Plus le CTR (taux de clics) est élevé, ou la probabilité d’un clic, plus il est probable que les utilisateurs seront satisfaits du résultat. Maintenant, imaginez que nous ayons une nouvelle requête pour laquelle nous n’avons pas de données de clics. En ayant toutes les données historiques pour les requêtes, les URL et les clics précédents, nous pouvons tenter de construire un modèle d’apprentissage automatique qui prédirait la probabilité d’un clic sur une URL donnée pour une nouvelle requête. Nous serons alors capables de classer/ordonner les résultats par la probabilité prédite d’un clic, ou le CTR prédit.
En d’autres termes, la probabilité d’un clic servirait de métrique proxy pour classer les documents. Plus le CTR prédit est élevé, plus nous devrions placer un document haut dans une liste classée.
La question est de savoir si nous serons capables de construire un tel modèle, et s’il remplacera les évaluateurs humains et les données de clics ? C’est la même question que les ingénieurs de Google se sont posée dans la présentation Google de 2016, Unified Click Prediction.
Google a conclu que montrer des résultats sur lesquels les utilisateurs veulent cliquer est proche de son objectif. Ils peuvent faire cette prédiction extrêmement bien en observant des trillions d’exemples de comportements des utilisateurs. Mais c’est un peu plus compliqué que de simplement prédire les clics, car cela entraînerait la promotion de résultats de mauvaise qualité, de pièges à clics, de résultats attrayants mais non pertinents, et la rétrogradation de pages officielles, etc.
Google a reconnu que c’est un problème très difficile à résoudre, car il imite essentiellement le comportement d’un chercheur humain, un problème comparé au passage du test de Turing (on croyait que passer un test de Turing prouvait qu’une machine avait de l’intelligence, et cela était jugé impossible à l’époque).
Utiliser les données d’évaluations qualitatives humaines pour modéliser le comportement des utilisateurs peut être comparé à une image très floue et de basse résolution.
Utiliser les données de clics, en revanche, produit une image très claire et nette, et permet à Google d’identifier de nouveaux comportements, qui peuvent ne pas être présents dans les évaluations qualitatives.
L’IA est maintenant capable de passer le test de Turing, et Google a beaucoup plus de capacités de nos jours. Mais comme mentionné précédemment, Google admet que « DeepRank semble ne pas avoir suffisamment de capacité pour apprendre la vaste quantité de connaissances du monde nécessaires pour encoder complètement les préférences des utilisateurs ». Google pourrait ajouter de plus en plus de neurones à ces modèles, mais cela signifierait plus de temps d’exécution et une latence accrue. Par exemple, si vous demandez à ChatGPT si un texte particulier est pertinent pour une certaine requête, il lui faudrait probablement quelques dizaines de secondes pour répondre. Pour Google, le temps de réponse est de quelques millisecondes.
Imaginez que Google construise ce système d’IA monstrueux pour prédire le comportement des utilisateurs. Cela ne résoudrait pas complètement le problème car 15 % de toutes les requêtes que Google voit chaque jour sont de nouvelles requêtes qu’il n’a jamais vues auparavant. Google devrait donc réentraîner cette IA tous les jours avec ces nouvelles données et leurs données de clics. Quoi qu’il en soit, Google continuera d’utiliser les données de clics car il est impossible de ne pas le faire avec l’état actuel de la technologie.
Les gens disent généralement que le SEO repose sur trois piliers : le contenu, le SEO technique et les backlinks. Maintenant, il est temps d’ajouter le quatrième pilier : les interactions des utilisateurs (clics, temps passé, etc.).
