{"id":111975,"date":"2021-02-17T18:30:00","date_gmt":"2021-02-17T23:30:00","guid":{"rendered":"https:\/\/www.dacgroup.com\/ein-jahr-spater-hat-bert-die-suche-wirklich-fur-immer-verandert\/"},"modified":"2024-12-21T05:52:52","modified_gmt":"2024-12-21T10:52:52","slug":"ein-jahr-spater-hat-bert-die-suche-wirklich-fur-immer-verandert","status":"publish","type":"post","link":"https:\/\/www.dacgroup.com\/de\/einblicke\/blog\/search-optimization\/ein-jahr-spater-hat-bert-die-suche-wirklich-fur-immer-verandert\/","title":{"rendered":"Ein Jahr sp\u00e4ter: Hat BERT die Suche wirklich f\u00fcr immer ver\u00e4ndert?"},"content":{"rendered":"

Als wir das letzte Mal in das Wachstumspotenzial von Googles BERT AI eingetaucht sind, betraf es nur 10 % aller englischsprachigen Suchanfragen. Aber Google hatte von Anfang an sehr ehrgeizige Pl\u00e4ne f\u00fcr die Expansion von BERT; Pl\u00e4ne, die den Rollout von BERT in 70 Sprachen im Dezember 2019 vorsahen.<\/p>\n

Hier stehen wir also, etwas mehr als ein Jahr nachdem BERT seinen gro\u00dfen Durchbruch hatte. Es ist an der Zeit, einen Blick unter die Motorhaube zu werfen, um genau zu pr\u00fcfen, wie sehr die revolution\u00e4re KI von Google die Suche tats\u00e4chlich revolutioniert hat.<\/p>\n

Erinnern Sie sich… Wer ist BERT?<\/h2>\n

Obwohl die Bedeutung hinter dem Akronym BERT eher trocken ist (Bidirectional Encoder Representations from Transformers), wird BERT weithin als das wichtigste Such-Update angesehen, das Google seit der Einf\u00fchrung von RankBrain<\/a> im Jahr 2015 vorgenommen hat.<\/p>\n

Das Ziel von BERT ist es, die Umgangssprache besser zu verstehen. Besonderes Augenmerk liegt dabei auf wichtigen, aber oft uneindeutigen Pr\u00e4positionen (wie “von” und “zu”), die die gemeinsamen Bausteine der Sprache bilden, aber f\u00fcr Computer bekannterma\u00dfen schwer zu erfassen sind.<\/p>\n

Beispiele f\u00fcr BERT in Aktion<\/h2>\n

Google zeigte uns ein Live-Beispiel, wie BERT dazu beigetragen hat, die Ergebnisse basierend auf der Suchabsicht des Nutzers zu verbessern:<\/p>\n

\"BERT<\/p>\n

Hier ist eine Suche nach “2019 brazil traveler to usa need a visa”. Das Wort “to” und seine Beziehung zu den anderen W\u00f6rtern in der Abfrage sind besonders wichtig, um die Bedeutung zu verstehen. Es geht um einen Brasilianer, der in die USA reist, und nicht andersherum. Fr\u00fcher h\u00e4tten unsere Algorithmen die Bedeutung dieser Beziehung nicht verstanden, und wir h\u00e4tten Ergebnisse \u00fcber US-B\u00fcrger, die nach Brasilien reisen, ausgeliefert bekommen. Mit BERT ist die Suche in der Lage, diese Nuance zu erfassen und zu wissen, dass das sehr gebr\u00e4uchliche Wort “hier tats\u00e4chlich eine gro\u00dfe Rolle spielt, und wir k\u00f6nnen ein viel relevanteres Ergebnis f\u00fcr diese Anfrage liefern.<\/p><\/blockquote>\n

Im selben Beitrag lieferte Google weitere Beispiele daf\u00fcr, wie BERT debei hilft, die subtilen Nuancen der Sprache zu erfassen<\/a>, die Computer bisher nicht so gut verstehen konnten, wie Menschen:<\/p>\n

Schauen wir uns eine andere Abfrage an: “do estheticians stand a lot at work”. Bisher verfolgten unsere Systeme den Ansatz, Schl\u00fcsselw\u00f6rter abzugleichen, indem sie den Begriff “stand-alone” im Ergebnis mit dem Wort “stand” in der Abfrage verglichen. Aber das ist nicht die richtige Verwendung des Wortes “stand” in diesem spezifischen Kontext. Unsere BERT-Modelle hingegen verstehen, dass “stand” mit dem Konzept der k\u00f6rperlichen Anforderungen eines Jobs zusammenh\u00e4ngt, und zeigen eine sinnvollere Antwort an.<\/p><\/blockquote>\n

\n \n
\n
\n

\n Bleiben Sie einen Schritt voraus <\/h2>\n

\n Erhalten Sie exklusive Einblicke in die
aktuellsten Themen aus dem Bereich Digital
Media direkt in Ihren Posteingang. <\/p>\n <\/div>\n\n

\n
\n
\n
\n \n