بدء التعلم الآلي في تحسين محركات البحث باستخدام Lazarina Stoy

إلى أي مدى تقوم بأتمتة مُحسّنات محرّكات البحث لديك؟ وهل تعلم أن أتمتة ما تفعله حاليًا يمكن أن يساعدك على القيام بذلك بشكل أسرع وبمستوى أعلى من الدقة؟

اليوم ، نناقش الخطوات الست لبدء التعلم الآلي في تحسين محركات البحث ، مع مدير تحسين محركات البحث المتخصص في جميع الأمور التقنية والبيانات. إنها أيضًا منشئ محتوى ، تشارك لوحات معلومات استديو البيانات والبرامج النصية وأدوات مفيدة أخرى ، وتساعد وتطمح إلى تحسين محركات البحث الأخرى لإنجاز المهام بشكل أكثر كفاءة. مرحبًا بكم في مدير تحسين محركات البحث وعلوم البيانات في Intrepid Digital ، Lazarina Stoy.

الخطوات هي:

1. افهم معتقداتك المحدودة وتغلب عليها
2. فهم مواصفات المهام الشائعة ومواصفات الحل ومواصفات البيانات في التعلم الآلي
3. تدرب يوميًا وابدأ في متابعة الاقتراحات
4. تقييم المهام الجديدة وحلولها وخصائص البيانات لفهم متى تكون هناك حاجة إلى التعلم الآلي
5. افهم القيود وفحص مخرجات التعلم الآلي
6. العمل بشكل تعاوني ووضع توقعات معقولة

تعلم آلة تحسين محركات البحث

لازارينا: مرحبًا ، هناك. سعيدا أن أكون هنا. مرحبًا.

D: سعيد بوجودك هنا. يمكنك العثور على Lazarina في lazarinastoy.com. إذن Lazarina ، ما هي المدة التي تستغرقها الأجهزة حتى تتولى تحسين محركات البحث؟

L: آمل في وقت طويل. نحن بحاجة إلى تولي الآلة حتى نكون أكثر كفاءة. آمل أنهم لا يستولون علينا.

D: ربما يساعد الارتباط العصبي بالدماغ.

L: نعم ، سنكون أفضل منهم. نحن فقط بحاجة إلى استخدامها بشكل صحيح. قم بتوجيههم حيث نحتاجهم.

D: هناك بعض الإيجابية بالنسبة لك. لذلك نناقش اليوم الخطوات الست لبدء التعلم الآلي في تحسين محركات البحث. ابدأ بالرقم واحد ، افهم معتقداتك المحدودة وتغلب عليها.

1. افهم معتقداتك المحدودة وتغلب عليها

ل: هذه الخطوة الصغيرة تدور حول التفكير فعليًا في ما يمنعك من متابعة التعلم الآلي أكثر قليلاً. ما الذي يمنعك من البدء في أتمتة مُحسّنات محرّكات البحث والقيام بأشياء هي البرامج النصية والأدوات الجديدة الرائعة وأشياء من هذا القبيل. بسبب في كثير من الأحيان ، أسمع الكثير من الناس مستوحين حقًا من التكنولوجيا الجديدة ، ويريدون تجربتها. لكن لديهم هذه المعتقدات المقيدة التي تمنعهم من القيام بذلك. وهو ليس شيئًا فريدًا أو خاصًا بصناعة تحسين محركات البحث. في الواقع ، هذا شيء تم التعرف عليه على نطاق واسع في مجتمع التعلم الآلي أيضًا ، لأنها مشكلة يعاني منها الكثير من المطورين بالفعل ، لأنهم لم يبدأوا بالتعلم الآلي.

في الواقع ، قام عالم البيانات المشهور جدًا في مجتمع التعلم الآلي ، جيسون براونلي ، بوضع قائمة ببعض المعتقدات المحدودة ، أو بعض الأسباب التي تجعلك لا تبدأ. وإذا اضطررت إلى وضعها في عبارات ، فغالبًا ما تكون الأشياء التي نقولها لأنفسنا ، مثل أنه يجب أن تكون خبيرًا في Python للبدء أو خبيرًا في الترميز للبدء ، أو عليك معرفة مجال التعلم الآلي من A إلى Z. أو ما تفعله كل خوارزمية من أجل البدء. أو ربما يجب أن يكون لديك الكثير من وقت الفراغ للبدء أو يجب أن يكون لديك بعض الوقت في جدولك الزمني ، أو الكمبيوتر الشخصي المثالي أو أي شيء آخر قد تخبر به نفسك. أصعب ما يجب التغلب عليه هو أنك تعتقد أنه من الصعب جدًا أو الصعب للغاية البدء. بينما سيخبرك معظم خبراء التعلم الآلي أن تنفيذ نموذج التعلم الآلي يتطلب حرفياً ثلاثة أسطر من التعليمات البرمجية. يتعلق الأمر بفهم بياناتك ومعرفة أين ومتى يمكنك تطبيقها. هذا هو الجزء الصعب.

لذا فإن التغلب على هذه المعتقدات المقيدة هو الخطوة الأولى لأنه في الواقع ، ليس من الصعب البدء. يمكنك حرفياً التعلم الآلي من Google وبرامج تعليمية مدتها 10 دقائق والبدء صغيرًا وبناء عادة كل يوم. وبهذه الطريقة ، إذا كنت تنتظر فقط لتبدأ وتشعر ببعض القيود الذهنية بينما لم تبدأ ، يمكنك أن ترى أنها خطوة صغيرة جدًا عليك القيام بها. عليك فقط حجز 10 دقائق من الجدول الزمني الخاص بك والبدء. وبمجرد تنفيذك لأول نص أو تثبيت ، المكتبات وكل شيء ، سترى أنه في الواقع ليس بهذه الصعوبة. ثم تتحول اللعبة قليلاً ، ثم عليك فقط أن ترى أين يمكنك تطبيق النماذج على الحياة اليومية لكبار المسئولين الاقتصاديين. وهذا هو الجزء الممتع لنكون صادقين.

D: مفهوم. في الأساس ، ما تقوله هو ألا تدع التكنولوجيا تمنعك من فعل الأشياء. لا يتعين عليك فهم جميع جوانب التكنولوجيا قبل أن تبدأ بالفعل.

L: يشبه الأمر إلى حد كبير مجال تحسين محركات البحث حيث لا يتعين عليك فهم كل شيء حتى تتمكن من الوصول إلى الباب. عليك فقط أن يكون لديك الشغف والرغبة في القيام بذلك.

د: أعتقد أن التحدي يكمن في أن العديد من مُحسنات محركات البحث لديهم عقلية أنهم يريدون فهم كل شيء قبل القيام بأي شيء. أعتقد أن لديهم هذا النوع من الدماغ حيث يحتاجون إلى فهم السبب قبل القيام بشيء ما.

ثانيًا ، فهم مواصفات المهام الشائعة ومواصفات الحل ومواصفات البيانات في التعلم الآلي.

2. فهم مواصفات المهام المشتركة ومواصفات الحل ومواصفات البيانات في التعلم الآلي

L: نعم ، سأبدأ بالبيانات أولاً. يجب أن تعرف متى تبحث عن شيء محدد ... لنفترض أنك تجاوزت بالفعل الخطوة الأولى ، لديك بعض التدريبات اليومية ، ربما دروس مدتها 10 دقائق ، ترى أن هذا رائع جدًا ورائع ، وقد تفعل ذلك لفترة من الوقت. والآن تواجه نوعًا ما مهمة في حياتك اليومية. وتريد معرفة ما إذا كان التعلم الآلي هو الحل الصحيح لمساعدتك في التغلب على بعض التحديات التي تواجهها. الأشياء الثلاثة التي تحتاج إلى التفكير فيها هي خصائص البيانات التي لديك. أي مجموعة البيانات التي ستطبق التعلم الآلي عليها. ويمكن أن تكون بيانات نصية أو رقمية ، أو يمكن أن تكون أيضًا بيانات قائمة على الصور. لكننا نتحدث عن سيناريو المبتدئين هنا ، بالطبع ، لديك أشياء أخرى مثل التعلم الآلي متعدد الوسائط حيث تقوم بتطبيق ملفات الفيديو أو الصوت ، وتقوم بتطبيق التعلم الآلي عليها. لكننا نتحدث فقط عن حالة المبتدئين هنا. وفي معظم الأوقات ، بصفتنا مُحسّنات محرّكات البحث ، فإن المهام التي نعطيها للنموذج ستكون قائمة على النص ، على سبيل المثال ، المحتوى على الصفحة ، أو ستكون رقمية. على سبيل المثال ، إذا كنت تحاول توقع حركة مرور عضوية ، أو كنت تحاول توقع عدد النقرات التي ستحصل عليها ، وأشياء من هذا القبيل.

وعندما يتعلق الأمر بخصائص المهام ، فإننا نعلم أن هناك مجالين رئيسيين في التعلم الآلي ، تحت الإشراف وغير خاضع للإشراف. ونحتاج إلى معرفة النماذج الرئيسية التي يمكنك ، في الحالة الأكثر شيوعًا ، استخدامها لهذه الأنواع المحددة من المهام. بالنسبة لنا ، يعني التعلم الخاضع للإشراف أنك قمت بتسمية البيانات للتحقق من صحة مخرجات النموذج. وعدم وجود إشراف يعني العكس ، ليس لديك طريقة للتحقق من صحة النتائج. في التعلم الخاضع للإشراف ، لديك أشياء مثل الانحدار ، والتي تتعلق بعمل تنبؤات ، أو التصنيف ، مما يعني الانقسام إلى مجموعات بناءً على الفئات الموجودة.

فقط لإعطائك مثالاً على هذين الأمرين ، فإن عمل التنبؤات التي ناقشناها بالفعل ، مثل توقع حركة المرور العضوية أو أشياء من هذا القبيل ، يعد حالة جيدة ، خاصةً عندما تعمل مع البيانات الضخمة ، أو تقسيم التصنيف إلى مجموعات. على سبيل المثال ، إذا كان لديك جزء من مدونتك قمت بتصنيفه بالفعل ضمن فئات معينة ، وكان لديك محتوى جديد تريد تصنيفه في إحدى هذه المجموعات المحددة ، فهذا هو المكان الذي يمكنك فيه استخدام التصنيف لمساعدتك. في التعلم الخاضع للإشراف ، لديك تقليل في أبعاد التجميع ، وهو أكثر تقدمًا قليلاً ، والذي من المحتمل أن تستخدمه ، مثل عندما يكون لديك مجموعة كبيرة جدًا من البيانات ، أو عندما يكون لديك مشكلة لا تملكها حقًا طريقة للتحقق من صحة. وفي كثير من الأحيان ، قد تتمكن من الجمع بين الطريقتين أيضًا.

عندما يتعلق الأمر بخصائص الحل ، فإن أهم شيء يجب معرفته هو متى وأين يجب تطبيق التعلم الآلي. على موقع الويب الخاص بي والمدونة ، بالنسبة إلى دليل المبتدئين للتعلم الآلي ، قمت بالفعل بإدراج عدد من المخططات الانسيابية التي يمكن أن تساعدك في متابعة عملية كيفية تطبيق التعلم الآلي وما إذا كانت هذه هي حالة الاستخدام الصحيحة لها. على سبيل المثال ، إذا كنت لا تعمل مع البيانات الضخمة ، فهذا ليس تعلمًا آليًا ، ويمكن فعل ذلك حرفيًا في جدول بيانات أو في ورقة Google مع اثنين من الصيغ الإحصائية. لأن معظم نماذج التعلم الآلي ، في جوهرها ، هي بالضبط كذلك. إحصائيات. ونعم ، إذا كانت مهمة حرجة ، مثل المهام التي تقوم بها ، فلا يجب أن تعتمد على التعلم الآلي على الإطلاق. وإذا كنت بحاجة إلى الارتباط بأصحاب المصلحة لديك ، أو بالطريقة التي تم بها تحقيق النتائج ، أو ربما تحاول شرح أو تكرار مخرجات هذا النموذج ، فهناك نماذج معينة يجب تجنبها ، على سبيل المثال ، التعلم الآلي الخاضع للإشراف ، أو التعلم العميق ، لأن معظمهم يعملون نوعًا ما مثل الصندوق الأسود. ومن الصعب للغاية ، خاصة مع البيانات الضخمة ، تكرار ما فعله النموذج للوصول إلى المخرجات.

هناك الكثير من المواد الغذائية للفكر هنا. لكني أريد فقط أن أقول إنه إذا فهمت هذه الأشياء الثلاثة ، وكنت قادرًا على القول لمشكلتك المحددة ، "حسنًا ، بياناتي نصية. النموذج الذي أحتاجه يعتمد على الانحدار أو ربما يعتمد على التصنيف أو أيًا كان يبدو الأمر كذلك ، لذا فأنت بحاجة إلى تحديد ماهية بياناتك ، وما هي مهمتك. وتحتاج إلى فهم نوع الحل الذي تبحث عنه. وإذا كان بإمكانك القيام بذلك ، فسيكون الأمر أسهل كثيرًا للعثور على الموارد المناسبة لمساعدتك في تحقيق هدفك.

د: والثالث هو تمكين الممارسة اليومية والبدء في متابعة الاقتراحات.

3. تدرب يوميًا وابدأ في متابعة الاقتراحات

ل: أعتقد أنني تطرقت إلى هذا في خطوة سابقة ، لكن الممارسة اليومية أمر بالغ الأهمية. وما يعنيه ذلك بالنسبة لي شخصيًا هو أنني أود أن أفعل شيئًا متعلقًا ببايثون لأن هذه هي لغتي المفضلة. ولكن يمكن أن تكون JavaScript ، أو أي لغة أخرى تهتم بها ، ويمكنك العثور على موارد كافية للتعلم الآلي ومحاولة القيام بشيء متعلق بالتعلم الآلي كل يوم. الآن ، قد لا يكون ذلك مكتملًا ، كما تعلمون ، مشاريع كل يوم ، لأن ذلك قد يستغرق الكثير من الوقت ، خاصة إذا كنت تعمل في مشروع كبير. ولكن قد يكون فهمًا ، على سبيل المثال ، كيفية عمل الوظائف ، أو تشغيل نموذج بناءً على البيانات التاريخية التي لديك ، أو ربما دمج التعلم الآلي في تدقيقك ، وإيجاد طرق جديدة لاختبار التعلم الآلي. لذا فإن الممارسة اليومية أمر بالغ الأهمية. وهو يبقيك متيقظًا ، خاصة لأنه يساعدك في معرفة ما يمكن أن يفعله التعلم الآلي بشكل أساسي. وإذا كنت تعرف ما يمكن أن تفعله ، فعندما تواصل دورك اليومي ، سيكون من الأسهل عليك العثور على فرص لتضمين التعلم الآلي في العمليات. وأريد أن أوضح هنا ، هذا لا يعني أنه يجب أن يكون لديك حلول مؤتمتة بالكامل تعمل بنقرة زر واحدة ويمكنك أتمتة وظيفتك بالكامل. هذا يعني أنه إذا كان بإمكانك تقسيم المشروع المحدد الذي تعمل عليه إلى 10 بتات مختلفة ، وإذا كان بإمكانك مساعدة نفسك في أتمتة أو تضمين التعلم الآلي وربما اثنين من هذه العشر ، فيمكنك حينئذٍ الحصول على مزيد من الوقت للتركيز عليه ناتج بقية هذه 10. أو ربما يمكنك استخدام هذا الوقت أيضًا لمشاريع التقدم الوظيفي ، مثل العمل على قيادتك ، والتواصل ، وأشياء من هذا القبيل. بشكل أساسي ، يتعلق الأمر بمعرفة متى وأين تستخدم التعلم الآلي. وأفضل طريقة للقيام بذلك هي التعرف عليه. لذا فإن الممارسة اليومية هي المفتاح لذلك.

د: وهو ما يقودنا إلى المركز الرابع ، عند مواجهة مهام جديدة ، قم بتقييم حل المهام وخصائص البيانات لفهم ما إذا كان التعلم الآلي ضروريًا على الإطلاق.

4. تقييم المهام الجديدة وحلولها وخصائص البيانات لفهم متى تكون هناك حاجة إلى التعلم الآلي

L: نعم ، مرة أخرى ، شيء تطرقت إليه من قبل. هناك طرق مختلفة يمكنك من خلالها تقييم ما إذا كانت هناك حاجة إلى التعلم الآلي. وقد ذكرت بالفعل هذين المخططات الانسيابية. لكن بشكل أساسي ، كل مهمة تواجهها ، ولنأخذ ، على سبيل المثال ، كتابة أوصاف تعريفية ، لأن هذا شيء نقوم به كثيرًا. حسنًا ، لا ينبغي أن ننفق الكثير من الوقت على ذلك. نحن نعلم أنها ليست مهمة جدًا بالنسبة إلى مُحسّنات محرّكات البحث ، ولكن كجزء من مشروع تحسين على الصفحة ، هذا شيء يجب عليك القيام به ، يجب عليك تحسينها.

دعونا نفكك مهمة هنا. إذا قلت أن بيانات الإدخال نصية ، فهذا يعني نعم ، محتوى الصفحة نصي. وما هي المهمة في هذه الحالة؟ هل هي خاضعة للإشراف أم غير خاضعة للرقابة؟ نحن نعلم أنه غير خاضع للرقابة. نظرًا لعدم وجود طريقة لنا للتحقق من صحة نتائج المخرجات ، يتعين علينا القيام بذلك بأنفسنا ، وليس لدينا طريقة آلية للقيام بذلك. في هذه الحالة ، سنبحث عن نموذج تحويلي ، على سبيل المثال ، أخذ نص الصفحة وتحويله إلى إخراج أقل من 160 حرفًا. لذا فإن أخذ جمل من النص يعني الاستخراج ، أو يمكن أن يكون تلخيصًا أيضًا. ولكن هناك طريقة أخرى للقيام بذلك وهي استخدام نموذج توليدي مثل GPT-3. نعطيها المدخلات ، أي النص الموجود على الصفحة ، وتقوم بإنشاء أوصاف تعريفية وتكتبها من البداية ، بشكل أساسي.

بالعودة إلى ما إذا كانت مهمة حرجة ، نعلم أنها ليست كذلك. لذا فإن التعلم الآلي مفيد لهذا النوع من التمارين. هل من المقبول أحيانًا ، عند تشغيل هذا النموذج لنوع الصفحة نفسه ، أن تحصل على مخرجات مختلفة؟ على سبيل المثال ، إذا قمت بتشغيل النموذج مرتين ، فقد تحصل على وصفين تعريفين مختلفين لنفس الصفحة. هذا جيد تمامًا. يمكننا الاختيار من بينهما. هذه ليست مشكلة على الإطلاق. هل نحتاج إلى شرح لكيفية كتابة هذه الأوصاف التعريفية؟ لا إطلاقا. ولن نحتاج إلى أن نشرح لأصحاب المصلحة كيف فعلنا ذلك. هل يتفوق على الطرق المتوسطة؟ سؤال مهم جدًا عندما تريد تقييم ما إذا كنت تريد استخدام التعلم الآلي ، ويمكننا أن نقول نعم ، بالتأكيد ، لأنه أسرع بكثير إذا كنت تأخذ هذا الإطار وتطبقه على المهام التي تتساءل عما إذا كان يجب عليك استخدامها التعلم الآلي بالنسبة لهم أم لا ، فقد تجد بسرعة كبيرة المهام المناسبة للتعلم الآلي والمهام غير المناسبة. فقط لإعطائك مثالاً ، قد يعتمد ذلك أيضًا على المكانة المتخصصة أيضًا ، لأننا إذا أخذنا نفس المثال المطلق ، للعناوين و H1s ، فقد نقول أنه بالنسبة إلى مكانة غير تنافسية للغاية ، وليست مهمة من حيث إنها ليست أموالك أو نوع حياتك ، فقد نقول إنه بالتأكيد ، نفس الموقف ، ليس مهمًا حرجًا. يمكن أتمتة المهام ، ويمكننا تنفيذ التعلم الآلي ، ولسنا بحاجة إلى تقديم تفسيرات حول كيفية كتابة العناوين و H1s. ولكن إذا قلنا ، على سبيل المثال ، أن عميلنا هو HMRC ، فنحن نعلم أن هذا مهم جدًا لتصحيح هذا الأمر. لا نريد اقتراح بعض العناوين أو H1s أو الأوصاف التعريفية التي ليست في صلب الموضوع تمامًا. لذلك قد تشعر أحيانًا أيضًا أن عميلك أو الصناعة التي تعمل بها ، أو الموقع المحدد الذي تعمل فيه ، قد يكون السبب في عدم تمكنك من تنفيذ بعض هذه الأدوات.

D: أعتقد أن هذا يقودنا بشكل جيد إلى المركز الخامس ، وهو عند العمل مع التعلم الآلي ، وفهم حدوده ، والتدقيق في المخرجات.

5. فهم القيود وفحص مخرجات التعلم الآلي

L: بالتأكيد وهذا مهم جدًا نظرًا لعدد المرات التي اعتقدت فيها أنه يمكن القيام بشيء ما باستخدام التعلم الآلي ، وقمت بتطبيق نموذج أو اختبرت نصًا أو أي شيء من هذا القبيل نظرًا لوجود العديد من البرامج النصية في الخارج. بصراحة ، إذا كنت تعرف كيفية البحث عنها ، فهناك تقريبًا نص برمجي لأي مهمة يمكنك التفكير فيها ، عليك فقط معرفة كيفية تنفيذها على مشكلة معينة في مُحسّنات محرّكات البحث. وكمية المرات التي اختبرت فيها بعضها وانتهى بي الأمر بعدم استخدام الإخراج كثيرة. لذلك أنت بحاجة إلى معرفة ما يمكن أن يفعله التعلم الآلي. في الوقت الحالي ، يعد التعلم الآلي في مرحلة يكون فيها جيدًا جدًا في المهام الضيقة ، ولكن معظم النماذج ، والطريقة التي يتم بها تدريبهم ، وكمبتدئ ، ستقضي معظم الوقت باستخدام النماذج المدربة مسبقًا ، لن تقوم بتدريبهم بنفسك. وهذا موضوع آخر بالكامل من تلقاء نفسه. ولكن إذا كنت تستخدم نماذج مُدرَّبة مسبقًا ، ولا تقوم بتدريبها بنفسك ، فمعظم الوقت سترى أن مجموعة البيانات التي تم تدريبهم عليها ليست مفيدة بشكل خاص لصناعة معينة ، أو أنها ليس بالعمق الذي قد تريده. وهذا هو الحال بشكل خاص بالنسبة للمهام المستندة إلى النصوص مثل البرمجة اللغوية العصبية وأشياء من هذا القبيل.

وهنا ، عليك فقط أن تعرف شيئين. بادئ ذي بدء ، حتى وجود مؤسسة للعمل معها يعد أمرًا جيدًا بما يكفي لامتلاكه. إذا كنت تعرف ذلك ، نعم ، على سبيل المثال ، فإن الأوصاف التعريفية التي أنشأها النموذج ليست جيدة ولكن يمكن إصلاحها. وإذا كنت تعتقد أنه إذا قمت بتحريرها ، فسيكون من الأسرع كثيرًا بالنسبة لك إنشاء الناتج النهائي ، ثم يجب أن تربت على نفسك ، لقد قمت بعمل رائع لأنك وفرت على نفسك الكثير من الوقت ، حتى مع ذلك. وإذا كنت تعتقد أن الناتج ليس مفيدًا على الإطلاق ، فهذا لا يعني أن التعلم الآلي كله غير مفيد. هذا يعني فقط أنه بالنسبة لهذه المهمة المحددة ، لم يكن هذا النموذج المحدد الذي استخدمته مفيدًا. وهذا جيد تمامًا. لأنه يمكنك حتى أن تقول لأصحاب المصلحة أو لعميلك أننا اختبرنا بعض الأساليب ، اختبرنا نهجًا آليًا. ولم تنجح بسبب هذا وهذا السبب. وبعد ذلك يمكنك حتى استخدام مخرجات النموذج للمقارنة والتباين مع المخرجات التي أنتجها فريقك. لذلك في جميع الحالات ، سيؤدي تطبيق التعلم الآلي أو تجربته إلى جعل قضيتك أقوى كثيرًا. عليك فقط أن تعرف متى تقول حسنًا ، لقد جربنا ذلك ، لكنه لم ينجح وكيفية استخدام هذا لصالحك أيضًا.

د: والحديث عن النواتج التي تأخذنا بدقة إلى رقم ستة ، وهو العمل بشكل تعاوني ووضع توقعات معقولة.

6. العمل بشكل تعاوني ووضع توقعات معقولة

ل: هذه الخطوة الأخيرة تدور حول معرفة متى تحتاج إلى مساعدة ومعرفة كيفية الحصول على المساعدة الصحيحة. وهنا أعتقد أن هناك بعض الأشياء التي يمكنك متابعتها حتى تحصل على المساعدة التي تحتاجها. بادئ ذي بدء ، ابحث عن رفيق يتعلم الآلة. شخص من نفس نوع الشخص مثلك. إنهم يعملون في نفس الصناعة. لديهم نفس النوع من المشاكل. وأنتم تفكرون وتواجهون مشاكل وتبحثون عن مهام معًا نوعًا ما. وعندما يجد شخص ما شيئًا مفيدًا للدور ، فإنه يشاركه مع صديقه. إنه يساعدك على أن تظل مسؤولاً عن نفسك ، ويساعدك في الحفاظ على دوافعك وهو أمر جيد حقًا.

الحل الآخر هنا هو الانضمام إلى قبيلة مثل قبيلة التعلم الآلي. مرة أخرى ، سأتصل بجيسون براونلي هنا. لقد أنشأ هذا الرسم البياني ، وهو تقسيم قبائل التعلم الآلي المختلفة الموجودة هناك. وبالنسبة لنا ، بصفتنا مُحسنات محركات البحث ، فنحن ننتمي إما إلى قبيلة تجارية ، لذلك قد يكون هؤلاء مدراء يحاولون معرفة ما إذا كانت الأتمتة أو التعلم الآلي هو الحل الصحيح لمشكلتهم ، أو ما إذا كان يمكن استخدامها لفريقهم ، أو البيانات القبائل ، على سبيل المثال ، محللو البيانات الذين يحاولون أن يكونوا أفضل قليلاً في فهم البيانات. والسبب في أنني ذكرت هذين النوعين من القبائل على وجه التحديد ، هو أنك إذا كنت في مجموعة أو مجتمع من هذا القبيل ، فأنت تعلم أن الأشخاص هناك يحاولون العثور على نفس النوع من النتائج ، لكن نهجهم في حل المشكلة مشابه إليك. لذلك لن يتم فحصك ، على سبيل المثال ، إذا كنت لا تعرف المفاهيم المتقدمة المتعلقة بالبرمجة أو الرياضيات الكامنة وراء نموذج التعلم الآلي. ستكون محاطًا بأشخاص متعاطفين جدًا مع نوع التحديات التي تواجهك. وقد تكون هذه تحديات مختلفة. على سبيل المثال ، إذا كنت في مجتمع مع مطوري Python ، وكنت تسأل ، لماذا لا يعمل نموذجي ، واتضح أنه فاصلة أو شيء من هذا القبيل. قد تشعر بمزيد من التدقيق ، وقد تكون الردود على استفسارك أقسى قليلاً ، ولا نريدك أن تشعر بعدم التحفيز. لهذا السبب أؤكد على إيجاد النوع الصحيح من المجتمع أو النوع الصحيح من القبيلة.

والشيء الثالث هو ، وأعتقد أن هذا شيء يجب عليك تطبيقه ، بغض النظر عن النهج الذي تختاره. يجب أن يكون هذا مجرد الوصول إلى المطورين كلما أمكن ذلك ، كلما شعرت أنك لا تستطيع حل الاستعلام بنفسك. إذا كنت قد أمضيت ست ساعات على StackOverflow ، وكنت عالقًا في خطأ واحد فقط ، وتشعر بأنك غير متحمس للغاية ، فما عليك سوى التواصل مع شخص ما ، فهناك الكثير من مطوري Python ذوي المهارات الفائقة ، حتى في مجتمع تحسين محركات البحث (SEO). إذا تواصلت معهم ، فقد يكونون قد واجهوا بالفعل مشكلة من هذا القبيل حتى يتمكنوا من إعطائك الاتجاهات. وأنا لا أقول التواصل معهم ، حتى يتمكنوا من كتابة السيناريو الخاص بك. لكن يمكنهم فقط إرشادك في الاتجاه الصحيح. وهذا يمكن أن يكون ملهمًا ومحفزًا للغاية أيضًا.

D: Lazarina ، كان ذلك رائعًا تمامًا. أعلم أنه يمكنك التحدث لأسابيع عن التعلم الآلي لتحسين محركات البحث. كان ذلك مجرد مقدمة موجزة. لكنه يوضح حقًا معرفتك. وأنا متأكد من أنه يمكنك الغوص في مناطق محددة. سيكون من الرائع إعادتك في وقت ما ، ربما يمكننا إعادتك والغوص في شيء مثل Python لتحسين محركات البحث أو أي موضوع آخر أكثر تخصصًا هناك.

مخلل باريتو - تحليل SERP للفرص الجديدة

دعونا ننتهي من مخلل باريتو. يقول باريتو أنه يمكنك الحصول على 80٪ من نتائجك من 20٪ من جهودك. ما هو نشاط تحسين محركات البحث الذي تنصح به والذي يوفر نتائج مذهلة لمستويات متواضعة من الجهد؟

L: لقد فكرت في هذا كثيرًا. وأردت أن أقول شيئًا أعتقد أنني لم أره كثيرًا. وبالنسبة لي ، إنه تحليل SERP. لدينا الكثير من الفرص لتحليل صفحات نتائج محرك البحث ، وخاصة على نطاق واسع. لذلك إذا كنت قد أجريت بالفعل بحثًا عن الكلمات الرئيسية الخاصة بك ، وكنت تعرف الكلمات الرئيسية التي ربما يتم ترتيب موقعك فيها ، وتلك التي لا يقوم الموقع بترتيبها ، وفجوة المحتوى وكل شيء. أود أن أقول أنه إذا كان بإمكانك إجراء تحليل SERP واسع النطاق للغاية ، باستخدام أداة مثل DataForSEO ، بهذه الطريقة ، يمكنك الحصول على صورة جيدة جدًا للسوق. مثل من يقوم بالترتيب في المكان ، وما هي العلامات التجارية التي تتنافس معها ، وكيف يتم بناء عناوينها ، وأوصافها التعريفية ، ومدة محتواها ، وجميع أنواع التحليل من هذا القبيل. وإذا كنت تعرف في هذا المستوى متى وأين يتم تنفيذ التعلم الآلي ، فإن هذا النشاط وحده سيؤثر على استراتيجية المحتوى بالكامل. وسيبقيك على المسار الصحيح حتى تظل قادرًا على المنافسة لاحقًا أيضًا. لذلك فهو شيء تفعله مرة واحدة لهذا العميل المحدد وتحميه ويمكنك استخدام هذا لمدة شهرين بعد ذلك لإرشادك والتأثير عليك في العديد من الاستراتيجيات الأخرى التي ستفعلها.

D: أريد حقًا الغوص في ذلك. أريد أن أستمر وأطرح عليك المزيد من الأسئلة. لكنني أعلم أن ذلك سيستغرق نصف ساعة إضافية أو نحو ذلك وليس لدينا الوقت للقيام بذلك الآن. نأمل أن نعيدك مرة أخرى في حلقة قادمة. في الوقت الراهن. لقد كنت مضيفك ديفيد باين. شكرًا جزيلاً على مشاركتك في بودكاست In Search SEO.

L: أشكرك كثيرًا على استضافتي يا ديفيد. لقد كانت من دواعي سروري.

D: وشكرا لك على الاستماع.