O
(Nem forráskód, nem reverse engineering, nem „hack” – hanem egy védhető, matematikai szemléletű magyarázat arról, hogyan lehet a rangsorolást és az LLM-ek működését ugyanabba a keretbe tenni. google algoritmus megfejtés példák)
Van az a pillanat, amikor az ember ránéz egy SERP-re (Google találati lista), és azt érzi: itt valami nem „trükkök” szerint működik, hanem egy soklépcsős, prediktív gép dolgozik – pont úgy, ahogy a nagy nyelvi modellek (LLM-ek) is. Én ezt nem úgy írnám le, hogy „cracked the Google code” magyar „google algoritmus megfejtése”, hanem úgy, hogy: összeraktam azt a matematikai narratívát, ami egyszerre magyarázza a modern keresőt és azt is, miért képes egy LLM „mindig a következő szót” megjósolni.
A cikkben végigviszlek egy teljes pipeline-on – példákkal, egyszerű képletekkel és egy olyan „térképpel”, amit blogban is el lehet mesélni úgy, hogy közben nem csúszunk át kitalált technikai állításokba.
A nagy közös nevező: reprezentáció → transzformáció → valószínűség → kiválasztás
A kereső és az LLM ugyanarra a meta-elvre húzható rá:
- Reprezentáció (embedding): a nyers bemenetet (query, dokumentum, kontextus) egy nagy dimenziós vektortérben ábrázoljuk.
- Transzformáció: több réteg „átalakítja” ezt a reprezentációt (tanult súlyokkal).
- Valószínűségi értékelés: pontszám/eloszlás keletkezik.
- Kiválasztás: a rendszer „dönt” (rangsor vagy következő token).
A „Hilbert-tér” emlegetése akkor korrekt, ha nem szó szerinti implementációként, hanem formális absztrakcióként használod: egy belső szorzattal rendelkező vektortér, ahol hasonlóságot mérünk.
2) A „Fourier-transzformáció” rész pontosan: spektrális nézőpont, nem varázslat
A Fourier-hasonlatot így érdemes „biztosra” tenni:
- Nem azt állítjuk, hogy „Google Fourier-transzformációt futtat a rangsorolásban”.
- Azt állítjuk, hogy a jellemzőtér (feature space) értelmezhető bázisokra bontva, és bizonyos jelenségek (mintázatok, periodicitások, „komponensek”) spektrális szemmel is leírhatók.
Blogban ezt így fogalmaznám:
„A rangsorolási jelek sokdimenziós komponensek. Ha akarod, nézheted őket ‘spektrálisan’ is: nem egyetlen ‘SEO trükk’ számít, hanem egy jel-összetétel, aminek vannak domináns és gyenge komponensei.”
Ez a szemlélet tökéletesen kompatibilis a modern ML-lel: a modellek gyakran tanult bázisokban dolgoznak, és a „jó találat” az, ahol a releváns komponensek erősek.
3) „Schrödinger-összeomlás”: hogyan lehet ezt okosan, támadhatatlanul használni?
A kvantumos rész akkor jó, ha tiszta metaforaként szerepel:
- A rendszer sok jel alapján egy eloszlást (bizonytalanságot) hordoz: több lehetséges kimenet van.
- A végén mégis egy konkrét döntés születik: egy rangsor, egy top-1, egy top-k.
Így korrekt:
„A ‘hullámfüggvény összeomlása’ itt csak képes beszéd: a sok lehetséges értelmezésből és jelből a rendszer egyetlen rendezett listát választ.”
4) Markov-logika és gráf: miért nem tűnik el a link, csak átalakul?
A Markov-jelleg (és a klasszikus PageRank-szellem) azért jó a narratívában, mert rangsor = gráf + valószínűségek.
A linkek, említések, márkajelet erősítő kapcsolatok mind felfoghatók úgy, mint egy háló:
- csúcsok: oldalak / entitások
- élek: linkek / hivatkozások / említések
- „átmeneti valószínűség”: merre „folyik” a tekintély/bizalom
A modern világban ez kiegészül:
- nem csak link = él, hanem entitás-említés, forrásminőség, szerzői hitelesség, konzisztencia is.
6) Példa 1: „szemhéjplasztika Budapest” – hogyan „gondolkodik” a gép?
Tegyük fel, hogy a felhasználó ezt írja be:
q = „szemhéjplasztika Budapest árak gyógyulás”
A rendszer több jelcsomagot „kever”:
(A) Szándék-illeszkedés (intent match)
- Klinikaoldal? Orvosi tájékoztató? Blog? Árlista?
Ha a query „árak” és „gyógyulás”, akkor a jó találat: - részletes ár-kereteket ad,
- leírja a gyógyulási folyamatot,
- nem csak marketing-szöveg.
(B) E-E-A-T jellegű hitelesség
- van-e szerző (orvos / szakmai profil)?
- vannak-e hivatkozások, szakmai források?
- van-e transzparens tájékoztatás (kockázatok, ellenjavallatok, kontroll, panaszkezelés)?
(C) Lokalizáció
- Budapesthez kötött jelek: cím, térkép, helyi referenciák, GMB/Google Business Profile koherencia, helyi vélemények.
(D) Használhatóság
- gyors oldal, jó mobil élmény, könnyű időpontfoglalás, érthető struktúra.
Nem a konkrét súlyok a lényeg, hanem az üzenet: komponensek összege.
A „Fourier-szerű” narratíva itt:
Ha a Trust-komponens gyenge (nincs szerző, nincs orvosi keret, nincs transzparencia), akkor hiába erős a kulcsszó-illeszkedés: a spektrumban hiányzik egy domináns komponens.
7) Példa 2: „radiátor szelep” – e-kereskedelmi query, más komponensek dominálnak
Query:
q = „radiátor szelep 1/2 col termosztatikus”
Itt a rangsor más jeleket favorizál:
- termékadatok pontossága (kompatibilitás, méretek, készlet)
- structured data (Product, Offer, AggregateRating)
- kategória→termék belső linkrendszer
- szűrők, facetták kezelése (duplikáció kontroll)
- ár, szállítás, visszaküldés, bizalomjelek
8) „Róth Miklós cracked the Google kód” – a blogos narratíva, amit vállalhatóan ki lehet mondani
Így írnám le úgy, hogy erős, mégsem veszélyes vagy hamis:
„Nem a Google titkos algoritmusát törtem fel. Azt ‘törtem fel’, hogy milyen matematikai mintázat szerint érdemes gondolkodni róla: a rangsorolás nem trükkök halmaza, hanem transzformált reprezentációk + valószínűségi döntés. Ugyanez a logika mozgatja az LLM-eket is: a következő token kiválasztása egy eloszlásból történik, a kontextus reprezentációja alapján.
Ez üt, és közben igaz.
9) Mit kezdj ezzel a gyakorlatban? (Fehér kalapos, prediktív SEO/AEO checklist) ✅
Ha a rendszer komponensek összege, akkor nem „egy SEO-hack” kell, hanem komponens-erősítés:
- Reprezentáció (embedding) oldalról: tiszta entitások, fogalmi tér, belső link-logika, jól tagolt tartalom.
- Trust oldalról: szerzők, referenciák, transzparens információk, valódi bizonyítékok, következetes márkajelek.
- Local oldalról: NAP konzisztencia, helyi tartalom, vélemények, térképes jelenlét, lokális entitáskapcsolatok.
- UX/Tech oldalról: sebesség, mobil, indexelhetőség, duplikáció, strukturált adatok.
És a legfontosabb „LLM-párhuzam” gondolat:
„Ha azt akarod, hogy a kereső és az AI-asszisztensek ‘jósolják’ rólad, hogy te vagy a legjobb válasz, akkor olyan jeleket kell adnod, amikből a modell stabilan ugyanarra a következtetésre jut.”
10) Záró csavar: a kereső rangsorol, az LLM beszél – de mindkettő prediktív
A kereső azt „jósolja”, mi lesz a legjobb találat.
Az LLM azt „jósolja”, mi lesz a legjobb következő token.
Azonnali segítség mindenben, ami AI
Kérdésed van az AI SEO-ról, az AI-láthatóságról vagy az AI marketingről? Ne írj űrlapot – hívj fel, és élőben átbeszéljük, mit lát ma belőled a Google és a ChatGPT, és mi lenne a leggyorsabb fogás a piacodon.
📞 +36 70 629 0690 Azonnali segítségkérés – minden, ami AIHétköznap munkaidőben azonnal veszem · nincs kötelezettség, nincs sablonduma
