La svolta semantica di Google tra bufale e verità

È finalmente pronta la seconda parte del corso SEO “Come funziona Google”, dedicata interamente agli algoritmi e segnali di ranking. Tanti i temi trattati: dai un’occhiata!

Ultimamente si è fatto un gran parlare di semantica applicata all’information retrieval ed in particolare a Google.

La semantica è un argomento che periodicamente torna ad essere protagonista delle news dedicate ai motori di ricerca. Durante una decina di anni di osservazione e tenendo conto degli sviluppi concreti in questo ambito, la mia impressione è che il più delle volte la parola “semantica” venga usata prevalentemente come specchietto per le allodole.

Da un lato mi sorge il dubbio che per i motori di ricerca si tratti di una carta jolly da tirar fuori in periodi di magra e di penuria di significative evoluzioni della tecnologia.

Dall’altro noto che molte volte gli utenti (SEO compresi) tendano a confondere per semantica dei risultati che possono essere prodotti senza scomodare tale concetto.

Vale dunque la pena di fare il punto della situazione e di cercare di capire che cosa ci si può aspettare realmente per il futuro.

Il papà di AdSense

Molti non sanno perché c’è scritto “sense” in AdSense. La ragione è legata alla semantica.

Logo di OingoNel 1999 un’azienda chiamata Oingo Inc. aveva sviluppato un motore di ricerca in grado di svolgere un’analisi semantica delle query degli utenti e, in caso di ricerche ambigue, permetteva all’utente di definire meglio il significato di quanto era stato digitato.

Oggi siamo abituati ad una qualità dei risultati di ricerca estremamente alta: qualsiasi motore moderno è capace di fornire un’esperienza quantomeno accettabile. Oingo, nonostante i buoni propositi, non proponeva risultati particolarmente apprezzabili, nemmeno per gli standard dell’epoca. Tranne qualche contesto specifico, a mio parere la qualità era piuttosto bassa. E non solo a parere mio.

Forse consapevoli di questo limite e ritrovandosi con un algoritmo ed un approccio forse poco adatti per affrontare la complessità di un motore di ricerca generalista, nel 2002 Oingo Inc. cambiò nome in Applied Semantics per concentrarsi sullo sviluppo di soluzioni di advertising contestuale che potevano beneficiare degli algoritmi di analisi semantica dei testi fino a quel momento usati per valutare le query di ricerca.

Una di queste soluzioni si chiamava AdSense.

It’s all about the money

Google acquisì Applied Semantics e la tecnologia AdSense nel 2003, conferendo al servizio di advertising un’estrema popolarità.

Le tecnologie sviluppate da Applied Semantics rimasero circoscritte al contesto pubblicitario (ovvero all’analisi dei testi delle pagine su cui pubblicare annunci AdSense) e le analisi semantiche non vennero applicate alle ricerche sul web.

Col senno di poi è facile comprendere le ragioni della scelta di Google: da un lato la tecnologia e infrastruttura già esistenti del motore di ricerca non rendevano facile l’integrazione di analisi semantiche, dall’altro bisogna confessare che Oingo era più un limitato accrocchio accademico (basato su ODP e WordNet) piuttosto che un reale tentativo di produrre un motore di ricerca general purpose.

Esisteva anche un’altra ragione per la quale in quel periodo storico non si sentiva la necessità di un approccio semantico all’information retrieval e cioè che i risultati di Google erano già di qualità eccelsa se comparati ai risultati dei motori di ricerca concorrenti in quel periodo.

Deja vu

Nel 2001, il sito di Oingo Inc. presentava la tecnologia di ricerca nel seguente modo: “Oingo Meaning-Based Search is powered by the Oingo Ontology, a highly detailed database of over 1,000,000 words and meanings, linked by millions of relationships in a semantic network that is constantly changing to reflect the currency of everyday language.“. Potete approfondire la tecnologia qua.

Se il database di parole e significati collegati tra loro da milioni di relazioni vi ricorda le parole spese da Google quando il mese scorso ha presentato il Knowledge Graph è perché, alla faccia degli oltre dieci anni trascorsi, si tratta tutto sommato della stessa zuppa, sebbene molto molto più abbondante e gustosa.

E’ bene chiarire: esistono gigantesche differenze tra WordNet, usato da Oingo e in ambiti accademici come ontologia di base, e Freebase, che è una delle fondamenta del Knowledge Graph. Tuttavia il concetto di fondo è esattamente lo stesso: un database di entità e relazioni semantiche che possono essere sfruttate per meglio comprendere il significato di testi e query.

Verrebbe spontaneo chiedersi perché una reale applicazione della semantica si sia fatta attendere per dieci anni ma la risposta è ancora più amara della domanda e assai spiazzante: la verità è che un’applicazione della semantica agli ambiti più interessanti non c’è nemmeno adesso.

Per alcuni aspetti, Oingo faceva (maluccio) cose che il Google odierno non si azzarda nemmeno a tentare e di seguito vi spiego il perché.

Il Sacro Graal della semantica

Per capire a che punto siamo riguardo l’applicazione della semantica a Google e ai motori di ricerca in genere, è necessario prima definire in che punto si desidera arrivare.

Semantic WebIn assoluto, uno dei più importanti obiettivi che alcuni motori di ricerca si sono posti per il futuro è quello di dotarsi di un sistema in grado di estrarre il significato dai testi dei documenti e sopratutto delle query degli utenti.

Un motore in grado di comprendere il reale significato di una query è un traguardo compatibile con la sempre maggiore tendenza e desiderio dei motori a trasformarsi in strumenti di risposta diretta.

In assenza della capacità di trasformare il testo di una query in una richiesta chiara e sensata, che potrebbe avere una risposta precisa da presentare all’utente, i motori hanno finora ripiegato nella fornitura di risorse web che presumibilmente hanno a che fare col testo cercato dall’utente.

L’analisi semantica di un testo, tuttavia, è un compito estremamente arduo per un algoritmo. La ragione è che quella capacità di comprensione che agli umani sembra così naturale e che risulta così spontanea è in realtà il frutto di un bagaglio culturale accumulato nel tempo grazie a concrete esperienze di vita, percepite attraverso sensi di cui gli umani sono dotati. E che gli algoritmi o i computer ovviamente non possiedono.

Nell’impossibilità di replicare lo stesso processo di crescita e apprendimento tipico degli esseri umani, tutto ciò che un algoritmo può fare è tentare di simulare il risultato di un’analisi semantica. Sia ben chiaro: non simulare il processo di analisi tipico degli umani ma simularne solo il prodotto finale ovvero, nel caso dei motori di ricerca/risposta, l’individuazione di una richiesta, domanda o necessità a cui assolvere.

Se ci fossero ancora dubbi sull’obiettivo di Google (e di molti altri motori) basta infine fare riferimento a quanto scritto da Jack Menzel nel post che nel 2010 annunciò l’acquisizione di Metaweb, l’azienda che stava alle spalle di Freebase, poi esteso a quello che è diventato il Knowledge Graph.

Riferendosi alle query degli utenti, Menzel scrisse: “But what about [colleges on the west coast with tuition under $30,000] or [actors over 40 who have won at least one oscar]? These are hard questions, and we’ve acquired Metaweb because we believe working together we’ll be able to provide better answers.

Definito il traguardo, diamo un’occhiata al presente e, giusto per divertirsi un po’, anche al passato.

Vi presento Watson

Voglio mostrarvi quello che al momento può essere considerato un discreto risultato conseguito da IBM. Watson è un motore di risposta in grado di interpretare una domanda posta in un linguaggio naturale.

Per mettere alla prova i suoi algoritmi, nel 2011 IBM ha preso accordi con il quiz televisivo Jeopardy affinché Watson gareggiasse contro due dei più grandi campioni che hanno partecipato alla trasmissione.

Watson ha letteralmente sbaragliato i concorrenti, anche se è facile notare in quali contesti ha maggiore difficoltà di interpretazione delle domande.

Vi invito a guardare uno pezzo del video della trasmissione, Watson calcola per ogni domanda alcune possibili risposte e risponde solo quando tra di esse ne ha individuato una che ha un alto indice di probabilità di essere corretta.

Di seguito vi segnalo invece un video di IBM che spiega come Watson funziona.

E’ vero che Watson è in grado di rispondere correttamente nella stragrande maggioranza dei casi, tuttavia è corretto porre nel giusto contesto questa capacità, per esempio evidenziando che una singola risposta può richiedere diversi secondi di calcolo per essere formulata e che un motore di ricerca generalista sul web non si potrebbe permettere di attendere così tanto tempo per fornire una risposta all’utente.

Pertanto, per quanto IBM sia stata in grado di sviluppare un sistema di risposta di qualità, ciò non implica che la soluzione sia al momento applicabile a contesti diversi da quelli di un telequiz a premi.

Una bufala DOP

Sapete qual è stato il motore di ricerca/risposta che più di ogni altro ha investito per comunicare la propria capacità di interpretare correttamente il reale significato delle query e fornire subito una risposta all’utente? Ask Jeeves; negli anni successivi ribattezzato semplicemente “Ask”.

Ask JeevesC’è da chiedersi come Ask Jeeves facesse, nel 1996, a svolgere questo arduo compito quando ancora oggi i più grandi colossi arrancano per trovare soluzioni decenti ad un problema così complesso come l’analisi semantica dei testi/query.

La risposta è semplice: barava un po’.

Non molti sanno infatti che i dipendenti di Ask Jeeves passavano il proprio tempo ad osservare quali query degli utenti erano le più gettonate e per ciascuna di esse si premuravano di confezionare manualmente e salvare in archivio una SERP con la giusta risposta.

Molti risultati erano quindi amorevolmente preparati a manina. Per le restanti ricerche il motore cercava di “interpretare” la query seguendo le semplici valutazioni di occorrenza delle keyword nei documenti, che erano tipiche nei motori di ricerca di quella generazione.

Ask Jeeves era in un certo senso una riproposizione moderna de “Il Turco“, un temibile giocatore meccanico di scacchi, un automa, divenuto famoso nel diciottesimo secolo per la sua bravura ma che nascondeva al proprio interno uno scacchista nano che ne muoveva gli ingranaggi. :D

Al di là del caso specifico, l’esempio di Ask Jeeves mette in evidenza il critico rapporto tra motori di ricerca e analisi semantiche, rapporto che rimane critico anche oggi, perché la tecnologia per proporre un reale motore di risposta generalista e in grado di estrarre un senso dalle query non esiste nemmeno adesso.

E la famigerata svolta semantica di Google, strombazzata dai giornali e blog di mezzo mondo qualche mese fa?

Come stanno le cose

Al momento Google di semantico ha solo le buone intenzioni ed un gigantesco grafo poco sfruttato.

E’ vero che il Knowledge Graph è probabilmente uno dei più grandi database di concetti e relazioni esistenti tuttavia, a differenza del moderno Watson o del vecchio Oingo, quelle relazioni non vengono al momento sfruttate per effettuare un’analisi semantica delle query.

Quello che fa Google col Knowledge Graph al momento è proporre all’utente una semplice navigazione dei suoi contenuti. Al presentarsi di alcune specifiche query il motore estrae informazioni dal database e le mostra all’utente nella parte destra della SERP.

Si potrebbe erroneamente credere che le query che vedono apparire il box di approfondimento vengano selezionate attraverso analisi semantiche delle query stesse, e invece no. E’ stata semplicemente fatta un’analisi prettamente statistica del gigantesco database di query degli utenti per determinare quali di esse meritavano il box di approfondimento e quali tipi di informazioni, per ciascuna di esse, era opportuno presentare nel box.

Facendo proprio l’esempio che appare nel post che annuncia il Knowledge Graph, l’analisi statistica del database di query ha permesso di determinare che lo scrittore Charles Dickens viene nominato dagli utenti specificando spesso l’oggetto dell’informazione richiesta, per esempio quali libri ha scritto. Questo permette a Google di sapere che “libri” è un termine che nelle query viene frequentemente associato con “Charles Dickens” e tanto gli basta per stabilire che una risposta alla query [Charles Dickens] potrebbe beneficiare dell’elenco delle opere dello scrittore.

Il punto della situazione è dunque che Google possiede uno dei più grandi archivi di concetti e relazioni mai esistito ma che non lo usa per l’obiettivo dichiarato e principale, ovvero quello di svolgere analisi semantiche delle query degli utenti (o dei testi dei documenti).

Il Knowledge Graph è sicuramente indispensabile per le future analisi semantiche delle query che Google si propone di fare, ma al momento Google nemmeno ci prova.

Conclusioni

E’ curioso osservare come le cose sembrino non cambiare nonostante il tempo trascorso.

Mirabolanti capacità del passato si scroprono essere farlocche, reali capacità di analisi semantica delle query esistevano ma sono state acquisite e messe da parte da Google (probabilmente per la scarsa qualità dei risultati), nuovi player come IBM hanno fatto passi da gigante ma non applicabili alla quantità di query di un motore generalista come Google.

E infine Google stesso, che ha fatto un importante ed essenziale primo passo verso il dichiarato obiettivo di estrarre un senso dalle query, senza però precisare che al momento non lo fa.

P.S.
Pensavo che sarebbe interessante parlare di argomenti simili in qualche evento. Giusto per dire.

15 Responses to La svolta semantica di Google tra bufale e verità

  1. Marco Cilia scrive il 27 June 2012 at 08:25

    grande il “turco”, non lo sentivo nominare da tempo! :)

  2. Martino Mosna scrive il 27 June 2012 at 08:46

    Alla fine, come mi è capitato di discutere pochi giorni fa, lato utente la semantica si può descrivere in un copia-incolla da Wikipedia…

    La parte tecnologica è sotto il cofano… il copia-incolla è fatto da una macchina che “decide” quali sono le informazioni rilevanti.

    Il problema è che al momento funziona solo se le informazioni sono strutturate (es. “Wikipedia”, oppure “un giornale” oppure “un romanzo”).

    Nel mare dell’informazione di Internet, dei blog, dei social network… la tecnologia semantica attuale semplicemente restituisce troppi errori per essere considerata affidabile.

  3. Fabio Schenone scrive il 27 June 2012 at 09:34

    Stavo aspettando con ansia il punto quando scrivevi “analisi statistica”, un po’ in fondo ma la verità ad oggi e credo per i prossimi 10 anni passa proprio da li.
    E ricorsivamente, il box di Graph servirà a Google a raccogliere ulteriori dati per le “loro analisi statistiche incrociate” tra Serps e Graph.

    A mio modestissimo (e ignorante) parere la base di motori semantici può solo risiedere nella intelligenza aritificiale … ad oggi quindi i più vicini sono i militari e i videogiochi.

    Magari leggendomi Page si compra BioWare ? :D

    Ps.: Ottimo post come sempre.

  4. Giuseppe Pastore scrive il 27 June 2012 at 09:45

    Interessante excursus, Enrico.
    Lato contenuti, è tanto che si parla di topic modeling: pensi che la pertinenza di un documento per una query sia effettivamente valutata anche (e quanto) in base a tecniche di LSI o è solo un mito?

    • LowLevel scrive il 27 June 2012 at 10:16

      @Giuseppe: temo che non ci sia modo di comprendere dall’esterno quali algoritmi vengano effettivamente usati per classificare i documenti. Gli effetti che si osservano potrebbero essere spiegati sia da modelli molto semplici, come quello vettoriale, sia da modelli più complessi, che magari fanno uso di algoritmi come quello che citavi (che è notoriamente dispendioso in termini di risorse).

      In linea di massima a me piace tenere a mente uno degli obiettivi che gli ingegneri dei motori si pongono, ovvero quello di non rendere il sistema complesso più del necessario. Se un risultato è raggiungibile seguendo un modello (o applicando un algoritmo) più semplice, non c’è ragione di ricorrere a soluzioni più sofisticate. A volte ho osservato comportamenti che dimostravano quanto un risultato accettabile ma semplice da ottenere venisse preferito ad un risultato perfetto ma dispendioso. Le risorse, prescindendo da quanto siano grandi, sono comunque una quantità finita e la loro economia esiste anche ai livelli di Google.

      Ma, ripeto, qualora le soluzioni applicate da Google fossero effettivamente più sofisticate, non c’è comunque modo facile per comprenderlo dall’esterno.

  5. Luca Libonati scrive il 27 June 2012 at 09:58

    Non sono d’accordo sul punto di partenza, perchè credo che l’errore sia nella definizione di semantic web.

    Secondo la definizione del W3C: The Semantic Web provides a common framework that allows data to be shared and reused across application, enterprise, and community boundaries. It is a collaborative effort led by W3C with participation from a large number of researchers and industrial partners. It is based on the Resource Description Framework ( RDF).

    Tim Berners-Lee è il primo promotore di questa evoluzione come dimostra anche lo speech del 2009 al TED http://www.ted.com/talks/tim_berners_lee_on_the_next_web.html e Google non fa altro che portare avanti questa visione di semantic web.

    In quest’ottica non si richiede necessariamente un algoritmo elaborato per interpretare la query. E’ essenziale invece un framework e per questo l’acquisto di Metaweb è esattamente la risposta all’esigenza.

    L’arricchimento delle serp con dati strutturati potrà magari essere fatto solo su un set abbondamente, ma limitato e supervisionato, di query. E non ci vedo niente di male se l’obiettivo è preservare la qualità.

    • LowLevel scrive il 27 June 2012 at 10:26

      @Luca: l’articolo non parla del semantic web, l’immagine a metà post è fuorviante. :D L’articolo fa solo il punto della situazione su una specifica applicazione delle analisi semantiche da parte dei motori di ricerca, ovvero quella dedicata alle valutazioni delle query e all’elaborazione del linguaggio naturale. Mi piacerebbe parlare anche del semantic web, prima o poi, ma si tratta di un tema più ampio e meriterebbe un articolo a sé.

  6. Valentina Azzi scrive il 27 June 2012 at 10:03

    Hai ragione, questo dovrebbe essere un argomento di discussione nei vari eventi a tema. Conoscere nel dettaglio i meccanismi alla base della principale serp è sempre molto utile.

  7. Barry Twiking scrive il 27 June 2012 at 11:37

    Siccome ancora oggi… quando cerco “Semantica” su Google il terzo risultato utile dopo Wikipedia è una rivista di automobili…

    sinceramente il problema non me lo pongo e resto sempre più convinto che:”il più delle volte la parola “semantica” venga usata prevalentemente come specchietto per le allodole.”(Cit.)

    Hai voglia a Panda e Pinguini… disse Noè.

    Troppi animali ci vogliono ancora per riempire l’arca e salvare l’umanità. :)

  8. Seowebmaster scrive il 19 November 2012 at 20:43

    Molto interessante Watson e’ un vero salto in avanti verso l’analisi semantica, ma appunto i tempi di risposta elevati e considerando che nel quiz risponde a singole dimande o query (non milioni al secondo, come avviene su Google) il tempo di risposta, su milioni di query potrebbe essere anche di anni.

    Cmq se Google dovesse implementare una tecnologia del genere, con tempi di risposta accettabili, molte query avrebbero piu’ di 10 risultati ??

    E se non ci fossero i back-links a far risalire le pagine migliori ai primi 10 posti ?? Un parametro influenzabile questo lato SEO, ma l’unico per chiedere diciamo di “votare” una pagina all’intera comunita’ internet!

    L’approccio di tipo semantico, sarebbe qualcosa di conveniente per Google?

    Io non credo… per cui il freno maggiore allo sviluppo o inserimento di queste funzionalita’ semantiche negli algoritmi, non e’ da ricercare nel mancato sviluppo di queste tecnologie, ma su fattori di tipo economico!

    Non dimentichiamoci che Google e’ un azienda con 30.000 dipententi, che fattura miliardi, in mano a capitalisti ormai votati solo al business, molti meno interessati al progresso scientifico dell’umanita’ o delle ricerche online.

    Diciamo che ancora siamo all’eta’ della pietra per quanto riguarda l’informatica che oggi e’ alla portata di tutti… se consideramo i progressi fatti nel campo delle nano-tecnologie, dell’intelligenza artificiale, dei computer molecolari, iniziati gia’ 20 anni fa’!

    Grazie Eneici per tutte le info, ma quando lo aggiorni questi blog? Non dirmi che non hai nient’altro da scrivere, perche’ non ci credo.

  9. Seowebmaster scrive il 19 November 2012 at 21:50

    chiedo scusa per alcuni errori di battitura fatti nel post precedende, scrivevo con un iphone (spero in correzione)…

    volevo aggiungere un’altra cosa importante:

    un motore di ricerca semantico, a parte quanto già detto, non dovrebbe tenere in considerazione i back-links nel mostrare i risultati più attendibili, ma darebbe solo la migliore risposta possibile al 1° posto (in base alla query dell’utente) con eventuali risposte alternative (risultati) magari a scalare ai primi 10 posti.

    Ma oggi sappiamo che molti segnali social (facebook, twitter, google+) influenzano le SERP in base al numero di condivisioni (non si sà in quale misura).

    Nelle condivisioni, sicuramente, rispetto ai back-links non entrano in gioco fattori diciamo “tematici” nell’inserire un link o di natura prettamente SEO, ma altri di livello più “emotivo e umano” che è impossibile implementare in un super-computer “Watson” per quanto sofisticato.

    Quindi la migliore risposta a livello semantico di una query o domanda, sarà anche quella più “piacevole” da leggere o commentare? Credo proprio di NO!

    Per cui la migliore risposta ad una query fatta da un umano, non può che darla un altro umano e Google in qualche modo, cercando di dare peso anche ai segnali social, cerca di restituire delle SERP influenzate da fattori di tipo umano.

    Tutte queste ricerche sul wed semantico, quindi per forza di cose, se applicate su larga scala, sono destinate a diventare un flop, perchè si cerca la risposta più “gradita” in generale, anzichè quella più esatta o sbaglio ?

    Il web semantico è un ambiente freddo e glaciale dove si trova forse la risposta “esatta” ma che quasi sicuramente non sarà la migliore risposta per noi umani.

  10. UB scrive il 4 December 2012 at 11:42

    Sono del parere che il quadro esposto sia corretto. A sentire Prabhakar Raghavan (ho partecipato ad un suo seminario a settembre scorso), Google sta lavorando ad immaginare e progettare il web del futuro, con scadenze per decadi. Non ha mai nominato la ricerca semantica come fatto essenziale; la prospettiva che da descritto potrebbe indicare che i modelli di cui dispone oggi non siano i più adatti al futuro a medio termine.

  11. Pingback: Google Knowledge Graph: observations and notes.

  12. Enrico Ferretti scrive il 4 March 2013 at 18:44

    Bell’articolo Enrico, anche io penso che la semantica ad oggi sia un grosso bluff, e la dimostrazione sta nel fatto che la serp in molti casi è ancora piena zeppa di dominii exact match con siti dai discutibilissimi contenuti, creati ad arte per posizionarsi facendo uso spasmodico di keywords nei testi.

  13. Pingback: Progetto Bombolo: come modificare il Knowledge Graph e le SERP - LowLevel’s blog

Lascia un commento

More in Just SEO
Cosa non fare col rel=canonical

Ho scoperto con un po' di ritardo che le specifiche del rel=canonical sono state pubblicate in una RFC, la numero...

Close