Ce que les spécialistes du marketing doivent savoir sur le Deep Learning et Google

L'apprentissage en profondeur.

Lors du PubCon KeyNote de 2013, Matt Cutts en a parlé comme l'un des éléments clés que Google utilise pour améliorer la recherche, en particulier autour des entités et de la recherche vocale. Le directeur de Facebook AI, Yann LeCun, indique que des entreprises comme Facebook et Google s'appuieront de plus en plus sur lui – Facebook pour le tri des éléments à montrer aux gens, Google pour les voitures autonomes. Et après un «hiver de l'IA» assez long, des entreprises comme Google, Facebook, Microsoft et IBM font appel à des experts en intelligence artificielle et en apprentissage en profondeur.

Pour les spécialistes du marketing, il n'y a jamais eu de moment plus important pour savoir ce qui est à la mode et ce qui est réel. L'apprentissage en profondeur change certainement la donne, mais peut-être pas de la manière à laquelle vous pourriez vous attendre.

Pas comme un cerveau, vraiment

Tout cela sonne très "Google-est-SkyNet", n'est-ce pas ? Ce qui l'imprègne de ce genre de mysticisme, c'est en partie la façon dont le Deep Learning et l'IA ont été dépeints par les médias. Mais le problème auquel les spécialistes du marketing sont confrontés concerne moins l'intrigue de Terminator 2 que l'expertise qu'ils ont autour de la recherche qui devient obsolète.

Pour comprendre pourquoi, il est utile de démystifier ce qu'est réellement le Deep Learning et ce qu'il n'est pas.

Le raccourci que les gens utilisent parfois pour décrire les techniques d'apprentissage en profondeur dans l'IA est que "cela fonctionne comme un cerveau". C'est une expression très tentante à utiliser, car elle élimine une partie de la complexité, et les gens peuvent s'habituer à des machines qui apprennent comme le fait un cerveau.

Mais comme le note Yann dans une récente interview, ce genre de battage médiatique est dangereux. Oui, il existe certaines techniques d'apprentissage automatique inspirées de la biologie, mais de nombreuses autres techniques ne le sont pas. Le Deep Learning consiste plutôt à enseigner la reconnaissance des formes aux machines, comme apprendre à une voiture à reconnaître les feux verts, rouges et jaunes, ou faire en sorte que Google reconnaisse la présence d'un visage sur une image.

Des machines qui apprennent

Ce qui est profond dans Deep Learning, c'est l'architecture, pas les apprentissages. C'est une question d'échelle.

Lorsque Google utilise Deep Learning pour ses projets "choses, pas chaînes", ce qui le rend profond n'est pas le fait que vous pouvez avoir une meilleure recherche conversationnelle, mais le fait que des millions et des millions d'"entités" comme "Obama" et "président ” s'habituent, ainsi que des tonnes de modèles sur ces relations.

Une brève histoire des moteurs de recherche

Comment cela se rapporte aux moteurs de recherche et aux spécialistes du marketing en ligne n'est pas évident tant que vous n'avez pas examiné l'historique de l'utilité des spécialistes du marketing de recherche.

Lorsque les moteurs de recherche étaient dans leur phase naissante, Altavista, Google et d'autres moteurs de recherche de l'époque utilisaient ce qu'on appelle la balise méta de mot-clé pour aider à déterminer le sujet d'une page. Ce que les SEO "mauvais" ou "blackhat" ont fait, c'est d'en abuser - ils ont spammé les mots-clés dans les métabalises jusqu'à ce que Google doive fondamentalement abandonner et dire que le champ n'est plus utile comme signal.

Ce modèle se poursuivrait dans la recherche à l'avenir - Google et la société diraient que les liens sont bons pour les moteurs de recherche, jusqu'à ce que les joueurs du système en abusent en créant des réseaux de liens payants qui rendaient les résultats de recherche moins utiles lorsqu'ils s'appuyaient uniquement sur des liens. Les moteurs de recherche ont dû s'adapter en actualisant les liens payants. Les pages thématiques sont bonnes pour les moteurs de recherche, jusqu'à ce que les fermes de contenu arrivent et aient essentiellement un contenu peu profond pour les sujets. Ainsi Panda est né.

Voilà donc à quoi ressemble généralement l'écosystème - les ingénieurs des sociétés de moteurs de recherche ne disent pas spécifiquement ce qui fait que les pages se classent, mais donnent des orientations générales. Les référenceurs "chapeau blanc" prendraient l'esprit de ces directives et les appliqueraient aux sites Web, et les "chapeaux noirs" continueraient à tester les faiblesses du système.

Cela dure depuis environ 15 ans, et le Deep Learning dans la recherche menace de déraciner une grande partie de cet écosystème.

La machine sait ce que les ingénieurs ne savent pas

Lorsque Amit Singhal et le reste de l'équipe de recherche Google appliquent des modifications à la recherche Google, ils introduisent essentiellement des algorithmes avec quelques boutons modifiés.

Mais l'introduction du Deep Learning dans les sections de recherche Google change la donne en ce sens que pour un ensemble particulier de recherches, la machine fournit la pertinence ; les ingénieurs ne seraient pas en mesure de répondre, par exemple, si les domaines de correspondance exacte aident, si les poids sociaux déterminent la majeure partie du classement pour cette recherche, ou si l'architecture interne du site nuit au classement.

Le mieux qu'un ingénieur de Google puisse dire est "peut-être".

Et si les ingénieurs de Google eux-mêmes ne le savent pas, vous pouvez parier que les référenceurs ne le savent pas, et leurs clients non plus. C'est ce à quoi nous sommes confrontés à mesure que les systèmes d'apprentissage en profondeur s'améliorent : le référencement en tant que métier ne mourra pas, mais l'étendue de ce qu'un référencement standard peut raisonnablement prétendre savoir sera plus limitée.

Comment pérenniser vos compétences dans un monde d'apprentissage en profondeur ?

L'impact du Deep Learning ne se fera pas seulement sentir dans la recherche, mais pour de nombreux spécialistes du marketing en ligne, la recherche est un enjeu de table. Au cours de la prochaine décennie, à mesure que ces systèmes s'amélioreront et que de plus en plus de normes seront développées (même les ingénieurs de Google et de Facebook admettent volontiers que nous n'en sommes pas encore là), ils seront applicables dans de plus en plus de domaines.

Ce que cela signifie pour vous en tant que spécialiste du marketing, c'est que si vous avez le même temps limité pour approfondir l'impact de la liaison des blocs C pour la recherche et la méthodologie de test fractionné pour la convivialité et les conversions, cette dernière peut avoir un peu plus de jambes à l'avenir.

Il semble que dans la prochaine décennie, les compétences que vous devriez choisir soient celles qui empêchent les visiteurs de revenir en arrière une fois qu'ils ont accédé à votre site Web - celles-ci seront essentielles, quelle que soit la quantité d'apprentissage en profondeur qui déracine la page de résultats de recherche. Les liens, les renvois aux médias sociaux, les éléments sur la page et d'autres éléments seront toujours pris en compte, mais vous aurez encore moins de visibilité sur leur importance qu'aujourd'hui.