Как проверять контент, созданный нейросетью?

Хотите послушать историю, как однажды мы проверяли 5000 текстов с поздравлениями, сгенерированных нейросетью? Вручную!

Мурашки побежали? 😁

Если честно, на деле все оказалось не таким страшным — в запасе у нас имелась пара трюков. Каких, сейчас расскажу.

Техническое задание звучало так: нужен пул коротких новогодних поздравлений для широкой аудитории. Каждое поздравление должно быть вычитано копирайтером, конечный текст — получиться осмысленным, емким и без «воды». Вроде бы обычные требования, однако, учитывая количество текстов, задачка получилась со звездочкой.

Для наглядности покажу на цифрах.

В среднем, на вычитку текста у нас уходила минута. Умножим на количество текстов, получаем: 5000 минут или 84 часа или почти 11 полноценных рабочих дней. Причем наполненных чтением одного и того же текста, с незначительными вариациями. Копирайтерский ад, не меньше, а дедлайн уже через 2 дня.

Нанимать штат редакторов из 5-6 человек времени не было (даже на поиск), поэтому мы прибегли к некоторым машинным хитростям — воспользовались помощью искусственного интеллекта (ИИ).

Несмотря на то что адепты мистификации пророчат нейросетям захват мира и всеобщий апокалипсис, языковые модели — очень простые ребята. И заточены делать одну функцию — предсказывать следующее слово по контексту. Под капотом у них, конечно, запрятано множество переменных, но алгоритм простой. Хотя и позволяет делать огромное количество вещей: создание тестов, переводы, ответы на вопросы, редактирование. Этим может похвастать «великий и ужасный» ChatGPT или MLP сеть, примером которой он является.

Но, как говорится, не текстом единым, задачи меряются, и в работе могут пригодиться и другие сети:

Или «нейроглаза». Специализируются на обработке визуальной информации: круто распознают образы (движение, лица), из-за чего широко применяются в компьютерном зрении. Например, система безопасности с использованием видеокамер.

Хранители времени. Если задача требует учёта последовательности данных, RNN в игре. Подходят для обработки текста, речи или временных рядов.

Например, Generative Adversarial Networks (GAN) — для генерации визуального контента (фотографии, картинки). Все эти: Midjourney, DALL·E 2, DeepAI, Шедеврум и другие плюшки для дизайнеров.

Еще один представитель специализированных архитектур — Reinforcement Learning (RL), для обучения роботов. Но это уже больше хардкор.

Обычный голосовой помощник, который переводит речь на разные языки и учится на предыдущих разговорах.

Какого нейропомощника выбрать будет зависеть от конкретной задачи. Наш кейс с новогодними поздравлениями отлично решался с помощью чат-бота ChatGPT.

Многие представляют ChatGPT как нечто волшебное — нажимаешь кнопку, и «вжух», все проблемы решены сверхразумом.

Однако на практике все работает по-другому. Кнопка есть, но чтобы получить толковый результат, нужно постараться. Как говорится, без внятного ТЗ (техническое задание), даже нейросеть не справится. 😄 Нужно грамотно сформировать prompt (промпт), запрос к модели.

В нашем случае все тексты мы генерили по общему шаблону.

Какие правила мы использовали:

1. Четко формулировали задачу. Тут нужна ясность и конкретика.

Надо писать так, будто даешь четкое задание сотруднику. Предложения должны быть короткими, без двусмысленности или слишком общих вопросов. Тогда ответы получатся точнее.

В нашем кейсе нейросеть обращалась к читателям на “вы”, чтобы убрать половую принадлежность. Меньше вариантов выбора — меньше возможности ошибиться (прямо как на ЕГЭ по русскому).

2. Указали желаемый формат ответа.

В промпте надо строго прописывать, какой формат ответа нужен. Это может быть список, пожелание, короткое название или как в нашем случае — предсказание.

3. Чтобы не получить «воду», ограничили контекст.

4. Использовали примеры.

Чтобы ИИ лучше понял запрос, желательно объяснять все подробно, «на пальцах», и накидать примеров. Чем больше, тем качественнее результат.

Вот что у нас получилось по итогу:

Если ответы модели вышли не такими исчерпывающими, как хотелось, переформулируйте промпт или уточните запрос. Укажите на недостатки и попросите нейросеть их исправить. Можете генерировать снова и снова, пока результат вас не устроит.

В итоге нейросеть выдала нам 5000 поздравлений в нужном формате. Даже при условии четкого ТЗ оставлять тексты в неизменном виде было нельзя — требовалась проверка на адекватность. Чтобы не вычитывать весь текст, на этапе генерации большую часть предсказаний мы сделали плюс-минус одинаковыми. Оставалось лишь найти часто встречающиеся ошибки.

Трюки, которые мы использовали:

Несмотря на шаблон, познакомиться с полученными текстами надо было все равно. Мы выбрали 20% из общего числа и вычитали их.

Если находили повторяющиеся конструкции или слова, меняли их во всех текстах автозаменой. Так, мы проработали около 70% текста.

Например: слово «заботливость», меняли на заботу, так как первое — это склонность проявлять заботу, а нам нужны были характеристики качества. «Консерватизм» заменили на «консервативность» и все в таком духе.

Чтобы убрать из текста запрещенные слова, мы сформировали для ChatGPT своеобразный черный список, который исключал их использование.

Выполнение данного кейса стало для нас интересным этапом в работе с нейросетью. С ее помощью мы уложились в срок, не сошли с ума от триллиона «букавок», и, главное, заказчик остался доволен.

Как видите, в коллабе с этими моделями работается неплохо — оптимизируются идеи, время, персонал. Кому это может помочь? Всем, кто генерит контент. Что можно создать? Да что угодно: нейминг, письма для рассылок, УТП для бизнеса, любое текстовое и визуальное наполнение. При умелом использовании, возможности ИИ безграничны. Кстати, название этой статьи нам тоже сгенерировал ИИ, неплохо, да.😎

Какие выводы мы сделали для себя и хотели бы поделиться с теми, кто хочет и планирует использовать нейросети в работе:

Поделитесь в комментариях, был ли у вас опыт работы с нейросетями и как все прошло. Если появились вопросы, задавайте. С радостью ответим.😉