สรุป AI ของ ESPN ที่ไม่เอ่ยถึง Alex Morgan ในเกมอาชีพนัดสุดท้ายของเธอ

 (awfulannouncing.com)
2 คะแนน โดย GN⁺ 2024-09-10 | 1 ความคิดเห็น | แชร์ทาง WhatsApp
  • สรุปการแข่งขันที่สร้างโดย AI ของ ESPN พลาดบริบทสำคัญที่ว่านี่คือเกมอำลาของ Alex Morgan แสดงให้เห็นว่าแม้สรุปอัตโนมัติจะบอกผลการแข่งขันได้ถูกต้อง ก็ยังอาจพลาดเรื่องสำคัญสำหรับผู้อ่าน
  • San Diego Wave แพ้ 4-1 ให้กับ North Carolina Courage และ Morgan ลงเล่น 15 นาที ยิงจุดโทษ ก่อนกล่าวขอบคุณและอำลาแฟน ๆ
  • สรุปของ ESPN Generative AI Services ถูกเผยแพร่บนเว็บไซต์และแอปเวลา 20:52 น. ตามเวลาตะวันออก โดยตลอด 215 คำพูดถึงการทำประตูกับรูปเกม แต่ไม่เอ่ยถึง Morgan เลยแม้แต่ครั้งเดียว
  • ESPN ระบุว่าสรุปจาก AI ทุกชิ้นผ่านการ ตรวจทานโดยบรรณาธิการมนุษย์ แต่ยังไม่ชัดเจนว่าการตกหล่นครั้งนี้หลุดรอดจากขั้นตอนตรวจทาน หรือถูกตัดออกจากการตัดสินใจเชิงบรรณาธิการ
  • แม้จะมีบทความแยกที่พูดถึงเกมสุดท้ายของ Morgan แต่สรุป AI ที่ส่งให้แฟนกีฬาซึ่งได้รับการรายงานน้อยกว่า จะน่าเชื่อถือได้ก็ต่อเมื่อมี ความสามารถในการคัดเลือกบริบทสำคัญ ด้วย

ฉากสำคัญของเกมที่สรุปโดย AI มองข้าม

  • Alex Morgan หนึ่งในนักเตะสัญลักษณ์ของฟุตบอลสหรัฐฯ ลงเล่นเกมอาชีพนัดสุดท้ายกับ San Diego Wave ในวันอาทิตย์ และทีมแพ้ North Carolina Courage 4-1
  • ระหว่างการแข่งขัน Morgan ถอดสตั๊ดกลางสนาม แล้วโบกมือทั้งน้ำตาให้ผู้ชมใน Snapdragon Stadium
    • แฟน ๆ ตะโกนชื่อ Morgan และผู้เล่นต่างล้อมเธอพร้อมปรบมือให้
    • Morgan ลงเล่น 15 นาที และรับหน้าที่ยิงจุดโทษ
    • หลังจบเกม เธอกล่าวขอบคุณแฟน ๆ สำหรับแรงเชียร์และบอกลา
  • เกมนี้ถ่ายทอดสดพร้อมกันผ่านหลายเครือข่ายและบริการสตรีมมิง

สิ่งที่สรุปของ ESPN Generative AI Services ตกหล่น

  • ESPN Generative AI Services เริ่มให้บริการสรุปเกมของ NWSL และ Premier Lacrosse League ตั้งแต่สัปดาห์นั้น
  • สรุป ที่เป็นประเด็นถูกเผยแพร่บนเว็บไซต์และแอปของ ESPN เวลา 20:52 น. ตามเวลาตะวันออก
  • สรุปดังกล่าวจัดเรียงผลการแข่งขัน ผู้ทำประตู และรูปเกมในแบบมาตรฐาน แต่ตลอด 215 คำ ไม่เอ่ยถึง Morgan เลย
    • แม้แต่ว่านี่คือเกมอาชีพนัดสุดท้ายของ Morgan ผู้คว้าแชมป์ World Cup สองสมัยและเหรียญทอง Olympic ก็ไม่ถูกกล่าวถึง
    • ในสรุปมีประโยคว่า "[Kennedy] Wesley ของ San Diego เป็นผู้เล่นเด่นที่มีส่วนร่วมทั้งเกมรับและเกมรุก"

คำถามที่ยังค้างจากการตรวจทานโดยบรรณาธิการมนุษย์

  • ESPN ระบุในประกาศเปิดตัวบริการว่า สรุปที่สร้างโดย AI ทุกชิ้นจะได้รับการตรวจสอบด้านคุณภาพและความถูกต้องโดย บรรณาธิการมนุษย์
  • ยังไม่ชัดเจนว่าเหตุใด Morgan จึงหายไปจากสรุป
    • อาจเป็นไปได้ว่าบรรณาธิการมนุษย์ไม่ทันสังเกตว่ามีการไม่กล่าวถึง Morgan
    • หรืออาจตัดสินว่าไม่จำเป็นต้องใส่บริบทเกี่ยวกับ Morgan ก็ได้
  • แม้ข้อเท็จจริงในสรุปจะถูกต้อง แต่การละเลย Morgan และความสำคัญของคืนนั้นก็เป็นตัวอย่างว่าสรุปนี้ไม่สามารถถ่ายทอดบริบททั้งหมดของเกมได้

บทความแยกและการแก้ไขภายหลัง

  • ESPN เผยแพร่ บทความแยก ของ Jeff Kassouf ที่โฟกัสไปที่ Morgan
  • บทความดังกล่าวพูดถึงค่ำคืนอำลาที่เต็มไปด้วยอารมณ์ของ Morgan แต่ถูกวางไว้ใน เมนูด้านข้าง ของสรุปที่สร้างโดย AI จึงอาจถูกมองข้ามได้ง่าย
  • ESPN แก้ไขสรุปเกมเมื่อวันจันทร์ที่ 9 กันยายน เวลา 08:59 น. ตามเวลาตะวันออก เพื่อเพิ่มการกล่าวถึง Alex Morgan

ข้อจำกัดของสรุป AI ในกีฬาที่ได้รับการรายงานน้อย

  • ESPN ระบุว่าสรุปที่สร้างโดย AI มีเป้าหมายเพื่อเสริมการรายงานกีฬาที่ ได้รับการบริการข่าวน้อย และมอบคอนเทนต์ที่ก่อนหน้านี้ไม่มีให้กับแฟน ๆ
  • สรุปเกมที่พลาดบริบทสำคัญแสดงให้เห็นว่า การเรียงลำดับข้อเท็จจริงเพียงอย่างเดียวไม่เพียงพอ
  • ผู้เขียนที่เป็นมนุษย์สามารถมองเห็นได้ทั้งผลการแข่งขัน รวมถึงช่วงเวลาที่สำคัญต่อผู้เล่น ลีก และแฟน ๆ แต่สรุป AI ชิ้นนี้ไม่สามารถทำหน้าที่นั้นได้

บทความที่เกี่ยวข้อง

1 ความคิดเห็น

 
GN⁺ 2024-09-10
ความคิดเห็นใน Hacker News

  • ค่อนข้างตลกที่เอาเรื่องนี้มาใช้เป็นกรณีโจมตี คอนเทนต์ที่สร้างโดย AI บริษัทคอนเทนต์กีฬาบนเว็บทำบทความแบบอัตโนมัติมาอย่างน้อย 10 ปีแล้ว นานก่อนที่ LLM จะดังเสียอีก
    ส่วนใหญ่ก็เพราะอันดับค้นหา และเพราะยิ่งมีคอนเทนต์ที่ดูเกี่ยวข้องแบบพอเข้าท่ามากเท่าไร ก็ยิ่งเป็นผลดีต่อ การปรับแต่งเว็บไซต์ให้ติดอันดับในเครื่องมือค้นหา
    เรื่องแบบนี้น่าจะเกิดขึ้นหลายครั้งตั้งแต่ก่อนยุค AI แล้ว เพียงแต่ไม่สะดุดตาหรือไม่ได้รับความสนใจมากนัก กรณีนี้ดูเหมือนจะเป็นเรื่องที่ ESPN พลาดเซนส์หน้างาน และไม่ได้ดูแลให้ copywriter มาอัปเดตบทความนั้นด้วยตัวเองมากกว่า ESPN เป็นที่รู้กันมานานแล้วว่าเป็นที่ที่ให้ความสำคัญกับปริมาณมากกว่าคุณภาพ
    ที่มา: เคยทำงานเป็นนักพัฒนาฝั่งเทคนิคในบริษัทที่ทำคอนเทนต์แบบนี้

    • แต่ในกรณีนี้ AI ก็ไม่ได้ทำให้มันดีขึ้น
      ความจริงที่ว่าคอนเทนต์ทั่วไป ๆ แบบนี้ที่แค่ปนคำศัพท์กีฬาเข้าไปสามารถทำเงินได้ มันก็น่าหดหู่ทีเดียว
    • งั้นหมายความว่า AI แย่พอ ๆ กับวิธีเดิม แต่ต้องใช้ข้อมูลมากกว่าและมี การใช้พลังงาน สูงกว่าสินะ
    • จากส่วนที่ว่า “รับประกันว่า copywriter คนหนึ่งจะอัปเดตบทความนี้ด้วยตนเอง” ดูเหมือนว่าก่อนหน้านี้ก็ไม่เคยมีระบบแบบนั้นที่เข้าที่จริง ๆ และดูจากผลลัพธ์ของบทความนี้ ตอนนี้ก็ชัดเจนว่ายังไม่มี
      มันเห็นได้ชัดว่าข่าวกีฬาจำนวนมากแทบจะเป็นการ เติมคำในช่องว่าง เลย ดังนั้นจึงลงข่าว AP ทันที แล้วนักข่าวที่รับผิดชอบจริงค่อยเขียนบทความแยกออกมาตอนคืนนั้นหรือเช้าวันถัดไป
    • ขาลงของ ESPN เริ่มมานานกว่า LLM มาก และการ ใช้ AI ที่โจ่งแจ้งขึ้นก็แค่เร่งเกลียวขาลงนั้นให้เร็วขึ้นเท่านั้น
    • ไม่รู้ว่าในช่วงกว่า 5 ปีที่ผ่านมาคุณดูเว็บแบบไหนมา ไม่ใช่แค่ “คอนเทนต์” กีฬาเท่านั้น แต่คอนเทนต์ทุกประเภทถูกท่วมอยู่ใน หน้า SEO คุณภาพต่ำ
      ไม่ว่าจะสร้างอัตโนมัติหรือไม่ ก็ไร้ประโยชน์เหมือนกัน และ LLM ก็แค่ทำให้มันถูกลงเท่านั้น

  • เกมนี้ ESPN ถ่ายทอดทั้งทาง ESPN2 และ ESPN+ ถ้าอย่างนั้นก็น่าจะมีการจ่ายเงินให้ ผู้บรรยายผู้เชี่ยวชาญสองคน เพื่อเติมบริบทและอธิบายจังหวะสำคัญก่อน ระหว่าง และหลังเกม
    เขาไม่ได้ส่งเนื้อหานั้นเป็น ทรานสคริปต์คำบรรยาย ให้บอตเขียนบทความหรือ? ในเมื่อคำบรรยายถูกทำเป็นซับไตเติลแบบเรียลไทม์อยู่แล้ว ดูเหมือนเป็นการปรับปรุงที่ทำได้ง่ายมาก

    • ผมสงสัยเรื่องนี้เลยลองทำเอง ถอดเสียงการแข่งขันด้วย whisper-small.en แล้วขอให้ ChatGPT สรุปด้วยพรอมป์ต์ที่เป็นกลาง
      “ต่อไปนี้คือทรานสคริปต์ของการแข่งขันฟุตบอล โปรดเขียนบทความ 200 คำเกี่ยวกับเกมนี้ ในสำนวนของนักข่าวกีฬามืออาชีพผู้ชำนาญ”
      สรุปเริ่มว่า “ในเกมอาชีพนัดสุดท้าย Alex Morgan ลงเล่นด้วยอารมณ์และความทรหด แต่ San Diego Wave แพ้ให้กับ North Carolina Courage 3-1 เกมนี้ที่ Snapdragon Stadium ในซานดิเอโกไม่ใช่แค่การแข่งขัน แต่เป็นการสดุดีให้กับหนึ่งในบุคคลระดับสัญลักษณ์ของวงการฟุตบอล”
      คะแนนผิด ส่วนที่เหลืออยู่ที่นี่: https://chatgpt.com/share/de8c60d1-69ab-4291-99dc-d4d95af3d3...
    • ในกีฬามี ข้อมูลที่มีโครงสร้าง จำนวนมาก และโดยเฉพาะแบรนด์อย่าง ESPN ก็มีมาตรฐานสูงในการต้องอธิบายข้อมูลนั้นให้ถูกต้อง
      ถ้าใส่ทรานสคริปต์ยาวหลายชั่วโมงเข้าไปใน LLM ก็เสี่ยงเกิด ภาพหลอน เพราะผู้บรรยายตื่นเต้นพูดถึงโอกาสทำประตูหรือเหตุการณ์ที่ท้ายที่สุดไม่ได้เกิดขึ้นจริง
      ในทางกลับกัน งานง่าย ๆ อย่าง “แปลงรายการประตู เวลา ผู้ทำประตู ผู้แอสซิสต์ ฯลฯ ให้เป็นประโยค” สามารถทำได้ด้วยอัลกอริทึมที่ให้ผลแน่นอนโดยไม่ต้องใช้ LLM และครั้งนี้ก็อาจเป็นแบบนั้น ปัญหาไวยากรณ์บางส่วนในต้นฉบับให้ความรู้สึกเหมือนกฎแทนที่แบบก่อนยุค LLM ถูกผสมกันผิดมากกว่า
      สามารถสร้างระบบที่ตรวจสอบผลลัพธ์รอบแรกของ LLM ซึ่งสรุปทรานสคริปต์ยาวซ้ำ ๆ และเทียบกับข้อมูลมีโครงสร้างที่รู้อยู่แล้วเพื่อยืนยันความถูกต้องได้ อาจได้คอนเทนต์ที่สมบูรณ์ขึ้นและอัตราความผิดพลาดที่ยอมรับได้ และวิศวกรแมชชีนเลิร์นนิงระดับโลกก็อาจทำต้นแบบได้ในแฮกกาธอน
      แต่สำหรับองค์กรขนาดใหญ่ที่เลี่ยงความเสี่ยง มันไม่ใช่เรื่องง่ายเลย เพราะยากจะเอาชนะตรรกะที่ว่า “สิ่งที่มีอยู่ตอนนี้ยังไม่สมบูรณ์ แต่อย่างน้อยก็ไม่ผิดข้อเท็จจริง”
    • เคยให้คำปรึกษากับหลายแห่งที่มองตัวเองเป็นบริษัท “สื่อ/วารสารศาสตร์” และสิ่งที่ทำให้ประหลาดใจเสมอคือทีมเทคนิคมักถูกแยกจากทีมคอนเทนต์ และมักมี สิทธิ์เข้าถึงสื่อ เหล่านั้นต่ำมาก
      ค่อนข้างต่างจากวิธีคิดแบบ “เข้าถึงได้ทุกอย่าง” ที่คาดหวังในบริษัทเทคโนโลยี หรือแม้แต่สามัญสำนึกทั่วไป
      ผมไม่รู้เลยว่า ESPN ทำงานกันอย่างไร แค่อนุมานจากสิ่งที่เคยเห็นในที่อื่น
    • ผมก็คิดเหมือนกัน ดูเหมือนว่ายังอยู่ช่วงเริ่มต้น

  • ถ้าไม่มีข้อมูลว่า “นี่คือการแข่งขันนัดสุดท้ายของ Alex Morgan” อยู่ในอินพุตหรือพรอมป์ต์เลย แล้วสรุปโดย AI จะเอาเรื่องนั้นใส่ลงไปในบทความการแข่งขันได้อย่างไรกัน
    ต่อให้ให้แค่ตารางที่มีผู้ทำประตูและเวลาที่ทำประตูแก่เด็กฝึกงานวัยรุ่นคนหนึ่ง ก็คงเขียนบทความคล้าย ๆ กันได้ แต่ก็ไม่ได้หมายความว่านั่นจะเป็นข้ออ้างให้สำนักข่าวและเว็บไซต์กีฬาใช้ generative AI กับทุกอย่างได้ และก็เข้าใจได้ว่าทำไมผู้คนถึงหงุดหงิดกับ ESPN

    • ถ้าไม่มีข้อมูลนั้นก็สร้างมันขึ้นมาไม่ได้ และนั่นแหละคือปัญหา หนึ่งในจุดขายใหญ่ของ generative AI คือการเอาคนออกจากกระบวนการเขียน แต่ถ้ายังต้องมีใครสักคนดูการแข่งขันจริง ๆ แล้วอธิบายในพรอมป์ต์ว่าเกิดอะไรขึ้น ผมก็ไม่รู้ว่าเทคโนโลยีนี้มีความหมายอะไร
      การนำ generative AI มาใช้มีหน้าตาแบบนี้แหละ ใช้ อินพุตคุณภาพต่ำ เพื่อสร้างบางอย่างที่ดูเหมือนบทความ นี่คืออนาคตอันเจิดจ้าที่ OpenAI นำมาให้เรา
    • ประเด็นของคำวิจารณ์ไม่ได้อยู่ที่ว่า “AI โง่แค่ไหน” แต่ใกล้เคียงกับการเป็นตัวอย่างหนึ่งที่แสดงให้เห็นว่า คอนเทนต์จาก AI ขาดตกบกพร่องได้อย่างไร แม้จะมีมนุษย์ตรวจทานตามที่ ESPN อ้างก็ตาม
    • เรื่องนี้น่าจะเป็นปัญหาเรื่องวิธีใช้ให้ดีกว่า มากกว่าจะเป็นข้อจำกัดโดยเนื้อแท้ของ AI
      แทนที่จะโยนเหตุการณ์ในเกมให้ LLM แล้วบอกให้สรุปเฉย ๆ เห็นเส้นทางปรับปรุงที่ชัดเจนได้ เช่น ใส่สรุปบทความล่าสุด 10 ชิ้นที่เกี่ยวกับผู้เล่นและโค้ชที่มีส่วนร่วมในเกม หรืออาจรวมถึงสรุปบทความสำคัญในอดีต 10 ชิ้นลงไปในพรอมป์ต์ด้วย
      จากนั้นขอให้สรุปการแข่งขัน โดยให้ใช้ข้อมูลอื่นเป็นข้อมูลอ้างอิงเพื่อยกระดับคุณภาพบทความ นี่ดูเหมือนเป็นสิ่งที่ LLM น่าจะทำได้ดี พอดีไม่ใช่หรือ
    • คนที่จะอ่านบทความนี้ย่อมรู้อยู่แล้วว่านี่เป็นการแข่งขันนัดสุดท้ายของ Alex Morgan ถ้า ESPN ซึ่งมีอิทธิพลกว้างขวางในสื่อกีฬา จับประเด็นนี้แล้วสะท้อนลงในบทความไม่ได้ ก็ไม่รู้ว่าทำไมสำนักพิมพ์ถึงควรใช้บริการสรุปของ ESPN แทน สตาร์ทอัพ Y Combinator สักราย
    • หากต้องการรวมข้อมูลแบบนี้ไว้ในพรอมป์ต์ ก็ต้องสร้างระบบ retrieval-augmented generation บางรูปแบบขึ้นมา อาจทำแบบกึ่งอัตโนมัติได้ แต่ก็ต้องทุ่มแรงให้ระบบมากขึ้นถึงจะเป็นไปได้

  • ESPN ย้ำว่า “สรุปแต่ละชิ้นที่ AI สร้างขึ้นจะได้รับการตรวจทานโดยบรรณาธิการมนุษย์เพื่อรับประกันคุณภาพและความถูกต้อง” แต่ก็เชื่อได้ยาก
    เป้าหมายหลักของการให้ AI เขียนบทความคือการลดจำนวนคนที่ต้องจ่ายเงินให้ ดังนั้นการยอมจ่ายเพื่อให้ผู้เชี่ยวชาญที่ผ่านการฝึกมาตรวจทุกบทความอย่างละเอียด ก็คงถูกตัดออกจากตัวเลือกไปแล้ว
    อาจประนีประนอมด้วยการลดความเข้มงวดของการตรวจทาน ลดความเชี่ยวชาญของบรรณาธิการ หรือไม่ใส่คนเข้าไปในทุกบทความ แต่คงไม่จ่ายเงินให้ บรรณาธิการมืออาชีพ ทำงานอย่างถูกต้องหรอก เรื่องนี้ผมกล้ารับประกัน

    • ผมว่าตรรกะนั้นไม่ค่อยลงตัว การใช้บทความที่สร้างขึ้นช่วยประหยัดเงินได้มากก็จริง แต่ถ้าคอนเทนต์ไม่ถูกต้อง ก็จะเสีย ความเชื่อมั่นของผู้ลงโฆษณา ซึ่งเป็นลูกค้า
      แค่มีบรรณาธิการ 1 คนต่อผู้สื่อข่าวที่ถูกแทนที่ 10 คน ก็ยังลดต้นทุนได้มากอยู่ดี
      ผ่านไปอีกไม่กี่รุ่น บรรณาธิการอาจถูกแทนที่ด้วยก็ได้ แต่ผมคิดว่ายังไม่ถึงจุดนั้นในตอนนี้

  • ESPN เอาคนออกจากการรายงานข่าว และ AI ก็เอาคนออกจากเนื้อหาข่าว
    ในประกาศเปิดตัวบริการ ESPN ย้ำว่า “สรุปแต่ละชิ้นที่ AI สร้างขึ้นจะได้รับการตรวจทานโดยบรรณาธิการมนุษย์เพื่อรับประกันคุณภาพและความถูกต้อง” ไม่ชัดเจนว่าบรรณาธิการมนุษย์ไม่สังเกตเห็นการหายไปของ Morgan หรือเห็นแล้วตัดสินว่าไม่คุ้มค่าแก่การกล่าวถึง
    ตลอด 100 ปีที่ผ่านมา การโทษเด็กฝึกงาน เป็นแพะรับบาปที่ยอดเยี่ยมมาโดยตลอด

    • ผมก็ตีความคล้ายกัน จริง ๆ แล้วให้ความรู้สึกประมาณว่า “วัยรุ่นในอินเดียไล่อ่านบทความที่ AI สร้างวันละ 1,000 ชิ้นอย่างรวดเร็ว มองหาแค่ถ้อยคำหยาบคายหรือสิ่งที่อาจโดนฟ้อง แล้วก็จบแค่นั้น”

  • ผมเกลียด สรุปการแข่งขันด้วย AI ของการแข่งขัน WTT (World Table Tennis) มาก
    ไฮไลต์ AI ตัดกลางแรลลี ข้ามทั้งแต้ม หรือบางทีก็ข้ามทั้งเซต มันไม่สะท้อนเหตุการณ์สำคัญที่เกิดขึ้นระหว่างแต้ม และบางครั้งยังตัดคำบรรยายที่เร้าใจหลังจบแต้ม การฉลอง หรือแม้แต่การจับมือหลังจบเกมทิ้งไปด้วย

    • ผมเกลียดทุกอย่างที่ AI สร้างขึ้น มีอะไรคล้าย uncanny valley ในข้อความด้วยหรือเปล่า

  • สรุป AI แบบนี้สร้างขึ้นมาอย่างไร ใส่ไฟล์วิดีโอการแข่งขันทั้งเกมแล้วมันคายสรุปออกมา หรือใส่บันทึกคะแนนที่มนุษย์เขียนพร้อม timestamp ของการทำคะแนน แล้วให้ AI เติมประโยคเพิ่มจนกลายเป็นบทความกันแน่ อยากรู้จริง ๆ

    • เมื่อก่อน ตอนทำสิ่งนี้ก่อนยุค AI ข้อมูลการแข่งขันทั้งหมดอยู่ใน API แล้วก็เอาไปเติมลงในเทมเพลต
      ตอนนี้ก็คงใส่ raw API call แล้วใช้พรอมป์ต์ทำนองว่า “จงเขียนบทความสรุปการแข่งขันโดยใช้ข้อมูลนี้” ก็น่าจะได้ผลลัพธ์ออกมา แน่นอนว่าพรอมป์ต์คงพิถีพิถันกว่านั้น ผมเดาเอานะ หรือถ้าเป็น ESPN ก็อาจจะไม่ก็ได้
      แต่จำไม่ได้เลยว่า retiring_players เคยอยู่ใน response ของ API
      เพิ่มเติมคือ สรุปแบบ play-by-play นั้นถูกทำเอกสารไว้อย่างละเอียดสุด ๆ น่าทึ่งมาก กีฬายอดนิยมอย่าง Gridiron Football หรือ Basketball บางครั้งมีตำแหน่งผู้เล่นเป็นรายวินาทีด้วย ข้อมูลนี้มาจากฟีดอย่าง SportsRadar
      คงไม่ถึงขั้นเอาข้อมูลละเอียดระดับนั้นใส่ในพรอมป์ต์ แต่ก็มีข้อมูลสรุปที่ค่อนข้างดี เช่น ใครยิงสามแต้มได้กี่ลูกและยิงจากตรงไหน
    • ถ้าผมทำต้นแบบนี้ อินพุตอย่างแรกที่ผมจะเริ่มใช้คงเป็นแค่ บันทึก play-by-play แบบกึ่งมีโครงสร้าง
      ถ้าใส่รายชื่อผู้เล่น อาการบาดเจ็บ และข้อมูลตารางแข่งเข้าไปด้วย แล้วใช้พรอมป์ต์พื้นฐานพอสมควร ก็น่าจะดีขึ้นมาก
      ตอนนี้ข้อมูลแบบนี้มีอยู่ผ่านเว็บเซอร์วิสหลายแห่งสำหรับการแข่งขันสดส่วนใหญ่ ESPN เองก็น่าจะมีทรัพยากรเพียงพอที่จะดึงข้อมูลเหล่านี้มาใช้
    • มีหลายบริษัทที่ให้บริการข้อมูลกีฬาสดผ่าน API หรือให้สรุปหลังการแข่งขัน ดังนั้นคงมีความเป็นไปได้สูงว่าจะใช้สิ่งนั้น
    • ใช้ box score และ เหตุการณ์ play-by-play
    • ช่องว่างระหว่างความคาดหวังกับความเป็นจริงของ “generative AI” ตอนนี้ใหญ่เกินกว่าจะมองข้ามแล้ว
      ถ้าระบบมูลค่าหลายพันล้านดอลลาร์พังเพราะ “ความผิดพลาดของมนุษย์” ความสามารถของมันก็อาจถูกพูดเกินจริงไปมาก หากต้องอาศัยทั้งคำถามที่สร้างอย่างระมัดระวังหรือ “prompt engineering”, ข้อมูลที่ไร้ข้อผิดพลาด 100%, พลังงานไฟฟ้ามหาศาล และยังต้องให้มนุษย์มาตรวจทานผลลัพธ์อีก แล้วเราได้อะไรขึ้นมากันแน่
      ถึงเวลายอมรับหรือยังว่า กระแส AI ระลอกนี้เป็นฟองสบู่

  • เว็บไซต์พวกนี้เต็มไปด้วยตัวติดตามและโฆษณา และโดยรวมก็เป็นแค่ บทความที่ใช้ความพยายามต่ำอย่างสุดขีด ซึ่งยืดเนื้อหาที่แทบไม่มีสาระออกไปให้ยาวมากเท่านั้น