Детекция упоминаний бренда - технический процесс определения того, появляется ли ваш бренд в блоке текста, сгенерированного ИИ. Это слой парсинга, превращающий сырые ответы LLM в структурированные данные о том, были ли вы упомянуты, где именно в ответе и в каком окружающем контексте.
Сложность точной детекции
На первый взгляд обнаружение упоминания бренда кажется простым: искать название бренда в тексте ответа. На практике точная детекция требует обработки:
Вариантов и алиасов: “АР”, “Аск Ранк”, “askrank.io” должны засчитываться как упоминания “AskRank”. Для каждого бренда нужен настроенный список алиасов.
Нормализации регистра: “хабспот”, “HubSpot”, “ХАБСПОТ” - один и тот же бренд. Сопоставление без учёта регистра - базовое требование.
Транслитерации: бренды, используемые в неанглоязычном контексте, могут транслитерироваться по-разному. “Notion” в русскоязычном контенте может встречаться в кириллице.
Составных упоминаний: “дашборд AskRank” против “инструмент от AskRank” против “цены AskRank” - всё это упоминания.
Разрешения контекстной неоднозначности: “notion” как общее слово против “Notion” как программного обеспечения. Анализ контекста помогает их различать.
Почти-совпадений: “AskRanke”, “Ask-Rank”, “АсРанк” - это тот же бренд? Настраиваемое нечёткое сопоставление с порогом расстояния редактирования решает эту задачу.
Пайплайн детекции
Надёжный пайплайн детекции упоминаний бренда состоит из нескольких этапов:
- Нормализация: привести ответ к нижнему регистру, стандартизировать пробелы, раскрыть распространённые сокращения
- Расширение алиасов: построить паттерн поиска из названия бренда и всех настроенных алиасов
- Быстрое сопоставление: прогнать regex-паттерны для точных и близких совпадений
- Извлечение позиции: для найденных совпадений записать смещение символа и вывести позицию в списках
- Контекстное окно: извлечь окружающий текст (50-100 слов) вокруг каждого совпадения для анализа тональности
- Оценка уверенности: присвоить уверенность на основе типа совпадения (точное = высокая, нечёткое = средняя)
- Верификация на базе модели: для совпадений с низкой уверенностью использовать вторичную ИИ-модель для подтверждения
AskRank использует Claude Haiku для шага верификации на базе модели. Haiku быстрый, недорогой и точный в этой задаче классификации сущностей.
Управление ложными срабатываниями
Ложное срабатывание в детекции упоминаний бренда означает, что система зафиксировала упоминание, которого на самом деле не было. Ложные срабатывания искажают ваши данные о видимости: показатель выглядит выше реальности.
Распространённые источники ложных срабатываний:
- Слишком широкое сопоставление алиасов: если “AR” - алиас, а ответ содержит “AR” в значении “augmented reality” (дополненная реальность) - это ложное срабатывание
- Совпадения названий: если название вашего бренда - также распространённое слово (например, “Notion”)
- Загрязнение шаблоном: включение названия бренда в сам промпт может привести к тому, что ответ эхом повторит название
AskRank поддерживает частоту ложных срабатываний ниже 5% на своей валидационной выборке, измеряя это сравнением автоматической детекции с эталонными ответами, размеченными вручную.
