ปุ่มปรับระดับการโฆษณาในเนื้อหาที่สร้างด้วย AI

ช่วง “ฮันนีมูน” ของ AI ที่ได้รับความนิยมยังไม่จบลงเสียทีเดียว หากเปรียบเทียบกับการเปลี่ยนผ่านจากยุคทองของ Netflix ไปสู่การแตกกระจายและการแสวงหาผลกำไรของผู้ให้บริการสตรีมมิงในปัจจุบัน ก็จะเป็นช่วงประมาณปี 2019 ผู้เล่นรายเดิมอย่าง OpenAI กำลังเผชิญการแข่งขันอย่างหนักจากคู่แข่งมากมายที่มีเงินทุนหนา โดยยังไม่มีรายใดได้เปรียบอย่างชัดเจนมากพอที่จะเสี่ยงบังคับแสดงโฆษณาต่อฐานผู้ใช้ที่เปลี่ยนใจง่ายของตน

ในทำนองเดียวกัน ขณะนี้ ChatGPT จำกัดการแสดงโฆษณาในแชตไว้เฉพาะผู้ใช้ Free และ Go ส่วนโฆษณาของ Gemini ปรากฏเฉพาะในบริบทของ AI Overviews และ AI Mode ขณะที่ Perplexity ยกเลิกแผนการแสดงโฆษณาไปแล้วเมื่อฤดูหนาวที่ผ่านมา, xAI มีกำหนดจะเริ่มแสดงโฆษณาในอนาคต, Microsoft Copilot มีโฆษณาอยู่แล้ว และ Claude ปฏิเสธแนวคิดนี้โดยสิ้นเชิง

แต่เรารู้ดีว่าสถานการณ์เช่นนี้คงอยู่ต่อไปไม่ได้ เมื่อ ต้นทุนที่แท้จริงของการประมวลผลเพื่ออนุมานเริ่มปรากฏชัด และ การเสนอขายหุ้น IPO ของบริษัท AI ที่ใกล้เข้ามาทำให้แรงกดดันจากผู้ถือหุ้นเข้ามามีบทบาท ประวัติศาสตร์ชี้ว่าเราสามารถ คาดหมายได้ว่าในที่สุดเราจะต้องเริ่มตรวจสอบผลลัพธ์จาก LLM เพื่อแยกเนื้อหาที่อิงโฆษณาออกจากเนื้อหาที่ไม่ใช่เชิงพาณิชย์

เร่งระดับไปถึง 11

นอกจากประเด็นเรื่อง การปรับโฆษณาให้เหมาะกับผู้ใช้แต่ละคน และเรื่อง การกำหนดกลุ่มประชากรเป้าหมายแล้ว ผู้ให้บริการยังต้องพิจารณาขอบเขตและประเภทของการผสานเนื้อหาเชิงพาณิชย์เข้าด้วยกัน

เรื่องนี้ไม่ง่าย หากโฆษณาแนบเนียนเกินไป ก็อาจรักษาผู้ใช้ไว้ได้มากขึ้น แต่เสียผู้ลงโฆษณาที่มีมูลค่าสูงกว่าไป ขณะที่การผสานโฆษณาเข้ากับเนื้อหาอย่างแนบเนียนยิ่งขึ้น ซึ่งอาจเลี่ยงข้อกำหนดเรื่องการเปิดเผยข้อมูล อาจช่วยให้ได้สัญญาโฆษณาที่ดีกว่า แต่ก็อาจก่อให้เกิดข้อโต้แย้งและผลกระทบด้านลบอื่น ๆ ตามมา

ยิ่งไปกว่านั้น แพลตฟอร์มโฆษณาที่แบ่งตามระดับบริการอาจต้องกำหนดระดับ “ความเข้มข้น” และการผสานโฆษณาที่แตกต่างกัน ทั้งที่ตัวแปรของ LLM นั้นวัดเป็นปริมาณได้ค่อนข้างยาก ตัวอย่างเช่น วิธีการหนึ่งที่เคยใช้สร้างสิ่งที่เรียกว่า “ตัวควบคุมระดับ” โฆษณาในผลลัพธ์จาก LLM กลับลงเอยด้วยการใส่คำที่ใช้ระบุระดับไว้ในบทสนทนาจริง ๆ:

จากบทความฉบับใหม่ ตัวอย่างคำกำกับจากวิธีการ “ควบคุมระดับ” แบบเก่าที่รั่วเข้าไปอยู่ในข้อความที่สร้างขึ้น ที่มา

ตัวอย่างข้างต้นมาจากบทความฉบับใหม่* ซึ่งมุ่งแก้ปัญหาสำคัญสองประการของการโฆษณาที่ใช้ LLM ได้แก่ การควบคุมระดับความเด่นชัดของโฆษณาในคำตอบของแชตบอต และการระบุส่วนของคำตอบที่เป็นโฆษณาแบบชำระเงิน:

แผนผังแนวทาง AdKnob แบบใหม่ ทางซ้าย Subway อาจเป็นหนึ่งในคำแนะนำหลายรายการ หรือเป็นประเด็นหลักก็ได้ ขึ้นอยู่กับระดับการโฆษณาที่เลือก ทางขวา ส่วนที่ไฮไลต์เป็นสีเขียวแสดงเนื้อหาโฆษณาภายในคำตอบที่สร้างขึ้น

แนวทางนี้มีชื่อว่า AdKnob โดยใช้มาตรวัดสี่ระดับเพื่อกำหนดว่าแชตบอตจะโปรโมตผลิตภัณฑ์อย่างเข้มข้นเพียงใด พร้อมระบุประโยคที่มีโฆษณา เพื่อให้ตรวจหาเนื้อหาโฆษณาได้ง่าย โดยไม่ต้องเรียกใช้โมเดลเสริมและไม่ทำให้กระบวนการช้าลงแต่อย่างใด ซึ่งตามปกติแล้ว กระบวนการนี้อยู่ในอุตสาหกรรมที่ดำเนินงานรวดเร็วที่สุดประเภทหนึ่ง

จากเนื้อหาในภาคผนวกของงานวิจัยฉบับใหม่นี้ ตัวอย่างข้อความที่แทรกโฆษณาไว้แสดงด้วยการไฮไลต์สีแดง

มีการทดสอบวิธี AdKnob กับโมเดล AI 6 โมเดลจาก Alibaba, Microsoft และ Meta ในแต่ละกรณี สามารถปรับปริมาณโฆษณาได้ 4 ระดับ ตั้งแต่การกล่าวถึงผลิตภัณฑ์แบบผ่าน ๆ ไปจนถึงคำตอบที่มุ่งโปรโมตแบรนด์แทบทั้งหมด

เมื่อ AdKnob ตั้ง “ระดับ” โฆษณาไว้สูงสุด (ในที่นี้คือ “4” ไม่ใช่ “11” ในตำนาน) ข้อความเกี่ยวกับแบรนด์มักครอบงำผลลัพธ์

จำเป็นต้องใช้โมเดลแบบเปิดน้ำหนัก เนื่องจากต้องปรับเปลี่ยนพารามิเตอร์ภายในระหว่างการฝึก และตรวจสอบรูปแบบการให้ความสนใจเพื่อระบุโฆษณาในคำตอบที่สร้างขึ้น จึงไม่สามารถทดสอบกับโมเดลแนวหน้าที่เข้าถึงได้ผ่าน API เท่านั้น

มีผู้เข้าร่วม 913 คนทดสอบผลลัพธ์ผ่าน Amazon Mechanical Turk เมื่อนำคำตอบของ AdKnob ไปเปรียบเทียบกับคำตอบจากวิธีการคู่แข่ง 4 วิธี ผู้เข้าร่วมเลือกคำตอบของ AdKnob ในสัดส่วนตั้งแต่ 75% จนถึงเกือบ 90%

เชื่อหรือไม่ว่า ความเป็นประโยชน์และป้ายกำกับโฆษณาที่ชัดเจนเป็นเหตุผลสำคัญข้อหนึ่งที่ผู้เข้าร่วมให้ไว้ แม้ตั้งค่าการโฆษณาไว้สูงสุด คำตอบก็ยังได้คะแนนคุณภาพเฉลี่ย 3.1 จาก 4 เทียบกับ 3.6 เมื่อใช้การตั้งค่าต่ำสุด

ผู้เขียนระบุว่า AdKnob ยังทำได้ดีกว่าในการระบุว่าประโยคใดมีโฆษณาอยู่ และสำหรับหนึ่งในโมเดลที่ทดสอบ กระบวนการตรวจสอบนี้ใช้เวลาเพียง 3 มิลลิวินาทีต่อคำตอบ ซึ่งเป็นภาระเพิ่มเติมที่ต่ำพอรับได้ และไม่ต้องสร้างโทเค็นเฉพาะ ต่างจากวิธีการก่อนหน้านี้หลายวิธี

เพื่อใช้กับระบบใหม่นี้ ได้พัฒนาชุดข้อมูล MI-KnobSet ขึ้นจากชุดข้อมูล Webis Generated Native Ads 2024 ที่จัดทำไว้ก่อนหน้า โดยขยายชุดข้อมูลเดิมให้ครอบคลุมระดับการโฆษณาที่แตกต่างกันในคำตอบของแชตบอต รวมถึงตัวอย่างสำหรับฝึก 3,946 ตัวอย่าง และกรณีทดสอบ 913 กรณี

ผู้เขียนระบุว่า

‘[AdKnob] ช่วยให้ LLM เพียงโมเดลเดียวสร้างคำตอบที่มีระดับความเข้มข้นของโฆษณาได้หลากหลาย นอกจากนี้ ฟังก์ชันการสูญเสียสำหรับระบุที่มาของโฆษณายังช่วยเสริมความเชื่อมโยงระหว่างโทเค็นอินพุตที่เกี่ยวข้องกับโฆษณากับเนื้อหาโฆษณาที่สร้างขึ้น ทำให้ติดป้ายกำกับโฆษณาได้อย่างแม่นยำขณะอนุมาน

‘การทดลองกับโมเดลพื้นฐาน 6 โมเดลและการศึกษาผู้ใช้แสดงให้เห็นว่า AdKnob ทำได้ดีกว่าวิธีพื้นฐานที่มีอยู่เดิมอย่างสม่ำเสมอ ทั้งในด้านคุณภาพโฆษณาและการติดป้ายกำกับโฆษณา งานวิจัยของเราวางรากฐานเชิงปฏิบัติสำหรับการโฆษณาที่โปร่งใสและควบคุมได้ ซึ่งผสานเข้ากับ LLM ในบริการที่ใช้งานจริง’

วิธีการ

ต่างจากแนวทางก่อนหน้าที่กล่าวถึงข้างต้น ซึ่งคำที่ใช้ระบุระดับความเข้มข้นแต่ละระดับกลับรั่วไหลไปอยู่ในผลลัพธ์ วิธีการใหม่นี้ใช้โทเค็นควบคุมที่ออกแบบขึ้นโดยเฉพาะ 4 โทเค็น โดยแต่ละโทเค็นแทนระดับความเข้มข้นของโฆษณาที่แตกต่างกัน

q̂ = q ⊕ [AD_LV_n]

แน่นอนว่าโทเค็น n ข้างต้นอาจแทนจำนวนใดก็ได้ แต่ในกรณีนี้ AdKnob จำกัดช่วงไว้ที่ 1–4 ซึ่งน่าจะละเอียดได้มากพอสำหรับตัวแปรเหล่านี้โดยเฉพาะ นั่นคือระดับความ «ชัดเจน» และ «เด่นสะดุดตา» ของเนื้อหาโฆษณา

เนื่องจากโทเค็นนามธรรมเหล่านี้ไม่มีความหมายที่กำหนดไว้ล่วงหน้า โมเดลจึงสามารถเรียนรู้วัตถุประสงค์ที่ต้องการได้โดยไม่สับสนกับภาษาทั่วไป

ผู้เขียนอธิบายว่า จากนั้นฝึกโมเดลด้วยการปรับให้เหมาะสมโดยตรงตามความพึงพอใจ (DPO) เพื่อให้โทเค็นควบคุมสอดคล้องกับระดับความเข้มข้นที่ต้องการ

‘[We]ดังนั้น การสร้างค่าความพึงพอใจจึงอิงตัวชี้วัดสองด้าน ได้แก่ โฆษณา [score] ซึ่งวัดว่าแบรนด์และข้อความโฆษณาถูกผสานเข้ากับคำตอบอย่างโดดเด่นและในเชิงบวกเพียงใด และคุณภาพของคำตอบ [score] ซึ่งวัดว่าคำตอบตอบสนองต่อผู้ใช้ [query] ได้ดีเพียงใด’

ในการสร้างชุดข้อมูลแบบคู่ ได้ให้คะแนนคำตอบที่เป็นตัวเลือกตามความเข้มข้นของโฆษณา ความเกี่ยวข้อง ความลื่นไหล และข้อมูลที่ยังคงอยู่เมื่อเทียบกับคำตอบที่ไม่มีโฆษณา จากนั้นใช้คะแนนเหล่านี้เลือกตัวอย่างสำหรับฝึกในแต่ละระดับโฆษณา

สำหรับสถานการณ์โฆษณาแต่ละแบบ ได้สร้างคำตอบที่เป็นไปได้ 25 แบบด้วย GPT-4o โดยใช้พรอมป์ต์ที่กระตุ้นให้ส่งเสริมผลิตภัณฑ์ในระดับต่างกัน จากนั้นเลือกคำตอบที่ได้คะแนนสูงสุดสำหรับแต่ละระดับเป้าหมาย พร้อมกับตัวเลือกที่ด้อยกว่าโดยเจตนาอีก 3 แบบ ซึ่งสะท้อนถึงคุณภาพต่ำ ระดับความเข้มข้นของโฆษณาที่ไม่ถูกต้อง หรือทั้งสองอย่าง

คะแนนโฆษณาของคำตอบตัวเลือก 25 แบบที่สร้างขึ้นโดยใช้พรอมป์ต์ 5 แบบ เส้นโค้งทั้ง 5 เส้นที่ทับซ้อนกันอย่างมากแสดงให้เห็นว่าเหตุใดการใช้พรอมป์ต์เพียงอย่างเดียวจึงไม่สามารถสร้างระดับโฆษณาที่แตกต่างกันได้อย่างน่าเชื่อถือ

ใช้การเปรียบเทียบเหล่านี้ฝึกโมเดลด้วยเทคนิค DPO ที่กล่าวถึงข้างต้น เพื่อให้โมเดลสร้างคำตอบที่ตรงกับระดับโฆษณาที่ร้องขอ โดยยังคงมีประโยชน์และเป็นธรรมชาติ

การทดสอบ

ประเมิน AdKnob ในระดับความเข้มข้นของโฆษณา 4 ระดับ โดยใช้โมเดล 6 โมเดล ได้แก่ Qwen3-4B-Instruct, Phi-4-Mini-Instruct (3.8B), LLaMA-3.2-3B-Instruct, Qwen2.5-14B-Instruct, Phi-4 (14B) และ LLaMA-3.1-8B-Instruct

ให้คะแนนความเข้มข้นของโฆษณาและคุณภาพคำตอบแยกจากกัน ส่วนความแม่นยำในการติดป้ายกำกับโฆษณาวัดด้วย ROC-AUC, ค่าความแม่นยำและค่าการเรียกคืน และ F1

ปรับแต่งโมเดลด้วยการปรับแบบอันดับต่ำ (LoRA) โดยจำกัดคำตอบที่สร้างขึ้นไว้ที่ 500 โทเค็น และกำหนดค่าเกณฑ์สำหรับการติดป้ายกำกับโฆษณาไว้ที่ 0.005 การทดลองทั้งหมดดำเนินการบน GPU NVIDIA H200 เพียงตัวเดียว ซึ่งมีหน่วยความจำ VRAM แบบ HBM3e ขนาดมหาศาลถึง 141GB

ใช้วิธี 4 วิธีเป็นเกณฑ์เปรียบเทียบ สำหรับวิธีสองขั้นตอน จะใส่โฆษณาลงในคำตอบที่สร้างไว้ก่อนแล้ว ส่วนวิธีที่ใช้พรอมป์ต์ จะผสานโฆษณาผ่านพรอมป์ต์ระบบ

สำหรับอีก 2 วิธีนั้น JU-NLP ใช้การปรับแต่งโมเดลเพื่อให้โฆษณาไม่เด่นชัดมากนัก ส่วน NL-prompt ซึ่งใช้พรอมป์ต์ระบบทั่วไปเพื่อกำหนดความเข้มข้นของโฆษณาโดยไม่มีการฝึกเพิ่มเติม ใช้คำสั่งภาษาธรรมชาติเพื่อขอระดับความเข้มข้นของโฆษณา 4 ระดับ ได้แก่ แบบแฝง (L1), ปานกลาง (L2), มาก (L3) และ สูงสุด (L4)

มีการเปรียบเทียบวิธีติดป้ายกำกับโฆษณา 3 วิธี ได้แก่ Marker ซึ่งสั่งให้โมเดลติดป้ายกำกับโฆษณาขณะเขียนข้อความ; BERTScore ซึ่งทำเครื่องหมายประโยคที่คล้ายกับข้อความโฆษณาตัวอย่างที่ป้อนให้ และ AttnLRP ซึ่งใช้ติดตามอิทธิพลของโฆษณาผ่านกระบวนการทำงานภายในของโมเดล:

ผลการทดสอบเปรียบเทียบความเข้มข้นของโฆษณาและคุณภาพคำตอบในโมเดล AI 4 รุ่น AdKnob (สีน้ำเงิน) ทำระดับความเข้มข้นของโฆษณาได้หลากหลายกว่าและมีช่วงห่างสม่ำเสมอกว่าวิธีอื่น (L1–L4) ทั้งยังรักษาคุณภาพคำตอบให้สูงกว่าโดยทั่วไป เมื่อเทียบกันที่ระดับความเข้มข้นของโฆษณาใกล้เคียงกัน

AdKnob ทำระดับความเข้มข้นของโฆษณาได้หลากหลายกว่าและสม่ำเสมอกว่าวิธีอื่น ขณะเดียวกันก็ให้คำตอบที่มีคุณภาพดีกว่าโดยทั่วไปเมื่อเทียบกันที่ระดับความเข้มข้นใกล้เคียงกัน ผู้วิจัยระบุว่าผลลัพธ์นี้เกิดจากโทเค็นควบคุมรูปแบบใหม่และการคัดคำตอบคุณภาพต่ำออกระหว่างการฝึก

ผู้วิจัยระบุว่า:

‘JU-NLP ปรับแต่งโมเดลให้โฆษณาแนบเนียนโดยไม่มีการควบคุมความเข้มข้นอย่างชัดเจน จึงสร้างคำตอบที่มีความเข้มข้นคงที่ ส่วน NL-prompt รองรับความเข้มข้นได้หลายระดับ แต่ช่วงระดับแคบและคะแนนโฆษณาไม่สม่ำเสมอ ซึ่งยืนยันว่าพรอมป์ต์ภาษาธรรมชาติอย่างเดียวไม่เพียงพอสำหรับควบคุมความเข้มข้น

‘ในทางตรงกันข้าม AdKnob ครอบคลุมระดับความเข้มข้นของโฆษณาได้กว้างและสม่ำเสมอ

‘สาเหตุคือโทเค็นควบคุมโฆษณาของเราไม่มีความหมายที่ผ่านการฝึกไว้ล่วงหน้า และทำหน้าที่เป็นสัญญาณกำกับสำหรับควบคุมความเข้มข้นของโฆษณาโดยเฉพาะ จึงช่วยให้ DPO สร้างการจับคู่ที่ชัดเจนระหว่างโทเค็นแต่ละตัวกับระดับความเข้มข้นเป้าหมายของโทเค็นนั้นได้’

บทความระบุว่า แนวทางของผู้วิจัยยังให้คำตอบที่มีคุณภาพสูงกว่าวิธีอื่นเมื่อเทียบกันที่ระดับความเข้มข้นของโฆษณาใกล้เคียงกัน โดยเป็นผลจากตัวอย่างในการฝึกที่มีการปฏิเสธคำตอบคุณภาพต่ำกว่าอย่างชัดเจน

ต่อมา ผู้วิจัยได้ประเมินความสามารถในการติดป้ายกำกับโฆษณาของระบบ:

ผลการตรวจจับโฆษณาในโมเดล AI 4 รุ่น คะแนนที่สูงกว่าหมายถึงความแม่นยำที่ดีกว่า โดยแสดงผลลัพธ์ที่ดีที่สุดด้วยตัวหนา

AdKnob ทำความแม่นยำในการตรวจจับโดยรวมได้สูงที่สุดในโมเดลทั้ง 4 รุ่น โดยใช้เวลาระบุโฆษณาเพียง 2.5-7.3 มิลลิวินาทีต่อคำตอบ เมื่อเทียบกันแล้ว BERTScore ใช้เวลาประมาณ 1,800 มิลลิวินาที ทำให้ AdKnob เร็วกว่า 500 เท่าในโมเดลที่มีขนาดเล็กที่สุดที่นำมาทดสอบ

ผู้วิจัยกล่าวเพิ่มเติมว่า:

‘AdKnob ฝึกโมเดลให้เชื่อมโยงโทเค็นที่เกี่ยวข้องกับโฆษณาในอินพุตเข้ากับส่วนที่เป็นโฆษณาได้อย่างแน่นแฟ้น โดยใช้คำชี้แนะที่อาศัยการตัดองค์ประกอบออกอย่างชัดเจน ส่งผลให้ได้ค่า AUC และคะแนน F1 สูงที่สุดในโมเดลทั้งหมด’

‘นอกจากนี้ AdKnob ยังติดป้ายกำกับได้แบบเรียลไทม์โดยไม่มีค่าใช้จ่ายเพิ่มเติมในการอนุมาน ที่ ∼3 มิลลิวินาทีต่อคำตอบบน [Qwen3-4B.]

ในการทดสอบเชิงคุณภาพ มีการแนะนำโฆษณา Nintendo Switch เป็นหนึ่งในคำแนะนำหลายรายการที่ระดับ 1 ส่วนที่ระดับ 4 แบรนด์ดังกล่าวครองพื้นที่ส่วนใหญ่ของคำตอบ โดย AdKnob ระบุข้อความส่งเสริมการขายได้ทั้งสองระดับความเข้มข้น:

ตัวอย่างคำตอบต่อคำถามเกี่ยวกับ Black Friday ของ Walmart ที่มีระดับโฆษณา 2 ระดับ ข้อความที่เน้นและทำเครื่องหมาย [AD] คือเนื้อหาส่งเสริมการขาย

สุดท้าย** ผู้วิจัยได้ทำการศึกษากับผู้ใช้ 913 คน ซึ่งให้คะแนนความเข้มข้นของโฆษณาและคุณภาพคำตอบ เปรียบเทียบ AdKnob กับวิธีอื่น และประเมินความแม่นยำในการระบุเนื้อหาส่งเสริมการขาย:

ผลการประเมิน AdKnob โดยมนุษย์ ตารางแสดงคะแนนความเข้มข้นของโฆษณาและคุณภาพคำตอบ อัตราความพึงพอใจเมื่อเทียบกับวิธีอื่น และความแม่นยำในการตรวจจับโฆษณา ช่องสีเขียวแสดงอัตราความพึงพอใจที่สูงกว่า 50%

ผู้วิจัยสรุปว่า:

‘AdKnob ให้ค่า AUC และคะแนน F1 สูงที่สุด ที่น่าสังเกตคือ AdKnob มีค่าความไวสูงและมีผลลบลวงน้อย ซึ่งสำคัญอย่างยิ่งในมุมมองด้านกฎระเบียบ เพราะการไม่เปิดเผยส่วนที่เป็นโฆษณาก่อให้เกิดความเสี่ยงทางกฎหมายและความเชื่อมั่นอย่างมาก’

บทสรุป

ประเด็นหนึ่งที่น่าสนใจเกี่ยวกับการโฆษณาภายใน LLM ซึ่งผมไม่เห็นว่ามีใครให้ความสนใจ คือจะเกิดอะไรขึ้นเมื่อผลลัพธ์ที่ไม่มีโฆษณากับผลลัพธ์ที่อิงโฆษณาเหมือนกัน?

ตัวอย่างเช่น หากมีคนขอคำแนะนำเกี่ยวกับร้านอาหารในท้องถิ่น และมีเพียง McDonald’s กับคาเฟ่ที่ได้รับคะแนนแย่มาก แต่ McDonald’s จ่ายเงินเพื่อให้ได้รับการจัดวางตำแหน่ง ก็คงมีการนำเสนอ McDonald’s ในบริบทของโฆษณา เพราะสอดคล้องกับเป้าหมายของกรอบระบบเจ้าบ้าน…แม้ว่า McDonald’s จะเป็นตัวเลือกตามธรรมชาติอยู่แล้วก็ตามใช่ไหม?

การอ่านเรื่องทำนองนี้ ซึ่งฉันเขียนถึงอยู่เป็นประจำบนเว็บไซต์แห่งนี้ ทำให้รู้สึกเหมือนไก่งวงกำลังเปิดดูแคตตาล็อกเตาอบ สิ่งที่เราอาจควรจำไว้คือ แม้ในบางพื้นที่จะกำหนดให้ติดป้ายกำกับเพียงเล็กน้อย แต่เนื้อหา “ที่ไม่ซื่อตรง” ในผลลัพธ์ของเราก็จะไม่ได้รับการเน้นให้เห็น ตัวอย่างจำนวนจำกัดอย่างยิ่งที่แสดงในบทความฉบับนี้และบทความลักษณะเดียวกันบางชิ้น สะท้อนให้เห็นว่าเนื้อหาเชิงพาณิชย์รุกล้ำเนื้อหาดั้งเดิมอย่างร้ายแรงเพียงใด

และแน่นอนว่า ตัวอย่างเหล่านี้ล้วนเป็นตัวอย่างที่คัดเลือกมาแล้ว เป็นตัวอย่างที่ทำงานได้ผล และไม่ได้สร้างข้อมูลหลอน จับโยงสิ่งต่าง ๆ อย่างเกินจริงหรือน่ารังเกียจ หรือก่อให้เกิดข้อถกเถียงในรูปแบบอื่น เมื่อใช้งานในวงกว้าง สำหรับสถาปัตยกรรมที่มีแนวโน้มจะเผชิญกับเหตุการณ์เสื่อมเสียชื่อเสียงต่อสาธารณะได้ง่าย เรื่องนี้อาจเป็นอีกเหตุผลหนึ่งที่ทำให้บริการแนวหน้าส่วนใหญ่เข้าหาการโฆษณาอย่างระมัดระวัง

* ชื่อเรื่อง “AdKnob: การควบคุมความเข้มข้นของโฆษณาและการติดป้ายกำกับสำหรับการโฆษณาที่ออกแบบมาสำหรับ LLM” โดยผู้เขียน 6 คนจากคณะวิทยาการคอมพิวเตอร์แห่ง KAIST

** ตามปกติ เราจะไม่กล่าวถึงการศึกษาแบบตัดองค์ประกอบ (ยกเว้นกรณีที่เป็นส่วนหนึ่งของคุณค่าหลักของงาน ไม่ใช่เพียงการตรวจสอบเฉพาะจุด)

เผยแพร่ครั้งแรกเมื่อวันพฤหัสบดีที่ 5 พฤศจิกายน 2026