Cara orang menemukan dan mengonsumsi informasi telah berubah. Kita, sebagai pemasar, harus memikirkan visibilitas di seluruh platform AI dan Google.
Tantangannya adalah kami tidak memiliki kemampuan yang sama untuk mengendalikan dan mengukur keberhasilan seperti yang kami miliki dengan Google dan Microsoft, jadi rasanya kami seperti terbang buta.
Awal tahun ini, Google , Microsoft , dan ChatGPT masing-masing mengomentari tentang bagaimana data terstruktur dapat membantu LLM untuk lebih memahami konten digital Anda.
Data terstruktur dapat memberikan konteks yang dibutuhkan perangkat AI untuk menentukan pemahaman mereka terhadap konten melalui entitas dan hubungan. Di era pencarian baru ini, bisa dibilang konteks, bukan konten, yang menjadi raja.
Markup Skema Membantu Membangun Lapisan Data
Dengan menerjemahkan konten Anda ke Schema.org dan mendefinisikan hubungan antara halaman dan entitas, Anda sedang membangun lapisan data untuk AI. Lapisan data markup skema ini, atau yang saya sebut ” grafik pengetahuan konten “, memberi tahu mesin tentang merek Anda, apa yang ditawarkannya, dan bagaimana seharusnya merek tersebut dipahami.
Lapisan data ini adalah cara agar konten Anda dapat diakses dan dipahami melalui berbagai kemampuan AI yang terus berkembang, termasuk:
- Ikhtisar AI
- Chatbot dan asisten suara
- Sistem AI internal
Melalui grounding, data terstruktur dapat berkontribusi pada visibilitas dan penemuan di Google, ChatGPT, Bing, dan platform AI lainnya. Data terstruktur juga mempersiapkan data web Anda agar bernilai dan mempercepat inisiatif AI internal Anda .
Pada minggu yang sama ketika Google dan Microsoft mengumumkan bahwa mereka menggunakan data terstruktur untuk pengalaman AI generatif mereka, Google dan OpenAI mengumumkan dukungan mereka terhadap Protokol Konteks Model.
Apa itu Model Context Protocol?
Pada bulan November 2024 , Anthropic memperkenalkan Model Context Protocol (MCP) , “protokol terbuka yang menstandardisasi bagaimana aplikasi menyediakan konteks ke LLM” dan kemudian diadopsi oleh OpenAI dan Google DeepMind .
Anda dapat menganggap MCP sebagai konektor USB-C untuk aplikasi dan agen AI atau API untuk AI. “MCP menyediakan cara standar untuk menghubungkan model AI ke berbagai sumber data dan alat.”
Karena kita sekarang menganggap data terstruktur sebagai lapisan data strategis, masalah yang perlu dipecahkan oleh Google dan OpenAI adalah bagaimana mereka meningkatkan skala kapabilitas AI mereka secara efisien dan hemat biaya. Kombinasi data terstruktur yang Anda masukkan ke situs web Anda dengan MCP akan memungkinkan akurasi dalam inferensi dan kemampuan untuk meningkatkan skala.
Data Terstruktur Mendefinisikan Entitas dan Hubungan
LLM menghasilkan jawaban berdasarkan konten yang mereka pelajari atau hubungkan. Meskipun pembelajaran utamanya berasal dari teks tak terstruktur, keluarannya dapat diperkuat ketika didasarkan pada entitas dan hubungan yang terdefinisi dengan jelas, misalnya, melalui data terstruktur atau grafik pengetahuan.
Data terstruktur dapat digunakan sebagai penambah yang memungkinkan perusahaan menentukan entitas utama dan hubungannya.
Ketika diimplementasikan menggunakan kosakata Schema.org, data terstruktur:
- Menentukan entitas pada halaman : orang, produk, layanan, lokasi, dan banyak lagi.
- Menetapkan hubungan antara entitas tersebut .
- Dapat mengurangi halusinasi ketika LLM didasarkan pada data terstruktur melalui sistem pengambilan atau grafik pengetahuan.
Saat markup skema diterapkan dalam skala besar, ia membangun grafik pengetahuan konten, lapisan data terstruktur yang menghubungkan entitas merek Anda di seluruh situs Anda dan seterusnya.
Sebuah studi terkini oleh BrightEdge menunjukkan bahwa markup skema meningkatkan kehadiran dan persepsi merek dalam Ikhtisar AI Google, dengan mencatat tingkat kutipan yang lebih tinggi pada halaman dengan markup skema yang kuat.
Data Terstruktur Sebagai Strategi AI Perusahaan
Perusahaan dapat mengalihkan pandangan mereka terhadap data terstruktur melampaui persyaratan dasar untuk kelayakan hasil yang kaya ke pengelolaan grafik pengetahuan konten.
Menurut Survei Mandat AI Gartner 2024 untuk Perusahaan, para peserta menyebutkan ketersediaan dan kualitas data sebagai hambatan utama terhadap keberhasilan implementasi AI.
Dengan menerapkan data terstruktur dan mengembangkan grafik pengetahuan konten yang kuat, Anda dapat berkontribusi pada kinerja pencarian eksternal dan pemberdayaan AI internal.
Strategi markup skema yang dapat diskalakan memerlukan:
- Hubungan yang jelas antara konten dan entitas : Properti markup skema menghubungkan semua konten dan entitas di seluruh merek. Semua konten halaman terhubung dalam konteks.
- Tata Kelola Entitas : Definisi dan taksonomi bersama di seluruh tim pemasaran, SEO, konten, dan produk.
- Kesiapan Konten : Memastikan konten Anda komprehensif, relevan, mewakili topik yang ingin Anda ketahui, dan terhubung dengan grafik pengetahuan konten Anda.
- Kemampuan Teknis : Alat dan proses lintas fungsi untuk mengelola markup skema dalam skala besar dan memastikan akurasi di ribuan halaman.
Bagi tim perusahaan, data terstruktur adalah kemampuan lintas fungsi yang mempersiapkan data web untuk digunakan oleh aplikasi AI internal.
Apa yang Harus Dilakukan Selanjutnya untuk Mempersiapkan Konten Anda untuk AI
Tim perusahaan dapat menyelaraskan strategi konten mereka dengan kebutuhan AI. Berikut cara memulainya:
1. Audit data terstruktur Anda saat ini untuk mengidentifikasi kesenjangan dalam cakupan dan apakah markup skema mendefinisikan hubungan di situs web Anda. Konteks ini penting untuk inferensi AI.
2. Petakan entitas kunci merek Anda , seperti produk, layanan, orang, dan topik inti, serta pastikan entitas tersebut didefinisikan dengan jelas dan ditandai secara konsisten dengan skema markup di seluruh konten Anda. Ini termasuk mengidentifikasi halaman utama yang mendefinisikan suatu entitas, yang dikenal sebagai beranda entitas.
3. Bangun atau perluas grafik pengetahuan konten Anda dengan menghubungkan entitas terkait dan membangun hubungan yang dapat dipahami sistem AI.
4. Integrasikan data terstruktur ke dalam anggaran dan perencanaan AI , bersama dengan investasi AI lainnya dan konten tersebut ditujukan untuk Ikhtisar AI, chatbot, atau inisiatif AI internal.
5. Operasionalisasikan manajemen markup skema dengan mengembangkan alur kerja berulang untuk membuat, meninjau, dan memperbarui markup skema dalam skala besar.
Dengan mengambil langkah-langkah ini, perusahaan dapat memastikan bahwa data mereka siap untuk AI, di dalam dan di luar perusahaan.
Data Terstruktur Menyediakan Lapisan yang Dapat Dibaca Mesin
Data terstruktur tidak menjamin penempatan di Ringkasan AI atau secara langsung mengontrol apa yang dikatakan model bahasa besar tentang merek Anda. LLM masih dilatih terutama pada teks tidak terstruktur, dan sistem AI mempertimbangkan banyak sinyal saat menghasilkan jawaban.
Data terstruktur menyediakan lapisan strategis yang dapat dibaca mesin. Ketika digunakan untuk membangun grafik pengetahuan, markup skema mendefinisikan entitas dan hubungan di antara mereka, menciptakan kerangka kerja yang andal yang dapat dimanfaatkan oleh sistem AI. Hal ini mengurangi ambiguitas, memperkuat atribusi, dan memudahkan pembumian keluaran dalam konten berbasis fakta ketika data terstruktur merupakan bagian dari sistem pengambilan atau pembumian yang terhubung.
Dengan berinvestasi dalam penandaan skema semantik berskala besar dan menyelaraskannya di seluruh tim, organisasi memposisikan diri agar dapat ditemukan dalam pengalaman AI semaksimal mungkin.
