Lumea roboților: cum am folosit AI-ul Gemini pentru a procesa catalogul de Black Friday

Un catalog eMAG pentru Black Friday a scăpat pe net în acest an, cu o zi mai devreme, fiind publicat de cineva pe Softpedia și apoi pe Reddit în jurul orei 14 sau 15.

Vreo 8 ore mai târziu, un prieten mi l-a arătat și mie. Eu cred că un astfel de catalog are valoare pentru cititori doar dacă reușești să transformi fiecare produs din el într-un link, astfel încât omul să se ducă pe pagina respectivă, să vadă poze, review-urile altora, să-l discute cu nevasta sau să îl pună în favorite.

Am vrut mai mult decât “uitați-vă voi la aceste poze”. Problema este că acolo erau în jur de 120 de produse și să le scrii manual pe fiecare cu nume, preț redus și preț inițial, cum fac eu de obicei, apoi să le găsești și în magazin, este treabă de multe ore.

Am arătat imaginile altui prieten. El mi-a demonstrat că le-aș putea procesa cu un AI. Nu mă gândisem la asta.

Imaginile respective erau la rezoluție foarte proastă. Iată una full, are 444 pixeli pe orizontală. Se înțelege ce scrie în ea, dar destul de pixelat.

Cu toate acestea, Gemini sau ChatGPT nu au probleme în a recunoaște textul din imaginea respectivă. Eu am acces la Gemini Advanced și i-am dat o imagine ca să încerce. Am început cu prompt-ul “can you make a list of the products in the image?” pentru că inițial am uitat că îi pot scrie în română ceea ce vreau.

Rezultatul a fost bun și a devenit clar că Gemini este capabil să mă ajute, trebuie doar să-i spun bine ce vreau.

A urmat un șir de query-uri în care i-am zis pe rând să scoată toate informațiile din imagine și le-a scos cu liniuță. I-am zis să scoată liniuțele și mi-a dat un text dump.

Rezultatul a început să fie bun când am început să-i cer cu precizie mare ce vreau: “poți să faci lista de produse cu bullet points, păstrând doar numele produsului și apoi cratimă și prețul său redus?”. Și a făcut asta, apoi i-am cerut să adauge și prețul inițial în paranteze.

Rezultatul final a apărut când i-am cerut “extrage din imagine numele fiecărui produs, iar după cratimă pune pretul său redus și în paranteză prețul inițial, într-o listă cu bullet points” și apoi “în loc de prețul din paranteze, poți să-l scrii de forma “redus de la ” și prețul acela?”

Și a fost bine.

Am urcat apoi încă o imagine și i-am spus “fă și pe imaginea asta același lucru” și pe rând ulterior cu toate.

Concluzia importantă: este bine să-i ceri cu precizie mare cum vrei să arate rezultatul final. Este aproape ca în programare, unde scrii tu exact șablonul dorit și introduci variabilele unde este cazul să fie completate automat.

Acțiunea cu Gemini s-a încheiat aici pentru că nu poate face mai mult. ChatGPT este mai complex. Dacă ai planul pe bani, are acces și la Internet. Îi poți da lista de produse eMAG, cea text de mai sus, și să-i ceri să găsească linkurile acelor produse și să le scrie sub fiecare.

În practică, treaba asta cu linkurile nu merge prea bine. De exemplu, în catalog scrie “mașină de spălat Samsung” sau “iPhone 14 256 GB”, dar în magazine sunt listate zeci de mașini de spălat Samsung, diverse modele, și chiar și iPhone are mai multe culori disponibile.

Așa că am făcut-o manual, cum am făcut în fiecare an, identificând produsele pe baza imaginii lor micuțe din catalog. A mers însă repede pentru că puteam da copy-paste în search-ul eMAG la denumirea generică și nu mai tastam eu literă cu literă.

În total, totul a durat de pe la ora 22 până la ora 1 noaptea. Fără AI, probabil ar fi fost 3 noaptea. I call that a win.

O altă concluzie este că Gemini și ChatGPT pot recunoaște foarte bine textul dintr-o imagine. Îl puteți folosi în acest scop pe diverse imagini, poate un screenshot, poate o fotografie făcută unui text sau unui ecran la o conferință sau, de altfel, pe orice altceva.

HALUCINAȚII

Au fost două probleme. Prima a apărut când, din greșeala mea, i-am dat de două ori la rând aceeași imagine. Nu doar că nu a scos același rezultat ca prima oară, dar a inventat complet de la zero toate produsele din ea, cu prețuri și denumiri.

Acele produse Kring de mai sus nu există. Și dacă vă uitați la thumbnail-ul care se vede acolo, e cu televizoare și aspiratoare. Nici nu știu de unde a inventat atâtea produse.

Altă problemă a apărut pentru că una dintre imagini era tăiată prea scurt și prețurile reduse nu intrau în ea pentru cele trei produse aflate pe rândul cel mai de jos. Nu-i nimic, le-a știut Gemini oricum, mi-a dat trei prețuri și pentru acele produse, dar noroc că am verificat manual totul și am observat că le-a scos din silicon.

Au mai fost probleme la câteva prețuri, dar pentru că recunoașterea de imagini nu este perfectă. Cifra 1 tăiată seamănă uneori cu 4. Un 8 tăiat seamănă cu un 9 tăiat pe acel font. În 90% din cazuri, însă, nu am avut nimic de corectat.