Книга на выходные: как ChatGPT стал самым эффективным копирайтером «Зерокодера»

Как-то мне довелось пообщаться с представителем одной известной российской компании из автомобильной отрасли. Он поделился проблемой: российское законодательство постоянно меняется, из-за этого часто приходится менять инструкции к автомобилям. Это кропотливая рутинная работа, которую постоянно приходится повторять. «Вот бы появилась такая технология, — рассуждал он, — которая могла бы делать это за человека и за пару минут обновлять данные, сверившись с актуальным законодательством!»

Когда мы общались, это казалось фантастикой. Сейчас в мире, где СhatGPT набирает стремительную популярность, это уже реальность. Модель в целом изменила отношение к словам «возможно» и «невозможно», позволив оптимизировать многие бизнес-процессы в самых разных областях.

Я вижу это по своей компании. Я занимаюсь обучением и большую ставку в бизнесе делаю на маркетинг. Пару лет назад мне пришла идея создать редакцию, которая бы создавала объясняющие тексты, которые рассказывают, зачем нужен и как устроен наш продукт и пр. В целом идея не нова, но работает хорошо. Мы смогли значительно повысить приток клиентов и стали думать, как можно оптимизировать работу команды и повысить результаты.

Как раз в это время я впервые попробовал ChatGPT. Будучи языковой моделью, она лучше всего справляется с текстовыми задачами. Поэтому в качестве эксперимента я предложил нашим авторам использовать ее в работе. Результат оказался ошеломительным — продуктивность редакции выросла в разы: повторюсь, сейчас шесть человек выпускают не 30 лонгридов в месяц, а 300. Получается, что один человек в день в среднем может написать 1–2 длинных текста. Такой скоростью может похвастаться редкий журналист, натренированный годами работы над срочными новостями.

Текст на любой случай

Есть несколько способов написать текст с помощью нейросетей. Первый — генерировать материал сплошным текстом с помощью одного промпта. Он может быть таким:

Что здесь важно? Мы указываем:

• в какой роли выступает модель как автор статьи,

• количество слов,

• стиль,

• заголовок,

• ключевые слова.

Получив текст, мы можем использовать другие промпты, чтобы поправить моменты, которые нас не устроили: например, увеличить или уменьшить количество символов или убрать повторяющиеся слова.

У этого способа есть недостатки.

• Генерируя большой текст, нейросеть зачастую перескакивает с одной темы на другую. Поэтому результат может не соответствовать поставленной задаче.

• Другой нюанс: ответ модели ограничен по знакам. Как только она достигает лимита, то останавливается. Чтобы модель продолжила, нужно ее об этом попросить. Но она не всегда продолжает с того места, где остановилась.

Текст более высокого качества можно получить, используя метод блочной генерации. Он подразумевает несколько этапов написания материала. На первом нужно попросить нейросеть сгенерировать структуру статьи. Для этого можно использовать следующий промпт:

«Создай структуру статьи „Покупка квартиры в новостройке Костромы: гармония современного комфорта и древнерусского колорита“».

После того как она выдаст «скелет» будущего материала, нужно выбрать подходящие разделы. Далее нужно попросить модель по очереди сгенерировать текст для каждого из них. Так как модель может галлюцинировать и генерировать несуществующие примеры, итоговый материал нужно обязательно проверить (провести фактчекинг). Далее можно проверить получившийся текст на актуальность, например, на портале text.ru, сделать скрины.

Причем нам удалось не только набрать темп, но и не потерять в качестве. Если судить по статистике, то количество отказов по статьям (число людей, которые не дочитали текст до конца), сгенерированным с помощью ИИ, сравнимо с написанными человеком. Процент отказов сравним со статьями, которые пишут живые авторы!

Вездесущая технология

Даже самые консервативные и известные редакции в мире пробуют нашумевшую технологию и с ее помощью оптимизируют свою работу. Это позволяет сократить издержки, например, за счет замены людей технологией.

Если смотреть шире и говорить не только про генеративный искусственный интеллект, то ИИ в бизнесе — давно не новость. Первые попытки использовать ИИ в корпоративном секторе можно было наблюдать в середине ХХ века. Тогда появились экспертные системы, которые помогали компаниям принимать решения. Активно подобные технологии внедрялись в финансовом секторе. Там системы автоматизировали такие задачи, как кредитный скоринг и оценка рисков.

Со временем пользу ИИ в экспертных системах осознали и в других секторах экономики. Производственные предприятия использовали ИИ для оптимизации процессов, контроля качества и профилактического обслуживания, сектор логистики — для улучшения планирования маршрутов и управления запасами, индустрия здравоохранения углубилась в экспертные системы для медицинской диагностики и рекомендаций по лечению.

Немного истории

По мере эволюции ИИ его функции в бизнесе расширялись. Росла сложность приложений, широта его использования. В 1980-х и 1990-х годах алгоритмы машинного обучения позволили предприятиям использовать данные для прогнозной аналитики, управления взаимоотношениями с клиентами и прочего. В ХХI веке широкую популярность в бизнесе приобрели рекомендательные системы.

Даже если вы не разбираетесь в технологиях, то должны знать, о чем я: рекомендательные системы стоят за рекламой фильмов, постов, которые могут вам понравится. Впервые подобную технологию упомянул шведский ученый Юсси Карлгрен, описав ее как «цифровую книжную полку».

Рекомендательные системы популярны на стриминговых площадках, которые предлагают пользователям фильмы по запросу. В 2006 году один из лидеров рынка Netflix (тогда компания по прокату DVD-дисков по подписке) даже запустила конкурс на лучший рекомендательный алгоритм. Чтобы получить приз — $1 млн — независимым разработчикам требовалось повысить точность алгоритма рекомендаций на 10%.

В 2009 году, спустя три года после старта соревнования, приз вручили команде BellKor’s Pragmatic Chaos. Параллельно компании внедряли чат-ботов для обслуживания клиентов, аналитику на основе искусственного интеллекта для принятия решений на основе данных и исследовали потенциал нейронных сетей в решении сложных задач.