چگونه مدل‌های زبانی بزرگ (LLM) به انسانی‌سازی محتوا کمک می‌کنند؟

یکی از موضوعات اصلی که در مورد مدل‌های زبانی بزرگ (LLMs) بسیار درباره آن صحبت می‌شود، تولید محتوا در مقیاس وسیع است و این موضوع به‌ شدت می‌تواند شما را وابسته کند. همه افراد با کمبود زمان مواجه هستند و به‌دنبال راهکارهایی برای ساده‌تر کردن زندگی خود می‌باشند. در نتیجه این سؤال شکل می‌گیرد که اگر بتوان از ابزارهایی مانند Claude و ChatGPT به شکلی هوشمندانه استفاده کرد؛ به‌طوری که فرایندها را سامان دهند، فعالیت وب‌سایت را انسانی‌تر کنند و از شدت فشارهای روزمره بکاهند، بدون آنکه به خلاقیت آسیب بزنند، چه پیامدی در پی خواهد داشت؟

این مقاله میهن وب هاست بررسی می‌کند که چگونه استفاده صحیح از مدل‌های زبانی بزرگ (LLM) می‌تواند به موارد زیر کمک نماید:

• تحلیل بازخوردها و پرسش‌های مشتریان در مقیاس وسیع.
• خودکارسازی دریافت اطلاعات دقیق و منحصربه‌فرد از متخصصان حوزه.
• تحلیل رقبا.

تمام این کارها را می‌توان به‌صورت دستی انجام داد و گاهی هم کامل انجام می‌شوند اما این فعالیت‌ها تلاش‌های گسترده و مبتنی بر داده هستند که با حداقل خودکارسازی به بهترین شکل قابل انجام می باشند. این اطلاعات به شما کمک می‌کند تا به‌جای گرفتار شدن در دنیایی محدود و تکراری، دیدگاه‌تان را بر اساس واقعیت‌های مشتری یا بازار شکل دهید.

تصویر(1)

تحلیل بازخورد مشتریان با مدل‌های زبانی بزرگ (LLM)

یکی از ویژگی‌های فوق‌العاده مدل‌های زبانی بزرگ (LLM)، توانایی آنها در موارد زیر است:

• پردازش داده‌ها در مقیاس وسیع.
• یافتن الگوها.
• یافتن روندهایی که در صورت نبود آنها، برای انسان ها ساعت‌ها، روزها یا حتی هفته‌ها زمانبر خواهد بود.

اگر در یک شرکت جهانی و بسیار بزرگ کار نکنید، احتمالاً تیم تحلیل داده با این سطح از توانمندی را در اختیار ندارید؛ بنابراین بهترین راهکار استفاده از یک مدل زبانی بزرگ (LLM) است. در این شرایط، تمرکز روی بازخورد مشتریان اهمیت پیدا می‌کند زیرا افراد تمایل ندارند هزاران نظرسنجی یا فرم‌های ثبت بازخورد طولانی را بخوانند.

می‌توان داده‌های خام را مستقیماً در بخش دانشنامه پروژه (Project Knowledge) بارگذاری کرد و از LLM موردنظر خواست که اطلاعات را تحلیل کند. با این حال، نویسندگان ترجیح می دهند که تمام داده‌های خام در پلتفرم موردنظر بارگذاری شده و سپس با کمک LLM، کوئری‌های SQL مرتبط برای تحلیل داده‌های خام، نوشته شوند.

این کار به دو دلیل انجام می‌شود:

• امکان مشاهده پشت صحنه را فراهم می‌کند و فرصت یادگیری بخشی از زبان پایه (در اینجا SQL) را به‌صورت تدریجی و غیرمستقیم ایجاد می‌کند.
• به‌عنوان یک مانع یا
• مکانیزم ایمنی اضافی در برابر توهم (Hallucination؛ تولید اطلاعات نادرست یا ساختگی توسط مدل زبانی) عمل می‌کند.

زمانی که داده‌های خام بدون تحلیل مستقیماً در یک LLM بارگذاری می‌شوند، میزان اعتماد به نتایج تحلیل کاهش می‌یابد. در این حالت احتمال تولید اطلاعات نادرست بسیار بیشتر می‌شود. اما وقتی داده‌های خام به‌صورت مستقل حفظ شوند و از LLM برای طراحی و اجرای کوئری‌هایی جهت بررسی و واکاوی داده‌ها استفاده شود، شانس رسیدن به اطلاعات واقعی، معتبر و کاربردی به‌مراتب افزایش می‌یابد و از هدررفت زمان در مسیرهای نادرست جلوگیری می‌شود.

خودکارسازی مصاحبه با متخصصان حوزه های مختلف

به نظر می‌رسد کمبود زمان، نقطه اشتراک بسیاری از متخصصان حوزه های مختلف باشد. آنها معمولاً تمایلی ندارند یک ساعت از وقت خود را صرف گفتگو با تیم بازاریابی درباره قابلیتی کنند که طی ماه‌های گذشته بارها آن را با تیم محصول بررسی کرده‌اند؛ واقعاً هم نمی‌توان آنها را بابت این موضوع سرزنش کرد زیرا این مباحث برایشان تکراری و فرساینده شده است.

تصویر(2)

در عین حال، تیم بازاریابی همچنان به این اطلاعات نیاز دارد تا بتواند نحوه معرفی آن قابلیت در وب‌سایت را طراحی کند و جزئیاتی را در اختیار مشتریان بگذارد که معمولاً در صفحات مشخصات فنی وجود ندارند. در نتیجه سؤال اصلی این است که چگونه می‌توان به دانش متخصصان دسترسی پیدا کرد؟

یکی از راهکار‌ها، ایجاد GPT سفارشی است که نقش یک مصاحبه‌کننده را ایفا کند. البته برای دستیابی به بهترین نتیجه، لازم است برای هر عرضه، محصول یا خدمت، نسخه‌ای اختصاصی طراحی شود. این سطح از جزئی‌سازی شاید به اندازه یک مقاله کامل نباشد اما در نهایت می‌تواند به همان میزان از دقت و عمق برسد.

دستورالعمل‌های این GPT با توجه به حوزه فعالیت و ویژگی‌های متخصصان یا تیم فروش، متفاوت است اما به‌طور کلی باید شامل موارد زیر باشد:

• نقش و لحن: نحوه رفتار و بیان مصاحبه‌کننده.
• موضوع (Context): هدف از یادگیری و چرایی آن.
• ساختار مصاحبه: نحوه شروع، موضوعات اصلی و چگونگی عمیق‌تر شدن پرسش‌ها.
• ریتم و سرعت: طرح سؤال، مکث برای دریافت پاسخ و سپس توسعه آن.
• جمع‌بندی: نحوه پایان مصاحبه و خروجی مورد انتظار در پایان.

پس از تعریف این چارچوب، بهتر است ابتدا خود تیم آن را آزمایش کند و در نقش متخصص ظاهر شود تا بر اساس نتایج، دستورالعمل‌ها اصلاح و بهینه شوند. به این ترتیب، می‌توان از همان چند دقیقه کوتاهی که متخصصان بین تماس‌هایشان در اختیار دارند، بیشترین استفاده را برد. همچنین می‌توان از یک LLM برای استخراج نکات کلیدی یا حتی تهیه پیش‌نویس مقالات بر اساس پاسخ‌های آنها، بهره گرفت.

خودکارسازی تحقیق و تحلیل رقبا با مدل‌های زبانی بزرگ (LLM)

این بخش شاید در نگاه اول کمی زیرکانه به نظر برسد و نیازمند نوعی تفکر خاکستری، یعنی اندیشیدن درباره مرزهای اخلاقی و رقابتی باشد. با این حال، اقدامات متعددی وجود دارند که می‌توان با استفاده از داده‌های رقابتی، در مقیاس گسترده انجام داد تا تصویر روشن‌تری از فضای رقابتی و خلأهای موجود در آن به دست آورد. برای مثال:

• اگر بازخوردها و نظرات کاربران درباره رقبا جمع‌آوری شوند، می‌توان به الگوهایی مانند مزیت‌ها، شکایت‌های رایج و نقاط ضعف آنها دست یافت.
• با گردآوری محتوای وب‌سایت رقبا، امکان تحلیل رتبه، مخاطب هدف احتمالی، موضوعات اصلی و حتی حوزه هایی که از آنها الگو گرفته اند، فراهم می‌شود.
• ترکیب محتوای فعلی وب‌سایت‌ها با داده‌های Wayback Machine، این امکان را فراهم می کند تا با کمک یک LLM، بررسی شود محتوای رقبا در گذر زمان چگونه تغییر کرده است.
• آگهی‌های استخدامی نیز لید‌های ارزشمندی درباره اولویت‌های استراتژیک یا حوزه‌هایی که رقبا در حال آزمودن آنها هستند، ارائه می‌دهند.

تصویر(3)

پس از مشخص شدن جایگاه رقبا، می‌توان سازمان خود را با آنها مقایسه کرد تا نقاط اشتراک و تفاوت ها مشخص شود. همچنین با تحلیل تعاملات و میزان مشارکت آنها درون شبکه‌های اجتماعی، می‌توان متوجه شد که رقبا در پاسخ‌گویی به نیازهای مشتریان در چه زمینه‌هایی موفق عمل می‌کنند، در کدام بخش ضعف دارند و اساساً به کدام پرسش‌ها پاسخی ارائه نمی‌دهند.

جمع بندی: گسترش تحقیق بدون از دست دادن ارتباط انسانی

استفاده از مدل‌های زبانی بزرگ (LLM) برای ایجاد درکی عمیق از مشتری بر پایه مجموعه‌داده‌های بزرگ، می‌تواند فرصتی بی‌پایان برای دستیابی سریع به اطلاعات عملی، مشخص و کاربردی فراهم کند. فرصت های مطرح‌شده، نقاط شروع مناسبی هستند اما به‌هیچ‌وجه پایان مسیر محسوب نمی‌شوند. برای گسترش این رویکرد، می‌توان به سایر منابع داده موجود یا در ‌دسترس نیز فکر کرد؛ از جمله:

• تماس‌های فروش
• داده‌های بخش Query در Google Search Console
• جستجوهای داخلی وب‌سایت
• داده‌های هیت‌مپ از ابزارهای تحلیل مسیر و رفتار کاربر

هرچند ممکن است استفاده از داده‌های Google Analytics یا سایر ابزارهای تحلیلی وسوسه‌برانگیز باشد اما بهتر است با احتیاط عمل شده و صرفا به‌جای تمرکز روی داده‌های کاملاً کمی، اولویت به داده‌های کیفی یا اطلاعاتی داده شود که مستقیماً از طریق مشتریان شکل گرفته اند.