สิ่งที่แซนด์บ็อกซ์ใหม่ทำ
มีสนามเด็กเล่นใหม่สำหรับผู้เผยแพร่ที่ต้องการแอบดูเบื้องหลังของเครื่องมือตอบคำถามด้วย AI บริษัทหนึ่งได้จัดตั้ง R&D Labs พร้อมแพลตฟอร์มการจำลองที่เลียนแบบวิธีที่เครื่องมือตอบคำถามที่ขับเคลื่อนด้วย LLM ดึงข้อมูล จัดโครงสร้าง และอ้างอิงเนื้อหาของผู้เผยแพร่
แนวคิดนั้นเรียบง่าย (และแอบขี้เล่นนิดหน่อย): ให้ผู้จัดพิมพ์ได้เห็นคำตอบตัวอย่างที่สร้างขึ้นจากบทความของตนเอง เพื่อที่พวกเขาจะได้ปรับรูปแบบ หัวข้อ และโครงสร้างให้เหมาะสมยิ่งขึ้น เพื่อให้ระบบสรุปเนื้อหาอัตโนมัติสามารถนำเสนอได้อย่างเป็นมิตรมากขึ้นเครื่องมือนี้จะจำลองกระบวนการดึงข้อมูลและจัดระเบียบเนื้อหาให้กลายเป็นชิ้นส่วนคำตอบ พร้อมทั้งแสดงตำแหน่งที่มีการอ้างอิง — หรือไม่ได้อ้างอิง — อย่างชัดเจน เนื่องจากคำตอบของ AI อาจฟังดูน่าเชื่อถือราวกับข้อเท็จจริง ในขณะที่บางครั้งบิดเบือนคำพูดหรือระบุแหล่งที่มาผิด การจำลองนี้มีจุดมุ่งหมายเพื่อเปิดเผยเส้นทางเชิงกลจากบทความต้นฉบับไปจนถึงข้อความโฆษณา AI ที่ดูสวยงาม จุดประสงค์ไม่ใช่การวิเคราะห์ระบบจริงโดยตรง แต่ใช้ข้อมูลที่ผู้จัดพิมพ์ให้มาเพื่อทดลองและสร้างการคาดการณ์เกี่ยวกับพฤติกรรมของโมเดลภาษา
ทำไมผู้จัดพิมพ์ถึงอยากรู้อยากเห็น — และระมัดระวัง
แพลตฟอร์มนี้ได้ถูกทดสอบอย่างเงียบๆ มาเป็นเวลาหลายเดือนกับกลุ่มผู้จัดพิมพ์ที่สมัครเข้าร่วม รวมถึงกลุ่มสำนักข่าวขนาดใหญ่ในสหรัฐฯ ที่เพิ่งลงทะเบียนเมื่อเร็วๆ นี้ การเข้าร่วมในขณะนี้ไม่มีค่าใช้จ่ายในฐานะส่วนหนึ่งของโปรแกรมวิจัยและพัฒนา และบริษัทมีแผนที่จะเผยแพร่บทเรียนจากการทดลองเพื่อให้ผู้จัดพิมพ์รายอื่นๆ สามารถเรียนรู้จากผลลัพธ์ได้
ผู้จัดพิมพ์จะได้รับประโยชน์บางประการ: ภาพที่ชัดเจนขึ้นว่าส่วนใดของเรื่องราวของพวกเขาที่มักปรากฏในคำตอบของ AI วิธีการอ้างอิงข้อความสั้นๆ และแนวคิดที่เป็นประโยชน์สำหรับการจัดระเบียบเนื้อหาใหม่เพื่อปรับปรุงความชัดเจนหรือการมองเห็น ข้อมูลนี้มีจุดมุ่งหมายเพื่อให้ทีมบรรณาธิการ ผลิตภัณฑ์ และการสร้างรายได้มีข้อมูลในการทำงาน แทนที่จะคาดเดาว่า LLM ใช้เนื้อหาอย่างไร
แต่ไม่ใช่ทุกคนที่รีบเร่งในการปรับให้เหมาะสม ทีมการเผยแพร่บางทีมยังคงสงสัยเกี่ยวกับการลงทุนทรัพยากรจำนวนมาก เนื่องจากการคลิกผ่านจากเครื่องมือตอบคำถามของ AI ยังคงมีน้อยมากสำหรับหลายสำนักข่าว อัตราการอ้างอิงที่รายงานอยู่เพียงเศษส่วนของเปอร์เซ็นต์ทำให้ยากต่อการให้ความสำคัญ ดังนั้นในขณะที่เครื่องมือนี้สามารถให้ข้อมูลเชิงลึกสำหรับกลยุทธ์ SEO และการพัฒนาผู้ชม บางองค์กรกำลังใช้วิธีการเฝ้าดูและเรียนรู้จนกว่าผลตอบแทนจะชัดเจนขึ้น
ทิศทางที่การทดลองอาจนำไปสู่
นอกเหนือจากการจำลองสถานการณ์แล้ว Labs ยังเป็นเจ้าภาพจัดการทดลองร่วมกัน แฮกกาธอน และโครงการโอเพ่นซอร์สที่สำรวจมาตรฐานและเครื่องมือใหม่ๆ ในด้านเทคโนโลยีโฆษณา โปรแกรมนี้ถูกจัดตั้งขึ้นเพื่อสร้างต้นแบบของสิ่งต่างๆ เช่น ตัวแทนฝั่งซื้อหรือขาย และเทคโนโลยีที่เป็นมิตรกับผู้เผยแพร่ ซึ่งอาจเปิดให้ผู้อื่นใช้งานได้หากการทดลองพิสูจน์ว่ามีประโยชน์
แนวคิดโดยรวมนั้นตรงไปตรงมา: ลดความลึกลับ ผู้จัดพิมพ์มักไม่ทราบว่าคำถามใดที่ถูกถามกับ LLM เนื้อหาของพวกเขาถูกใช้อย่างไรภายในโมเดลเหล่านั้น หรือข้อตกลงการอนุญาตใช้งานส่งผลต่อความโปร่งใสจริงหรือไม่ ด้วยการสร้างสภาพแวดล้อมที่ควบคุมได้เพื่อทดสอบวิธีการดึงข้อมูลและการสรุปเนื้อหา แพลตฟอร์มนี้มุ่งหวังที่จะให้ผู้จัดพิมพ์มีอำนาจควบคุมมากขึ้น — หรืออย่างน้อยก็คาดเดาได้ดีขึ้น — เกี่ยวกับวิธีที่ผลงานของพวกเขาปรากฏในยุคของคำตอบจาก AI
เมื่อห้องปฏิบัติการเผยแพร่ผลการวิจัยและเครื่องมือต่างๆ ความหวังคือผู้เผยแพร่จะมีโอกาสเข้าถึงข้อมูลเชิงลึกที่ใช้งานได้จริงและสามารถทดสอบได้ ซึ่งช่วยในการตัดสินใจด้านบรรณาธิการและการค้า โดยไม่ต้องเข้าถึง LLM ที่เป็นกรรมสิทธิ์โดยตรง