اعتبار پارامتریک در هوش مصنوعی: چرا شهرت برند شما سال‌ها زمان می‌برد، نه چند کمپین

در دنیای دیجیتال مارکتینگ، به‌تازگی عبارتی رایج شده است: «تأثیرگذاری بر بخش پارامتریک». این عبارت به نظر یک دستور کاری ساده می‌آید که می‌توان آن را با یک ضرب‌الاجل به کسی محول کرد. اما واقعیت این است که این دستور چهار کلمه‌ای، حاصل کاری است که در اغلب موارد سال‌ها پیش به پایان رسیده و دلایل آن هیچ ارتباطی با مدل‌های زبانی امروزی نداشته است.

برای درک موضوع، باید بدانیم که دانش یک مدل هوش مصنوعی دو بخش دارد: بخشی که در لحظه پرسش شما با جستجو به دست می‌آورد و بخشی که از قبل در «وزن‌های» مدل ذخیره شده است. این بخش دوم که «اعتبار پارامتریک» (Parametric standing) نام دارد، برداشت کلی و از پیش موجود مدل از یک موضوع یا برند است. مشکل اینجاست که عبارت «تأثیرگذاری بر بخش پارامتریک» این فرآیند پیچیده و طولانی را به یک وظیفه ساده تقلیل می‌دهد.

نکته اصلی، گذشت سال‌ها نیست، بلکه تعداد طرف‌های مستقلی است که شرکت شما را توصیف کرده‌اند و اینکه هر کدام چقدر متفاوت این کار را انجام داده‌اند. اعتبار پارامتریک نتیجه انباشت همین توصیفات است. تحقیقات نشان می‌دهد که دقت یک مدل درباره یک حقیقت، با تعداد اسناد مرتبطی که در مرحله پیش‌آموزش دیده، ارتباط مستقیم دارد. همچنین، دانش زمانی به طور قابل اعتماد قابل استخراج است که در مرحله پیش‌آموزش با عبارت‌پردازی‌های به اندازه کافی متنوع بیان شده باشد.

به عبارت دیگر، تکرار یک مطلب از یک منبع واحد (مانند وب‌سایت خود شرکت) تأثیری را که تنوع کلام از منابع متعدد ایجاد می‌کند، به همراه ندارد. اعتبار پارامتریک با انتشار محتوای بیشتر به دست نمی‌آید، بلکه زمانی حاصل می‌شود که تعداد کافی از طرف‌های مستقل، یک شرکت را به روش‌های مختلف توصیف کنند تا این توصیفات پس از فشرده‌سازی در وزن‌های مدل باقی بمانند.

این اصل مستقیماً در بازار ایران نیز صادق است. برای یک کسب‌وکار ایرانی، این «منابع مستقل» می‌توانند خبرگزاری‌های داخلی، نقدهای کاربران در پلتفرم‌هایی مانند دیجی‌کالا، بحث‌های تخصصی در انجمن‌ها، و صفحه‌ی شرکت در ویکی‌پدیا فارسی باشند. هدف، ساختن یک شهرت واقعی و چندوجهی در اکوسیستم اینترنت فارسی‌زبان است، نه فقط تولید محتوای بیشتر در وبلاگ شرکت.

شاید بپرسید پس شرکت‌های جدیدی که در سال ۲۰۲۳ تأسیس شده‌اند و مدل‌های فعلی آن‌ها را به درستی توصیف می‌کنند، چگونه به این جایگاه رسیده‌اند؟ پاسخ این است که آن‌ها این مکانیزم را دور نزده‌اند، بلکه تعداد زیادی منبع مستقل به طور همزمان آن‌ها را توصیف کرده‌اند و این انباشت اعتبار به سرعت اتفاق افتاده است. مفهوم «ویروسی شدن» در اینجا نیز کاربرد دارد.

نکته مهم دیگر این است که داده‌های آموزشی مدل‌های زبانی اغلب قدیمی هستند. برای مثال، یکی از مجموعه داده‌های معروف به نام C4 که برای آموزش مدل‌ها استفاده شده، بر اساس یک نسخه از وب در آوریل ۲۰۱۹ ساخته شده و بیشتر محتوای آن بین سال‌های ۲۰۱۱ تا ۲۰۱۹ نوشته شده است. این یعنی تصویری که یک مدل امروز از شرکت شما دارد، احتمالاً بر اساس فعالیت‌های روابط عمومی، مدیریت نقدها و تولید محتوای شما در سال‌های گذشته شکل گرفته است، یعنی زمانی که کسی به فکر بهینه‌سازی برای هوش مصنوعی نبود.

تقریباً تمام فعالیت‌هایی که این اعتبار را می‌سازند، زیرمجموعه بازاریابی هستند: روابط عمومی، ارتباط با تحلیلگران، مدیریت جامعه مشتریان، حضور در رویدادها و نمایشگاه‌ها، و مدیریت بحران. اما نکته حیاتی اینجاست که هیچ‌یک از این بخش‌ها، «خروجی نهایی» را کنترل نمی‌کنند. روابط عمومی پوشش خبری را از یک روزنامه‌نگار «کسب» می‌کند. مدیریت جامعه مشتریان، توصیفاتی از سوی افرادی که هیچ ارتباطی با شرکت ندارند به دست می‌آワーد. حتی در مدیریت نقدها، شرکت فقط پاسخ را کنترل می‌کند، نه خود نقد را.

این همان سنت قدیمی بازاریابی است: «رسانه اکتسابی» (Earned Media). این مفهوم همیشه به معنای پرداخت هزینه برای به دست آوردن نتایجی بوده که شما نویسنده آن نیستید. این محدودیت با مدل‌های زبانی به وجود نیامده، بلکه همیشه شرایط تعریف‌کننده این رشته بوده و تنها مکانیزمی است که به اعتبار پارامتریک دست می‌یابد.