Google Machine learning SEO

Aprendizaje automático de Google.

PorMiguel Valero/Publicado el26 septiembre, 2022/última actualización30 diciembre, 2022/enInteligencia artificial, google

Abordaremos conceptos complejos como Big Data, Machine Learning (aprendizaje automático), Redes Neuronales, Deep learning (Aprendizaje Profundo). Daremos tambien ejemplos sencillos para entenderlo.

Mencionaremos también algunos ejemplos donde Google ya aplica procesos de Machine Learning para comprender mejor la intencionalidad de la búsqueda del usuario y consecuentemente ofertar el mejor resultado.

No nos ha ido mal como especie, nuestro cerebro tiene una gran capacidad de almacenamiento (sobre 2,5 petabytes) y la conexión de nuestra red neuronal ayuda a tener una gran velocidad de procesamiento, pero ante algunos problemas nos quedamos muy cortos.

¿Es el deep learning el fin del SEO? Veremos algunos ejemplos de scripts en python para extraer información automatizada y ahorrar por tanto tiempo. Finalizamos exponiendo algunos de los númerosos productos y servicios de Google orientados a procesos de Machine Learning.

Sigue leyendo y siéntete libre de opinar y dejar algún comentario. Voy a procurar usar un lenguaje muy sencillo para que puedas entender mucho y bien este tema.

Contrasta la información

Contrasta mis contenidos y todo lo que leas en internet.

Comparte en redes sociales

Trato de aportar calidad si te gusta lo que lees por favor comparte en tus redes.

¿Dudas o preguntas?

Deja un comentario con tu duda o pregunta y la contestaré

Machine Learning = BigData + IA

El concepto de Machine Learning o máquina de aprendizaje automático, esto es una máquina que va aprendiendo a medida que va adquiriendo «experiencia» aquí puedes traducir experiencia por el análisis continuo de los miles de millones de los patrones necesarios, es un sistema retroalimentado, el sistema irá aprendido tras cada iteración (perdón estoy usando jerga informática, donde digo iteración estoy queriendo decir repetición). Con BigData y el uso de la inteligencia artificial necesaria para analizar esta información el sistema en su conjunto está en un proceso de continua mejora.

Podría citarte numerosos ejemplos pero veamos uno muy sencillo. Tenemos el Bigdata de la posición GPS de miles de millones de móviles en el mundo. Muchos de ellos usan aplicaciones geolocalizadas. Elijamos Google Maps. Google Maps usa BigData, tiene geolocalizados millones de lugares. Cuando buscas un destino y proporcionas algo de información, en este caso si vas a pie, en bicicleta, en transporte público o en coche (también puedes indicar si vas en avión, barco…), el sistema usa un algoritmo avanzado de inteligencia artificial (IA) para devolverte el mejor trayecto. ¡Ojo el mejor trayecto en ese momento!

Machine learning SEO aprendizje automatico

Comentábamos antes que un proceso de Machine Learning es un proceso de mejora continua. Hay más usuarios usando ese programa, recorriendo destinos, en este caso los teléfonos Android dan información precisa de los itinerarios y velocidad a la que se desplazan. Tú o esos usuarios pueden aceptar la sugerencia de trayecto ofrecida o no. Parte de estos usuarios pueden probar otras opciones alargando o acortando su viaje. Esto hace que el el proceso de aprendizaje también aproveche esta información y mejore sus resultados. Por otro lado las condiciones del entorno también varían, pueden surgir nuevos caminos asfaltados, o pueden haber cierres temporales de vía, o sencillamente muchos usuarios están usando un mismo camino en un momento dado y el trayecto original y óptimo unas horas antes, ahora mismo ya no es tan óptimo.

Google Maps se adapta prácticamente en tiempo real a las condiciones de tu viaje en base a la continua información recibida, y puede sugerirte en ese momento trayectos alternativos. Esto es un buen ejemplo de Machine Learning. El sistema va tomando decisiones. En resumen el sistema aprende de manera autónoma.

Algoritmos de Recomendación

Los algoritmos de recomendación es otro excelente ejemplo de Machine Learning. Una plataforma que ofrece contenidos audiovisuales, seguro que le interesa que estés la mayor cantidad de tiempo posible en la plataforma, ya sea porque monetice con la publicidad mientras estás en su sitio o por descarga directa de sus contenidos. Una buena manera de tratar de que permanezcas el mayor tiempo posible es que te sugiera contenidos que puedan interesarte.

Tus preferencias de uso, cuando te conectas, que contenidos llegas a ver, aquellos contenidos que los visualizas parcialmente, las temáticas que frecuentas, etc, todo ello le permite a la plataforma sugerirte contenidos cada vez más refinados a medida que les proporcionas información simplemente usando la plataforma. Tengo que decirte que también en ocasiones se comercia con el Bigdata a gran escala pero no es el objetivo de este artículo hablar de esto.

¿Qué entiende Google por Aprendizaje automático?

Con todo lo que te he contado hasta ahora creo que ya estás preparado para entender el nuevo paradigma de conocimiento que se nos viene encima. Empecemos por la definición de aprendizaje automático que nos da Google (Ver fuentes).

Definición de aprendizaje automático

El aprendizaje automático es un subconjunto de inteligencia artificial que permite que un sistema aprenda y mejore de forma autónoma mediante redes neuronales y aprendizaje profundo, sin tener que ser programado explícitamente, a través de la ingesta de grandes cantidades de datos.

Fíjate que en esta definición se menciona una realidad nueva «redes neuronales» y también nos mencionan el aprendizaje profundo (deep learning). Nosotros mismos somos un ejemplo obvio de «Machine Learning» y uso de redes neuronales, he hecho este concepto deriva de nuestro propio sistema neuronal.

No somos conscientes de la cantidad de información que analiza nuestro cerebro, mucha de ella no la percibimos de manera consciente, de hecho el doctor A.K. Pradeep comentaba que el 95% de estas decisiones se gestan en el subconsciente.

Psicólogos de córdoba indican en su web una información muy interesante, la tabla que puedes ver a continuación la he tomado de su web, espero que no les importe en ella hacen una comparación del cerebro humano contra un mac book pro y ciertamente no quedamos mal como especie, además indican que la capacidad de almacenamiento del cerebro humano no es desdeñable, nos dan un valor cercano a 2,5 petabytes (1 petabyte son un millón de Gigabytes).

Cómo humanos no nos ha ido muy mal en el aprendizaje basado en la experiencia, bueno igual nos extinguimos por el uso de combustibles fósiles que calientan el planeta, pero todavía estamos aquí. Nuestro cerebro ha sido capaz de grandes proezas y todavía no lo conocemos muy bien. Pero hay problemas cuya solución requiere del análisis de una gran cantidad de datos, una gran velocidad de procesamiento y obtener la solución al problema en un intervalo pequeño de tiempo. Nuestra capacidad de proceso natural queda muy por detrás.

Redes neuronales

La inteligencia artificial trata de imitar el comportamiento de las redes neuronales. Obviamente no vamos a hablar de dendritas, soma y axón o cilindro-eje (no he copiado, es que hice un bachillerato de ciencias y yo era de los que estudiaba y no teníamos Tik Tok para distraernos en aquella época).

Cada neurona en inteligencia artificial debe recibir una entrada y proporcionar una salida en base a una función.
Las neuronas están conectadas entre sí y actúan por capas, de manera que cada capa se retroalimenta de la anterior.
Si una neurona falla o se desconecta del resto, el sistema puede seguir adelante mientras el número de neuronas «fallidas» no supere un cierto umbral que ponga el peligro el sistema.

Por ejemplo imagina el problema de reconocer imágenes, lleva un tiempo que el sistema aprenda que es un mono, esto se realiza con el ánalisis de patrones de píxeles similares, es decir se dota al sistema de los suficientes patrones de pixeles sobre un «mono», llega un momento que el sistema reconoce nuevos patrones de pixeles que representan al animal, igualmente el sistema puede llegar a reconocer un mono joven y diferenciarlo de un mono adulto.

Imagina que este proceso pude suponer millones de repeticiones. Sobre este tema te puedo decir que actualmente la generación artificial de imágenes es capaz de vestir a un monito de flamenca y ponerlo a bailar sevillanas. Puedes ver la siguiente imagen que esto ya es posible, otra cosa es que te guste o no el resultado, uno de los 9 resultados ofrecidos por la inteligencia artificial de Craiyon.com es bastante pasable.

Deep Learning – Aprendizaje profundo

El Deep learning tambien es un proceso de machine learning pero enfocado a realizar tareas similares a las que realizamos los seres humanos. La diferencia es precisamente esta, no tenemos que dotar a la máquina de aprendizaje de un conjunto de datos de entrada para conseguir una salida. El sistema es capaz de encontrarla por sí mismo.

Los asistentes virtuales como el que implementan los móviles android u otros del mercado son ejemplos de deep learning, pueden realizar tareas similares a nosotros. Ellos mismos pueden buscar la información correcta.

Te preguntarás que no es del todo cierto, que previamente tú has realizado una consulta y eso se puede considerar un «input», bueno no es del todo correcto, lo que has realizado es formular un problema (buscar una información sobre un concepto, solicitar una predicción meteorológica, etc.), el asistente buscará su propios datos de entrada y hallará la solución más óptima a tu problema.

Además el asistente a medida que va interaccionando contigo irá mejorando, irá comprendiendo mejor tu voz e irá afinando en sus resultados. En definitiva a medida que lo vayas usando irá mejorando.

Un poco de historia

Entender la intención de búsqueda del usuario es un reto que surgió muy pronto. Un jaguar puede ser muy veloz ¿Pero me estoy refiriendo al felino o al coche? El algoritmo original basado en Pagerank comenzaba a quedarse corto, era preciso aportar más información para entender mejor la consulta del usuario.

2011 – Microformatos

Ciertamente Buscadores como Google, Bing, Yahoo empezaron a usar allá por el año 2011 un conjunto de datos basados en marcar el contenido semántico, les llamamos microformatos. Un servidor ya daba ponencias sobre esto en el año 2012. Imágínate, todos llevábamos móvil ya y a todas partes, ya es habitual que no dejemos el móvil ni para ir al… (pon aquí el lugar de tu imaginación).

2013 – Búsqueda conversacional – Humming Bird

Google abordó allá por el año 2013 la búsqueda conversacional. Esto era un paso necesario. Lanzó Hummingbird (Colibrí), cuando hablas con la voz, no te sale hablar con infinitivos, no acortas las frases, no interaccionas con el buscador de la manera que haces con la interfaz de texto. La falta de ortografía deja de ser importante, porque estamos en otro paradigma. Estamos hablando directamente con nuestra voz al buscador. Surgió la necesidad de entender el lenguaje natural, la semántica de las cosas. Además Google ya tenía bastante BigData para abordar este reto. Google usa BigData para muchos procesos, nombraremos algunos más adelante.

2015 – Rank Brain

Google no deja de evolucionar recordemos que ya hace casi 7 años que anunció Rank Brain. Un algoritmo que trataba de entender mejor la intención de la búsqueda del usuario y proporcionar la mejor respuesta.

Se empezaba a tener en cuenta el Big Data generado (ubicación del usuario, historial de búsqueda, etc.), esto multiplicado por miles de usuarios realizando consultas similares, generaba un patrón, ojo los patrones podrían ser diferentes si las comunidades eran muy diferentes también. Generar la inteligencia artificial adecuada para manejar toda esta información fué un reto. Nacía entonces un algoritmo con capacidad de aprendizaje, de aprender en base al comportamiento de los usuarios. y con un proceso de Inteligencia Artificial llamado Rank Brain.

RankBrain tenía en cuenta el entorno donde se realizaba la búsqueda, si amigo lector, por entorno puedes entender «usuario». Tú originas un patrón de búsqueda cada vez que usas el buscador. Según tu trabajo, tus aficiones e intereses. El concepto «SEO» para un ornitólogo seguramente será algo diferente para él que para mí. Estoy seguro que nuestros ornitólogos, encontrarás más resultados acerca de la sociedad española de ornitología que yo.

Ejemplos donde Google aplica Machine Learning

Antes hemos comentado que un sistema de recomendación es un proceso de machine learning. Google usa diferentes procesos de recomendación.

Google Suggest

Por un lado tenemos Google Suggest, es decir a medida que ingresas una búsqueda el algoritmo te va sugiriendo palabras clave. Esto es el resultado de otro proceso de Machine Learning, el Bigdata aquí es sencillamente las búsquedas de millones de usuario y Google va identificando las consultas más populares al contenido que tu vas ingresando.

¿Es el único algoritmo de recomendación que usa Google? Va a ser que no. Otro algoritmo de recomendación es el que está basado en tu historial de búsquedas.

Búsqueda personalizada

A medida que ante ciertos contenidos prefieres unos sitios web que otros. Dibujas un patrón de intereses. Google identifica qué contenidos son más importantes que otros, y seguramente te los ofrezca mejor posicionados. Dependiendo de la naturaleza de la consulta, la geolocalización juega un papel importante, si buscas pan, seguramente Google te ofrezca una panadería situada en la misma ubicación donde te está geolocalizando o en su defecto una muy próxima.

Google conoce además todas las ubicaciones de sus usuarios, sabe cuánta gente que ha buscado pan en esa zona, ha hecho clic en un resultado determinado y ha entrado físicamente a ese negocio. Incluso te pedirá que valores tu experiencia en el lugar con una votación de 1 a 5 estrellas. El sistema no sólo se alimenta de tu información, si no la de muchos otros.

Otro patrón de datos consiste ante una consulta determinada, la cantidad de sitios que visitas. Ante la consulta X, tu visitas un resultado (no tiene porque ser el primero), no acabas de quedar satisfecho y vuelves a repetir la consulta en el buscador y entras en otro resultado, finalmente el proceso acaba cuanto quedas satisfecho. Esa misma consulta que tú has realizado, le ha proporcionado valiosa información a Google, pero también la que otros usuarios realizan frente a la misma consulta. Ojo aquí intervienen más factores, geolocalización de la consulta, la segmentación por edad, sexo, etc. Toda esta información también ayuda a Google a clasificar un resultado.

Ante una consulta Google ofrecerá 10 resultados orgánicos en primera página, imagina que el primer resultado logra muchos menos clics que resultados inferiores, y esto es una constante en la experiencia de muchos usuarios. Olvídate de enlaces y autoridad. Google poco a poco irá bajando relevancia a ese primer resultado. Redactar bien el título y descripcion, usar microformatos en la página destino y un contenido de gran calidad te ayudará a evitar esa falta de relevancia.

Actualización de contenido útil de Google – Google Hepful Contend Update

Recientemente Google acaba de anunciar otro algoritmo, el referido al contenido útil. Recientemente he escrito ya sobre él. Entender la utilidad de un texto sin testadores humanos requiere también de un proceso de aprendizaje automático.

No conocemos en profundidad este cambio algorítmico todavía aunque sabemos que considerara el grado de conocimiento del autor sobre el tema que se esté considerando, es decir aquí habrá un factor de autoridad. Se analizará la relevancia de contenido, esto también es Bigdata, analizar cuantos escritos ya existen sobre dicho tema, confrontarlos con métricas como el tiempo promedio de lectura, si el usuario necesita volver al buscador y confrontar más fuentes, etc. Malos tiempos para los que duplican o varían ligeramente el contenido. Y si, redactar con legibilidad, estructurar el texto y una buen ortografía también tendrá su peso. En cuanto a la originalidad del escrito aquí tengo un punto de duda, pues a menudo si un pequeño blogger o periodista es el primero sobre escribir algo, pero luego un periódico online escribe sobre el mismo tema, en fin, estoy harto de comprobar como al factor de autoridad del dominio del periódico online machaca al humilde blogger. Pero bueno no es complicado determinar algorítmicamente a este nivel un factor de originalidad. Sí deseas saber más sobre la actualización de contenido útil o Google Hepful Content Update te remito a este artículo.

Hay muchos otros procesos de machine learning que Google ya usa en sus algoritmos de clasificación.

Machine learning para analizar la autoridad

Sabemos que Google es ya semántico, si buscas «coche barato», «auto barato» y «automóvil barato». Google conoce perfectamente que estás buscando el mismo concepto, un vehículo económico y que tu interés probablemente sea el de compra, pues has añadido la palabra barato después (valdría también sinónimos de estas palabras). Pero no te pido que me creas. Compruebalo a continuación:

Recuerda además que en otras variedades del Español se usa la palabra «carro» que en muchos países de Sudamérica significa coche aquí en cambio es un vehículo accionado por tracción animal. Aunque cuando una persona de sudamérica lo usa, solemos entenderle. Google tiene que manejar todas estas realidades. El algoritmo cada vez lo va haciendo mejor, los resultados son cada vez más parecidos, llevo años observando este tipo de búsqueda y al principio los resultados eran muy diferentes. Google sigue descubriendo el contenido siguiendo enlaces, esta es su razón de ser, ahí nace todo. Los enlaces tienen además un texto de anclaje y un grado de autoridad según la web y la zona de inserción de la misma. Hay enlaces que en principio no traspasan autoridad (no follow) pero Google también descubre contenido siguiéndolos.

En este terreno, en la obtención de la autoridad es donde Google semánticamente hablando cada vez afina más, pero no está en un grado óptimo (por decirlo con delicadeza). Cuando examino porque una web está por encima ante un determinado concepto en un contexto de alta competencia sigo encontrando que es por un patrón de enlaces con texto de anclaje muy cercano a la consulta por la que aparece. En pocas palabras si quieres posicionar por coche barato, te irá mejor obteniendo enlaces por coche barato que por automóvil barato, aunque semánticamente sea lo mismo. Ojo a Google le gustan los sinónimos, y es normal que recibas enlaces también por variantes, no tener esta relación arroja también señales de linkbuilding artificial, lo único que digo es que si recibes más enlaces sobre el concepto «coche» que «automóvil», aumentas las probabilidades de estar mejor posicionado, hay más factores no solo seo externo, ojo con esto.

Google penguin es el algoritmo de Google que trata de penalizar los patrones artificiales, esto también lo puedes considerar machine learning, porque hay un Big data y un proceso de inteligencia artificial para reconocer estos patrones, además este algoritmo trabaja en tiempo real, y si es capaz de variar el grado de afectación hacia un sitio web, en cuanto se corrige el patrón de enlaces artificial detectado, es decir tiene en cuenta las condiciones variantes del entorno.

¿El Deep learning supone el fin del SEO?

El SEO es Search Engine Optimization. Siempre vamos a poder guiar a nuestros clientes a optimizar sus proyectos web en base a las reglas de juego en curso. El seo técnico que cuida de tener buenos tiempos de carga, que no haya problemas de rastreo e indexación, etc., seguirá jugando su papel. Investigar tendencias, el volumen de búsqueda de un término de consulta, etc. seguirá siendo importante.

Asegurarnos de que el proyecto incorporé toda la semántica posible (microformatos). Buscar oportunidades frente a los competidores. Asegurarnos que hemos investigado todas las opciones de contenido válido para el nicho en curso. Podría citarte muchos argumentos.

Habrá un sistema de Machine Learning que ponga de relevancia las carencias de tu sitio web. Bueno ya lo hay. Servicios como Ahrefs, Semrush, Xovi, etc. Cada vez hilan más fino con sus herramientas. Proporcionan valiosos datos, las auditorías automáticas cada vez son mejores, pero siempre vas a necesitar a un humano que te contacte, analice que equipo tienes, organice el trabajo y distribuya tareas.

Puede que en un futuro ni siquiera seamos necesarios para esto. Ahora mismo no es el horizonte más cercano.

Iniciativas open source para realizar Machine Lerning

Cada empresa genera su propio BigData y estamos ya en un proceso en que es muy interesante aprovechar al máximo esta información. Cada empresa puede manifestar diferentes necesidades. Quizás un supermercado necesite saber cómo se mueve los usuarios dentro de sus instalaciones, una empresa de taxis gestionar bien las posiciones de sus flotas y que sus unidades traten de moverse de la manera más eficiente posible, etc. Los especialistas en gestión de datos son cada vez más demandados.

Python es uno de los lenguajes de programación de anto nivel que se está erigiendo como lider a la hora lidiar con la ciencia de los datos y realizar procesos de aprendizaje automático (Machine Learning). En este sentido están surgiendo interesantes iniciativas en Open Source, cito sólo algunas

TensorFlow: Lo interesante de esta plataforma para su uso en soluciones webs es que ha desarrollado una biblioteca de aprendizaje automático en Javascript. Cuestiones como clasificar comentarios tóxicos recibidos, analizar la similitud textual, utilizar segmentación semántica en tu navegador o usar lenguaje natural para responde preguntas (mediante el modelo BERT) ya es posible, estoy citando una parte mínima de lo que ya se está haciendo.
Scikit – Learn: Esta herramienta está centrada en el análisis predictivo, se puede aplicar a algoritmos de detención de spam por ejemplo mediante el reconocimiento de patrones, se puede aplicar a la predicción de precios, algo muy demandado ahora por ejemplo aplicado a acciones para encontrar la mejor posición inversora. Se puede usar también para la segmentación de clientes detectando y agrupando necesidades. Por decirlo fino, la cantidad de situaciones donde se puede emplear es ya sólo cuestión de imaginarlo ¡Imaginación al poder! El análisis predictivo es una de las necesidades por ejemplo de Spotify.
Pytorch. Orientado a la creación de prototipos disminuyendo el camino hacía su producción final. Recuerdas al actor Robert Downey Jr en su papel de Tony startk definiendo que necesitaba y como el prototipo se ajustaba a sus necesidades llegando a un producto final donde remataba diciendo, ¡me gusta, píntalo! Pues mira no será tan espectacular, pero la finalidad es la misma.

Interesantes ejemplos en python por compañeros SEO

Navegando por la web veo muchos ejemplos de compañeros para obtener datos con sencillos scripts de python, la idea es automatizar la obtención de información. El uso de extracción de datos mediante rastreadores como screamming frogs conectados a Apis como la de Google Insights, Analytics, Search console, Ahrefs, Majestic O Moz no es de desdeñar. No obstante me parecen interesantes algunos scripts y te los voy a compatir por aquí por supuesto citando las fuentes. Bueno la ventaja es que puedes obtener datos sin tener que pagar una versión premium. Veamos algunas de ellas.

Determinar si el interés en las palabras clave ha crecido con el tiempo: Paul Shapiro. Nos indica que no hay API para Google trends y poder automatizar la tendencia de palabras clave. El lo soluciona creando su propio script en python que conecta con el servicio de Google trends (tienes que facilitar tu nombre y usuario) y de esa manera procesara la lista de palabras clave que le proporciones y te devolverá los resultados en una hoja de cálculo en formato CSV.
Generador de palabras relacionadas. Es un Script en python realizado por Jose Gris, sobre la consulta localiza las primeras 8 webs posicionadas, y se extrae el contenido de esas páginas, agrupando las términos de búsqueda más comunes de una palabra, de dos palabras y de tres palabras. Esto es parecido a lo que hace el complemento de seo quake de densidad de palabras en un navegador pero se combina en los 8 resultados que aparecen ante dicha consulta. Puedes copiar fácilmente cada consulta. El script puede tardar en ejecutarse entre tres y cuatro minutos. Además genera una nube de palabras. Ver imagen. En este caso la consulta que he pasado ha sido Miguel Valero SEO. José Gris tiene varios ejemplos en su página, alguno de ellos son muy curiosos, se merece que lo enlace.

Scrapper de encabezados. También otro script de José Gris, me hace gracia pero he buscado la keywords «cómo hacer seo de calidad» donde ya aparece mi publicación en séptimo lugar y he podido comprobar que en efecto, el script de José toma los encabezados h1, h2, y h3 de las 10 páginas que aparecen ante la consulta. También obtiene la densidad de palabras clave. Puedes capturar más encabezados (h4, h4, h6) con sólo añadirlos.
Extraer datos y keywords desde un perfil de Search Console. (Nos referimos a grandes cantidades de información. Recordemos que Search Console limita a 1000 filas. Ver el tutorial de uso de JChouinard.

Se podría realizar un artículo solo recopilando los scripts que ya muchos compañeros ha puesto en conocimiento de la comunidad. Este artículo solo pretende destacar el valor de python como un lenguaje de alto nivel que te permitirá optimizar procesos de machine learning y procesar adecuadamente Big Data.

Productos de IA y machine learning de Google

Finalizo este artículo como no hablando de los productos y servicios que Google ofrece en estos momentos. No te equivoques aunque ofrezca créditos gratis, es un servicio que se acaba pagando si bien en función del uso que hagas de él. Entre otros figuran productos como:

Vertex AI. Plataforma integral para machine learning que te permitirá desarrollar modelos de IA más eficaces.
AutoML: Crea procesos de aprendizaje automático en cuestión de minutos y que se adaptan a las necesidades específicas de una empresa.
API Cloud Inference. Esta puede realizar consultas de inferencia sobre conjuntos de datos y hallar relaciones entre grupos coincidentes. Este software se puede aplicar a datos de analítica y por tanto puede tener especial interés para el SEO.
Cloud Natural Language. Digamos que si necesitas desarrollar aplicaciones basadas en lenguaje natural, todo el input te lo ahorras con esta herramienta pues es capaz de extraer textos sin estructurar de modo que puede clasificar, extraer y detectar opiniones. Imagina lo que se puede lograr en el mundo de la reputación online.
Speech-to-Text y Text-to- Speech. Reconocimiento de voz automático y transcripción a texto y (viceversa) y en tiempo real. Esto ya no parece una novedad.
Media translation. Pues esto es ya un traductor en tiempo real.

La lista es larga, tampoco pretendo ser un vendedor de productos de Google. Cada mes que pasa veremos novedades, avances, logros. Te puedes quedar quieto si quieres, pero todo a tu alrededor parecerá que se mueve solo…

Fuentes

Espero que este texto sobre Google Machine Learning haya sido de tu interés. A continuación cito las fuentes que me han permitido redactarlo.

https://cloud.google.com/learn/what-is-machine-learning?hl=es-419#section-1
https://www.google.com/intl/es/about/main/machine-learning-qa/
https://www.psicologoscordoba.org/que-es-mas-potente-el-cerebro-o-la-maquina/
https://searchwilderness.com/google-trends-api-slope/
https://cloud.google.com/products/#section-3

0 comentarios

Dejar un comentario

¿Quieres unirte a la conversación?
Siéntete libre de contribuir!

Cookie	Duración	Descripción
cookielawinfo-checbox-analytics	11 months	This cookie is set by GDPR Cookie Consent plugin. The cookie is used to store the user consent for the cookies in the category "Analytics".
cookielawinfo-checbox-functional	11 months	The cookie is set by GDPR cookie consent to record the user consent for the cookies in the category "Functional".
cookielawinfo-checbox-others	11 months	This cookie is set by GDPR Cookie Consent plugin. The cookie is used to store the user consent for the cookies in the category "Other.
cookielawinfo-checkbox-advertisement	1 year	Set by the GDPR Cookie Consent plugin, this cookie is used to record the user consent for the cookies in the "Advertisement" category .
cookielawinfo-checkbox-necessary	11 months	This cookie is set by GDPR Cookie Consent plugin. The cookies is used to store the user consent for the cookies in the category "Necessary".
cookielawinfo-checkbox-non-necessary	1 year	Set by the GDPR Cookie Consent plugin, this cookie is used to record the user consent for the cookies in the "Non-necessary" category .
cookielawinfo-checkbox-performance	11 months	This cookie is set by GDPR Cookie Consent plugin. The cookie is used to store the user consent for the cookies in the category "Performance".
cookielawinfo-checkbox-preferences	1 year	This cookie is set by the GDPR Cookie Consent plugin to check if the user has given consent to use cookies under the "Preferences" category.
cookielawinfo-checkbox-uncategorized	1 year	The cookie is set by the GDPR Cookie Consent plugin to record the user consent for cookies in the category "Uncategorized".
CookieLawInfoConsent	1 year	Records the default button state of the corresponding category & the status of CCPA. It works only in coordination with the primary cookie.
PHPSESSID		This cookie is native to PHP applications. The cookie is used to store and identify a users' unique session ID for the purpose of managing user session on the website. The cookie is a session cookies and is deleted when all the browser windows are closed.
viewed_cookie_policy	11 months	The cookie is set by the GDPR Cookie Consent plugin and is used to store whether or not user has consented to the use of cookies. It does not store any personal data.

Cookie	Duración	Descripción
YSC		This cookies is set by Youtube and is used to track the views of embedded videos.
__utma	2 years	This cookie is set by Google Analytics and is used to distinguish users and sessions. The cookie is created when the JavaScript library executes and there are no existing __utma cookies. The cookie is updated every time data is sent to Google Analytics.
__utmb	30 minutes	The cookie is set by Google Analytics. The cookie is used to determine new sessions/visits. The cookie is created when the JavaScript library executes and there are no existing __utma cookies. The cookie is updated every time data is sent to Google Analytics.
__utmc		The cookie is set by Google Analytics and is deleted when the user closes the browser. The cookie is not used by ga.js. The cookie is used to enable interoperability with urchin.js which is an older version of Google analytics and used in conjunction with the __utmb cookie to determine new sessions/visits.
__utmt	10 minutes	The cookie is set by Google Analytics and is used to throttle the request rate.
__utmz	5 months	This cookie is set by Google analytics and is used to store the traffic source or campaign through which the visitor reached your site.

Cookie	Duración	Descripción
CONSENT	2 years	YouTube sets this cookie via embedded youtube-videos and registers anonymous statistical data.
_ga	2 years	The _ga cookie, installed by Google Analytics, calculates visitor, session and campaign data and also keeps track of site usage for the site's analytics report. The cookie stores information anonymously and assigns a randomly generated number to recognize unique visitors.
_gat_UA-20621967-1	1 minute	A variation of the _gat cookie set by Google Analytics and Google Tag Manager to allow website owners to track visitor behaviour and measure site performance. The pattern element in the name contains the unique identity number of the account or website it relates to.
_ga_EVMLSP7VGF	2 years	This cookie is installed by Google Analytics.
_gid	1 day	Installed by Google Analytics, _gid cookie stores information on how visitors use a website, while also creating an analytics report of the website's performance. Some of the data that are collected include the number of visitors, their source, and the pages they visit anonymously.

Cookie	Duración	Descripción
IDE	2 years	Used by Google DoubleClick and stores information about how the user uses the website and any other advertisement before visiting the website. This is used to present users with ads that are relevant to them according to the user profile.
NID	5 months	This cookie is used to a profile based on user's interest and display personalized ads to the users.
test_cookie	15 minutes	The test_cookie is set by doubleclick.net and is used to determine if the user's browser supports cookies.
uid	1 year	This cookie is used to measure the number and behavior of the visitors to the website anonymously. The data includes the number of visits, average duration of the visit on the website, pages visited, etc. for the purpose of better understanding user preferences for targeted advertisments.
VISITOR_INFO1_LIVE	5 months	This cookie is set by Youtube. Used to track the information of the embedded YouTube videos on a website.
yt-remote-connected-devices	never	YouTube sets this cookie to store the video preferences of the user using embedded YouTube video.
yt-remote-device-id	never	YouTube sets this cookie to store the video preferences of the user using embedded YouTube video.
yt.innertube::nextId	never	This cookie, set by YouTube, registers a unique ID to store data on what videos from YouTube the user has seen.
yt.innertube::requests	never	This cookie, set by YouTube, registers a unique ID to store data on what videos from YouTube the user has seen.

Cookie	Duración	Descripción
DEVICE_INFO	5 months 27 days	No description
wevarnishpass	past	No description