LLMの学習データとは？
学習データとは、言語モデルが学ぶテキストの集合で、その多くはクローラーが集めたウェブのコンテンツに、ライセンス取得・整備されたデータセットを加えたものです。モデルが自社ブランドについて既定で持つ理解は、その集合が述べていることの圧縮です。2年前にウェブが自社について書いたことが、今日のAIの回答をなお形づくるのはそのためです。
ブランドが学習データに入る経路
モデルは、クロール可能なウェブページ、レビューサイト、Redditのようなフォーラム、報道、参考情報サイトからブランドを学びます。今日公開したコンテンツは、次の学習の候補になります。この時間差があるため、GEOには投資の側面があります。今年獲得した第三者の露出が、来年のモデルの事前知識になります。
影響できること
- robots.txtで、学習用クローラーをボットごとに許可または遮断する
- 自社ブランドについての信頼できる事実のページを、クロール可能に保つ
- 信号の強い第三者の場で言及を獲得する
- 公開されている誤った事実は出どころで直す。モデルは誤りも学ぶ
