Garbage in, garbage out

Garbage in, garbage out (w skrócie: GIGO) to powiedzenie używane w informatyce, które oznacza, że jakość danych wejściowych bezpośrednio wpływa na jakość danych wyjściowych. W kontekście generowania treści przez modele językowe AI (np. LLM – Large Language Models), zwrot ten nabiera szczególnego znaczenia: jeśli podasz modelowi nieprecyzyjne, chaotyczne lub źle zaprojektowane dane wejściowe (prompty), otrzymasz treści równie słabej jakości.

Modele językowe nie są bazami wiedzy w tradycyjnym sensie, tj. nie przechowują faktów w uporządkowany sposób, lecz działają jako algorytmy przetwarzania języka naturalnego, które na podstawie zadanej sekwencji tekstu (promptu) generują kolejną sekwencję zgodną z prawdopodobieństwem językowym i kontekstem.

Oznacza to, że:

• nieprecyzyjny prompt = wysoka szansa na błędną, niespójną lub generyczną odpowiedź,
• niejasne założenia lub brak kontekstu = model zgaduje zamiary użytkownika, często błędnie,
• dobre dane wejściowe (np. struktura, źródła, ton) = znacznie większa szansa na otrzymanie trafnej, jakościowej odpowiedzi.

Przykład GIGO w pracy z AI:

Źle sformułowane polecenie:

„Napisz coś o treściach SEO.”

Model wygeneruje ogólnikową, nic niewnoszącą treść.

Dobrze sformułowane polecenie:

„Napisz definicję pojęcia 'duplicate content’ w kontekście SEO, uwzględniając wpływ na indeksację i sposoby zapobiegania.”

Model odpowie bardziej precyzyjnie, trafnie i w kontekście zastosowania.

W erze rosnącej popularności LLM-ów takich jak ChatGPT czy Claude, kluczową kompetencją staje się umiejętność formułowania wysokiej jakości danych wejściowych, czyli:

• zadawania właściwych pytań,
• podawania kontekstu (np. branża, odbiorca, ton),
• dostarczania materiałów źródłowych,
• wyraźnego określania celu odpowiedzi.

W przeciwnym razie, niezależnie od mocy obliczeniowej modelu, otrzymasz odpowiedź, która przypomina dokładnie to, co „wrzuciłeś do środka”: śmieciowe dane wejściowe dają śmieciowe wyniki.