Сегодня большие языковые модели (LLM) умеют писать тексты, вести диалоги и решать интеллектуальные задачи. Но их способность убеждать до сих пор изучена недостаточно. Между тем, именно искусство убеждения лежит в основе множества экономических процессов — по оценкам, до 30% ВВП США формируется благодаря рекламе, лоббированию, переговорам и другим видам коммуникации, где важно «продать» идею или продукт.
Однако массовая генерация рекламного контента несет и очевидные риски: например, распространение дезинформации или манипулирование мнением людей. Это особенно критично в тех областях, где важна точность и достоверность, — например, в рекламе недвижимости. Здесь клиенты серьезно относятся к покупкам жилья, поэтому описание должно быть не только эмоциональным, но и строго соответствовать фактам.
Мультиагентная система для генерации рекламного контента
Авторы исследования «Grounded Persuasive Language Generation for Automated Marketing» предлагают использовать большую языковую модель для автоматизированного создания маркетинговых материалов. Их подход делится на три ключевых модуля:
Пайплайн ИИ-риэлтора
Модуль обоснования. Отвечает за то, чтобы текст был разбит на конкретные, измеримые параметры объекта. По сути, это модуль, который имитирует логику эксперта и выделяет рыночные преимущества (например, реальную площадь, расположение, особенности отделки).
Модуль персонализации. Позволяет адаптировать полученный текст под вкусы и интересы конкретного покупателя. Кому-то важнее удобство транспортной развязки, а кому-то — количество солнечного света в комнатах.
Маркетинговый модуль. Следит, чтобы в тексте сохранялась фактическая точность и добавлялись уникальные характеристики (те, что редки в этом районе или ценовом диапазоне). Такие детали повышают привлекательность предложения.
Основная идея опирается на теорию стратегической коммуникации: как передать ровно те сигналы, которые максимально повлияют на решение покупателя недвижимости, но при этом останутся в рамках фактов.
Методы исследованияПроцесс иерархического создания признаков
Исследователи собрали свыше 50 000 объявлений с Zillow. Каждое объявление содержит множество атрибутов: площадь, стоимость, число комнат и т. д.
С помощью LLM автоматически извлекли из текстов ключевые характеристики (фичи). Затем на основе этих данных построили иерархическую схему признаков — своего рода «каркас», описывающий все разнообразие маркетинговых преимуществ: от «расположение у метро» до «престижный район».
Далее исследователи обучили простую нейросеть, которая переводит «сырые» фактические атрибуты объекта (например, 80 м², 5 минут до школы) в более абстрактные маркетинговые признаки («просторная планировка», «близко к школам»).
Изучались предпочтения реальных людей — они отмечали важность тех или иных признаков (например, «чистый подъезд» или «вид на парк»). Это использовалось, чтобы система могла точечно настраивать текст под каждого.
Авторы проверяли, насколько их модель убеждает потенциальных покупателей в сравнении с классическими описаниями риэлторов. Для объективности использовали систему рейтингов Elo. Также проводилась дополнительная проверка на галлюцинации.
РезультатыСравнение моделей с использованием Elo-рейтингов и показателей побед. Elo-рейтинги отражают общую убедительность, а показатели побед демонстрируют относительную убедительность. Оба показателя основаны на оценках, проведенных людьми.
Оказалось, что ИИ-риэлтор, созданный на базе описанного подхода, получила более высокий рейтинг по сравнению с текстами профессиональных риэлторов. Это указывает на сильный потенциал LLM в создании действительно профессиональных рекламных предложений с фактологически точными описаниями.
По мере добавления новых модулей — от обоснования к персонализации и далее к маркетингу— качество и убедительность результатов постоянно росли.
Проверки на соответствие фактам показали, что модель редко искажает данные об объекте. У людей, напротив, часто встречались неточности, когда, например, площадь или количество комнат в тексте не совпадали с фактическими параметрами.Авторы пробовали моделировать поведение пользователей с помощью самой же ИИ-системы. Получилось весьма интересно: хотя модель может отчасти имитировать оценки людей, все же оставались случаи, где индивидуальные предпочтения воспроизвести сложно. То есть симуляция перспективна, но пока не идеальна.
Выводы
Большие языковые модели уже научились убеждать — и сфера недвижимости стала отличным полигоном, чтобы это показать. У исследователей получилось создать ИИ-систему, способную автоматически создавать «цепляющие» тексты, которые оцениваются выше, чем работа профессиональных риэлторов.
Подобная система способна работать на больших объемах данных и генерировать контент массово. Это потенциально снижает расходы на создание рекламных и маркетинговых текстов и дает возможность персонализировать предложения для каждого клиента.При этом важно помнить: если подобную технологию использовать неправильно, можно манипулировать мнением людей. Если система использует искаженную информацию, то есть риск потери доверия к такого рода сервисам.
Если вам интересна тема ИИ, подписывайтесь на мой Telegram-канал — там я регулярно делюсь инсайтами по внедрению ИИ в бизнес, запуску ИИ-стартапов и объясняю, как работают все эти ИИ-чудеса.
Источник: habr.com
