Buongiorno.

Grazie mille per essere qui.

Oggi entriamo un po' più nel tecnico.

Come diceva Luca parleremo di ai Generativa.

Per la SEC é un onore.

Insomma, parlarne davanti a tutti voi è bellissimo.

Questo evento ha una carica enorme.

Prima di iniziare, vorrei farvi una domanda che le luci in modo che ci vediamo.

Quanti di voi ha mai fatto Seo qua dentro? In sala Siamo la mano.

Dai, siamo Siamo un po' adesso.

Una domanda.

Un po' più difficile chiede un volontario, se possibile.

Per per questa domanda cos'è questo difficile.

Prego.

Un volontario che si lancia passo di danza.

Interessante.

Non non è non è così.

E vi faccio aspetta parafrasi.

O meglio, mi introduco meglio.

Io posso fare due cose quando faccio gesti faccio o la Torre Eiffel o raffigura la Torre Eiffel o il sole cos'è questo.

Diciamolo insieme.

Fantastico.

Vedete che ha fatto, eh? Vedete che il contesto è qualcosa di fondamentale per riuscire a fornire risposta con uno sforzo cognitivo che è estremamente più basso di quello che abbiamo bisogno di cui abbiamo bisogno quando la domanda è vaga, generica, non ben impostata.

Questo è lo stesso concetto alla base degli studi che Stanford ha pubblicato sui modelli di linguaggio entriamo nelle cose noiose, i modelli di linguaggio, i sistemi dietro a sistemico come di pipi', come tutti i modelli che stiamo utilizzando in questo momento sono modelli che i ricercatori si sono resi conto funzionare molto meglio quando vengono allenati direttamente nella domanda.

Quando vi faccio vedere questo esempio, quando io, invece di allenare il modello allenando la rete neurale che c' è dietro con uno sforzo computazionale enorme, vado a fornire direttamente nella domanda una serie limitatissima.

Ad esempio quattro esempi come in questo esempio, il modello diventa molto, molto piu', bravo a rispondere di quando prendo un modello estremamente più complesso, magari su cui ho fatto anni di ricerca e buttato milioni di dati dentro e faccio la stessa domanda in modo vago.

Quindi contesto è tutto contesto.

Ci permette di andare a utilizzare modelli anche più scarsi, se vogliamo, senza pensare GPT quattro tutti i modelli che stiamo vedendo adesso, ma indirizzando la domanda in modo corretto ottenere risultati fantastici.

Vedremo oggi come andare ad applicare questo nell'ambito della Sterling Optimization.

Vedete, qua ci sono una serie di applicazioni che ho che ho riportato.

Non le vedremo tutte.

Poi vi lascio un bar code in cui andarle comunque ad approfondire in autonomia.

Ne vediamo alcune notevoli, che secondo me sono interessanti per capire quello che è l'approccio e poi scalarlo su tutti quanti gli approcci e vediamo in ambito homepage in ambito di contenuto in ambito di analisi di mercato, insomma quelli che sono gli ambiti di cui ci si occupa.

Tipicamente con la searching in optimization ci concentreremo su questi quattro elementi principali l'analisi di mercato l'utilizzo delle parole chiave come strumento per capire quello che pensano gli utenti invece che andare semplicemente a costruire i contenuti e poi delle cose.

Un po' più tecniche legate all'ottimizzazione del contenuto esistente alla produzione di schede di contenuto per l'e-commerce per riuscire a tenere più traffico e alla generazione di per i più tecnici di Mark strutturato Sky ma punto org quel modello, quel sistema, quello standard con cui comunichiamo cosa è scritto all'interno delle pagine hai motori di ricerca? Entriamo nel merito delle singole applicazioni classification.

Abbiamo un obiettivo che è quello di prendere listoni di parole chiave.

Abbiamo immaginiamo una lista con centomila parole chiave che le persone cercano con quanto vengono.

Cercate queste parole chiave nel tempo è inutilizzabile questa lista.

Perché chi si legge una lista da centomila parole-chiave Vogliamo raggruppare, classificare e identificare quelli che sono i trend generali.

Modelli di linguaggio in questo ci aiutano.

Vediamo praticamente piu' come farlo con GP per semplicità.

Vedete, ho detto shot GPT Questo lo useremo nell'ambito di tutto quanto di tutti quanti.

Gli esempi non vedete all'interfaccia classica diciotto GPT Questo è il playground.

Questo è il sistema con cui ci si può interfacciare.

Cercate playground operai su su Google con cui ci si può interfacciare con tutti i modelli di operai allo stesso modo con cui ci si interfacce rebbe.

Quando si va a programmare non bisogna programmare, scrivere esattamente.

Cominciate GPT, ma abbiamo una serie di vantaggi.

Uno.

Stiamo utilizzando il sistema già pronto esattamente nello stesso modo in cui lo interrogheremo quando andremo a programmare.

Quindi, se vorremo scalare l'applicazione che avremmo provato in questo modo, lo potremmo fare in modo immediato.

Due.

Abbiamo molta piu' gestibilità Vedete qui di lato abbiamo una serie di parametri che non è possibile impostare dentro chat GPT, che invece qui possiamo andare a manovrare.

Numero tre.

Abbiamo quel box a sinistra che si chiama system che cos'è questo box si chiama system.

Faccio un passo indietro.

Ogni risposta che vi dà un modello di linguaggio non è altro che la predizione delle parole più probabili date in questo caso le quattromila novantasei parole precedenti.

È una cosa, un po' tecnica.

Ora, qual è il tema? Che man mano che il sistema vi risponde questa finestra queste quattromila novantasei parole si spostano e vanno a prendere le parole della risposta stessa e quindi si dimenticano di quello che gli avete chiesto.

All'inizio.

Quindi gli avete detto qualcosa di importante all'inizio quando superate le quattromila novantasei parole, il modello pian piano si scorda.

Che cosa gli avete detto? All'inizio che è un problema? Perché magari inizia a perdere la capacità di risposta, visto che quel contesto di cui parlavamo importante cosa filesystem, vi permette di andare a tenere fisse le cose importanti in modo tale che, anche se slitta, le cose importanti restano lì fissate in alto.

Una specie di promemoria, una specie di PostIt, con le cose veramente importanti per il modello di linguaggio.

Ok, vediamo come utilizzarlo.

Abbiamo qui quindi, nella pratica per prima applicazione, la nostra lista di parole chiave.

Facciamo vedere un esempio di contesto quindi nel sistema gli diciamo guarda tu sei un sistema che prende in input una serie di parole e la classifica ti faccio vedere degli esempi e ti faccio vedere degli esempi di categorie che gli assegna dei e ti dico anche che dovresti classificare come fuori target tutte le parole che ritieni non rilevanti per il brand che sto analizzando.

Questo ci permette di poter buttare dentro un listone di parole chiave in cui magari c' è anche tanta sporcizia, tanto il modello di linguaggio le pulisce per noi.

A questo punto, una volta che gli ho insegnato quello che deve fare facendogli vedere un piccolo esempio su un set limitato, posso buttare il mio listone di parole chiave a destra nella sezione user e quando clicco vedete automaticamente nella sezione assistance il sistema mi fa vedere mia va a classificare le parole andandosi anche inventare nuove categorie che non gli avevo proposto all'inizio conversion rate optimization io non glie l'avevo fatta vedere come categoria.

Eppure vedete sesta riga della linea si sta nella sua risposta ottimizzazione del conversion rate me la qualifica come conversion rate optimization.

Ho classificato in questo modo potenzialmente migliaia, centinaia di migliaia di parole chiave in un attimo e ci posso fare a quel punto cose di questo tipo qua.

Noi in questo modo abbiamo ridotto del sessantatre per cento in media il tempo di analisi di chi vuole Seth importanti.

Abbiamo incrementato in modo notevole la dimensione media di chi vuole Seth, quindi delle mappature di parole chiave che sviluppiamo in azienda per andare a mappare i settori.

Il secondo elemento vogliamo andare a costruire il cosiddetto mark strutturato? Stessa cosa usiamo un sistema che dice buongiorno tu sei un agente che preso un testo, quindi una scheda di prodotto in commercio per esempio tira fuori Mike Schimdt ha punto org Ti faccio vedere un esempio su un prodotto ti faccio vedere anche come dici Devi gestire quelle situazioni che spesso ci sono negli e-commerce in cui non hai abbastanza informazioni, ma anche il prezzo magari è una cosa importante per schiena punto Anche se non dai il prezzo a Google, Google si arrabbia.

Cosa facciamo? Gli facciamo vedere entrambi gli esempi.

Un esempio di input e output completo.

Un esempio di input e output non completo.

E a quel punto abbiamo un sistema che vedete.

Gli do un input incompleto, ma mi sono scordato volutamente il nome e lui mi dice non ho abbastanza esempi, non ti posso dare una risposta.

Quindi non ti genero dato sporco, piuttosto numero due ti do un esempio qua estratto da un sito di un cliente nostro.

Un esempio con invece completo con tutte le informazioni e il sistema automaticamente me lo codifica in modo tale da poterlo passare a Google in modo veloce.

Posso andare nello stesso modo a generare sistemi di domande e risposte.

Abbiamo una marea di contenuti sui nostri siti.

Tanta della potenzialità di incremento del traffico è legata da arricchire i nostri contenuti con nuove domande e risposte che sono cercate dagli utenti.

É qui oggi Noi non diamo risposta con i nostri contenuti.

Una cosa estremamente onerosa da fare a mano.

Cosa possiamo fare? Prendiamo un sistema che fa questa cosa qua.

Uno ha preso il nostro testo, tira fuori una serie di parole che riassumono quel testo.

Quindi, per esempio qua ho messo questo testo del nostro cliente e mi dice Guarda, le tre parole che lo riassumono sono pelle spenta, idratazione, viso raggiante, visiva, raggiante.

Prendo queste parole, le butto dentro uno strumento come Hubert Jest.

Questo è il nostro se nn è gratuito che in cui si possono buttar dentro le parole e ottenere tutta una serie di suggerimenti di espansione di queste parole chiave.

Quindi ho un listone con tutte le mie parole chiave diciamo correlate a quelle inizialmente estratte dal modello di linguaggio.

Però questo listone puo' essere sporco può essere tanta roba che non è rilevante l'avete visto che ha fatto espansione keyword aveva visto che c' è un sacco di spazzatura qui dentro.

Allora lo ripasso nel modello di linguaggio gli dico bene, adesso ti faccio vedere il testo, ti faccio vedere le parole che ho estratto dal sistema prima e ti dico scegli quelle buone scegli quelle cattive, quelle buone utilizzate per arricchire il testo iniziale.

Dammi il testo iniziale con le domande e risposte aggiunte a partire dal testo che avevi all'inizio e dalle domande che hai trovato.

É un sistema che automaticamente sulla mia base contenuti scala e arricchisce i contenuti in base a quello che le persone cercano senza dover intervenire manualmente anche su decine di migliaia di contenuti.

Ultimo esempio chiudiamo, vi faccio vedere un po', la generalizzazione però terzultimi ultimi station, quindi voglio unico voglio fare la stessa cosa sull'e-commerce spesso sul commercio.

Un sacco di schede prodotto sulle schede prodotto il problema di generare contenuti in automatico e che spesso non sa rispondere.

Questa è una piccozza della leva, non il sistema.

Non sa rispondere perché non è mai aggiornato.

Cosa possiamo fare? Oppure magari gira sempre gli stessi contenuti.

Dall'impasto due tipi di contenuto Il è dato strutturato del nostro commercio del nostro prodotto e le recensioni di Amazon, per esempio cio' che cercano le persone intorno a quello di ciò che hanno detto sul nostro commercio.

E da lì si trovano un sacco di informazioni utili qua.

Per esempio per questa scarpa mi dice nel testo Guardate questa scarpa è perfetta per correre sul tapis roulant.

Allora come la scaliamo papier è fortunatamente integrato con chop conciate GPT con browser che un sistema per fare scrapbooking é questo in concatenato ando tutte le attività e riusciamo velocemente a fare in automatico il sistema che estrae fa la scheda prodotto nuova per ogni prodotto che aggiungiamo su shop.

Il contesto, contesto, contesto, capacità di riuscire a fornire dati fondamentali a questi sistemi è la capacità determinante per riuscire ad essere efficaci con questi modelli anche perché questi modelli cambieranno tantissimo I prossimi anni avete visto quanto escono frequentemente? La storia nei prossimi anni si farà dotandosi di strumenti all'interno delle aziende che permettono di accedere ai propri dati interni, accedere ai dati web, quindi accedere al proprio drive del web, tutti i dati strutturati e non strutturati che abbiamo all'interno delle aziende e fornirli in modo indifferente senza dover rischi.

Vivere codice ogni volta per programmare queste cose ai modelli di linguaggio, vi invito a guardare la lancia che è uno strumento molto utile in questo senso e tanti altri strumenti di framework di leggere model che vanno proprio in questa direzione e valorizzeranno i vostri dati e i vostri contesti.

Grazie mille.