A modern nyelvi modellek rengeteg információt képesek megtanulni, ez azonban még nem jelenti azt, hogy minden megszerzett tudáshoz ugyanolyan könnyen hozzá is férnek. A Google új kutatása szerint a vizsgált tények 95–98%-át megtanulták a modellek, mégis jelentős részük közvetlen felidézése nehézséget okozott.

A kutatás alapján ennek egyik oka az lehet, hogy milyen sorrendben találkozik a modell az egymással kapcsolatban álló entitásokkal. Ez az AI-láthatóság szempontjából is érdekes kérdéseket vet fel: nemcsak az számíthat, hogy egy információ megtalálható-e a weben, hanem az is, hogyan fogalmazzuk meg az egyes entitások közötti kapcsolatokat.

Az információ megvan, mégsem mindig tudja felidézni az AI

A kutatás egyik legérdekesebb eredménye, hogy különbség lehet aközött, amit egy nyelvi modell megtanult, és amit egy adott kérdésre válaszolva képes közvetlenül felidézni.

A vizsgálatok során a modellek a tények 95–98%-át megtanulták, mégis számos esetben sikertelen volt ezek közvetlen előhívása. A probléma tehát nem feltétlenül abból adódott, hogy az adott információ hiányzott a modell tudásából, hanem abból, hogy nem tudott megfelelően hozzáférni.

Ez különösen a ritkább, long-tail tényeknél jelentett problémát: az ilyen információkat a modellek akkor is nehezebben idézték fel, amikor bizonyítható volt, hogy korábban megtanulták azokat.

Az entitások sorrendje is számíthat

A kutatók az egyik lehetséges magyarázatot az úgynevezett subject/object sorrendhatásban találták meg. Ennek lényege, hogy ugyanannak a ténynek a felidézhetőségét befolyásolhatja, milyen sorrendben találkozott a modell a hozzá kapcsolódó entitásokkal.

Ha például a modell rendszeresen az „Oasis → Boardwalk club” kapcsolatot látja, előfordulhat, hogy könnyebben fér hozzá az információhoz ebben az irányban, mint akkor, amikor egy kérdés ugyanezt a kapcsolatot fordított sorrendből közelíti meg.

A kutatás során a kérdések egyszerű átfogalmazása önmagában nem eredményezett jelentős javulást. A problémát elsősorban az okozta, amikor a tény két szereplőjének megszokott sorrendje megfordult.

Több gondolkodási idővel javult a modellek teljesítménye

Érdekes eredmény született akkor is, amikor a modellek több időt kaptak a válasz megtalálására. A korábban közvetlenül nem felidézett tények 40–65%-át hosszabb következtetési folyamat segítségével már sikerült előhívni.

Ez tovább erősíti azt a megállapítást, hogy sok esetben nem az információ hiánya jelenti a problémát. A tudás jelen lehet a modellben, de annak előhívása nehezebb lehet bizonyos kérdések vagy entitáskapcsolatok esetében.

Mit jelenthet mindez SEO szempontból?

Az eredmények SEO szempontból is érdekes kérdéseket vetnek fel, ugyanakkor ezekből egyelőre nem érdemes bizonyított optimalizálási módszert levezetni.

Felmerülhet például, hogy a fontos entitások közötti kapcsolatokat érdemes világosan és természetesen megfogalmazni, illetve olyan kérdés-válasz struktúrákban is megjeleníteni, ahogyan a felhasználók várhatóan keresnek rájuk.

Egy vállalkozás, személy, szolgáltatás, termék vagy más entitás esetében így nem feltétlenül csak az lehet fontos, hogy a kapcsolódó tény egyszer szerepeljen valahol a tartalomban. Az AI számára az is előnyös lehet, ha az entitások közötti kapcsolat egyértelmű, és több irányból is könnyen értelmezhető.

Ezt azonban jelenleg érdemes lehetséges tartalomoptimalizálási szempontként, nem pedig bizonyított SEO-taktikaként kezelni.

Főbb tanulságok

• A vizsgált nyelvi modellek a tények 95–98%-át megtanulták, de nem tudták mindegyiket közvetlenül felidézni.
• A ritka, long-tail információk felidézése különösen nehéznek bizonyult.
• Az entitások megszokott subject/object sorrendjének megfordítása ronthatta a felidézést.
• A kérdések egyszerű átfogalmazása önmagában nem oldotta meg a problémát.
• Több gondolkodási idővel a korábban sikertelenül felidézett tények 40–65%-át sikerült előhívni.
• AI-láthatóság szempontjából érdemes lehet egyértelműen megfogalmazni a fontos entitáskapcsolatokat, de ez egyelőre nem tekinthető bizonyított SEO-taktikának.

Forrás: https://www.searchenginejournal.com/google-subject-object-entity-order-affects-ai-answers/586089/