Yakın zamanda yapılan bir röportajda, Perplexity AI'dan Jesse Dwyer, gelişen yapay zeka arama ortamına ve SEO uzmanlarının Yanıt Motoru Optimizasyonu (YZO) için nelere odaklanması gerektiğine ışık tuttu. Dwyer'ın görüşleri, geleneksel arama yöntemlerinden önemli bir kaymayı ortaya koyarak kişiselleştirmeyi ve içerik dizinlemeye çığır açan bir yaklaşımı vurguluyor.

Günümüzde Yapay Zeka Arama: Kişiselleştirmenin Yükselişi

Dwyer kritik bir değişime dikkat çekti: kişiselleştirme aramayı temelden dönüştürüyor. Bir sorgunun genellikle tutarlı sonuçlar verdiği klasik aramanın aksine, yapay zeka araması, özellikle Perplexity ve ChatGPT gibi araçlarla, kullanıcının kişisel bağlamına göre farklı yanıtlar sunabilir. Dwyer şöyle açıkladı: "YZO ve SEO hakkında hatırlanması gereken en büyük/en basit şeyin artık sıfır toplamlı bir oyun olmaması gerektiğini söylemeliyim. Aynı sorguyu yapan iki kişi, kullandıkları yapay zeka aracı kişisel belleği bağlam penceresine yüklerse (Perplexity, ChatGPT), ticari aramada farklı bir yanıt alabilir."

Şunu da ekledi: "Bunun çoğu dizinin teknolojisine dayanıyor (GEO ve YZO arasında neden bir fark olduğu da bu yüzden). Ama evet, (çoğu) geleneksel SEO en iyi uygulamalarının hala geçerli olduğunu söylemek şu anda doğru."

Dwyer'ın yanıtından çıkarılacak sonuç, arama görünürlüğünün artık tek, tutarlı bir arama sonucuyla ilgili olmadığıdır. Kişisel bağlam, yapay zeka yanıtlarında önemli bir rol oynar; bu da iki kullanıcının aynı sorguya belirgin şekilde farklı yanıtlar alabileceği ve potansiyel olarak farklı temel içerik kaynaklarından yararlanabileceği anlamına gelir. Temel altyapı hala klasik bir arama dizinine dayanırken, içeriğin alınmaya uygun olup olmadığını belirlemede SEO hayati önem taşımaya devam etmektedir. Örneğin Perplexity AI'ın, web sitesi popülerliğini ve alaka düzeyini değerlendirmek için bağlantı tabanlı bir yöntem olan PageRank'in bir formunu kullandığı söyleniyor ve bu da SEO uzmanlarının nelere öncelik vermesi gerektiğine dair bir ipucu sunuyor. Ancak, Dwyer'ın açıkladığı gibi, alınan şey klasik aramadan oldukça farklıdır.

Klasik aramanın belirli bir sorgu için güvenilir bir şekilde aynı on siteyi gösterip göstermediği, yapay zeka aramasının ise bağlamsal yapısı nedeniyle her kullanıcıya farklı bir yanıt verip vermediği sorulduğunda, Jesse "Bu doğru, evet" diye onayladı.

Alt Belge İşleme: Yapay Zeka Aramasındaki Temel Fark

Jesse, yapay zeka aramasında yanıtları oluşturan sahne arkası süreçlerini, özellikle de dizin teknolojisine odaklanarak detaylandırmaya devam etti.

“Dizin teknolojisine gelince, yapay zeka aramasındaki en büyük fark şu anda tüm belge işleme ile 'alt belge' işleme arasındaki farka dayanıyor. Geleneksel arama motorları tüm belge düzeyinde dizin oluşturur. Bir web sayfasını inceler, puanlar ve dosyalar. Bu mimari üzerine kurulu bir yapay zeka aracı kullandığınızda (ChatGPT web araması gibi), aslında klasik bir arama yapar, en iyi 10-50 belgeyi alır, ardından LLM'den bir özet oluşturmasını ister. GPT aramasının 'pardösülü dört Bing araması' olarak tanımlanmasının nedeni budur; şaka yönelimsel olarak doğrudur, çünkü model standart arama sonuçlarına dayalı bir çıktı üretir.

Bu nedenle bunun optimizasyon stratejisine YÜO (Üretken Motor Optimizasyonu) diyoruz. Bu tüm belge araması, dizindeki veriler SEO'da alışık olduğumuz tüm normal sayfa puanlaması olduğundan, esasen hala algoritmik bir arama, yapay zeka değil. Yapay zeka odaklı yaklaşım 'alt belge işleme' olarak bilinir. Motor, tüm sayfaları dizinlemek yerine, belirli, ayrıntılı snippet'leri dizinler (SEO uzmanlarının 'öne çıkan snippet'ler' olarak bildiğiyle karıştırılmamalıdır). Yapay zeka terminolojisinde bir snippet, metin sayılara dönüştürülmüş olması dışında (GPT'deki T olan 'transformer' olarak bilinen temel yapay zeka süreciyle), yaklaşık 5-7 jeton veya 2-4 kelimedir. Bir alt belge sistemini sorguladığınızda, 50 belgeyi almaz; yapay zekayı beslemek için en alakalı snippet'lerden yaklaşık 130.000 jeton (yaklaşık 26 bin snippet) alır.

Ancak bu sayılar kesin değildir. Snippet'lerin gerçek sayısı, belirli LLM'nin bağlam penceresinin tam kapasitesine uyan toplam jeton sayısına her zaman eşittir. (Şu anda ortalama 130 bin jeton). Amaç, yapay zeka modelinin bağlam penceresini en alakalı bilgilerle tamamen doldurmaktır, çünkü bu pencereyi doyurduğunuzda, modele 'halüsinasyon görme' veya bir şeyler uydurma alanı bırakmazsınız. Başka bir deyişle, yaratıcı bir üretici olmayı bırakır ve daha doğru bir yanıt verir. Bu alt belge yöntemi, sektörün ilerlediği yerdir ve bu nedenle YZO (Yanıt Motoru Optimizasyonu) olarak adlandırılması daha doğrudur.

Açıkçası, bu açıklama biraz basitleştirilmiştir. Ancak her aramayı her kullanıcı için artık evrensel bir sonuç olmaktan çıkaran kişisel bağlam, LLM'nin arayan hakkında bildiği her şeyi alıp tam bağlam penceresini doldurmaya yardımcı olmak için kullanabilmesidir ki bu, bir Google kullanıcı profilinden çok daha fazla bilgidir.

Perplexity gibi bir şirketin veya alt belge işlemeye geçen herhangi bir yapay zeka arama şirketinin rekabetçi farklılaşması, dizin ile 26 bin snippet arasındaki teknolojide gerçekleşir. Hesaplamayı modüle etme, sorgu yeniden formülasyonu ve dizinin kendisi üzerinde çalışan tescilli modeller gibi tekniklerle, bu snippet'leri sorguyla daha alakalı hale getirebiliriz ki bu, daha iyi, daha zengin bir yanıt almak için en büyük kaldıraçtır. Bu arada, bu SEO uzmanları için daha az alakalıdır, ancak bu konsept aynı zamanda Perplexity'nin arama API'sinin neden bu kadar meşru olduğunun da nedenidir. Herhangi bir ürüne arama entegre eden geliştiriciler için fark gece ile gündüz kadardır.”

Dwyer, temelde farklı iki dizinleme ve alma yaklaşımını karşılaştırıyor:

  • Tüm belge dizinleme, sayfaların eksiksiz birimler olarak alındığı ve sıralandığı yer.
  • Alt belge dizinleme, anlamın ayrıntılı parçalar olarak depolandığı ve alındığı yer.

İlk yaklaşımda, yapay zeka geleneksel aramanın üzerinde yer alır ve sıralanmış sayfaları özetler. İkincisinde ise, yapay zeka sistemi parçaları doğrudan alır ve asla tam belgeler üzerinde akıl yürütmez. Ayrıca, yanıt kalitesinin bağlam penceresi doygunluğu ile sınırlı olduğunu vurguladı; bu da doğruluğun, modelin tüm bağlam penceresini ilgili parçalarla doldurmaktan kaynaklandığı anlamına gelir. Alma işlemi bu pencereyi başarılı bir şekilde doyurduğunda, modelin gerçekleri uydurma veya halüsinasyon görme kapasitesi çok azdır.

Son olarak, Dwyer "hesaplamayı modüle etme, sorgu yeniden formülasyonu ve tescilli modellerin", Perplexity'nin arama sorgusuyla son derece alakalı snippet'leri almak için benzersiz yaklaşımının bir parçası olduğunu ve gelişen yapay zeka arama ortamında rekabet avantajlarını oluşturduğunu belirtti.