كيف تساعد شخصيات العملاء في بناء الظهور في الذكاء الاصطناعي؟

النتائج الرئيسية من أبحاث Semly

يجب تقييم ظهور العلامة التجارية في الذكاء الاصطناعي فيما يتعلق باحتياجات الشخص الذي يطرح السؤال ومسار محادثته مع النموذج. ظهور علامة تجارية في إجابة على استعلام عام لا يظهر بعد ما إذا كان النظام يوصي بها لشخص مناسب لعرضها. في منهجية Semly، يتبنى جيف دور مستخدم معرف بشخصية ويبني السياق من خلال المحادثة قبل طرح سؤال الشراء المستهدف.

في Semly، نطور هذا النهج مع وكيل الذكاء الاصطناعي جيف. على مدار ستة أشهر، أجرينا أبحاثا وتجارب على استعلامات ChatGPT وGemini. تغطي مجموعة البيانات المقدمة لهذا التقرير 1.2 مليون استعلام، و24 سجلا مجمعا، و12 مقارنة مطابقة. يتضمن التحليل ست مجموعات محتوى واثنين من أساليب إعداد المحتوى: بدون شخصية ومع شخصية.

كان متوسط الوقت للوصول إلى نفس هدف الظهور 100 يوم بدون شخصية و70 يوما مع شخصية. يمثل هذا انخفاضا بنسبة 30%، أو متوسط 30 يوما. زادت صلة المحتوى من 61.5% إلى 77.5% - بـ 16 نقطة مئوية. نلاحظ نفس اتجاه الفرق في النظامين.

تدعم النتائج استخدام الشخصيات في تخطيط المحتوى وتحليل الظهور. فهي توفر أساسا لمتطلبات أكثر تحديدا: لمن يوجه المحتوى، ومعايير الاختيار التي يجب أن يشرحها، والمعارضة التي يجب أن يتناولها. تتطلب تكرار الإجابة وتأثير التحويل مقاييس منفصلة؛ لا توفر هذه المجموعة البيانات تأثيرا عدديا لأي منهما.

لماذا لا تصف السؤال وحده احتياجات العميل

لا يحدد الاستعلام "أين يمكنني شراء أحذية جري مريحة؟" السطح، أو الخبرة، أو الميزانية، أو الاستخدام المقصود. قد تؤدي التوصية إلى فئة منتجات واسعة، بينما تحتاج العلامة التجارية إلى معرفة ما إذا كانت تصل إلى عداء ترفيهي في الغابات، أو مبتدئ على مسارات معبدة، أو عداء تنافسي.

تحدد العبارة "أجري في الغالب بشكل ترفيهي على مسارات غابية وأحتاج إلى أحذية لجلسات تدريب قصيرة" الموقف. في نهج Semly، يمكن لـ Leon تقديم هذا السياق في بداية المحادثة والتحول إلى السؤال المستهدف بعد تفسير الرد. تظل الحاجة الرئيسية للشراء كما هي، لكن شروط القياس تشمل الشخصية، والنية، والرسائل السابقة في تلك المحادثة. هذا مهم عند تفسير الزيادات أو الانخفاضات في الظهور.

تحدد الشخصية دور المستخدم والسيناريو، وهو ما يستخدمه Leon عند التحدث إلى النموذج. يبني الوكيل سياقه الخاص في تلك المحادثة، مما يقرب البحث من كيفية استخدام الشخص للدردشة. لا يعيد بناء تاريخ مستخدم حقيقي محدد. من الجيد البدء بالاحتياجات والقيود المتعلقة بالمنتجات. يجب تبرير العمر، والجنس، والخصائص الديموغرافية الأخرى من خلال السيناريو قيد الدراسة.

تشير التوجيهات الرسمية من OpenAI وGoogle إلى أن السياق ذي الصلة يساعد في تحديد المهمة وقيودها [1][2]. يوفر هذا أساسا لتصميم الاستعلامات.

كيف يربط وكيل الذكاء الاصطناعي Leon بين معرفة العلامة التجارية وسياق المستخدم

ينشئ Leon شخصيات من المعرفة حول العلامة التجارية، ومنتجاتها، وخدماتها، والمحتوى الحالي. ثم يتصرف في الدراسة كمستخدم يطابق الملف المختار. يبدأ محادثة، ويقدم نفسه للنموذج، ويترجم رده. على هذا الأساس، يدرك متى يمكنه طرح الاستهدف المستهدف مع السياق والنية. يتناول النتيجة سؤالا عمليا: هل يتضمن الذكاء الاصطناعي العلامة التجارية في محادثة مع شخص تتوافق احتياجاته مع عروضها؟

يربط دور Leon بين المراقبة وتخطيط المحتوى. يمكن أن تكشف الردود عن معايير الاختيار، والاعتراضات، والمعلومات التي يستخدمها النموذج لتبرير التوصيات. إذا كانت المعلومات الخاصة بموقف معين مفقودة من موقع العلامة التجارية، فقد تؤدي التحليلات إلى موجز يحدد فجوات المحتوى.

يجري Leon المحادثة بصفتة المستخدم

تتبع البحث الذي أجراه ليون محادثة. يقدم الوكيل نفسه أولا إلى النموذج بصفته المستخدم الخاضع للدراسة، بما يتوافق مع الشخصية المختارة. ويؤسس بذلك لوضع المستخدم واحتياجاته. وبعد تلقي رد، يقرأه ويؤوله فيما يتعلق بهدف المحادثة.

يعد تأويل الرد جزءا من عملية عمل الوكيل. يقيم ليون ما إذا كان بإمكانه الانتقال إلى السؤال المستهدف. ويحدد توقيت ذلك من خلال مسار المحادثة والرد الذي تلقاه. ويحتوي المطلب المستهدف على سياق المستخدم ونواياه، ويظهر في محادثة يكون النموذج فيها قد حصل مسبقا على معلومات عن المستخدم.

يقترب هذا الأسلوب في الاستعلام من طريقة استخدام الشخص للدردشة. فيصف المستخدم وضعه، ويقرأ الرد، ثم يصيغ السؤال التالي على هذا الأساس. ويتولى ليون هذا الدور في الدراسة، ما يتيح تحليل توصيات العلامات التجارية ضمن محادثة متلاحقة.

تعرف النية القرار الذي يريد المستخدم اتخاذه. وفي المثال الجاري، قد يكون السياق هو الجري الترفيهي على مسارات غابوية، والنية اختيار وشراء حذاء مناسب. يطلب ليون التوصية بمجرد أن يؤول الرد السابق ويحدد أنه يمكنه طرح السؤال المستهدف.

تصبح السجلة الكاملة للمحادثة ذات صلة عند تأويل النتيجة. فقد تنتج صياغة متطابقة في السؤال الأخير ردودا مختلفة إذا كانت الرسائل السابقة قد قدمت احتياجات متباينة. ولذلك ينبغي أن تحدد الدراسة كلا من المطلب المستهدف والمحادثة التي طرح فيها.

يشرح وصف العملية دور ليون ولماذا تشبه البحث تفاعلا دردشيا. ومع ذلك، لا تعزل التجميعة المقدمة تأثير تقديم ليون لنفسه، أو تأويل رد، أو اختيار توقيت طرح السؤال. ولا نعزو نتائج 30% و16 نقطة مئوية بشكل منفصل إلى أي من هذه المراحل.

ماذا يعني انخفاض بنسبة 30% في الوقت

تفترض مجموعة البيانات مستوى ظهور أولي مشتركا بنسبة 20% وهدفا مشتركا بنسبة 40%. يعرف الظهور بأنه عدد الردود التي توصي بالعلامة التجارية مقسوما على عدد الاستفسارات. وهذا يمثل زيادة قدرها 20 نقطة مئوية. تصف الأساليب كيفية إعداد المحتوى؛ وتقيم النتائج مقابل نفس الهدف ولوحة الأسئلة نفسها، وفقا لافتراضات مجموعة البيانات.

متوسط الوقت للوصول إلى الهدف هو 100 يوم بدون شخصية افتراضية، و70 يوما مع شخصية افتراضية. نحسب الانخفاض كالتالي: (100 - 70) / 100 × 100%، أي 30%. الفرق هو 30 يوما. الوصف الدقيق هو "وقت أقل بنسبة 30% للوصول إلى نفس الهدف".

بالنسبة لفريق يعمل على بناء الظهور، قد يعني ذلك دورة أقصر من تحديد الاحتياجات إلى تحقيق النتيجة المرجوة. التفسير التشغيلي مهم: فقد يقلل المحتوى الأكثر استهدافا من الحاجة إلى مراجعات متتالية. ومع ذلك، لا تعزل مجموعة البيانات وقت العمل التحريري أو الأسباب الفردية للفرق، لذا لا نعزو الأثر بأكمله تلقائيا إلى أتمتة Leon.

تحتوي البيانات المقدمة على مستوى الظهور الأساسي، ومستوى الظهور النهائي، والوقت المستهدف، دون وجود سلسلة زمنية يومية للظهور. وبالتالي، يعرض الرسم البياني الوقت اللازم للوصول إلى نتيجة مشتركة. لا نستخدم هذه البيانات لاستنتاج منحنى يشير إلى تراكم التأثير بمعدل ثابت.

الرسم البياني 1. متوسط المدة اللازمة لبلوغ هدف الظهور المشترك البالغ 40%: 100 و70 يوما. الأساس: 12 مقارنة متكافئة في بيانات Semly. الفارق: 30 يوما، أي انخفاض بنسبة 30%.

ملاءمة المحتوى ودقة الإجابة مقياسان مختلفان

في هذه المجموعة البيانات، تمثل ملاءمة المحتوى نسبة المواد المقيمة التي وصفت بأنها متوافقة مع احتياجات الشخصية. يتضمن كل سجل 100 تقييم. بدون شخصية، يبلغ إجمالي المواد ذات الصلة 738 من أصل 1200 تقييم؛ ومع الشخصية، 930 من أصل 1200. وهذا يتوافق مع 61.5% و77.5% على التوالي.

الفرق هو 16 نقطة مئوية. وتبلغ الزيادة النسبية مقارنة بالقيمة الأساسية البالغة 61.5% حوالي 26.0%. هذان طريقتان لوصف نفس مجموعة البيانات، لكنهما لا يشيران إلى نفس الوحدة. يظل المقياس الرئيسي المستخدم في النص والرسم البياني هو الفرق بالنقاط المئوية.

ملاءمة المحتوى لا تعادل مصداقية استجابة النموذج. قد تتوافق الاستجابة مع احتياجات المستخدم مع احتوائها على مواصفات منتج غير صحيحة. لذلك، يجب تقييم دقة الإجابة بشكل منفصل: هل يأخذ النموذج المتطلبات في الاعتبار، وهل التوصية مناسبة، وهل الحقائق المذكورة مدعومة بمصادر؟

تظهر النتيجة البالغة 77.5% نسبة أعلى من المواد التي تلبي احتياجات المستخدمين في نهج الشخصية. وتدعم هذه النتيجة وصف اختيار المحتوى بأنه أكثر ملاءمة ضمن هذه المجموعة البيانات. ونظرا لأن البيانات المقدمة كانت مجمعة فقط، دون تقييمات فردية أو مقياس تقييم مفصل، فإن التقرير لا يدعي دلالة إحصائية ولا يعادل ملاءمة المحتوى مع الدقة الواقعية لكل استجابة من استجابات الذكاء الاصطناعي التوليدي.

الرسم البياني 2. ملاءمة المحتوى: 61.5% و77.5%، بفارق 16 نقطة مئوية. الأساس: 1200 تقييم لكل نهج في بيانات Semly. يصف المقياس التوافق مع احتياجات شخصية العميل؛ ولا يمثل معدل تحويل.

نتائج ChatGPT وGemini

بالنسبة إلى ChatGPT، يبلغ متوسط الوقت المستهدف 95 يوما بدون شخصية و66.5 يوما مع شخصية. وفيما يخص Gemini، تبلغ الأرقام 105 و73.5 يوما. ويظهر كلا النظامين انخفاضا بنسبة 30%. ويشير المقارنة إلى نفس اتجاه الفرق في المجموعات التي تم تحليلها.

ملاءمة المحتوى في سجلات ChatGPT هي 60.5% بدون شخصية و76.5% مع شخصية. وفيما يخص Gemini، تبلغ 62.5% و78.5%. والفرق في كل نظام هو 16 نقطة مئوية. يتضمن كل مزيج من النظام والنهج 600 تقييم للمحتوى.

يفحص فصل النتائج حسب النظام ما إذا كان المتوسط الإجمالي يخفي نتائج مختلفة. في هذه المجموعة البيانات، تكون الفروق بين النهج متسقة عبر ChatGPT وGemini. وهذا ليس تصنيفا لجودة النماذج نفسها: فالأوقات والملاءمة تصف الأنشطة والمحتوى الذي تم تحليله.

في الممارسة العملية، يعد الحفاظ على ملفات تعريف ظهور منفصلة لكل نظام مفيدا. قد تعرض نفس المحتوى واحتياجات المستخدمين بشكل مختلف. يمكن بعد ذلك تقييم توصيات ليون مقابل نظام وسيناريو معينين، دون اختزال الوجود الكامل للعلامة التجارية في رقم واحد.

الرسم البياني 3. متوسط المدة اللازمة لبلوغ الهدف المشترك في ChatGPT وGemini. الأساس: 6 مقارنات متكافئة لكل نظام، من بيانات Semly. تصف النتيجة النهوج التي جرى تحليلها، ولا تمثل ترتيبا لجودة النماذج.

النتائج عبر ست مجموعات

تغطي المجموعة البيانات مجموعات M1-M6. متوسط الوقت للوصول إلى الهدف، المحسوب لكلا النظامين ضمن كل مجموعة، هو 75 و85 و95 و105 و115 و125 يوما بدون شخصية. ومع الشخصية، يصبح 52.5 و59.5 و66.5 و73.5 و80.5 و87.5 يوما.

يظهر الفرق بين النهجين بوضوح لكل من الأوقات الأقصر والأطول للوصول إلى الهدف. يبلغ الفرق 22.5 يوما في M1 و37.5 يوما في M6. في كل زوج من البيانات المقدمة، يكون الوقت مع الشخصية 70% من الوقت بدونها. نوضح هذه العلاقة الثابتة صراحة؛ ولا نعاملها كمقياس لتكرار استجابة النموذج.

تشير M1-M6 إلى المجموعات، وليست ست قراءات ظهور متتالية لعلامة تجارية واحدة. لا ينبغي تفسير الأوقات المتزايدة على أنها انخفاض في الفعالية في الأشهر المتتالية. يتطلب تحليل الموسمية والتغيرات عبر الزمن تواريخ تقويمية وقراءات يومية أو أسبوعية.

يجب أن يتضمن التقييم الكامل للوقت للوصول إلى الهدف أيضا الحالات التي لم تصل إلى العتبة قبل انتهاء الملاحظة. لا تحدد البيانات المقدمة هذه الحالات بشكل منفصل. يجب أخذ ذلك في الاعتبار عند تصميم المقارنات المستقبلية.

الرسم البياني 4. المدة اللازمة لبلوغ الهدف عبر ست مجموعات، بمتوسط محسوب على نظامين، من بيانات Semly. المجموعات M1-M6 لا تمثل سلسلة زمنية شهرية لظهور علامة تجارية واحدة.

نفس السؤال عبر شخصيات متعددة

كجزء من عمل Semly، قمنا أيضا بدراسة نفس السؤال الأساسي عبر شخصيات متعددة. يعمل Leon كشخصية مستخدم تطابق كل ملف شخصي، ويخوض محادثة قبل طرح السؤال المستهدف. يساعد ذلك في تحديد كيفية تأثير الاحتياجات، والنوايا، والسياق السابق على التوصيات والمعلومات المفيدة لاتخاذ قرار الشراء. بالنسبة لسؤال يتعلق بحذاء الجري، يمكن أن تشمل السيناريوهات مبتدئا على مسارات معبدة، وجوها ترفيهيا في الغابات، وشخصا يخضع لجلسات تدريب أطول على المسارات الوعرة. توضح المصفوفة أدناه استخدام هذه الطريقة. وهي ليست نسخة حرفية من استجابات الدراسة.

من المفيد لكل استجابة تسجيل العلامات التجارية الموصى بها، وحجج الاختيار، والمتطلبات التقنية، والاعتراضات، والروابط المرجعية المستشهد بها. يظهر المقارنة أي المعلومات تتكرر عبر السيناريوهات وأيها خاص باحتياج معين. يمكن بعد ذلك أن يتضمن الملخص نواة مشتركة وأقسام إضافية تعالج الفروق.

تستخدم Semly الملاحظات المستمدة من العمل مع شخصيات متعددة كأساس لتوصيات محتوى أكثر صلة. ومع ذلك، لا تتضمن مجموعة البيانات المقدمة معرفات للشخصيات، أو prompts كاملة، أو استجابات النموذج. لذلك، لا يعزو التقرير أثرا رقميا لشخصية محددة، ولا يصنف العلامات التجارية التي يوصي بها.

كيف تصبح ردود الشخصيات المتعددة موجز محتوى

يمكن للمحادثة أن توفر معلومات لموجز حتى قبل التوصية النهائية. قد تكشف ردود سابقة عن معايير تحتاج إلى شرح، بينما تربط السؤال المستهدف لليون ذلك بقصد المستخدم. يساعد تحليل المحادثة الكاملة في تحديد المحتوى المفيد لمراحل متتالية من اتخاذ القرار.

أولا، يجب فصل معايير الاختيار عن أسماء العلامات التجارية. لا يشرح قائمة الشركات الموصى بها وحدها سبب ظهورها. المعلومات التي يحتاجها مستخدم معين لمقارنة التطبيقات، أو شرح التوافق، أو شروط الإرجاع الواضحة، تكون أكثر فائدة للفريق التحريري.

بعد ذلك، يجب مقارنة هذه الاحتياجات مع مواد العلامة التجارية. قد يبرر عدم وجود إجابة لسؤال مهم تحديث صفحة موجودة. قد تبرر الفروق بين مجموعات المستخدمين قسما منفصلا أو مقارنة. يجب أن يعكس القرار الفائدة للناس، بدلا من مضاعفة الصفحات ميكانيكيا لكل شخصية.

قد يتضمن موجز المثال سيناريو المستخدم، والقرار الذي يجب اتخاذه، والمعايير الرئيسية، وبيانات المنتجات القابلة للتحقق، والمعارضة، والمصادر. إذا كان التحليل يتعلق بمسارات الغابات، فيجب أن يشرح المادة استخدام المنتج وحدوده.

قد يكون المحتوى المعد بهذه الطريقة أكثر صلة بشخص يأتي من رد ذكاء اصطناعي. يدعم هذا فرضية تحسين معدل التحويل. يتطلب التأكيد مقارنة سلوك المستخدم ونتائج المبيعات بعد التنفيذ.

تتطلب إمكانية التكرار قياسات متكررة

يمكن أن يجعل وصف الشخصية الثابت وقواعد المحادثة المتسقة قياسات النتائج أسهل للمقارنة. ونظرا لأن ليون يفسر الرد قبل طرح السؤال المستهدف، يجب أيضا التحكم في سجل المحادثة وقواعد اتخاذ القرار. ينبغي قياس تكرار العملية والاتفاق بين الاستجابات النهائية بشكل منفصل.

يجب أن يحافظ الاختبار المقترح على نفس إصدار النموذج، ووضع البحث، واللغة، وقواعد بدء الجلسة. ومن المفيد مقارنة المحادثات الكاملة التي تبدأ بشخصية وهدف متماثلين، والاستجابات ذات السياق المعاد بناؤه بشكل مطابق. تقيم المقارنة الأولى التباين في العملية بأكملها، بينما تساعد الثانية في تقييم التباين في الاستجابة النهائية. يجب أن تعمل لوحة الأساس ولوحة الشخصية بالتوازي.

تشمل المقاييس الممكنة استقرار وجود العلامة التجارية، والاتفاق بين مجموعات العلامات التجارية الموصى بها، والاتفاق بين المصادر المستشهد بها. بالنسبة لمجموعتي علامات تجاريتين A وB، فإن مقياس الاتفاق البسيط هو حصة العلامات التجارية المشتركة ضمن مجموعة جميع العلامات التجارية من كلا الاستجابات. تتطلب الحالات التي تكون فيها كلتا المجموعتين فارغتين قاعدة إبلاغ منفصلة.

تتناول التكرارية ضمن شخصية واحدة والاختلافات بين شخصيات أسئلة مختلفة. يمكن أن تتعايش التوصيات المستقرة لملف شخصي واحد مع اختلافات واضحة بين الملفات الشخصية. تساعد أوصاف الشخصيات المهيكلة من ليون في الحفاظ على ظروف استعلام أكثر اتساقا. ومع ذلك، لا يحتوي مجموعة البيانات المقدمة على مقاييس للاتفاق بين الاستجابات المتتالية، لذا لا نقوم بتكملة تحسين التكرارية.

كيفية التحقق من التأثير على معدل التحويل

يجب أن يميز القياس التجاري بين وجود العلامة التجارية في الإجابة، والاستشهاد بموقعها الإلكتروني، وزيارة المستخدم للموقع، وإكمال إجراء معين. يتطلب كل مرحلة مقياسا خاصا بها. لا تعادل عدد التوصيات عدد الزيارات، ولا يعادل عدد الزيارات عدد عمليات الشراء.

بعد تنفيذ المحتوى، يكون من المفيد تتبع الجلسات القادمة من مصادر ذكاء اصطناعي قابلة للتحديد، والتفاعل، والاستفسارات، والمعاملات، والإيرادات. قد لا يكون لبعض حركة المرور تسمية مصدر واضحة، لذا يجب وصف نطاق الجلسات المحددة. يجب أن يستخدم معدل التحويل مقاما محددا بوضوح، مثل الجلسات المؤهلة.

يدعم مقارنة الصفحات أو مجموعات المحتوى المماثلة، مع تعريف تحويل ثابت ونافذة مراقبة، تقييما أكثر موثوقية. يجب تسجيل التغييرات الأخرى، مثل العروض الترويجية، والأسعار، وتوفر المنتجات، والحملات. وإلا، قد يعزى نمو المبيعات بشكل خاطئ إلى تغيير في استراتيجية المحتوى.

وبالتالي، تقترح الورقة فرضية محددة: قد يساعد المحتوى المرتبط باحتياجات المستخدمين الحقيقية الناس في اتخاذ القرارات. ولا يزال حجم تأثيره على المبيعات بحاجة إلى القياس. لا تحتوي ورقة البيانات على جلسات، أو عملاء محتملون، أو معاملات.

ماذا يعني تغيير المنهجية لنتائج الظهور

يؤدي إدخال شخصيات ومحادثة ليون إلى تغيير طريقة استعلام النماذج. كما أن استجابة موجه الهدف تأخذ في الاعتبار الرسائل السابقة. قد ترتفع النتيجة عندما تتطابق علامة تجارية بشكل أفضل مع الاحتياجات المعلنة، أو تنخفض عندما يختار النظام عرضا آخر. ولذلك، يجب أن تأخذ المقارنات في الاعتبار كل من صياغة السؤال وطريقة إعداد سياق المحادثة.

أوضح نهج هو عرض نتائج لوحة الأساس ولوحة الشخصية جنبا إلى جنب. إذا كان هناك حاجة إلى متوسط مجمع، يجب أن تتبع حصص الشخصية افتراضيات صريحة حول الجمهور. تعد الأوزان المتساوية خيارا تحليليا بسيطا، لكنها لا تثبت أن كل مجموعة تمثل حصة متساوية من الطلب الفعلي.

يعد التوافق مع الاحتياجات عاملا مهما أيضا عند اختيار الشخصيات. فقد يتجاهل الملف الشخصي الذي يبنى من منظور العرض فقط حواجز الشراء أو المواقف التي يكون فيها المنتج غير مناسب. ومن المفيد تضمين سيناريوهات صارمة، بدلا من تصميم لوحة عمل تركز فقط على المستخدمين الذين يسهل التوصية بالعلامة التجارية لهم.

ملخص التقرير

تظهر أبحاث Semly أن تضمين الشخصيات يساعد في مواءمة المحتوى مع احتياجات المستخدم ويقلل الوقت اللازم لبناء الظهور في الذكاء الاصطناعي. وفي مجموعة البيانات التي خضعت للتحليل، كان متوسط الوقت للوصول إلى هدف الظهور المشترك 100 يوم بدون شخصية و70 يوما مع شخصية، أي أقل بنسبة 30%. وزاد صلة المحتوى من 61.5% إلى 77.5%، أي بزيادة 16 نقطة مئوية. وقد رصد نفس اتجاه الفرق في ChatGPT وGemini.

يعطي Leon هذا النهج شكلا محادثيا. يعمل الوكيل كمستخدم: يقدم نفسه وفقا للشخصية، ويترجم رد النموذج، ويحدد متى يطرح السؤال المستهدف مع السياق والنية. يتيح ذلك لـ Semly تحليل التوصيات في ظروف أقرب إلى كيفية استخدام الناس للدردشة.

يسمح استفسار نفس السؤال الأساسي عبر شخصيات متعددة بتحديد معايير اختيار مختلفة، واعتراضات، واحتياجات معلوماتية. يمكن أن تغذي هذه الملاحظات موجزات أكثر تحديدا، ومقارنات، ومواد تساعد المستخدمين على اتخاذ القرار. يدعم صلة المحتوى العالية هذا النهج؛ أما تأثير التحويل فيحتاج إلى قياس منفصل لسلوك المستخدم والنتائج التجارية.

تشكل الشخصيات والقواعد المحادثية المتسقة أساسا للمراقبة القابلة للمقارنة. ومع ذلك، يجب تقييم تكرار الإجابات من خلال قياسات إضافية تأخذ في الاعتبار تاريخ المحادثة وظروف الاستفسار. لا تكمن النتائج المعروضة تحسنا في التكرار ولا زيادة في التحويل.

التأثير العملي للعلامات التجارية واضح: ادرسوا من whom يوصي الذكاء الاصطناعي بالعرض وفي أي سياق، ثم استخدموا تلك المعلومات لتطوير المحتوى. تربط Semly بذلك أداة مراقبة الظهور بأبحاث السياق والنية وتوصيات النموذج.

المصادر

مواد Semly: "مليون استفسار، ستة أشهر من البحث. لماذا تقدم Semly الشخصيات لمراقبة الظهور في الذكاء الاصطناعي"، مكملة بوصف Semly لمحادثات Leon - مصادر للوكيل ووصف البحث.

[1] OpenAI، هندسة الأوامر. إرشادات حول توفير سياق ذي صلة في الاستفسار. https://developers.openai.com/api/docs/guides/prompt-engineering

[2] Google AI for Developers، استراتيجيات تصميم الأوامر. إرشادات حول السياق وقيود المهمة. https://ai.google.dev/gemini-api/docs/prompting-strategies

[3] Franziska Weeber، Vera Neplenbroek، Jan Batzner، Sebastian Padó، One Persona, Many Cues, Different Results: How Sociodemographic Cues Impact LLM Personalization، ACL 2026. https://aclanthology.org/2026.acl-long.2079/

مشاركة:

نسخ الرابط