เริ่มต้นใช้งานแมชชีนเลิร์นนิงใน SEO กับ Lazarina Stoy

คุณใช้ SEO แบบอัตโนมัติมากแค่ไหน? และคุณรู้หรือไม่ว่าการทำสิ่งที่คุณกำลังทำอยู่โดยอัตโนมัติจะช่วยให้คุณทำได้เร็วขึ้นและมีระดับความแม่นยำมากขึ้น

วันนี้ เรากำลังพูดถึงหกขั้นตอนใน การเริ่มต้นใช้งาน แมชชีนเลิร์นนิงใน SEO โดยมีผู้จัดการ SEO ที่เชี่ยวชาญในด้านเทคนิคและข้อมูลทั้งหมด นอกจากนี้ เธอยังเป็นผู้สร้างเนื้อหา แชร์แดชบอร์ด สคริปต์ และเครื่องมือที่มีประโยชน์อื่นๆ ของ Data Studio ซึ่งช่วยให้ SEO คนอื่นๆ ทำงานได้อย่างมีประสิทธิภาพมากขึ้นเล็กน้อย ยินดีต้อนรับสู่ SEO และผู้จัดการด้านวิทยาศาสตร์ข้อมูลที่ Intrepid Digital, Lazarina Stoy

ขั้นตอนคือ:

1. เข้าใจความเชื่อที่จำกัดของคุณและเอาชนะมัน
2. ทำความเข้าใจข้อมูลจำเพาะของงานทั่วไป ข้อมูลจำเพาะของโซลูชัน และข้อมูลจำเพาะของข้อมูลในการเรียนรู้ของเครื่อง
3. ฝึกฝนทุกวันและเริ่มเคลื่อนไหว
4. ประเมินงานใหม่ โซลูชัน และคุณลักษณะของข้อมูลเพื่อทำความเข้าใจเมื่อจำเป็นต้องมีการเรียนรู้ของเครื่อง
5. ทำความเข้าใจกับข้อจำกัดและกลั่นกรองผลลัพธ์ของการเรียนรู้ของเครื่อง
6. ทำงานร่วมกันและกำหนดความคาดหวังที่สมเหตุสมผล

SEO แมชชีนเลิร์นนิง

ลาซาริน่า:สวัสดีค่ะ มีความสุขที่ได้อยู่ที่นี่ สวัสดี

D: ดีใจที่มีคุณอยู่ที่นี่ คุณสามารถหา Lazarina ได้ที่ lazarinastoy.com แล้ว Lazarina อีกนานไหมกว่าเครื่องจะเข้าครอบงำ SEO?

L: ฉันหวังว่าในระยะเวลานาน เราจำเป็นต้องยึดเครื่องจักรเพื่อให้มีประสิทธิภาพมากขึ้น ฉันหวังว่าพวกเขาจะไม่ได้ครอบครองเรา

D: บางทีการเชื่อมโยงทางประสาทกับสมองอาจช่วยได้

L: ใช่ เราจะดีกว่าพวกเขามาก เราแค่ต้องใช้ให้ถูกวิธี ช่องทางที่เราต้องการ

D: มีแง่บวกบางอย่างสำหรับคุณ วันนี้เราจะมาพูดถึง 6 ขั้นตอนในการเริ่มต้นใช้งานแมชชีนเลิร์นนิงใน SEO เริ่มต้นด้วยอันดับหนึ่ง เข้าใจความเชื่อที่จำกัดของคุณและเอาชนะมัน

1. เข้าใจความเชื่อที่จำกัดของคุณและเอาชนะมัน

L: ขั้นตอนเล็กๆ น้อยๆ นี้เกี่ยวกับการคิดจริงๆ เกี่ยวกับสิ่งที่ขัดขวางไม่ให้คุณไล่ตามการเรียนรู้ของเครื่องจริงๆ อีกสักหน่อย อะไรที่ขัดขวางไม่ให้คุณเริ่มต้นใช้งานระบบอัตโนมัติ SEO และทำสิ่งที่เป็นสคริปต์และเครื่องมือใหม่ๆ ที่แปลกใหม่ และสิ่งต่างๆ เช่นนั้น เพราะบ่อยครั้ง ฉันได้ยินผู้คนมากมายที่ได้รับแรงบันดาลใจจากเทคโนโลยีใหม่จริงๆ และพวกเขาต้องการลองใช้ แต่พวกเขามีความเชื่อที่จำกัดเหล่านี้ซึ่งขัดขวางไม่ให้พวกเขาทำเช่นนั้น และไม่ใช่สิ่งที่ไม่เหมือนใครหรือเฉพาะเจาะจงสำหรับอุตสาหกรรม SEO อันที่จริง นี่คือสิ่งที่ได้รับการยอมรับอย่างกว้างขวางในชุมชนการเรียนรู้ของเครื่องด้วย เพราะเป็นปัญหาที่นักพัฒนาจำนวนมากมีจริง ๆ เนื่องจากพวกเขาไม่ได้เริ่มด้วยการเรียนรู้ด้วยเครื่องด้วยตนเอง

ที่จริงแล้ว Jason Brownlee นักวิทยาศาสตร์ด้านข้อมูลที่มีชื่อเสียงมากในชุมชนแมชชีนเลิร์นนิง ได้สร้างรายการความเชื่อที่จำกัดบางอย่าง หรือเหตุผลบางประการที่ทำให้คุณยังไม่เริ่มต้น และถ้าผมต้องพูดเป็นประโยค มันก็มักจะเป็นสิ่งที่เราพูดกับตัวเอง เช่น คุณต้องเป็นผู้เชี่ยวชาญ Python เพื่อเริ่มต้น หรือเป็นผู้เชี่ยวชาญด้านการเขียนโปรแกรมเพื่อเริ่มต้น หรือคุณต้องรู้สาขาการเรียนรู้ของเครื่องจาก A ถึง Z. หรือสิ่งที่แต่ละอัลกอริทึมทำเพื่อเริ่มต้น หรือบางทีคุณอาจต้องมีเวลาว่างมากในการเริ่มต้น หรือต้องมีเวลาว่างในตารางเวลา หรือพีซีที่สมบูรณ์แบบ หรืออะไรก็ตามที่คุณอาจกำลังบอกตัวเอง สิ่งที่ยากที่สุดที่จะเอาชนะได้คือคุณคิดว่าการเริ่มต้นนั้นยากหรือท้าทายมาก ในขณะที่ผู้เชี่ยวชาญด้านแมชชีนเลิร์นนิงส่วนใหญ่จะบอกคุณว่าการดำเนินการโมเดลการเรียนรู้ด้วยเครื่องนั้นต้องใช้โค้ดสามบรรทัดอย่างแท้จริง มันเกี่ยวกับการทำความเข้าใจข้อมูลของคุณ และการรู้ว่าคุณสามารถนำไปใช้ที่ไหนและเมื่อไหร่ นั่นเป็นส่วนที่ยาก

ดังนั้นการเอาชนะความเชื่อที่จำกัดเหล่านี้เป็นขั้นตอนแรก เพราะจริงๆ แล้ว การเริ่มต้นไม่ใช่เรื่องยาก คุณสามารถเรียนรู้ด้วยเครื่อง Google และบทช่วยสอน 10 นาที และเริ่มสิ่งเล็กๆ น้อยๆ และสร้างนิสัยได้ทุกวัน และด้วยวิธีการนี้ หากคุณเพียงแค่รอที่จะเริ่มต้นและคุณรู้สึกถึงข้อจำกัดทางจิตใจในขณะที่คุณยังไม่ได้เริ่ม คุณจะเห็นว่ามันเป็นขั้นตอนเล็กๆ ที่คุณต้องทำ คุณเพียงแค่ต้องจองตารางเวลาของคุณ 10 นาทีและเริ่มต้น และเมื่อคุณรันสคริปต์หรือการติดตั้งครั้งแรก ไลบรารี่ และทุกอย่าง คุณจะเห็นว่ามันไม่ได้ยากขนาดนั้น จากนั้นเกมก็เปลี่ยนไปเล็กน้อย คุณแค่ต้องดูว่าคุณจะนำแบบจำลองไปใช้กับชีวิตประจำวันของ SEO ได้ที่ไหนบ้าง และนั่นคือส่วนที่สนุกที่จะซื่อสัตย์

ด: เข้าใจแล้ว โดยพื้นฐานแล้ว สิ่งที่คุณพูดคืออย่าให้เทคโนโลยีหยุดคุณไม่ให้ทำสิ่งต่างๆ คุณไม่จำเป็นต้องเข้าใจทุกแง่มุมของเทคโนโลยีก่อนที่จะเริ่มต้นใช้งานจริง

L: มันเหมือนกับในสาขา SEO ที่คุณไม่จำเป็นต้องเข้าใจทุกอย่างเพื่อที่จะได้ก้าวผ่านประตูเข้ามา คุณเพียงแค่ต้องมีความหลงใหลและความปรารถนาที่จะทำมัน

D: ฉันคิดว่าความท้าทายคือ SEO จำนวนมากมีความคิดที่พวกเขาต้องการเข้าใจทุกอย่างก่อนที่จะทำอะไร ฉันคิดว่าพวกเขามีสมองแบบนั้น ที่พวกเขาต้องเข้าใจเหตุผลก่อนที่จะทำอะไรซักอย่าง

ข้อที่สองคือการทำความเข้าใจข้อกำหนดทั่วไปของงาน ข้อมูลจำเพาะของโซลูชัน และข้อกำหนดข้อมูลในการเรียนรู้ของเครื่อง

2. ทำความเข้าใจข้อมูลจำเพาะของงานทั่วไป ข้อมูลจำเพาะของโซลูชัน และข้อมูลจำเพาะของข้อมูลในการเรียนรู้ของเครื่อง

L: ใช่ ฉันจะเริ่มด้วยข้อมูลก่อน คุณจำเป็นต้องรู้เมื่อคุณกำลังค้นหาสิ่งใดสิ่งหนึ่งโดยเฉพาะ... สมมติว่า คุณผ่านขั้นตอนที่หนึ่งไปแล้ว คุณมีการฝึกฝนประจำวัน บางทีอาจเป็นบทเรียน 10 นาที คุณเห็นว่านี่เจ๋งและแฟนซีมาก และคุณก็เคย ทำชั่วขณะหนึ่ง และตอนนี้คุณต้องเผชิญกับงานในชีวิตประจำวันของคุณ และคุณต้องการดูว่าแมชชีนเลิร์นนิงเป็นวิธีแก้ปัญหาที่ถูกต้องหรือไม่เพื่อช่วยให้คุณเอาชนะความท้าทายที่คุณกำลังเผชิญอยู่ สามสิ่งที่คุณต้องคำนึงถึงคือลักษณะข้อมูลที่คุณมี คือชุดข้อมูลที่คุณจะนำการเรียนรู้ของเครื่องไปใช้ และนั่นอาจเป็นข้อความ ข้อมูลตัวเลข หรืออาจเป็นข้อมูลแบบรูปภาพก็ได้ แต่เรากำลังพูดถึงสถานการณ์เริ่มต้นที่นี่ แน่นอนว่าคุณมีสิ่งอื่น เช่น การเรียนรู้ของเครื่องแบบต่อเนื่องหลายรูปแบบ ซึ่งคุณใช้ไฟล์วิดีโอหรือเสียง และคุณใช้การเรียนรู้ของเครื่องกับสิ่งเหล่านี้ แต่เรากำลังพูดถึงกรณีของผู้เริ่มต้นที่นี่ และโดยส่วนใหญ่ ในฐานะ SEO งานที่เรามอบให้กับโมเดลจะเป็นแบบข้อความ ตัวอย่างเช่น เนื้อหาบนหน้า หรือจะเป็นตัวเลข ตัวอย่างเช่น หากคุณกำลังพยายามคาดการณ์การเข้าชมที่เกิดขึ้นเอง หรือคุณกำลังพยายามคาดการณ์จำนวนคลิกที่คุณจะได้รับ และอื่นๆ เช่นนั้น

และเมื่อพูดถึงลักษณะงาน เรารู้ว่ามีสองสาขาหลักในการเรียนรู้ของเครื่อง คือ มีการควบคุมดูแลและไม่ได้รับการดูแล และเราจำเป็นต้องรู้โมเดลหลักที่คุณสามารถ ในกรณีทั่วไป ใช้สำหรับประเภทงานเฉพาะเหล่านี้ ดังนั้น สำหรับเรา การเรียนรู้ภายใต้การดูแลหมายความว่าคุณได้ติดป้ายกำกับข้อมูลเพื่อตรวจสอบความถูกต้องของผลลัพธ์ของแบบจำลอง และ unsupervised หมายถึง ตรงกันข้าม คุณไม่มีวิธีตรวจสอบผลลัพธ์ ในการเรียนรู้ภายใต้การดูแล คุณมีสิ่งต่างๆ เช่น การถดถอย ซึ่งเกี่ยวกับการทำนาย หรือการจัดหมวดหมู่ ซึ่งหมายถึงการแบ่งกลุ่มตามชั้นเรียนที่มีอยู่

เพียงเพื่อให้คุณยกตัวอย่างของทั้งสองสิ่งนี้ การคาดคะเนที่เราได้พูดคุยกันไปแล้ว เช่น การทำนายปริมาณการใช้ข้อมูลทั่วไปหรือสิ่งต่างๆ เช่นนั้น ถือเป็นกรณีที่ดี โดยเฉพาะอย่างยิ่งเมื่อคุณทำงานกับข้อมูลขนาดใหญ่ หรือการแบ่งประเภทออกเป็นกลุ่มๆ ตัวอย่างเช่น หากคุณมีส่วนหนึ่งของบล็อกที่คุณได้จัดหมวดหมู่ตามหมวดหมู่เฉพาะแล้ว และคุณมีเนื้อหาใหม่ที่คุณต้องการจัดประเภทเป็นกลุ่มเฉพาะเหล่านี้ คุณสามารถใช้การจัดประเภทเพื่อช่วยคุณได้ ในการเรียนรู้ภายใต้การดูแล คุณมีการลดมิติข้อมูลแบบคลัสเตอร์ ซึ่งล้ำหน้ากว่าเล็กน้อย ซึ่งคุณอาจจะใช้ เช่น เมื่อคุณมีชุดข้อมูลขนาดใหญ่มาก หรือเมื่อคุณมีปัญหาที่คุณไม่ได้จริงๆ มีวิธีการตรวจสอบ และบ่อยครั้ง คุณอาจรวมทั้งสองวิธีเข้าด้วยกันได้เช่นกัน

เมื่อพูดถึงคุณลักษณะของโซลูชัน สิ่งสำคัญที่สุดที่ต้องทราบคือเมื่อใดและที่ใดที่คุณควรใช้การเรียนรู้ของเครื่อง ในเว็บไซต์และบล็อกของฉัน สำหรับ Beginner's Guide to Machine Learning ฉันได้ระบุผังงานสองสามแผนผังที่สามารถช่วยให้คุณดำเนินการตามขั้นตอนของการนำการเรียนรู้ของเครื่องไปใช้และไม่ว่าจะเป็นกรณีการใช้งานที่ถูกต้องหรือไม่ ตัวอย่างเช่น หากคุณไม่ได้ทำงานกับข้อมูลขนาดใหญ่ นั่นไม่ใช่การเรียนรู้ของเครื่อง แต่สามารถทำได้อย่างแท้จริงในสเปรดชีตและหรือใน Google ชีตที่มีสูตรทางสถิติสองสามสูตร เพราะโดยพื้นฐานแล้ว โมเดลการเรียนรู้ของเครื่องส่วนใหญ่จะเป็นเช่นนั้น สถิติ. และใช่ ถ้ามันมีความสำคัญต่อภารกิจ เช่นเดียวกับงานที่คุณทำ คุณไม่ควรพึ่งพาการเรียนรู้ของเครื่องเลย และถ้าคุณต้องการเกี่ยวข้องกับผู้มีส่วนได้ส่วนเสียของคุณ วิธีการบรรลุผล หรืออาจพยายามอธิบายหรือทำซ้ำผลลัพธ์ของแบบจำลองนั้น มีบางรุ่นที่คุณควรหลีกเลี่ยง เช่น การเรียนรู้ด้วยเครื่องภายใต้การดูแล หรือการเรียนรู้เชิงลึก เพราะส่วนใหญ่ทำงานเหมือนกล่องดำ และมันก็ค่อนข้างยาก โดยเฉพาะอย่างยิ่งกับข้อมูลขนาดใหญ่ที่จะทำซ้ำสิ่งที่ตัวแบบทำเพื่อให้ได้ผลลัพธ์

มีอาหารมากมายให้คิดที่นี่ แต่ฉันแค่อยากจะบอกว่าถ้าคุณเข้าใจสามสิ่งนี้ และคุณสามารถพูดสำหรับปัญหาเฉพาะของคุณว่า "เอาล่ะ ข้อมูลของฉันเป็นแบบข้อความ แบบจำลองที่ฉันต้องการคือ มันเหมือนกับว่าคุณต้องระบุว่าข้อมูลของคุณคืออะไร งานของคุณคืออะไร และคุณต้องเข้าใจว่าคุณต้องการหาโซลูชันประเภทใด และถ้าคุณทำได้ ก็จะง่ายขึ้นมาก เพื่อค้นหาแหล่งข้อมูลที่เหมาะสมเพื่อช่วยให้คุณบรรลุเป้าหมาย

D: และข้อที่สามคือการเปิดใช้งานการฝึกฝนรายวันและเริ่มทำการเคลื่อนไหว

3. ฝึกฝนทุกวันและเริ่มเคลื่อนไหว

L: ฉันคิดว่าฉันได้สัมผัสสิ่งนี้ในขั้นตอนที่แล้ว แต่การฝึกฝนทุกวันเป็นสิ่งสำคัญ และความหมายสำหรับฉันเป็นการส่วนตัวคือ ฉันต้องการทำบางสิ่งที่เกี่ยวข้องกับ Python เพราะนั่นคือภาษาที่ฉันถนัด แต่อาจเป็นจาวาสคริปต์ เป็นภาษาอะไรก็ได้ที่คุณสนใจ และคุณสามารถหาทรัพยากรเพียงพอสำหรับการเรียนรู้ของเครื่องและลองทำสิ่งที่เกี่ยวข้องกับการเรียนรู้ของเครื่องทุกวัน ตอนนี้ อาจไม่เต็มจอ คุณรู้ โครงการทุกวัน เพราะอาจใช้เวลามาก โดยเฉพาะอย่างยิ่งถ้าคุณกำลังทำงานในโครงการใหญ่ แต่อาจเป็นความเข้าใจ เช่น ฟังก์ชันทำงานอย่างไร อาจใช้แบบจำลองโดยอิงจากข้อมูลในอดีตที่คุณมี หรืออาจรวมแมชชีนเลิร์นนิงเข้าไว้ในการตรวจสอบของคุณ ค้นหาวิธีใหม่ๆ ในการทดสอบแมชชีนเลิร์นนิง ดังนั้นการฝึกฝนทุกวันจึงเป็นสิ่งสำคัญ และช่วยให้คุณมีสมาธิ โดยเฉพาะอย่างยิ่งเพราะช่วยให้คุณค้นหาว่าการเรียนรู้ของเครื่องทำอะไรได้บ้าง และถ้าคุณรู้ว่ามันทำอะไรได้บ้าง เมื่อคุณทำตามหน้าที่ในแต่ละวัน คุณจะพบโอกาสในการฝังแมชชีนเลิร์นนิงไว้ในกระบวนการได้ง่ายขึ้นมาก และฉันต้องการเน้นที่นี่ ไม่ได้หมายความว่าคุณควรจะมีโซลูชันแบบอัตโนมัติทั้งหมดที่ทำงานด้วยการคลิกปุ่มเพียงปุ่มเดียว และคุณสามารถทำให้งานของคุณเป็นแบบอัตโนมัติได้อย่างเต็มที่ หมายความว่าถ้าคุณสามารถแบ่งโปรเจ็กต์เฉพาะที่คุณกำลังทำงานเป็น 10 บิตที่แตกต่างกัน และถ้าคุณสามารถช่วยตัวเองอัตโนมัติหรือฝังแมชชีนเลิร์นนิงและอาจมีสองใน 10 อย่างนี้ คุณก็จะมีเวลามากขึ้นที่จะมุ่งเน้น ผลลัพธ์ที่เหลือจาก 10 ข้อนี้ หรือคุณอาจใช้เวลานี้กับโครงการที่ก้าวหน้าในอาชีพ เช่น ทำงานกับความเป็นผู้นำ การสื่อสาร และอื่นๆ เช่นนั้น โดยพื้นฐานแล้ว มันเกี่ยวกับการรู้ว่าจะใช้การเรียนรู้ของเครื่องเมื่อใดและที่ไหน และวิธีที่ดีที่สุดที่จะทำคือทำความคุ้นเคยกับมัน ดังนั้นการฝึกฝนทุกวันจึงเป็นกุญแจสำคัญสำหรับสิ่งนั้น

D: ซึ่งนำเราไปสู่อันดับที่สี่ เมื่อพบกับงานใหม่ ให้ประเมินโซลูชันงานและคุณลักษณะของข้อมูลเพื่อทำความเข้าใจว่าการเรียนรู้ของเครื่องจำเป็นจริงๆ หรือไม่

4. ประเมินงานใหม่ โซลูชัน และลักษณะข้อมูลเพื่อทำความเข้าใจเมื่อจำเป็นต้องเรียนรู้ของเครื่อง

L: ใช่ อีกครั้ง บางอย่างที่ฉันเคยสัมผัสมาก่อน มีหลายวิธีที่คุณสามารถประเมินว่าแมชชีนเลิร์นนิงจำเป็นหรือไม่ และฉันได้กล่าวถึงแผนผังลำดับงานคู่นั้นแล้ว แต่โดยพื้นฐานแล้ว ทุกงานที่คุณพบ ตัวอย่างเช่น การเขียนคำอธิบายเมตา เพราะนั่นเป็นสิ่งที่เราทำค่อนข้างบ่อย เราไม่ควรใช้เวลากับมันมากเกินไป เรารู้ว่าสิ่งเหล่านี้ไม่สำคัญสำหรับ SEO แต่ในฐานะที่เป็นส่วนหนึ่งของโครงการเพิ่มประสิทธิภาพในหน้า นั่นคือสิ่งที่คุณควรทำ คุณควรปรับให้เหมาะสม

มาแยกโครงสร้างงานกันที่นี่ หากคุณบอกว่าข้อมูลที่ป้อนเป็นข้อความ แสดงว่าใช่ เนื้อหาของหน้าเป็นข้อความ และงานในกรณีนั้นคืออะไร? มันอยู่ภายใต้การดูแลหรือไม่อยู่ภายใต้การดูแล? เรารู้ว่าไม่มีการควบคุมดูแล เนื่องจากไม่มีทางที่เราจะตรวจสอบผลลัพธ์ของผลลัพธ์ได้ เราจึงต้องทำเอง เราไม่มีวิธีการอัตโนมัติที่จะทำ ในกรณีนั้น เราจะมองหาแบบจำลองที่สามารถเปลี่ยนแปลงได้ เช่น การนำข้อความของหน้าไปแปลงเป็นเอาต์พุตที่น้อยกว่า 160 อักขระ ดังนั้นการนำประโยคจากข้อความมาหมายถึงการแยกหรืออาจเป็นการสรุปได้เช่นกัน แต่อีกวิธีในการทำเช่นนี้คือการใช้แบบจำลองกำเนิดเช่น GPT-3 เราให้ข้อมูลป้อนเข้า กล่าวคือ ข้อความบนหน้า และสร้างคำอธิบายเมตาและเขียนตั้งแต่เริ่มต้น

ย้อนกลับไปดูว่าภารกิจสำคัญหรือไม่ เรารู้ว่ามันไม่ใช่ ดังนั้นแมชชีนเลิร์นนิงจึงดีสำหรับการออกกำลังกายประเภทนี้ เป็นไปได้ไหมที่บางครั้ง เมื่อคุณเรียกใช้โมเดลนี้สำหรับเพจประเภทเดียวกัน คุณอาจได้ผลลัพธ์ที่แตกต่างกัน ตัวอย่างเช่น หากคุณเรียกใช้โมเดลสองครั้ง คุณอาจได้รับคำอธิบายเมตาที่แตกต่างกันสองรายการสำหรับหน้าเดียวกัน ไม่เป็นไรอย่างแน่นอน เราเลือกได้ทั้งสองอย่าง นั่นไม่ใช่ปัญหาเลย เราต้องการคำอธิบายว่าเราเขียนคำอธิบายเมตาเหล่านี้อย่างไร ไม่เลย. และเราไม่จำเป็นต้องอธิบายให้ผู้มีส่วนได้ส่วนเสียของเราทราบว่าเราได้ทำสิ่งนี้อย่างไร มันมีประสิทธิภาพดีกว่าวิธีการเฉลี่ยหรือไม่? คำถามที่สำคัญมากเมื่อต้องการประเมินว่าคุณต้องการใช้การเรียนรู้ของเครื่องหรือไม่ และเราสามารถตอบตกลงได้อย่างแน่นอน เพราะจะเร็วกว่ามากหากคุณนำกรอบนี้ไปใช้กับงานที่คุณสงสัยว่าควรใช้หรือไม่ แมชชีนเลิร์นนิงสำหรับพวกเขาหรือไม่ จากนั้นคุณอาจพบได้อย่างรวดเร็วว่างานใดเหมาะสำหรับการเรียนรู้ของเครื่องและงานใดไม่ แค่ยกตัวอย่างที่อาจขึ้นอยู่กับเฉพาะกลุ่มด้วย เพราะถ้าเราเอาตัวอย่างที่เหมือนกันเป๊ะๆ สำหรับ Title และ H1 เราอาจจะพูดได้ว่าสำหรับ niche ที่ไม่มีคู่แข่งมาก ไม่สำคัญในแง่ของ ไม่ใช่เรื่องประเภทเงินหรือชีวิตของคุณ เราอาจกล่าวได้ว่าจุดยืนเดียวกันนี้ไม่ได้มีความสำคัญต่อภารกิจ งานสามารถเป็นแบบอัตโนมัติได้ เราสามารถใช้การเรียนรู้ของเครื่อง และเราไม่จำเป็นต้องให้คำอธิบายว่าเราเขียนชื่อและ H1 อย่างไร แต่ถ้าเราพูดว่า ลูกค้าของเราคือ HMRC เรารู้ว่าสิ่งนี้สำคัญมากที่จะทำให้ถูกต้อง เราไม่ต้องการที่จะแนะนำชื่อหรือ H1 หรือคำอธิบายเมตาบางรายการที่ไม่ตรงประเด็น ดังนั้นคุณอาจรู้สึกว่าบางครั้งลูกค้าของคุณหรืออุตสาหกรรมที่คุณทำงานอยู่ หรือไซต์เฉพาะที่คุณกำลังทำงานอยู่ อาจเป็นสาเหตุที่ทำให้คุณใช้เครื่องมือเหล่านี้ไม่ได้

D: ฉันคิดว่านั่นนำเราไปสู่อันดับที่ 5 ได้ค่อนข้างดี ซึ่งก็คือเมื่อทำงานกับการเรียนรู้ของเครื่อง ทำความเข้าใจข้อจำกัดของมัน และพิจารณาผลลัพธ์อย่างละเอียด

5. เข้าใจข้อจำกัดและกลั่นกรองผลลัพธ์ของการเรียนรู้ของเครื่อง

L: แน่นอน และอันนี้สำคัญมาก เพราะหลายครั้งที่ฉันคิดว่าบางสิ่งสามารถทำได้ด้วยการเรียนรู้ของเครื่อง และฉันได้ใช้โมเดลหรือทดสอบสคริปต์หรืออะไรทำนองนั้น เพราะมีสคริปต์มากมาย ข้างนอกนั้น. จริงๆ แล้ว ถ้าคุณรู้วิธีค้นหามัน ก็เกือบจะมีสคริปต์สำหรับงานใดๆ ที่คุณนึกถึง คุณเพียงแค่ต้องรู้วิธีนำไปใช้กับปัญหาเฉพาะใน SEO และจำนวนครั้งที่ฉันได้ทดสอบบางอย่างและจบลงด้วยการไม่ใช้เอาต์พุตก็มีมาก ดังนั้นคุณจำเป็นต้องรู้ว่าการเรียนรู้ของเครื่องทำอะไรได้บ้าง ตอนนี้แมชชีนเลิร์นนิงอยู่ในขั้นที่มันเก่งมากในงานแคบๆ แต่โมเดลส่วนใหญ่ วิธีที่พวกเขาฝึกฝน และในฐานะมือใหม่ คุณจะใช้เวลาส่วนใหญ่กับโมเดลที่ฝึกไว้ล่วงหน้า จะไม่ไปฝึกพวกเขาเอง และนั่นเป็นหัวข้ออื่นทั้งหมดด้วยตัวมันเอง แต่ถ้าคุณกำลังใช้แบบจำลองที่ได้รับการฝึกมาล่วงหน้า และคุณไม่ได้ฝึกฝนด้วยตนเอง ส่วนใหญ่แล้วคุณจะเห็นว่าชุดข้อมูลที่พวกเขาได้รับการฝึกอบรมนั้นไม่ได้มีประโยชน์เฉพาะสำหรับอุตสาหกรรมนั้นๆ หรือ ไม่เจาะลึกอย่างที่คุณต้องการ โดยเฉพาะอย่างยิ่งสำหรับงานที่เป็นข้อความ เช่น NLP และสิ่งต่างๆ เช่นนั้น

และที่นี่ คุณเพียงแค่ต้องรู้สองสิ่ง อย่างแรกเลย แม้แต่การมีพื้นฐานในการทำงานด้วยก็ยังดีพอที่จะมีได้ หากคุณรู้ว่าใช่ ตัวอย่างเช่น คำอธิบายเมตาที่โมเดลสร้างขึ้นนั้นไม่ดีเท่าที่ควร แต่สามารถแก้ไขได้ และถ้าคุณคิดว่า ถ้าคุณแก้ไขมัน การสร้างผลลัพธ์สุดท้ายจะเร็วขึ้นมาก คุณควรตบหลังตัวเอง คุณทำได้ดีมาก เพราะคุณช่วยตัวเองได้มากมาย เวลาแม้กระทั่งกับสิ่งนั้น และถ้าคุณคิดว่าผลลัพธ์ไม่มีประโยชน์เลย ไม่ได้หมายความว่าแมชชีนเลิร์นนิงทั้งหมดจะไม่มีประโยชน์ นั่นก็หมายความว่าสำหรับงานเฉพาะนี้ โมเดลเฉพาะที่คุณใช้ไม่มีประโยชน์ และก็ไม่เป็นไร เนื่องจากคุณสามารถพูดกับผู้มีส่วนได้ส่วนเสียหรือลูกค้าของคุณว่าเราได้ทดสอบวิธีการสองสามวิธี เราจึงทดสอบวิธีการแบบอัตโนมัติ และมันไม่ได้ผลด้วยเหตุนี้และด้วยเหตุนี้ จากนั้นคุณยังสามารถใช้เอาต์พุตของโมเดลเพื่อเปรียบเทียบและเปรียบเทียบผลลัพธ์ที่ทีมของคุณสร้างขึ้นได้ ดังนั้นในทุกกรณี การนำไปใช้หรือลองใช้แมชชีนเลิร์นนิงจะทำให้กรณีของคุณแข็งแกร่งขึ้นมาก คุณแค่ต้องรู้ว่าเมื่อไหร่จะพูดว่าโอเค เราพยายามแล้ว แต่มันใช้งานไม่ได้และจะใช้สิ่งนี้ให้เป็นประโยชน์ได้อย่างไร

D: และพูดถึงผลงานที่นำเราไปสู่อันดับที่ 6 อย่างเรียบร้อย ซึ่งก็คือการทำงานร่วมกันและกำหนดความคาดหวังที่สมเหตุสมผล

6. ทำงานร่วมกันและกำหนดความคาดหวังที่สมเหตุสมผล

L: ขั้นตอนสุดท้ายนี้เป็นข้อมูลเกี่ยวกับการรู้ว่าคุณต้องการความช่วยเหลือเมื่อใด และทราบวิธีรับความช่วยเหลือที่ถูกต้องได้อย่างไร และฉันคิดว่ามีบางสิ่งที่คุณสามารถทำได้เพื่อขอความช่วยเหลือที่คุณต้องการ ก่อนอื่น หาคู่หูแมชชีนเลิร์นนิง คนประเภทเดียวกับคุณ พวกเขาทำงานในอุตสาหกรรมเดียวกัน พวกเขามีปัญหาประเภทเดียวกัน และคุณกำลังคิดและประสบปัญหา และคุณกำลังค้นคว้าเกี่ยวกับงานที่ทำร่วมกัน และเมื่อมีคนพบสิ่งที่เป็นประโยชน์สำหรับบทบาทนี้ พวกเขาจะแบ่งปันกับเพื่อนของตน มันช่วยให้คุณมีความรับผิดชอบ ช่วยให้คุณมีแรงจูงใจและเป็นสิ่งที่ดีมากจริงๆ

อีกวิธีหนึ่งคือการเข้าร่วมเผ่าเช่นเผ่าการเรียนรู้ของเครื่อง อีกครั้ง ฉันจะโทรหาเจสัน บราวน์ลีที่นี่ เขาได้สร้างแผนภูมินี้ ซึ่งเป็นรายละเอียดของเผ่าการเรียนรู้ของเครื่องต่างๆ ที่มีอยู่ และสำหรับเราในฐานะ SEO เราอยู่ในกลุ่มธุรกิจ ดังนั้นคนเหล่านั้นอาจเป็นผู้จัดการที่พยายามจะดูว่าระบบอัตโนมัติหรือการเรียนรู้ของเครื่องเป็นวิธีแก้ปัญหาที่ถูกต้องสำหรับปัญหาหรือไม่ หรือจะใช้สำหรับทีมหรือข้อมูลก็ได้ ชนเผ่า เช่น นักวิเคราะห์ข้อมูลที่พยายามทำความเข้าใจข้อมูลให้ดีขึ้นเล็กน้อย และเหตุผลที่ผมกล่าวถึงสองเผ่านี้โดยเฉพาะก็คือว่าถ้าคุณอยู่ในกลุ่มหรือชุมชนแบบนั้น คุณจะรู้ว่าคนที่นั่นพยายามหาผลลัพธ์แบบเดียวกัน แต่แนวทางการแก้ปัญหาของพวกเขาก็คล้ายกัน ของคุณ ดังนั้น คุณจะไม่ถูกพิจารณา เช่น ถ้าคุณไม่ทราบแนวคิดขั้นสูงที่เกี่ยวข้องกับการเขียนโค้ดหรือคณิตศาสตร์ที่อยู่เบื้องหลังโมเดลการเรียนรู้ของเครื่อง คุณจะถูกรายล้อมไปด้วยผู้คนที่เห็นอกเห็นใจต่อประเภทของความท้าทายที่คุณมี และนั่นอาจเป็นความท้าทายที่แตกต่างกัน ตัวอย่างเช่น หากคุณอยู่ในชุมชนที่มีนักพัฒนา Python และคุณกำลังถามว่าทำไมโมเดลของฉันถึงใช้งานไม่ได้ และกลายเป็นลูกน้ำหรืออะไรทำนองนั้น คุณอาจรู้สึกว่ามีการตรวจสอบอย่างละเอียดถี่ถ้วนมากขึ้น การตอบคำถามของคุณอาจรุนแรงขึ้นเล็กน้อย และเราไม่ต้องการให้คุณรู้สึกไม่มีแรงจูงใจ นั่นเป็นเหตุผลที่ฉันเน้นการค้นหาประเภทของชุมชนที่เหมาะสมหรือประเภทของชนเผ่าที่เหมาะสม

และสิ่งที่สามคือ และฉันคิดว่านี่เป็นสิ่งที่คุณควรนำไปใช้ ไม่ว่าคุณจะเลือกแนวทางใด นั่นควรเป็นเพียงการติดต่อนักพัฒนาเมื่อใดก็ตามที่คุณทำได้ เมื่อใดก็ตามที่คุณรู้สึกว่าคุณไม่สามารถแก้ปัญหาด้วยตนเองได้ หากคุณใช้เวลาหกชั่วโมงใน StackOverflow และคุณติดอยู่กับข้อผิดพลาดเพียงครั้งเดียว และคุณรู้สึกไม่มีแรงจูงใจอย่างยิ่ง เพียงติดต่อใครสักคน มีนักพัฒนา Python ที่มีทักษะขั้นสูงมากมาย แม้แต่ในชุมชน SEO หากคุณติดต่อพวกเขา พวกเขาอาจประสบปัญหาเช่นนั้นแล้ว ดังนั้นพวกเขาจึงอาจให้คำแนะนำแก่คุณ และฉันไม่ได้บอกว่าติดต่อพวกเขาเพื่อที่พวกเขาจะได้เขียนสคริปต์ของคุณให้คุณ แต่พวกเขาสามารถนำทางคุณไปในทิศทางที่ถูกต้องได้ และนั่นก็สามารถสร้างแรงบันดาลใจและสร้างแรงบันดาลใจได้เช่นกัน

D: Lazarina นั่นยอดเยี่ยมมาก ฉันรู้ว่าคุณสามารถพูดคุยเกี่ยวกับแมชชีนเลิร์นนิงสำหรับ SEO ได้หลายสัปดาห์ นั่นเป็นเพียงการแนะนำสั้นๆ แต่มันแสดงให้เห็นถึงความรู้ของคุณจริงๆ และฉันแน่ใจว่าคุณสามารถดำดิ่งลงในพื้นที่เฉพาะได้ คงจะดีถ้าคุณกลับมาในบางจุด บางทีเราอาจจะทำให้คุณกลับมาและดำดิ่งลงไปในบางอย่าง เช่น Python สำหรับ SEO หรือหัวข้อเฉพาะอื่นๆ ที่นั่น

Pareto Pickle - วิเคราะห์ SERP สำหรับโอกาสใหม่

ปิดท้ายด้วย Pareto Pickle Pareto กล่าวว่าคุณจะได้รับ 80% ของผลลัพธ์จาก 20% ของความพยายามของคุณ กิจกรรม SEO ใดที่คุณอยากแนะนำที่ให้ผลลัพธ์ที่น่าทึ่งสำหรับความพยายามเพียงเล็กน้อย

L: ฉันคิดเกี่ยวกับเรื่องนี้มาก และฉันอยากจะพูดอะไรบางอย่างที่ฉันคิดว่าฉันไม่เห็นทำบ่อยนัก และสำหรับฉัน มันคือการวิเคราะห์ SERP เรามีโอกาสมากมายในการวิเคราะห์หน้าผลลัพธ์ของเครื่องมือค้นหา โดยเฉพาะอย่างยิ่งในระดับต่างๆ ดังนั้น หากคุณได้ทำการวิจัยคำหลักของคุณแล้ว และคุณรู้คำหลักที่ไซต์ของคุณอาจได้รับการจัดอันดับ คำหลักที่ไซต์ไม่ได้จัดอันดับ และช่องว่างของเนื้อหาและทุกอย่าง ฉันจะบอกว่าถ้าคุณสามารถวิเคราะห์ SERP ในวงกว้างได้โดยใช้เครื่องมืออย่าง DataForSEO ด้วยวิธีนี้ คุณจะได้ภาพที่ดีของตลาด เช่นเดียวกับใครอยู่ในอันดับที่ คุณแข่งขันกับแบรนด์ใด มีโครงสร้างชื่ออย่างไร คำอธิบายเมตา เนื้อหามีความยาวเท่าใด และการวิเคราะห์ทุกประเภทเช่นนั้น และถ้าในระดับนั้น คุณรู้ว่าเมื่อใดและที่ไหนที่จะปรับใช้แมชชีนเลิร์นนิง กิจกรรมนั้นเพียงอย่างเดียวจะส่งผลต่อกลยุทธ์เนื้อหาทั้งหมดของคุณ และมันจะคอยติดตามคุณเพื่อให้คุณยังคงสามารถแข่งขันได้ในภายหลังเช่นกัน ดังนั้นจึงเป็นสิ่งที่คุณทำเพียงครั้งเดียวเพื่อลูกค้ารายนี้และปกป้อง และคุณสามารถใช้สิ่งนี้เป็นเวลาสองสามเดือนข้างหน้าเพื่อชี้นำคุณและโน้มน้าวคุณในกลยุทธ์อื่นๆ มากมายที่คุณจะทำ

D: ฉันอยากจะดำดิ่งลงไปจริงๆ ฉันต้องการดำเนินการต่อและถามคำถามคุณเพิ่มเติม แต่ฉันรู้ว่ามันจะใช้เวลาเพิ่มอีกครึ่งชั่วโมงหรือมากกว่านั้น และเราไม่มีเวลาทำอย่างนั้นในตอนนี้ หวังว่าเราจะได้รับคุณกลับมาในตอนต่อ ๆ ไป สำหรับตอนนี้. ฉันเคยเป็นโฮสต์ของคุณ เดวิด เบน ขอบคุณมากสำหรับการอยู่ในพอดคาสต์ In Search SEO

L: ขอบคุณมากที่มีฉันเดวิด มันเป็นความสุข

D: และขอขอบคุณสำหรับการฟัง