· AI Engineer World's Fair 2026
Как покончить с низкокачественным ИИ-контентом
Ending AI Slop
Чтобы убрать шаблонность AI-генерации в дизайне и текстах, субъективное качество нужно разложить на проверяемые сигналы под конкретный контекст и аудиторию.
- Бренд как набор проверяемых элементов — цвета, типографика, движение, анимация и текстуры раскладываются на отдельные компоненты, и по ним оценивается соответствие бренду. Спикер считает, что LLM-as-a-judge для такой задачи не всегда подходит из-за reward hacking и галлюцинаций.
- Расхождение экспертов как сигнал — при разметке спор об эстетике и стиле спикер считает хорошими данными, потому что они показывают реальные предпочтения. Расхождение в выравнивании (alignment) он считает дефектом, так как это почти объективный критерий.
- Привязка комментария к коду — по словам спикера, если связать замечание эксперта о лендинге с конкретным компонентом кода, данные становятся меньше шумят и лучше подходят для обучения.
- Качество важнее объёма — для субъективных задач спикер советует опираться на данные от экспертов с хорошим вкусом, а не на большие объёмы шумной разметки. Его команда работает с сообществом из более тысячи дизайнеров.
Кому полезно: тем, кто собирает данные для RL или post-training по дизайну, текстам и другим субъективным задачам.
Статья по теме
Главы
Ещё доклады: Thais Castello Branco
Страница спикера →Похожие доклады
Оценка видео-слопа
AI Engineer World's Fair 2026
Близко по содержанию
Обучение с подкреплением без проверяемых наград
AI Engineer World's Fair 2026
Близко по содержанию
Всё, что нужно знать о fine-tuning и объединении LLM
AI Engineer World's Fair 2024
Близко по содержанию

