Wat is MUM en hoe beïnvloedt het AI-zoekopdrachten?

MUM begrijpen: Google’s Multitask Unified Model

MUM (Multitask Unified Model) is een revolutionair kunstmatig intelligentieraamwerk, ontwikkeld door Google en aangekondigd in mei 2021. Het betekent een aanzienlijke stap vooruit in hoe zoekmachines complexe gebruikersvragen begrijpen en verwerken. In tegenstelling tot eerdere AI-modellen die zich vooral richtten op tekstbegrip, is MUM een multimodaal en meertalig AI-systeem dat gelijktijdig informatie kan verwerken uit tekst-, beeld-, video- en audioformaten. Deze fundamentele technologische verschuiving heeft diepgaande gevolgen voor hoe AI-zoekmachines resultaten leveren en hoe gebruikers met zoekplatformen omgaan.

De kerninnovatie van MUM ligt in het vermogen om context en nuance te begrijpen op manieren die eerdere modellen niet konden bereiken. Het onderzoeksteam van Google bouwde MUM op het T5 text-to-text framework, waardoor het ongeveer 1.000 keer krachtiger is dan BERT, zijn voorganger. Deze verhoogde capaciteit stelt MUM in staat niet alleen taal te begrijpen, maar ook te genereren, waardoor een meer omvattend begrip van informatie en wereldkennis ontstaat. Het model is getraind in 75 verschillende talen en vele verschillende taken tegelijkertijd, waardoor het een verfijnder inzicht heeft gekregen in hoe informatie zich verhoudt over verschillende contexten, culturen en formaten.

Hoe MUM complexe zoekopdrachten verwerkt

De manier waarop MUM zoekopdrachten verwerkt verschilt fundamenteel van traditionele zoekalgoritmen. Wanneer een gebruiker een complexe vraag indient, analyseert MUM meerdere mogelijke interpretaties parallel in plaats van zich te beperken tot één enkele interpretatie. Deze parallelle verwerkingscapaciteit betekent dat het systeem inzichten kan bieden op basis van diepgaande kennis van de wereld, terwijl het tegelijkertijd gerelateerde vragen, vergelijkingen en diverse contentbronnen identificeert. Als iemand bijvoorbeeld vraagt: “Ik heb Mt. Adams beklommen en wil nu Mt. Fuji beklimmen in de herfst, hoe kan ik me voorbereiden?”, begrijpt MUM dat deze vraag het vergelijken van twee bergen inhoudt, hoogte- en trailinformatie vereist en aspecten van voorbereiding omvat zoals fitnesstraining en materiaalkeuze.

MUM maakt gebruik van sequence-to-sequence matching-technologie die volledige zoekopdrachten analyseert als complete reeksen in plaats van losse zoekwoorden te koppelen aan databasevermeldingen. Het systeem zet zoekinvoer om in hoog-dimensionale vectoren die semantische betekenis vertegenwoordigen, en vergelijkt deze vervolgens met content in de Google-index. Dit vectorgebaseerde semantische begrip stelt MUM in staat om resultaten op basis van daadwerkelijke betekenis te vinden in plaats van alleen op basis van termen. Daarnaast gebruikt MUM kennisoverdracht tussen talen, waardoor het kan leren van bronnen geschreven in andere talen dan de zoektaal van de gebruiker, en die informatie in hun voorkeurstaal kan aanbieden.

Multimodaal begrip en de impact daarvan

Een van de meest transformerende mogelijkheden van MUM is het multimodaal begrip, wat betekent dat het informatie uit verschillende formaten gelijktijdig kan verwerken en begrijpen. Dit is fundamenteel anders dan eerdere zoektechnologieën die tekst, beeld en video als aparte datastromen behandelden. Met MUM kan een gebruiker theoretisch een foto maken van zijn wandelschoenen en vragen: “kan ik deze gebruiken om Mt. Fuji te beklimmen?”, en het systeem zou zowel de afbeelding als de vraag samen begrijpen en een geïntegreerd antwoord geven dat visuele informatie koppelt aan contextuele kennis.

Deze multimodale benadering heeft grote gevolgen voor hoe content verschijnt in zoekresultaten. In plaats van een eenvoudige lijst van blauwe links, worden MUM-aangedreven zoekresultaten steeds visueler en interactiever. Gebruikers zien nu geïntegreerde carrousels van afbeeldingen, ingesloten video’s met tijdsaanduidingen, inzoom-bare productfoto’s en contextuele overlays die informatie bieden zonder dat er geklikt hoeft te worden. De zoekervaring zelf wordt meer meeslepend en verkennend, met functies als “Things to Know”-panelen die complexe zoekopdrachten opdelen in behapbare subonderwerpen, elk met relevante fragmenten en visuele elementen.

Taalbarrières doorbreken in AI-zoekopdrachten

Taal is traditioneel een aanzienlijke barrière geweest voor toegang tot informatie, maar MUM verandert deze dynamiek fundamenteel. Het vermogen van het model om kennis tussen talen over te dragen betekent dat nuttige informatie die in het Japans is geschreven over Mt. Fuji nu zoekresultaten kan informeren voor Engelstalige vragen over hetzelfde onderwerp. Deze cross-linguale kennisoverdracht vertaalt niet simpelweg content; in plaats daarvan begrijpt het concepten en informatie in de ene taal en past dat begrip toe om resultaten te leveren in een andere taal.

Deze mogelijkheid heeft grote gevolgen voor wereldwijde informatie-toegang. Bij het zoeken naar informatie over het bezoeken van Mt. Fuji, kunnen gebruikers nu resultaten zien over waar je het beste uitzicht hebt, lokale onsen (warmwaterbronnen) en populaire souvenirwinkels—informatie die je meestal vindt als je in het Japans zoekt. Het systeem democratiseert in feite de toegang tot informatie die eerder achter taalbarrières verborgen zat. Voor contentmakers en merken betekent dit dat meertalige contentstrategieën steeds belangrijker worden, omdat jouw content in de ene taal nu invloed kan hebben op zoekresultaten in andere talen.

Zoekfrictie verminderen door volledige resultaten

Een van de belangrijkste ontwerpdoelen van MUM is om het aantal zoekopdrachten dat gebruikers moeten uitvoeren om volledige antwoorden te krijgen, te verminderen. Onderzoek toonde aan dat gebruikers gemiddeld acht afzonderlijke zoekopdrachten uitvoeren voor complexe taken. Voor MUM moest iemand die Mt. Adams met Mt. Fuji wilde vergelijken, zoeken naar hoogteverschillen, gemiddelde temperaturen, moeilijkheidsgraad van de trail, benodigd materiaal, trainingsaanbevelingen en meer. Elke zoekopdracht vereiste het doorklikken van meerdere resultaten en het samenvoegen van informatie uit verschillende bronnen.

Met MUM probeert het systeem deze vervolgvragen te anticiperen en volledige informatie in één zoekresultaat te bieden. De SERP wordt een geïntegreerde informatiehub die meerdere aspecten van de onderliggende behoefte van de gebruiker behandelt. Deze verschuiving heeft belangrijke gevolgen voor hoe merken en contentmakers denken over zichtbaarheid. In plaats van te optimaliseren voor individuele zoekwoordposities, hangt succes steeds meer af van het deel uitmaken van uitgebreide topicclusters die gebruikersintentie vanuit meerdere invalshoeken benaderen. Content die diepgaande, gelaagde informatie biedt over verschillende aspecten van een onderwerp, wordt eerder door MUM getoond.

Gestructureerde data en entiteitenbegrip

De effectiviteit van MUM hangt in belangrijke mate af van gestructureerde data en entiteitsherkenning. Het systeem gebruikt schema-markup en gestructureerde informatie om beter te begrijpen waar content over gaat en hoe verschillende stukjes informatie zich tot elkaar verhouden. Dit betekent dat het toepassen van de juiste schema-markup—zoals FAQPage, HowTo, Article en VideoObject-schema’s—steeds belangrijker wordt voor zichtbaarheid in door MUM aangestuurde zoekresultaten.

Naast eenvoudige schema-implementatie richt MUM zich op entiteitenopbouw en thematische autoriteit. In plaats van te denken aan losse zoekwoorden, leggen succesvolle contentstrategieën nu de nadruk op het vestigen van belangrijke onderwerpen of entiteiten die relevant zijn voor jouw branche. In plaats van bijvoorbeeld te optimaliseren voor het enkele zoekwoord “CRM voor kleine bedrijven”, zou een omvattende aanpak gerelateerde entiteiten vestigen zoals klantrelatiebeheer, sales-automatisering, leadmanagement, klantenservice en klantdatabeheer. Deze op entiteiten gebaseerde aanpak helpt MUM de volledige reikwijdte van jouw expertise te begrijpen en je content te tonen bij een breder scala aan gerelateerde zoekopdrachten.

Gevolgen voor AI-zoekzichtbaarheid

De opkomst van MUM en vergelijkbare multimodale AI-modellen heeft grote gevolgen voor hoe merken zichtbaar zijn in door AI aangedreven zoekresultaten. Traditionele SEO-metrics zoals click-through rates en individuele pagina-rankings worden minder relevant als gebruikers volledige informatie direct in de zoekresultaten krijgen zonder door te klikken naar websites. Dit creëert zowel uitdagingen als kansen voor contentmakers en merken.

De uitdaging is dat gebruikers antwoorden op hun vragen kunnen vinden zonder ooit je website te bezoeken. De kans is dat prominent aanwezig zijn in deze rijke, multimodale zoekresultaten—via featured snippets, videocarrussels, afbeeldingsgalerijen en kennispanelen—merkzichtbaarheid en autoriteit biedt, zelfs zonder direct verkeer. Dit vereist een fundamentele verschuiving in het meten van succes. In plaats van zich uitsluitend op verkeersstatistieken te richten, moeten merken nieuwe KPI’s ontwikkelen die zichtbaarheid binnen zoekresultaten weerspiegelen, merkvermeldingen in door AI gegenereerde antwoorden en betrokkenheid bij multimodale contentformaten.

Content voorbereiden op MUM-aangedreven zoeken

Om te optimaliseren voor MUM en vergelijkbare AI-modellen, moeten contentstrategieën zich op een aantal belangrijke punten ontwikkelen. Ten eerste moet content daadwerkelijk multimodaal worden, met hoogwaardige afbeeldingen, video’s, infographics en interactieve elementen naast tekst. Ten tweede moet content gestructureerd zijn met duidelijke semantische relaties, met gebruik van juiste koppenstructuren, schema-markup en interne links om thematische verbindingen te leggen. Ten derde moeten contentmakers zich richten op omvattende dekking van onderwerpen in plaats van individuele zoekwoordoptimalisatie, waarbij het volledige spectrum van gebruikersvragen en -behoeften rond een onderwerp wordt behandeld.

Daarnaast moeten merken meertalige contentstrategieën overwegen die rekening houden met MUM’s vermogen tot kennisoverdracht tussen talen. Dit betekent niet per se dat elk stuk content vertaald moet worden, maar wel dat je begrijpt hoe informatie in verschillende talen elkaar kan aanvullen en wereldwijd publiek kan bedienen. Tot slot moet content gecreëerd worden met gebruikersintentie en journey mapping in gedachten, zodat vragen die gebruikers kunnen stellen in verschillende fasen van hun beslissingsproces worden beantwoord, van eerste oriëntatie tot uiteindelijke aankoopbeslissing.

De opkomst van MUM en vergelijkbare multimodale AI-modellen betekent een fundamentele verschuiving in hoe zoekmachines informatie begrijpen en leveren. Door meerdere formaten en talen gelijktijdig te verwerken, kunnen deze systemen meer uitgebreide, contextuele en behulpzame resultaten bieden. Voor merken en contentmakers vereist succes in deze nieuwe omgeving het loslaten van traditionele zoekwoordoptimalisatie en het omarmen van multimodale, thematisch omvattende en semantisch rijke contentstrategieën die gebruikersintentie bedienen over meerdere formaten en talen.