Ένα ρυθμιστικό έντασης για διαφημιστικό περιεχόμενο εγγενές στην τεχνητή νοημοσύνη

Η «περίοδος του μέλιτος» της δημοφιλούς τεχνητής νοημοσύνης δεν έχει τελειώσει εντελώς. Αν τη συγκρίναμε με την πορεία από τη χρυσή εποχή του Netflix στον σημερινό κατακερματισμό και την εμπορευματοποίηση των παρόχων υπηρεσιών ροής, η αντίστοιχη χρονική στιγμή θα ήταν γύρω στο 2019. Ο καθιερωμένος παίκτης (OpenAI) αντιμετωπίζει πλέον ισχυρό ανταγωνισμό από μια σειρά ανταγωνιστών με σημαντικούς πόρους, κανένας από τους οποίους δεν έχει εδραιωθεί αρκετά ώστε να διακινδυνεύσει να επιβάλει διαφημίσεις στην ευμετάβλητη βάση χρηστών του.

Αντίστοιχα, το ChatGPT περιορίζει προς το παρόν τις διαφημίσεις μέσα στις συνομιλίες στους χρήστες των προγραμμάτων Free και Go· οι διαφημίσεις του Gemini εμφανίζονται μόνο στο πλαίσιο των Επισκοπήσεων AI και της λειτουργίας AI Mode· η Perplexity εγκατέλειψε τα διαφημιστικά της σχέδια τον περασμένο χειμώνα· η xAI αναμένεται να εντάξει διαφημίσεις κάποια στιγμή· το Microsoft Copilot τις έχει ήδη· και ο Claude αποκλείει κατηγορηματικά το ενδεχόμενο.

Όμως γνωρίζουμε ότι αυτό δεν μπορεί να διαρκέσει· καθώς γίνεται ορατό το πραγματικό κόστος της εξαγωγής συμπερασμάτων και οι επικείμενες δημόσιες εγγραφές εταιρειών τεχνητής νοημοσύνης φέρνουν στο προσκήνιο τις απαιτήσεις των μετόχων, η ιστορία μάς δείχνει ότι μπορούμε να περιμένουμε πως κάποια στιγμή θα χρειαστεί να εξετάζουμε εξονυχιστικά τις απαντήσεις των LLM, ώστε να ξεχωρίζουμε το περιεχόμενο που βασίζεται σε διαφημίσεις από το μη εμπορικό περιεχόμενο.

Ανεβάζοντας την ένταση στο 11

Πέρα από ζητήματα σχετικά με το πόσο εξατομικευμένες θα είναι οι διαφημίσεις ή με το πώς θα στοχεύονται οι δημογραφικές ομάδες, οι πάροχοι θα πρέπει να εξετάσουν την έκταση και τον τύπο ενσωμάτωσης του εμπορικού περιεχομένου.

Δεν είναι εύκολο: αν οι διαφημίσεις είναι υπερβολικά διακριτικές, διατηρείς περισσότερους χρήστες, αλλά χάνεις διαφημιζόμενους μεγαλύτερης αξίας· ενώ η πιο εκτεταμένη ενσωμάτωση διαφημιστικού περιεχομένου, η οποία μπορεί να παρακάμπτει τους κανονισμούς περί γνωστοποίησης, μπορεί να εξασφαλίσει καλύτερες διαφημιστικές συμφωνίες, αλλά και να προκαλέσει αντιδράσεις και άλλες αρνητικές συνέπειες.

Επιπλέον, οι διαφημιστικές πλατφόρμες που βασίζονται σε επίπεδα συνδρομής ενδέχεται να απαιτούν διαφορετικά επίπεδα «έντασης» και ενσωμάτωσης, παρότι οι παράμετροι των LLM είναι αρκετά δύσκολο να ποσοτικοποιηθούν. Για παράδειγμα, ένα προηγούμενο σύστημα που είχε σχεδιαστεί για να λειτουργεί ως «ρυθμιστής έντασης» των διαφημίσεων στις απαντήσεις των LLM κατέληξε να περιλαμβάνει τους όρους ποσοτικοποίησης στη συνομιλία:

Από τη νέα μελέτη, ένα παράδειγμα όπου οι ετικέτες ενός παλαιότερου συστήματος «ρύθμισης έντασης» εμφανίζονται πράγματι στο παραγόμενο κείμενο. Πηγή

Το παραπάνω παράδειγμα προέρχεται από μια νέα μελέτη* που εξετάζει δύο βασικά ζητήματα της διαφήμισης μέσω LLM: τον έλεγχο του πόσο έντονα προβάλλονται οι διαφημίσεις στις απαντήσεις των chatbot και τον εντοπισμό του ποια τμήματα αυτών των απαντήσεων αποτελούν πληρωμένη διαφήμιση:

Διάγραμμα της νέας προσέγγισης AdKnob. Αριστερά, το Subway εμφανίζεται είτε ως μία από τις διάφορες προτάσεις είτε ως το κύριο σημείο εστίασης, ανάλογα με το επιλεγμένο επίπεδο διαφήμισης. Δεξιά, οι πράσινες επισημάνσεις υποδεικνύουν το διαφημιστικό περιεχόμενο μέσα στην παραγόμενη απάντηση.

Η προσέγγιση, με την ονομασία AdKnob, χρησιμοποιεί μια κλίμακα τεσσάρων επιπέδων για να καθορίζει πόσο επιθετικά προωθεί ένα chatbot ένα προϊόν, ενώ παράλληλα εντοπίζει τις προτάσεις που περιέχουν διαφημίσεις. Στόχος είναι να διευκολυνθεί ο εντοπισμός του διαφημιστικού περιεχομένου χωρίς να χρειάζεται η εκτέλεση πρόσθετων μοντέλων ή να επιβραδύνεται με οποιονδήποτε τρόπο η διαδικασία — κάτι που, παραδοσιακά, αποτελεί χαρακτηριστικό μίας από τις ταχύτερα εξελισσόμενες βιομηχανίες.

Στο υλικό του παραρτήματος της νέας μελέτης, παραδείγματα κειμένου στο οποίο έχουν ενσωματωθεί διαφημίσεις επισημαίνονται με κόκκινο χρώμα.

Η μέθοδος AdKnob δοκιμάστηκε σε έξι μοντέλα τεχνητής νοημοσύνης από τις Alibaba, Microsoft και Meta. Σε κάθε περίπτωση, η ποσότητα της διαφήμισης μπορούσε να προσαρμοστεί σε τέσσερα επίπεδα, από μια παρεμπίπτουσα αναφορά σε προϊόν έως μια απάντηση σχεδόν εξ ολοκλήρου αφιερωμένη στην προώθηση μιας επωνυμίας.

Στο πιο επιθετικό επίπεδο «έντασης» του AdKnob (εδώ είναι «4» και όχι το μυθικό «11»), τα μηνύματα των επωνυμιών τείνουν να κυριαρχούν στο παραγόμενο περιεχόμενο.

Χρειάστηκαν μοντέλα με ανοιχτά βάρη, επειδή κατά την εκπαίδευση έπρεπε να τροποποιηθούν οι εσωτερικές παράμετροί τους και να εξεταστούν τα μοτίβα προσοχής τους, ώστε να εντοπιστούν οι διαφημίσεις στις παραγόμενες απαντήσεις· έτσι αποκλείστηκαν οι δοκιμές σε μοντέλα αιχμής, στα οποία η πρόσβαση είναι δυνατή μόνο μέσω API.

Τα αποτελέσματα αξιολογήθηκαν από 913 άτομα μέσω του Amazon Mechanical Turk. Όταν οι απαντήσεις του AdKnob συγκρίθηκαν με εκείνες τεσσάρων ανταγωνιστικών μεθόδων, προτιμήθηκαν σε ποσοστό από 75% έως σχεδόν 90% των περιπτώσεων.

Είτε το πιστεύετε είτε όχι, η χρησιμότητα και οι σαφείς επισημάνσεις διαφημίσεων συγκαταλέγονταν στους βασικούς λόγους που αναφέρθηκαν. Ακόμη και στην υψηλότερη ρύθμιση διαφήμισης, οι απαντήσεις έλαβαν μέση βαθμολογία ποιότητας 3,1 στα 4, έναντι 3,6 στη χαμηλότερη ρύθμιση.

Οι συγγραφείς υποστηρίζουν ότι το AdKnob αποδείχθηκε επίσης καλύτερο στον εντοπισμό των προτάσεων που περιείχαν διαφημιστικό περιεχόμενο. Σε ένα από τα μοντέλα που δοκιμάστηκαν, η διαδικασία ελέγχου διαρκούσε μόλις τρία χιλιοστά του δευτερολέπτου ανά απάντηση — ένα αποδεκτά χαμηλό πρόσθετο κόστος, χωρίς να απαιτείται ειδική παραγωγή διακριτικών, σε αντίθεση με αρκετές προγενέστερες προσεγγίσεις.

Για την υποστήριξη του νέου συστήματος, δημιουργήθηκε το σύνολο δεδομένων MI-KnobSet με βάση το προγενέστερο σύνολο δεδομένων Webis Generated Native Ads 2024 σύνολο δεδομένων, επεκτείνοντας την προηγούμενη συλλογή ώστε να καλύπτει διαφορετικά επίπεδα διαφημιστικού περιεχομένου στις απαντήσεις chatbot. Περιλαμβάνει 3.946 παραδείγματα εκπαίδευσης και 913 περιπτώσεις δοκιμής.

Οι συγγραφείς αναφέρουν:

«[AdKnob] επιτρέπει σε ένα μόνο LLM να παράγει απαντήσεις με ευρύ φάσμα εντάσεων διαφημιστικού περιεχομένου. Η συνάρτηση απώλειας απόδοσης διαφημιστικού περιεχομένου ενισχύει περαιτέρω τη σύνδεση ανάμεσα στα διακριτικά εισόδου που σχετίζονται με διαφημίσεις και στο παραγόμενο διαφημιστικό περιεχόμενο, επιτρέποντας την ακριβή επισήμανση των διαφημίσεων κατά τον χρόνο εξαγωγής συμπερασμάτων.

«Τα πειράματα σε έξι βασικά μοντέλα και οι μελέτες χρηστών δείχνουν ότι το AdKnob υπερτερεί σταθερά των υφιστάμενων μεθόδων αναφοράς τόσο ως προς την ποιότητα των διαφημίσεων όσο και ως προς την επισήμανσή τους. Η εργασία μας προσφέρει μια πρακτική βάση για διαφανή και ελεγχόμενη διαφήμιση εγγενή στα LLM σε υπηρεσίες πραγματικού κόσμου.»

Μεθοδολογία

Σε αντίθεση με την προαναφερθείσα προηγούμενη προσέγγιση, όπου οι λέξεις που χρησιμοποιούνταν για την ποσοτικοποίηση κάθε επιμέρους βαθμίδας κατέληγαν να διαρρέουν στην έξοδο, η νέα μέθοδος χρησιμοποιεί τέσσερα ειδικά διακριτικά ελέγχου, καθένα από τα οποία αντιστοιχεί σε διαφορετική ένταση διαφημιστικού περιεχομένου:

q̂ = q ⊕ [AD_LV_n]

Βεβαίως, το διακριτικό n παραπάνω αντιπροσωπεύει έναν δυνητικά αυθαίρετο αριθμό, αλλά στην προκειμένη περίπτωση το AdKnob περιορίζει το εύρος από το 1 έως το 4 (πιθανότατα όση λεπτομέρεια μπορεί να επιτευχθεί για αυτές τις συγκεκριμένες μεταβλητές, δηλαδή πόσο «προφανές» και πόσο «έντονο» είναι το διαφημιστικό περιεχόμενο).

Επειδή αυτά τα αφηρημένα διακριτικά δεν έχουν εκ των προτέρων καθορισμένο νόημα, το μοντέλο μπορεί να μάθει τον επιδιωκόμενο σκοπό τους χωρίς να τα συγχέει με τη συνηθισμένη γλώσσα.

Στη συνέχεια, όπως εξηγούν οι συγγραφείς, το μοντέλο εκπαιδεύεται με τη μέθοδο Άμεση βελτιστοποίηση προτιμήσεων (DPO), ώστε τα διακριτικά ελέγχου να αντιστοιχούν στον επιθυμητό βαθμό έντασης:

«[We] βασίζουμε έτσι τη διαμόρφωση των προτιμήσεων σε δύο μετρικές: τη διαφήμιση [score], η οποία μετρά πόσο προβεβλημένα και θετικά ενσωματώνονται στην απάντηση η επωνυμία και το διαφημιστικό κείμενο, και την ποιότητα της απάντησης [score], η οποία μετρά πόσο καλά η απάντηση ανταποκρίνεται στον χρήστη [query].»

Για τη δημιουργία του συνόλου δεδομένων με τα ζεύγη, βαθμολογήθηκαν υποψήφιες απαντήσεις ως προς την ένταση της διαφήμισης, τη συνάφεια, τη ροή και τις πληροφορίες που διατηρούσαν από μια απάντηση χωρίς διαφημίσεις. Στη συνέχεια, οι βαθμολογίες χρησιμοποιήθηκαν για την επιλογή παραδειγμάτων εκπαίδευσης για κάθε επίπεδο διαφημιστικού περιεχομένου.

Για κάθε διαφημιστικό σενάριο, δημιουργήθηκαν 25 πιθανές απαντήσεις με το GPT-4o, χρησιμοποιώντας προτροπές που ενθάρρυναν διαφορετικούς βαθμούς προώθησης προϊόντων. Επιλέχθηκε η απάντηση με την υψηλότερη βαθμολογία για κάθε επιθυμητό επίπεδο, μαζί με τρεις εσκεμμένα κατώτερες εναλλακτικές που αντιπροσώπευαν χαμηλή ποιότητα, εσφαλμένη ένταση διαφημιστικού περιεχομένου ή και τα δύο:

Βαθμολογίες διαφημιστικού περιεχομένου για 25 υποψήφιες απαντήσεις που δημιουργήθηκαν με πέντε διαφορετικές προτροπές. Η σημαντική επικάλυψη μεταξύ των πέντε καμπυλών δείχνει γιατί οι προτροπές από μόνες τους δεν μπορούσαν να παράγουν αξιόπιστα διακριτά επίπεδα διαφημιστικού περιεχομένου.

Αυτές οι συγκρίσεις χρησιμοποιήθηκαν για την εκπαίδευση του μοντέλου με την προαναφερθείσα τεχνική DPO, ώστε να παράγει απαντήσεις που ανταποκρίνονται στο ζητούμενο επίπεδο διαφημιστικού περιεχομένου, παραμένοντας παράλληλα χρήσιμες και φυσικές.

Δοκιμές

Το AdKnob αξιολογήθηκε σε τέσσερα επίπεδα έντασης διαφημιστικού περιεχομένου και σε έξι μοντέλα: Qwen3-4B-Instruct, Phi-4-Mini-Instruct (3.8B), LLaMA-3.2-3B-Instruct, Qwen2.5-14B-Instruct, Phi-4 (14B) και LLaMA-3.1-8B-Instruct.

Η ένταση του διαφημιστικού περιεχομένου και η ποιότητα των απαντήσεων βαθμολογήθηκαν χωριστά, ενώ η ακρίβεια της επισήμανσης των διαφημίσεων μετρήθηκε με τις μετρικές ROC-AUC, ακρίβεια και ανάκληση και F1.

Τα μοντέλα προσαρμόστηκαν με λεπτομερή ρύθμιση μέσω της μεθόδου Προσαρμογής χαμηλής τάξης (LoRA), με τις παραγόμενες απαντήσεις να περιορίζονται στα 500 διακριτικά και το όριο επισήμανσης διαφημιστικού περιεχομένου να ορίζεται στο 0.005. Όλα τα πειράματα πραγματοποιήθηκαν σε μία μόνο GPU NVIDIA H200, με εντυπωσιακά 141 GB μνήμης βίντεο HBM3e.

Χρησιμοποιήθηκαν τέσσερις μέθοδοι ως σημεία αναφοράς. Στην κατηγορία δύο σταδίων , η διαφήμιση ενσωματωνόταν σε μια απάντηση που είχε ήδη παραχθεί, ενώ στην κατηγορία με βάση τις προτροπές, το διαφημιστικό περιεχόμενο ενσωματωνόταν μέσω προτροπών συστήματος.

Οι άλλες δύο μέθοδοι ήταν οι εξής: η JU-NLP βασιζόταν στη λεπτομερή ρύθμιση, ώστε να ευνοεί διακριτικότερη διαφήμιση, ενώ η NL-prompt (συνηθισμένες προτροπές συστήματος που καθόριζαν την ένταση του διαφημιστικού περιεχομένου, χωρίς πρόσθετη εκπαίδευση) χρησιμοποιούσε οδηγίες φυσικής γλώσσας για να ζητήσει τέσσερα επίπεδα έντασης: διακριτικό (L1), μέτριο (L2), έντονο (L3) και μέγιστο (L4).

Συγκρίθηκαν τρεις μέθοδοι επισήμανσης διαφημίσεων: η Marker, η οποία έδινε εντολή στο μοντέλο να επισημαίνει τις διαφημίσεις καθώς συνέτασσε την απάντησή του· η BERTScore, η οποία εντόπιζε προτάσεις που έμοιαζαν με το διαφημιστικό κείμενο που είχε δοθεί ως δείγμα· και η AttnLRP, η οποία χρησιμοποιήθηκε για να ανιχνευθεί η επίδραση της διαφήμισης στις εσωτερικές λειτουργίες του μοντέλου:

Αποτελέσματα δοκιμών που συγκρίνουν την ένταση της διαφήμισης και την ποιότητα των απαντήσεων σε τέσσερα μοντέλα ΤΝ. Το AdKnob (μπλε) πέτυχε ευρύτερο και πιο ομοιόμορφα κατανεμημένο εύρος επιπέδων διαφήμισης (L1–L4) από τις ανταγωνιστικές μεθόδους, διατηρώντας γενικά υψηλότερη ποιότητα απαντήσεων σε συγκρίσιμες εντάσεις διαφήμισης.

Το AdKnob παρήγαγε ευρύτερο και πιο σταθερό εύρος εντάσεων διαφήμισης από τις ανταγωνιστικές μεθόδους, ενώ γενικά έδινε απαντήσεις καλύτερης ποιότητας σε συγκρίσιμα επίπεδα. Αυτό αποδόθηκε στα νέα διακριτικά διακριτικά ελέγχου του και στην απόρριψη απαντήσεων χαμηλής ποιότητας κατά την εκπαίδευση.

Οι συγγραφείς αναφέρουν:

‘Το JU-NLP χρησιμοποιεί λεπτομερή ρύθμιση ώστε οι διαφημίσεις να είναι λιγότερο εμφανείς, χωρίς ρητό έλεγχο της έντασης, με αποτέλεσμα να παράγει απαντήσεις σταθερής έντασης. Παρότι το NL-prompt καλύπτει πολλαπλές εντάσεις, το εύρος του είναι περιορισμένο και οι βαθμολογίες των διαφημίσεων ασυνεπείς, γεγονός που επιβεβαιώνει ότι οι προτροπές σε φυσική γλώσσα δεν επαρκούν για τον έλεγχο της έντασης.

‘Αντίθετα, το AdKnob καλύπτει ένα ευρύ και ομοιόμορφο εύρος εντάσεων διαφήμισης.

‘Αυτό οφείλεται στα διακριτικά ελέγχου διαφημίσεων που χρησιμοποιούμε, τα οποία δεν φέρουν προεκπαιδευμένη σημασιολογική πληροφορία και λειτουργούν αποκλειστικά ως σήματα διαμόρφωσης της έντασης διαφήμισης, επιτρέποντας στο DPO να καθορίσει μια σαφή αντιστοίχιση κάθε διακριτικού με την επιδιωκόμενη ένταση.’

Σημειώνεται στην εργασία ότι η προσέγγιση των συγγραφέων παρήγαγε επίσης απαντήσεις υψηλότερης ποιότητας από τις ανταγωνιστικές μεθόδους σε παρόμοιες εντάσεις διαφήμισης — βελτίωση που αποδόθηκε σε παραδείγματα εκπαίδευσης στα οποία απορρίπτονταν ρητά οι απαντήσεις χαμηλότερης ποιότητας.

Ακολούθησε η αξιολόγηση των δυνατοτήτων επισήμανσης διαφημίσεων του συστήματος:

Αποτελέσματα εντοπισμού διαφημίσεων σε τέσσερα μοντέλα ΤΝ. Οι υψηλότερες βαθμολογίες υποδηλώνουν μεγαλύτερη ακρίβεια, ενώ τα καλύτερα αποτελέσματα εμφανίζονται με έντονη γραφή.

Το AdKnob πέτυχε την υψηλότερη συνολική ακρίβεια εντοπισμού και στα τέσσερα μοντέλα, εντοπίζοντας διαφημίσεις σε μόλις 2,5–7,3 χιλιοστά του δευτερολέπτου ανά απάντηση. Αντίθετα, το BERTScore χρειάστηκε περίπου 1.800 χιλιοστά του δευτερολέπτου, με αποτέλεσμα το AdKnob να είναι πάνω από 500 φορές ταχύτερο στο μικρότερο μοντέλο που δοκιμάστηκε.

Οι συγγραφείς προσθέτουν:

‘Το AdKnob εκπαιδεύει το μοντέλο να δημιουργεί ισχυρή σύνδεση ανάμεσα στα διακριτικά εισόδου που σχετίζονται με διαφημίσεις και στα διαφημιστικά τμήματα, μέσω ρητής καθοδήγησης βάσει αφαίρεσης στοιχείων, επιτυγχάνοντας τις καλύτερες βαθμολογίες AUC και F1 σε όλα τα μοντέλα.’

‘Επιπλέον, το AdKnob επιτρέπει την επισήμανση σε πραγματικό χρόνο χωρίς πρόσθετο κόστος κατά την εξαγωγή συμπερασμάτων, με ∼3 ms ανά απάντηση στο [Qwen3-4B.]

Σε μια ποιοτική δοκιμή, διαφήμιση του Nintendo Switch συμπεριλήφθηκε ως μία από πολλές προτάσεις στο Επίπεδο 1. Στο Επίπεδο 4, η επωνυμία κυριαρχούσε στην απάντηση, με το AdKnob να εντοπίζει διαφημιστικά αποσπάσματα και στις δύο εντάσεις:

Παραδείγματα απαντήσεων σε ερώτημα για τη Black Friday της Walmart, σε δύο επίπεδα διαφήμισης. Τα επισημασμένα αποσπάσματα με την ένδειξη [AD] προσδιορίζουν το διαφημιστικό περιεχόμενο.

Τέλος**, οι συγγραφείς διεξήγαγαν μελέτη χρηστών με τη συμμετοχή 913 ατόμων, τα οποία βαθμολόγησαν την ένταση της διαφήμισης και την ποιότητα των απαντήσεων, συνέκριναν το AdKnob με ανταγωνιστικές μεθόδους και αξιολόγησαν πόσο σωστά εντοπίστηκε το διαφημιστικό περιεχόμενο:

Αποτελέσματα ανθρώπινης αξιολόγησης του AdKnob. Ο πίνακας παρουσιάζει τις βαθμολογίες για την ένταση της διαφήμισης και την ποιότητα των απαντήσεων, τα ποσοστά προτίμησης έναντι ανταγωνιστικών μεθόδων και την ακρίβεια εντοπισμού διαφημίσεων. Τα πράσινα κελιά υποδηλώνουν ποσοστά προτίμησης άνω του 50%.

Οι συγγραφείς καταλήγουν:

‘Το AdKnob πετυχαίνει τις υψηλότερες βαθμολογίες AUC και F1. Αξιοσημείωτο είναι ότι παρουσιάζει υψηλή ανάκληση και λίγα ψευδώς αρνητικά αποτελέσματα, κάτι κρίσιμο από κανονιστική άποψη, καθώς η μη γνωστοποίηση ενός διαφημιστικού τμήματος συνεπάγεται σημαντικούς νομικούς κινδύνους και κινδύνους για την εμπιστοσύνη.’

Συμπέρασμα

Ένα ενδιαφέρον ζήτημα σχετικά με τις διαφημίσεις εντός των LLM, στο οποίο δεν έχω παρατηρήσει να έχει δοθεί ιδιαίτερη προσοχή, είναι τι συμβαίνει όταν η έξοδος χωρίς διαφήμιση και η έξοδος που βασίζεται στη διαφήμιση είναι ίδιες;

Για παράδειγμα, αν κάποιος ζητά σύσταση για ένα τοπικό εστιατόριο και υπάρχουν μόνο ένα McDonald’s και ένα καφέ με πολύ χαμηλή βαθμολογία, αλλά η McDonald’s έχει πληρώσει για προβεβλημένη τοποθέτηση, τότε πιθανότατα η McDonald’s θα παρουσιαστεί στο πλαίσιο μιας διαφήμισης, επειδή αυτό εξυπηρετεί τους σκοπούς του περιβάλλοντος φιλοξενίας… ακόμη κι αν θα ήταν ούτως ή άλλως η προφανής επιλογή;

Διαβάζοντας για τέτοια θέματα, για τα οποία γράφω αρκετά τακτικά σε αυτόν τον ιστότοπο, νιώθω σαν γαλοπούλα που ξεφυλλίζει κατάλογο με φούρνους. Αυτό που ίσως αξίζει να θυμόμαστε είναι ότι, ακόμη κι όταν απαιτείται ελάχιστη επισήμανση σε ορισμένες περιοχές, το «ανειλικρινές» περιεχόμενο στις απαντήσεις μας δεν πρόκειται να επισημαίνεται. Ορισμένα από τα πολύ περιορισμένα παραδείγματα που παρουσιάζονται σε αυτήν και σε παρόμοιες μελέτες δείχνουν μια κατάφωρη εισβολή εμπορικού περιεχομένου εις βάρος του εγγενούς περιεχομένου.

Και, φυσικά, πρόκειται για τις περιπτώσεις που επιλέχθηκαν επιλεκτικά· εκείνες που λειτούργησαν και δεν παρήγαγαν ψευδείς πληροφορίες, δεν έκαναν εξωφρενικούς ή προσβλητικούς συσχετισμούς ούτε προκάλεσαν με άλλον τρόπο αντιδράσεις. Σε μεγάλη κλίμακα, για αρχιτεκτονικές τόσο επιρρεπείς σε επεισόδια δημόσιας διαπόμπευσης, αυτό ίσως αποτελεί έναν ακόμη λόγο για τον οποίο οι περισσότερες υπηρεσίες αιχμής προσεγγίζουν τη διαφήμιση με επιφυλακτικότητα.

* Με τίτλο «AdKnob: Έλεγχος έντασης διαφημίσεων και επισήμανση για διαφήμιση εγγενή στα LLM», από έξι συγγραφείς της Σχολής Πληροφορικής του KAIST.

** Όπως συνήθως, παραλείπουμε τις μελέτες αφαίρεσης, εκτός από τις περιπτώσεις όπου αποτελούν μέρος της βασικής συνεισφοράς της εργασίας και όχι απλώς έναν δειγματοληπτικό έλεγχο.

Πρώτη δημοσίευση: Πέμπτη, 5 Νοεμβρίου 2026