Auto
マルチモーダル対応：モデルが引用できる画像、代替テキスト、図
ルーカス・リヒター、シニアコンテンツオートメーションストラテジスト
一枚の図は、テキストページが説明に何分もかかる内容を、数秒で伝えることができます。しかし、その意味が画像ファイルの中にのみ存在する場合、多くの読者、そして多くの検索システムがその要点を見逃してしまうかもしれません。
だからこそ、マルチモーダル対応は、単に画像を増やすことではありません。それぞれの有用なビジュアルを、その意味が画像自体、ページテキスト、そして両者を結びつけるコードの中で明確になるようにパッケージ化することです。
ただし、重要な制限が一つあります。質の良い代替テキストはシステムが画像を理解するのに役立つかもしれませんが、AIアシスタントがそのページを引用することを保証するものではありません。 画像を理解することと、ウェブページを情報源として選択することは、異なるステップです。
研究が示すこと、そして示さないこと
キャプションは視覚的な質問に役立つ
いくつかの研究では、画像とペアになったテキストが、モデルが画像に関する質問に答えるのに役立つことが示されています。2019年の研究では、画像に段落形式のキャプションを追加することで、視覚的質問応答タスクのパフォーマンスが向上することがわかりました。キャプションは、画像の特徴だけよりも質問に合わせやすい詳細情報を提供しました。ただし、これはモデル実験であり、ライブウェブページに代替テキストを追加することでAIの引用が増えるかどうかをテストしたものではありません。 ACL Anthology の論文 (aclanthology.org)
また、図表や図はモデルが正確に読み取るのが難しいままです。あるチャート質問のベンチマークでは、研究者たちは値間の関係を見つけるなどのタスクに弱点があることを発見しました。彼らの結果は特別なテキストプロンプトで改善され、これは明確な言語の価値を示唆していますが、特定のページ形式がより多くの引用を獲得することを証明するものではありません。 ChartInsights ベンチマーク (arxiv.org)
より広範な教訓は実用的です。ビジュアルは有用な証拠を伝えることができますが、モデルは依然として小さなラベル、正確な値、またはステップ間の経路を見逃す可能性があります。 例えば、OpenAIのビジョンガイドでは、小さなテキスト、チャート、色分けされた要素、正確な空間的推論について警告しています。 OpenAI ビジョンガイド (developers.openai.com)
より良い代替テキストは引用を切り替えるものではない
検索システムは、画像の説明と周辺テキストを使用して、画像が何を示しているかを理解する場合があります。Googleは、検索用に画像を理解する際に、代替テキスト、コンピュータービジョン、およびページコンテンツを組み合わせて使用すると述べています。また、関連テキストの近くに画像を配置することを推奨しています。これは有用な代替テキストの記述をサポートしますが、代替テキスト自体がAIアシスタントにページを引用させるという証拠にはなりません。 Google 画像SEOガイド (developers.google.com)
この記事でレビューされた証拠は、代替テキストを変更するだけで、現在のAIアシスタント全体で引用率が上がることを確立していません。多くのシステムは、どのページ要素を読み取るか、またはなぜある情報源を他の情報源よりも選択するのかを正確に説明していません。Googleは、そのAI検索機能には特別なマークアップ要件がなく、対象となるページが表示されることを保証しないと述べています。 GoogleのAI機能ガイド (developers.google.com)
したがって、改善されたビジュアルパッケージングは、約束ではなく合理的で検証可能な仮説として扱ってください。それはページをより使いやすく、解析しやすくし、質問に直接答えるテキストを含む可能性を高めることができます。アシスタントがそれを引用するかどうかは、別途測定すべき結果です。
重要なビジュアルをそれぞれ証拠としてパッケージ化する
強力なビジュアルパッケージには4つの部分があります。画像、簡潔な代替テキスト、キャプション、そして近くにあるテキストの説明です。それぞれの部分には異なる役割があります。
1. 代替テキストを短い代替として書く
代替テキストは、画像を見ることができない読者に、ページを理解するために必要な情報を提供するべきです。単純な図であれば、それは1つの文に収まるかもしれません。複雑なチャートやフローチャートの場合、代替テキストはビジュアルとその主な目的を特定するべきであり、すべての詳細を1つの長い説明に詰め込むべきではありません。
例：
alt="支払い失敗後の再試行パスを含むチェックアウトフロー。"
装飾的な画像には、支援ツールがスキップできるように空の代替テキスト (alt="") を使用します。代替テキストを省略したり、繰り返しの検索語で埋めたりしないでください。 W3Cの複雑な画像に関するガイダンス および Googleの画像ガイダンス は、短いテキストの代替とより詳細な説明を区別しています。 (w3.org)
2. キャプションを使用して図の要点を述べる
キャプションは、読者がなぜその画像が重要なのかを理解するのに役立つべきです。「アーキテクチャ図」のようなラベルは通常、曖昧すぎます。
より有用なキャプションは次のとおりです。
図1. 支払い失敗により、買い物客は支払いに戻され、カートは開いたままになります。
HTMLの<figure>要素と<figcaption>要素を使用して、キャプションを画像に接続します。明確な図の番号や名前は、記事のテキスト内で同じビジュアルを参照しやすくもします。 Googleのドキュメントスタイルガイド は、代替テキスト、キャプション、およびより長い説明と組み合わせた図の例を提供しています。 (developers.google.com)
3. 完全な説明をページに記述する
複雑な図は、短い代替説明が伝えられるよりも多くのことを通常伝えます。重要な意味は通常のページテキストにも記述してください。フローチャートの場合は、各ステップと各分岐で何が起こるかを説明します。チャートの場合は、期間、単位、主要な値、傾向を含めます。技術的な図の場合は、部品の名前とそれらがどのように接続されているかを説明します。
W3Cは、複雑な画像に対して、短い説明とより完全なテキスト説明を推奨しています。このより完全な説明は、記事自体の中、画像の近くに配置し、すべての読者が利用できるようにすることができます。正確な値が重要な場合は、データテーブルが役立ちます。 W3C WAI: 複雑な画像 (w3.org)
4. 名前とラベルを一貫させる
図で何かを「アクティベーション」と呼ぶ場合、キャプションと記事でも同じ言葉を使用してください。図が重要な結果を示す場合、近くの文でそれを述べてください。「図2では、ほとんどのサインアップは最初のプロジェクトが作成される前に離脱しています。」
これは魔法のような引用のトリックではありません。ページの証拠を追跡し、引用しやすくするための方法です。Googleは、AI概要やAIモードに特別なスキーマはないと述べています。有用な作業とは、重要なコンテンツをテキストに保ち、構造化データが人々が見るものと一致するようにすることです。 (developers.google.com)
フローチャートの簡単なパターンは次のとおりです。
html
チェックアウトフローの重要な点は、支払い失敗が発生してもカートがクリアされないことです。
図1を言葉で説明： カート → 配送 → 支払い → 確認。支払いが失敗した場合、 買い物客は支払いに戻り、カートは保持されます。
短い代替テキストは図を特定します。キャプションはその主要な点を伝えます。最後の文はパスを平易なテキストで説明します。正確な値を含むチャートの場合は、それらの値のテーブルまたはリストも追加してください。
クローラーが画像をフェッチできることを確認する
適切に記述された画像も利用可能である必要があります。実際のsrc URLを持つ通常のHTML <img>要素を使用してください。Googleは、<img>要素のsrcにある画像を見つけることができると述べていますが、CSSの背景画像を同じ方法でインデックス化することはありません。その画像ガイダンスは、画像サイトマップ内のCDNホスト型画像もサポートしています。 Google 画像SEOガイド (developers.google.com)
CDNの場合、基本事項を確認してください。
- 画像URLはログインや期限付きアクセストークンなしで機能すること。
- ページのクローラー権限とCDNのセキュリティルールが両方ともアクセスを許可していること。
- レンダリングされたページの画像URLが安定しており、正しいファイルを返すこと。
- レスポンシブ画像にはフォールバック
srcが含まれていること。 - 重要なテキストが、実際のページテキストになりうるのに画像内に隠されていないこと。
- アバブ・ザ・フォールドではない画像は、表示可能になったときにロードされること。ユーザーがクリックしたり、クローラーが再現できない方法でスクロールしたりした後だけではないこと。
Googleの遅延読み込みガイダンスによると、画像URLはレンダリングされたHTMLに表示され、視界に入ったときに読み込まれるべきです。また、ページが開いたときにすでに表示されている画像を遅延読み込みしないよう助言しています。 Googleの遅延読み込みガイダンス (developers.google.com)
プラットフォームごとの権限も確認してください。OpenAIは、OAI-SearchBotを検索クローラーとして文書化しており、これはトレーニングデータに関連するGPTBotとは別であると述べています。一方を許可しても、他方を許可する必要はありません。これは、検索での発見を望むが、トレーニング利用について異なる好みがある場合に重要です。 OpenAI クローラーのドキュメント (developers.openai.com)
視覚的な質問に対してページが引用されるかどうかをテストする
いくつかの簡単なチャットボットプロンプトだけに頼ってはいけません。モデルの理解とウェブ引用は同じものではないため、2つのテストを実行してください。
テスト1：モデルはビジュアルを理解しているか？
一連の図表や図を選択します。それらに依存する答えを持つ質問を作成します。例えば：
- 支払いの次に続くステップは何か？
- 支払いが失敗した場合、何が起こるか？
- 最も高いコンバージョン率を記録した月はどれか？
- 図によると、ユーザーが離脱する主な理由は何と書かれているか？
次に、制御された入力条件の下でモデルの回答を比較します。
- 画像のみ。
- 画像と代替テキストおよびキャプション。
- 画像とそれらの注釈、およびページのテキスト概要またはデータテーブル。
モデル、質問、画像を同じに保ちます。正確な値と関係性を含め、回答の正確さを採点します。これは、追加されたテキストがモデルがあなたの質問に答えるのに役立つかどうかを示すのに役立ちます。ウェブ検索アシスタントがページを見つけたり引用したりするかどうかは示しません。
テスト2：検索アシスタントはページを引用するか？
小規模なパイロットテストとして、類似の図表を多く含むページをペアにします。一方のグループには完全なビジュアルパッケージを追加し、比較グループは現在のアクセシブルなベースラインのままにします。対照グループを作成するために不可欠な代替テキストを削除しないでください。 質問は2つのセットを準備します。1つは図の読み取りを必要とする質問、もう1つはページのテキストですでに回答されている通常の質問です。
関心のある検索アシスタントで同じプロンプトを実行します。日付、製品、質問、回答、引用されたページを記録します。結果は時間の経過とともに変化する可能性があるため、定期的にチェックを繰り返します。クローラーまたは検索ツールが更新されたページを再クロールしたことを示すまで待ちます。Googleは、再クロールには数日以上かかる場合があると述べています。 (developers.google.com)
4つの結果を追跡します。
- 引用率： 回答はどのくらいの頻度でページを引用するか？
- 回答の正確性： アシスタントは視覚的な事実を正しく理解したか？
- 引用の裏付け： 引用されたページは実際に回答を裏付けているか？
- ビジネス結果： 訪問、参照、またはリードはビジネスに役立ったか？
視覚的な質問の結果と通常の質問の対照セットを比較します。単純なビフォーアフター比較は誤解を招く可能性があります。アシスタント、その検索インデックス、およびより広範なウェブがすべて同時に変化する可能性があるためです。一致するページと繰り返しのチェックは役立ちますが、小規模なテストは普遍的なルールではなく、依然としてパイロットとして報告されるべきです。
また、結果が何を意味するのかを正確にしてください。テキスト要約を追加した後にページがより頻繁に引用されるようになった場合、テストはパッケージ全体が役立ったことを示します。アシスタントが画像自体を読んだことを証明するものではありません。引用ダッシュボードはAI回答にどのURLが表示されるかを示すことができますが、ページのどの部分が読まれたかを示すとは限りません。例えば、BingのAIパフォーマンスレポートは、引用されたページとクエリ情報を提供します。 Bing Webmaster Tools: AI Performance (blogs.bing.com)
作業をコンテンツシステムに組み込む
ファウンダーは、記事を公開するたびに手作業で図を書き直す必要はありません。しかし、自動化は画像の意味をでっち上げてはなりません。
シンプルなワークフローは次のとおりです。
- 作成者は、元のデータまたは図、および読者に伝えたい主要なポイントを提供します。
- コンテンツワークフローは、それらの元の資料から代替テキスト、キャプション、およびプレーンテキストの要約を作成します。
- 人間が、説明が正確であり、ラベル、値、経路がビジュアルと一致することを確認します。
- ページは画像とテキストを一緒に公開します。
- 繰り返し可能なチェックにより、読者とクローラーが両方にアクセスできることを確認します。
作成者の意図は、自動化すべきではない部分です。例えば、ファウンダーは単にサインアップが減少していることを示すだけでなく、チームがトラフィックを増やす前に、最初のプロジェクトのセットアップを修正することを選択したということを示したいかもしれません。これは意見であり、製品の教訓であり、キャプション付けのタスクではありません。
自動化されたコンテンツエンジンでは、作成者、オーディエンス、テイストの入力が、記事全体でそのポイントを保持できます。AutoPodはこれらの入力を使用して各記事をガイドし、ワークフローはキャプションの作成やページ構造のチェックなどの繰り返し可能なタスクを処理します。モデルはインサイトをパッケージ化できますが、インサイトをでっち上げるべきではありません。
結論
記述的な代替テキスト、キャプション、図のラベル、および近くの要約に対する最も強力な論拠は、約束されたSEOの向上ではありません。それは、ビジュアルをより理解しやすく、よりアクセスしやすく、ページの主張とより簡単に結びつけるようにすることです。
それはまた、アシスタントが視覚的な質問に答え、ページを引用するのを助けるかもしれませんが、その向上は保証されません。図を証拠としてパッケージ化し、画像をフェッチ可能にし、理解度とは別に引用を測定する。 これは、まず読者にとって価値があり、AIによる発見にとって検証可能なメリットがあるシンプルなシステムです。
