Le “Machine Learning » (nommé aussi apprentissage automatique ou apprentissage artificiel) peut être définit comme étant une technologie d’intelligence artificielle qui permet aux ordinateurs et aux machines d’apprendre perpétuellement, sans avoir été programmer pour ce faire.

Toutefois, les machines ont nécessairement besoin de flux de données continus à analyser pour apprendre à mieux répondre aux requêtes des utilisateurs et ainsi améliorer systématiquement leurs performances.

Quelle est la différence entre le Machine Learning et les programmes traditionnels ?

Ce type d’apprentissage diffère des programmes habituels au niveau des caractéristiques des données et les circonstances de leur collecte. En effet, l’approche traditionnelle des programmes exige la prévision préalable des types de données susceptibles d’alimenter le programme en entrée et ainsi programmer les traitements possibles à appliquer à ces données en sortie.
Toutefois cette approche prévisionnelle des cas de figure possibles n’est souvent pas fiable. En effet, de par la vélocité des données, leur variabilité accrue, leur volumétrie importante et surtout la complexité des traitements possibles sur ces données, l’écriture du programme est souvent sujet à une « explosion combinatoire ».

Afin de résoudre les problèmes et limites que présente l’approche traditionnelle, le Machine Learning a été présenté comme approche alternative avantageuse. Ce type d’apprentissage se base sur deux éléments clés :

• Concevoir des programmes capables d’apprendre et améliorer leurs performances au fils des traitements.
• Écrire des programmes capables de détecter et comprendre les lois par procédé d’induction, en se basant sur des échantillons de données diverses.

Les progrès qu’a permis l’intelligence artificielle et ses applications de Machine Learning sont certes indéniables dans les différentes industries. Toutefois, ce type d’algorithme a longtemps été sous-utilisé par les moteurs de recherche de par la difficulté d’obtention d’un échantillon de données en entrée suffisant et les coût engendrés par les traitements de données volumineuses.

Avènement des “Support Vector Machines”

Avec le développement des SVM « Support Vector Machines » ou « Machines à Vecteurs Supports » en français suite aux travaux de Vladimir Vlapnik dans les années 90, il est désormais possible de traiter des volumes plus conséquents de données avec une efficacité supérieure.
D’où la croissance exponentielle de l’intérêt porté à l’utilisation du Machine Learning en général (et les SVM en particulier) par les grands moteurs de recherches (Google, Bing, Yandek, etc.) depuis plus de 20 ans.

Google et le Machine Learning…C’est plus qu’un Fling!

Présente désormais au niveau de la configuration et l’ADN de plusieurs services de Google comme YouTube, Gmail ou même la fameuse console Google Home, L’IA est intégrée à la majorité des services de Google (si ce n’est pas tous).

Il est alors parfaitement logique que Google l’utilise comme levier pour mieux servir sa raison d’exister autant que moteur de recherche : donner la réponse la plus pertinente aux questions de recherches de ses utilisateurs. Par le biais du programme d’intelligence artificielle RankBrain annoncé en 2015 par Greg Corrado comme étant le 3ième facteur le plus important dans le référencement des pages dans les résultats de recherche (derrière les liens et le contenu). Grâce à RankBrain, Google réussi désormais à analyser des requêtes plus complexes et y répondre avec plus de pertinence et surtout de façon toujours plus adaptée à votre profil.

Avec des mises- à-jour souvent centré sur l’expérience utilisateur (voir schéma ci-dessous), entre les updates mobiles et algorithmes toujours à la recherche d’une meilleure expérience utilisateur, le moteur de recherche tend à adopter une vision plutôt “user-centric”.

Grâce au Machine Learning et aux réseaux de neurones, Google ne répond plus à votre « requête de recherche » mais plutôt à votre « Intention de recherche », voire même l’anticiper. Ce qui permet d’identifier l’interaction avec l’utilisateur et son expérience comme étant au centre de l’algorithme de Google RankBrain et même à l’origine de cette avancée.

En effet, Google avait conclu que son moteur de recherche n’arrivait pas à répondre à 15% des requêtes émises par jour par ses utilisateurs. Ce qui fait un total de 1095 milliards besoins auxquels le moteur ne pouvait répondre pour de multiples raisons :

• L’utilisateur utilise des termes approximatifs du même champs lexical de son besoin central, souvent sous formes de requêtes longue traîne par manque de connaissance
• La multitude de termes polysémique dans les différentes langues
• Les sous-entendus et les différences d’intentions pour une même formule (recherche d’information, intention d’achat, etc.).

Comment est ce que RankBrain optimise votre expérience utilisateur ?

De ce fait, pour optimiser au mieux votre expérience-utilisateur RankBrain va :

• Analyser vos interactions avec le moteur de recherche
• Collecter, corréler et compiler plusieurs volumes colossaux de données autour de votre requête de recherche
• Réajuster sa réponse et l’améliorer à chaque requête

Ainsi RankBrain est en capacité d’affiner la requête en s’appuyant sur les données historiques de requêtes de recherche, couplées aux contenus indexés dans sa base. L’algorithme corrèle aussi les différentes expressions stockées dans son index sous formes de vecteurs mathématiques selon les relations qui les lient (exemple : la relation pays- capitale) grâce à l’outil Word2Vec basé sur des réseaux de neurones.
RankBrain est donc capable de réduire la marge d’erreur de ses réponses aux requêtes de recherche des internautes, d’apprendre au fur et à mesure et ainsi réduire le gap des 15% des requêtes qui filent entre les mailles de Google chaque année.

RankBrain fournis beaucoup d’effort (ou plutôt d’analyse de requêtes) pour comprendre votre intention de recherche et observer vos interactions avec le moteur de recherche pour mieux répondre à votre besoin en information. Mais BERT (né en 2019) « Bidirectional Encoder Representations from Transformers », est capable d’interpréter les requêtes de recherches ancrées dans un contexte. L’exemple ci-dessous donné par Google dans son blog Google AI met en comparaison l’avant et après l’arrivée de BERT en termes de résultat de recherches.

L’exemple ci-dessous donné par Google dans son blog Google AI met en comparaison l’avant et après l’arrivée de BERT en termes de résultat de recherches.

Avec l’expression « 2019 Brazil traverler to usa need a visa » qui peut être traduite par « 2019 voyageur brésil aux usa a besoin d’un visa », l’algorithme ne prenait pas en considération le paramètre de la direction, représenté dans cet exemple par l’emploi du mot « to » traduit par « vers ». Ainsi Google retournait en résultats de recherche des informations non pertinentes pour l’internaute qui renseigne sur une procédure de voyage ne prenant pas en compte le point de départ et le point d’arrivée.

Toutefois, après l’arrivée de BERT la réponse à la même requête de recherche et plus ancrée dans le contexte et répond pertinemment au besoin en information en identifiant correctement la provenance (USA) et la destination (Brésil).  

Quel est l’impact du Machine Learning sur le SEO?

Certains professionnels du SEO appréhendent la restructuration que vient imposer l’intelligence artificielle aux codes de pratiques du référencement naturel tel qu’on l’a connu avant BERT et avant RankBrain. Toutefois, plusieurs experts sont de l’avis que ces changements viennent finalement améliorer la pratique du SEO et recentrer la discipline autour de sa raison d’être: L’utilisateur et son expérience. En effet, grâce aux nouveaux algorithmes de Google, le moteur de recherche est capable de mieux traiter, comprendre et répondre aux requêtes de recherche et ainsi y répondre en proposant le contenu le plus pertinent et en accord avec les intentions de recherches des utilisateurs. Ainsi, les chantiers content et fact-checking deviennent de plus en plus prioritaires dans tous les projets SEO.

Certes le Machine Learning rend la tâche plus difficile quant à la compréhension des algorithmes de Google. Toutefois, les professionnels du SEO peuvent aussi bénéficier des avancées que permet le Machine Learning. Les applications de ce dernier peuvent être appliquées dans l’automatisation de certaines tâches récurrentes se rapportant aux optimisations techniques. Le Machine Learning peut aussi être utile au développement d’outil d’analyses prédictives de positionnement, de termes clés de recherches, d’URLS et de Crawls.

Plusieurs entreprises et experts considérés comme pionniers en SEO ont déjà entamés des ateliers de recherche approfondis dans le sujet du Machine Learning et ses thématiques annexes tels que le Traitement de Langage Naturel et les langages et générateurs de textes (GPT-3, MUN, etc.).

Ainsi, l’impact du Machine Learning et ses applications aux algorithmes de moteurs de recherche crée une certaine instabilité dans l’environnement SEO, cependant ces avancées font du référencement une discipline toujours à la pointe de l’actualité et à l’afflux des nouvelles technologies.Voire même une discipline complètement centrée sur l’utilisateur et son besoin.