Multimodális keresés: jelentés és gyakorlati példa
A multimodális keresés többféle bemenetet, például képet és szöveget használ együtt az információ megtalálásához. A felhasználó nemcsak leírhatja a keresett tárgyat, hanem meg is mutathatja, majd kérdést tehet fel róla. A támogatott bemeneti formák és a válasz képességei a konkrét szolgáltatástól függenek.
Más elnevezések: multimodal search · képpel és szöveggel keresés
Röviden
- A multimodális keresés több információs formát kapcsol össze.
- Egy kép és a hozzá fűzött kérdés együtt pontosíthatja a feladatot.
- A vizuális felismerés és a válasz ténybeli helyessége külön is ellenőrizendő.
Ezen az oldalon

Mit jelent a többféle bemenet?
Egy szöveges keresésben szavakkal írjuk le a feladatot. Multimodális helyzetben kép, hang vagy más támogatott forma is szerepet kaphat. Különösen hasznos lehet, amikor a felhasználó látja a keresett tárgyat, de nem ismeri a pontos nevét, vagy a látványhoz kapcsolódó feltételre kíváncsi.
Nem minden többféle médiát megjelenítő oldal multimodális kereső. A fogalom itt arra utal, hogy a keresési feladat értelmezésében több információs forma vesz részt. Egy fotó melletti szöveges kérdés más információt adhat, mint a fotó vagy a kérdés külön-külön.
Hogyan pontosítja egymást a kép és a szöveg?
A kép megmutathat alakot, elrendezést vagy látható részletet. A hozzá írt kérdés pedig kijelöli, mire vagy kíváncsi: megnevezésre, összehasonlításra, hasonló tárgyra vagy magyarázatra. Ugyanaz a fotó több különböző feladat kiindulópontja lehet.
A Google AI Mode multimodális bemutatója a képpel kiegészített kérdezést példázza. A prompt ebben a helyzetben nemcsak egy önálló szöveges mondat: a képhez kapcsolódó kérés együtt alakítja a feladatot. A pontosítás nem garantálja, hogy a rendszer minden apró részletet jól ismer fel.
Példa: egy ismeretlen bútorvasalat
Egy képzeletbeli bútorkészítő fényképet készít egy régi szekrény vasalatáról, és azt kérdezi, milyen típushoz hasonlít. A kép segíthet az alak felismerésében. A következő kérdéshez viszont már fontos lehet a méret, a furattávolság és a terhelés, amely nem feltétlenül állapítható meg a fotóból.
A keresés így adhat kiinduló megnevezéseket vagy ellenőrizendő lehetőségeket. A tényleges cserealkatrész kiválasztásához azonban a méreteket és a gyártói adatot is össze kell vetni. A példa szemléltető, nem alkatrész-ajánlás és nem konkrét keresőrendszer pontosságának bizonyítéka.
A helyzet jól mutatja a kép erejét és korlátját: látható tulajdonságot adhat át, de a nem látható műszaki adatot nem teszi automatikusan ismertté.
Miben más, mint a képkeresés vagy az AI-keresés?
A képkeresés gyakran képi találatok megtalálására vagy hasonló képek keresésére irányul. A multimodális keresésben a kép egy összetettebb kérdés része is lehet. Az AI-keresés ennél tágabb fogalom, és működhet kizárólag szöveges bemenettel is.
A Google AI Mode egy konkrét termékpélda, nem a teljes fogalom szinonimája. A támogatott formák és az elérhető funkciók változhatnak. Egy általános magyarázatban ezért érdemes a működési elvet elkülöníteni az adott termék pillanatnyi gombjaitól és korlátaitól.
Mit jelent ez a webhely képeinek?
A kép érthető kapcsolatban álljon a környező tartalommal, és kapjon a szerepéhez illő alternatív szöveget. A jól megválasztott kép egy tényleges részletet mutat meg, a képaláírás pedig tisztázza, mit kell rajta észrevenni. A helyettesítő szöveg az adott kép tartalmát és szerepét írja le, nem kulcsszóhalmozásra szolgál.
Egy illusztrációt ne kezelj termékfotóként vagy mérési bizonyítékként. Ha szemléltető, ezt a szerepét a szöveg is tükrözze. A jó képi anyag az olvasót segíti a megértésben; önmagában nem biztosít megjelenést egy multimodális kereső válaszában.
Hogyan ellenőrizd a kapott eredményt?
Válaszd külön a felismerést és a következtetést. Először nézd meg, valóban azt a tárgyat vagy részletet azonosította-e a rendszer, amelyet mutattál. Utána ellenőrizd, hogy a kapcsolódó állítások megfelelő forrásból származnak-e, és ugyanarra a változatra vonatkoznak-e.
Az összetett kérés részkérdésekre bontása többféle forrást hozhat a válaszhoz. Ettől még a hiányzó adat hiányzó adat marad. Ha a kép alapján nem dönthető el egy fontos tulajdonság, azt további információval kell tisztázni, nem a válasz magabiztosságából következtetni rá.
Videós tartalomnál a videó-SEO külön vizsgálja a lejátszható videó, az indexelhető oldal és a szükséges leíró adatok kapcsolatát. Egy videó beágyazása önmagában nem biztosítja, hogy a kereső videós találatként is megjeleníti az oldalt.