iGamingTextLab: Есть эффективный способ использовать ИИ в контенте!

Их подписчики с 2023 года: Какая ты двуличная, Раиса Васильевна...

😁

Галлюциногенные SEO-тексты с протухшей инфой — почему ИИ их выдаёт и как это прекратить?

Как ни странно, одна из причин: заранее собранная база. Тот самый случай, когда фича оборачивается багом.

Перед тем как делать наш Human-assisted AI, я много тестировал похожие продукты от конкурентов. И заметил вот какой паттерн: инструменты, которые опираются на заранее собранные базы, чаще выдают устаревшую информацию и смешивают между собой продукты.

Например, в одном из тестов модели с предсобранной RAG, у нас получился текст, который начинался с обзора одного слота и заканчивался обзором другого. Просто потому, что на предсобранных данных похожие сущности дают близкие эмбеддинги, и retrieval вытягивает в топ чанки от нескольких слотов сразу.

Технологически вроде все сделано верно, но если не вчитываться и опубликовать, гугл сломает глаза. А сайт уйдет в те самые 90% тех кто "не взлетело — значит, гугловский рандом, наклепаем еще 10".

Я довольно долго думал, что с этим делать.

Заранее собранная база — в принципе неправильная идея для iGaming, где всё может поменяться за несколько дней, и есть куча похожих до неузнаваемости продуктов. Полные и актуальные данные о конкретном продукте, которые включают в себя бонусы, платежи, библиотеку игр, лицензии, условия, ограничения по гео, всегда будут выигрывать при прочих равных.

К тому же, кто и как собирал эту базу? Корректно ли прошел парсинг, с каких источников? А если три источника будут давать разные значения атрибутов сущностей — какое попадет к нам? На каком этапе происходит реконсиляция?

На выходе получается а) старая, б) каша. Каким бы дальше ни был процесс генерации, кого мы хотим этим удивить? А если не хотим, то зачем мы здесь? :-)

Поэтому в нашем Human-assisted AI мы решили перенести основное внимание на стадию Data Research.

Как она работает у нас?

Под капотом несколько преднастроенных агентов по сбору источников: ИИ-парсер официального сайта бренда, парсер отдельно заданных страниц с условиями, распознавание скриншотов, и несколько других крутых дополнений. Все данные стекаются в Data Pool конкретной задачи.

Казалось бы, что такого? На рынке куча ии-агентов, которые одним нажатием кнопки бабло соберут все что нужно. Но есть нюансы, которые решают:

1) Входные страницы всегда задает оператор. Это гарантия того, что агент не начнет собирать инфу о CCTV {cable} slot вместо CCTV {casino} slot.

2) Наши авторы каждый день сталкиваются с тем, что самая уникальная и сладкая информация скрыта за регой. А рега это тот процесс, который сложно автоматизировать и масштабировать.

3) Зачастую часть данных живёт в виджетах, а не в тексте страницы. Это влияет коренным образом на парсинг, процент добытых данных и, конечно, на его стоимость. И как бы мы ни фанатели от ИИ-агентов, универсального и автоматического парсера за 20 лет работы с парсерами я не видел. За последние годы — тоже.

Между тем эта информация может составить тот самый Information Gain, за которым охотится Гугл. То есть это реально то, что в конечном счете выделит вас из серой толпы ИИ-рерайтеров casinoreview (те, которые топ-20).

Поэтому оператор может в полуручном режиме пройти регу, разметить данные и одним кликом добавить их в Data Pool конкретной задачи (статьи).

Что по ресурсам?

Благодаря автоматизациям, удобному окружению, системе "одного окна" и — о чудо! — опытному оператору, который знает где искать, мы получаем уникальный набор данных, который еще за три этапа до генерации текста уже делает его выдающимся.

Если хотите проверить этот подход на своих страницах, можем взять несколько задач в тест и показать разницу на конкретных продуктах, GEO и URL.

Владимир,
Founder iGamingTextLab

Human-assisted AI: новый сервис от iGamingTextLab🔥

Как и обещала, рассказываю вам об инструменте, над которым наша команда работала последние полгода и вложила туда весь свой опыт в контенте за последние 12 лет.

Human-assisted AI — это пайплайн создания iGaming-контента с помощью AI, где ключевые этапы контролирует человек.

Мы сделали его вокруг простой идеи: хороший AI-текст начинается не с генерации, а с правильной подготовки: сбора контекста, фактуры, структуры, редакционных требований, сущностей. А главное — все необходимые инструменты должны быть собраны в одном месте и контролироваться человеком, который разбирается в iGaming.

Процесс разделен на несколько стадий:

1. Data research
Мы считаем, что любой текст должен опираться не на "память модели", а на конкретные и актуальные данные о продукте: бонусы, платежи, библиотека игр, лицензии, условия, ограничения по гео. Как это реализовано с технической точки зрения — можно почитать здесь.

2. Entity-based outline
Структура строится от сущностей и интентов: что нужно раскрыть, какие блоки важны, где нужна дополнительная фактура и какие темы нельзя потерять.

3. Editorial policy layer
Для каждого проекта можно завести редполитику. В ней мы фиксируем, какие формулировки нужно использовать, каких избегать, добавляем отдельные требования по каждому гео. Правки клиента по проектам — туда же.

4. Author persona layer
Когда текстам нужен живой голос и прокачка по E-E-A-T, есть возможность подключить написание текста от лица "персоны". У каждой из них — своя легенда, свои соцсети и свой стиль повествования: что автор замечает, чему доверяет, как аргументирует. Вот тут рассказывали подробнее о том, как такой подход помог нам поднять сайты.

5. Human editorial control
На всех этапах текст сопровождает редактор, который понимает iGaming-специфику. Он смотрит, не перепутала ли модель продукты, не выдумала ли факты, не потеряла ли важные условия, не ушла ли в generic и не противоречит ли текст задаче страницы.

6. Audit / QA
После генерации текст проходит проверку: факты, логика, структура, соответствие брифу, редакционные требования, AI-маркеры, качество языка. При необходимости подключаем LQA и локализацию.

На входе вы даёте нам имя продукта, ключи, GEO, язык, требования. На выходе мы отдаём готовый текст, который уже прошёл редактуру и проверку.

Но главное отличие нашего решения от обычной работы в Claude, GPT или Gemini — мы не пытаемся загрузить в один чат всю информацию и получить идеальный текст одним промптом. Данные поступают поэтапно, а оператор контролирует, что именно модель делает на каждой итерации.

Каждый блок пайплайна мы ещё разберём отдельно. А в следующем посте расскажу, как затестить Human-assisted AI на своих задачах :)

Если интересно попробовать сейчас — пишите в личку @igamingtextbot

Даша,
CMO iGamingTextLab

Берём проекты на бесплатный тест Human-Assisted AI!

После последнего апдейта многие снова пересматривают контент на просевших сайтах и проверяют разные сценарии восстановления. Предлагаю добавить к ним ещё один.

Мы бесплатно подготовим для вас один материал с помощью Human-Assisted AI от iGamingTextLab. Вы сможете протестировать его на своём проекте и сравнить результат с обычной AI-генерацией, копирайтингом или ручной редактурой. А потом поделиться с нами фидбеком :)

В основном берём в тест:
- обзоры казино и букмекеров;
- описания слотов и платёжных методов;
- страницы монобрендов.

Но можете удивить нас нестандартной задачей — посмотрим, сможем ли взять и её :)

После прошлого поста желающих оказалось много. Для первого пула мы уже подготовили тексты. Теперь набираем следующий.

👉 Если хотите успеть в новый тестовый пул, пишите: @igamingtextbot

Мест немного!

⬆️ 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

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:

"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

🔍 Рубрика — FAQ о Human-Assisted AI

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 :)