Los motores de búsqueda se van a convertir en un híbrido de búsqueda de vectores y palabras clave.
Si bien construir sitios web para posicionar ante un escenario de búsqueda semántica con vectores puede ser difícil, entender como funciona, no tiene por qué serlo y es importante para tomar decisiones.
¿Qué son los vectores?
Cuando hablamos de vectores en el contexto del aprendizaje automático, nos referimos a grupos de “elementos” (una imagen, una palabra o casi cualquier cosa) que representan algo.
¿Por qué esos vectores son útiles y cómo se crean? El aprendizaje automático de los buscadores modela elementos de entrada (supongamos que solo palabras de aquí en adelante) e intenta encontrar las mejores fórmulas para predecir con qué se relacionan.
Por ejemplo, es posible tener un modelo que incluya la palabra «abeja» y tratar de encontrar las mejores fórmulas que predigan con precisión que «abeja» se ve en contextos similares como «insectos» y «avispas».
Una vez que ese modelo tiene la mejor fórmula, puede transformar la palabra «abeja» en un grupo de números que resultan ser similares al grupo de números para «insectos» y «avispas».
Por qué los vectores son poderosos
Los vectores son realmente poderosos porque los modelos de lenguaje como Generative Pre-trained Transformer 3 (GPT-3) (en los que se apoyan los nuevos buscadores) tratan miles de millones de palabras y oraciones, por lo que pueden comenzar a hacer estas conexiones y volverse realmente inteligentes.
Ya hay expertos que intuyen como la búsqueda de vectores reemplazará la búsqueda de palabras clave que hemos utilizado durante décadas.
Sin embargo, lo más probable es que la búsqueda de vectores no sustituya a la búsqueda de palabras clave en su totalidad. La búsqueda de vectores y las búsquedas de palabras clave tienen sus propios puntos fuertes y funcionan mejor cuando trabajan juntas.
Búsqueda de vectores para consultas de cola larga
Algunas consultas (también llamadas consultas «principales») se buscan mucho, pero la gran mayoría de las consultas se buscan muy poco.
Los números diferirán de un sitio a otro, pero en un sitio promedio, aproximadamente un tercio de las búsquedas totales pueden provenir de unas pocas docenas de consultas, mientras que casi la mitad del volumen de búsqueda proviene de consultas que están fuera de las más populares.
Las consultas de cola larga tienden a ser más largas e incluso pueden ser consultas en lenguaje natural.
La búsqueda de vectores generalmente funciona muy bien para consultas de cola larga o de lenguaje natural. «Algo para mantener mis bebidas frías» mostrará frigoríficos en una búsqueda de vectores bien ajustada, tengan o no ese texto exacto incluido, mientras que, con la búsqueda de palabras clave, es mejor que ese texto esté en algún lugar de la descripción de un producto para que aparezca en buscadores.
En otras palabras, la búsqueda vectorial aumenta la cantidad de resultados encontrados.
Desventajas de la búsqueda de vectores
Sin embargo, hay desventajas en la búsqueda de vectores. Todo ese aprendizaje automático, tiene un coste
Para empezar, almacenar los vectores es más costoso que almacenar un índice de búsqueda basado en palabras clave. La búsqueda de esos vectores también es más lenta que una búsqueda de palabras clave en la mayoría de los casos.
El hashing puede mitigar ambos problemas. Sí, estamos introduciendo un concepto más técnico, pero este es otro que es bastante simple de entender.
Hashing realiza una serie de pasos para transformar alguna información (como una cadena o un número) en un número, que ocupa menos memoria que la información original.
Resulta que también podemos usar hashing para reducir el tamaño de los vectores mientras mantenemos lo que hace que los vectores sean útiles: su capacidad para unir elementos conceptualmente similares. Mediante el uso de hashing, podemos realizar búsquedas de vectores mucho más rápido y hacer que los vectores utilicen menos espacio en general. Los detalles son muy técnicos, pero lo importante es entender que es posible.
La utilidad de la búsqueda de palabras clave
¡Esto no significa que la búsqueda de palabras clave no siga siendo útil! La búsqueda de palabras clave es generalmente más rápida que la búsqueda de vectores. Además, es más fácil comprender por qué los resultados se clasifican de la forma en que lo hacen.
Si los registros contienen palabras que son exactamente iguales a las de la consulta (o dentro de un cierto nivel de diferencia para tener en cuenta los errores tipográficos), el registro se considera relevante y vuelve a aparecer en los conjuntos de resultados.
En otras palabras, la búsqueda de palabras clave se centra en la precisión de los resultados de la búsqueda o en garantizar que los registros que se obtienen sean relevantes, incluso si hay menos.
La búsqueda de palabras clave es beneficiosa para las consultas principales: aquellas consultas que son las más populares.
Las consultas principales tienden a ser más cortas y también son más fáciles de optimizar. Eso significa que si, por cualquier motivo, una palabra clave no coincide con el texto correcto dentro de un registro, a menudo se detecta a través de análisis y puede agregar un sinónimo.
Debido a que la búsqueda de palabras clave funciona mejor para consultas principales y la búsqueda de vectores funciona mejor para consultas de cola larga, las dos funcionan mejor en conjunto. Esto se conoce como búsqueda híbrida.
Consideramos búsqueda híbrida, cuando un motor de búsqueda utiliza tanto la búsqueda de palabras clave como la de vectores para una sola consulta y clasifica los registros correctamente, sin importar qué enfoque de búsqueda los haya generado.
Clasificar registros que provienen de dos fuentes diferentes no es fácil.
Los dos enfoques tienen, por su propia naturaleza, diferentes formas de clasificación de rankings. La búsqueda de vectores devolverá una puntuación, mientras que algunos motores basados en palabras clave no lo harán. Incluso si los motores basados en palabras clave arrojan una puntuación, no hay garantía de que las dos puntuaciones sean equivalentes.
Es por eso que hasta ahora los motores de búsqueda ni siquiera intentan combinar los dos, sino que siempre mostrarán primero los resultados de las palabras clave y luego los resultados vectoriales en segundo lugar (Búsqueda de vectores como respaldo). Si una búsqueda arroja cero o pocos resultados, entonces puede recurrir a los resultados vectoriales.
Pero, recuerda, la búsqueda de vectores está orientada a mejorar el recuerdo o encontrar más resultados, por lo que podemos encontrar resultados relevantes que la búsqueda de palabras clave no encuentra. Por eso la siguiente serie de buscadores, que veremos ya, si utilizarán búsqueda híbrida.
La búsqueda híbrida real clasificará múltiples fuentes de búsqueda diferentes en el mismo conjunto de resultados al crear una puntuación que sea comparable entre diferentes fuentes.
¿Qué podemos hacer para preparar los sitios web y obtengan mejores rankings en la nueva generación de buscadores?
Trabajar con clústeres de información obtenidos y verificados con herramientas IA, para asegurar que están en linea con los nuevos modelos de lenguaje como GPT-3
Nuestras herramientas IA ayudan a crear clústeres de palabras clave. ¿Qué ventajas ofrecen?
Una vez que se entiende el proceso, las principales dificultades en la creación y optimización de clústeres son:
- cantidad de keywords propias a estudiar
- análisis de clústeres de los competidores
- orden de la estrategia de marketing de contenidos en base a la autoridad que tenemos en cada momento
- desarrollo de contenidos optimizados
- volumen y aplicación del enlazado interno inteligente