Üretken arama çevresindeki kavramlar hızla gelişiyor ve her yerde aynı biçimde kullanılmıyor. Bu sözlük sık kullanılan on kavramı açıklıyor ve hangi kavramların genel kullanımda, hangilerinin ise Mitware'e özgü değerlendirme modeli olduğunu belirtiyor.
GEO, AEO ve LLMO uzmanlık yazılarında, ajanslarda ve araştırmalarda kısmen farklı biçimde kullanılıyor. Bu sayfadaki diğer kavramlar, örneğin 50 sözcük kuralı veya 3-P çerçevesi, pratik Mitware modelleridir. Bu yüzden burada genel kavram açıklamasıyla kendi yöntemimizi birbirinden ayırıyoruz.
Kendi görünürlüğünü pratikte sınamak isteyen bunun için yapay zeka görünürlüğü öz kontrolünü kullanabilir. ChatGPT'nin veya Perplexity'nin tek bir yanıtı bu arada bir anlık görüntüdür ve belirli bir optimizasyon kuralının işlediğinin kanıtı değildir.
GEO, içeriklerin üretken arama ve yanıt sistemlerindeki görünürlüğünü iyileştirmeyi hedefleyen önlemler için bir şemsiye terimdir. Buna klasik SEO temelleri, net kaynaklar, güncel bilgiler ve iyi yapılandırılmış içerikler katkı yapabilir. Bu, bir anılma veya alıntılanma garantisi vermez. Somut etki sisteme ve arama sorgusuna göre değişir.
AEO, arama ve yanıt sistemlerinde doğrudan yanıtlara göre içerik optimizasyonu için sektörde tek biçimli tanımı olmayan bir kavramdır. Pratikte AEO; net sorular, anlaşılır yanıtlar ve iyi yapılandırılmış içerikler gibi noktalarda SEO ve GEO ile büyük ölçüde örtüşür. Genel kabul görmüş bir sözcük sayısı veya sabit bir AEO formülü yoktur.
LLMO da tek biçimli tanımı olmayan ve içeriklerin ve bilgilerin LLM tabanlı arama ve yanıt sistemleri için daha iyi bulunur ve kullanılabilir hale getirilmesini hedefleyen önlemler için kullanılan bir kavramdır. Kullanıma göre kavram retrieval'ı, kaynakları, varlıkları (entities) veya veri yapısını kapsar. Model eğitimi ile güncel web sorguları bu arada teknik olarak farklı işlemlerdir.
Citation Rate tanımlı bir ölçümde, test edilen yapay zeka yanıtlarının belirli bir kaynağın veya alan adının alıntılandığı payı belirtir. Metrik ancak sistem, test soruları, varyantlar, çalışma sayısı ve dönem belirlendiğinde anlamlı olur. Citation Rate için henüz tek biçimli, platformlar arası bir tanım yoktur. Tekrarlanan testler veya uzmanlaşmış ölçüm araçları üzerinden ölçülebilir.
Yapılandırılmış veri, içerikleri Schema.org temelli standart bir makine okunabilir biçimde tanımlar. JSON-LD sık kullanılan bir ekleme biçimidir. Arama motorları bu bilgileri belirli arama işlevleri için kullanabilir. Ancak Google AI Overviews ve AI Mode için özel bir Schema Markup gerekmez. Görünür içerik ve yapılandırılmış veri birbiriyle uyumlu olmalıdır.
E-E-A-T Google'da Experience, Expertise, Authoritativeness ve Trustworthiness anlamına gelir. Kavram Search Quality Rater Guidelines'tan gelir ve yardımcı ve güvenilir içeriklerin değerlendirilmesine yardımcı olur. E-E-A-T Google'a göre tek bir sıralama etkeni değildir. Özellikle önemli olan Trustworthiness'tir. Kavram tüm yapay zeka sistemlerine götürü biçimde taşınmamalıdır.
LLM-Seeding tek biçimli tanımlı bir uzmanlık terimi değildir. Çoğunlukla kastedilen, bir şirket hakkındaki ilgili ve tutarlı bilgileri, arama ve yanıt sistemlerinin bulabileceği dış kaynaklarda da erişilebilir kılma çabasıdır. Ciddi biçimde yapıldığında konu gerçek anılmalar ve sağlam kaynaklardır; yapay olarak üretilmiş anılmalar değil.
Semantic chunking, metinleri veya bilgi birikimlerini içerik olarak bağlantılı bölümlere ayırmak demektir. Retrieval sistemlerinde bu, uygun bilgileri daha hedefli çağırmaya yardımcı olabilir. Ancak sıradan web sayfaları için içerikleri yapay zeka sistemleri için belirli chunk boyutlarına ayırma şeklinde genel bir kural yoktur. Net bir yapı özellikle anlaşılırlık ve yönlendirme için anlamlı olmaya devam eder.
50 sözcük kuralı anlaşılır içerikler için bir Mitware sezgisidir : merkezi bir soru önce derli toplu yanıtlanır ve ardından gerekiyorsa derinleştirilir. Yaklaşık 40 ila 60 sözcük bu arada yalnızca yayın yönetimine ilişkin bir yönlendirme olarak hizmet eder. Kural ne bir Google sıralama etkenidir ne de yapay zeka sistemleri tarafından anılmak veya alıntılanmak için teknik bir önkoşuldur.
3-P çerçevesi Mitware'in yapay zeka görünürlüğünü yerine oturtmak için kullandığı bir modeldir. Presence, kendi bulunabilir ve tutarlı bilgilerinizi tarif eder. Prominence, ilgili bağımsız anılmaları ele alır. Propagation, tutarlı bilgilerin başka uygun kaynaklara ve platformlara yayılmasını tarif eder. Çerçeve önlemleri yapılandırır, ama genel kabul görmüş bir sıralama algoritması değildir. Üç düzeyden sabit bir alıntılanma olasılığı çıkarılamaz.
Mitware'in yapay zeka görünürlüğünü pratikte nasıl analiz edip optimize ettiği şurada: yapay zeka görünürlüğü (GEO). 3-P çerçevesinin kendine özgü bir değerlendirme modeli olarak nasıl kullanıldığını şu açıklıyor: Yapay zeka yanıtlarında görünür olmak: 3-P çerçevesi.
Birden fazla ilgili soru ve yapay zeka sistemi üzerinden şirketinizin güncel olarak nasıl göründüğünü kontrol ediyor ve bundan içerikler, kaynaklar ve teknik temeller için somut başlangıç noktaları çıkarıyoruz.
Görünürlük kontrolü talep et → Whitepaper'ı indir (PDF) →