Controllo qualità delle schede prodotto scritte con l'IA: una guida pratica

IN SINTESI Sintesi della redazione

1. Ricercatori di Amazon hanno rilevato nel 2024 che il rilevamento automatico delle allucinazioni nelle schede prodotto arricchite da LLM funziona bene per attributi strutturati con valori deterministici, ma male per i testi liberi lunghi, dove la precisione era bassa e la validazione con LLM ha dato solo guadagni marginali.
2. Le linee guida di Google avvertono che produrre in serie pagine con l'IA senza aggiungere valore può violare la sua policy antispam sull'abuso di contenuti su larga scala e che i modelli generativi non recuperano fatti, quindi ogni output va rivisto prima della pubblicazione.
3. Google precisa che titoli, meta description, dati strutturati e testi alternativi delle immagini richiedono la stessa revisione del testo principale e che Merchant Center si aspetta titoli e descrizioni generati con l'IA forniti separatamente ed etichettati come tali.
4. Stitch Fix descrive un modello addestrato con fine-tuning su alcune centinaia di descrizioni scritte da esperti e abbinate ad attributi, con copywriter che rivedono e modificano ogni output e controlli di qualità periodici che rientrano nel modello.
5. Il design più sicuro genera il testo solo da attributi di prodotto verificati, esegue controlli automatici rispetto a quegli attributi e indirizza a un redattore umano un campione basato sul rischio più ogni pagina segnalata.

Il controllo qualità delle schede prodotto scritte con l'IA significa generare i testi solo da dati di prodotto verificati, controllare automaticamente il risultato rispetto a quei dati e far rivedere a una persona un campione basato sul rischio e ogni pagina segnalata prima della pubblicazione. L'obiettivo è intercettare attributi inventati, affermazioni che non potete sostenere e testo generico che non aggiunge nulla. I controlli automatici aiutano, ma la ricerca pubblicata mostra che sono più deboli sul testo libero che sui campi strutturati.

Che cosa può andare storto con le schede prodotto scritte con l'IA?

• Attributi inventati o non supportati: il modello aggiunge una fodera, una vestibilità o un uso che non sono nella scheda prodotto.
• Fatti errati o in conflitto: composizione, istruzioni di lavaggio, indicazioni di taglia o dimensioni che non coincidono con la scheda tecnica.
• Affermazioni non comprovate: dichiarazioni su sostenibilità, prestazioni o origine senza prove a supporto.
• Deriva di marchio e tono: un linguaggio generico o in contrasto con il vostro style guide.
• Rischio per la ricerca: grandi volumi di pagine quasi identiche che aggiungono poco valore.

I ricercatori di Amazon definiscono l'allucinazione in questo contesto come testo non fedele all'input di origine fornito e distinguono i casi intrinseci (l'output contraddice la fonte) da quelli estrinseci (l'output non può essere verificato rispetto alla fonte). Alcuni valori non supportati risultano comunque corretti, per esempio un colore coerente con l'immagine del prodotto, mentre altri sono sia non supportati sia sbagliati. La vostra policy deve stabilire se le affermazioni non supportate ma plausibili sono ammesse. Per la maggior parte dei retailer di moda la risposta prudente è no.

Come si generano testi fedeli ai dati?

Partite da una scheda prodotto pulita: attributi, composizione, misure, istruzioni di cura e certificazioni in campi strutturati. Istruite il modello a usare solo quei campi e a lasciare un vuoto piuttosto che tirare a indovinare. Stitch Fix descrive il fine-tuning di un modello di base su alcune centinaia di descrizioni scritte da esperti umani, ciascuna abbinata ai propri attributi di prodotto, dopo che il few-shot prompting aveva prodotto testi generici e di qualità limitata. Riferisce punteggi di qualità più alti per le descrizioni generate con l'IA in una valutazione alla cieca rispetto ai testi scritti da persone, senza però fornire numeri. Gli esperti hanno definito in anticipo l'obiettivo: originalità, formulazioni naturali e convincenti, affermazioni veritiere e coerenza con il marchio.

Leggi anche

IA per descrizioni e contenuti di prodotto: una checklist di qualità

Quali controlli automatici funzionano meglio?

Lo studio di Amazon propone due fasi. Prima, uno screening lessicale e semantico poco costoso (corrispondenza di token, metriche n-gram, similarità tra embedding e metodi analoghi) segnala i candidati con alto recall. Poi un modello linguistico di grandi dimensioni convalida gli elementi segnalati per migliorare la precisione. Sugli attributi strutturati con valori deterministici come il colore l'approccio ha dato buoni risultati e lo screening ha ridotto le voci da convalidare a meno del 12,5%. Sui testi liberi lunghi e non strutturati il recall era soddisfacente ma la precisione bassa, e la convalida con LLM ha dato solo guadagni marginali. Gli autori concludono che il metodo funziona meglio sugli attributi strutturati.

Che cosa dice Google sui contenuti generati con l'IA?

Le linee guida di Google sui contenuti di IA generativa affermano che i contenuti assistiti dall'IA devono comunque rispettare i Search Essentials e le policy antispam e che produrre in serie pagine senza aggiungere valore per gli utenti può violare la policy antispam sull'abuso di contenuti su larga scala. Spiegano che i modelli generativi prevedono sequenze di parole probabili e non recuperano fatti, quindi gli output possono essere sbagliati, e raccomandano di verificare i fatti e rivedere tutti i contenuti prima della pubblicazione. Precisano inoltre che titoli, meta description, dati strutturati e testi alternativi delle immagini richiedono la stessa attenzione e che i siti dovrebbero spiegare ai lettori come è stata usata l'automazione. Per l'e-commerce, indicano che le immagini generate con l'IA richiedono in Merchant Center i metadati IPTC del tipo di fonte digitale TrainedAlgorithmicMedia e che titoli e descrizioni di prodotto generati con l'IA devono essere forniti separatamente ed etichettati come tali.

Come va organizzata la revisione umana?

1. Definite i livelli di rischio: nuove categorie, modelli di alto valore, affermazioni regolamentate e tutto ciò che è segnalato dai controlli automatici vanno in revisione completa; i modelli ricorrenti a basso rischio ricevono un campionamento.
2. Date ai redattori una checklist: attributi rispetto alla scheda tecnica, affermazioni rispetto alle prove, tono rispetto allo style guide, unicità rispetto al resto del catalogo.
3. Mostrate ai revisori gli attributi di origine accanto al testo generato, così possono confrontarli rapidamente.
4. Registrate ogni modifica e il suo motivo. Stitch Fix descrive controlli di qualità periodici che alimentano di nuovo il modello; lo stesso ciclo permette di cambiare prompt e regole quando i redattori correggono sempre lo stesso problema.
5. Monitorate le metriche: tasso di errore ogni cento pagine per tipo, quota di pagine approvate senza modifiche, tempo di revisione per pagina e motivi di reso codificati come non conforme alla descrizione.

Pianificate la capacità con onestà. Il tempo di revisione per pagina è il costo che decide se l'IA fa risparmiare, quindi misuratelo fin dalla prima settimana. Se i redattori impiegano per correggere una bozza quanto per scriverne una, restringete l'uso alle categorie con dati strutturati ricchi o a campi brevi come gli elenchi puntati, dove i controlli sono più affidabili.

Leggi anche

IA per gli e-commerce manager della moda: una guida pratica

Che cosa misurare dopo la pubblicazione?

Il controllo qualità prosegue dopo il lancio. Confrontate le pagine prodotte con e senza IA per conversione, tasso di reso per motivo, contatti al servizio clienti che citano la descrizione e prestazioni nella ricerca. Se le pagine scritte con l'IA mostrano più resi codificati come non conforme alla descrizione, rafforzate i controlli. Mantenete una via di rollback: siate in grado di ripristinare rapidamente un lotto quando emerge uno schema di errori e tenete un registro di audit che indichi quali pagine hanno usato quale prompt e versione del modello.

Domande frequenti

Google penalizza le descrizioni prodotto generate con l'IA?

Google non penalizza i contenuti per il solo fatto che sia stata usata l'IA, ma le sue linee guida avvertono che produrre in serie pagine senza aggiungere valore può violare la policy antispam sull'abuso di contenuti su larga scala. Raccomanda di rivedere i contenuti di IA prima della pubblicazione e, per Merchant Center, di etichettare titoli e descrizioni generati con l'IA.

Come posso individuare le allucinazioni dell'IA nei testi di prodotto?

Confrontate il testo generato con la scheda prodotto strutturata. La ricerca di Amazon mostra che screening più validazione con LLM funzionano bene per attributi strutturati come il colore ma male per i testi liberi lunghi, quindi combinate i controlli automatici con la revisione umana delle pagine segnalate e campionate.

Quanta revisione umana richiedono le schede prodotto scritte con l'IA?

Rivedete tutte le pagine nei livelli ad alto rischio, come affermazioni regolamentate, nuove categorie o articoli di alto valore, e ogni pagina segnalata dai controlli automatici. Campionate il resto. Stitch Fix descrive copywriter che rivedono e modificano le descrizioni generate invece di scriverle da zero.

Le schede prodotto devono dichiarare di essere state scritte con l'IA?

Google raccomanda di spiegare ai lettori come è stata usata l'automazione e Merchant Center richiede che titoli e descrizioni generati con l'IA siano forniti separatamente ed etichettati come tali. Verificate i requisiti per ogni canale e mercato.

GuidaLa guida completa all’IA nell’e-commerce, nel marketing e nel retail della modaLeggi la guida completa