Cos'è MUM e come influisce sulla ricerca AI?

Comprendere MUM: il Multitask Unified Model di Google

MUM (Multitask Unified Model) è un rivoluzionario framework di intelligenza artificiale sviluppato da Google e annunciato nel maggio 2021. Rappresenta un passo avanti significativo nel modo in cui i motori di ricerca comprendono ed elaborano query complesse degli utenti. A differenza dei precedenti modelli AI che si concentravano principalmente sulla comprensione basata sul testo, MUM è un sistema AI multimodale e multilingue in grado di elaborare simultaneamente informazioni su testo, immagini, video e formati audio. Questo cambiamento fondamentale nella tecnologia ha profonde implicazioni su come i motori di ricerca AI forniscono risultati e su come gli utenti interagiscono con le piattaforme di ricerca.

L’innovazione principale di MUM risiede nella sua capacità di comprendere contesti e sfumature in modi che i modelli precedenti non potevano raggiungere. Il team di ricerca di Google ha costruito MUM utilizzando il framework T5 text-to-text, rendendolo circa 1.000 volte più potente di BERT, il suo predecessore. Questa maggiore capacità consente a MUM non solo di comprendere il linguaggio, ma anche di generarlo, creando una comprensione più approfondita delle informazioni e della conoscenza del mondo. Il modello è stato addestrato su 75 lingue diverse e molteplici compiti contemporaneamente, permettendogli di sviluppare una comprensione più sofisticata di come le informazioni siano correlate in diversi contesti, culture e formati.

Come MUM elabora le query di ricerca complesse

Il modo in cui MUM elabora le query di ricerca differisce fondamentalmente dagli algoritmi tradizionali. Quando un utente invia una query complessa, MUM analizza più possibili interpretazioni in parallelo invece di restringere il campo a una sola comprensione. Questa capacità di elaborazione parallela significa che il sistema può offrire approfondimenti basati su una conoscenza profonda del mondo identificando al contempo domande correlate, confronti e fonti di contenuto diverse. Ad esempio, se qualcuno chiede “Ho già scalato il Monte Adams e ora voglio scalare il Monte Fuji il prossimo autunno, come dovrei prepararmi?”, MUM comprende che questa query comporta il confronto tra due montagne, richiede informazioni su altitudine e sentieri e include aspetti di preparazione come l’allenamento fisico e la scelta dell’attrezzatura.

MUM utilizza la tecnologia di sequence-to-sequence matching che analizza le intere query come sequenze complete invece di abbinare singole parole chiave alle voci di un database. Il sistema converte l’input di ricerca in vettori ad alta dimensionalità che rappresentano il significato semantico, quindi confronta questi vettori con i contenuti presenti nell’indice di Google. Questa comprensione semantica basata su vettori consente a MUM di recuperare risultati basati sul reale significato anziché sul semplice abbinamento di termini. Inoltre, MUM utilizza il trasferimento di conoscenza tra lingue, permettendo di apprendere da fonti scritte in lingue diverse da quella della ricerca dell’utente e portare tali informazioni nella lingua preferita dall’utente.

Comprensione multimodale e suo impatto

Una delle capacità più trasformative di MUM è la sua comprensione multimodale, cioè la possibilità di elaborare e comprendere simultaneamente informazioni provenienti da diversi formati. Questo è radicalmente diverso dalle precedenti tecnologie di ricerca che trattavano testo, immagini e video come flussi di dati separati. Con MUM, un utente potrebbe teoricamente scattare una foto dei propri scarponi da trekking e chiedere “posso usare questi per scalare il Monte Fuji?” e il sistema capirebbe sia l’immagine sia la domanda, fornendo una risposta integrata che collega le informazioni visive con la conoscenza contestuale.

Questo approccio multimodale ha implicazioni significative su come i contenuti appaiono nei risultati di ricerca. Anziché mostrare un semplice elenco di link blu, i risultati di ricerca con MUM stanno diventando sempre più visivi e interattivi. Gli utenti vedono ora caroselli integrati di immagini, video incorporati con timestamp, foto di prodotti zoomabili e overlay contestuali che forniscono informazioni senza richiedere clic. L’esperienza di ricerca stessa diventa più immersiva ed esplorativa, con funzionalità come i pannelli “Cose da Sapere” che suddividono query complesse in sottotemi digeribili, ciascuno con snippet e elementi visivi pertinenti.

Superare le barriere linguistiche nella ricerca AI

La lingua è stata tradizionalmente una barriera importante all’accesso alle informazioni, ma MUM cambia radicalmente questa dinamica. La capacità del modello di trasferire la conoscenza tra lingue significa che informazioni utili scritte in giapponese sul Monte Fuji possono ora influenzare i risultati di ricerca per query in inglese sullo stesso argomento. Questo trasferimento di conoscenza cross-lingua non si limita a tradurre i contenuti; invece, comprende concetti e informazioni in una lingua e applica tale comprensione per fornire risultati in un’altra lingua.

Questa capacità ha profonde implicazioni per l’accesso globale alle informazioni. Cercando informazioni su una visita al Monte Fuji, ora possono apparire risultati su dove godere delle migliori viste, onsen locali (terme) e negozi di souvenir popolari—informazioni più spesso reperibili effettuando ricerche in giapponese. Il sistema, in sostanza, democratizza l’accesso a informazioni che prima erano bloccate da barriere linguistiche. Per creatori di contenuti e brand, questo significa che strategie di contenuti multilingue diventano sempre più importanti, poiché i tuoi contenuti in una lingua possono ora influenzare i risultati di ricerca in altre lingue.

Ridurre la frizione della ricerca attraverso risultati completi

Uno degli obiettivi principali di MUM è ridurre il numero di ricerche che gli utenti devono effettuare per ottenere risposte complete. Le ricerche hanno dimostrato che, per compiti complessi, gli utenti in media effettuano otto query separate. Prima di MUM, chi voleva confrontare la scalata al Monte Adams con quella al Monte Fuji doveva cercare differenze di altitudine, temperature medie, difficoltà dei sentieri, attrezzatura necessaria, consigli per l’allenamento e altro ancora. Ogni ricerca richiedeva di cliccare su molteplici risultati e di sintetizzare informazioni provenienti da fonti diverse.

Con MUM, il sistema cerca di anticipare queste domande successive e di fornire informazioni complete in un unico risultato di ricerca. La SERP diventa un hub informativo unificato che affronta molteplici aspetti dell’esigenza sottostante dell’utente. Questo cambiamento ha importanti implicazioni per la visibilità di brand e creatori di contenuti. Piuttosto che ottimizzare per singole parole chiave, il successo dipende sempre più dall’essere parte di cluster tematici completi che affrontano l’intento dell’utente da molteplici angolazioni. I contenuti che offrono informazioni approfondite e stratificate su vari aspetti di un argomento hanno maggiori probabilità di essere mostrati da MUM.

Dati strutturati e comprensione delle entità

L’efficacia di MUM dipende in modo significativo da dati strutturati e riconoscimento delle entità. Il sistema utilizza markup schema e informazioni strutturate per comprendere meglio di cosa tratta un contenuto e come i diversi elementi informativi siano collegati tra loro. Ciò significa che implementare correttamente il markup schema—come FAQPage, HowTo, Article e VideoObject—diventa sempre più importante per la visibilità nei risultati di ricerca alimentati da MUM.

Oltre alla semplice implementazione dello schema, MUM si concentra sulla costruzione di entità e autorità tematica. Invece di pensare a singole parole chiave, ora le strategie di contenuto di successo puntano a stabilire argomenti o entità chiave rilevanti per il proprio settore. Ad esempio, invece di ottimizzare solo per la parola chiave “CRM per piccole imprese”, un approccio completo stabilirebbe entità correlate come gestione delle relazioni con i clienti, automazione delle vendite, gestione dei lead, supporto clienti e gestione dei dati clienti. Questo approccio basato sulle entità aiuta MUM a comprendere la piena portata della tua esperienza e a mostrare i tuoi contenuti su una gamma più ampia di query correlate.

Implicazioni per la visibilità nella ricerca AI

L’ascesa di MUM e di modelli AI multimodali simili ha implicazioni significative su come i brand appaiono nei risultati di ricerca alimentati da AI. Le metriche SEO tradizionali come tassi di clic e ranking delle singole pagine diventano meno rilevanti quando gli utenti possono consumare informazioni complete direttamente nei risultati di ricerca senza accedere ai siti web. Questo crea sia sfide che opportunità per creatori di contenuti e brand.

La sfida è che gli utenti possono trovare risposte alle loro domande senza mai visitare il tuo sito. L’opportunità è che essere presenti in modo prominente in questi risultati ricchi e multimodali—tramite featured snippet, caroselli video, gallerie di immagini e knowledge panel—offre visibilità e autorevolezza al brand anche senza traffico diretto. Questo richiede un cambiamento fondamentale nel modo in cui viene misurato il successo. Oltre a concentrarsi esclusivamente sulle metriche di traffico, i brand devono sviluppare nuovi KPI che riflettano la visibilità nei risultati di ricerca, le menzioni del brand nelle risposte generate dall’AI e l’engagement con i formati di contenuto multimodali.

Preparare i contenuti per la ricerca alimentata da MUM

Per ottimizzare per MUM e modelli AI simili, le strategie di contenuto devono evolversi in diverse direzioni chiave. Innanzitutto, i contenuti devono diventare genuinamente multimodali, incorporando immagini di alta qualità, video, infografiche ed elementi interattivi insieme al testo. In secondo luogo, i contenuti dovrebbero essere strutturati con chiare relazioni semantiche, utilizzando gerarchie di titoli adeguate, markup schema e collegamenti interni per stabilire connessioni tematiche. In terzo luogo, i creatori dovrebbero puntare a una copertura tematica completa invece che all’ottimizzazione per singole parole chiave, affrontando l’intero spettro di domande ed esigenze degli utenti legate a un argomento.

Inoltre, i brand dovrebbero considerare strategie di contenuto multilingue che riconoscano la capacità di MUM di trasferire conoscenza tra lingue. Questo non significa necessariamente tradurre ogni contenuto, ma comprendere come le informazioni in lingue diverse possano integrarsi e servire un pubblico globale. Infine, i contenuti dovrebbero essere creati tenendo conto dell’intento utente e della mappatura del percorso, affrontando le domande che gli utenti potrebbero porsi nelle diverse fasi del loro processo decisionale, dalla consapevolezza iniziale fino alle decisioni di acquisto finale.

L’emergere di MUM e di modelli AI multimodali simili rappresenta un cambiamento fondamentale nel modo in cui i motori di ricerca comprendono e forniscono informazioni. Elaborando più formati e lingue simultaneamente, questi sistemi possono offrire risultati più completi, contestuali e utili. Per brand e creatori di contenuti, il successo in questo nuovo scenario richiede di andare oltre l’ottimizzazione tradizionale per parole chiave e abbracciare strategie di contenuto multimodali, tematicamente complete e semanticamente ricche che servano l’intento utente su più formati e lingue.