- مقاله تحقیقاتی جدید بر اهمیت بهینهسازی برای جستجوی کلاسیک تاکید میکند.
- عوامل هوش مصنوعی جستجوی عمیق ممکن است به سه صفحه وب برتر رتبهبندی شده اتکا کنند.
- صفحات جامع ممکن است در جستجوی عاملیتمحور عمیق موفق باشند، اما نه به قیمت عدم رعایت موضوعیت.
مقاله تحقیقاتی جدیدی در مورد ایجاد یک مجموعه داده برای آموزش عوامل هوش مصنوعی جستجوی عمیق (SAGE)، بینشهایی را در خصوص نحوه عملکرد این نوع جستجو ارائه میدهد.
گوگل مقالهای تحقیقاتی در مورد ایجاد یک مجموعه داده چالشبرانگیز برای آموزش عوامل هوش مصنوعی جهت جستجوی عمیق منتشر کرده است. این مقاله بینشهایی را در مورد نحوه عملکرد جستجوی عمیق هوش مصنوعی عاملیتمحور ارائه میدهد که تلویحاً بینشهایی برای بهینهسازی محتوا در بر دارد.
مخفف SAGE به معنای “تولید دادههای عاملیتمحور قابل هدایت برای جستجوی عمیق با بازخورد اجرایی” (Steerable Agentic Data Generation for Deep Search with Execution Feedback) است.
سوالات و پاسخهای مصنوعی
پژوهشگران خاطرنشان کردند که مجموعهدادههای پیشین آموزش هوش مصنوعی (مانند Musique و HotpotQA) برای پاسخ به سوالات، حداکثر به چهار گام استدلال نیاز داشتند. در مورد تعداد جستجوهای لازم برای پاسخ به یک سوال، Musique به طور متوسط ۲.۷ جستجو به ازای هر سوال و HotpotQA به طور متوسط ۲.۱ جستجو را شامل میشد. یک مجموعه داده پرکاربرد دیگر به نام Natural Questions (NQ) تنها به طور متوسط ۱.۳ جستجو به ازای هر سوال نیاز داشت.
این مجموعهدادهها که برای آموزش عوامل هوش مصنوعی استفاده میشوند، شکاف آموزشی را برای وظایف جستجوی عمیق که نیازمند گامهای استدلالی بیشتر و تعداد جستجوهای فزونتر هستند، ایجاد کردند. چگونه میتوان یک عامل هوش مصنوعی را برای وظایف پیچیده جستجوی عمیق در دنیای واقعی آموزش داد، اگر این عوامل برای مقابله با سوالات واقعاً دشوار آموزش ندیدهاند؟
پژوهشگران سیستمی به نام SAGE ابداع کردند که به طور خودکار جفتهای سوال و جواب پیچیده و باکیفیت را برای آموزش عوامل جستجوی هوش مصنوعی تولید میکند. SAGE یک سیستم “دو-عاملی” است که در آن یک هوش مصنوعی سوالی را مینویسد و یک هوش مصنوعی دوم به نام “عامل جستجو” سعی در حل آن دارد و بازخورد مربوط به پیچیدگی سوال را ارائه میدهد.
- هدف هوش مصنوعی اول این است که سوالی بنویسد که پاسخ دادن به آن چالشبرانگیز باشد و برای حل آن به گامهای استدلالی متعدد و جستجوهای فراوان نیاز داشته باشد.
- هدف هوش مصنوعی دوم این است که قابلیت پاسخگویی به سوال را اندازهگیری کند و میزان دشواری آن را (حداقل تعداد گامهای جستجوی مورد نیاز) محاسبه کند.
نکته کلیدی SAGE این است که اگر هوش مصنوعی دوم سوال را به راحتی حل کند یا به اشتباه پاسخ دهد، مراحل و اسناد خاصی که یافته است (ردپای اجرا) به هوش مصنوعی اول بازخورد داده میشود. این بازخورد به هوش مصنوعی اول امکان میدهد تا یکی از چهار میانبر را شناسایی کند که به هوش مصنوعی دوم اجازه میدهد سوال را با گامهای کمتری حل کند.
این میانبرها هستند که بینشهایی را در مورد نحوه کسب رتبه بهتر برای وظایف جستجوی عمیق فراهم میکنند.
چهار روشی که جستجوی عمیق از آنها اجتناب شد
هدف این مقاله، ایجاد مجموعهای از جفتهای سوال و جواب بود که به قدری دشوار باشند که عامل هوش مصنوعی برای حل آنها به چندین گام نیاز داشته باشد. بازخوردها چهار روش را نشان دادند که نیاز عامل هوش مصنوعی به انجام جستجوهای اضافی برای یافتن پاسخ را کاهش میدادند.
چهار دلیل که جستجوی عمیق غیرضروری شد
- هممکانی اطلاعات (Information Co-Location)
این رایجترین میانبر است که ۳۵% از مواقعی را که جستجوی عمیق غیرضروری بود، شامل میشود. این اتفاق زمانی میافتد که دو یا چند بخش اطلاعات لازم برای پاسخ به یک سوال در یک سند قرار داشته باشند. به جای دو بار جستجو، هوش مصنوعی هر دو پاسخ را در یک “پرش” پیدا میکند. - فروپاشی چند-پرسمانی (Multi‑query Collapse)
این مورد در ۲۱% از موارد رخ داد. علت آن زمانی است که یک پرسمان جستجوی واحد و هوشمندانه، اطلاعات کافی را از اسناد مختلف بازیابی میکند تا چندین بخش از مشکل را به یکباره حل کند. این عمل، آنچه باید یک فرآیند چند-مرحلهای میبود را به یک مرحله “فرو میپاشد”. - پیچیدگی سطحی (Superficial Complexity)
این مورد ۱۳% از مواقعی را شامل میشود که جستجوی عمیق غیرضروری بود. سوال برای یک انسان طولانی و پیچیده به نظر میرسد، اما یک موتور جستجو (که عامل هوش مصنوعی از آن استفاده میکند) میتواند مستقیماً به پاسخ بپرد، بدون نیاز به استدلال از طریق گامهای میانی. - سوالات بیش از حد خاص (Overly Specific Questions)
۳۱% از شکستها، سوالاتی هستند که حاوی جزئیات زیادی میباشند به طوری که پاسخ در همان جستجوی اول آشکار میشود و نیاز به هرگونه بررسی “عمیق” را از بین میبرد.
پژوهشگران دریافتند که برخی از سوالات دشوار به نظر میرسند اما در واقع نسبتاً آسان هستند زیرا اطلاعات در یک سند “هممکان” (co‑located) شدهاند. اگر یک عامل بتواند به یک سوال ۴-پرشی در ۱ پرش پاسخ دهد زیرا یک وبسایت به اندازه کافی جامع بوده و همه پاسخها را در خود داشته است، آن نقطه داده به عنوان یک شکست برای آموزش عامل در استدلال در نظر گرفته میشود، اما این اتفاق هنوز هم میتواند در زندگی واقعی رخ دهد و عامل از یافتن تمام اطلاعات در یک صفحه بهره خواهد برد.
برداشتهای سئو
میتوان بینشهایی را در مورد اینکه چه نوع محتوایی نیازهای جستجوی عمیق را برآورده میکند، به دست آورد. در حالی که اینها لزوماً تاکتیکهایی برای رتبهبندی بهتر در جستجوی عمیق هوش مصنوعی عاملیتمحور نیستند، اما این بینشها نشان میدهند که چه نوع سناریوهایی باعث شدهاند عوامل هوش مصنوعی تمام یا بیشتر پاسخها را در یک صفحه وب پیدا کنند.
“هممکانی اطلاعات” میتواند یک برد برای سئو باشد
پژوهشگران دریافتند که وقتی چندین بخش اطلاعات مورد نیاز برای پاسخ به یک سوال در یک سند رخ میدهد، تعداد گامهای جستجوی لازم کاهش مییابد. برای یک ناشر، این بدان معناست که یکپارچهسازی حقایق “پراکنده” در یک صفحه، از “پرش” عامل هوش مصنوعی به سایت رقیب برای یافتن بقیه پاسخ جلوگیری میکند.
تحریک “فروپاشی چند-پرسمانی”
نویسندگان مقالهای پدیدهای را شناسایی کردند که در آن اطلاعات از اسناد مختلف میتواند با استفاده از یک پرسمان واحد بازیابی شود. با ساختاربندی محتوا برای پاسخ به چندین زیر-سوال به طور همزمان، شما عامل را قادر میسازید تا راه حل کامل را سریعتر در صفحه خود بیابد و به طور مؤثر زنجیره استدلالی طولانی را که عامل برای انجام آن آماده بود، “میانبر” بزند.
حذف “میانبرها” (شکاف استدلال)
مقاله تحقیقاتی اشاره میکند که مولد داده زمانی شکست میخورد که به طور تصادفی یک “میانبر” به پاسخ ایجاد کند. به عنوان یک متخصص سئو، هدف شما این است که آن میانبر باشید – ارائه نقاط داده خاص مانند محاسبات، تاریخها یا نامهایی که به عامل اجازه میدهد بدون اکتشاف بیشتر به پاسخ نهایی برسد.
هدف همچنان رتبهبندی در جستجوی کلاسیک است
برای یک متخصص سئو و یک ناشر، این میانبرها بر ارزش ایجاد یک سند جامع تأکید میکنند زیرا نیاز عامل هوش مصنوعی به پرش به جای دیگر را از بین میبرند. این بدان معنا نیست که افزودن تمام اطلاعات در یک صفحه همیشه مفید خواهد بود. اگر برای کاربر منطقی باشد، ممکن است مفید باشد که از یک صفحه به صفحه دیگر برای اطلاعات مرتبط پیوند داده شود.
دلیل این موضوع آن است که عامل هوش مصنوعی در حال انجام جستجوی کلاسیک برای یافتن پاسخ است، بنابراین هدف همچنان بهینهسازی یک صفحه وب برای جستجوی کلاسیک باقی میماند. علاوه بر این، در این تحقیق، عامل هوش مصنوعی اطلاعات را از سه صفحه وب برتر رتبهبندی شده برای هر پرسمانی که اجرا میکند، استخراج میکند. مشخص نیست که آیا جستجوی هوش مصنوعی عاملیتمحور در یک محیط واقعی به همین شیوه کار میکند، اما این موضوعی است که باید در نظر گرفته شود.
در واقع یکی از آزمایشاتی که پژوهشگران انجام دادند، با استفاده از Serper API برای استخراج نتایج جستجو از گوگل صورت گرفت.
بنابراین، وقتی صحبت از رتبهبندی در جستجوی هوش مصنوعی عاملیتمحور میشود، این نکات را در نظر بگیرید:
- ممکن است در نظر گرفتن اهمیت رتبهبندی در سه جایگاه برتر مفید باشد.
- صفحات وب را برای جستجوی کلاسیک بهینهسازی کنید.
- صفحات وب را برای جستجوی هوش مصنوعی بهینهسازی نکنید.
- اگر امکان جامع بودن، حفظ موضوعیت و رتبهبندی در سه جایگاه برتر وجود دارد، این کار را انجام دهید.
- برای کمک به رتبهبندی صفحات مرتبط در جستجوی کلاسیک، بهویژه در سه جایگاه برتر (برای اطمینان)، به آنها لینک داخلی دهید.
ممکن است جستجوی هوش مصنوعی عاملیتمحور در آینده به بیش از سه جایگاه برتر در جستجوی کلاسیک نیز توجه کند. اما ممکن است تعیین هدف رتبهبندی در ۳ جایگاه برتر در جستجوی کلاسیک و تمرکز بر رتبهبندی سایر صفحاتی که ممکن است بخشی از جستجوی عمیق چند-پرشی باشند، مفید باشد.
مقاله تحقیقاتی توسط گوگل در تاریخ ۲۶ ژانویه ۲۰۲۶ منتشر شد. این مقاله در قالب PDF موجود است: SAGE: Steerable Agentic Data Generation for Deep Search with Execution Feedback.
تصویر ویژه از Shutterstock/Shutterstock AI Generator
