RankBrain: Die Evolution des Google-Algorithmus
Was ist RankBrain – und wie verändert es die Google-Suche? Seit 2015 setzt Google bei der Interpretation von Suchanfragen auf das selbstlernende KI-System RankBrain. Es hilft dabei, Nutzerintentionen auch bei neuen oder komplexen Suchbegriffen zu erkennen und passende Ergebnisse zu liefern. Der Algorithmus basiert auf maschinellem Lernen und gilt als Teil von Googles langfristiger KI-Strategie, zu der auch DeepMind gehört.
- In Sekunden zur Online-Präsenz
- Mehr Wachstum mit KI-Marketing
- Zeit und Ressourcen sparen
Was ist RankBrain? Eine Definition
RankBrain ist ein selbstlernendes KI-System, das seit Anfang 2015 als Teil des übergeordneten Google-Suchalgorithmus „Hummingbird“ zum Einsatz kommt. Hauptaufgabe von RankBrain ist die Interpretation von Keywords und Suchphrasen mit dem Ziel, die jeweilige Nutzerintention zu ermitteln.
Eigenen Angaben zufolge nimmt Google täglich rund 8,5 Milliarden Anfragen über die Websuche entgegen. Bei rund 16 Prozent der Nutzereingaben handelt es sich um Keywords und Wortkombinationen, die in der jeweiligen Form noch nie zuvor bei Google eingegangen sind – darunter umgangssprachliche Begriff, Wortneuschöpfungen oder komplexe Longtail-Phrasen.
Wenn Google in Bezug auf RankBrain von einem „selbstlernenden KI-System“ spricht, ist damit künstliche Intelligenz gemäß des schwachen KI-Begriffs gemeint. Es handelt sich um eine Technologie, die für Problemstellungen, die bisher von Menschen bearbeitet werden mussten, automatische Lösungen findet. Wie die meisten Systeme dieser Art greift auch RankBrain dabei auf Techniken des maschinellen Lernens zurück.
Wie funktioniert RankBrain?
RankBrain hilft Google, Nutzereingaben zu interpretieren und so genau die Webseiten aus dem Google-Suchindex – einer rund 100 Millionen Gigabyte großen Datenbank – herauszusuchen, die am besten zur Suchintention der User passen. Dabei geht das KI-System weit über den reinen Abgleich von Suchbegriffen hinaus. Statt jedes einzelne Wort einer Suchanfrage unabhängig voneinander zu analysieren, erfasst RankBrain die Semantik der gesamten Nutzereingabe und ermittelt so die Intention des Suchenden bzw. der Suchenden. Trotz Longtail-Phrase gelangt man so blitzschnell zur erhofften Antwort.
Als Machine-Learning-System greift RankBrain dabei auf seine Erfahrung mit vorhergehenden Suchanfragen zurück. Es stellt Verknüpfungen her und trifft darauf aufbauend Vorhersagen darüber, was der jeweilige Nutzer sucht und wie dessen Anfrage am besten zu beantworten ist. Dabei gilt es, Ambiguitäten aufzulösen und die Bedeutung bisher unbekannter Begriffe (z. B. Neologismen) zu entschlüsseln. Wie genau RankBrain diese Herausforderung meistert, verrät Google allerdings nicht. SEO-Experten und -Expertinnen vermuten jedoch, dass RankBrain Suchanfragen mithilfe von Wortvektoren in eine Form überträgt, die es Computern ermöglicht, Sinnzusammenhänge zu interpretieren.
Was liefert die Basis für die semantischen Analysen von RankBrain?
Laut mehreren Aussagen von Google-Ingenieuren basiert RankBrain teilweise auf Konzepten wie Word2Vec und nutzt ähnliche Vektorraumtechniken, um die Bedeutung von Wörtern zu erfassen. Denn bereits 2013 hat Google die quelloffene Machine-Learning-Software Word2Vec veröffentlicht, mit der sich semantische Beziehungen zwischen Wörtern in eine mathematische Darstellung überführen, messen und vergleichen lassen. Grundlage dieser Analyse sind linguistische Textkorpora.
Erstellung des Vektorraums
Um Sinnzusammenhänge zwischen Wörtern zu „lernen“, erzeugt Word2Vec im ersten Schritt einen „n“-dimensionalen Vektorraum, in dem jedes Wort des zugrundeliegenden Textkorpus (man spricht von „Trainingsdaten“) als Vektor repräsentiert ist. Dabei gibt „n“ an, in wie vielen Vektordimensionen ein Wort abgebildet werden soll. Je mehr Dimensionen für die Wortvektoren gewählt werden, desto mehr Relationen zu anderen Wörtern erfasst das Programm.
Anpassung des Vektorraums
Im zweiten Schritt wird der erstellte Vektorraum in ein künstliches neuronales Netz (KNN) eingespeist, das es ermöglicht, diesen mithilfe eines Lernalgorithmus so anzupassen, dass Wörter, die im gleichen Kontext verwendet werden, auch einen ähnlichen Wortvektor bilden. Die Ähnlichkeit zwischen Wortvektoren wird anhand der sogenannten Kosinus-Distanz als Wert zwischen -1 und +1 berechnet.
Die Rolle von Word2Vec
Gibt man Word2Vec einen beliebigen Textkorpus als Input, liefert das Programm entsprechende Wortvektoren als Output. Diese ermöglichen eine Beurteilung der semantischen Nähe bzw. Distanz der im Korpus enthaltenen Wörter. Wird Word2Vec mit neuem Input konfrontiert, ist das Programm dank des Lernalgorithmus in der Lage, den Vektorraum anzupassen und somit neue Bedeutungszusammenhänge herzustellen oder alte Annahmen zu verwerfen: Das neuronale Netz wird „trainiert“.
Offiziell stellt Google keinen Zusammenhang zwischen der Funktionsweise von Word2Vec und der Suchalgorithmus-Komponente RankBrain her – es ist jedoch anzunehmen, dass sich das KI-System auf ähnliche mathematische Operationen stützt.
Mithilfe künstlicher neuronaler Netze versuchen Forscherinnen und Forscher, die Organisations- und Verarbeitungsprinzipien des menschlichen Gehirns zu simulieren. Ziel ist es, Systeme zu entwickeln, die in der Lage sind, bei der Lösung von Problemen mit Vagheit oder Unschärfe umzugehen und somit auch Aufgaben zu übernehmen, die bisher dem Menschen vorbehalten waren. Zur Anwendung kommen neuronale Netze bei Google beispielsweise im Rahmen der automatischen Bilderkennung.
RankBrain als Ranking-Faktor in der Suchmaschinenoptimierung (SEO)
Noch überraschender als die Bekanntgabe, dass Googles Forschungsergebnisse im Bereich künstlicher Intelligenz in die Websuche einfließen, ist der Umfang dieser Integration: Seit 2016 lässt Google sämtliche Suchanfragen von RankBrain interpretieren; Greg Corrado (Senior Research Scientist bei Google) zufolge ist das selbstlernende KI-System sogar als drittwichtigster Ranking-Faktor in den Algorithmus eingebunden.
Laut Google Search Quality Senior Strategist Andrey Lipattsev war RankBrain zu einem früheren Zeitpunkt der drittwichtigste Ranking-Faktor. Seitdem hat sich der Google-Algorithmus jedoch weiterentwickelt und wird heute durch BERT und andere KI-Technologien ergänzt.
Für Webseitenbetreibende und SEO-Expertinnen und -Experten hat sich vor allem der Blick auf Keyword-Strategien geändert. Als semantische Suchmaschine ist Google in der Lage, auf Hintergrundwissen in Form von Konzepten und Beziehungen zurückzugreifen, um die inhaltliche Bedeutung von Texten und Suchanfragen zu ermitteln. Ob eine Website für einen bestimmten Suchbegriff gut rankt, hängt damit weniger davon ab, ob diese den Suchbegriff enthält, als vielmehr davon, ob der (Text-)Inhalt der Webseite für das jeweilige Konzept relevant ist, das RankBrain mit dem Suchbegriff verbindet. Im Fokus steht somit nicht das Keyword an sich, sondern die Content-Relevanz einer Webseite.
Dank RankBrain und der kontinuierlichen Weiterentwicklung von BERT und anderen Technologien rücken Content-Relevanz und Nutzerintention noch stärker in den Fokus der Suchmaschinenoptimierung.
Diese KI-Module ergänzen RankBrain
RankBrain wurde 2015 eingeführt und galt damals als ein Durchbruch in der Interpretation von Suchanfragen durch Google. Seitdem hat sich die Technologie jedoch weiterentwickelt. Heute ist RankBrain weiterhin ein wichtiger Bestandteil des Google-Algorithmus, insbesondere bei der Interpretation von Suchbegriffen und der Bestimmung der Nutzerintention. Allerdings ist es nicht mehr der alleinige Faktor, der die Interpretation von Suchanfragen bestimmt.
BERT als Unterstützung für RankBrain
Seit 2019 hat Google mit BERT (Bidirectional Encoder Representations from Transformers) ein weiteres KI-Modell eingeführt, das RankBrain bei der Verarbeitung von natürlichen Spracheingaben ergänzt. Während RankBrain insbesondere bei der semantischen Analyse von Longtail-Suchbegriffen und unbekannten Wortkombinationen hilft, kommt BERT stärker bei der Kontextualisierung von vollständigen Sätzen und der Berücksichtigung der Bedeutung von Wörtern in ihrem spezifischen Kontext zum Einsatz.
MUM und andere KI-Technologien zur Interpretation von Suchanfragen
Neben RankBrain setzt Google inzwischen auf weitere KI-Modelle wie BERT und MUM (Multitask Unified Model), um Suchanfragen noch besser zu verstehen. Vor allem komplexe oder mehrdeutige Fragen profitieren von diesen Weiterentwicklungen. MUM ist dabei in der Lage, Informationen aus verschiedenen Quellen und Formaten (z. B. Text und Bilder) zu kombinieren und in einen sinnvollen Zusammenhang zu bringen.
Auch wenn Google nie vollständig offengelegt hat, wie genau RankBrain, BERT und MUM zusammenspielen, ist klar: Die semantische Suchtechnologie hat sich deutlich weiterentwickelt.
Wichtige KI-Module im Google-Algorithmus:
- RankBrain: interpretiert Suchanfragen, insbesondere neue oder ungewöhnliche Formulierungen
- BERT: analysiert den Kontext von Wörtern in Suchanfragen (z. B. Satzstruktur)
- MUM: versteht komplexe Suchintentionen und kombiniert Inhalte aus verschiedenen Formaten
Für die Suchmaschinenoptimierung bedeutet das: Klassisches SEO mit Keywords und Technik allein reicht nicht mehr aus. Entscheidend ist heute ein hochwertiger, nutzerzentrierter Content, der die Suchintention, den Kontext und die semantische Relevanz berücksichtigt.
- Kampagnen-Steuerung durch unsere Experten
- Spart Zeit: Keine Einarbeitung erforderlich
- Spart Kosten: Höchste Effizienz durch Expertise