← Каталог

· AI Engineer World's Fair 2026

Инженерия персон: практическое руководство по синтетическим персонам на базе ИИ

Persona Engineering: A Field Guide to AI Synthetic Personas — Ishan Anand, InsightSciences.ai

Синтетические персоны на LLM стоит воспринимать как прогноз, а не как независимых респондентов: повторные запуски не добавляют уверенности, а проверять их нужно по распределениям реальных ответов людей.

  • Потолок точности — шум в эталонных данных задаёт предел качества. По словам спикера, люди через две недели совпадали сами с собой лишь на 80%, поэтому 83% совпадения с респондентами считается с учётом этого шума.
  • Контекст в промпте — когда детали не заданы, модель сама достраивает скрытые факторы: в эксперименте с ценой спрос у LLM рос вместе с ценой, потому что модель использовала цену как прокси. Персону нужно описывать подробно, включая условия самого исследования.
  • Ответ текстом вместо шкалы — модель отвечает свободным текстом, а его семантическая близость к примерам людей даёт распределение по шкале от 1 до 5. По словам спикера, так лучше передаётся разброс ответов, чем при просьбе назвать одно число.
  • Отношения, а не поведение — LLM точнее предсказывают ответы на опросы, чем результаты полевых экспериментов. Поэтому спрашивайте об отношении, которое связано с действием, а не о самом действии.

Кому полезно: тем, кто тестирует концепты продуктов или сообщения на синтетических респондентах. Доклад читает вендор этой области, но опирается на опубликованные исследования.

Статья по теме

Главы

Ещё доклады: Ishan Anand

Страница спикера →

Похожие доклады