This media is not supported in your browser
VIEW IN TELEGRAM
⬆️ Это я наслушалась советов из Интернета и пытаюсь относиться к ИИ как к джуну-человеку.
Результат — примерно как на видео. Хотя, будем честны, у всех нас поначалу случались именно такие первые рабочие дни.
Но есть одно важное отличие. Мы учимся.
ИИ, конечно, тоже. Но это не отменяет того, что в самый ответственный момент он может забыть важное правило, вернуть запрещённую формулировку или переиначить вводные на свой лад.
Почему так происходит?
Модель не формирует устойчивого понимания проекта, как человек. При каждой генерации она заново собирает задачу из доступного ей контекста: текущего запроса, предыдущих сообщений, примеров и инструкций.
Чем больше всего накапливается, тем сложнее становится эта конструкция. Старые правила соседствуют с новыми правками, общие требования — с замечаниями к одному конкретному тексту. И модель каждый раз заново решает, что из этого важнее и как всё это связано между собой.
Поэтому даже правило, которое вы уже несколько раз обсуждали, может потеряться среди других вводных или получить неожиданную интерпретацию.
В итоге при работе в чатовых моделях контекст приходится регулярно собирать и передавать заново.
Джунам, конечно, тоже иногда нужно что-то повторить. Но всё-таки не в таких масштабах :)
Сталкивались с такой проблемой? Как решали?
Алина,
Head of Content iGamingTextLab
Результат — примерно как на видео. Хотя, будем честны, у всех нас поначалу случались именно такие первые рабочие дни.
Но есть одно важное отличие. Мы учимся.
ИИ, конечно, тоже. Но это не отменяет того, что в самый ответственный момент он может забыть важное правило, вернуть запрещённую формулировку или переиначить вводные на свой лад.
Почему так происходит?
Модель не формирует устойчивого понимания проекта, как человек. При каждой генерации она заново собирает задачу из доступного ей контекста: текущего запроса, предыдущих сообщений, примеров и инструкций.
Чем больше всего накапливается, тем сложнее становится эта конструкция. Старые правила соседствуют с новыми правками, общие требования — с замечаниями к одному конкретному тексту. И модель каждый раз заново решает, что из этого важнее и как всё это связано между собой.
Поэтому даже правило, которое вы уже несколько раз обсуждали, может потеряться среди других вводных или получить неожиданную интерпретацию.
В итоге при работе в чатовых моделях контекст приходится регулярно собирать и передавать заново.
Джунам, конечно, тоже иногда нужно что-то повторить. Но всё-таки не в таких масштабах :)
Сталкивались с такой проблемой? Как решали?
Алина,
Head of Content iGamingTextLab
😁5❤3⚡1🤝1
Как заставить ИИ запоминать правила проекта и не искажать их со временем?
Это был один из первых вопросов, которые мы решали на уровне архитектуры, когда собирали инструмент под наш Human-Assisted AI.
Проблема знакома всем, кто много работает с моделями: и в массмаркетных ИИ, и в кастомных инструментах. Со временем модель начинает трактовать правила проекта по-своему или терять их. А когда требования дорабатываются по ходу, становится хуже: в одном растущем чате самая свежая правка стоит ближе всего к генерации и по факту перевешивает, даже если по важности она второстепенна. Модель читает её как уточнение, а не как дополнение. Новое требование молча продавливает старое, более значимое.
Корень в том, где эти правила живут. Если они лежат в истории переписки, модель каждый раз собирает картину проекта заново из растущего контекста сообщений и достраивает пробелы своим дефолтом (каким — всегда сюрприз). При этом внимание модели распределяется неравномерно: в приоритете начало и конец контекста, а середина проваливается.
То есть правило, брошенное в чат десятым сообщением из шестидесяти, попадет в мёртвую зону. А когда чат становится слишком длинным, история сжимается, и правило не просто теряет вес, а сохраняется лишь в пересказе, тогда как часто нам нужны именно дословные формулировки.
К тому же, часто сами того не замечая, мы даем противоречащие друг другу инструкции. Получается что то вроде:
а потом где-то добавим:
И еще в каком-нибудь контексте:
В итоге у регулятора там будет два слова, и никаких абзацев мы не получим. Либо получим нечто среднее.
Чинить это руками можно ровно одним способом: каждый раз прописывать всё заново, от редполитики до последних правок клиента. Много ручной работы, и при масштабировании такую схему ждёт коллапс. Автоматизацию мы затевали ради обратного.
Поэтому в нашем внутреннем инструменте генерации Редполитика (Editorial Policy) вынесена в отдельный слой.
Ключевая мысль: бриф, ресёрч, голос и правила проекта — это разные типы информации с разным сроком жизни, и держать их в одном промпте ошибочно. Мы разводим их по отдельным полям:
— Brief описывает конкретный материал и живёт один текст;
— Research даёт фактическую базу на сейчас;
— Tone of Voice и персона задают голос;
— Editorial Policy хранит постоянные редакционные правила целого проекта и переживает каждый материал.
По ходу работы требования проекта дополняются. Клиент оставляет новые комментарии, а редактор отделяет разовые замечания от общих и добавляет в Editorial Policy только те правки, которые должны учитываться в следующих материалах.
Так, знания о проекте не остаются внутри отдельного чата. Они хранятся в системе, обновляются по мере работы и заново передаются модели при работе над каждым новым материалом.
На небольшом объёме это избавляет команду от постоянного повторения одних и тех же вводных. На сотнях и тысячах материалов помогает удерживать единые редакционные требования.
Правда, остаётся ещё одна проблема: наличие правила в контексте не гарантирует, что модель его выполнит. О том, как мы проверяем результат, расскажу отдельно.
Кстати, скоро будут первые отзывы по нашему новому сервису:)
Если хотите попробовать бесплатно, набор ещё открыт 👉 @igamingtextbot
Вова,
Founder iGamingTextLab
Это был один из первых вопросов, которые мы решали на уровне архитектуры, когда собирали инструмент под наш Human-Assisted AI.
Проблема знакома всем, кто много работает с моделями: и в массмаркетных ИИ, и в кастомных инструментах. Со временем модель начинает трактовать правила проекта по-своему или терять их. А когда требования дорабатываются по ходу, становится хуже: в одном растущем чате самая свежая правка стоит ближе всего к генерации и по факту перевешивает, даже если по важности она второстепенна. Модель читает её как уточнение, а не как дополнение. Новое требование молча продавливает старое, более значимое.
Корень в том, где эти правила живут. Если они лежат в истории переписки, модель каждый раз собирает картину проекта заново из растущего контекста сообщений и достраивает пробелы своим дефолтом (каким — всегда сюрприз). При этом внимание модели распределяется неравномерно: в приоритете начало и конец контекста, а середина проваливается.
То есть правило, брошенное в чат десятым сообщением из шестидесяти, попадет в мёртвую зону. А когда чат становится слишком длинным, история сжимается, и правило не просто теряет вес, а сохраняется лишь в пересказе, тогда как часто нам нужны именно дословные формулировки.
К тому же, часто сами того не замечая, мы даем противоречащие друг другу инструкции. Получается что то вроде:
"Абзац про лицензию напиши максимально подробно"
а потом где-то добавим:
"Не делай абзацы больше 50 слов"
И еще в каком-нибудь контексте:
"Лицензию напиши в точности, как написано у регулятора"
В итоге у регулятора там будет два слова, и никаких абзацев мы не получим. Либо получим нечто среднее.
Чинить это руками можно ровно одним способом: каждый раз прописывать всё заново, от редполитики до последних правок клиента. Много ручной работы, и при масштабировании такую схему ждёт коллапс. Автоматизацию мы затевали ради обратного.
Поэтому в нашем внутреннем инструменте генерации Редполитика (Editorial Policy) вынесена в отдельный слой.
Ключевая мысль: бриф, ресёрч, голос и правила проекта — это разные типы информации с разным сроком жизни, и держать их в одном промпте ошибочно. Мы разводим их по отдельным полям:
— Brief описывает конкретный материал и живёт один текст;
— Research даёт фактическую базу на сейчас;
— Tone of Voice и персона задают голос;
— Editorial Policy хранит постоянные редакционные правила целого проекта и переживает каждый материал.
По ходу работы требования проекта дополняются. Клиент оставляет новые комментарии, а редактор отделяет разовые замечания от общих и добавляет в Editorial Policy только те правки, которые должны учитываться в следующих материалах.
Так, знания о проекте не остаются внутри отдельного чата. Они хранятся в системе, обновляются по мере работы и заново передаются модели при работе над каждым новым материалом.
На небольшом объёме это избавляет команду от постоянного повторения одних и тех же вводных. На сотнях и тысячах материалов помогает удерживать единые редакционные требования.
Правда, остаётся ещё одна проблема: наличие правила в контексте не гарантирует, что модель его выполнит. О том, как мы проверяем результат, расскажу отдельно.
Кстати, скоро будут первые отзывы по нашему новому сервису:)
Если хотите попробовать бесплатно, набор ещё открыт 👉 @igamingtextbot
Вова,
Founder iGamingTextLab
✍4❤2🔥2👏1
🔍 Рубрика — FAQ о Human-Assisted AI
Отвечает наша любимая Head of Content — Алина, которая стояла у истоков создания инструмента.
Задавайте ещё вопросы в комментариях — на всё постараемся ответить :)
Почему мы не даем в открытый доступ наш инструмент, а продаем как услугу?
Отвечает наша любимая Head of Content — Алина, которая стояла у истоков создания инструмента.
Задавайте ещё вопросы в комментариях — на всё постараемся ответить :)
🔥4❤2
This media is not supported in your browser
VIEW IN TELEGRAM
❤7🙏2
This media is not supported in your browser
VIEW IN TELEGRAM
🔥6👍5🤡1
🔥 Клиенты прислали первые результаты по страницам с контентом от Human-Assisted AI
Самая ранняя тестовая группа поделилась с нами вот такими скринами. GEO: Индия, Греция и Венгрия.
Все проекты на скринах успешно пережили июньский Google Update 🎉
Сейчас у разных клиентов страницы набирают показы, клики и органический трафик. В одном из проектов материалы начали расти практически с нуля, в другом уже принесли 416 кликов при CTR 14,7%.
Причём всё это происходит в период заметной турбулентности поисковой выдачи. Для нас это хороший сигнал, что выбранный подход работает.
Спасибо всем, кто доверился протестировать Human-Assisted AI одним из первых ❤️
Сейчас готовы взять ещё несколько страниц на бесплатный тест.
Пишите 👉 @igamingtextbot
Самая ранняя тестовая группа поделилась с нами вот такими скринами. GEO: Индия, Греция и Венгрия.
Все проекты на скринах успешно пережили июньский Google Update 🎉
Сейчас у разных клиентов страницы набирают показы, клики и органический трафик. В одном из проектов материалы начали расти практически с нуля, в другом уже принесли 416 кликов при CTR 14,7%.
Причём всё это происходит в период заметной турбулентности поисковой выдачи. Для нас это хороший сигнал, что выбранный подход работает.
Спасибо всем, кто доверился протестировать Human-Assisted AI одним из первых ❤️
Сейчас готовы взять ещё несколько страниц на бесплатный тест.
Пишите 👉 @igamingtextbot
❤5👍5🔥5🤡2
🇷🇸 У iGamingTextLab с Сербией особая связь: здесь живёт значительная часть наших ключевых сотрудников.
И в последнее время мы всё чаще получаем от людей из нашей индустрии вопросы о местном рынке труда: кого нанимать, сколько платить сотрудникам и как перевезти команду.
Поэтому на основе обзора LENKEP мы подготовили материал с главными фактами о релокации бизнеса в Сербию.
➡️ Полный обзор «Переезжаем в Сербию. Обзор заработных плат и рынка труда для iGaming, FinTech и Affiliate от LENKEP» можно бесплатно скачать ТУТ.
Переходите и изучайте — внутри много полезных данных и практических рекомендаций.
И в последнее время мы всё чаще получаем от людей из нашей индустрии вопросы о местном рынке труда: кого нанимать, сколько платить сотрудникам и как перевезти команду.
Поэтому на основе обзора LENKEP мы подготовили материал с главными фактами о релокации бизнеса в Сербию.
Переходите и изучайте — внутри много полезных данных и практических рекомендаций.
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
❤5👍4🔥4🤡1
А помните старые добрые времена, когда ТЗ можно было верить?
Конечно, бывали разные казусы, но они случались редко, были понятны и решались за пять минут.
А потом появился ИИ. "И восстали машиныиз пепла ядерного огня, и пошла война на уничтожение нормальных ТЗ" 🤡
Теперь наш обычный рабочий день выглядит так:
— Здравствуйте, присылаю вам ТЗ
— Здравствуйте, принимаем в работу. Постойте, но такого сайта не существует. А ещё вы говорите, что нужно подробно описать раздел «Покер», которого на сайте нет. Хулио Иглесиас почему-то указан как лицо этого казино, хотя это неправда. И лицензия в ТЗ одна, а на сайте регулятора — другая. Можете, пожалуйста, уточнить, о чём нам всё-таки нужно писать?
Мы и раньше перепроверяли факты. Но если раньше клиентское ТЗ обычно можно было использовать как надёжную отправную точку, то теперь сначала приходится проверять уже его. А затем выяснять, что было реальным требованием проекта, а что модель нашла, придумала или перепутала.
В результате огромное количество времени уходит на фактчекинг входных данных и дополнительную коммуникацию с клиентом.
А теперь представьте, сколько таких ТЗ просто уходят в работу без проверки. Ведь не все работают с редакторами/копирайтерами. А ещё представьте, какие тексты по ним получаются.
Вообще, получается любопытный парадокс.
Чем больше неточной информации появляется в интернете, тем больше этой информации попадает в генеренный контент.
А чем больше ее оказывается в генерации, тем важнее становится человеческая проверка. Ведь кто-то же должен писать хорошие тексты с корректными данными и попадать в топы 😎
Алина,
Head of Content iGamingTextLab
Конечно, бывали разные казусы, но они случались редко, были понятны и решались за пять минут.
А потом появился ИИ. "И восстали машины
Теперь наш обычный рабочий день выглядит так:
— Здравствуйте, присылаю вам ТЗ
— Здравствуйте, принимаем в работу. Постойте, но такого сайта не существует. А ещё вы говорите, что нужно подробно описать раздел «Покер», которого на сайте нет. Хулио Иглесиас почему-то указан как лицо этого казино, хотя это неправда. И лицензия в ТЗ одна, а на сайте регулятора — другая. Можете, пожалуйста, уточнить, о чём нам всё-таки нужно писать?
Мы и раньше перепроверяли факты. Но если раньше клиентское ТЗ обычно можно было использовать как надёжную отправную точку, то теперь сначала приходится проверять уже его. А затем выяснять, что было реальным требованием проекта, а что модель нашла, придумала или перепутала.
В результате огромное количество времени уходит на фактчекинг входных данных и дополнительную коммуникацию с клиентом.
А теперь представьте, сколько таких ТЗ просто уходят в работу без проверки. Ведь не все работают с редакторами/копирайтерами. А ещё представьте, какие тексты по ним получаются.
Вообще, получается любопытный парадокс.
Чем больше неточной информации появляется в интернете, тем больше этой информации попадает в генеренный контент.
А чем больше ее оказывается в генерации, тем важнее становится человеческая проверка. Ведь кто-то же должен писать хорошие тексты с корректными данными и попадать в топы 😎
Алина,
Head of Content iGamingTextLab
🔥5✍2🤔2
Media is too big
VIEW IN TELEGRAM
Кстати, по поводу "восстания из пепла ядерного огня" — решила освежить в памяти цитату и посмотреть оригинал.
Однако. Действие первой сцены происходит в 2029 году 🌚
Короче, надо продержаться 3 года до возвращения старого доброго SEO :)
👻 — кнопка для переписи олдов тут
Однако. Действие первой сцены происходит в 2029 году 🌚
Короче, надо продержаться 3 года до возвращения старого доброго SEO :)
👻 — кнопка для переписи олдов тут
👻4😎3❤1
Audit в Human-Assisted AI: как проверить, какие требования ИИ действительно выполнил?
В одном из предыдущих постов я рассказывал про Editorial Policy: клиент загружает редполитику, а мы подключаем её к каждому новому проекту.
Только мы уже выяснили, что наличие правил в контексте ещё не означает, что модель соблюдёт каждое из них. Одно требование она может пропустить, другое понять слишком широко, а третьим пожертвовать ради более связного текста.
Когда мы проектировали Human-Assisted AI, я довольно быстро упёрся в практический вопрос: что должен увидеть редактор после генерации?
Абстрактная оценка вроде «качество текста — 65 из 100» здесь бесполезна. Она не объясняет, где находится проблема, почему система снизила балл и что теперь исправлять.
Поэтому мы сделали отдельный Audit, который запускается после генерации и проверяет текст по шести группам маркеров: фактическая точность, соответствие ключам, E-E-A-T, требования конкретного GEO и языка, качество контента и типичные ИИ-паттерны
На выходе редактор получает отчёт с конкретными фрагментами текста. Не просто «есть проблемы со стилем», а, например:
— три последовательных предложения одинаковой длины;
— одно и то же утверждение повторяется в нескольких разделах;
— заявленная лицензия не подтверждается;
— ключ отсутствует в нужной части страницы;
— в тексте для Бразилии используется информация или формулировка для другого рынка.
У каждого пункта есть статус, пояснение и цитата из материала. Редактор сразу видит, что именно не прошло проверку и где находится проблема.
Но Audit всё равно не заменяет человека.
Система может слишком буквально применить правило или выдать false positive. Например, пометить лицензию как неподтверждённую, потому что в собранных данных нет ссылки на реестр регулятора, хотя сама лицензия существует. Возможна и обратная ситуация: несколько вторичных источников повторяют одно и то же устаревшее значение, и автоматическая проверка не видит причины ему не доверять.
В таких случаях оператор возвращается к первоисточнику, проверяет контекст и решает, действительно ли текст нужно исправить.
Контроль человека и Audit закрывают разные участки процесса. Оператор проверяет промежуточные результаты и не даёт ошибке перейти из ресёрча в структуру, а затем в текст. Audit системно прогоняет уже готовый материал по заданным критериям. Финальное решение принимает человек.
Естественность языка, локальные речевые нормы и конструкции, которые формально правильны, но не используются носителями, — уже другой уровень проверки. Для этого подключаем вычитку нейтивами+LQA.
Хотите попробовать Human-Assisted AI на своих задачах? Пишите в бот 👉 @igamingtextbot
Владимир,
Founder iGamingTextLab
В одном из предыдущих постов я рассказывал про Editorial Policy: клиент загружает редполитику, а мы подключаем её к каждому новому проекту.
Только мы уже выяснили, что наличие правил в контексте ещё не означает, что модель соблюдёт каждое из них. Одно требование она может пропустить, другое понять слишком широко, а третьим пожертвовать ради более связного текста.
Когда мы проектировали Human-Assisted AI, я довольно быстро упёрся в практический вопрос: что должен увидеть редактор после генерации?
Абстрактная оценка вроде «качество текста — 65 из 100» здесь бесполезна. Она не объясняет, где находится проблема, почему система снизила балл и что теперь исправлять.
Поэтому мы сделали отдельный Audit, который запускается после генерации и проверяет текст по шести группам маркеров: фактическая точность, соответствие ключам, E-E-A-T, требования конкретного GEO и языка, качество контента и типичные ИИ-паттерны
На выходе редактор получает отчёт с конкретными фрагментами текста. Не просто «есть проблемы со стилем», а, например:
— три последовательных предложения одинаковой длины;
— одно и то же утверждение повторяется в нескольких разделах;
— заявленная лицензия не подтверждается;
— ключ отсутствует в нужной части страницы;
— в тексте для Бразилии используется информация или формулировка для другого рынка.
У каждого пункта есть статус, пояснение и цитата из материала. Редактор сразу видит, что именно не прошло проверку и где находится проблема.
Но Audit всё равно не заменяет человека.
Система может слишком буквально применить правило или выдать false positive. Например, пометить лицензию как неподтверждённую, потому что в собранных данных нет ссылки на реестр регулятора, хотя сама лицензия существует. Возможна и обратная ситуация: несколько вторичных источников повторяют одно и то же устаревшее значение, и автоматическая проверка не видит причины ему не доверять.
В таких случаях оператор возвращается к первоисточнику, проверяет контекст и решает, действительно ли текст нужно исправить.
Контроль человека и Audit закрывают разные участки процесса. Оператор проверяет промежуточные результаты и не даёт ошибке перейти из ресёрча в структуру, а затем в текст. Audit системно прогоняет уже готовый материал по заданным критериям. Финальное решение принимает человек.
Естественность языка, локальные речевые нормы и конструкции, которые формально правильны, но не используются носителями, — уже другой уровень проверки. Для этого подключаем вычитку нейтивами+LQA.
Хотите попробовать Human-Assisted AI на своих задачах? Пишите в бот 👉 @igamingtextbot
Владимир,
Founder iGamingTextLab
❤5🔥4🦄2🐳1
🔥 Тренды июня–июля по нашим проектам
1. Шквал редактуры и переписанные ТЗ
Всё в мире стремительно меняется, а некоторые вещи остаются неизменными. Например, вал задач на редактуру после очередного апдейта.
Сценарий уже знакомый: компании масштабируют производство контента с помощью ИИ, тексты некоторое время успешно держатся в выдаче, а после апдейта часть страниц теряет позиции и требует серьёзной доработки. Впрочем, ничего нового :)
Апдейт также повлёк за собой массовый пересмотр ТЗ у разных клиентов. Причём некоторые решили переписать их с помощью ИИ. Почему это не всегда удачная идея, мы уже рассказывали вот здесь.
2. Самые популярные GEO по заказам
🥇 Венгрия, Германия, Греция и LATAM
🥈 Румыния, Швейцария, Австрия и Бангладеш
3. Вычитка машинных переводов
Ещё один странный тренд — возвращение постредактуры машинного перевода 🫣
И если в европейских языках последствия машинного перевода ещё можно относительно быстро распознать и исправить, то в корейских и японских текстах иногда невозможно понять, что вообще хотел сказать автор.
Поэтому предостерегаем всех от подобных экспериментов. Вычитка машинного перевода нередко превращается в попытку восстановить исходный смысл, а затем фактически перевести текст заново.
Даша,
CMO iGamingTextLab
1. Шквал редактуры и переписанные ТЗ
Всё в мире стремительно меняется, а некоторые вещи остаются неизменными. Например, вал задач на редактуру после очередного апдейта.
Сценарий уже знакомый: компании масштабируют производство контента с помощью ИИ, тексты некоторое время успешно держатся в выдаче, а после апдейта часть страниц теряет позиции и требует серьёзной доработки. Впрочем, ничего нового :)
Апдейт также повлёк за собой массовый пересмотр ТЗ у разных клиентов. Причём некоторые решили переписать их с помощью ИИ. Почему это не всегда удачная идея, мы уже рассказывали вот здесь.
2. Самые популярные GEO по заказам
🥇 Венгрия, Германия, Греция и LATAM
🥈 Румыния, Швейцария, Австрия и Бангладеш
3. Вычитка машинных переводов
Ещё один странный тренд — возвращение постредактуры машинного перевода 🫣
И если в европейских языках последствия машинного перевода ещё можно относительно быстро распознать и исправить, то в корейских и японских текстах иногда невозможно понять, что вообще хотел сказать автор.
Поэтому предостерегаем всех от подобных экспериментов. Вычитка машинного перевода нередко превращается в попытку восстановить исходный смысл, а затем фактически перевести текст заново.
Даша,
CMO iGamingTextLab
❤5🔥3😁1
This media is not supported in your browser
VIEW IN TELEGRAM
☝🏻 Anthropic оказалась в центре скандала из-за своих неэтичных попыток предотвратить коллапс модели
В своей погоне за 100% человеческими текстами, компания скупает редкие издания и уничтожает книги в рамках производственной эффективности.
Это, конечно, очень печально. Но нас, как контенщиков, тут интересует другое — сам факт того, что на 100% человеческие тексты объявлена охота.
Мы часто обсуждаем эту тему в своём кругу, и все согласны с тем, что ценность человеческого контента со временем возрастет. И эта новость подтверждает наш тейк.
Зачем ИИ-компаниям понадобились бумажные книги, когда в интернете и так миллиарды страниц?
Потому что интернет стремительно заполняется синтетическим контентом. Модели генерируют статьи, их публикуют на сайтах, а затем используют для обучения следующих моделей.
В итоге ИИ всё чаще учится на текстах, которые ранее создал другой ИИ. Вместе с ними он наследует шаблоны, ошибки и упрощения, а редкие идеи и языковые конструкции постепенно теряются. В исследованиях этот риск называют model collapse.
Старые книги в этом смысле почти идеальный датасет. Они гарантировано написаны людьми, содержат длинные смысловые связи, разнообразные стили и информацию, которой может не быть в открытом интернете. А ещё они прошли редактуру — сегодня это, видимо, уже отдельное конкурентное преимущество :)
В общем, наши прогнозы такие: со временем реальный человеческий опыт, облаченный в нормальные человеческие слова, станет на вес золота и огромной конкурентным преимуществом в производстве контента. Вне зависимости от ниши.
А вы как думаете?
Даша,
CMO iGamingTextLab
В своей погоне за 100% человеческими текстами, компания скупает редкие издания и уничтожает книги в рамках производственной эффективности.
Это, конечно, очень печально. Но нас, как контенщиков, тут интересует другое — сам факт того, что на 100% человеческие тексты объявлена охота.
Мы часто обсуждаем эту тему в своём кругу, и все согласны с тем, что ценность человеческого контента со временем возрастет. И эта новость подтверждает наш тейк.
Зачем ИИ-компаниям понадобились бумажные книги, когда в интернете и так миллиарды страниц?
Потому что интернет стремительно заполняется синтетическим контентом. Модели генерируют статьи, их публикуют на сайтах, а затем используют для обучения следующих моделей.
В итоге ИИ всё чаще учится на текстах, которые ранее создал другой ИИ. Вместе с ними он наследует шаблоны, ошибки и упрощения, а редкие идеи и языковые конструкции постепенно теряются. В исследованиях этот риск называют model collapse.
Старые книги в этом смысле почти идеальный датасет. Они гарантировано написаны людьми, содержат длинные смысловые связи, разнообразные стили и информацию, которой может не быть в открытом интернете. А ещё они прошли редактуру — сегодня это, видимо, уже отдельное конкурентное преимущество :)
В общем, наши прогнозы такие: со временем реальный человеческий опыт, облаченный в нормальные человеческие слова, станет на вес золота и огромной конкурентным преимуществом в производстве контента. Вне зависимости от ниши.
А вы как думаете?
Даша,
CMO iGamingTextLab
👍6❤2🤔2😱2
👀 Claude начал оставлять невидимые метки в сгенерированных текстах
Со 2 августа Anthropic внедряет машиночитаемую маркировку AI-контента. Для изображений и файлов используется C2PA, а в текст Claude встраивается невидимый watermark.
Причина довольно прозаичная: вступили в силу требования Article 50 EU AI Act о прозрачности AI-generated content.
При этом маркировка не обязательно означает, что текст написал ИИ. Человек может использовать чат-бот просто для редактуры, но след в тексте всё равно останется.
Anthropic сама предупреждает об этом: watermark показывает, что контент прошёл через Claude, но не позволяет определить, какую часть работы выполнил человек, а какую — модель.
Сама метка тоже не вечная: Anthropic пишет, что существенная переработка текста может её разрушить, а на коротких текстах определить её сложнее.
В общем, ИИ-чекеры — почти всё :)
Повлияют ли эти изменения на SEO — расскажете нам потом.
Источник: официальная документация Anthropic о маркировке AI-generated content.
Со 2 августа Anthropic внедряет машиночитаемую маркировку AI-контента. Для изображений и файлов используется C2PA, а в текст Claude встраивается невидимый watermark.
Причина довольно прозаичная: вступили в силу требования Article 50 EU AI Act о прозрачности AI-generated content.
При этом маркировка не обязательно означает, что текст написал ИИ. Человек может использовать чат-бот просто для редактуры, но след в тексте всё равно останется.
Anthropic сама предупреждает об этом: watermark показывает, что контент прошёл через Claude, но не позволяет определить, какую часть работы выполнил человек, а какую — модель.
Сама метка тоже не вечная: Anthropic пишет, что существенная переработка текста может её разрушить, а на коротких текстах определить её сложнее.
В общем, ИИ-чекеры — почти всё :)
Повлияют ли эти изменения на SEO — расскажете нам потом.
Источник: официальная документация Anthropic о маркировке AI-generated content.
🤔4👍3🔥2🤯2
👾 Навигация по каналу
Давно не заглядывали на iGamingTextLab? Собрали обновлённую навигацию по самым полезным постам.
🔥 Human-Assisted AI — новый сервис iGamingTextLab
👉 Общий обзор сервиса: что это и зачем
Как это работает?
• Рисерч и сбор фактов
• Добавление редполитики
• Генерация от лица цифровой персоны
• Контроль человека+AI
Первые результаты:
• Пережили июньский апдейт
• Цифровые персоны помогли сайтам залететь
💼 Кейсы:
• 17k слов без правок на румынском
• Локализация 70 текстов под Польшу
• Точные прогнозы под ЧМ
• Прокачали affiliate-блог
• Увеличили аудиторию Telegram-канала
• Восстановили сайты после апдейта за 16 дней
• Команда под Филиппины с нуля
• Уберегли проект от локализационного кринжа
• Что нужно знать о контенте на арабском
🤖 AI и контент:
• ИИ-агент для мониторинга новостей
• Почему AI-чекеры не определят генеренку
• Может ли живой перевод превратить генеренку в human-written
• Стилистические ИИ-маркеры
• Определяем генеренку с помощью генеренки
• Что проверять в ИИ-текстах перед публикацией
• Список ридабилити-чекеров под разные ГЕО
🌍 Локализация и нейтивы:
• LQA: что это и как спасает переводы
• Ред-флаги в польском контенте
• Топ ошибок в локализации
• Глобал и локал подходы: в чём разница
• Почему ридабилити-чекеры ломаются на мультилингве
📋 Чек-листы, ТЗ и гайды:
• Гайд по созданию цифровых персонажей
• Как составить крутое ТЗ
• Как правильно локализировать бонусы
• Как быстро проверить качество текста
• Чек-лист по распознаванию AI
• Гайд: контент в аффилиатке при NDA
• Глоссарий по Польше
• Глоссарий по Румынии
• Чек-лист под Бразилию
🍸 Комьюнити и митапы:
• IGTL организовал первый митап в Белграде
• О чём говорили на митапе: кул-стори и выводы
🎁 Бонус — мы можем дать вам денег!
Как и за что: читайте тут.
Это лишь малая часть того, что мы написали за годы существования канала. Так что подписывайтесь и зовите друзей, чтобы не пропустить 😉
С любовью,
iGamingTextLab ❤️
Давно не заглядывали на iGamingTextLab? Собрали обновлённую навигацию по самым полезным постам.
🔥 Human-Assisted AI — новый сервис iGamingTextLab
👉 Общий обзор сервиса: что это и зачем
Как это работает?
• Рисерч и сбор фактов
• Добавление редполитики
• Генерация от лица цифровой персоны
• Контроль человека+AI
Первые результаты:
• Пережили июньский апдейт
• Цифровые персоны помогли сайтам залететь
💼 Кейсы:
• 17k слов без правок на румынском
• Локализация 70 текстов под Польшу
• Точные прогнозы под ЧМ
• Прокачали affiliate-блог
• Увеличили аудиторию Telegram-канала
• Восстановили сайты после апдейта за 16 дней
• Команда под Филиппины с нуля
• Уберегли проект от локализационного кринжа
• Что нужно знать о контенте на арабском
🤖 AI и контент:
• ИИ-агент для мониторинга новостей
• Почему AI-чекеры не определят генеренку
• Может ли живой перевод превратить генеренку в human-written
• Стилистические ИИ-маркеры
• Определяем генеренку с помощью генеренки
• Что проверять в ИИ-текстах перед публикацией
• Список ридабилити-чекеров под разные ГЕО
🌍 Локализация и нейтивы:
• LQA: что это и как спасает переводы
• Ред-флаги в польском контенте
• Топ ошибок в локализации
• Глобал и локал подходы: в чём разница
• Почему ридабилити-чекеры ломаются на мультилингве
📋 Чек-листы, ТЗ и гайды:
• Гайд по созданию цифровых персонажей
• Как составить крутое ТЗ
• Как правильно локализировать бонусы
• Как быстро проверить качество текста
• Чек-лист по распознаванию AI
• Гайд: контент в аффилиатке при NDA
• Глоссарий по Польше
• Глоссарий по Румынии
• Чек-лист под Бразилию
🍸 Комьюнити и митапы:
• IGTL организовал первый митап в Белграде
• О чём говорили на митапе: кул-стори и выводы
🎁 Бонус — мы можем дать вам денег!
Как и за что: читайте тут.
Это лишь малая часть того, что мы написали за годы существования канала. Так что подписывайтесь и зовите друзей, чтобы не пропустить 😉
С любовью,
iGamingTextLab ❤️
🔥2❤1