Odpowiedzi generowane przez modele AI coraz częściej zawierają informacje o firmach, produktach i usługach. Model może przedstawić płynną i przekonującą odpowiedź, nawet jeśli łączy dane z różnych źródeł, wykorzystuje nieaktualne informacje lub uzupełnia braki przypuszczeniami. Takie błędy określa się mianem halucynacji. Ograniczenie ich ryzyka wymaga uporządkowania informacji o marce, jej produktach i relacjach między poszczególnymi elementami oferty.
Skąd biorą się halucynacje modeli AI?
Model językowy interpretuje informacje pochodzące z różnych źródeł, może korzystać z nieaktualnych danych i przypisywać firmie właściwości znalezione u innych podmiotów. Ryzyko rośnie, gdy nazwa marki, opisy produktów i parametry oferty są przedstawiane niespójnie.
Przykładowo, jeżeli kilka podstron opisuje podobne produkty, ale nie wyjaśnia różnic między nimi, model może połączyć ich właściwości w jeden nieistniejący wariant. Błędy mogą dotyczyć również cen, parametrów technicznych, dostępności i warunków korzystania z usługi.
Encja firmy jako uporządkowany zestaw faktów
Encja to jednoznacznie rozpoznawalny obiekt, na przykład firma, produkt lub usługa, któremu można przypisać określone właściwości i relacje. Marka powinna mieć spójne nazewnictwo, dane identyfikacyjne i opisy oferty we wszystkich częściach serwisu.
Warto przygotować jedno źródło informacji obejmujące:
- Pełną nazwę firmy, oficjalną domenę i dane identyfikacyjne.
- Opis działalności, specjalizacji i obszaru funkcjonowania.
- Jednoznaczne nazwy produktów, usług i ich wariantów.
- Najważniejsze właściwości, parametry i ograniczenia oferty.
- Relacje między marką, produktami i powiązanymi podmiotami.
Spójne informacje ograniczają ryzyko pomylenia produktów i przypisywania im niewłaściwych cech. Ułatwiają modelom identyfikację faktów, choć nie gwarantują bezbłędnych odpowiedzi.
Jak wdrożyć dane strukturalne i kontrolować treść?
Informacje o firmie można uporządkować za pomocą danych strukturalnych Schema.org w formacie JSON-LD. Typ Organization pozwala opisać podmiot, a Product, Service i Brand pomagają przedstawić poszczególne elementy oferty. Każda właściwość powinna odpowiadać informacjom rzeczywiście widocznym na stronie.
Podczas wdrażania oznaczeń warto zadbać o kilka elementów:
- Uzupełnić Organization o nazwę firmy, oficjalną domenę i dane kontaktowe.
- Opisać produkty i usługi za pomocą odpowiednich typów Schema.org.
- Wykorzystać identyfikatory @id do powiązania encji występujących na różnych podstronach.
- Sprawdzić zgodność danych JSON-LD z treścią widoczną dla użytkowników.
- Usunąć nieaktualne właściwości i oznaczenia niepotwierdzone w ofercie.
Tak przygotowane dane ułatwiają identyfikację firmy i relacji między jej produktami. Nie zastępują jednak jednoznacznych opisów w treści witryny.
Istotna jest również spójność nazewnictwa. Ten sam produkt powinien być opisywany konsekwentnie na wszystkich podstronach. Warto unikać ogólników i niejednoznacznych określeń, które utrudniają rozpoznanie jego właściwości.
Monitorowanie odpowiedzi AI
Optymalizacja encji nie kończy się na wdrożeniu danych strukturalnych. Należy regularnie sprawdzać, jak modele AI opisują firmę, jej produkty i najważniejsze właściwości oferty. Warto testować zapytania dotyczące marki, specjalizacji i poszczególnych usług.
Zapisuj błędne odpowiedzi, nieścisłości i sprzeczności oraz ustalaj ich źródło. Następnie poprawiaj treści, dane strukturalne lub nieaktualne informacje w innych publikacjach. Szczególną uwagę zwracaj na błędne przypisywanie produktów i łączenie właściwości różnych wariantów.
Nie można zagwarantować, że każdy model będzie interpretował informacje bezbłędnie. Można jednak ograniczyć ryzyko halucynacji poprzez spójne nazewnictwo, jednoznaczne definicje encji i regularną aktualizację danych (więcej informacji znajdziesz tutaj).
Prawidłowo zdefiniowana encja firmy, uporządkowane relacje między produktami i konsekwentne stosowanie danych strukturalnych tworzą solidne podstawy do poprawnej interpretacji informacji przez modele AI.