Jak wykorzystać możliwości modeli językowych do automatyzowania tworzenia treści w ecommerce

Prezentacja dotyczy wykorzystania dużych modeli językowych (LLM, głównie GPT-4) do automatyzacji tworzenia treści w e-commerce, ze szczególnym naciskiem na opisy kategorii i opisy produktów zoptymalizowane pod SEO. Omówione obszary: (1) podstawy działania LLM (tokenizacja, skala danych treningowych — porównanie 1GB ≈ 170 mln słów vs. 1PB ≈ 170 bilionów słów, co stanowi 31 000-krotną różnicę), (2) typowe problemy treści generowanych przez AI — niska readability, perplexity i burstiness (akapity tej samej długości, liczne powtórzenia, długie zdania, brak formatowania), (3) praktyczne zastosowania na opisach kategorii i produktów, (4) fine-tuning modeli własnymi danymi sklepu. Prelegent (d.salkowski@senuto.com, Senuto) przedstawia case OBI — generowanie opisów dla kategorii "Kable audio-wideo do domu". Pokazuje kompletny stack promptowy: rola (copywriter SEO), opis zadania, instrukcje, kontekst (słowa kluczowe, filtry faset, lista dostępnych produktów z inwentarza). Cały proces wykorzystuje 3 modele i 16 promptów, a wygenerowanie jednego opisu to ok. 120k tokenów kontekstu (porównanie: średniej wielkości książka; 36 znaków kontekstu na 1 znak wyjścia). Kluczowe tezy techniczne: traktować LLM jako "procesor językowy", nie źródło wiedzy; "karmić" modele własnymi danymi, by unikać halucynacji (przykład halucynacji: "W OBI znajdziesz szeroki wybór uchwytów na smartfony"); research w klasycznym procesie zastąpić dostarczaniem faktów do modelu. Przywołane badanie na 7583 adresach URL z 18 domen dotyczące wartości opisów kategorii SEO. Wspomniana ciekawostka z badania Mohamed bin Zayed University of AI: oferowanie napiwku $20 w promptcie wydłuża odpowiedź o 6%, deklaracja braku napiwku skraca ją o 2%. Opisy produktów: fine-tuning na przykładach JSONL (role system/user/assistant) — pokazany przykład gry planszowej Djeco za 61.99 PLN. Gdy brakuje danych produktowych — analiza obrazu produktu przez model multimodalny z szablonem zmiennych (title, intended user, potential uses, key features) generująca opis po polsku (50–100 słów). Pokazane porównania: oryginał vs. wersja bez tuningu vs. z tuningiem. Dodatkowe zastosowania wymienione na końcu: kategoryzacja produktów, sekcje FAQ, rozbudowa architektury informacji. Link: https://lp.senuto.com/zrozumiecai. Format: techniczny how-to z przykładami promptów, case studies (OBI, sklepy z akcesoriami samochodowymi, deski tarasowe) i zrzutami wyjść modelu.