Я люблю нейросети. Но чаще всего они меня бесят своей банальностью.
С их помощью я пишу короткие тексты, генерирую идеи и собираю изображения. Иногда вайбкодю, но чаще всего код не запускается 😀
И наверное, самое ужасное, что может сгенерировать нейросеть — это банальные тексты. Особенно когда ты не даёшь ей роль, контекст или персонализацию («пиши без штампов» и т. д.).
Как вообще понять, что текст сгенерировала нейросеть? Собрал несколько таких признаков.
#1. Конструкция «Это не просто Х — это Y»
Пожалуй, самая известная и бесячая конструкция, по которой можно вычислить текст, написанный ИИ. Вариантов масса: «Это не про то, чтобы… Это про то, чтобы…», «Это не просто X, который… Это Y, у которого…»
Примеры: «Вы не просто пишете код, а сразу видите, как он решает реальные бизнес-задачи. Вы получаете не просто навык, а мышление аналитика».
Или: «Power BI — это не только про “перетащил поле и получил график”».
#2. Однородность и монотонность
Классика для любой нейросети — ритмичность, одинаковая длина и структура предложений. Когда читается на одном дыхании, но как бы нет.
Пример:
«Книги (Hyndman, Hamilton) дают отличную теорию, но вы не знаете, с чего начать, когда открываете Jupyter с реальным датасетом.
Статьи на Medium/Habr дают рецепты для конкретных случаев, но не объясняют, почему именно этот метод, и что делать, когда рецепт не работает».
#3. Подпункты
Дополняя предыдущий пункт, ритмичность чаще всего достигается за счёт подпунктов. Чаще всего их три, бывает больше.
Пример:
«Что в итоге получает бизнес? Сотрудника, который:
- Не сливает бюджет на ложные срабатывания;
- Ускоряет принятие решений в 2 раза;
- Строит надёжные эксперименты в любых условиях;
- Понимает, как проверять даже сложные метрики и механики».
#4. Пояснения в скобках, после двоеточий и тире
Предложения часто построены по принципу «тезис — пояснение — следствие». Пояснения часто обособляются знаками препинания. В текстах от ИИ много скобок, двоеточий и тире.
Примеры: «В мире каждый день появляются тысячи гипотез: "сделаем кнопку зелёной — вырастут продажи", "поменяем алгоритм рекомендаций — увеличим retention", "запустим новый канал трафика — окупится за неделю"».
Или: «Вы берёте свой или предложенный датасет и проводите полный цикл: очистка → исследование → моделирование → выбор лучшей модели → интерпретация прогноза».
#5. Парцелляция
Искренне не понимаю, зачем нейросети делят предложения на несколько мелких — возможно, чтобы подчеркнуть мысль. Получается не очень.
Примеры: Вы листаете вакансии. И ловите себя на мысли: «А вдруг спросят про Python, а я только SQL учил». Стоп. Выгоните эту мысль.
Собеседование на аналитика данных — это не экзамен в университете, где нужно ответить на билет идеально. Это диалог».
#6. Указательные слова «вот», «это», «здесь»
Частицы «вот», «это», наречие «здесь» в начале предложения подсказывают, на какую информацию обратить внимание. Вроде бы и хорошо, но не когда этого много.
Примеры: «Вот 5 причин…», «здесь и кроется главная беда…» и т. д.
#7. Неуместные метафоры, эпитеты, сравнения
ИИ только учится работать с образными выражениями, поэтому нередко словосочетания стилистически выбиваются из общего текста или выглядят нагромождением.
Примеры: «Кофе был крепким, как убеждения деда, и горьким, как правда жизни, поданная без сахара. Его аромат ворвался в мои ноздри озорным вором, обшаривающим каждый синапс в поисках бодрости».
Или: «Путь junior-аналитика — это квест на усидчивость и любопытство».
Или: «Иногда бизнес приходит с вопросами, от которых стандартный набор инструментов аналитика начинает "дымиться"».
Ещё одна тема, которой часто попрекают ИИ-посты — длинные тире и большое количество эмодзи. И если по поводу смайликов всё очевидно — иногда их действительно перебор — то вот длинные тире вызывают вопросы.
Я не считаю длинные тире признаком ИИ-текста. Точнее, так: длинные тире должны быть уместны. Если они используются как выделение мысли, это одно. А если их можно заменить запятой или скобками, то лучше этим пользоваться. Так вы точно не навлечёте гнев диджитал-аудитории 😉
