Este mecanismo subjacente envolve um processo abrangente e não linear que inclui:

Análise Semântica

O processo de análise semântica conecta palavras e frases em relacionamentos semânticos mais amplos para compreender como as palavras surgem juntas em diferentes contextos.

Para fazer isso, o GPT analisa grandes quantidades de texto para mapear padrões e associações que não são imediatamente aparentes, mas que são essenciais para compreender o significado completo de uma consulta. O processo inclui :

Análise de consulta

O GPT conduz uma análise semântica aprofundada que envolve dividir a consulta em seus elementos – palavras, frases e suas relações sintáticas – que são então avaliados em seu contexto coletivo, ou seja. como eles se relacionam entre si. ‍

Determinando a intenção do usuário

Usando uma abordagem probabilística para determinar a intenção do usuário, o GPT analisa as frequências de padrões de palavras em seus dados de treinamento e como eles se correlacionam em contextos específicos.

Por exemplo, numa consulta sobre “carros familiares económicos”, a GPT reconhece a correlação entre considerações “económicas” e de custos nos veículos, tal como os automóveis “amigos da família” estão associados a atributos como espaço e segurança. ‍

Avaliação em contexto

Os LLMs levam em consideração que as consultas, embora possam conter palavras semelhantes, podem ter significados e requisitos totalmente diferentes e identificam se a formulação da pergunta indica um usuário buscando aconselhamento, fazendo comparações ou perguntando sobre recursos específicos. As respostas são adaptadas de acordo com as necessidades subjacentes do usuário, sejam elas restrições orçamentárias, recursos de desempenho ou preferências de marca.

Recuperação e Síntese de Dados

Juntamente com as descobertas da análise semântica, o ChatGPT avalia a consulta em relação ao seu extenso conjunto de dados de treinamento, bem como à pesquisa na web em tempo real.

Conjunto de dados de treinamento

‍ O banco de dados do GPT abrange uma ampla gama de fontes, desde artigos acadêmicos até mídia popular, garantindo uma compreensão abrangente em vários domínios. No entanto, não se sabe exatamente o que consta do conjunto de treinamento, nem de acordo com quais diretrizes as fontes nele incluídas. ‍

Pesquisa na internet

Um aspecto crucial dos dados de treinamento do GPT é sua limitação de tempo – no momento em que este artigo foi escrito, ele estava confinado a abril de 2023. Para complementar isso, a versão Pro do ChatGPT agora também oferece recursos de pesquisa na web por meio do Bing. Esta integração é particularmente importante em domínios onde são frequentemente introduzidos novos produtos ou serviços.

Fatores de classificação

Quando a GPT classifica produtos ou serviços em resposta a uma consulta, ela se baseia em um conjunto de fatores de classificação. Estes são concebidos para garantir que as respostas não são apenas relevantes, mas também credíveis, diversas e oportunas. Aqui está uma visão mais detalhada de alguns dos mais importantes:

Consulta e correspondência contextual

A GPT prioriza soluções que atendam diretamente às necessidades do usuário. Essa relevância não é determinada apenas pela frequência das palavras-chave, mas pela profundidade da correspondência entre a intenção da consulta e as informações associadas aos produtos ou serviços.

Credibilidade e popularidade

Quando são mencionados produtos ou serviços, a GPT avalia a fiabilidade das fontes. Isto envolve avaliar a frequência e o contexto das menções num espectro de fontes, dando maior peso àquelas frequentemente citadas em contextos respeitáveis. O modelo também considera a popularidade dos produtos, conforme indicado pela sua prevalência nos dados de treinamento.

Análise de feedback do usuário

A GPT realiza uma análise de sentimento sobre o feedback e as análises em seus dados de treinamento e resultados recentes de pesquisas na web. Produtos ou serviços com sentimento predominantemente positivo são favorecidos na sua classificação. ‍

Diversidade e Cobertura

Ao mesmo tempo que garante a diversidade, a GPT mantém um equilíbrio para que os utilizadores tenham um amplo conjunto de opções que ainda são altamente relevantes para a consulta. ‍

Informações Frescas

Embora os dados históricos constituam a espinha dorsal do conhecimento da GPT, uma vez que algumas consultas podem beneficiar de informações testadas ao longo do tempo ou de reputação de longa data, também consideram novas informações, especialmente para mercados onde os desenvolvimentos ocorrem rapidamente.

‍

Paralelamente a estes, o GPT considera outros fatores, embora em menor grau, tais como:

Personalização e Feedback

‍ As respostas do GPT não são estáticas e cada interação do usuário é uma oportunidade para o modelo aprender e se ajustar. Quando os usuários fornecem requisitos ou comentários mais específicos, a GPT altera dinamicamente suas respostas. Este processo iterativo permite à GPT ajustar dinamicamente as suas classificações, garantindo que as recomendações finais sejam tão relevantes e personalizadas quanto possível. ‍

Classificação Ética e Imparcial

‍ A GPT se esforça para manter uma postura objetiva em suas respostas. Está programado para evitar preconceitos que possam surgir de promoções pagas, publicidade ou qualquer influência externa indevida. O foco está na análise objetiva dos dados, com recomendações baseadas no mérito e na relevância.

Palavras finais

Não há dúvida: a introdução do GPT e suas iterações subsequentes estão redefinindo os parâmetros da otimização de mecanismos de busca. Ao contrário dos modelos de classificação tradicionais baseados principalmente em backlinks e densidades de palavras-chave, o GPT apresenta uma nova fronteira onde antecipar e compreender o contexto e a intenção do usuário e otimizar proativamente o conteúdo para consultas complexas estarão na vanguarda.

Para fazer isso de forma eficaz, é importante não apenas compreender a entrada do usuário e os mecanismos de classificação da GPT, mas também saber onde os produtos e serviços estão classificados em vários modelos LLM. Aqueles que estão olhando para o futuro devem considerar a utilização de ferramentas avançadas, adaptadas especificamente para rastrear classificações GPT, para obter informações sobre as posições de classificação para diferentes perguntas dos usuários.

À medida que abraçamos as capacidades inovadoras dos LLMs e nos preparamos para os avanços que o seu progresso está a trazer para o mundo SEO, é importante lembrar que a era da IA ​​ainda está na sua infância e sujeita a rápidas mudanças.

Esperamos que este guia tenha ajudado a esclarecer alguns dos aspectos mais importantes dos mecanismos de classificação GPT que serão fundamentais para compreender a fim de utilizar eficazmente esta tecnologia emergente. Como sempre, lembre-se de se manter informado sobre os últimos desenvolvimentos e ficar atento a mais inovações.