خودکارسازی وظایف SEO شما با هملت باتیستا [PODCAST]

برای قسمت 195 نمایشگاه ژورنال موتور جستجو فرصت مصاحبه داشتم هملت باتیستا، مدیر عامل در RankSense و یک فنی قابل احترام.

باتیستا در مورد چگونگی تبدیل یادگیری عمیق نحوه اتوماسیون وظایف SEO صحبت می کند و چرا یادگیری و استفاده از پایتون یک مهارت ارزشمند برای متخصصان سئو است.

خودکارسازی وظایف SEO شما با هملت باتیستا [PODCAST]

در مورد اتوماسیون که امروزه آن را بهتر و مؤثرتر از گذشته کرده است ، چیست؟

هملت باتیستا (HB): بسیاری از چیزهایی که ممکن نیست چهار یا پنج سال پیش وجود داشته باشند ، که ما واقعاً می خواستیم اتفاق بیفتد ، اکنون بلوک های ساختمانی در جای خود قرار می گیرند.

برای ما ، بزرگترین تغییر این است که ما مایل بودیم که شاهد این اتفاق باشیم.

بازاریابان همیشه در حال تولید محتوا هستند. این یک چیز هیجان انگیز است

تبلیغات

ادامه خواندن زیر

برچسب زدن خودکار ، انجام وظیفه مهم در انجام این کار و آن ، این هرگز کاری سرگرم کننده نیست ، اما شما باید این کار را انجام دهید.

و وقتی می گویم بلوک های ساختمان در حال ساخت هستند ، آن را در دو مسیر می بینم.

  • توانایی بازاریاب ها.
  • توانایی ماشین آلات.

بازاریاب ها مهارت های فنی بیشتر و بیشتری کسب می کنند.

بعضی از آنها با استفاده از صفحات گسترده و انجام فرمول های ساده شروع به کار کردند ، اکنون کارهایی باورنکردنی را فقط در فرمول ها ، در ورق ها مشاهده می کنید.

بازاریابان پیشرفته تر می شوند. آنها از Google Data Studio استفاده می کنند ، و کارهای فنی زیادی وجود دارد ، عبارات منظم [involved].

بسیاری از ابزارهایی که ما استفاده می کنیم ، Google Analytics ، Google Data Studio ، Chrome ، همه آنها روشهای پیشرفته تری برای انجام کارها ، از لحاظ برنامه ای دارند.

بنابراین ، با یادگیری نوشتن بسیاری از کارها با برخی از ابزارهای ساده تر مانند صفحات گسترده ، بازاریاب پیشرفته تر شده است.

تبلیغات

ادامه خواندن زیر

از طرف دیگر ، شما همچنین ماشین آلات پیشرفته تر و کارآمد تری دارید.

آنها قصد جایگزینی بازاریاب را ندارند ، اما آنها می توانند کارهایی را انجام دهند که حتی دو سال پیش هم امکان پذیر نبود.

من می گویم یکی از بزرگترین تغییر ، یادگیری عمیق است.

ما با یادگیری ماشین ، مدل های آماری و مواردی از این دست شروع کردیم. اما یادگیری عمیق بیشتر به قابلیتهای ادراکی مربوط می شود.

اکنون دستگاه ها توانایی دیدن چیزها ، توانایی درک یا استخراج بینش از متن ، از داده هایی را دارند که بدون ساختار هستند.

فقط در یکی دو سال گذشته ، انجمن NLP ، با کارهایی که شما قادر به انجام آن هستید ، چشمگیر است.

و امیدوارم که توانسته باشم این تحقیق را به جامعه نشان دهم.

چند نمونه از کارهایی که می توانند خودکار سازی کنند که ممکن است SEO ها با استفاده از آن بکار گیرند ، چیست؟

HB: با جمع آوری داده ها با پایگاه داده ها و انجام گزارش ، می گویم مرحله اول اتوماسیون است. این باعث صرفه جویی در وقت زیادی می شود …

شما تمام این گزارش ها را از این ابزارهای مختلف می گیرید ، و باید یک تحلیل را در مورد آن انجام دهید ، باید گزارشی از آن بنویسید.

و مرحله دوم نیز وجود دارد. الان اینجاست

ما فقط در مورد جمع آوری اطلاعات یا جمع آوری اطلاعات ، اتوماسیون مرحله یک صحبت نمی کنیم ، [but] همچنین بخش تجزیه و تحلیل کار به صورت خودکار انجام شده است.

نوشتن و گزارش دادن به صورت خودکار نیز امکان پذیر است.

بیایید به مقاله ای بنویسم که من اخیراً در ژورنال موتور جستجو در مورد تولید خودکار عناوین و توضیحات منتشر کرده ام.

مقاله پیشنهادی  نحوه استفاده از کنسول جستجوی Google برای جستجوگرها: یک راهنمای کامل

کامپیوتر مقاله ای را می خواند. خلاصه مقاله را به روشی انتزاعی خواهد نوشت.

بنابراین ، به نظر نمی رسد کپی کردن مطالب از مقاله باشد ، بلکه در واقع خلاصه کردن مطالب موجود در مقاله به روشی است که برای یک کاربر نهایی حس کاملی ایجاد می کند ، که به طور معمول برای کاربر چند دقیقه طول می کشد.

تبلیغات

ادامه خواندن زیر

و آن کامپیوتر می تواند آن را به صورت خودکار در مقیاس انجام دهد.

این یک جهش بزرگ از گزارش گیری خودکار ، جمع آوری داده ها و تجمیع ، در واقع انجام کار رایانه ، انجام نوشتن است که یک کار پیچیده برای انسان است. باورنکردنیه.

من همچنین مقاله دیگری با عنوان چگونه می توان متن را از تصاویر با پایتون تولید کرد ، که همچنین با کد به شما نشان می دهد که چگونه رایانه هم اکنون می تواند تصویری را بدون متنی در هر جایی بگیرد و توضیحی از یک تصویر ایجاد کند.

می توانید تصور کنید ، این فقط یک توالی از تصاویر است ، بنابراین می توانید یک قاب را از این فیلم بگیرید و از رایانه به صورت خودکار آن را تهیه کنید.

این همان چیزی است که من می گفتم مرحله دوم اتوماسیون مبتنی بر کارهای ادراکی است. این مربوط به کارهایی است که رایانه باید حواس مشابه انسان داشته باشد.

برنت سستوراس (قبل از میلاد): اما ، اینجاست که نوع زیادی از احتیاط برای بسیاری از افراد که احتمالاً گوش فرا می دهند اینست که ابزارهای زیادی وجود داشت ، بسیاری از اسکریپت ها ، چیزهای زیادی که سعی در این کار داشتند.

تبلیغات

ادامه خواندن زیر

آنها گفتند ، “اوه ، ما می توانیم پاراگرافهای شما را بهبود بخشیم ،” یا “ما می توانیم متن را برای شما بنویسیم.”

و البته ، با این کار ، موارد بدی از قبیل اسپم کردن یا تلاش برای ایجاد خلال چیزها به وجود آمده است. اما ، آنچه همیشه پیدا می کردیم این بود که کیفیت فاقد آن بود.

از آنجا که اگر به من می گفتید می توانید بروید و مقاله ای را بخوانید و خلاصه نویسی بنویسید ، می گویم: “مطمئنا ، اما اینطور نیست که اگر خودم آن را نوشتم مثل این باشد. به همان کیفیتی نخواهد رسید. “

بنابراین ، آیا ما به تازگی در فن آوری و یادگیری و قابلیت های هوش مصنوعی تکامل یافته ایم تا بتوانیم واقعاً بهتر بنویسیم؟ آیا این عامل بزرگی است که بین هفت سال پیش و امروز تفاوت دارد؟

HB: این مورد است ، اما من به شما می گویم چرا.

دلیل این امر به این دلیل است که شما با بیشترین سرمایه گذاری در این فناوری بزرگترین شرکت های جهان را دارید.

شما در مورد Google ، Facebook ، DeepMind ، Microsoft صحبت می کنید.

تبلیغات

ادامه خواندن زیر

و بعد ، آنها نه تنها پول زیادی می گذارند ، بلکه شما در مورد استعداد صحبت می کنید – محققان هوش مصنوعی ، محققان برتر می توانند یک میلیون دلار در سال حقوق بگیرند ، بنابراین در مورد آن فکر کنید.

این نوع سرمایه گذاری است که این شرکت ها انجام می دهند.

اکنون ، بگذارید بهترین قسمت را برای شما بیان کنم.

آنها این سرمایه گذاری های عظیم را انجام می دهند و صاحب پژوهشگران برتر هستند ، و سپس آنها در برابر یکدیگر به رقابت می پردازند ، و کار خود را آزاد و باز می کنند. بنابراین ، در مورد چقدر دیوانه فکر کنید.

برنت سستوراس (قبل از میلاد): بسیاری از این صداها بسیار هیجان انگیز است ، و من مطمئن هستم که مردم در حال گوش دادن هستند. آنها دوست دارند ، “بله ، عالی ، عالی است.”

مقاله پیشنهادی  ویتامین های اصلی Google برای تبدیل شدن به سیگنال های رتبه بندی

اما ، شما چقدر فنی هستید که بتوانید این کار را انجام دهید؟

چقدر نیاز دارم که از Python ، JavaScript و API ها بدانم تا همه اینها در واقع برای من کار کنند؟

HB: خبر خوب دیگر این است که تلاش زیادی برای آنچه که آنها از آن به عنوان AI استفاده می کنند ، وجود دارد.

تبلیغات

ادامه خواندن زیر

بنابراین بستگی به این دارد که مورد استفاده شما چقدر سفارشی است. اگر مورد استفاده شما متداول است ، احتمالاً می خواهید چیزی را پیدا کنید که در آن لازم نیست حتی برای استفاده از آن هیچ کد بنویسید.

بنابراین ، تمام ارائه دهندگان برتر Cloud ابزارهایی دارند که آنها را AutoML می نامند.

Google ، Microsoft و Amazon دارای ابزاری هستند که شما فقط مجموعه داده خود را ارائه می دهید. چند روش مختلف وجود دارد.

می توانید از یک مجموعه داده از قبل آموزش دیده استفاده کنید و مشکل شما را برطرف می کند.

همچنین ابزار جعبه سیاه مانند MonkeyLearn یا BigML وجود دارد که می توانید از جعبه آنها استفاده کنید. و شما می گویید ، “خوب مشکل من اینجاست آن را از طریق ابزار اجرا کنید. پیش بینی های مورد نیاز خود را به من بدهید. “

و پیش بینی ها می توانند تصاویر ، طبقه بندی اعداد و موارد دیگر باشند.

بستگی به این دارد که مورد استفاده شما چقدر سفارشی است. و بعد ، بین لایه های مختلفی وجود دارد.

من توانایی سفارشی سازی را دوست دارم زیرا این امکان را به من می دهد تا از موارد استفاده رایج فاصله بگیرم ، بنابراین می توانم با راه حلهای جدیدتری روبرو شوم.

تبلیغات

ادامه خواندن زیر

و به همین دلیل است که رویکرد من نیاز به کمی برنامه نویسی نسبت به حالت عادی دارد ، اما حتی با آن و برخی از نمونه هایی که من استفاده کردم ، آنها به هیچ وجه به کد نویسی احتیاج ندارند.

اگر از ابزاری از Uber به نام Ludwig استفاده می کنید ، فقط باید یک فایل پیکربندی تهیه کنید ، و حتی نیازی به یادگیری کد نویسی ندارید.

اما ، هرچه مورد استفاده منحصر به فرد تر باشد ، خاص تر و جدیدتر از شما می خواهید در مورد یک راه حل خاص باشید ، دانش بیشتری از نظر برنامه نویسی و از نظر دانش هوش مصنوعی مورد نیاز برای آن لازم خواهید بود.

برخی از اصول اساسی که افراد علاقمند به این کار هستند باید چه چیزی یاد بگیرند؟

HB: من فکر می کنم یکی از اصول اولیه ETL نامیده می شود ، که به معنی “استخراج ، تبدیل ، بار” است.

اینها اصولی هستند که همیشه قابل اجرا هستند.

در یادگیری ماشین ، آنچه را خط لوله می نامید ، دارید. بنابراین ، صرف نظر از اینکه در چه حالت ، پلت فرم یا فناوری ای استفاده می کنید ، باید داده ها را برای انجام پیش بینی ها آماده کنید.

تبلیغات

ادامه خواندن زیر

هر مشکلی هم دارید ، داده ها را از Google Analytics یا Search بیرون می کشید. می خواهید آن را در قالب های مختلف بارگیری کنید.

مدل یادگیری ماشین ، آنها به روشی متفاوت از روشی که آن را استخراج می کنید ، به آن نیاز دارند.

بنابراین ، شما باید بتوانید هر منبع یا داده های اختصاصی خود را به فرمی تبدیل کنید که می توانید در مدل ها قرار بگیرید.

من فکر می کنم در یک سطح اساسی ، این چیزی باشد که شما باید وقت خود را روی آن سرمایه گذاری کنید ، زیرا حتی اگر می خواهید از یک ابزار جعبه سیاه استفاده کنید ، از هر ابزار دیگری که استفاده می کنید ، همه آنها به این هدف نیاز دارند. آنها برای اطلاعات گرسنه هستند.

مقاله پیشنهادی  Google پیام های شغلی را به وب سایت های تلفن همراه گسترش می دهد

و داده ها کالایی نیستند. پیدا کردن آن دشوار است بنابراین ، اگر در یک مکان خاص قرار دارید ، یافتن کلمه کلیدی در 10 مجموعه داده ، بسیار دشوار خواهد بود.

یادگیری تولید این مجموعه داده ها از خود بسیار مهم است.

بنابراین ، یادگیری یک زبان اسکریپتینگ یا یک ابزار تبدیل یا زبانی که به شما امکان می دهد داده های خام را به هر فرمی که می خواهید بگیرید و مجدداً آن را اصلاح کنید که چگونه هر ابزاری که می خواهید برای آموزش و تولید پیش بینی ها استفاده کنید ، اصولی است که می توانید یاد بگیرید. .

تبلیغات

ادامه خواندن زیر

و یکی از زبانهایی که ساده ترین کار را برای تبدیل داده ها انجام می دهد ، پایتون است ، و این همان چیزی است که من فکر می کنم داشتن مقدمه ای برای پایتون نیز باشد.

من مقاله ای در ژورنال موتور جستجو دارم ، یک راهنما برای تجزیه و تحلیل داده های SEO است ، که قطعه کد زیادی را در اختیار شما قرار می دهد که می توانید از آنها استفاده کنید.

تفاوت بین پایتون و جاوا اسکریپت چیست؟

HB: آنها هر دو زبان عمومی هستند. از لحاظ تئوری ، کارهایی که در پایتون انجام می دهید ، می توانید تقریباً در JavaScript آنها را انجام دهید.

این مثل این است که شما اسپانیایی و انگلیسی یاد می گیرید. بنابراین ، شما قادر خواهید بود به همان چیزها ارتباط برقرار کنید ، اما صرفاً نحو زبانها متفاوت است. این در تئوری است

اکنون ، در عمل ، می خواهید تفاوت هایی را در کتابخانه های پیش بسته پیدا کنید. كتابخانه ها بلوك هاي ساختماني هستند.

بنابراین ، وقتی می خواهید مشکلی را حل کنید ، نمی خواهید کل مشکل را از ابتدا بسازید. شما برای انجام بخش های مختلف مشکل به ابزارهای شخص ثالث اعتماد خواهید کرد.

تبلیغات

ادامه خواندن زیر

و می خواهید این زبان را پیدا کنید که از قابلیت های بیشتری برخوردار باشد و یا از طرف شخص ثالث وسیع تر برای انواع خاصی از مشکلات پشتیبانی می کند.

در عمل ، هنگامی که من تجزیه و تحلیل داده ها را انجام می دهم ، هنگامی که من یادگیری ماشین یا یادگیری عمیق را انجام می دهم ، به نظر می رسم پایتون به دلیل پشتیبانی گسترده شخص ثالث ، انتخاب بسیار بهتری است.

محققان در حال نوشتن در پایتون هستند. فیس بوک ، گوگل ، همه اینها موارد شگفت انگیز دارند. اول به پایتون می آید

من نمی خواهم آن را در جاوا اسکریپت پیدا کنم ، بنابراین یک چیز واضح است.

از طرف دیگر ، اگر من در قسمت جلوی آنالیز انجام می دهم ، یا در حال انجام رندرینگ هستم ، یا فقط سعی می کنم بفهمم چرا صفحه ای که جاوا اسکریپت را ارائه نمی کند ، ارائه نمی شود ، پس ، پایتون جایی در این زمینه ندارد.

بسیاری از سیستم های جلویی پویا هستند و روی JavaScript ساخته شده اند.

اگر من کارمندان سرویس یا چیزهای بسیار جالبی را انجام می دهم که بصورت آنلاین اتفاق می افتد ، این JavaScript است.

تبلیغات

ادامه خواندن زیر

اگر مرورگر را خودکار می کنم ، JavaScript است.

بنابراین ، بیشتر درباره این است که کدام زبان از انواع خاصی از مشکلات پشتیبانی بهتری دارد. به همین دلیل من یکی قبل از دیگری می رفتم.

این پادکست توسط Ahrefs و Opteo برای شما آورده شده است.

برای گوش دادن به این نمایش موتور جستجو پادکست با هملت باتیستا:

برای گوش دادن به سایر نمایشگاه های ژورنال موتور جستجو ، از بایگانی پادکست ما دیدن کنید پادکست ها!


اعتبار تصویر

تصویر برجسته: پائولو بابیتا