Обновление основных алгоритмов Google от июня 2025 года завершено. Стоит отметить, что хотя многие считают это значительным обновлением, большинство обнаружило его менее разрушительным, предполагая, что изменения могли быть более тонкими и нюансированными, нежели революционными по своей сути. Вот некоторые возможные наблюдения о внесенных изменениях в ходе этого обновления.
Два прорыва, связанных с ранжированием в поисковых системах
Многие утверждают, что обновление от июня 2025 года связано с MUVERA. Однако, похоже, история глубже. Фактически, за последние недели появились два значительных внутренних объявления: о MUVERA и модели графа Google Graph Foundation Model, оба заслуживают внимания.
Мувера от Google
MUVERA представляет собой ультрасовременный мультивекторный алгоритм поиска с фиксированной размерностью кодирования (FDES), который повышает точность и эффективность извлечения веб-страниц. Ключевым аспектом для поисковой оптимизации (SEO) является его способность сужать список потенциальных страниц для ранжирования, отодвигая менее релевантные результаты и отдавая приоритет только тем страницам, которые наиболее точно соответствуют поисковому запросу.
Используя передовые технологии многовекторной обработки данных, Google может достичь необходимой точности позиционирования без недостатков, связанных с традиционными системами многовекторного подхода, а также повышая общую точность.
Улучшенная точность: MUVERA превосходит метод с одним вектором, типичную технику в многовекторном поиске (похожую на ту, что использует PLAID), обеспечивая более высокий уровень отзывчивости при значительном уменьшении количества рассматриваемых документов. Для иллюстрации, FDRE извлекает от 5 до 20 раз меньше потенциальных совпадений для достижения фиксированного уровня отзыва… Кроме того, мы обнаружили, что размерность признаков FDE в MUVERA может быть значительно снижена с помощью Product Quantization, таким образом уменьшая требования к памяти на коэффициент 32 без ущерба качеству процесса извлечения. Результаты подчеркивают возможную способность MUVERA ускорить выполнение многовекторных поисков, делая его более практичным и применимым в реальных сценариях… MUVERA преобразует сложные многовекторные поиски в более эффективный одновекторный метод MIPS (maximum inner product search). Это позволяет использовать уже оптимизированные техники поиска, обеспечивая высочайшую производительность и повышенную эффективность.
Графовая фундаментальная модель Google
Модель графа фундамента (GFM) — это модель искусственного интеллекта, разработанная для эффективного функционирования с различными типами графов и наборов данных. Как и модели больших языков, она адаптирована и показывает хорошие результаты в областях, где не была изначально обучена.
Графическое представление Google (GFM) классифицирует различные элементы, такие как документы, связи, пользователи, идентификация спама, предложения продуктов и любые другие формы классификации, которые могут быть применимы.
Представленная 10 июля, эта инновация прошла тестирование для выявления спама в рекламе, что стало значительным достижением. По сути, это представляет собой революционный прорыв в машинном обучении графов и создании моделей искусственного интеллекта, способных адаптироваться к различным архитектурам графа и задачам.
Вместо того чтобы быть ограничены конкретным графом, на котором они были обучены, Графовые Основополагающие Модели, подобно Языковым Модельным LM, обладают гибкостью для адаптации к новым или непредвиденным структурам графа и областям применения, преодолевая ограничения, с которыми сталкиваются Граф Нейронные Сети (GNN) при фиксировании к исходному графу во время обучения.
Объявление Google о GFML показывает, что оно улучшает возможности точных предсказаний на различных типах графов без необходимости дополнительного обучения для конкретной задачи (предсказание с нулевым выстрелом). Кроме того, эффективно демонстрирует свою способность работать даже при ограниченном количестве помеченных примеров (обучение с малым количеством выстрелов).
Объявление Google о выпуске GFM сообщило следующие результаты:
Работа в масштабе Google предполагает работу с графами, состоящими из миллиардов узлов и связей, где наши среды JA (Java) и инфраструктура TPU показывают высокую масштабируемость. Управление такими громадными объемами данных идеально подходит для обучения гибких моделей, которые мы протестировали на различных внутренних задачах классификации, включая обнаружение спама в рекламе. Эта задача включает множество крупных и взаимосвязанных реляционных таблиц. Стандартные табличные базовые решения, хотя и масштабируемые, не учитывают связи между строками из разных таблиц, пропуская таким образом ценный контекст, который мог бы повысить точность предсказаний. Наши эксперименты ясно демонстрируют это ограничение. Мы заметили значительное улучшение производительности по сравнению с наиболее тонко настроенными однотабличными бенчмарками. Используя граф-факторную машину (GFM), мы достигаем средней точности от 3 до 40 раз выше для различных последующих задач, что указывает на то, что структура графа внутри реляционных таблиц играет жизненно важную роль в улучшении эффективности моделей машинного обучения, предоставляя важный сигнал.
Что изменилось?
Полагательно считать, что объединение МУВЕРЫ и ГФМ может улучшить методы ранжирования Google, делая их более точными в сортировке соответствующего контента. Это связано с тем, что МУВЕРА могла бы увеличить процессы извлечения данных, тогда как ГФМ могла бы помочь в установлении связей между ссылками или контентом, обеспечивая лучшее понимание шаблонов, связанных с надежностью и экспертизой.
Комбинирование методов MUVERA и GFMA в методах ранжирования Google может помочь обеспечить более точные результаты, гарантируя, что представленный контент является крайне актуальным и соответствует ожиданиям пользователей.
Мы работаем над улучшениями, чтобы обеспечить большую заметность полезного и увлекательного контента с разных веб-сайтов при поиске.
Последнее обновление не кажется повлекшим за собой масштабные изменения или трансформации по всем направлениям. Возможно, это обновление соответствует тому, о чем говорил Дэнни Салливан из Google на Search Central Live New York, где он упомянул об изменениях алгоритма для увеличения разнообразия высококачественного контента.
Гленн Габбе, маркетолог по поиску, отметил в Твиттере, что сайты, затронутые ‘обновлением полезного контента’ (HCU), начали снова подниматься в рейтингах поисковой выдачи, тогда как у других сайтов наблюдалось снижение.
Несмотря на данные Гленна Габбе, указывающие на значительное обновление, реакция на его твиты была сдержанной и не свидетельствовала о массовом нарушении. Можно разумно заключить, что хотя это обновление могло быть масштабным, оно возможно не вызвало значительных потрясений.
По всей видимости, были внесены некоторые изменения, возможно масштабные, которые, похоже, улучшают способность Google показывать более релевантный контент. Эти изменения могут быть связаны с прогрессом в эффективности поиска, распознавании паттернов для определения надежности и авторитетности, а также возможностью точнее идентифицировать и понижать рейтинг низкокачественных сайтов.
Прочитайте подробнее:
Гугл МУВЕРА
Модель основанного на графах фундамента Google
Обновление Google от июня 2025 года завершено
Смотрите также
- Акции IRKT. Яковлев: прогноз акций.
- LinkedIn запускает бесплатные сертификационные курсы по искусственному интеллекту
- Анализ динамики цен на криптовалюту HBAR: прогнозы HBAR
- Поисковая выдача и обзоры, организованные с помощью искусственного интеллекта: как добиться заметности в новом ландшафте SEO
- Могут ли стартапы AEO / GEO превзойти устоявшиеся компании по производству инструментов SEO?
- Акции DSKY. Детский Мир: прогноз акций.
- Депозитция: Google использовал сигналы поиска и данные для обучения моделей искусственного интеллекта Gemini AI
- Google Ads Mixed Campaign Type Experiments Live For Some
- Акции LSNG. Ленэнерго: прогноз акций.
- Безумие мемкоинов! Кто король быков?
2025-07-18 14:09
