BERT-algoritme: hoe Google taal leerde lezen in context

BERT is een techniek met neurale netwerken voor natuurlijke taalverwerking die Google in oktober 2019 in Zoeken introduceerde. De naam staat voor Bidirectional Encoder Representations from Transformers. BERT helpt de zoekmachine de volledige context van woorden in een zoekopdracht te begrijpen door te kijken naar de woorden die voor en na elk woord staan. Bij de lancering zei Google dat het een op de tien Engelse zoekopdrachten in de Verenigde Staten zou verbeteren, de grootste sprong in het taalbegrip sinds RankBrain.

BERT is geen rankingstraf en geen aanpassing waar je mee kunt sjoemelen. Het is een upgrade van het begrip waarmee Google rommelige, gesproken formuleringen kan interpreteren zoals een mens dat doet. Voor wie content schrijft, beloont die verschuiving heldere, natuurlijke taal en straft ze stilletjes zoekwoordtrucs af die de betekenis negeren.

Wat is het BERT-algoritme?

BERT is drie dingen tegelijk: een onderdeel van Google Zoeken, een open-source onderzoekskader en een algemene tool voor natuurlijke taalverwerking. Google maakte het in 2018 open source en nam het een jaar later op in Zoeken. De taak ervan is te modelleren hoe woorden binnen een zin zich tot elkaar verhouden, zodat de zoekmachine een zoekopdracht kan lezen als een samenhangende gedachte in plaats van een zak met zoekwoorden.

De doorbraak is contextueel begrip. Eerdere systemen behandelden elk woord vaak los of lazen tekst in één richting. BERT verwerkt een woord in relatie tot elk ander woord eromheen, waardoor het betekenissen kan onderscheiden, voornaamwoorden kan oplossen en kan herkennen wanneer een klein woord zoals een voorzetsel alles aan een verzoek verandert.

Hoe BERT werkt: bidirectionele transformers

De B in BERT staat voor bidirectioneel. Oudere taalmodellen zoals Word2Vec lazen tekst in één richting, van links naar rechts of van rechts naar links, door een beperkt venster. BERT leest de hele zin aan beide kanten van een woord tegelijk, waardoor het een veel rijker gevoel voor context krijgt. Dit is het belangrijkste idee achter de nauwkeurigheid.

De T staat voor transformers, de transformerarchitectuur die de meeste moderne taalmodellen aandrijft. BERT wordt getraind met een methode die masked language modeling heet: het verbergt bepaalde woorden en leert ze te voorspellen uit de omringende tekst, wat het dwingt een diep model op te bouwen van hoe taal in elkaar zit. Deze voortraining, een vorm van machine learning, geeft BERT zijn algemene begrip van betekenis.

BERT in actie: de voorbeelden van de stoeprand en het visum

Google illustreerde BERT met twee inmiddels beroemde zoekopdrachten. Bij de zoekopdracht 2019 brazil traveler to usa need a visa miste het oude systeem het woord to en gaf het pagina's over Amerikaanse burgers die naar Brazilië reizen. BERT herkende dat het voorzetsel de betekenis omdraait en toonde de juiste informatie voor een Braziliaan die naar Amerika gaat.

Het tweede voorbeeld ging over parkeren op een helling zonder stoeprand. Voorheen leunde Google op het woord curb en negeerde het no, waardoor het het tegenovergestelde gaf van wat de zoeker wilde. BERT verwerkte de ontkenning correct. Beide gevallen laten zijn kracht zien bij langere, meer gespreksachtige zoekopdrachten en bij zoekopdrachten waarin voorzetsels als for en to de betekenis dragen.

BERT versus RankBrain

BERT was de grootste verandering in Zoeken sinds RankBrain ongeveer vijf jaar eerder werd gelanceerd, en de twee werken samen en concurreren niet. RankBrain past aan hoe Google zoekopdrachten interpreteert en stemt resultaten af op gebruikersgedrag, waarbij het in de loop van de tijd patronen leert. Het was het eerste grote gebruik van kunstmatige intelligentie door Google om zoeken te begrijpen.

BERT is gespecialiseerder. Het richt zich op de taalkundige structuur van een zoekopdracht en ontleedt hoe woorden samen een intentie vormen. Waar RankBrain leert van interacties over veel zoekopdrachten, brengt BERT diep taalbegrip naar de afzonderlijke zoekopdracht die voorligt. Beide maken deel uit van een grotere familie van systemen die Google richting echte semantisch zoeken brengen.

Waar BERT wordt toegepast in Zoeken

BERT werkt aan de kant van de zoekopdracht en aan de kant van de resultaten. Het helpt Google te ontleden wat een zoeker echt bedoelt, wat het meest uitmaakt bij natuurlijke formuleringen in gesproken stijl. Het zorgt ook voor betere featured snippets, waarbij Google meldde BERT in twee dozijn landen toe te passen, met opmerkelijke winst in talen als Koreaans, Hindi en Portugees.

Omdat het verbetert hoe de zoekmachine zoekintentie leest, beloont BERT doorgaans pagina's die echte vragen helder beantwoorden. Het verschoof Zoeken weg van letterlijke zoekwoordmatching naar het matchen van de betekenis achter een zoekopdracht. Daarom presteert content die een onderwerp grondig behandelt beter dan content die vol staat met exacte zinsneden.

Kun je optimaliseren voor BERT?

Niet direct, en dat is juist het punt. Google heeft duidelijk gezegd dat er niets te optimaliseren valt: BERT is een kader voor begrip en geen rankinghefboom. De officiële richtlijn is simpelweg natuurlijk te schrijven, want BERT helpt Google content te begrijpen die al goed leest en beloont geen speciale opmaak.

In de praktijk betekent dit dat je je richt op helderheid en op wat de zoeker nodig heeft. Pagina's met goed geschreven, gespreksachtige content die echt vragen beantwoordt, profiteren doorgaans, terwijl zoekwoorden proppen zonder context terrein kan verliezen. Je schrijven afstemmen op echte vragen van gebruikers, ondersteund door gedegen zoekwoordonderzoek en contentplanning, is de betrouwbaarste manier om aan de goede kant van systemen voor taalbegrip te blijven.

Waarom BERT ertoe doet voor SEO en GEO

Voor SEO bevestigde BERT een al langer lopende richting: schrijf eerst voor mensen. Het maakte betekenis, structuur en helderheid tot de munteenheid van zoeken in plaats van exact passende zoekwoorden, en versterkte de waarde van nuttige content die aan de intentie voldoet. Dunne of manipulatieve pagina's werden makkelijker voor Google te doorzien.

Voor generative engine optimization is BERT een vroege voorouder van de systemen die nu AI-zoekopdrachten aandrijven. Hetzelfde bidirectionele, op transformers gebaseerde begrip ligt onder de grote taalmodellen achter assistenten als ChatGPT, Perplexity en Gemini. Content die helder genoeg is geschreven om door BERT begrepen te worden, kunnen ook deze LLM-systemen lezen, vertrouwen en citeren. Goede taal is dus een gedeelde basis voor zowel zoeken als AI-zichtbaarheid.

Conclusie

BERT markeerde het moment waarop Google leerde een zoekopdracht in context te lezen, met bidirectionele transformers die elk woord afwegen tegen zijn buren. Het verbeterde bij de lancering een op de tien Engelse zoekopdrachten, verscherpte featured snippets en duwde SEO beslist richting natuurlijk, op intentie gericht schrijven. Er is geen truc om ervoor te optimaliseren, alleen de discipline om echte vragen helder te beantwoorden.

Wil je verder gaan, combineer dit dan met natuurlijke taalverwerking en semantisch zoeken, en gebruik de onderzoeks- en contentplanningstools van Sorank om je te richten op de vragen die mensen echt stellen. Bronnen ter referentie: Google Blog, Search Engine Journal en Search Engine Land.