Algoritmo BERT: come Google ha imparato a leggere il linguaggio nel contesto

BERT è una tecnica di rete neurale per l'elaborazione del linguaggio naturale che Google ha introdotto nella Ricerca a ottobre 2019. Acronimo di Bidirectional Encoder Representations from Transformers, aiuta il motore a comprendere il contesto completo delle parole di una query considerando le parole che precedono e seguono ciascuna. Al lancio, Google disse che avrebbe migliorato una ricerca su dieci in inglese negli Stati Uniti, il più grande salto nella sua comprensione del linguaggio dai tempi di RankBrain.

BERT non è una penalità di ranking né una modifica che puoi aggirare. È un miglioramento della comprensione che permette a Google di interpretare frasi disordinate e colloquiali come farebbe una persona. Per chiunque scriva contenuti, questo cambiamento premia il linguaggio chiaro e naturale e punisce in modo discreto i trucchi sulle parole chiave che ignorano il significato.

Cos'è l'algoritmo BERT?

BERT è al tempo stesso tre cose: una componente della Ricerca Google, un framework di ricerca open source e uno strumento generale di elaborazione del linguaggio naturale. Google lo ha reso open source nel 2018 e lo ha integrato nella Ricerca l'anno seguente. Il suo compito è modellare come le parole si relazionano tra loro all'interno di una frase, così che il motore possa leggere una query come un pensiero connesso anziché un insieme di parole chiave.

La svolta è la comprensione contestuale. I sistemi precedenti spesso trattavano ogni parola in modo isolato o scansionavano il testo in un'unica direzione. BERT elabora una parola in relazione a ogni altra parola intorno a essa, il che gli permette di disambiguare il significato, risolvere i pronomi e capire quando una piccola parola come una preposizione cambia tutto in una richiesta.

Come funziona BERT: i transformer bidirezionali

La B di BERT sta per bidirezionale. I modelli linguistici più vecchi come Word2Vec leggevano il testo in una direzione, da sinistra a destra o da destra a sinistra, attraverso una finestra limitata. BERT legge l'intera frase su entrambi i lati di una parola allo stesso tempo, ottenendo un senso del contesto molto più ricco. È questa la singola idea più importante alla base della sua accuratezza.

La T sta per transformer, l'architettura transformer che alimenta la maggior parte dei modelli linguistici moderni. BERT viene addestrato con un metodo chiamato masked language modeling: nasconde alcune parole e impara a prevederle dal testo circostante, il che lo costringe a costruire un modello profondo di come si combina il linguaggio. Questo pre-addestramento, una forma di machine learning, è ciò che dà a BERT la sua comprensione generale del significato.

BERT in azione: gli esempi del marciapiede e del visto

Google ha illustrato BERT con due query ormai famose. Per la ricerca 2019 brazil traveler to usa need a visa, il vecchio sistema ignorava la parola to e restituiva pagine su cittadini statunitensi in viaggio verso il Brasile. BERT ha riconosciuto che la preposizione ribalta il significato e ha fatto emergere le informazioni giuste per un brasiliano diretto in America.

Il secondo esempio riguardava il parcheggio su una collina senza marciapiede. In precedenza Google si appoggiava alla parola curb e ignorava no, restituendo l'opposto di ciò che l'utente voleva. BERT ha gestito correttamente la negazione. Entrambi i casi mostrano la sua forza sulle query più lunghe e colloquiali e sulle ricerche in cui preposizioni come for e to portano il significato.

BERT a confronto con RankBrain

BERT è stato il più grande cambiamento alla Ricerca dal lancio di RankBrain, avvenuto circa cinque anni prima, e i due lavorano insieme anziché competere. RankBrain regola il modo in cui Google interpreta le query e affina i risultati in base al comportamento degli utenti, apprendendo schemi nel tempo. È stato il primo grande uso dell'intelligenza artificiale da parte di Google per comprendere la ricerca.

BERT è più specializzato. Si concentra sulla struttura linguistica di una query, analizzando come le parole si combinano per formare l'intento. Mentre RankBrain impara dalle interazioni su molte ricerche, BERT porta una comprensione profonda del linguaggio alla singola query che ha davanti. Entrambi fanno parte di una più ampia famiglia di sistemi che spingono Google verso una vera ricerca semantica.

Dove viene applicato BERT nella Ricerca

BERT opera sia sul lato query sia sul lato risultati. Aiuta Google a interpretare cosa intende davvero un utente, il che conta soprattutto per le frasi naturali e dallo stile parlato. Alimenta anche featured snippet migliori, dove Google ha riferito di applicare BERT in due dozzine di paesi con guadagni notevoli in lingue come coreano, hindi e portoghese.

Poiché migliora il modo in cui il motore legge l'intento di ricerca, BERT tende a premiare le pagine che rispondono in modo chiaro a domande reali. Ha allontanato la Ricerca dall'abbinamento letterale delle parole chiave e l'ha avvicinata all'abbinamento del significato dietro una query, ed è per questo che un contenuto che affronta un argomento in modo approfondito rende meglio di un contenuto riempito di frasi esatte.

Si può ottimizzare per BERT?

Non direttamente, ed è proprio questo il punto. Google è stata esplicita sul fatto che non c'è nulla da ottimizzare: BERT è un framework di comprensione, non una leva di ranking. L'indicazione ufficiale è semplicemente di scrivere in modo naturale, perché BERT aiuta Google a comprendere contenuti che già si leggono bene anziché premiare una formattazione particolare.

In pratica, questo significa concentrarsi sulla chiarezza e sui bisogni dell'utente. Le pagine con contenuti ben scritti e colloquiali che rispondono davvero alle domande tendono a trarne beneficio, mentre il keyword stuffing senza contesto può perdere terreno. Allineare la tua scrittura alle domande reali degli utenti, supportata da una solida ricerca di parole chiave e pianificazione dei contenuti, è il modo più affidabile per restare dalla parte giusta dei sistemi di comprensione del linguaggio.

Perché BERT conta per la SEO e la GEO

Per la SEO, BERT ha confermato una direzione di lungo corso: scrivere prima per le persone. Ha reso significato, struttura e chiarezza la moneta della ricerca anziché le parole chiave a corrispondenza esatta, rafforzando il valore dei contenuti utili che soddisfano l'intento. Le pagine superficiali o manipolatorie sono diventate più facili da smascherare per Google.

Per la generative engine optimization, BERT è un antenato precoce dei sistemi che oggi alimentano la ricerca con intelligenza artificiale. La stessa comprensione bidirezionale basata su transformer è alla base dei grandi modelli linguistici dietro assistenti come ChatGPT, Perplexity e Gemini. Un contenuto scritto abbastanza chiaramente perché BERT lo capisca è anche un contenuto che questi sistemi LLM possono interpretare, di cui fidarsi e che possono citare, il che rende un buon linguaggio una base condivisa sia per la ricerca sia per la visibilità AI.

Conclusione

BERT ha segnato il momento in cui Google ha imparato a leggere una query nel contesto, usando transformer bidirezionali per soppesare ogni parola rispetto alle sue vicine. Al lancio ha migliorato una ricerca su dieci in inglese, affinato i featured snippet e spinto la SEO con decisione verso una scrittura naturale e guidata dall'intento. Non c'è alcun trucco per ottimizzarlo, solo la disciplina di rispondere in modo chiaro a domande reali.

Per approfondire, collega questo concetto con l'elaborazione del linguaggio naturale e con la ricerca semantica, e usa gli strumenti di ricerca e pianificazione dei contenuti di Sorank per centrare le domande che le persone pongono davvero. Fonti di riferimento: Google Blog, Search Engine Journal e Search Engine Land.