Hva er MUM og hvordan påvirker det AI-søk?

Forstå MUM: Googles Multitask Unified Model

MUM (Multitask Unified Model) er et banebrytende rammeverk for kunstig intelligens utviklet av Google og annonsert i mai 2021. Det representerer et betydelig fremskritt i hvordan søkemotorer forstår og behandler komplekse brukerforespørsler. I motsetning til tidligere AI-modeller som hovedsakelig fokuserte på tekstbasert forståelse, er MUM et multimodalt og flerspråklig AI-system som kan behandle informasjon samtidig på tvers av tekst, bilder, video og lydformater. Dette grunnleggende teknologiskiftet har dype konsekvenser for hvordan AI-søkemotorer leverer resultater og hvordan brukere samhandler med søkeplattformer.

Kjernen i innovasjonen bak MUM ligger i dens evne til å forstå kontekst og nyanser på måter tidligere modeller ikke kunne oppnå. Googles forskerteam bygde MUM ved hjelp av T5 text-to-text-rammeverket, noe som gjør den omtrent 1 000 ganger kraftigere enn BERT, forgjengeren. Denne økte kapasiteten lar MUM ikke bare forstå språk, men også generere det, noe som gir en mer helhetlig forståelse av informasjon og verdens kunnskap. Modellen ble trent på 75 forskjellige språk og mange ulike oppgaver samtidig, noe som gjør at den kan utvikle en mer sofistikert forståelse av hvordan informasjon henger sammen på tvers av ulike kontekster, kulturer og formater.

Hvordan MUM behandler komplekse søk

Måten MUM behandler søk på, skiller seg grunnleggende fra tradisjonelle søkealgoritmer. Når en bruker sender inn en kompleks forespørsel, analyserer MUM flere mulige tolkninger parallelt i stedet for å begrense seg til én forståelse. Denne evnen til parallell behandling gjør at systemet kan hente frem innsikt basert på dyp kunnskap om verden, samtidig som det identifiserer relaterte spørsmål, sammenligninger og ulike innholdskilder. For eksempel, hvis noen spør “Jeg har gått på fjelltur på Mt. Adams og ønsker nå å gå på Mt. Fuji neste høst, hva bør jeg gjøre for å forberede meg?”, forstår MUM at denne forespørselen innebærer en sammenligning av to fjell, krever informasjon om høyde og løyper, og inkluderer forberedelsesaspekter som trening og valg av utstyr.

MUM benytter sekvens-til-sekvens-matching-teknologi som analyserer hele forespørsler som komplette sekvenser, i stedet for å matche individuelle nøkkelord mot databasen. Systemet konverterer søkeinput til høy-dimensjonale vektorer som representerer semantisk mening, og sammenligner deretter disse vektorene mot innhold i Googles indeks. Denne vektorbaserte semantiske forståelsen gjør at MUM kan hente resultater basert på faktisk mening og ikke bare enkel ordmatching. I tillegg bruker MUM kunnskapsoverføring på tvers av språk, slik at den kan lære fra kilder skrevet på andre språk enn brukerens søkespråk og bringe denne informasjonen til brukeren på ønsket språk.

Multimodal forståelse og dens betydning

En av MUMs mest transformerende egenskaper er dens multimodale forståelse, som betyr at den kan behandle og forstå informasjon fra ulike formater samtidig. Dette er fundamentalt forskjellig fra tidligere søketeknologier som behandlet tekst, bilder og video som separate datastrømmer. Med MUM kan en bruker teoretisk sett ta et bilde av fjellstøvlene sine og spørre “kan jeg bruke disse til å gå på Mt. Fuji?”, og systemet vil forstå både bildet og spørsmålet sammen, og gi et integrert svar som kobler visuell informasjon med kontekstuell kunnskap.

Denne multimodale tilnærmingen har stor innvirkning på hvordan innhold vises i søkeresultater. I stedet for å vise en enkel liste med blå lenker, blir MUM-drevne søkeresultater stadig mer visuelle og interaktive. Brukere ser nå integrerte bildekarruseller, innebygde videoer med tidsstempler, zoom-bare produktbilder og kontekstuelle overlegg som gir informasjon uten at det kreves klikk. Søkeopplevelsen blir mer engasjerende og utforskende, med funksjoner som “Ting du bør vite”-paneler som deler opp komplekse spørsmål i fordøyelige undertemaer, hver med relevante utdrag og visuelle elementer.

Å bryte språkbarrierer i AI-søk

Språk har tradisjonelt vært en betydelig barriere for tilgang til informasjon, men MUM endrer dette fundamentalt. Modellens evne til å overføre kunnskap mellom språk betyr at nyttig informasjon skrevet på japansk om Mt. Fuji nå kan påvirke søkeresultater for engelskspråklige søk om samme tema. Denne tverrspråklige kunnskapsoverføringen oversetter ikke bare innhold; den forstår konsepter og informasjon på ett språk og bruker denne forståelsen til å levere resultater på et annet.

Denne evnen har store konsekvenser for global informasjons-tilgang. Når man søker etter informasjon om å besøke Mt. Fuji, kan man nå se resultater om hvor man får den beste utsikten, lokale onsen (varme kilder) og populære suvenirbutikker—informasjon som vanligvis finnes når man søker på japansk. Systemet demokratiserer i praksis tilgang til informasjon som tidligere var låst bak språkbarrierer. For innholdsprodusenter og merkevarer betyr dette at flerspråklige innholdsstrategier blir stadig viktigere, ettersom innholdet ditt på ett språk nå kan påvirke søkeresultater på andre språk.

Redusere friksjon i søk gjennom helhetlige resultater

Et av hovedmålene bak MUM er å redusere antall søk brukerne må utføre for å få komplette svar. Forskning viste at brukere i gjennomsnitt utførte åtte separate søk for komplekse oppgaver. Før MUM, hvis noen ville sammenligne fjelltur på Mt. Adams med Mt. Fuji, måtte man søke etter høydeforskjeller, gjennomsnittstemperaturer, løypevanskelighetsgrad, nødvendig utstyr, treningsanbefalinger og mer. Hvert søk krevde å klikke på flere resultater og å sammenstille informasjon fra ulike kilder.

Med MUM forsøker systemet å forutse disse oppfølgingsspørsmålene og levere helhetlig informasjon i ett enkelt søkeresultat. Søkeresultatsiden blir et samlet informasjonsknutepunkt som dekker flere aspekter av brukerens underliggende behov. Dette har stor betydning for hvordan merkevarer og innholdsprodusenter tenker på synlighet. I stedet for å optimalisere for individuelle nøkkelordplasseringer, avhenger suksess i økende grad av å være en del av omfattende temaklynger som dekker brukerens hensikt fra flere vinkler. Innhold som gir dyp, lagdelt informasjon om ulike aspekter av et tema, vil oftere bli vist av MUM.

Strukturert data og entitetsforståelse

MUMs effektivitet avhenger i stor grad av strukturert data og entitetsgjenkjenning. Systemet bruker schema markup og strukturert informasjon for å forstå hva innholdet handler om og hvordan ulike informasjonsbiter henger sammen. Dette betyr at riktig implementering av schema markup—som FAQPage, HowTo, Article og VideoObject-skjemaer—blir stadig viktigere for synlighet i MUM-drevne søkeresultater.

Utover enkel implementering av schema, fokuserer MUM på entitetsbygging og tematisk autoritet. I stedet for å tenke på individuelle nøkkelord, legger vellykkede innholdsstrategier nå vekt på å etablere sentrale temaer eller entiteter relevante for din bransje. For eksempel, i stedet for å optimalisere for nøkkelordet “CRM for små bedrifter”, vil en helhetlig tilnærming etablere relaterte entiteter som kundeoppfølging, salgsautomatisering, lead-håndtering, kundestøtte og kundedatabehandling. Denne entitetsbaserte tilnærmingen hjelper MUM med å forstå hele omfanget av din ekspertise og viser innholdet ditt i et bredere spekter av relaterte søk.

Konsekvenser for synlighet i AI-søk

Fremveksten av MUM og lignende multimodale AI-modeller har store konsekvenser for hvordan merkevarer vises i AI-drevne søkeresultater. Tradisjonelle SEO-målinger som klikkrater og individuelle sideplasseringer blir mindre relevante når brukere kan få omfattende informasjon direkte i søkeresultatene uten å klikke seg videre til nettsider. Dette gir både utfordringer og muligheter for innholdsprodusenter og merkevarer.

Utfordringen er at brukere kan finne svarene de søker uten noen gang å besøke nettstedet ditt. Muligheten er at det å bli fremhevet i disse rike, multimodale søkeresultatene—gjennom fremhevede utdrag, videokaruseller, bildegallerier og kunnskapspaneler—gir merkevaresynlighet og autoritet selv uten direkte trafikk. Dette krever et grunnleggende skifte i hvordan suksess måles. I stedet for å kun fokusere på trafikkmålinger, må merkevarer utvikle nye KPI-er som reflekterer synlighet i søkeresultatene, merkevarenevnt i AI-genererte svar og engasjement med multimodale innholdsformater.

Forberede innhold for MUM-drevet søk

For å optimalisere for MUM og lignende AI-modeller må innholdsstrategier utvikles på flere sentrale områder. For det første må innholdet bli genuint multimodalt, med høykvalitetsbilder, videoer, infografikker og interaktive elementer i tillegg til tekst. For det andre bør innholdet struktureres med tydelige semantiske relasjoner, ved å bruke riktige overskriftsnivåer, schema markup og intern lenking for å etablere tematiske sammenhenger. For det tredje bør innholdsprodusenter ha fokus på omfattende tematisk dekning fremfor individuell nøkkelordoptimalisering, og adressere hele spekteret av brukerens spørsmål og behov knyttet til et tema.

I tillegg bør merkevarer vurdere flerspråklige innholdsstrategier som anerkjenner MUMs evne til å overføre kunnskap mellom språk. Dette betyr ikke nødvendigvis å oversette alt innhold, men heller å forstå hvordan informasjon på ulike språk kan utfylle hverandre og betjene globale målgrupper. Til slutt bør innholdet skapes med brukerhensikt og reise i tankene, slik at man adresserer spørsmål brukere kan ha på ulike stadier av beslutningsprosessen, fra første bevissthet til endelig kjøpsbeslutning.

Fremveksten av MUM og lignende multimodale AI-modeller representerer et grunnleggende skifte i hvordan søkemotorer forstår og leverer informasjon. Ved å behandle flere formater og språk samtidig kan disse systemene gi mer helhetlige, kontekstuelle og nyttige resultater. For merkevarer og innholdsprodusenter krever suksess i dette nye landskapet at man går utover tradisjonell nøkkelordoptimalisering og omfavner multimodale, tematisk omfattende og semantisk rike innholdsstrategier som dekker brukerens hensikt på tvers av flere formater og språk.