MUM (Multitask Unified Model)

Definicja MUM (Multitask Unified Model)

MUM (Multitask Unified Model) to zaawansowany multimodalny model sztucznej inteligencji Google, zaprojektowany w celu zrewolucjonizowania sposobu, w jaki wyszukiwarki rozumieją i odpowiadają na złożone zapytania użytkowników. Ogłoszony w maju 2021 roku przez Pandu Nayaka, Google Fellow i wiceprezesa ds. wyszukiwania, MUM stanowi fundamentalną zmianę w technologii wyszukiwania informacji. Zbudowany na ramie tekstowej T5 i składający się z około 110 miliardów parametrów, MUM jest 1000 razy potężniejszy od BERT, poprzedniego przełomowego modelu przetwarzania języka naturalnego Google. W przeciwieństwie do tradycyjnych algorytmów wyszukiwania, które przetwarzają tekst w izolacji, MUM jednocześnie przetwarza tekst, obrazy, wideo i audio, rozumiejąc informacje w ponad 75 językach natywnie. Ta multimodalna i wielojęzyczna zdolność umożliwia MUM zrozumienie złożonych zapytań, które wcześniej wymagały od użytkowników przeprowadzenia wielu wyszukiwań, przekształcając wyszukiwanie z prostego dopasowywania słów kluczowych w inteligentny, kontekstowy system wyszukiwania informacji. MUM nie tylko rozumie język, ale także go generuje, co pozwala mu syntetyzować informacje z różnych źródeł i formatów, dostarczając kompleksowe, szczegółowe odpowiedzi odpowiadające pełnemu zakresowi intencji użytkownika.

Kontekst historyczny i ewolucja modeli AI Google

Podróż Google w kierunku MUM to lata stopniowych innowacji w przetwarzaniu języka naturalnego i uczeniu maszynowym. Ewolucja rozpoczęła się od Hummingbird (2013), który wprowadził rozumienie semantyczne do interpretacji znaczenia zapytań, a nie tylko dopasowywania słów kluczowych. Następnie RankBrain (2015) wykorzystał uczenie maszynowe do rozumienia długich ogonów słów kluczowych i nowych wzorców wyszukiwania. Neural Matching (2018) posunął to dalej, używając sieci neuronowych do głębszego semantycznego dopasowywania zapytań z odpowiednimi treściami. BERT (Bidirectional Encoder Representations from Transformers), uruchomiony w 2019 roku, był ważnym kamieniem milowym, umożliwiając rozumienie kontekstu w zdaniach i akapitach, co poprawiło zdolność Google do interpretacji niuansowego języka. Jednak BERT miał znaczące ograniczenia – przetwarzał tylko tekst, miał ograniczone wsparcie wielojęzyczne i nie radził sobie ze złożonością zapytań wymagających syntezy informacji w wielu formatach. Według badań Google, użytkownicy zadają średnio osiem oddzielnych zapytań, aby odpowiedzieć na złożone pytania, takie jak porównanie dwóch miejsc pieszych wędrówek czy ocena opcji produktów. Ta statystyka podkreśliła krytyczną lukę w technologii wyszukiwania, którą MUM został specjalnie zaprojektowany, aby wypełnić. Aktualizacja Helpful Content Update (2022) i ramy E-E-A-T (2023) dodatkowo udoskonaliły sposób, w jaki Google priorytetyzuje autorytatywne i wiarygodne treści. MUM opiera się na wszystkich tych innowacjach, wprowadzając jednocześnie możliwości wykraczające poza dotychczasowe ograniczenia, stanowiąc nie tylko stopniową poprawę, ale zmianę paradygmatu w sposobie, w jaki wyszukiwarki przetwarzają i dostarczają informacje.

Architektura techniczna i przetwarzanie multimodalne

Podstawa techniczna MUM opiera się na architekturze Transformer, a konkretnie na ramie T5 (Text-to-Text Transfer Transformer), którą Google opracował wcześniej. Rama T5 traktuje wszystkie zadania przetwarzania języka naturalnego jako problemy tekst-na-tekst, konwertując dane wejściowe i wyjściowe na ujednolicone reprezentacje tekstowe. MUM rozszerza to podejście, wprowadzając możliwości przetwarzania multimodalnego, umożliwiając jednoczesną obsługę tekstu, obrazów, wideo i audio w ramach jednego, ujednoliconego modelu. Ten wybór architektoniczny jest znaczący, ponieważ pozwala MUM rozumieć relacje i kontekst między różnymi typami mediów w sposób, w jaki poprzednie modele nie mogły. Na przykład, przetwarzając zapytanie o wędrówkę na górę Fuji połączone z obrazem konkretnych butów trekkingowych, MUM nie analizuje tekstu i obrazu oddzielnie – przetwarza je razem, rozumiejąc, jak cechy butów odnoszą się do kontekstu zapytania. 110 miliardów parametrów modelu zapewnia mu zdolność do przechowywania i przetwarzania ogromnych ilości wiedzy o języku, konceptach wizualnych i ich relacjach. MUM jest trenowany w 75 różnych językach i w wielu różnych zadaniach jednocześnie, co pozwala mu na opracowanie bardziej kompleksowego rozumienia informacji i wiedzy o świecie niż modele trenowane na pojedynczych językach lub zadaniach. To podejście wielozadaniowego uczenia się oznacza, że MUM uczy się rozpoznawać wzorce i relacje, które przenoszą się między językami i domenami, czyniąc go bardziej solidnym i lepiej generalizującym niż poprzednie modele. Równoczesne przetwarzanie wielu języków podczas treningu pozwala MUM na transfer wiedzy między językami, co oznacza, że może rozumieć informacje napisane w jednym języku i stosować to rozumienie do zapytań w innym języku, skutecznie przełamując bariery językowe, które wcześniej ograniczały wyniki wyszukiwania.

Tabela porównawcza: MUM a pokrewne modele i technologie AI

Jak MUM przetwarza złożone zapytania wyszukiwania

Proces przetwarzania zapytań przez MUM obejmuje wiele zaawansowanych etapów, które współpracują ze sobą, aby dostarczyć kompleksowe, kontekstowe odpowiedzi. Gdy użytkownik wysyła zapytanie, MUM rozpoczyna od językowo-neutralnego przetwarzania wstępnego, rozumiejąc zapytanie w dowolnym z ponad 75 obsługiwanych języków bez konieczności tłumaczenia. To natywne rozumienie języka zachowuje niuanse językowe i kontekst regionalny, które mogłyby zostać utracone w tłumaczeniu. Następnie MUM stosuje dopasowanie sekwencja-do-sekwencji, analizując całe zapytanie jako sekwencję znaczenia, a nie izolowane słowa kluczowe. To podejście pozwala MUM zrozumieć relacje między pojęciami – na przykład rozpoznać, że zapytanie o “przygotowanie do Mt. Fuji po zdobyciu Mt. Adams” dotyczy porównania, przygotowania i adaptacji kontekstowej. Jednocześnie MUM przeprowadza analizę multimodalnego wejścia, przetwarzając wszelkie obrazy, filmy lub inne media dołączone do zapytania. Model następnie angażuje się w równoczesne przetwarzanie zapytań, oceniając wiele możliwych intencji użytkownika równolegle, zamiast zawężać się do jednej interpretacji. Oznacza to, że MUM może rozpoznać, iż zapytanie o wędrówkę na Mt. Fuji może dotyczyć przygotowania fizycznego, doboru sprzętu, doświadczeń kulturowych lub logistyki podróży – i wyświetla odpowiednie informacje dla wszystkich tych interpretacji. Semantyczne rozumienie wektorowe przekształca zapytanie i indeksowane treści w wielowymiarowe wektory reprezentujące znaczenie semantyczne, umożliwiając wyszukiwanie oparte na podobieństwie koncepcyjnym, a nie dopasowaniu słów kluczowych. MUM następnie stosuje filtrowanie treści poprzez transfer wiedzy, wykorzystując uczenie maszynowe wyszkolone na logach wyszukiwania, danych przeglądania i wzorcach zachowań użytkowników, aby priorytetyzować wysokiej jakości, wiarygodne źródła. Na koniec MUM tworzy wzbogaconą multimedialnie kompozycję SERP, łącząc fragmenty tekstu, obrazy, filmy, powiązane pytania i elementy interaktywne w jedną, wizualnie warstwową stronę wyników wyszukiwania. Cały ten proces odbywa się w milisekundach, umożliwiając MUM dostarczanie wyników, które odpowiadają nie tylko na jawne zapytanie, ale także na przewidywane pytania uzupełniające i powiązane potrzeby informacyjne.

Możliwości multimodalne i wielojęzyczne

Multimodalne możliwości MUM stanowią fundamentalne odejście od tekstowych systemów wyszukiwania. Model może jednocześnie przetwarzać i rozumieć informacje z tekstu, obrazów, wideo i dźwięku, wydobywając znaczenie z każdej modalności i syntetyzując je w spójne odpowiedzi. Ta zdolność jest szczególnie przydatna w przypadku zapytań, które korzystają z kontekstu wizualnego. Na przykład, jeśli użytkownik zapyta “Czy mogę użyć tych butów turystycznych na Mt. Fuji?”, pokazując zdjęcie swoich butów, MUM rozumie charakterystykę butów z obrazu – materiał, bieżnik, wysokość, kolor – i łączy to zrozumienie wizualne z wiedzą o terenie Mt. Fuji, klimacie i wymaganiach dotyczących wędrówek, aby udzielić kontekstowej odpowiedzi. Wielojęzyczny wymiar MUM jest równie przełomowy. Dzięki natywnej obsłudze ponad 75 języków, MUM może przeprowadzać transfer wiedzy między językami, co oznacza, że uczy się ze źródeł w jednym języku i stosuje tę wiedzę do zapytań w innym. Przełamuje to istotną barierę, która wcześniej ograniczała wyniki wyszukiwania do treści w języku ojczystym użytkownika. Jeśli wyczerpujące informacje o Mt. Fuji istnieją głównie w źródłach japońskich – w tym lokalnych przewodnikach górskich, sezonowych wzorcach pogodowych i spostrzeżeniach kulturowych – MUM może zrozumieć te treści w języku japońskim i wyświetlić odpowiednie informacje użytkownikom anglojęzycznym. Według testów Google, MUM był w stanie wymienić 800 wariantów szczepionek przeciwko COVID-19 w ponad 50 językach w ciągu kilku sekund, co pokazuje skalę i szybkość jego wielojęzycznych możliwości przetwarzania. To wielojęzyczne rozumienie jest szczególnie cenne dla użytkowników na rynkach nieanglojęzycznych oraz w przypadku zapytań dotyczących tematów z bogatymi informacjami w wielu językach. Połączenie przetwarzania multimodalnego i wielojęzycznego oznacza, że MUM może wyświetlić najbardziej odpowiednie informacje niezależnie od formatu, w jakim są przedstawione, lub języka, w którym zostały pierwotnie opublikowane, tworząc prawdziwie globalne doświadczenie wyszukiwania.

Wpływ na wyniki wyszukiwania i doświadczenie użytkownika

MUM fundamentalnie zmienia sposób wyświetlania i odbierania wyników wyszukiwania przez użytkowników. Zamiast tradycyjnej listy niebieskich linków, która dominowała w wyszukiwarkach przez dekady, MUM tworzy wzbogacone, interaktywne SERPy, łączące wiele formatów treści na jednej stronie. Użytkownicy mogą teraz zobaczyć fragmenty tekstu, obrazy w wysokiej rozdzielczości, karuzele wideo, powiązane pytania i elementy interaktywne, nie opuszczając strony wyników wyszukiwania. Ta zmiana ma głębokie implikacje dla sposobu, w jaki użytkownicy korzystają z wyszukiwania. Zamiast przeprowadzać wiele wyszukiwań, aby zebrać informacje na złożony temat, użytkownicy mogą eksplorować różne aspekty i podtematy bezpośrednio w SERP. Na przykład zapytanie o “przygotowanie do Mt. Fuji jesienią” może wyświetlić porównania wysokości, prognozy pogody, rekomendacje sprzętu, przewodniki wideo i recenzje użytkowników – wszystko zorganizowane kontekstowo na jednej stronie. Integracja z Google Lens obsługiwana przez MUM umożliwia użytkownikom wyszukiwanie za pomocą obrazów zamiast słów kluczowych, zamieniając elementy wizualne w zdjęciach w interaktywne narzędzia odkrywania. Panele “Things to Know” rozbijają złożone zapytania na przystępne podtematy, prowadząc użytkowników przez różne aspekty tematu z odpowiednimi fragmentami dla każdego z nich. Obrazy w wysokiej rozdzielczości z możliwością powiększenia pojawiają się bezpośrednio w wynikach wyszukiwania, umożliwiając porównanie wizualne i zmniejszając tarcie na wczesnych etapach podejmowania decyzji. Funkcjonalność “Refine and Broaden” sugeruje powiązane koncepcje, pomagając użytkownikom zagłębić się w konkretne aspekty lub eksplorować tematy pokrewne. Te zmiany oznaczają przejście od wyszukiwania jako prostego mechanizmu wyszukiwania do wyszukiwania jako interaktywnego, eksploracyjnego doświadczenia, które przewiduje potrzeby użytkownika i dostarcza wyczerpujących informacji w samym interfejsie wyszukiwania. Badania wskazują, że to bogatsze doświadczenie SERP zmniejsza średnią liczbę wyszukiwań potrzebnych do odpowiedzi na złożone pytania, choć oznacza również, że użytkownicy mogą konsumować informacje bezpośrednio w wynikach wyszukiwania, zamiast klikać w strony internetowe.

Rola MUM w monitorowaniu AI i widoczności marki

Dla organizacji śledzących swoją obecność w systemach AI, MUM stanowi krytyczną ewolucję w sposobie, w jaki informacje są odkrywane i wyświetlane. W miarę jak MUM jest coraz bardziej integrowany z wyszukiwarką Google i wpływa na inne systemy AI, zrozumienie, w jaki sposób marki i domeny pojawiają się w wynikach opartych na MUM, staje się niezbędne do utrzymania widoczności. Multimodalne przetwarzanie MUM oznacza, że marki muszą optymalizować swoje treści w wielu formatach, nie tylko w tekście. Marka, która wcześniej polegała na pozycjonowaniu pod konkretne słowa kluczowe, musi teraz zadbać o to, by jej treści były odkrywalne poprzez obrazy, filmy i dane strukturalne. Zdolność modelu do syntezy informacji z różnorodnych źródeł sprawia, że widoczność marki zależy nie tylko od jej własnej strony internetowej, ale także od tego, jak jej informacje pojawiają się w szerszym ekosystemie sieci. Wielojęzyczne możliwości MUM stwarzają nowe możliwości i wyzwania dla globalnych marek. Treści opublikowane w jednym języku mogą być teraz odkrywane przez użytkowników wyszukujących w innych językach, co zwiększa potencjalny zasięg. Oznacza to jednak również, że marki muszą zapewnić dokładność i spójność swoich informacji w różnych językach, ponieważ MUM może wyświetlać informacje z wielu źródeł językowych dla pojedynczego zapytania. Dla platform monitorujących AI, takich jak AmICited, śledzenie wpływu MUM jest kluczowe, ponieważ odzwierciedla ono, w jaki sposób nowoczesne systemy AI pobierają i prezentują informacje. Podczas monitorowania, gdzie marka pojawia się w odpowiedziach AI — czy to w Google AI Overviews, Perplexity, ChatGPT, czy Claude — zrozumienie podstawowej technologii MUM pomaga wyjaśnić, dlaczego określone treści są wyświetlane i jak zoptymalizować widoczność. Przejście w stronę multimodalnego, wielojęzycznego wyszukiwania oznacza, że marki potrzebują kompleksowego monitorowania, które śledzi ich obecność w różnych formatach treści i językach, a nie tylko tradycyjnych rankingach słów kluczowych. Organizacje, które rozumieją możliwości MUM, mogą lepiej optymalizować swoją strategię treści, aby zapewnić widoczność w tym nowym krajobrazie wyszukiwania.

Kluczowe korzyści i zalety MUM

• Mniejsze tarcie w wyszukiwaniu: Użytkownicy potrzebują mniej wyszukiwań, aby uzyskać odpowiedzi na złożone pytania, ponieważ MUM syntetyzuje informacje z wielu źródeł i formatów w kompleksowe odpowiedzi
• Multimodalne rozumienie: Równoczesne przetwarzanie tekstu, obrazów, wideo i audio umożliwia bogatszy kontekst i dokładniejsze odpowiedzi na zapytania wymagające zrozumienia wizualnego lub multimedialnego
• Wielojęzyczny transfer wiedzy: Natywna obsługa 75+ języków pozwala na odkrywanie informacji ponad barierami językowymi, zwiększając zasięg i dostępność na całym świecie
• Kontekstowa trafność: MUM rozumie intencje użytkownika na głębszym poziomie, rozpoznając relacje między pojęciami i wyświetlając informacje odpowiadające na przewidywane pytania uzupełniające
• Wzbogacone doświadczenie SERP: Interaktywne, wizualnie warstwowe wyniki wyszukiwania dostarczają więcej informacji bezpośrednio w wyszukiwarce, poprawiając zaangażowanie użytkowników i podejmowanie decyzji
• Lepsze obsługiwanie niejednoznacznych zapytań: Zdolność MUM do jednoczesnej oceny wielu interpretacji oznacza, że może on dostarczać trafne wyniki nawet dla niejasnych lub dwuznacznych pytań
• Synteza wiedzy: Zamiast tylko pobierać istniejące treści, MUM potrafi syntetyzować informacje z wielu źródeł, tworząc kompleksowe odpowiedzi
• Poprawiona dostępność: Wielojęzyczne i multimodalne przetwarzanie sprawia, że informacje są bardziej dostępne dla różnorodnych użytkowników o różnych preferencjach językowych i potrzebach dostępnościowych
• Ulepszone featured snippets: MUM umożliwia bardziej zaawansowane generowanie fragmentów, z wieloma formatami snippetów na zapytanie w zależności od różnych intencji użytkownika
• Odkrywanie treści między formatami: Treści w dowolnym formacie — tekście, obrazach, wideo, audio — mają potencjał do odkrycia i wyświetlenia, co nagradza strategie treści multimedialnych

Ograniczenia i wyzwania MUM

Choć MUM stanowi znaczący postęp, wprowadza również nowe wyzwania i ograniczenia, z którymi organizacje muszą się mierzyć. Niższe współczynniki klikalności stanowią główny problem dla wydawców i twórców treści, ponieważ użytkownicy mogą teraz konsumować kompleksowe informacje bezpośrednio w wynikach wyszukiwania, bez klikania w strony internetowe. Ta zmiana sprawia, że tradycyjne metryki ruchu stają się mniej wiarygodnymi wskaźnikami sukcesu treści. Zwiększone wymagania techniczne SEO oznaczają, że aby zostać prawidłowo zrozumianym przez MUM, treść musi być dobrze ustrukturyzowana, z odpowiednim schema markup, semantycznym HTML i jasnymi relacjami między encjami. Treści pozbawione tej technicznej podstawy mogą nie zostać prawidłowo zaindeksowane lub zrozumiane przez multimodalne przetwarzanie MUM. Nasycenie SERP stwarza wyzwania dla widoczności, ponieważ więcej formatów treści konkuruje o uwagę na jednej stronie. Nawet dobre treści mogą uzyskać mniej kliknięć lub zero kliknięć, jeśli użytkownicy znajdą wystarczające informacje bezpośrednio w SERP. Potencjał wprowadzających w błąd wyników istnieje, gdy MUM wyświetla informacje z wielu źródeł, które mogą być ze sobą sprzeczne, lub gdy kontekst zostaje utracony w procesie syntezy. Zależność od danych strukturalnych oznacza, że nieustrukturyzowane lub słabo sformatowane treści mogą nie zostać prawidłowo zrozumiane lub wyświetlone przez MUM. Wyzwania związane z niuansami językowymi i kulturowymi mogą pojawić się, gdy MUM przenosi wiedzę między językami, potencjalnie pomijając kontekst kulturowy lub regionalne różnice w znaczeniu. Wymagania dotyczące zasobów obliczeniowych do uruchamiania MUM na dużą skalę są znaczne, choć Google zainwestował w usprawnienia wydajności, aby zmniejszyć ślad węglowy. Obawy dotyczące stronniczości i uczciwości wymagają ciągłej uwagi, aby zapewnić, że MUM nie utrwala uprzedzeń obecnych w danych treningowych ani nie faworyzuje niektórych perspektyw lub społeczności.

Implikacje dla SEO i strategii treści

Pojawienie się MUM wymaga fundamentalnych zmian w podejściu organizacji do SEO i strategii treści. Tradycyjna optymalizacja skoncentrowana na słowach kluczowych staje się mniej skuteczna, gdy MUM jest w stanie zrozumieć intencję i kontekst wykraczające poza dokładne dopasowanie słów kluczowych. Strategia treści oparta na tematach staje się ważniejsza niż strategia oparta na słowach kluczowych, a organizacje muszą tworzyć kompleksowe klastry treści, które ujmują tematy z wielu perspektyw. Tworzenie treści multimedialnych nie jest już opcjonalne — organizacje muszą inwestować w tworzenie wysokiej jakości obrazów, filmów i interaktywnych treści, które uzupełniają treści tekstowe. Wdrożenie danych strukturalnych staje się kluczowe, ponieważ schema markup pomaga MUM zrozumieć strukturę treści i relacje między nimi. Budowanie encji i optymalizacja semantyczna pomagają ustanowić autorytet tematyczny i poprawić sposób, w jaki MUM rozumie relacje między treściami. Wielojęzyczna strategia treści zyskuje na znaczeniu, ponieważ możliwości transferu językowego MUM oznaczają, że treści mogą być odkrywane na różnych rynkach językowych. Mapowanie intencji użytkownika staje się bardziej zaawansowane, wymagając od organizacji zrozumienia nie tylko podstawowej intencji, ale także powiązanych pytań i podtematów, które użytkownicy mogą eksplorować. Świeżość i dokładność treści stają się ważniejsze, ponieważ MUM syntetyzuje informacje z wielu źródeł — nieaktualne lub nieprecyzyjne treści mogą zostać zdeprecjonowane. Optymalizacja międzyplatformowa wykracza poza wyszukiwarkę Google i obejmuje optymalizację pod kątem wyglądu treści w systemach AI, takich jak Google AI Overviews, Perplexity i innych interfejsach wyszukiwania opartych na AI. Sygnały E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) stają się coraz ważniejsze, ponieważ MUM priorytetyzuje treści z autorytatywnych źródeł. Organizacje, które dostosują swoje strategie do możliwości MUM — koncentrując się na kompleksowych, multimodalnych, dobrze ustrukturyzowanych treściach wykazujących się doświadczeniem i autorytetem — utrzymają widoczność w tym ewoluującym krajobrazie wyszukiwania.

Przygotowanie treści pod wyniki wyszukiwania oparte na MUM

Optymalizacja pod kątem wyników wyszukiwania opartych na MUM wymaga innej listy kontrolnej niż tradycyjna optymalizacja pod słowa kluczowe, ponieważ MUM ocenia treści w różnych formatach i językach, zamiast dopasowywać dokładne terminy. Po pierwsze, przeprowadź audyt swoich treści pod kątem kompletności multimedialnej — strony opierające się wyłącznie na tekście pomijają multimodalne sygnały, z których korzysta MUM; dodaj odpowiednie obrazy, demonstracje wideo lub diagramy tam, gdzie wnoszą rzeczywistą wartość, ponieważ MUM przetwarza je razem z tekstem, zamiast domyślnie rankingować strony wyłącznie tekstowe. Po drugie, wdroż kompleksowo dane strukturalne, priorytetyzując typy schematów odpowiadające sposobowi, w jaki MUM dzieli zapytania na podtematy, takie jak FAQ, HowTo i Product schema, aby model mógł analizować poszczególne fragmenty treści, zamiast traktować stronę jako jeden niezróżnicowany blok. Po trzecie, twórz klastry tematyczne zamiast pojedynczych stron ukierunkowanych na słowa kluczowe — ponieważ MUM ocenia wiele powiązanych podtematów w ramach jednego zapytania, strona odpowiadająca tylko na dosłowne hasło wyszukiwania, ignorując blisko powiązane pytania uzupełniające, przegra ze stroną, która obejmuje szerszy temat. Po czwarte, sprawdź tekst alternatywny obrazów i nazewnictwo plików, ponieważ funkcje wyszukiwania wizualnego, takie jak Google Lens, opierają się na tych metadanych, aby połączyć obrazy z ich tematyką. Po piąte, zweryfikuj dokładność i kompletność tłumaczeń lub wersji zlokalizowanych, jeśli działasz w wielu językach, ponieważ transfer wiedzy między językami w MUM oznacza, że luki treściowe w jednym języku mogą zostać wypełnione treścią konkurenta w innym. Na koniec, monitoruj, które z Twoich stron wyzwalają rozwijane panele w stylu “Things to Know” w wynikach wyszukiwania, i rozwijaj te treści dalej, ponieważ sygnalizuje to, że MUM już rozpoznaje stronę jako dobrze adresującą konkretny podtemat.