az AVE Studio által javasolt keretrendszer
Knowledge Engine Optimization (KEO)
A Knowledge Engine Optimization (KEO) a cégedről szóló hiteles, kanonikus, olvasható, idézhető nyilvántartás felépítése, amelyből az AI-modellek tanulnak — hogy a modellek minden új generációja a betanításkor egy helyes változatot tanuljon meg rólad, és emlékezetből idézze fel, anélkül, hogy rád kellene keresnie.
Frissítve ·
Mi a KEO
Az AI-modellek abból tanulnak, amit a web mond. Amikor egy új modell készül, hatalmas mennyiségű nyilvános szöveget olvas be, és a világ egy változatát süti be a memóriájába — ki létezik, ki hiteles, kit ajánljon. A KEO az a munka, amellyel biztosítjuk, hogy a bevésett változat a helyes legyen: a cégedről egy olyan nyilvántartás, amely hiteles (pontos, bizonyítékokkal alátámasztott), kanonikus (egy következetes történet, nem öt egymásnak ellentmondó), olvasható (úgy strukturált, hogy a gép tisztán értelmezze) és idézhető (forrásolt, hogy a modell ki tudjon állni mellette). Ha ez megvan, nem egyetlen választ kergetsz — beíródsz a modell hosszú távú memóriájába.
Miben más a KEO, mint a GEO és az AEO
A GEO és az AEO a válaszadás pillanatában dolgozik. Amikor egy AI az élő webet keresi a válaszhoz, segítenek, hogy megtaláljon, elolvasson és idézzen — értékes, de pontosan egy lekérdezésig tart, és attól függ, mi kerül lehívásra abban a másodpercben. A KEO a betanítás idején dolgozik, az alatta lévő rétegen: azon a tudáson, amelyet a modell már azelőtt hordoz, hogy egyáltalán keresne. Ezt a tudást az alakítja, mi volt kanonikus és ellenőrizhető a weben, amikor a modellt építették — az entitás-nyilvántartásaid, a tudásgráfok, mint a Wikidata, a következetes leírások azokban a forrásokban, amelyekben a modellek megbíznak. A GEO és az AEO bejuttat a mai válaszba; a KEO abba juttat be, amit a modell egyszerűen tud. Ha találkoztál már az „entity SEO"-val, a KEO annak az AI-kori testvére: ugyanaz a fegyelem — egyetlen tiszta, következetes entitásnak lenni —, most a modell memóriájára célozva, nem a klasszikus kereső knowledge panel-jére.
Hogyan dolgozunk vele
Azzal kezdjük, hogy úgy olvasunk téged, ahogy egy modell: mit mond már a web rólad, mi a hibás, mi hiányzik, mi mond ellent. Aztán felépítjük a tanulásra érdemes nyilvántartást — egy tiszta entitást (strukturált JSON-LD @graph), tudásgráf-lehorgonyzást (Wikidata, sameAs) és egyetlen következetes, forrásolt leírást, minden helyen megismételve, ahol egy modell olvashatja. A cél egy olyan változatod, amely hiteles, kanonikus, olvasható és idézhető, hogy bármi is járja be a webet a következő betanításhoz, a helyes történetet találja meg először. Ezt veled együtt csináljuk, nem helyetted a sötétben — minden változás látható és ellenőrizhető —, és sosem ültetünk el hamis említéseket, sosem gyártunk konszenzust. A tudás lassan vésődik be és halmozódik; amit mérünk, azt jelként, tartománnyal közöljük, nem garanciaként.
Amit nem ígérünk
Senki sem irányítja, mit tesz egy adott AI-labor a betanító adatába, vagy mikor. Nem ígérhetjük, hogy a nyilvántartásod egy konkrét modellbe egy konkrét napon bekerül — és aki ezt ígéri, olyan bizonyosságot árul, amely nem létezik. Amit megtehetünk: a cégedet a megtanulható legjobb változattá tesszük — hiteles, kanonikus, olvasható, idézhető és következetes. A modell tudása valószínűségi és lassú; stabilizálódik, nem engedelmeskedik. Ezért nem ígérünk garantált említést, rangsort vagy százalékot — a munkát ígérjük, és annak őszinte olvasatát, mozdul-e a gép emlékezete rólad. A KEO egy általunk javasolt keretrendszer, nem iparági szabvány; inkább őszintén definiáljuk, mint hogy túlígérjük.