خوارزمية BERT: كيف تعلّمت Google قراءة اللغة في سياقها

BERT هي تقنية شبكة عصبية لمعالجة اللغة الطبيعية قدّمتها Google لمحرك البحث في أكتوبر 2019. وهي اختصار لعبارة Bidirectional Encoder Representations from Transformers، وتساعد المحرك على فهم السياق الكامل للكلمات في الاستعلام من خلال مراعاة الكلمات التي تسبق وتلي كل كلمة. عند إطلاقها، قالت Google إنها ستحسّن واحدًا من كل عشر عمليات بحث بالإنجليزية في الولايات المتحدة، وهي أكبر قفزة في فهمها للغة منذ RankBrain.

BERT ليست عقوبة ترتيب أو تعديلًا يمكن التلاعب به. إنها ترقية استيعاب تتيح لـGoogle تفسير الصياغة العشوائية والمحادثاتية كما يفعل الإنسان تمامًا. بالنسبة لأي شخص يكتب محتوى، يكافئ هذا التحول اللغة الواضحة والطبيعية ويعاقب بهدوء حيل الكلمات المفتاحية التي تتجاهل المعنى.

ما هي خوارزمية BERT؟

BERT هي في آن واحد ثلاثة أشياء: مكوّن في بحث Google، وإطار بحث مفتوح المصدر، وأداة عامة لـمعالجة اللغة الطبيعية. أتاحت Google شفرتها المصدرية عام 2018 ودمجتها في البحث في العام التالي. مهمتها هي نمذجة كيفية ارتباط الكلمات ببعضها داخل الجملة، بحيث يمكن للمحرك قراءة الاستعلام كفكرة مترابطة بدلًا من كيس من الكلمات المفتاحية.

الاختراق هو الفهم السياقي. كانت الأنظمة السابقة غالبًا تتعامل مع كل كلمة بمعزل عن غيرها أو تمسح النص في اتجاه واحد فقط. تعالج BERT الكلمة بالنسبة إلى كل كلمة أخرى حولها، ما يتيح لها حل الغموض في المعنى، وحل الضمائر، ومعرفة متى تغيّر كلمة صغيرة مثل حرف الجر معنى الطلب بأكمله.

كيف تعمل BERT: المحوّلات ثنائية الاتجاه

يرمز حرف B في BERT إلى ثنائي الاتجاه (bidirectional). كانت النماذج اللغوية الأقدم مثل Word2Vec تقرأ النص في اتجاه واحد، من اليسار إلى اليمين أو العكس، عبر نافذة محدودة. تقرأ BERT الجملة بأكملها من جانبي الكلمة في آن واحد، ما يمنحها إحساسًا أغنى بكثير بالسياق. هذه هي الفكرة الأهم وراء دقتها.

يرمز حرف T إلى المحوّلات (transformers)، وهي بنية المحوّل التي تشغّل معظم نماذج اللغة الحديثة. تُدرّب BERT بطريقة تُسمى نمذجة اللغة المقنّعة: تُخفي كلمات معينة وتتعلم التنبؤ بها من النص المحيط، ما يجبرها على بناء نموذج عميق لكيفية تركيب اللغة. هذا التدريب المسبق، وهو شكل من أشكال التعلم الآلي، هو ما يمنح BERT فهمها العام للمعنى.

BERT في الممارسة: مثالا الرصيف والتأشيرة

وضّحت Google BERT بمثالين أصبحا مشهورين الآن. في عملية البحث عن 2019 brazil traveler to usa need a visa، فاتت الأنظمة القديمة كلمة to وأعادت صفحات عن مواطني الولايات المتحدة المسافرين إلى البرازيل. أدركت BERT أن حرف الجر يقلب المعنى وعرضت المعلومات الصحيحة لبرازيلي متجه إلى أمريكا.

شمل المثال الثاني عبارة parking on a hill with no curb. سابقًا اعتمدت Google على كلمة curb وتجاهلت no، فأعادت عكس ما أراده الباحث. تعاملت BERT بشكل صحيح مع النفي. توضح الحالتان قوتها في الاستعلامات الأطول والأكثر محادثاتية، وفي عمليات البحث التي تحمل فيها حروف الجر مثل for وto المعنى.

BERT مقابل RankBrain

كانت BERT أكبر تغيير في البحث منذ إطلاق RankBrain قبل نحو خمس سنوات، والخوارزميتان تعملان معًا لا تتنافسان. يعدّل RankBrain كيفية تفسير Google للاستعلامات ويضبط النتائج بناءً على سلوك المستخدم، ويتعلم الأنماط بمرور الوقت. كان أول استخدام رئيسي لـGoogle للذكاء الاصطناعي لفهم البحث.

BERT أكثر تخصصًا. تركّز على البنية اللغوية للاستعلام، وتحلّل كيفية اجتماع الكلمات لتشكيل النية. بينما يتعلم RankBrain من التفاعلات عبر عمليات بحث عديدة، تجلب BERT فهمًا لغويًا عميقًا للاستعلام الفردي الماثل أمامها. كلاهما جزء من عائلة أكبر من الأنظمة التي تدفع Google نحو بحث دلالي حقيقي.

أين تُطبَّق BERT في البحث

تعمل BERT على جانب الاستعلام وجانب النتائج معًا. تساعد Google على تحليل ما يقصده الباحث فعلًا، وهو أمر مهم بشكل خاص للصياغة الطبيعية الشبيهة بالكلام المنطوق. كما تُحسّن المقتطفات المميزة (featured snippets)، إذ أفادت Google بتطبيق BERT في نحو أربعة وعشرين دولة مع مكاسب ملحوظة في لغات مثل الكورية والهندية والبرتغالية.

ولأنها تحسّن كيفية قراءة المحرك لـنية البحث، تميل BERT إلى مكافأة الصفحات التي تجيب بوضوح عن أسئلة حقيقية. أبعدت البحث عن المطابقة الحرفية للكلمات المفتاحية وقرّبته من مطابقة المعنى وراء الاستعلام، ولهذا يتفوق المحتوى الذي يعالج موضوعًا بعمق على المحتوى المحشو بعبارات دقيقة.

هل يمكن تحسين الموقع من أجل BERT؟

ليس بشكل مباشر، وهذه هي الفكرة بالضبط. أوضحت Google أنه لا يوجد ما يمكن تحسينه: BERT إطار استيعاب لا رافعة ترتيب. الإرشاد الرسمي هو ببساطة الكتابة بشكل طبيعي، لأن BERT تساعد Google على فهم المحتوى الجيد الكتابة أصلاً بدلًا من مكافأة أي تنسيق خاص.

عمليًا، يعني هذا التركيز على الوضوح واحتياجات الباحث. تميل الصفحات ذات المحتوى المحادثاتي الجيد الكتابة الذي يجيب فعلًا عن الأسئلة إلى الاستفادة، بينما قد يخسر حشو الكلمات المفتاحية دون سياق. إن مواءمة الكتابة مع أسئلة المستخدمين الحقيقية، مدعومة بـأبحاث كلمات مفتاحية وتخطيط محتوى منضبطة، هي الطريقة الأكثر موثوقية للبقاء في الجانب الصحيح من أنظمة فهم اللغة.

لماذا تهم BERT كلاً من السيو وGEO

بالنسبة للسيو، أكّدت BERT اتجاهًا طويل الأمد: الكتابة للبشر أولًا. جعلت المعنى والبنية والوضوح هي العملة المتداولة في البحث بدلًا من الكلمات المفتاحية المطابقة تمامًا، وعزّزت قيمة المحتوى المفيد الذي يلبي النية. أصبحت الصفحات الضعيفة أو التلاعبية أسهل على Google لاكتشافها.

بالنسبة لتحسين المحركات التوليدية، تُعد BERT سلفًا مبكرًا للأنظمة التي تشغّل اليوم البحث بالذكاء الاصطناعي. الاستيعاب نفسه ثنائي الاتجاه والقائم على المحوّلات يشكّل أساس نماذج اللغة الكبيرة وراء مساعدين مثل ChatGPT وPerplexity وGemini. المحتوى المكتوب بوضوح كافٍ لتفهمه BERT هو أيضًا محتوى يمكن لأنظمة LLM هذه تحليله والوثوق به والاستشهاد به، ما يجعل اللغة الجيدة أساسًا مشتركًا لكل من البحث والظهور في الذكاء الاصطناعي.

الخلاصة

مثّلت BERT اللحظة التي تعلّمت فيها Google قراءة استعلام في سياقه، باستخدام محوّلات ثنائية الاتجاه توازن كل كلمة مقابل جاراتها. حسّنت واحدًا من كل عشر عمليات بحث بالإنجليزية عند إطلاقها، وصقلت المقتطفات المميزة، ودفعت السيو بحزم نحو الكتابة الطبيعية القائمة على النية. لا توجد حيلة لتحسينها من أجلها، فقط انضباط الإجابة عن الأسئلة الحقيقية بوضوح.

للتعمق أكثر، اربطوا هذا بـمعالجة اللغة الطبيعية والبحث الدلالي، واستخدموا أدوات البحث وتخطيط المحتوى الخاصة بـSorank لاستهداف الأسئلة التي يطرحها الناس فعلاً. مصادر مرجعية: Google Blog، Search Engine Journal، وSearch Engine Land.