ИИ-цензор для интернет-магазина: автоматическая модерация отзывов

Привет, коллеги-предприниматели. У меня небольшой маркетплейс товаров для дома. И каждое утро у меня начиналось не с кофе, а с «чистки авгиевых конюшен» в разделе отзывов. «Заработай на крипте», «Ваш конкурент продает дешевле тут [ссылка]», и мое любимое — трехэтажный мат из-за того, что курьер опоздал на 5 минут.

Раньше я тратил на это час в день. Потом нанял студента, но он пропускал половину спама. Обычные фильтры слов не работали: спамеры пишут «кpиптa» через латиницу, а хейтеры умеют оскорбить без единого матерного слова.

В итоге я настроил нейросеть на Qubu. Теперь она делает 90% работы за меня, а я просто пью кофе и смотрю отчеты. Сейчас покажу, как это сделать, даже если вы не программист.

Что нам понадобится:

1. Аккаунт на Qubu (бесплатного тарифа хватит для старта).

2. Таблица с отзывами (Excel или CSV), если хотите проверить сразу много.

3. 15 минут времени.

Теория на пальцах:

Почему старый метод не работает?

Представьте, что вы поставили охранника (обычный фильтр), которому дали список запрещенных слов: «Дурак», «Плохой», «Спам».

Приходит человек и говорит: "Интеллект автора данного товара стремится к отрицательным значениям". Охранник сверяет список. Слов «Дурак» нет? Проходи, дорогой гость!

Нейросеть (модель NLP) — это охранник, который не смотрит в список слов, а понимает смысл. Она прочитала весь интернет и знает, что фраза выше — это оскорбление, хоть и вежливое. Она оценивает Тональность (Sentiment) и ставит оценку: от 1 (полный негатив) до 5 (восторг).

Пошаговая инструкция:

Шаг 1: Ищем «Мозг» в каталоге

Нам не нужно обучать робота с нуля (это долго и дорого). Возьмем готового.

1. Заходим в раздел «Модели» на Qubu.

2. В фильтрах выбираем категорию Text Classification или ищем по слову Sentiment.

3. Находим модель типа «Анализ настроений в отзывах (BERT)». (В каталоге есть отличные мультиязычные модели, которые понимают и русский, и английский).

Шаг 2: Тест-драйв (Интерфейс Gradio)

Прежде чем что-то внедрять, давайте "потыкаем палочкой".

1. На странице модели ищем блок Gradio (это такое окошко прямо в браузере).

2. Копируем реальный спорный отзыв с вашего сайта.

   • Пример: "Товар приехал быстро, но коробка мятая, как моя жизнь. Больше не закажу!"

3. Жмем Submit.

4. Смотрим ответ. Модель выдаст метку (Label), например: 2 stars или Negative.

Если модель помечает гневные отзывы как «1 звезда», а рекламу как «Спам» — она нам подходит.

Шаг 3: Массовая зачистка (Для тех, у кого накопилось)

Если у вас 1000 отзывов, копировать их по одному — безумие. Сделаем это через Ноутбук (это как Google Docs, только для кода, который мы сейчас просто скопируем).

1. Иди в раздел «Датасеты» и загрузи свой файл с отзывами (reviews.csv).

2. Иди в раздел «Обучение» -> «Ноутбуки» и создай новый.

3. Вставь туда этот простой код (шаблон):

# Импортируем "библиотекаря" для работы с моделями
from transformers import pipeline
import pandas as pd

# Загружаем модель (название берем из карточки модели на Qubu)
classifier = pipeline("sentiment-analysis", model="nlptown/bert-base-multilingual-uncased-sentiment")

# Загружаем ваши отзывы
df = pd.read_csv('reviews.csv') # Убедись, что файл так называется

# Функция "Оценщик"
def rate_review(text):
    result = classifier(text[:512])[0] # Берем первые 512 символов
    return result['label']

# Применяем ко всем отзывам
print("Начинаю читать отзывы... Это займет пару минут.")
df['AI_Verdict'] = df['text_column'].apply(rate_review) # text_column - название столбца с текстом

# Сохраняем отчет
df.to_csv('reviews_checked.csv', index=False)
print("Готово! Скачивай файл reviews_checked.csv")

1. Нажми кнопку Play (треугольник).

2. На выходе получишь файл, где напротив каждого отзыва стоит вердикт. Сортируй в Excel и удаляй всё, что получило «1 star».

Популярные ошибки:

1. Сарказм — враг роботов. Фразу "О да, гениальное решение, просто браво" (когда всё сломалось) ИИ может принять за похвалу. Всегда просматривайте "удаленное" по диагонали перед окончательным стиранием.

2. Не удаляйте конструктив. Если клиент пишет: "Товар хороший, но доставка опоздала", ИИ может поставить низкую оценку тональности. Но это полезный отзыв. Настройте фильтр так: удалять только откровенный треш (1 звезда + уверенность модели > 90%), а спорное (2-3 звезды) отправлять на ручную проверку.

3. Лимит символов. Многие модели «глотают» только первые 512 слов (токенов). Если спамер написал поэму, модель оценит только начало. Но обычно спам видно с первой строки.

Итог: Вы потратили 15 минут. Теперь у вас есть таблица, где красным помечен весь мусор. Вместо часа чтения вы тратите 5 минут на подтверждение расстрельного списка. Добро пожаловать в клуб ленивых, но эффективных.