Cómo usamos la inteligencia artificial y el aprendizaje automático para aumentar el rendimiento del contenido SEO en un 30 %

Cualquiera que me haya hablado en los últimos nueve meses sabrá que he estado en lo más profundo de la madriguera de la IA. Me he absorto por completo en cómo funciona la IA y en Ellipsis la hemos adoptado rápidamente en nuestros procesos.

El mayor beneficiario ha sido nuestro trabajo de contenido SEO, que constituye la mayor parte de nuestro trabajo diario. Ahora tenemos un conjunto de herramientas internas que están optimizadas específicamente para crear contenido para empresas de WordPress. Este conjunto de herramientas es significativamente mejor que cualquier cosa disponible comercialmente y nos ayuda a garantizar que nuestro contenido obtenga clasificaciones y conversiones.

Llamamos al sistema FALCON, y con él hemos mejorado los resultados de SEO Content en un 30%. Así es como funciona todo.

Descripción general: ¿qué puede hacer la IA?

Estamos interesados ​​en cuatro tipos de IA aquí:

• clasificación del texto (¿en qué categoría se encuentra un texto?)
• generación de texto (crear una respuesta en su mayoría original)
• predicción (¿qué sucederá a continuación, en base a datos anteriores?)
• comprensión del lenguaje natural (¿qué significa el texto?)

AI en 2021 se adapta bien a estos casos de uso. Cada uno de estos tipos requiere un "modelo" que se utiliza para generar la salida. Hay dos tipos de estos: auto-entrenados y pre-entrenados.

Los modelos autodidactas son modelos personalizados creados a partir de sus propios datos para su caso de uso. Esto funciona con Machine Learning (ML), por lo que a menudo verá que ML se usa indistintamente aquí. Los modelos preentrenados se entrenan con los datos de otra persona. Estos tienden a ser mucho más generales, pero un buen modelo general es muy poderoso.

Si desea saber si una nueva consulta de formulario de contacto es un correo electrónico de ventas o una solicitud de atención al cliente, probablemente esté bien usando un modelo previamente entrenado. Si desea saber a qué equipo se debe enrutar un mensaje de soporte específico, probablemente necesite un modelo personalizado autodidacta.

El gran avance en el último año ha sido que los modelos pre-entrenados han mejorado significativamente. Los gustos de GPT-3 de Open AI, que genera texto extremadamente bien, han abierto muchas más posibilidades. Esto se combinó con la capacitación de modelos personalizados que se volvieron mucho más accesibles (un saludo para el cliente de Ellipsis Akkio): anteriormente necesitaba un científico de datos para hacer esto.

Este es el contexto de lo que la IA puede hacer y cómo podemos usarla. Veamos ahora los casos de uso específicos que Ellipsis tiene para cada uno de estos en nuestro proceso de Contenido SEO.

Aprendizaje automático para aumentar la tasa de éxito de las combinaciones de palabras clave y títulos

Una de las primeras etapas en el proceso de producción de contenido SEO es la selección de palabras clave. Identificaremos en qué grupo de temas queremos que encaje el contenido del cliente y luego buscaremos una buena palabra clave objetivo para la publicación. Si elige la palabra clave incorrecta, nada de lo que pueda hacer con la creación de contenido hará que la publicación funcione.

Con FALCON, usamos un modelo de aprendizaje automático personalizado para predecir qué tan bien funcionará una combinación de palabra clave y título, según nuestros datos internos sobre el éxito de publicaciones anteriores. Este modelo personalizado por sí solo es responsable de la mayor parte del aumento del 30% en nuestro rendimiento de contenido SEO.

Tenemos cuatro versiones de esto, para comprobar:

1. Palabras clave existentes
2. Palabras claves relacionadas
3. Palabras clave de cola larga
4. Palabras clave en contenido que ya está activo

El primero hace una verificación simple de la palabra clave que le ha dado y puede verificar hasta 100 palabras clave a la vez. El segundo busca palabras clave relacionadas y las ejecuta a través de la predicción a escala (hasta 100 a la vez), mostrándote palabras clave relacionadas que funcionarían. Esto, a su vez, puede manejar 100 palabras clave base a la vez, por lo que estamos verificando 1000 palabras clave en minutos. El tercero es similar pero profundiza en las palabras clave de cola larga. La versión final verifica si una palabra clave de destino diferente en una publicación existente funcionaría mejor.

A través de nuestro uso de FALCON, estamos viendo un mayor rendimiento del contenido que producimos, ya que tenemos una gran confianza en que la publicación se clasificará, y mejoras en las palabras clave que podemos encontrar, ya que la IA facilita la aparición de palabras clave.

Clasificación de la intención de búsqueda mediante BERT

Google está interesado en proporcionar la mejor experiencia de usuario posible al buscador. Esto significa proporcionar una respuesta completa a lo que sea que hayan buscado, rápidamente. Para hacer esto, Google tiene que entender lo que busca el buscador, y si los resultados que muestra proporcionan la respuesta a esto. A esto lo llamamos intención de búsqueda.

Entendemos lo que busca el buscador al mirar los resultados que muestra Google.

BERT es una metodología de comprensión del lenguaje natural (NLU) de código abierto de Google en 2018. Google utiliza BERT para comprender la intención de búsqueda en contexto: si busca "álbumes de Queen", entenderá que Queen en este contexto significa la banda, no Reina la persona.

Google está utilizando la metodología para comprender lo que busca el buscador. Lo estamos usando para hacer lo mismo con FALCON, observando los resultados y usándolos para clasificar la intención de búsqueda. Estamos usando un modelo BERT pre-entrenado para hacer esto.

Esto entra en nuestro proceso de investigación de palabras clave. Puede hacer esto manualmente, pero manualmente tiende a hacerse en la consulta de búsqueda y no en los resultados de búsqueda: es bastante intuitivo "comprar temas de WordPress" es una palabra clave con intención de compra. Sin embargo, Google arroja cada vez más resultados inesperados, ya que está respondiendo a los usuarios del mundo real, por lo que usar BERT nos permite ver los 10 mejores resultados y hacer una clasificación basada en todos ellos, y lo hace en aproximadamente medio segundo.

Procesamiento del lenguaje natural para identificar temas

Google quiere entender lo que el buscador está buscando. Para determinar dónde clasificar el contenido, debe comprender qué hay en una página para poder comprender en qué medida el resultado coincide con la necesidad del buscador.

Google utiliza procesamiento de lenguaje natural (NLP) para esto. NLP le permite a Google tomar una URL y comprender las entidades y los temas contenidos en la página. Una vez que sabe lo que hay en la página, puede saber dónde clasificarlo.

NLP ha sido durante mucho tiempo un área de vanguardia de SEO y ha sido una parte central de nuestro proceso de contenido durante los últimos tres años. Las herramientas comerciales como Clearscope, MarketMuse y Frase han popularizado la metodología: observarán los primeros 10 a 30 resultados de una palabra clave objetivo y luego agregarán los temas dentro de esos resultados. Eso le dará una lista de 30 a 50 temas para que los cubra en la publicación, y cubrirlos le permite asegurarse de haber hecho un buen trabajo al responder todas las preguntas que tendrá un buscador.

Este es un proceso probado y probado, y hemos obtenido buenos resultados durante varios años.

Sin embargo, las herramientas comerciales tienen algunas limitaciones. El principal es la IA: la PNL es buena, pero tiene limitaciones. Las herramientas dependen de los buenos resultados de la PNL que utilizan. Google, por ejemplo, solo puede identificar alrededor del 18% de los temas en una página y, a menudo, los identifica erróneamente.

Vemos lo mismo con las herramientas comerciales: es típico que usen un proveedor de NLP, por lo que se perderán los temas y las entidades que las publicaciones deben cubrir. Si está basando su contenido en una lista incompleta de temas, se lo está perdiendo.

Como puede ver en este ejemplo, ejecuté la demostración de NLP de Google en la publicación de clasificación superior para "mejor alojamiento de WordPress":

La clasificación ha funcionado en su mayoría, pero Google piensa que Hostinger es una persona y no una empresa.

Esto nos ha llevado a desarrollar nuestra propia solución FALCON NLP, para obtener mejor temas específicos de WordPress .

Con nuestra solución interna de PNL, podemos identificar mejor los temas. Esto nos permite producir contenido más completo incluso que el contenido de la competencia producido con herramientas comerciales.

Si puede obtener una mejor identificación de los temas a cubrir y asegurarse de que su contenido permita que Google identifique sus temas, tiene una ventaja competitiva. Esto es lo que tiene nuestro contenido.

También usamos NLP en nuestra etapa de investigación de palabras clave para agrupar automáticamente las palabras clave en grupos de temas. Anteriormente, este era un proceso manual lento, por lo que la automatización es extremadamente útil.

Modelos GPT-3 personalizados para la generación de títulos

Destaqué GPT-3 arriba. GPT-3 es una tecnología notable hecha por Open AI. Hace generación de texto, y hace un buen trabajo. GPT-3 está entrenado en 175 mil millones de parámetros y puede escribir texto corto que es indistinguible de lo que puede hacer un humano. Es bastante increíble.

No estamos usando GPT-3 para la generación de contenido de formato largo, como hablaré más adelante. Sin embargo, lo que estamos haciendo es usar modelos personalizados para partes específicas del proceso de contenido. Esto es algo bastante poderoso.

Gran parte del entusiasmo por GPT-3 proviene de lo que puede hacer con él. Hay una larga lista de aplicaciones creadas en él. La "redacción publicitaria de IA" es una de las áreas más obvias para GPT-3, y actualmente hay una carrera armamentista para desarrollar herramientas que las hagan. Todas estas herramientas se basan en la API GPT-3 de Open AI.

La limitación con las herramientas comerciales es que depende de indicaciones genéricas. El "generador de títulos de publicaciones de blog" que obtendrá de un "redactor publicitario de IA" SaaS debe funcionar con todo tipo de títulos. Necesitamos algo específicamente optimizado para el contenido de WordPress.

Estamos utilizando IA para generar títulos extremadamente optimizados para SEO. Con FALCON, podemos tomar una palabra clave objetivo, buscar los mejores resultados y luego usar GPT-3 para generar títulos similares a los resultados de contenido de mayor clasificación (filtramos los resultados de publicaciones que no son de blog). El resultado es un título perfectamente optimizado para Google , ya que se basa en lo que ya está clasificado.

Aquí es donde la IA es mucho mejor que los humanos: la IA puede ver los matices de los resultados y generar múltiples versiones sobre la marcha. Por lo tanto, estamos generando varias opciones de título y ejecutándolas a través del paso de aprendizaje automático descrito anteriormente: FALCON luego generará el título ganador.

No ofrecemos ahorros de tiempo o costos aquí (en todo caso, es más lento y costoso), pero ahora podemos evaluar muchas más opciones a escala y brindarles a nuestros clientes las mejores. Mi agradecimiento al Dr. Oliver Crook de la Universidad de Oxford por su apoyo en esto.

Una pregunta obvia es: ¿qué pasa con el contenido generado por IA? Estoy bastante optimista de que esto sea una idea terrible, ya que lo haré a continuación.

¿Qué pasa con el contenido generado por IA?

NO usamos GPT-3 para la generación de contenido de formato largo. GPT-3 es terrible para el contenido de formato largo, ya que no sabe de qué está hablando. No tiene noción de cuál es la verdad: puede unir palabras, pero no tiene idea de lo que significan.

Cuando Google valora cada vez más la autoridad en la materia, usar una IA que no tiene idea de lo que está hablando es una receta para el desastre.

Por lo tanto, usamos la generación de texto en los márgenes de nuestro proceso de contenido para realizar mejoras y encontrar eficiencias, pero no usamos GPT-3 para la generación de contenido de formato largo.

En todo caso, el aumento de esto nos hace más felices de duplicar el trabajo con expertos en la materia. Esos expertos son costosos, pero si otros comienzan a intentar generar automáticamente contenido que podría ser una tontería, nosotros y nuestros clientes tendremos una ventaja competitiva aún mayor. ¡Dale!

El sistema FALCON y cómo puedes conseguirlo

Nuestros resultados hasta ahora han mostrado una mejora del 30 % en los resultados de contenido SEO desde que comenzamos a implementar seriamente la IA en nuestro proceso de contenido. Desde principios de este año, hemos comenzado a obtener esos resultados para los clientes.

El sistema en su conjunto se denomina sistema FALCON. Es nuestra colección de herramientas internas diseñadas para aumentar el éxito del trabajo de contenido SEO que hacemos para los clientes.

FALCON ahora está incluido en todos nuestros paquetes de crecimiento de contenido para contenido SEO. Puedes ver los detalles aquí, o ponerte en contacto para ver cómo podemos ayudarte.