GEO Lab

Мультимодальные модели — Vision Transformer (ViT) и CLIP — сопоставляют векторы текста и изображений, превращая визуальный контент в машиночитаемый текст. Если мы хотим, чтобы карточка товара или инфографика попали в ответ нейросети, изображение должно не просто присутствовать на странице — оно должно быть «прочитано» как точное векторное соответствие запросу. Рассказываю, из каких шагов у меня складывается визуальный GEO-мост. Восприятие изображений нейросетью отличается от человеческого. Vision...

Год назад я впервые столкнулась с ситуацией, которая перевернула мое представление о товарных страницах. Клиент прислал скриншот: пользователь спросил у нейросети, какой крем с ретинолом подойдет для жирной кожи. И получил ответ — с составом, которого в продукте никогда не было, с показаниями, которые бренд не заявлял, и с рекомендацией «посоветоваться с врачом» там, где уже проведен клинический тест. Нейросеть не врала. Она просто не нашла фактов на товарной странице и отправилась за ними на форумы...