​В последнее время я много занимаюсь аудитами под AI-поиск...

​В последнее время я много занимаюсь аудитами под AI-поиск, — говорит Лили Грозева, — и, хотя эта ниша еще только зарождается, я хотела поделиться одним рабочим процессом, который хорошо себя показал на небольших сайтах (допустим, до 5000 страниц).

Цель — понять, отражены ли целевые тематики в существующем контенте таким образом, чтобы он был понятен для LLM и Google AI Overviews.

Вот как я к этому подхожу:

— Я начинаю с краулинга текущего контента клиента и извлечения основных топиков, которые для него важны.

За основу можно взять их цели, продуктовые направления или промпты, по которым они хотели бы появляться в AI-выдаче.

— Затем я разбиваю их на сущности (именные понятия, продукты, люди — всё, что релевантно) и провожу NLP-анализ их частотности.

Как часто эти сущности встречаются в их контенте и в каком контексте?

— После этого я сопоставляю полученные данные с исходным списком топиков, чтобы оценить полноту покрытия.

Меня интересует: действительно ли мы раскрываем темы, по которым хотим получать видимость?

Не упускаем ли мы ключевые понятия, на поиск которых могут быть обучены LLM?

Для проведения анализа я использую ChatGPT или Gemini в качестве исследовательских инструментов.

Поскольку эти модели уже оптимизированы для работы с языком, я использую их для парсинга сайта и оценки соответствия между сущностями и топиками.

Метод не идеален, но он рабочий, при условии, что сайт небольшой и остается пространство для ручной доработки.

Мне было бы очень интересно услышать, как это делают другие.

Может, я упускаю какой-то шаг?

Существует ли более эффективный способ оценивать релевантность для видимости в LLM?

Интересно, как другие адаптируют свои процессы аудита под этот новый вид поиска.

@MikeBlazerX

Источник новости https://t.me/mikeblazerx/5425...