az AVE Studio által javasolt keretrendszer
Knowledge Engine Optimization (KEO) — mit tud rólad a gép
A KEO az a munka, amellyel egyetlen hiteles, egységes és idézhető nyilvántartást építünk fel a cégedről – olyat, amiből az AI-modellek tanulni tudnak. A cél, hogy minden új modellgeneráció a helyes változatot tanulja meg rólad, és keresés nélkül, emlékezetből tudja felidézni.
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 ebből alakul ki a memóriájában a világ egy változata: ki létezik, ki hiteles, kit érdemes ajánlani. A KEO az a munka, amellyel gondoskodunk róla, hogy ez a bevésett változat rólad a helyes legyen. Négy dolog kell ehhez a nyilvántartáshoz: legyen hiteles, vagyis pontos és bizonyítékkal alátámasztott; legyen egységes, vagyis egy következetes történet, nem öt egymásnak ellentmondó változat; legyen géppel olvasható, vagyis úgy strukturált, hogy a gép tisztán értelmezze; és legyen idézhető, vagyis forrásolt, hogy a modell hivatkozni tudjon rá. Ha ez megvan, nem egyetlen válaszért küzdesz — bekerülsz 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, ezek segítenek abban, hogy megtaláljon, elolvasson és idézzen. Értékes munka, de pontosan egy lekérdezésig tart, és attól függ, mit hív le a motor abban a másodpercben. A KEO az alatta lévő rétegen dolgozik, a betanítás idején: azon a tudáson, amelyet a modell már azelőtt hordoz, hogy egyáltalán keresne. Ezt a tudást az alakítja, ami egységes és ellenőrizhető volt a weben, amikor a modellt építették: az entitás-nyilvántartásaid, a tudásgráfok (például a Wikidata) és a következetes leírások azokban a forrásokban, amelyekben a modellek megbíznak. A GEO és az AEO a mai válaszba juttat be; a KEO abba, amit a modell magától tud. Ha ismerős az „entity SEO”, a KEO ennek a mai, AI-ra szabott megfelelője. Ugyanaz a fegyelem, egyetlen tiszta és következetes entitásnak lenni, csak most a modell memóriájára célozva, nem a Google tudáspaneljére.
Hogyan dolgozunk vele
Azzal kezdjük, hogy úgy olvassuk a cégedet, ahogy egy modell olvasná: mit mond ma rólad a web, mi pontos benne, mi hibás, mi hiányzik, és hol mondanak ellent egymásnak a források. Aztán felépítjük azt a nyilvántartást, amiből érdemes tanulni: egyetlen tiszta entitást (strukturált JSON-LD @graph), lehorgonyzást a tudásgráfokhoz (Wikidata, sameAs), és egyetlen következetes, forrásolt leírást: ugyanazt mindenhol, ahol egy modell elolvashatja. A cél, hogy bármi járja is be a webet a következő betanításhoz, először a helyes történetet találja meg rólad. Ezt veled együtt csináljuk, nem a hátad mögött: minden változás látható és ellenőrizhető. Hamis említéseket nem hozunk létre, és látszatkonszenzust sem gyártunk. A modell tudása lassan épül és halmozódik; amit mérünk, azt jelként közöljük, tartománnyal, nem garanciaként.
Amit a KEO-ról nem ígérünk
Senki nem tudja megmondani egy AI-labornak, mit tegyen a betanító adathalmazába, és azt sem, hogy mikor. Nem ígérhetjük, hogy a nyilvántartásod egy adott modellbe egy adott napon bekerül; aki ezt ígéri, olyan bizonyosságot árul, ami nem létezik. Amit meg tudunk tenni: a cégedből a lehető legjobban megtanulható változatot építjük fel: hitelesen, egységesen, géppel olvashatóan, idézhetően és következetesen. A modell tudása valószínűségi és lassú: stabilizálódik, nem engedelmeskedik. Ezért nem ígérünk garantált említést, rangsort vagy százalékot. A munkát ígérjük, és annak őszinte olvasatát, hogy mozdul-e a gép emlékezete rólad. A KEO az általunk javasolt keretrendszer, nem iparági szabvány; inkább definiáljuk őszintén, mint hogy túlígérjük.