RankBrain: la evolución del algoritmo de Google

¿Qué es RankBrain y cómo cambia la búsqueda en Google? Desde 2015, Google utiliza el sistema de inteligencia artificial de autoaprendizaje RankBrain para interpretar las consultas de búsqueda. Este ayuda a reconocer la intención del usuario incluso con términos nuevos o complejos y a mostrar resultados adecuados. El algoritmo se basa en el aprendizaje automático y forma parte de la estrategia a largo plazo de Google en inteligencia artificial, que incluye también a DeepMind.

¿Qué es RankBrain?

RankBrain es un sistema de inteligencia artificial de autoaprendizaje que Google utiliza desde principios de 2015 como parte de su algoritmo de búsqueda principal “Hummingbird”. La tarea principal de RankBrain es la interpretación de palabras clave y frases de búsqueda, con el objetivo de identificar la intención de los usuarios.

Según datos de la propia compañía, Google procesa alrededor de 8,5 mil millones de consultas diarias. Aproximadamente un 16 % de estas búsquedas corresponden a palabras clave o combinaciones que nunca antes se habían introducido en Google: desde términos coloquiales y neologismos hasta complejas frases de long tail (búsquedas de cola larga).

¿Cómo funciona RankBrain?

RankBrain es utilizado por Google para interpretar las consultas de los usuarios y seleccionar en el índice de Google, una base de datos de cerca de mil millones de gigabytes, exactamente aquellas páginas web que más se acercan a lo que busca el usuario. Para ello, este sistema de IA va más allá del mero cotejo de términos clave. En lugar de analizar cada palabra de una consulta de forma aislada, RankBrain registra la semántica de la consulta con un sentido global y determina así la intención del usuario. Es así como, a pesar de ser una búsqueda de cola larga, el usuario obtiene rápidamente una respuesta a su pregunta.

Close

Para cumplir con su tarea, RankBrain recurre a la experiencia que ha acumulado con consultas anteriores, crea conexiones y se basa en ellas para predecir lo que busca cada usuario y escoger la mejor manera de responder a su consulta. Para ello intenta resolver cualquier ambigüedad y deducir el sentido de términos desconocidos hasta el momento como neologismos, por ejemplo. Obviamente, Google no ha revelado cómo se enfrenta a este desafío, aunque los expertos en SEO sospechan que RankBrain traduce las consultas con ayuda de representaciones vectoriales de palabras en una forma que permite a los ordenadores deducir relaciones semánticas.

¿Cuál es la base de los análisis semánticos de RankBrain?

Según diversas declaraciones de ingenieros de Google, RankBrain se basa en parte en conceptos como Word2Vec y emplea técnicas de espacio vectorial similares para captar el significado de las palabras. Ya en 2013, Google publicó el software de aprendizaje automático de código abierto Word2Vec, que permite transformar las relaciones semánticas entre palabras en una representación matemática para medirlas y compararlas. La base de este análisis son los corpus lingüísticos de texto.

Creación del espacio vectorial

Para “aprender” las relaciones semánticas entre las palabras, Word2Vec genera en un primer momento un espacio vectorial multidimensional (n-dimensional) en el que cada palabra del corpus subyacente es representada por un vector en tantas dimensiones como defina el valor “n”. Cuantas más dimensiones se seleccionen, más relaciones con otras palabras es capaz de reconocer el programa.

Ajuste del espacio vectorial

En un siguiente paso, este espacio vectorial se introduce en una red neuronal que permite, con ayuda de un algoritmo de aprendizaje, ajustar el espacio vectorial de tal manera que las palabras que se utilizan en el mismo contexto generen un vector parecido. La semejanza entre vectores se calcula a partir de la denominada distancia de coseno como un valor entre -1 y +1.

El papel de Word2Vec

En definitiva, si se proporciona un corpus lingüístico cualquiera a Word2Vec como input, el programa entrega los correspondientes vectores como output, los cuales permiten evaluar la cercanía o la distancia semántica de las palabras contenidas en el corpus. Si el programa se enfrenta a un input nuevo, el algoritmo de aprendizaje le capacita para reajustar el espacio vectorial y crear nuevas conexiones semánticas o rechazar conclusiones anteriores. Es así como la red neuronal “aprende”.

Oficialmente, Google no establece ninguna relación entre el funcionamiento de Word2Vec y el algoritmo RankBrain; sin embargo, es razonable suponer que el sistema de IA se apoya en operaciones matemáticas similares.

RankBrain en la optimización SEO

Más sorprendente aún que el anuncio de que los avances de Google en inteligencia artificial se incorporan a la búsqueda web es el alcance de esta integración: desde 2016, Google hace que RankBrain interprete todas las consultas de búsqueda. Según Greg Corrado (Senior Research Scientist en Google), este sistema de IA de autoaprendizaje está integrado incluso como el tercer factor de posicionamiento más importante dentro del algoritmo.

Para quienes gestionan páginas web y para los expertos en SEO, lo que más ha cambiado es la forma de enfocar las estrategias de palabras clave. Como motor de búsqueda semántico, Google es capaz de recurrir a conocimientos de fondo en forma de conceptos y relaciones para determinar el significado de los textos y de las consultas de búsqueda. Esto significa que si una página web posiciona bien para una consulta determinada no depende tanto de si contiene el término de búsqueda concreto como de la relevancia del contenido respecto al concepto que RankBrain vincula con ese término clave: la prioridad no se concentra tanto en la palabra clave en sí como en la relevancia del contenido de la página web.

Gracias a RankBrain y a la evolución continua de BERT y otras tecnologías, la relevancia del contenido y la intención del usuario se han convertido en el centro del posicionamiento SEO.

Módulos de IA que complementan RankBrain

RankBrain se introdujo en 2015 y en ese entonces se consideraba un avance en la interpretación de consultas de búsqueda por parte de Google. Desde entonces, la tecnología ha evolucionado. Hoy en día, RankBrain sigue siendo un componente importante del algoritmo de Google, especialmente en la interpretación de términos de búsqueda y la determinación de la intención del usuario. Sin embargo, ya no es el único factor que determina la interpretación de las consultas de búsqueda.

BERT como apoyo para RankBrain

Desde 2019, Google ha introducido con BERT (Bidirectional Encoder Representations from Transformers) otro modelo de IA que complementa a RankBrain en el procesamiento de entradas de lenguaje natural. Mientras que RankBrain ayuda especialmente en el análisis semántico de palabras clave long tail (de cola larga) y combinaciones de palabras desconocidas, BERT se utiliza más en la contextualización de frases completas y la consideración del significado de las palabras en su contexto específico.

MUM y otras tecnologías de IA para la interpretación de consultas de búsqueda

Además de RankBrain, Google ahora utiliza otros modelos de IA como BERT y MUM (Multitask Unified Model) para entender mejor las consultas de búsqueda. Estas mejoras son especialmente útiles para preguntas complejas o ambiguas. MUM puede combinar información de diferentes fuentes y formatos (por ejemplo, texto e imágenes) y presentarla de manera coherente.

Aunque Google nunca ha revelado completamente cómo exactamente RankBrain, BERT y MUM interactúan, está claro: la tecnología de búsqueda semántica ha avanzado significativamente.

Módulos de IA importantes en el algoritmo de Google:

• RankBrain: interpreta consultas de búsqueda, especialmente formulaciones nuevas o inusuales
• BERT: analiza el contexto de las palabras en las consultas de búsqueda (p. ej., estructura de la oración)
• MUM: entiende intenciones de búsqueda complejas y combina contenidos de varios formatos

Para la optimización en motores de búsqueda, esto significa que: El SEO clásico con palabras clave y técnica por sí solo ya no es suficiente. Lo decisivo hoy es un contenido de alta calidad centrado en el usuario que tenga en cuenta el objetivo de la consulta, el contexto y la relevancia semántica.