Multimodális Készenlét: Képek, Alt Szövegek és Diagramok, Amelyekre a Modellek Hivatkozhatnak

Multimodális Készenlét: Képek, Alt Szövegek és Diagramok, Amelyekre a Modellek Hivatkozhatnak

Írta: Lukas Richter, vezető tartalom-automatizálási stratégus

Egy diagram másodpercek alatt elmagyarázhatja azt, amit egy oldalnyi szöveg leírása percekig tartana. De ha a jelentése csak egy képfájlban él, sok olvasó – és sok keresőrendszer – lemaradhat a lényegről.

Ezért a multimodális készenlét nem arról szól, hogy több képet adunk hozzá. Hanem arról, hogy minden hasznos vizuális elemet úgy csomagolunk, hogy a jelentése egyértelmű legyen a képen, az oldal szövegében és az őket összekötő kódban.

Van egy fontos korlát: a jó alt szöveg segíthet egy rendszernek megérteni egy képet, de nem garantálja, hogy egy mesterséges intelligencia asszisztens hivatkozni fog az oldalra. Egy kép megértése és egy weboldal forrásként való kiválasztása különböző lépések.

Amit a kutatás mutat – és amit nem

A képaláírások segíthetnek a vizuális kérdésekben

Néhány kutatás szerint a képpel párosított szöveg segíthet egy modellnek megválaszolni az arról szóló kérdéseket. Egy 2019-es tanulmány megállapította, hogy a bekezdésszerű képaláírások hozzáadása a képekhez javította a teljesítményt egy vizuális kérdés-válasz feladatban. A képaláírások olyan részleteket szolgáltattak, amelyeket könnyebb volt egy kérdéshez illeszteni, mint pusztán a képjellemzőket. Ez azonban egy modellkísérlet volt – nem pedig annak tesztje, hogy az alt szöveg hozzáadása egy élő weboldalhoz növeli-e az AI hivatkozásokat. ACL Anthology tanulmány (aclanthology.org)

A diagramok és ábrák pontos olvasása is továbbra is nehéz a modellek számára. Egy diagramkérdés-benchmarkban a kutatók gyengeségeket találtak olyan feladatokban, mint az értékek közötti összefüggések megtalálása. Eredményeik javultak egy speciális szöveges prompttal, ami a világos nyelv értékére mutat – de nem bizonyítja, hogy bármely oldalformátum több hivatkozást eredményezne. ChartInsights benchmark (arxiv.org)

A szélesebb tanulság praktikus: egy vizuális elem hasznos bizonyítékot hordozhat, de a modellek továbbra is kihagyhatják az apró feliratokat, pontos értékeket vagy a lépések közötti utat. Az OpenAI látás útmutatója például óva int az apró szövegtől, diagramoktól, színkódolt elemekről és a pontos térbeli érveléstől. OpenAI látás útmutató (developers.openai.com)

A jobb alt szöveg nem egy hivatkozási kapcsoló

A keresőrendszerek kép-leírásokat és a környező szöveget is használhatják annak megértésére, hogy mit mutat egy kép. A Google szerint az alt szöveget, a számítógépes látást és az oldal tartalmát együtt használja a Kereséshez szükséges képek megértésekor. Azt is javasolja, hogy a képeket a releváns szöveg közelében helyezzük el. Ez támogatja a hasznos alt szöveg írását, de nem bizonyítja, hogy az alt szöveg önmagában arra késztet egy AI asszisztenst, hogy hivatkozzon egy oldalra. Google Képek SEO útmutató (developers.google.com)

A cikkhez áttekintett bizonyítékok nem támasztják alá, hogy pusztán az alt szöveg megváltoztatása növelné a hivatkozási arányokat a jelenlegi AI asszisztenseknél. Sok rendszer nem magyarázza el pontosan, hogy mely oldalelemeket olvassa, vagy miért választ egyik forrást a másik helyett. A Google szerint az AI Keresési funkcióihoz nincs különleges jelölési követelmény, és nem garantálják, hogy egy jogosult oldal megjelenik. A Google AI funkciókra vonatkozó útmutatója (developers.google.com)

Ezért a továbbfejlesztett vizuális csomagolást észszerű, tesztelhető hipotézisként kezelje, nem ígéretként. Ezáltal az oldal könnyebben használható, könnyebben értelmezhető és nagyobb valószínűséggel tartalmaz olyan szöveget, amely közvetlenül megválaszol egy kérdést. Az, hogy egy asszisztens ezután hivatkozik-e rá, egy külön mérhető eredmény.

Csomagolja be minden fontos vizuális elemet bizonyítékként

Egy erős vizuális csomag négy részből áll: a képből, tömör alt szövegből, képaláírásból és egy közeli szöveges magyarázatból. Minden résznek más feladata van.

1. Írjon alt szöveget rövid helyettesítésként

Az alt szövegnek meg kell adnia azoknak az olvasóknak, akik nem látják a képet, az oldalon való tájékozódáshoz szükséges információkat. Egy egyszerű diagram esetén ez beleférhet egy mondatba. Egy összetett diagram vagy folyamatábra esetében az alt szövegnek azonosítania kell a vizuális elemet és annak fő célját, nem pedig minden részletet egy hosszú leírásba kell beleszorítani.

Például:

alt="Checkout flow with a retry path after payment failure."

Dekoratív kép esetén használjon üres alt szöveget (alt=""), hogy a segítő eszközök kihagyhassák. Ne hagyja ki az alt szöveget, és ne töltse fel ismétlődő keresési kifejezésekkel. A W3C összetett képekre vonatkozó útmutatója és a Google képekre vonatkozó útmutatója megkülönbözteti a rövid szöveges alternatívákat a teljesebb leírásoktól. (w3.org)

2. Használjon képaláírást az ábra lényegének megfogalmazásához

A képaláírásnak segítenie kell az olvasót megérteni, hogy miért fontos a kép. Egy olyan címke, mint az „Architektúra diagram” általában túl homályos.

Egy hasznosabb képaláírás a következő:

1. ábra. Egy sikertelen fizetés visszaküldi a vásárlót a fizetéshez; a kosár nyitva marad.

Használja a HTML <figure> és <figcaption> elemeket a képaláírás és a kép összekapcsolásához. Az egyértelmű ábra sorszám vagy név is megkönnyíti az azonos vizuális elemre való hivatkozást a cikk szövegében. A Google dokumentációs stílus útmutatója példákat mutat be alt szöveggel, képaláírással és hosszabb leírásokkal párosított ábrákra. (developers.google.com)

3. Helyezze a teljes magyarázatot az oldalra

Egy összetett diagram általában többet mond, mint amennyit egy rövid alt leírás képes. Helyezze a fontos jelentést a szokásos oldalszövegbe is. Egy folyamatábra esetén írja le a lépéseket és azt, hogy mi történik az egyes ágakon. Egy diagram esetén adja meg az időszakot, egységeket, kulcsértékeket és a trendet. Egy műszaki diagram esetén nevezze meg a részeket és magyarázza el, hogyan kapcsolódnak egymáshoz.

A W3C rövid leírást, valamint teljesebb szöveges leírást javasol az összetett képekhez. Ez a teljesebb leírás magában a cikkben, a kép közelében is elhelyezhető, és minden olvasó számára elérhető. Egy adattáblázat segíthet, ha pontos értékekről van szó. W3C WAI: Összetett képek (w3.org)

4. Tartsa konzisztensen a neveket és címkéket

Ha a diagramja valamit „aktiválásnak” nevez, használja ugyanazt a szót a képaláírásban és a cikkben. Ha az ábra egy fontos eredményt mutat, fogalmazza meg egy közeli mondatban: „A 2. ábrán a legtöbb regisztráció lemorzsolódik az első projekt létrehozása előtt.”

Ez nem egy varázslatos hivatkozási trükk. Ez egy módja annak, hogy az oldal bizonyítékai könnyebben követhetők és idézhetők legyenek. A Google szerint nincs speciális séma az AI áttekintésekhez vagy AI módhoz; a hasznos munka az, hogy a fontos tartalmat szövegben tartjuk, és a strukturált adatokat összehangoljuk azzal, amit az emberek láthatnak. (developers.google.com)

Íme egy egyszerű minta egy folyamatábrához:

html

The key point in the checkout flow is that a payment failure does not clear the cart.

Figure 1 in words: Cart → shipping → payment → confirmation. If payment fails, the shopper returns to payment and keeps the cart.

A rövid alt szöveg azonosítja a diagramot. A képaláírás megadja annak fő lényegét. Az utolsó mondat sima szövegben magyarázza el az utat. Egy pontos értékeket tartalmazó diagramhoz adja hozzá ezeknek az értékeknek egy táblázatát vagy listáját is.

Gondoskodjon róla, hogy a keresőrobotok be tudják olvasni a képet

Egy jól leírt képnek továbbra is elérhetőnek kell lennie. Használjon normál HTML <img> elemet valós src URL-lel. A Google szerint képes megtalálni a képeket az <img> elem src attribútumában, de nem indexeli a CSS háttérképeket ugyanúgy. Kép útmutatója a CDN-en tárolt képeket is támogatja a kép-oldaltérképekben. Google Képek SEO útmutató (developers.google.com)

Egy CDN esetén ellenőrizze az alapokat:

• A kép URL-je bejelentkezés vagy lejáró hozzáférési token nélkül is működik.
• Az oldal keresőrobot-jogosultságai és a CDN biztonsági szabályai is engedélyezik a hozzáférést.
• A renderelt oldalon található kép URL-je stabil, és a megfelelő fájlt adja vissza.
• A reszponzív képek tartalmaznak egy tartalék src attribútumot.
• A fontos szöveg nincs elrejtve egy képben, ha az valós oldalszöveg lehetne.
• A hajtás alatti képek akkor töltődnek be, amikor láthatóvá válnak – nem csak azután, hogy egy személy rákattint vagy görget oly módon, amit a keresőrobot nem tud reprodukálni.

A Google lazy-loading útmutatója szerint a kép URL-eknek meg kell jelenniük a renderelt HTML-ben, és be kell töltődniük, amikor láthatóvá válnak. Azt is tanácsolja, hogy ne használjunk lazy-loadingot olyan képeknél, amelyek már láthatók az oldal megnyitásakor. A Google lazy-loading útmutatója (developers.google.com)

Ellenőrizze a platformonkénti engedélyeket is. Az OpenAI a OAI-SearchBot-ot jelöli meg keresőrobotjaként, és azt állítja, hogy az elkülönül a GPTBot-tól, amely a képzési adatokkal kapcsolatos. Az egyik engedélyezése nem igényli a másik engedélyezését. Ez akkor fontos, ha keresési felfedezést szeretne, de más preferenciái vannak a képzési felhasználásról. OpenAI keresőrobot dokumentáció (developers.openai.com)

Tesztelje, hogy oldalaira hivatkoznak-e vizuális kérdések esetén

Ne hagyatkozzon néhány alkalmi chatbot promptra. Futtasson két tesztet, mert a modell megértése és a webes hivatkozás nem ugyanaz.

1. teszt: Megérti-e a modell a vizuális elemet?

Válasszon ki egy sor diagramot és ábrát. Írjon olyan kérdéseket, amelyek válaszai ezektől függenek, például:

• Melyik lépés következik a fizetés után?
• Mi történik, ha a fizetés sikertelen?
• Melyik hónapban volt a legmagasabb a konverziós arány?
• Mi a diagram szerint a fő ok, amiért a felhasználók lemorzsolódnak?

Ezután hasonlítsa össze a modell válaszait ellenőrzött bemeneti feltételek mellett:

1. A kép önmagában.
2. A kép, plusz az alt szövege és a képaláírása.
3. A kép, plusz ezek az annotációk, és az oldal szöveges összefoglalója vagy adattáblázata.

Tartsa azonosnak a modellt, a kérdést és a képet. Értékelje a válaszok helyességét, beleértve a pontos értékeket és összefüggéseket. Ez segít megmutatni, hogy a hozzáadott szöveg segíti-e a modellt a saját kérdései megválaszolásában. Nem mutatja meg, hogy egy webes keresőasszisztens megtalálja-e vagy idézni fogja-e az oldalt.

2. teszt: Hivatkozik-e egy keresőasszisztens az oldalra?

Egy kis pilot projekthez párosítson hasonló, sok diagramot tartalmazó oldalakat. Az egyik csoporthoz adja hozzá a teljes vizuális csomagot; a összehasonlító csoportot hagyja a jelenlegi akadálymentes alapállapotában. Ne távolítsa el az alapvető alt szöveget egy kontrollcsoport létrehozásához. Készítsen két kérdéscsoportot: olyanokat, amelyek ábra olvasását igénylik, és olyan szokásos kérdéseket, amelyeket az oldal szövege már megválaszol.

Futtassa ugyanazokat a promptokat az Ön számára fontos keresőasszisztenseken. Rögzítse a dátumot, terméket, kérdést, választ és a hivatkozott oldalt. Ismételje meg az ellenőrzéseket idővel, mert az eredmények változhatnak. Várja meg, amíg a keresőrobotja vagy keresőeszközei jelzik, hogy a frissített oldalakat újra feltérképezték. A Google megjegyzi, hogy az újrafeltérképezés napokig vagy tovább is tarthat. (developers.google.com)

Négy eredményt kövessen nyomon:

• Hivatkozási arány: Milyen gyakran hivatkozik a válasz az oldalra?
• Válasz pontossága: Helyesen találta-e el az asszisztens a vizuális tényt?
• Hivatkozás támogatása: Ténylegesen alátámasztja-e a hivatkozott oldal a választ?
• Üzleti eredmény: Segítette-e a látogatás, ajánlás vagy érdeklődő az üzletet?

Hasonlítsa össze a vizuális kérdések eredményeit a szokásos kérdések kontrollcsoportjával. Egy egyszerű előtte-utána összehasonlítás félrevezető lehet: az asszisztens, annak keresőindexe és a tágabb web mind egyszerre változhat. A párosított oldalak és az ismételt ellenőrzések segítenek, de egy kis tesztet továbbra is pilot projektként kell jelenteni, nem univerzális szabályként.

Legyen precíz abban is, hogy mit jelent az eredmény. Ha egy oldalra gyakrabban hivatkoznak egy szöveges összefoglaló hozzáadása után, a teszt azt mutatja, hogy a teljes csomag segített. Ez nem bizonyítja, hogy az asszisztens magát a képet olvasta. A hivatkozási irányítópultok megmutathatják, mely URL-ek jelennek meg az AI válaszokban, de nem feltétlenül azt, hogy az oldal mely részét olvasták el. A Bing AI teljesítményjelentése például a hivatkozott oldalakat és a lekérdezési információkat jelenti. Bing Webmaster Tools: AI Performance (blogs.bing.com)

Építse be a munkát a tartalomrendszerébe

Az alapítóknak nem kellene minden alkalommal kézzel újraírniuk egy diagramot, amikor cikket publikálnak. De az automatizálásnak nem szabad kitalálnia, mit jelent a kép.

Egy egyszerű munkafolyamat a következő:

1. Az alkotó biztosítja a forrásadatokat vagy diagramot, valamint a fő üzenetet, amit az olvasónak át szeretne adni.
2. Egy tartalom-munkafolyamat elkészíti az alt szöveget, a képaláírást és a sima szöveges összefoglalót ezekből a forrásanyagokból.
3. Egy személy ellenőrzi, hogy a leírás pontos-e, és hogy a címkék, értékek és útvonalak megegyeznek-e a vizuális elemmel.
4. Az oldal együtt publikálja a képet és annak szövegét.
5. Egy ismételhető ellenőrzés megerősíti, hogy az olvasók és a keresőrobotok egyaránt hozzáférhetnek mindkettőhöz.

Az alkotó üzenete az a rész, amelyet nem szabad automatizálni. Például egy alapító nem csak azt szeretné megmutatni, hogy a regisztrációk száma csökken, hanem azt, hogy a csapat úgy döntött, hogy az első projekt beállítását orvosolja, mielőtt több forgalmat vásárolna. Ez egy vélemény és egy terméklecke, nem pedig képaláírás feladat.

Egy automatizált tartalommotorban a Alkotó, Közönség és Ízlés bemenetek megőrizhetik ezt a szempontot a cikkek között. Az AutoPod ezeket a bemeneteket használja minden cikk irányítására, míg a munkafolyamat kezeli az ismételhető feladatokat, mint például a képaláírások megfogalmazását és az oldalszerkezet ellenőrzését. A modell képes becsomagolni a felismerést. Nem szabadna kitalálnia a felismerést.

Összefoglalás

A leíró alt szövegek, képaláírások, ábracímkék és közeli összefoglalók legerősebb érve nem egy ígért SEO-növekedés. Hanem az, hogy ezek segítségével egy vizuális elem könnyebben érthetővé, könnyebben elérhetővé és könnyebben összekapcsolhatóvá válik az oldal mondanivalójával.

Ez segíthet az asszisztensnek vizuális kérdésre válaszolni és az oldalra hivatkozni – de a növekedés nem garantált. Csomagolja be a diagramokat bizonyítékként, tegye elérhetővé a képet, és mérje a hivatkozásokat külön a megértéstől. Ez egy egyszerű rendszer, amely elsősorban az olvasók számára értéket képvisel, és tesztelhető előnyöket kínál az AI felfedezéséhez.