Skip links
KOSTENLOSES Voraudit
Keyweo logo
Pré-audit GRATUIT
Facebook Linkedin

Google BERT

Definition

Google BERT steht für „Bidirectional Encoder Representations from Transformers”. Es ist ein Lernmodell, das von Google entwickelt wurde. Damit soll die Verarbeitung natürlicher Sprache (NLP) in der Suchmaschine verbessert werden. Die Sprache der Nutzer:innen soll somit besser von den Suchmaschinen verstanden werden. Es wurde 2019 als Google-Algorithmus-Update eingeführt.

BERT basiert auf KI-Sprachmodellen. Es wird direkt in den Suchprozess integriert, um den Kontext von Suchanfragen besser zu erfassen. Dabei analysiert das Modell jede Suchanfrage. Jedes Wort wird im Zusammenhang mit den anderen Wörtern im Satz verarbeitet.

infographic_ctr

Schnellzugriff

BERT arbeitet bidirektional. Das bedeutet, dass Sätze sowohl vorwärts als auch rückwärts analysiert werden können. Dies führt zu einem deutlich besseren Verständnis des Kontexts einer Suchanfrage. BERT dient dazu:

  • die Sprachverarbeitung zu verbessern.
  • Suchergebnisse optimaler auf die Suchintention abzustimmen.
  • Ergebnisse passender auszuspielen.
 

Wie funktioniert Google BERT?

Das Modell basiert auf KI-gestützten Tools und NLP-Methoden. Ziel ist es, Suchanfragen in einem menschlicheren Kontext zu verstehen. Statt einzelne Keywords zu fokussieren, werden vollständige Sätze analysiert. Beziehungen zwischen Wörtern werden inkludiert. Besonders Präpositionen spielen dabei eine große Rolle.

 

Transformer-Neuronale Architektur

BERT ist ein sogenanntes Transformer-Modell. Es hat zwei zentrale Komponenten: Encoder und Decoder. Der Encoder liest die Eingabe, also die Suchanfrage. Der Decoder generiert daraus eine Vorhersage zur Lösung der Anfrage.

Bidirektionales Lesen

BERT analysiert Sätze gleichzeitig von links nach rechts und umgekehrt. So wird der Kontext einer Suchanfrage noch besser verstanden.

Pre-Training & Fine-Tuning

Zunächst wird das Modell mit riesigen Textmengen (z. B. Wikipedia) vortrainiert. Anschließend wird es für spezifische Aufgaben feinjustiert. Etwa das Vorhersagen von ausgelassenen Wörtern oder das Verstehen von Satzbeziehungen.

Diese Prozesse helfen Google, relevante Suchergebnisse zu liefern, die optimal auf die Nutzerintention abgestimmt sind. Vor allem bei Long-Tail-Keywords.

long_tail_keyword

Beispiele für BERT's technische Grundlagen

Transformer-Architektur Beispiel

Nehmen wir an, die folgende Suchanfrage wird gestellt: „Wie eröffne ich ein Bankkonto als Ausländer in Spanien?“.

  • Vor BERT: Google hätte möglicherweise nur auf „Bankkonto“ + „Spanien“ reagiert.
  • Mit BERT: „als Ausländer“ wird erkannt, verstanden und in den Kontext eingebettet. So erscheinen nun relevante Seiten für Nicht-Resident:innen mit Visa-Infos etc.

Bidirektionalität

Es ist sehr wichtig, dass das BERT-Modell in der Lage ist, Text in beide Richtungen zu analysieren. Zwei Sätze mit demselben Wort können völlig unterschiedliche Bedeutungen haben.

  • „Muss ich den Ofen vorheizen?“
    Mit Ofen ist der Backofen gemeint.
  • „Lohnt es sich mit einem Ofen das Haus zu heizen?“
    Hier ist ganz klar ein Kamin- oder Holzofen gemeint.

Es ist der Kontext rund um das Wort „Ofen“, der es Google BERT ermöglicht, die Suchabsicht des Nutzers zu verstehen. Dank bidirektionaler Analyse erkennt BERT den Unterschied und interpretiert die Intention korrekt.

Google BERT und das Natural Language Processing (NLP)

Der Begriff „NLP“ ist nun schon einige Male gefallen. Es steht für Natural Language Processing. Doch was ist ein Natural Language Model? Zu Deutsch heißt das so viel wie „Natürliche Sprachverarbeitung“. Mit wachsender Bedeutung der KI wurde dies zu einem unersetzlichen Schlüsselelement. Denn es hilft Robotern dabei, die menschliche Sprache zu verstehen und mit ihr möglichst natürlich zu kommunizieren. Hier die wichtigsten Eigenschaften des NLP für Google BERT:

  • Stimmung: Google erkennt, ob die Stimmung Ihrer Anfrage positiv oder negativ ist.
  • Präpositionen: Diese Wortart wird nicht nur von Google erkannt, sondern auch interpretiert. Es erkennt beispielsweise, dass folgende Suchanfragen, den gleichen Sinn haben. „Paket beim Nachbarn abholen“ und „Paket vom Nachbarn abholen“. Bei anderen Suchanfragen ändert die Präposition jedoch den Sinn komplett. Als Beispiel: „Zug nach Berlin“ oder „Zug in Berlin“. Zwar sind die Anfragen ähnlich, die Suchintention der User:innen jedoch komplett anders.
  • Art der Anfrage: Google erkennt dank NLP auch die Anfrageart. Soll eine Frage beantwortet werden? Wird ein Ratschlag benötigt? Oder wird nach bestimmten Webseiten (z. B. von Unternehmen) gesucht?
  • Kategorie: Die Autor:innen müssen schon lange keine Kategorie mehr für einen Artikel festlegen. Google erkennt, um welche Art von Text es sich handelt. Eine Strickanleitung kann somit von einem Zeitungsartikel unterschieden werden.
natural_language_processing

Die Entwicklung von BERT

Unterschied zu früheren Sprachmodellen

  • 2015 – RankBrain: Hilft Google, besonders unklare oder neue Suchanfragen besser zu verstehen. Im Gegensatz zu BERT liegt der Fokus hier auf der allgemeinen Intention. Es ist ein Vorreiter eines Sprachlernmodelles. Statt Sprache werden hier die Beziehungen zwischen Begriffen erlernt. Erstmals wird bei RankBrain maschinelles Lernen in der Google Suche genutzt. Es ist noch immer Teil des Google-Suchalgorithmus.
  • 2018 – Google USE (Universal Sentence Encoder): Erzeugt Vektoren für ganze Sätze. Ideal, wenn die semantische Bedeutung des Gesamtsatzes im Vordergrund steht.

Diese beiden Sprachmodelle waren wichtige Vorgänger von Google BERT. Beide haben zu dem großen Erfolg von BERT beigetragen. Es kombiniert das Machine Learning (ML) von RankBrain mit dem semantischen Verständnis von Google USE. Beide Konzepte werden kombiniert, verbessert und ergänzt. 2018 kommt Google BERT auf den Markt.

 

Wichtige Meilensteine seit 2018

Seit 2018 ist viel passiert. Google hat große Fortschritte gemacht und seine Sprachmodelle kontinuierlich optimiert. Das führt uns hin zu der heutigen GEMINI Version. Dazu erfahren Sie später noch mehr. Dieser Weg inkludiert Meilensteine mit Modellen wie:

  • T5 (Text-to-Text Transfer Transformer): Das T5 Modell hat Text-zu-Text Aufgaben revolutioniert. Mit ihm können Texte übersetzt, zusammengefasst, kategorisiert und korrigiert werden. Außerdem kann T5 Fragen beantworten.
  • LaMDA (Language Model for Dialogue Applications): Dies war die Grundlage für Google BARD. Es wurde entwickelt, um natürliche und menschliche Dialoge mit einer KI führen zu können.
  • PaLM (Pathways Language Model): Dieses Modell wurde mit mehr als 100 Sprachen trainiert. Ab sofort ist es möglich, sich von der Google-KI Code generieren zu lassen. Es sorgt für ein generalisiertes Wissen im Bereich der KI und macht Multitasking möglich.
  • Gemini (ehemals BARD): Gemini unterstützt die Googlesuche mit künstlicher Intelligenz. Es kann Text, Bild, Code, Audio und Video verarbeiten. Ein vielseitig einsetzbares und sehr mächtiges Tool.

Kontextualisierung: Das große Plus von BERT

In den entwickelten Sprachmodellen von Google sticht BERT mit der Kontextualisierung hervor. Suchanfragen mit Kontext zu verstehen, war zuvor nicht gegeben. Das hatte zur Folge, dass nach 2018 Suchergebnisse deutlich präziser wurden. Ein großes Plus für Nutzer:innen und auch für Webseiten-Besitzer:innen.

Verwendung von BERT in der Google-Suche

Verbesserung der Nutzererfahrung durch NLP

Das Google BERT Update kam mit vielen positiven Veränderungen für die Google Nutzer:innen. Hier bekommen Sie einen Überblick, was die Vorteile von BERT sind:

Präzisere Suchergebnisse

BERT wird von Google verwendet, um SERP-Ergebnisse für Benutzer:innen zu verbessern. Es ist wichtig, dass die Ergebnisse für die Nutzer:innen genau und relevant sind. BERT hilft, dies zu gewährleisten. Dazu versteht es den Kontext von Suchanfragen. Es wird ein Mechanismus zur Verarbeitung natürlicher Sprache verwendet.

Verbessertes Verständnis von Suchanfragen

Das bidirektionale Element dieses Sprachverständnistools ermöglicht eine tiefere Analyse des Textes. Es kann den Kontext von Wörtern in einem Satz und die Wörter, die vor und nach diesen Wörtern stehen, verstehen. Auch dies verbessert die Verarbeitung natürlicher Sprache und die Genauigkeit der Suchergebnisse.

Anpassungsfähiges Werkzeug

Google BERT ist ein äußerst anpassungsfähiges und vielseitiges Tool. Es kann für eine Vielzahl unterschiedlicher Aufgaben verwendet werden. Durch das Open Source Modell können sich viele Entwickler:innen daran bedienen und es langfristig verbessern.

Auswirkungen auf Suchergebnisse und Ranking

BERT hat SEO seit 2019 deutlich verändert! Der Fokus liegt nicht mehr auf simplen Keywords. Kontextreicher, qualitativ hochwertiger Content und das Verständnis der Suchintention steht im Mittelpunkt.

Wichtig für SEO:

  • Long-Tail-Keywords gewinnen an Bedeutung
  • Natürlichkeit & Relevanz im Text sind entscheidend
  • Suchintention verstehen und bedienen

So optimieren Sie Ihren Content für BERT

BERT war ein riesiger Durchbruch. Auch für die Suchmaschinenoptimierung. Durch das Verständnis von natürlichen Suchanfragen muss nun natürlicher Content her. Spezifische Texte zu genauen Suchanfragen müssen erstellt werden. Dazu ist es wichtig, dass Sie Ihre Zielgruppe noch besser verstehen. Nur so können Sie möglichst genau auf deren Fragen antworten.

Hier sind unsere Top 5 Tipps für das Arbeiten mit der Google BERT AI:

  1. Kennen Sie Ihre Zielgruppe: Investieren Sie Zeit in die Recherche über Ihre Zielgruppe. Tools wie GSC, GA4, SEMrush und Ahrefs können dabei von großem Nutzen sein.
  2. Schreiben Sie natürlich: Verwenden Sie einen menschlichen Ton, keine robotermäßigen Keyword-Auflistungen. Fokussieren Sie sich auf echte Sprache statt Keyword-Dichte.
  3. Erstellen Sie hochwertigen Content: Bieten Sie echte Mehrwerte mit tiefergehenden Informationen. Achten Sie auf Struktur, Lesbarkeit und Quellenangaben.
  4. Berücksichtigen Sie E-E-A-T: Google bewertet Inhalte nach Experience, Expertise, Authoritativeness und Trustworthiness. Besonders bei sensiblen Themen (YMYL) ist das entscheidend.
  5. Fokussieren Sie sich auf Long-Tail-Keywords: Lange Keywords sind Geheimtrick. Zwar haben Sie weniger Suchvolumen, doch können Sie Userfragen ganz genau beantworten. Das führt zu einer höheren Wahrscheinlichkeit einer Conversion.
google_eeat

Unsere Tipps am Beispiel

Kehren wir zurück zu unserem Beispiel. Ein User fragt: „Wie eröffne ich ein Bankkonto als Ausländer in Spanien?“. Wir erklären die Unterschiede vor und nach BERT:

  • Vor BERT: Google hätte höchstwahrscheinlich die Wörter „Bankkonto“ und „Spanien“ erkannt. Der Zusatz „als Ausländer“ kann nicht erkannt werden. Daraufhin werden Ihnen in der SERP Ergebnisse zum Thema Bankkonten in Spanien angezeigt. Als Bank in Spanien wäre es hier relevant, die Webseite auf diese beiden Worte zu optimieren, um möglichst viele Klicks zu bekommen. Das hätte zur Folge, dass die Webseite viele Besucher:innen bekommt. Die Person, die die Suchanfrage gestellt hat, bekommt jedoch keine Antwort auf die Frage. Denn das Thema „als Ausländer“ wurde nicht abgedeckt. Die Wahrscheinlichkeit einer Conversion ist also gering.
  • Nach dem Google BERT Update: Das NLP Modell erkennt, dass „als Ausländer“ eine wichtige Rolle in der Suchanfrage spielt. Das führt dazu, dass dies auch in der SERP berücksichtigt wird. Die Webseite, die zuvor auf „Bankkonto“ und „Spanien“ optimiert wurde, steht nicht mehr oben. Stattdessen ist eine Seite auf Platz 1, die das Thema „Bankkonto in Spanien als Ausländer“ beinhaltet. Hier wird der User direkt fündig und die Wahrscheinlichkeit einer Conversion steigt. Dafür hat diese spezifische Seite nicht so viele Besucher:innen. Das Suchvolumen für dieses Long-Tail-Keyword ist nämlich viel geringer.

Google BERT vs. Google GEMINI

Google Gemini (ehemals BARD) ist ein multimodales Modell, das neben Text auch Bilder, Code und mehr verarbeiten kann. Es baut auf BERT auf, ist jedoch deutlich leistungsfähiger und vielseitiger einsetzbar. Als Chatbot kann es mit den User:innen interagieren. Es beantwortet personalisiert Fragen, hilft bei der Ideenfindung und gibt Ratschläge. Seit Neustem stellt Gemini in der Google SERP Zusammenfassungen für Suchanfragen zusammen.

Google BERT analysiert und kontextualisiert Suchanfragen. Auf Basis dessen kann es Webseiten analysieren und die passenden Seiten der passenden Anfrage zuordnen. 

GEMINI hingegen kann Inhalte generieren. Es erstellt Zusammenfassungen, beantwortet Fragen und übersetzt. Zusätzlich können Bilder, Videos und Code generiert werden. Quasi ein All-Rounder unter den Google Modellen.

bert_vs_gemini

BERT vs. GPT: Zwei Modelle im Vergleich

Auch wenn unterschiedliche Entwickler:innen hinter den Programmen stehen, ähneln sie sich sehr. Sowohl Google BERT, als auch ChatGPT nutzen NLP. Beide basieren auf künstlicher Intelligenz. So machen sie Interaktionen im Internet natürlicher. Beide Tools zählen als riesiger Durchbruch in der Geschichte. Jedoch unterscheiden sie sich signifikant.

Sollten Sie derzeit ein NLP Projekt planen, sollten Sie sich der Ähnlichkeiten und Unterschiede bewusst sein. Nur so können sie ein Tool richtig implementieren und mit ihm arbeiten.

ChatGPT

ChatGPT gehört zu den NLG-Tools. NLG steht für „Natural Language Generation“. Es wird also möglichst natürlich wirkender Text generiert. Das Tool ist so aufgebaut, dass Konversationen so wie mit einem echten Menschen geführt werden können. Dabei merkt es sich vorherige Dialoge und kann auf Antworten eingehen. Aber auch das NLU, also „Natural Language Understanding“, ist eine Stärke des Tools. Lange Texte kann ChatGPT zusammenfassen, Kernideen herausfiltern und Fragen dazu beantworten.

Unternehmen können ChatGPT nutzen, um eigene ChatBots und virtuelle Assistenten zu erstellen. Das kann auf der Webseite implementiert werden, um Kunden einfacher zu betreuen.

chatgpt_vs_bert

Google BERT

Google BERT ist ein NLU-Tool. Es wurde also entwickelt, um die menschliche Sprache kontextualisiert zu verstehen. Dabei versteht es nicht nur die Sprache. Es kann ebenfalls die Stimmung eines Textes analysieren und ihn kategorisch einordnen. Das BERT-Modell ist Open Source. Das bedeutet, dass es öffentlich einsehbar ist. Es bedeutet, dass Entwickler:innen auf der ganzen Welt das Modell nutzen können, um die NLP zu verbessern. Derzeit wird es in Suchmaschinen eingesetzt, um Suchanfragen besser zu verstehen.

Fazit: Die Bedeutung von BERT für die Sprachverarbeitung und Suche:

Google BERT war ein Durchbruch für das Sprachverständnis in Suchmaschinen. Seitdem wurde die NLP-Technologie ständig weiterentwickelt. BERT hat die Qualität der Suchergebnisse verbessert, die Bedeutung der Suchintention gestärkt und den Weg für neue Tools wie Gemini geebnet.

Google BERT war ein wichtiger Meilenstein für moderne SEO. Natürliche Sprache, Long-Tail-Fokus und inhaltliche Tiefe sind wichtiger denn je.

Die beliebtesten Definitionen

SEO
Amazon SEO
SEO Camp
E-Commerce SEO
Freelance SEO
SEO Friendly
Internationale SEO
Lokale SEO
Mehrsprachige SEO
Off Page SEO
On Page SEO
Technische SEO
Vocal SEO
YouTube SEO
SEO Agentur

Steigern Sie Ihre Sichtbarkeit!

Zögern Sie nicht, uns zu kontaktieren, um ein kostenloses und individuelles Angebot zu erhalten.

Fordern Sie Ihr KOSTENLOSES Audit an
Kontaktieren Sie uns
Notez ce page