MUM (Multitask Unified Model)

Definition von MUM (Multitask Unified Model)

MUM (Multitask Unified Model) ist Googles fortschrittliches multimodales künstliches Intelligenzmodell, das die Art und Weise revolutionieren soll, wie Suchmaschinen komplexe Benutzeranfragen verstehen und beantworten. Angekündigt im Mai 2021 von Pandu Nayak, Google Fellow und Vice President of Search, stellt MUM einen grundlegenden Wandel in der Information-Retrieval-Technologie dar. MUM basiert auf dem T5-Text-to-Text-Framework und umfasst etwa 110 Milliarden Parameter. Es ist 1.000-mal leistungsstärker als BERT, Googles vorherigem bahnbrechenden Modell zur Verarbeitung natürlicher Sprache. Im Gegensatz zu traditionellen Suchalgorithmen, die Text isoliert verarbeiten, verarbeitet MUM gleichzeitig Text, Bilder, Videos und Audio, während es Informationen in über 75 Sprachen nativ versteht. Diese multimodale und mehrsprachige Fähigkeit ermöglicht es MUM, komplexe Abfragen zu erfassen, für die Nutzer zuvor mehrere separate Suchvorgänge durchführen mussten, und verwandelt die Suche von einer simplen Keyword-Matching-Übung in ein intelligentes, kontextbewusstes Informationsabrufsystem. MUM versteht Sprache nicht nur, sondern generiert sie auch, was es in die Lage versetzt, Informationen aus verschiedenen Quellen und Formaten zu synthetisieren und umfassende, nuancierte Antworten zu liefern, die die gesamte Bandbreite der Benutzerabsicht abdecken.

Historischer Kontext und Entwicklung von Googles KI-Modellen

Googles Weg zu MUM stellt Jahre inkrementeller Innovationen in der Verarbeitung natürlicher Sprache und im maschinellen Lernen dar. Die Entwicklung begann mit Hummingbird (2013), das semantisches Verständnis einführte, um die Bedeutung hinter Suchanfragen zu interpretieren, anstatt nur Schlüsselwörter abzugleichen. Es folgte RankBrain (2015), das maschinelles Lernen nutzte, um Long-Tail-Keywords und neuartige Suchmuster zu verstehen. Neural Matching (2018) trieb dies weiter voran, indem neuronale Netze verwendet wurden, um Abfragen auf einer tieferen semantischen Ebene mit relevanten Inhalten abzugleichen. BERT (Bidirectional Encoder Representations from Transformers), 2019 eingeführt, markierte einen großen Meilenstein durch das Verständnis von Kontext innerhalb von Sätzen und Absätzen und verbesserte Googles Fähigkeit, nuancierte Sprache zu interpretieren. BERT hatte jedoch erhebliche Einschränkungen – es verarbeitete nur Text, hatte eine begrenzte mehrsprachige Unterstützung und konnte die Komplexität von Abfragen, die eine Informationssynthese über mehrere Formate hinweg erfordern, nicht bewältigen. Laut Googles Forschung geben Nutzer durchschnittlich acht separate Suchanfragen auf, um komplexe Fragen zu beantworten, wie etwa den Vergleich von zwei Wanderzielen oder die Bewertung von Produktoptionen. Diese Statistik zeigte eine kritische Lücke in der Suchtechnologie auf, die MUM gezielt schließen sollte. Das Helpful Content Update (2022) und das E-E-A-T-Framework (2023) verfeinerten weiter, wie Google autoritative, vertrauenswürdige Inhalte priorisiert. MUM baut auf all diesen Innovationen auf und führt gleichzeitig Fähigkeiten ein, die über bisherige Grenzen hinausgehen – es repräsentiert nicht nur eine inkrementelle Verbesserung, sondern einen Paradigmenwechsel in der Art und Weise, wie Suchmaschinen Informationen verarbeiten und bereitstellen.

Technische Architektur und multimodale Verarbeitung

MUMs technische Grundlage ruht auf der Transformer-Architektur, insbesondere dem T5 (Text-to-Text Transfer Transformer) Framework, das Google zuvor entwickelt hat. Das T5-Framework behandelt alle Aufgaben der natürlichen Sprachverarbeitung als Text-zu-Text-Probleme und wandelt Eingaben und Ausgaben in einheitliche Textdarstellungen um. MUM erweitert diesen Ansatz durch die Integration multimodaler Verarbeitungsfähigkeiten, die es ihm ermöglichen, Text, Bilder, Videos und Audio gleichzeitig innerhalb eines einzigen einheitlichen Modells zu verarbeiten. Diese architektonische Entscheidung ist bedeutend, da sie es MUM ermöglicht, Beziehungen und Kontext über verschiedene Medientypen hinweg zu verstehen, wie es früheren Modellen nicht möglich war. Wenn MUM beispielsweise eine Abfrage zur Besteigung des Mt. Fuji in Kombination mit einem Bild bestimmter Wanderschuhe verarbeitet, analysiert es Text und Bild nicht getrennt – es verarbeitet sie gemeinsam und versteht, wie die Eigenschaften des Schuhs mit dem Kontext der Abfrage zusammenhängen. Die 110 Milliarden Parameter des Modells geben ihm die Kapazität, enorme Mengen an Wissen über Sprache, visuelle Konzepte und deren Beziehungen zu speichern und zu verarbeiten. MUM wird gleichzeitig in 75 verschiedenen Sprachen und vielen verschiedenen Aufgaben trainiert, was es ihm ermöglicht, ein umfassenderes Verständnis von Informationen und Weltwissen zu entwickeln als Modelle, die nur in einzelnen Sprachen oder Aufgaben trainiert wurden. Dieser Multitask-Learning-Ansatz bedeutet, dass MUM lernt, Muster und Beziehungen zu erkennen, die über Sprachen und Domänen hinweg übertragbar sind, was es robuster und generalisierbarer macht als frühere Modelle. Die gleichzeitige Verarbeitung mehrerer Sprachen während des Trainings ermöglicht es MUM, Wissen über Sprachgrenzen hinweg zu übertragen, d. h. es kann Informationen, die in einer Sprache geschrieben sind, verstehen und dieses Verständnis auf Abfragen in einer anderen Sprache anwenden, wodurch Sprachbarrieren effektiv überwunden werden, die Suchergebnisse zuvor eingeschränkt haben.

Vergleichstabelle: MUM vs. verwandte KI-Modelle und Technologien

Wie MUM komplexe Suchanfragen verarbeitet

MUMs Abfrageverarbeitung umfasst mehrere anspruchsvolle Schritte, die zusammenarbeiten, um umfassende, kontextbezogene Antworten zu liefern. Wenn ein Benutzer eine Suchanfrage eingibt, beginnt MUM mit einer sprachunabhängigen Vorverarbeitung, bei der die Abfrage in einer der über 75 unterstützten Sprachen verstanden wird, ohne dass eine Übersetzung erforderlich ist. Dieses native Sprachverständnis bewahrt sprachliche Nuancen und regionalen Kontext, die bei Übersetzungen verloren gehen könnten. Als Nächstes verwendet MUM Sequenz-zu-Sequenz-Abgleich, bei dem die gesamte Abfrage als eine Sequenz von Bedeutung und nicht als isolierte Schlüsselwörter analysiert wird. Dieser Ansatz ermöglicht es MUM, Beziehungen zwischen Konzepten zu verstehen – beispielsweise zu erkennen, dass eine Abfrage zur “Vorbereitung auf den Mt. Fuji nach der Besteigung des Mt. Adams” einen Vergleich, Vorbereitung und kontextuelle Anpassung beinhaltet. Gleichzeitig führt MUM eine multimodale Eingabeanalyse durch und verarbeitet alle Bilder, Videos oder anderen Medien, die mit der Abfrage eingereicht wurden. Das Modell führt dann eine gleichzeitige Abfrageverarbeitung durch, bei der mehrere mögliche Benutzerabsichten parallel evaluiert werden, anstatt sich auf eine einzelne Interpretation zu verengen. Das bedeutet, dass MUM erkennen kann, dass sich eine Abfrage zum Wandern am Mt. Fuji auf körperliche Vorbereitung, Ausrüstungswahl, kulturelle Erfahrungen oder Reiselogistik beziehen könnte – und es zeigt relevante Informationen für all diese Interpretationen an. Vektorbasiertes semantisches Verständnis wandelt die Abfrage und indizierte Inhalte in hochdimensionale Vektoren um, die semantische Bedeutung repräsentieren, und ermöglicht so das Auffinden auf Basis konzeptioneller Ähnlichkeit anstelle von Keyword-Matching. MUM wendet dann eine Inhaltsfilterung durch Wissenstransfer an, wobei maschinelles Lernen genutzt wird, das auf Suchprotokollen, Browserdaten und Nutzerverhaltensmustern trainiert wurde, um qualitativ hochwertige, autoritative Quellen zu priorisieren. Schließlich generiert MUM eine multimedial angereicherte SERP-Komposition, die Textausschnitte, Bilder, Videos, verwandte Fragen und interaktive Elemente zu einem einzigen, visuell geschichteten Sucherlebnis kombiniert. Dieser gesamte Prozess geschieht in Millisekunden und ermöglicht es MUM, Ergebnisse zu liefern, die nicht nur die explizite Abfrage, sondern auch erwartete Folgefragen und verwandte Informationsbedürfnisse adressieren.

Multimodale und mehrsprachige Fähigkeiten

MUMs multimodale Fähigkeiten stellen eine grundlegende Abkehr von rein textbasierten Suchsystemen dar. Das Modell kann gleichzeitig Informationen aus Text, Bildern, Videos und Audio verarbeiten und verstehen, Bedeutung aus jeder Modalität extrahieren und zu kohärenten Antworten synthetisieren. Diese Fähigkeit ist besonders wirkungsvoll für Abfragen, die von visuellem Kontext profitieren. Wenn ein Benutzer beispielsweise fragt “Kann ich diese Wanderschuhe für den Mt. Fuji verwenden?” und dabei ein Bild seiner Schuhe zeigt, versteht MUM die Eigenschaften des Schuhs aus dem Bild – Material, Profil, Höhe, Farbe – und verbindet dieses visuelle Verständnis mit Wissen über das Gelände, das Klima und die Wanderanforderungen des Mt. Fuji, um eine kontextbezogene Antwort zu geben. Die mehrsprachige Dimension von MUM ist ebenso transformativ. Mit nativer Unterstützung für über 75 Sprachen kann MUM Wissen über Sprachgrenzen hinweg übertragen, d. h. es lernt aus Quellen in einer Sprache und wendet dieses Wissen auf Abfragen in einer anderen an. Dies durchbricht eine bedeutende Barriere, die Suchergebnisse zuvor auf Inhalte in der Muttersprache des Nutzers beschränkte. Wenn umfassende Informationen über den Mt. Fuji hauptsächlich in japanischen Quellen existieren – einschließlich lokaler Wanderführer, saisonaler Wettermuster und kultureller Einblicke – kann MUM diese japanischsprachigen Inhalte verstehen und relevante Informationen englischsprachigen Nutzern anzeigen. Laut Googles Tests konnte MUM innerhalb von Sekunden 800 Varianten von COVID-19-Impfstoffen in mehr als 50 Sprachen auflisten, was das Ausmaß und die Geschwindigkeit seiner mehrsprachigen Verarbeitungsfähigkeiten demonstriert. Dieses mehrsprachige Verständnis ist besonders wertvoll für Nutzer in nicht-englischsprachigen Märkten und für Abfragen zu Themen mit reichhaltigen Informationen in mehreren Sprachen. Die Kombination aus multimodaler und mehrsprachiger Verarbeitung bedeutet, dass MUM die relevantesten Informationen unabhängig vom Format oder der ursprünglichen Veröffentlichungssprache anzeigen kann und so ein wirklich globales Sucherlebnis schafft.

Auswirkungen auf Suchergebnisse und Benutzererfahrung

MUM verändert grundlegend, wie Suchergebnisse angezeigt und von Nutzern erlebt werden. Anstelle der traditionellen Liste blauer Links, die jahrzehntelang die Suche dominierten, erstellt MUM angereicherte, interaktive SERPs, die mehrere Inhaltsformate auf einer einzigen Seite kombinieren. Nutzer können jetzt Textausschnitte, hochauflösende Bilder, Videokarussells, verwandte Fragen und interaktive Elemente sehen, ohne die Suchergebnisseite verlassen zu müssen. Diese Verschiebung hat tiefgreifende Auswirkungen darauf, wie Nutzer mit der Suche interagieren. Anstatt mehrere Suchvorgänge durchzuführen, um Informationen zu einem komplexen Thema zu sammeln, können Nutzer verschiedene Blickwinkel und Unterthemen direkt im SERP erkunden. Eine Abfrage zur “Vorbereitung auf den Mt. Fuji im Herbst” könnte beispielsweise Höhenvergleiche, Wettervorhersagen, Ausrüstungsempfehlungen, Videoguides und Nutzerbewertungen anzeigen – alles kontextuell auf einer Seite organisiert. Google Lens Integration, unterstützt durch MUM, ermöglicht es Nutzern, mit Bildern statt mit Schlüsselwörtern zu suchen und visuelle Elemente in Fotos in interaktive Entdeckungswerkzeuge zu verwandeln. “Wissenswertes”-Panels zerlegen komplexe Abfragen in verdauliche Unterthemen und führen Nutzer mit relevanten Ausschnitten durch verschiedene Aspekte eines Themas. Zoombare, hochauflösende Bilder erscheinen direkt in den Suchergebnissen und ermöglichen visuelle Vergleiche, wodurch Reibungsverluste in frühen Entscheidungsphasen reduziert werden. Die “Verfeinern und Erweitern”-Funktion schlägt verwandte Konzepte vor, um Nutzern zu helfen, entweder tiefer in bestimmte Aspekte einzutauchen oder angrenzende Themen zu erkunden. Diese Veränderungen repräsentieren eine Verschiebung von der Suche als einfachem Abrufmechanismus hin zu einem interaktiven, explorativen Erlebnis, das Benutzerbedürfnisse antizipiert und umfassende Informationen direkt in der Suchoberfläche bereitstellt. Forschungsergebnisse deuten darauf hin, dass dieses reichhaltigere SERP-Erlebnis die durchschnittliche Anzahl der Suchvorgänge reduziert, die zur Beantwortung komplexer Fragen erforderlich sind, auch wenn es bedeutet, dass Nutzer Informationen direkt in den Suchergebnissen konsumieren, anstatt auf Websites zu klicken.

MUMs Rolle bei der KI-Überwachung und Markensichtbarkeit

Für Organisationen, die ihre Präsenz in KI-Systemen verfolgen, stellt MUM eine kritische Weiterentwicklung dar, wie Informationen entdeckt und angezeigt werden. Da MUM zunehmend in die Google-Suche integriert wird und andere KI-Systeme beeinflusst, wird das Verständnis, wie Marken und Domains in MUM-gestützten Ergebnissen erscheinen, für die Aufrechterhaltung der Sichtbarkeit unerlässlich. MUMs multimodale Verarbeitung bedeutet, dass Marken über mehrere Inhaltsformate hinweg optimieren müssen, nicht nur über Text. Eine Marke, die zuvor auf das Ranking für bestimmte Schlüsselwörter angewiesen war, muss jetzt sicherstellen, dass ihre Inhalte über Bilder, Videos und strukturierte Daten auffindbar sind. Die Fähigkeit des Modells, Informationen aus verschiedenen Quellen zu synthetisieren, bedeutet, dass die Sichtbarkeit einer Marke nicht nur von ihrer eigenen Website abhängt, sondern davon, wie ihre Informationen im gesamten Web-Ökosystem erscheinen. MUMs mehrsprachige Fähigkeiten schaffen neue Chancen und Herausforderungen für globale Marken. Inhalte, die in einer Sprache veröffentlicht wurden, können jetzt von Nutzern entdeckt werden, die in verschiedenen Sprachen suchen, was die potenzielle Reichweite vergrößert. Dies bedeutet jedoch auch, dass Marken sicherstellen müssen, dass ihre Informationen über alle Sprachen hinweg korrekt und konsistent sind, da MUM möglicherweise Informationen aus mehreren Sprachquellen für eine einzige Abfrage anzeigt. Für KI-Überwachungsplattformen wie AmICited ist die Verfolgung von MUMs Auswirkungen entscheidend, da es repräsentiert, wie moderne KI-Systeme Informationen abrufen und präsentieren. Bei der Überwachung, wo eine Marke in KI-Antworten erscheint – sei es in Google AI Overviews, Perplexity, ChatGPT oder Claude – hilft das Verständnis von MUMs zugrundeliegender Technologie zu erklären, warum bestimmte Inhalte angezeigt werden und wie man für Sichtbarkeit optimiert. Die Verschiebung hin zu multimodaler, mehrsprachiger Suche bedeutet, dass Marken eine umfassende Überwachung benötigen, die ihre Präsenz über verschiedene Inhaltsformate und Sprachen hinweg verfolgt, nicht nur traditionelle Keyword-Rankings. Organisationen, die MUMs Fähigkeiten verstehen, können ihre Content-Strategie besser optimieren, um in dieser neuen Suchlandschaft sichtbar zu bleiben.

Wichtigste Vorteile von MUM

• Reduzierte Suchreibung: Nutzer benötigen weniger Suchvorgänge, um komplexe Fragen zu beantworten, da MUM Informationen aus mehreren Quellen und Formaten zu umfassenden Antworten synthetisiert
• Multimodales Verständnis: Gleichzeitige Verarbeitung von Text, Bildern, Video und Audio ermöglicht reichhaltigeren Kontext und genauere Antworten auf Abfragen, die visuelles oder multimediales Verständnis erfordern
• Mehrsprachiger Wissenstransfer: Native Unterstützung für über 75 Sprachen ermöglicht die Entdeckung von Informationen über Sprachbarrieren hinweg und erweitert die Reichweite und Zugänglichkeit weltweit
• Kontextuelle Relevanz: MUM versteht die Benutzerabsicht auf einer tieferen Ebene, erkennt Beziehungen zwischen Konzepten und zeigt Informationen an, die erwartete Folgefragen adressieren
• Angereichertes SERP-Erlebnis: Interaktive, visuell geschichtete Suchergebnisse bieten mehr Informationen direkt in der Suche und verbessern das Nutzerengagement und die Entscheidungsfindung
• Bessere Verarbeitung mehrdeutiger Abfragen: MUMs Fähigkeit, mehrere Interpretationen gleichzeitig zu evaluieren, ermöglicht relevante Ergebnisse selbst für vage oder mehrdeutige Fragen
• Wissenssynthese: Anstatt nur bestehende Inhalte abzurufen, kann MUM Informationen aus mehreren Quellen synthetisieren, um umfassende Antworten zu erstellen
• Verbesserte Zugänglichkeit: Mehrsprachige und multimodale Verarbeitung macht Informationen für verschiedene Nutzer mit unterschiedlichen Sprachpräferenzen und Barrierefreiheitsbedürfnissen zugänglicher
• Verbesserte Featured Snippets: MUM ermöglicht eine anspruchsvollere Snippet-Generierung mit mehreren Snippet-Formaten pro Abfrage basierend auf verschiedenen Benutzerabsichten
• Formatübergreifende Inhaltsentdeckung: Inhalte in jedem Format – Text, Bilder, Video, Audio – können entdeckt und angezeigt werden, was Multimedia-Content-Strategien belohnt

Einschränkungen und Herausforderungen von MUM

Obwohl MUM einen bedeutenden Fortschritt darstellt, führt es auch neue Herausforderungen und Einschränkungen ein, die Organisationen bewältigen müssen. Niedrigere Klickraten stellen ein großes Problem für Publisher und Content-Ersteller dar, da Nutzer umfassende Informationen direkt in den Suchergebnissen konsumieren können, ohne auf Websites zu klicken. Diese Verschiebung bedeutet, dass traditionelle Traffic-Kennzahlen weniger zuverlässige Indikatoren für den Erfolg von Inhalten werden. Erhöhte technische SEO-Anforderungen bedeuten, dass Inhalte, um von MUM richtig verstanden zu werden, gut strukturiert sein müssen mit entsprechendem Schema-Markup, semantischem HTML und klaren Entitätsbeziehungen. Inhalte, denen diese technische Grundlage fehlt, werden möglicherweise nicht richtig von MUMs multimodaler Verarbeitung indexiert oder verstanden. SERP-Sättigung schafft Herausforderungen für die Sichtbarkeit, da mehr Inhaltsformate um Aufmerksamkeit auf einer einzigen Seite konkurrieren. Selbst starke Inhalte erhalten möglicherweise weniger oder gar keine Klicks, wenn Nutzer ausreichende Informationen direkt im SERP finden. Potenzial für irreführende Ergebnisse besteht, wenn MUM Informationen aus mehreren Quellen anzeigt, die sich widersprechen könnten, oder wenn Kontext bei der Synthese verloren geht. Abhängigkeit von strukturierten Daten bedeutet, dass unstrukturierte oder schlecht formatierte Inhalte möglicherweise nicht richtig von MUM verstanden oder angezeigt werden. Sprachliche und kulturelle Nuancen-Herausforderungen können auftreten, wenn MUM Wissen über Sprachen hinweg überträgt und dabei möglicherweise kulturellen Kontext oder regionale Bedeutungsunterschiede übersieht. Ressourcenbedarf für den Betrieb von MUM in großem Maßstab ist erheblich, obwohl Google in Effizienzverbesserungen investiert hat, um den CO2-Fußabdruck zu reduzieren. Bias- und Fairness-Bedenken erfordern fortlaufende Aufmerksamkeit, um sicherzustellen, dass MUM keine in den Trainingsdaten vorhandenen Verzerrungen fortschreibt oder bestimmte Perspektiven oder Gemeinschaften benachteiligt.

Auswirkungen auf SEO und Content-Strategie

Die Einführung von MUM erfordert grundlegende Änderungen in der Herangehensweise an SEO und Content-Strategie. Traditionelle keyword-fokussierte Optimierung wird weniger effektiv, wenn MUM Absicht und Kontext über exakte Keyword-Übereinstimmungen hinaus verstehen kann. Themenbasierte Content-Strategie wird wichtiger als keywordbasierte Strategie, da Organisationen umfassende Content-Cluster erstellen müssen, die Themen aus mehreren Blickwinkeln behandeln. Multimedia-Content-Erstellung ist nicht länger optional – Organisationen müssen in die Erstellung hochwertiger Bilder, Videos und interaktiver Inhalte investieren, die textbasierte Inhalte ergänzen. Implementierung strukturierter Daten wird entscheidend, da Schema-Markup MUM hilft, Inhaltsstruktur und -beziehungen zu verstehen. Entitätsaufbau und semantische Optimierung helfen, thematische Autorität aufzubauen und zu verbessern, wie MUM Inhaltsbeziehungen versteht. Mehrsprachige Content-Strategie gewinnt an Bedeutung, da MUMs Sprachtransferfähigkeiten bedeuten, dass Inhalte über Sprachmärkte hinweg entdeckt werden können. Mapping der Benutzerabsicht wird anspruchsvoller und erfordert, dass Organisationen nicht nur die primäre Absicht, sondern auch verwandte Fragen und Unterthemen verstehen, die Nutzer erkunden könnten. Aktualität und Genauigkeit von Inhalten werden wichtiger, da MUM Informationen aus mehreren Quellen synthetisiert – veraltete oder ungenaue Inhalte können herabgestuft werden. Plattformübergreifende Optimierung erstreckt sich über die Google-Suche hinaus auf die Optimierung dafür, wie Inhalte in KI-Systemen wie Google AI Overviews, Perplexity und anderen KI-gestützten Suchoberflächen erscheinen. E-E-A-T-Signale (Erfahrung, Expertise, Autorität, Vertrauenswürdigkeit) werden zunehmend wichtiger, da MUM Inhalte aus autoritativen Quellen priorisiert. Organisationen, die ihre Strategien an MUMs Fähigkeiten anpassen – mit Fokus auf umfassende, multimodale, gut strukturierte Inhalte, die Expertise und Autorität demonstrieren – werden in dieser sich entwickelnden Suchlandschaft sichtbar bleiben.

Vorbereitung Ihrer Inhalte für MUM-gestützte Suchergebnisse

Die Optimierung für MUM-beeinflusste Suchergebnisse erfordert eine andere Checkliste als die traditionelle Keyword-Optimierung, da MUM Inhalte über Formate und Sprachen hinweg bewertet, anstatt exakte Begriffe abzugleichen. Prüfen Sie zunächst Ihre Inhalte auf Multimedia-Vollständigkeit – Seiten, die ausschließlich auf Text setzen, verpassen die multimodalen Signale, die MUM verwendet; fügen Sie relevante Bilder, Videodemonstrationen oder Diagramme hinzu, wo immer sie einen echten Mehrwert bieten, da MUM diese zusammen mit Text verarbeitet, anstatt rein textbasierte Seiten standardmäßig zu bevorzugen. Implementieren Sie zweitens umfassend strukturierte Daten, wobei Sie Schema-Typen priorisieren, die darauf abzielen, wie MUM Abfragen in Unterthemen aufteilt, wie FAQ-, HowTo- und Product-Schema, damit das Modell einzelne Teile Ihres Inhalts parsen kann, anstatt die Seite als einen undifferenzierten Block zu behandeln. Bauen Sie drittens Themencluster statt einzelner keyword-optimierter Seiten auf – da MUM mehrere verwandte Unterthemen innerhalb einer einzelnen Abfrage evaluiert, wird eine Seite, die nur den wörtlichen Suchbegriff beantwortet, während sie eng verwandte Folgefragen ignoriert, gegen eine Seite verlieren, die das gesamte Thema umfassender behandelt. Überprüfen Sie viertens den alternativen Text und die Dateibenennung von Bildern, da visuelle Suchfunktionen wie Google Lens auf diese Metadaten angewiesen sind, um Bilder mit ihrem Themengebiet zu verbinden. Stellen Sie fünftens sicher, dass Übersetzungen oder lokalisierte Versionen korrekt und vollständig sind, wenn Sie in mehreren Sprachen arbeiten, da MUMs sprachübergreifender Wissenstransfer bedeutet, dass inhaltliche Lücken in einer Sprache durch die Inhalte eines Mitbewerbers in einer anderen Sprache gefüllt werden können. Überwachen Sie schließlich, welche Ihrer Seiten “Wissenswertes”-artige ausklappbare Panels in den Suchergebnissen auslösen, und erweitern Sie diese Inhalte weiter, da dies signalisiert, dass MUM die Seite bereits als gute Behandlung eines bestimmten Unterthemas erkennt.