Супермаркетинг с Google Cloud ML API и Gemini: Ръководство за начинаещи

Слайдове от лекции

Относно оратора

Препис на лекция

Представяне на спонсора (Спонсори на стипендии)

Може би сте видели, че често рекламираме билети за стипендии за нашите събития, включително и първата ни вечеря за работа в мрежа, както и това събитие. Напълно съм изумена от факта, че имаме три компании, три според мен. Невероятни международни компании, супер добре познати, които разпознаха нашето събитие като ценно събитие за закупуване на билети, и че ние разпределихме тези билети и дадохме възможност на жени в маркетинга в България да присъстват безплатно. Ще ви разкажа малко за тези спонсори на стипендии, а след това ще започна с моите 140 слайда в Google Cloud.

Първо, Screaming Frog беше нашият първи спонсор, така че ако нямате изтеглен сканер на Screaming Frog на устройството си или нямате акаунт, най-малкото, което можете да направите, е да отидете в LinkedIn и да кажете на Screaming Frog, че са най-добрият екип, защото ни се доверяват толкова много за всяко събитие, което правим. И е просто удоволствие да се работи с тях. Така че, това е основно сканер за уебсайтове, който ви помага да подобрите SEO оптимизацията на сайта, като одитира често срещани SEO проблеми, но има и куп други възможности, като одит на съдържание, одит на уеб достъпността, извличане на съдържание. Така че, това е основно инструмент „всичко в едно“, нещо като швейцарското ви ножче, когато работите в маркетинга. Така че определено го разгледайте.

Също така имаме Majestic, който е инструмент за проверка на обратни връзки и изграждане на връзки в SEO. Те също са много известни, добре познати с поредицата, в която правят SEO през 2024 и 2025 г. Споменавам го, защото научих от спонсорството им, че те всъщност разпределят средствата, които получават от продажбите на книгата и от приходите от реклама и всички тези неща, за да спонсорират общности като нашата. И те по същество връщат всичко, което получават от продажбите на тази книга. Освен това често търсят експертни сътрудници за тази книга. Така че определено кандидатствайте, ако се интересувате да споделите мнението си за това как ще изглежда SEO през следващата година.

И накрая, Google Search Central също закупува билети за нашата конференция, така че ако познавате Джон Мюлер, той е човекът, който всъщност направи това за нас, така че съм много, много благодарен и определено вече използвате Search Console, вероятно повечето от вас, така че да.

Представяне на лектора

С това казано, искам много бързо да кажа няколко думи за себе си. Освен ролята ми в тази общност, аз всъщност съм голям защитник на машинното обучение и изобщо няма да използвам думата „интелектуален интелект“ в тази презентация, а има слайд, който ще обясни защо не го наричам ИИ, а машинно обучение.

Всъщност се занимавам с консултации в областта на SEO от няколко години и работя с големи компании. Реших да започна да внедрявам машинно обучение, където мога, за автоматизации и да науча много повече след магистратурата си по тази тема. А сега имам и академия за обучение по машинно обучение за SEO и за маркетинг като цяло.

Лекция на Лазарина Стой.

Ще ви разкажа как да подобрите маркетинга с Google Cloud и по-специално как да използвате Gemini като алтернатива на Chat GPT за някои от задачите. Няма да казвам дали Gemini е по-добър от Chat GPT или не, защото, както видяхте, ние сме спонсорирани от два от екипите на Google. Разбира се, Gemini е по-добър, да, разбира се, но ще оставя на вас да решите.

Целта ми с този урок е много, много проста. Знам, че няма да ви науча на всичко, което трябва да знаете за изкуствения интелект, машинното обучение или дори всичко, което трябва да знаете за автоматизацията като цяло. Това, което искам да направя, е да ви покажа как да започнете, защото това е, от което се нуждаете, за да получите малко допамин в главата си и всъщност да си кажете: „Добре, всъщност тези неща с автоматизацията са доста лесни, особено когато се правят правилно.“ И дават невероятни резултати, които всъщност мога да споделя с клиентите си. Второто нещо е да разбера малко теорията за това как работят някои от моделите и каква е разликата между изкуствения интелект и машинното обучение, например. И третото нещо е да ви дам идеи. Това не е пълен изчерпателен списък на всичко, което можете да правите с тази технология. Разбира се, както всички знаете, ако просто отворите LinkedIn, ще видите, че има около 15 000 души, които ви дават съвети как да включите изкуствения интелект в работния си процес. Така че, ще бъда просто поредният човек, но се надявам, че това ще ви даде творчески стимул да видите как можете да внедрите тези специфични API, за да решите някои от проблемите, които имате.

И така, започвайки от самото начало, каква е разликата между изкуствен интелект и машинно обучение? Изкуственият интелект е проектирането и изучаването на системи, които изглеждат много важни, те сякаш демонстрират интелигентно поведение.

И така, ключовият момент тук е, че изграждаме цялостни системи и знаете, те са предназначени да имитират това, което правим като хора всеки ден. Така че, това могат да бъдат самоуправляващи се автомобили, може да са препоръчителни системи, по същество. Комбинирането на множество модели в един и машинното обучение е подмножество на изкуствения интелект, не цялата част, разбира се. И това е просто подход за изграждане на приложения с изкуствен интелект, при който моделите са обучени да правят прогнози. Толкова е просто. Те се опитват да предскажат какъв е правилният резултат за определена задача, за която са обучени. Така че, ние няма да ви учим как да изградите следващия Netflix тук или как да изградите следващата Tesla.

Ще показваме само модели, които са обучени да правят толкова прости прогнози. Така че може често да чуете, че неща като изкуствен интелект и машинно обучение се използват взаимозаменяемо или взаимозаменяемо с дълбоко обучение или наука за данни, които са или напълно отделни области, или се припокриват, или просто са подмножество, и че тук е генеративен изкуствен интелект.

Въпреки че в LinkedIn може да изглежда, че е просто всичко, това е просто една малка точка там и всъщност ChatGPT е това малко, супер мъничко нещо, което е просто супер преувеличено в много случаи, или поне в моя LinkedIn, не знам за вас. Така че, започвайки с основите, това, което всъщност трябва да знаете, за да внедрите машинно обучение в ежедневието си, е да вземете предвид три аспекта.

Трябва да вземете предвид характеристиките на задачата, характеристиките на данните и характеристиките на решението, което искате да внедрите, за да решите даден проблем.

И така, започвайки със задачата. Можете да мислите за машинното обучение като за две неща. То е или контролирано, може да има неща като регресия, класификация, или е без контролирано, и може да има неща като клъстеризация или намаляване на размерността.

Това означава, и ще го опростя малко повече тук, че в единия случай имате етикетирани данни, с които всъщност можете да валидирате резултатите на модела, който прави прогноза. А в другия случай нямате начин да валидирате резултатите. Така че имате само данните и питате модела какво всъщност казват те?

Това е много, много опростен поглед. И на практика областта на машинното обучение всъщност изглежда така. А в действителност може да изглежда дори така. Така че имате различни модели, които можете да използвате за различни задачи, различни начини за обучение на модела и всички тези неща. Така че определено не е лесна и подходяща за начинаещи област. Но инструментите и технологиите, от които се нуждаете, са лесно достъпни за нас.

Най-важното нещо. Не е нужно да разбирате всичко, за да започнете. И това е най-важното. Ако имате само едно от тази сесия, не е нужно да ставате експерт по програмиране в математиката или в разбирането на машинното обучение като цяло. Можете просто да изберете. Едно и да започнете с него.

Можем също така да имаме избор, когато говорим за това кой модел за машинно обучение да използваме, за да самообучим модел, който да използва предварително обучен модел, или да прецизираме модел, обучен от друга компания.

Така че, разликата тук е, че за собствено обучение ни е необходим тон данни. Трябва да имаме много по-добро разбиране за това как работи машинното обучение, как работи математиката. И за всички тези неща, които стоят зад тази технология, когато става въпрос за предварително обучение, моделът на машинно обучение вече е обучен.

Така че, това, което можем да направим, е всъщност да прочетем документацията, да прочетем статиите и всъщност да го имплементираме към подходящ набор от данни, препоръчан от хората, разработили модела, нали? Така че, вече знаете кое от двете е за начинаещи и кое е за експерти. Но ако сте на крачка между използването на предварително обучен модел и самообучението, фината настройка е чудесен вариант, защото можете да използвате модел, обучен върху множество данни от големи компании, създадени със спецификации за качество и стандарти за качество, и да го настроите фино, адаптиран към малък набор от данни, специализиран за данните и задачата, с която работите, което по същество прави фината настройка.

И тъй като съм тук, за да ви разкажа за продуктите на Google и Google Clouds, API-тата, които те имат. API-то, наречено AutoML, всъщност ви позволява да настройвате фино много от съществуващите модели.

Така например, ако работите в много персонализирана област и се опитвате да подобрите даден модел, това е един от начините да го направите. Така че не е нужно да имате много данни. Просто го преобучите с няколко или няколкостотин примера и това по същество значително подобрява качеството на модела.

Друг въпрос, който трябва да си зададете, е: Имам ли данни за обучение? Имам ли данни за валидиране? Имам ли данни за тестване? Това е много важно, за да можете да разработите подходящ модел за машинно обучение. А ако нямате такива, тогава вече знаете, че ще използвате или ръчен подход, или ще внедрявате или фино настройвате модел за машинно обучение, създаден от някой друг.

Що се отнася до данните, можете да мислите за неща като това дали анализирате текстови данни, тоест по същество обработка на естествен език, анализ на съдържанието на страницата ви например, или дали са числови, като например правене на прогнози за това къде ще отиде трафикът и колко реализации ще имате, или базирани на изображения.

Можете също така да имате неща като данни от времеви серии и всички подобни. Така че, опитайте се да определите точно с какви данни се опитвате да работите, за да решите конкретното предизвикателство, което имате. А когато става въпрос за решенията, има прекрасна блок-схема за това кога всъщност да внедрите машинно обучение с изкуствен интелект и всичко останало.

Така че, ако това е критична задача и работата ви зависи от нея, като например да направите много точна прогноза за 2025 г. и ако ви сравняват с това, не влизайте в напълно автоматизирана система и не се хвалете на шефа си, че сте я направили за 20 минути, защото... нали? Това е критична задача и може би целият ви екип е работил по нея. Производителността зависи от нея.

Ако е нещо, което трябва да остане постоянно във времето, тогава определено трябва да избягвате работа с генеративен изкуствен интелект и да не разчитате прекалено много на неконтролирани подходи за машинно обучение. Ако е необходимо резултатите от изхода да бъдат много лесни за разбиране от всички заинтересовани страни, които ще одобряват работата, която сте изпълнили, тогава няма да използвате модел на дълбоко обучение.

И така, ще отворя скоба тук. Не знам колко от вас са видели, а сега ще ви тествам колко от вас посещават Slack редовно, защото публикувах за това преди няколко дни в канала, но не вдигайте ръце. Не, не, не се самоиздавайте. По същество Google проведе събитие за създатели, защото напълно забрани няколко независими издатели.

И те проведоха събитие за създатели. На това събитие един от собствениците на уебсайтове ги попита дали могат да отстраняват проблеми ред по ред, как работи алгоритъмът им и защо той забранява уебсайтовете им напълно. Или каква е причината уебсайтовете им да не се показват както преди, защото самият Google им е казал, че вашето съдържание е качествено и че проблемът не е в него.

И разбира се, когато слушах нейните спомени за събитието, нещата просто не работят така. Защото дълбокото обучение е, знаете, черна кутия. Давате тонове данни. Обучавате модела да прави прогнози. И в повечето случаи моделът се учи. Базира се на данните, но няма вход от човека, който да каже: „Направете това първо, направете това следващо, направете това последно.“

Знаете ли, това не е IF-ELSE система. Така че, разбира се, те не могат да посочат точно кой е факторът. Те знаят, че има куп фактори за класиране, които участват в него. Те не знаят кой точно е точката на провал. По същество, така можете да мислите за този конкретен проблем и точно там Google се проваля в тази блок-схема, нали?

И съжалявам, че трябва да го кажа, но те знаят това, техните системи се провалят, защото резултатите от системата не са лесни за свързване със заинтересованата страна, която в този случай е издателите, и в този случай дълбокото обучение не е най-добрият начин за класиране на уебсайтове, нали?

Защото не можеш да обясниш защо един е класиран, а друг не. Защо е класиран на Forbes? А твоят блог „Приятелско съседство“, който публикува съдържание, знаете, първоначално от 20 години, не е, нали?

И тогава, ако е просто добре, средно този конкретен подход превъзхожда съществуващите методи, тогава да, внедрете машинно обучение.

Това, което имам предвид, е, че харесвам този пример, защото всъщност бях стажант преди няколко години. Стажантът, на когото давате да пише мета описания, или стажантът, на когото давате да пише надписи към изображения, не правят това почти през 2025 г., нали? Има по-добри начини! Не е като всичко да се обърка, ако не е правилното описание на метода или правилният надпис към изображението. Не е като критична задача. Така че определено можете да внедрите автоматизация. Все още можете да имате човек в цикъла, за да проверява и валидира, но това е нещо, което може да се автоматизира.

Така че, когато говорим за това какво може и какво не може да бъде автоматизирано и как да изберем дали да внедрим автоматизация или не, можем да оценим полезността въз основа на фактори като анализи или сложността на внедряването на решението. Колко точни ще бъдат резултатите, колко мащабируемо е то. Имаме ли достатъчно данни, за да работим с тази задача? Устойчиво ли е да се внедри на ниво агенция по отношение на процеси, системи и т.н.? Така че, разгледайте куп фактори, които спестяват пари, всички тези неща и направете извода и кажете: да, това има смисъл за нас или няма смисъл за нас. Но не го правете само защото сте го видели в LinkedIn или нещо подобно.

И винаги имайте предвид, че повечето модели за машинно обучение също имат пристрастия. Пристрастието е, когато моделът за машинно обучение всъщност предпочита някои неща и омаловажава или изключва други. Това може да са неща като например работа по компютърно програмиране, показвана само на мъже, или може да са неща като система за разпознаване на лица, която не е точна при разпознаването на хора с определени тонове на кожата, или дори генеративният изкуствен интелект - има много примери, особено от страна на изображението, например, определени работни места, свързани с определени полове, няма да споменавам имена. Но отново, има някои компании, които не са се справили правилно. Така че по същество, когато обучавате модел от нулата, можете да намалите това, като използвате по-големи набори от данни.

Някои компании също така включват синтетични данни. Синтетичните данни ни позволяват да включим някои от данните в обучението, например когато тези данни не съществуват първоначално, така че да можем реално да променим начина, по който искаме тези модели да работят, и резултата, който искаме да получим, дори ако исторически сме имали някои присъщи предразсъдъци в начина, по който функционира нашето общество.

И когато използвате предварително обучен модел, защото нямате контрол върху това как този модел е бил обучен. Така че по същество, ако работите с ChatGPT например, можете да използвате екстремни примери в подканата си. Както едно проучване показа, това е един от начините за борба с това. Така че, когато пишете подканата си, можете да кажете: „Изрично не искам да виждам примери за това и това да се появява в резултата ми.“

Или просто, много важно е да сте наясно, че когато правите анализ на резултатите, получени от модела за машинно обучение, трябва да сте наясно с отклоненията. Един от начините да получите тази осъзнатост е като прочетете документацията на самия модел, защото повечето изследователи всъщност изброяват всички отклонения, които са идентифицирали по време на обучението, и те могат да ви помогнат да се усъвършенствате в използването на самия модел.

Добре. Сега стигаме до същината, обещавам. Трябваше да включа този раздел за теоретично машинно обучение, а сега сме на практическата част. Както при всички презентации днес, разделихме се за SEO, за социални медии и различни части на маркетинга. Така че, ще започна със SEO. Можете да направите класификация на текст, класификацията от примера, който имахме преди няколко минути, е задача на контролирано машинно обучение и се опитва да сортира данните, които вече имате, в предварително съществуващи етикети. Така например, имате съдържание на уебсайта си и се опитвате да го етикетирате, независимо дали е новина или по каква тема е и т.н., но вече имате тези етикети, тези категории. Така че, по същество го сортирате в категории. Това е контролиран подход; сортира данните и приложенията могат да включват извършване на собствен одит на съдържанието. Може да включва извършване на одит на конкурентите, но може да включва и куп други неща. Защото, както можете да видите, с този API от Google Cloud можете да класифицирате документи в повече от 1300 предварително дефинирани категории и процесът не би трябвало да ви отнеме повече от 20 минути. Вие създавате API ключ; вие идентифицирате съдържанието, което искате да извлечете.

Изтегляте Screaming Frog, един от нашите спонсори за стипендии, и просто извличате съдържанието с него, защото е алтернатива без код и е доста лесно да се изпълни с него. Въвеждате съдържанието си; въвеждате URL адресите си, така че да имате някакъв вид идентификатор в шаблона. Всички шаблони и код ще бъдат свързани след това, но това е изцяло подход без код, нали?

И така, изпълнявате скрипта чрез формула и получавате етикет за класификация, и получавате „Увереност“. Така че, ако погледнете етикета за класификация, който получавате от скрипта, разбира се, можете да го включите и да го пуснете в Looker Studio, но ще го получите накрая. Ако погледнете това, ще видите, че може би става въпрос за неща като новини, дали говори за изкуство и развлечения, или е свързано със спорт?

Но след това имате и вторични и третични категории. Така че, ако щракнете върху една от тях, може да видите, че изкуството и развлеченията всъщност се разделят на събития, визуални изкуства, изпълнителски изкуства или конкурентно съвременно изкуство, а след това по-нататък на това дали се споменават музеи, галерии или каквото и да е друго.

Така че, това е изключително, изключително детайлен начин да разгледате съдържанието си. Къде всъщност можете да го приложите в SEO стратегията си? Можете, ако работите с уебсайт, който не е актуализирал системата си за категоризация на съдържанието, ако имате много автори на съдържание и нямате координирана стратегия за маркиране на самото съдържание.

Това може да бъде много полезен начин за разбиране на огромната библиотека, с която работите, и, знаете ли, първа стъпка в организирането на това съдържание. И това може да бъде чудесен начин да се включите в Looker Studio и да видите дали определени категории, за които говорите на уебсайта си, може да са свързани с определени автори или просто самите теми не се представят толкова добре.

Или не получавате кликвания, или не получавате добра ангажираност от страна на потребителите и т.н. Друго нещо, с което можете да съчетаете този подход много добре, е всъщност извършването на анализ на обекти. Така че, вече имате темата, да речем туризъм например, или да кажем например, че имате новини, бихте искали да знаете какви новини са те.

Така че, класификацията на текста ще ви даде индикация, че това е новина. Свързана с политика, да речем, но с анализа на обектите можете всъщност да идентифицирате неща като конкретно място, където се случва политическото събитие, или може би хора, които са споменати в тази новина и т.н. Така че, това е много подробен начин за разглеждане на съдържанието ви, без всъщност да го четете и разбирате.

За какво става въпрос. И отново, процесът няма да ви отнеме повече от 20 минути. Стартирате скрипта, получавате обектите от съдържание, което вече сте извлекли, и данните за обектите, които получавате, са какъв е обектът, какъв е типът му и каква е важността му за документа, който сте анализирали. Също така получавате и настроението му.

Така че, помислете. Може би даден политик не назовава имена, защото не искам да навлизам в подробности, но определен политик винаги се споменава в положителна светлина, когато се говори за определено събитие, например политически, или може би винаги се споменава с много силна негативна емоция. Това е видът данни, които може да получите. Каква е емоцията, положителна или отрицателна? Колко силна е тя?

И също така получавате и метаданни. Метаданните могат да бъдат неща като например дали има страница в Уикипедия? Има ли запис в графа на знанието? Така че, по принцип, колко важен е този обект в общата схема на нещата, нали?

И също така получавате определени споменавания. Така че, ако говорите за Барак Обама например, споменава ли се той просто като Обама или Барак или 41-вият президент на САЩ и така нататък. Така че, по принцип, всеки един начин, по който авторът или ако правите анализ на потребителски данни, потребителят действително е споменал това лице.

Така че, това е много, много напреднал модел и имате тонове данни, към които можете да приложите този модел, и тонове различни данни, които ще получите за потребителски анализ. Това е златна мина и има ли значение как го правите? Например, защо просто не използвате Chat GPT? Тъй като ChatGPT измисля глупости, не е точен и просто не е надежден подход, особено когато работите в голям мащаб.

Всъщност не ви дава всички данни, които ви дава Cloud Natural Language API, а просто създава типове обекти, които всъщност не съществуват. И знаете ли какво, за модели, които Google използва в своите системи и са пуснали като API, ако имат алтернатива, може да я получите. Използвайте тази алтернатива, нали? Защото всички ние по същество сме на милостта, особено в SEO, за алгоритмите за класиране, които те използват и които създават. Така че, има сравнение, което навлиза в дълбочина в причините, поради които едното е по-добро от другото, но ще го оставя. За да го разгледате след лекцията.

И за социални медии, за локално SEO, за видео, също така можете да правите неща като API за автоматично довършване, така че те ви позволяват действително да използвате автоматичното довършване в YouTube. Това е много лесен начин да черпите идеи директно от това, което Google счита за следващата стъпка в потребителското пътуване, докато пише в лентата за търсене в YouTube.

Можете да направите същото и за Google Maps, както за ключови думи, които хората въвеждат в Google Maps, така и за данните, които Google Maps предоставя. Всъщност можете да експериментирате с това, за да въведете различни местоположения, където потребителят може да се намира. Това е чудесно за локално SEO. Можете да направите същото и за физически забележителности и местоположения.

Така че, по същество, да видим, добре, ако препоръчвате нещо, свързано с Айфеловата кула, и потребителят въведе това в лентата за търсене на Google Maps, какви други неща получава въз основа на тази заявка. Можете също така да правите неща като модериране на съдържание. Отново, същият API. Няма да разглеждам всичките пет реализации, но това е просто един и същ API.

И този модел всъщност автоматично анализира дали съдържанието е неподходящо или представлява, знаете ли, чисти или професионални данни. И това всъщност е нещо, което Google определя като важно като тема. Това са вашите пари или вашият живот, което е много важно за SEO. И ако погледнете техните собствени насоки за рецензенти на качествено търсене, те всъщност говорят, че тази тема, вашите пари или живот, може да бъде неща като щастие, здраве, финансова стабилност или безопасност.

И след това, ако погледнете публично публикувания API, който, разбира се, използват в своите системи, той е точно разделен на тези четири теми, но е толкова детайлен, че можете да видите нещата, независимо дали дадено съдържание говори за политика, финанси или правни въпроси, или дали е свързано с война и конфликт или религия, дали е токсично или обидно или каквото и да е.

Така че тук отново няма шаблон за код, можете да го получите в ML4SEO, въвеждате съдържанието си и API-то по същество ви дава резултата. Така че, ако видите нещата в червено, автоматично знаете, добре, можем ли да свържем този вид данни с Google Analytics, с данни за трафика, и всъщност да видим, добре, може би тази статия не се представя добре, не защото не сме я таргетирали добре, не защото не сме направили правилно проучване, не заради нещо друго, а просто защото авторът, който е писал за нея, всъщност е вмъкнал политическо мнение. И това например вбесява хората, знаете ли, и това е много бърз и лесен начин да се гарантира, че вашето брандирано съдържание всъщност остава безопасно, знаете ли, безопасно за марката. Имам няколко примера, които съм изтрил от SEO Reddit за това. И както можете да видите, разбира се, две публикации оттам бяха напълно маркирани като... Адски токсични, но изненадани ли сме, нали?

И отново, възможни точки от данни, тонове неща, в които можете да използвате това, включително потребителски проучвания. И накрая, в този раздел имаме анализ на настроенията. Можете да използвате инструмент за незабавно извличане на данни, за да извлечете отзиви от Google, от моите бизнес профили. Можете да направите същото за Amazon. Можете да направите същото за къде се намират вашите отзиви за продукти. И отново, шаблон без код, 20 минути. Абсолютно можете да го направите. Получавате анализ на отзивите и получавате неща като: какъв е общият резултат за настроенията? Каква е величината на настроенията или силата на емоцията? И всъщност можете да персонализирате етикетите, за да бъдат толкова специфични, колкото искате.

И можете да визуализирате тези данни, за да кажете: добре, потребителите всъщност са позитивни, негативни и това е анализ, който можете да направите много бързо, ако се опитвате да подобрите имиджа на марката, например. Но можете да направите същото и ако анализирате настроението на статии на трети страни, които пишат за вашата марка, така че можете да наблюдавате споменаванията на обратни връзки и да видите кой трети страни издател говори за вашата марка по положителен начин, кой от тях говори по отрицателен начин и т.н., така че да можете да изградите по-добри партньорства с марката или да се свържете с издатели, които по някаква причина са недоволни от политиката на вашата продуктова марка.

Услуга или каквото и да е друго. Така че, това е чудесен начин да работите с вашите партньори издатели. Така че, когато става въпрос за трансформация на съдържание, това е бъдещето. Няма нужда да ви казвам, че не е нужно да имате само една публикация в блога, превърнете я в множество различни ресурси. Така че, ако започвате от публикацията в блога, превърнете я във видео, превърнете я в аудио, превърнете я в публикация в социалните мрежи, а ако вече имате видео, определено го преобразувайте в текстов формат, аудио кратка публикация и т.н. Можете да използвате куп API.

Ще ги разгледам набързо. Имате API за преобразуване на реч в текст, който е достъпен от Google Cloud. И те всъщност се конкурират с Amazon transcribe и куп други гиганти за този тип API. Но ако изберете Google Cloud или ако изберете Amazon, по същество ще имате по-добри възможности от някои от другите инструменти, като например OpenAI, и това е било обстойно проучено.

Разбира се, можете да използвате и инструмент без код, но внимавайте, ще ви бъде таксувано повече за същата задача, защото повечето от тези инструменти без код всъщност са обвивки на данни. Моделите на по-големи услуги. Така че имайте предвид това. И моето предупреждение тук е, че не казвам да спамите блога си с автоматично транскрибирано съдържание от YouTube, нали? Не казвам, знаете, трафик към Луната и уволнение на екипа ви за съдържание или нещо подобно. Казвам, че има различни екипи, които понякога работят изолирано, и можете да преодолеете тези празнини, като проведете тези разговори и може би създадете първия чернова въз основа на видео, което видео екип е продуцирал във връзка с вашата стратегия за съдържание.

И това е много лесен разговор за водене. Хей, всъщност можем да получим X количество трафик. Ако само отделим два часа, за да редактираме тази статия, можем да я публикуваме и всъщност можем да получим еквивалента. Можем да харесаме видеото и т.н., бла, бла, бла. Приятно сътрудничество на всички, нали? Това е, което искаме.

И всъщност можем да направим съдържанието си по-ефективно, особено в днешно време, и особено ако продуцираме уебинари, конференции, всички тези неща, нали?

И е много важно да се смесват и съчетават с други подходи и тук имах примерен процес, за да ви покажа как можете да идентифицирате, знаете ли, подходящи видеоклипове, а след това можете да преминете към анализ на обекти, класификация на текст и така нататък и всъщност да комбинирате някои от подходите, за които говорихме днес, за да създадете, знаете ли, по-добър цялостен проект и можете да направите същото, разбира се, като преминете от текст и го превърнете отново в реч тук.

Разбира се, имате модела и е доста лесен за използване. Нямате никакви подходи за писане на код. Отново, по-големите модели на Amazon и Google Cloud са много по-добри. Но важното е, че това не означава, че казвам, че спамите YouTube с генерирани от изкуствен интелект боклуци, нали? Не е нужно да казвам това. Или не означава, че можете да замените видеопродукцията.

Това, което казвам, е, че някои формати на съдържание не изискват толкова много видео и аудио и че видео и аудио могат да се правят и от снимки.

И например, пример за това е съдържанието на този урок, можете много лесно да го превърнете във видео, без всъщност да препречвате гледката, и всъщност можете да работите със снимки, за да направите това интерактивно. И с това всъщност не е нужно да имате човешки глас, защото ще бъде по-ясно, ако е нещо изцяло за четене и базирано на сценарий.

Все още трябва да имате персонализиран външен вид и усещане. Не можете напълно да замените видеопродукцията в днешно време, но има някои инструменти като Synthesia, например, които позволяват поне да преодолеете разликата. Ако се занимавате с автоматизирана видеопродукция, поне преодолейте разликата с човешкия аспект и разработете, знаете, все още синтетичен аватар, но все пак нещо, което е базирано на реални хора, а не само на автоматизирани неща.

И всъщност можете да работите с трансформация от текст в текст. Така че, можете да правите програмно без код и т.н. Можете да превърнете публикации в блог в публикации в социалните медии много мигновено. Можете всъщност да използвате големи езикови модели, за да пренапишете бюлетините си. Можете да направите същото за извличане на ключови прозрения от PDF файлове. Ако имате някои казуси и т.н. И разбира се, всичко това би изисквало известно човешко редактиране накрая.

Можете да използвате генеративен изкуствен интелект със структурирани данни. Така че, ако имате например база данни за продукти и се опитвате да оптимизирате описанията на продуктите, това е чудесен начин да комбинирате тези данни с големи езикови модели и всъщност да създадете нещо мащабируемо. Можете да направите това за отделни текстови резюмета или за потребителски отзиви.

Например, всички наши потребители споменаха за този продукт, че що се отнася до външния вид и усещането, това е положително преживяване или каквото и да е друго - можете да го направите, като комбинирате голям езиков модел с вашата база данни с потребителски отзиви. И разбира се, кодът е свързан в края. Всеки голям езиков модел ще свърши чудесна работа.

И така, с това ще разгледам набързо нещата, които можете да правите с Gemini. Разбира се, можете да правите всичко това и с ChatGPT. Но Gemini работи по-добре в определени аспекти. Така че, той има съществуващи интеграции с уеб приложенията на Google. Предупреждение. Според мен, съжалявам, Google, вие давате достъп до всичките си служебни данни и всичките си служебни файлове, ако активирате това.

Така че, имайте предвид, че те използват тези данни, за да обучават допълнително своите модели, нали? И всички знаем колко голяма е тяхната безопасност, когато става въпрос за изкуствен интелект и машинно обучение. Така че, имайте това предвид. И освен това, поне те предоставят различен чернова, което го прави малко по-интерактивен и интуитивен от чат GPT, особено когато се опитвате да настроите някои неща, а те имат мултимодален чатбот, който отново е същият като чат GPT.

В сравнение с ChatGPT, той превъзхожда по неща като скорост, прецизност и хранилището от знания. В противен случай, с колко данни разполага Google, за да обучи модел, и с колко данни разполага OpenAI, нали? Очевидно отговорът е доста обяснителен. Google печели. А също така, Google се справя по-добре и с анализа на изображения.

Където се проваля, както казах, те не защитават вашата поверителност. Изобщо не ги интересува. Ще качвате документи. Ще синхронизирате всичките си, каквито и гигабайта данни да имате. Те просто ще ги използват, за да обучават бъдещите си модели. Но всъщност всяка компания вероятно прави това в този момент чрез директна връзка като Google или чрез продажба на вашите данни, като например WordPress, продавайки вашите данни на друга компания, за да обучава своите модели. Така че, за съжаление, това е светът, в който живеем.

Така че, можете да създавате заглавия, като четете документ, качен във вашия Google Drive - чудесно за публикации в блогове. Можете да създавате изображения или графики, надписи, анализ на данни или коментари. Така например, помолих го да създаде надпис за банера на нашата конференция и се справи чудесно, но можете да направите същото и за анализ на графики и много бърз анализ на данни. Ако нямате екип, който да прави това, можете да извличате аналитични данни, да обобщавате отново PDF файлове, нещо като същия случай на употреба, който демонстрирахме с ChatGPT. Справя се чудесно и с това, но разбира се, изисква този PDF файл. Така че определено не качвайте чувствителни документи там и можете да създадете рекламен текст за целеви страници. Например, ако просто изтеглите целевата страница като PDF файл и можете да направите същото и за целевите страници на конкурентите си, за да сравните как различните конкуренти са изградили своите целеви страници. Ще създадете бриф за вас, за да създадете най-изчерпателната, знаете ли, конкурентна страница, която всъщност да дадете като подробни препоръки на вашите разработчици или който и да е друг, който ще я изгражда за вашата компания. Можете да правите публикации в социалните мрежи или да поискате от него да направи кратки идеи, защото има вградена интеграция с YouTube.

Така че, ако свържете Gemini с разширението за YouTube, то може автоматично да анализира видеоклипове и да ви дава идеи. Или за скриптове, които можете да напишете накратко, или за видеоклипове, които можете да направите, или как се представят видеоклиповете на вашите конкуренти, което е чудесно. Има много повече уроци, към които съм дал линкове, както за това как да започнете с идеи, така и как да започнете с Gemini, ако работите като програмист.

И така, накъде да продължим оттук нататък? Всички уроци и всички шаблони ще бъдат свързани в ML4SEO, както и в слайдовете, когато няма еквивалент. Има и академия. В момента имаме само курсове, но академията ще стартира през 2025 г., надявам се преди да родя.

Така че, успех на мен. Но по същество академията ще има седмични видеа, в които ще можете да прилагате машинно обучение в маркетинговата си работа. Ако трябва да ме намерите, забравете слайда. Можете да ми пишете в Slack. Добре, моля, използвайте Slack people. И просто искам да ви благодаря на всички, че ме изслушахте.