Google kontra AI-spam. Jak nowy system S-CTS zmienia reguły gry?

Zalew niskiej jakości treści generowanych przez AI, określanych jako „slop”, staje się realnym problemem dla platform internetowych. W odpowiedzi badacze Google opublikowali pracę nad nowym systemem, który ma skutecznie zwalczać ten proceder. Zamiast oceniać pojedyncze filmy czy artykuły, mechanizm ten identyfikuje i neutralizuje całe, skoordynowane siatki spamerskie. To fundamentalna zmiana w podejściu do moderacji treści.

Od pojedynczej strony do całej siatki botów

Dotychczasowe filtry jakościowe miały problem z ogromną skalą i adaptacyjnością spamerów. Generowali oni „nieskończone, unikalne wariacje funkcjonalnie identycznego spamu”, zalewając systemy i obchodząc zabezpieczenia. Tradycyjne podejście, skupione na analizie pojedynczej treści, okazało się niewystarczające. Dlatego Google zmienia perspektywę.

Nowy system, nazwany Scalable Cluster Termination System (S-CTS), nie skupia się na pojedynczym filmie czy opisie produktu. Zamiast tego „oddala widok”, aby zidentyfikować całe klastry kont powiązanych z jednym źródłem ataku. System działa dwutorowo:

1. Analiza wzorców treści: Komponent machine learningowy skanuje content w poszukiwaniu powtarzalnych, szablonowych narracji typowych dla spamu AI oraz nieludzkich wzorców publikacji (np. ekstremalnie wysoka częstotliwość).
2. Analiza infrastruktury: Algorytmy analizują „zastrzeżone sygnały infrastrukturalne”, aby grupować konta, które statystycznie pochodzą z tej samej organizacji lub są obsługiwane przez ten sam skrypt automatyzujący.

Celem nie jest już usunięcie jednej spamerskiej strony, ale zbanowanie całej siatki botów za jednym razem.

Jak to działa pod maską? S-BERT, LoRA i APO

Dla programistów i osób technicznych najciekawsze są konkretne technologie, które umożliwiają działanie S-CTS. To one pokazują, jak zaawansowane stają się narzędzia do wykrywania nadużyć.

Sentence-BERT i matematyczny ślad AI

Kluczowym założeniem jest to, że zautomatyzowany, masowo generowany tekst pozostawia specyficzny, matematyczny ślad. Badacze Google potwierdzają wykorzystanie modeli takich jak Sentence-BERT (S-BERT) do identyfikacji semantycznie podobnych zdań poprzez analizę ich wektorowych reprezentacji, czyli text embeddings.

W tej publikacji prezentujemy Sentence-BERT (SBERT), modyfikację sieci BERT, która wykorzystuje struktury syjamskie i tripletowe do uzyskiwania semantycznie znaczących osadzeń zdań, które można porównywać za pomocą podobieństwa kosinusowego. Redukuje to czas potrzebny na znalezienie najbardziej podobnej pary z 65 godzin (dla BERT) do około 5 sekund (dla SBERT), zachowując przy tym dokładność.

S-CTS idzie o krok dalej, łącząc analizę text embeddings z danymi na poziomie infrastruktury bot-netu. To sprawia, że system jest znacznie trudniejszy do oszukania.

LoRA i APO: Szybka adaptacja do nowych zagrożeń

Spamerzy nieustannie adaptują swoje metody i korzystają z coraz nowszych modeli generatywnych (np. Sora, Kling). Pełne przetrenowanie gigantycznego modelu AI, takiego jak Gemini, za każdym razem, gdy pojawia się nowe zagrożenie, jest niepraktyczne i kosztowne. Tu z pomocą przychodzą dwie techniki:

• Low-Rank Adaptation (LoRA): Technika z rodziny PEFT (Parameter-Efficient Fine-Tuning), która pozwala na błyskawiczne i tanie dostosowanie dużego modelu. Zamiast trenować miliardy parametrów, modyfikuje się jedynie niewielką ich część, co drastycznie redukuje koszty obliczeniowe i zapotrzebowanie na pamięć.
• Automatic Prompt Optimization (APO): Umożliwia szybsze i bardziej zautomatyzowane tworzenie promptów, które pozwalają modelowi AI skuteczniej rozpoznawać nowe trendy w spamie, bez konieczności ponownego, pełnego treningu.

Dzięki LoRA i APO system obronny Google może adaptować się do nowych wektorów ataku w ciągu godzin, a nie tygodni.

Co to oznacza dla e-commerce?

Implikacje dla branży e-commerce są jednoznaczne. Era bezrefleksyjnego generowania tysięcy opisów produktów czy wpisów blogowych za pomocą AI w celu „zalania” Google i zdobycia widoczności dobiega końca. Systemy takie jak S-CTS są zaprojektowane, by wykrywać i karać właśnie takie skalowane, szablonowe działania.

W świecie pełnym syntetycznego „szumu” absolutnego znaczenia nabiera jakość, autentyczność i dane strukturalne. Zamiast próbować oszukać algorytmy, sklepy powinny skupić się na dostarczaniu wartościowego contentu i bezbłędnych, czytelnych dla maszyn danych produktowych. Czysty, dobrze zorganizowany feed produktowy zgodny ze standardami takimi jak UCP (Universal Commerce Protocol) staje się sygnałem autorytetu i jakości – jest dokładnym przeciwieństwem wykrywanego przez S-CTS spamu.

Co dalej?

Google jasno komunikuje, że przesuwa pole bitwy z analizy pojedynczej treści na poziom całej sieci i infrastruktury. To sprawia, że strategie SEO oparte na masowej produkcji niskiej jakości contentu AI stają się nie tylko nieskuteczne, ale i ryzykowne – grożą usunięciem z indeksu nie jednej podstrony, ale całej domeny powiązanej ze spamerską aktywnością.

Dla każdego e-commerce, CTO czy heada of digital wniosek jest jeden: inwestuj w jakość danych i autentyczną komunikację. Zamiast generować setki podobnych do siebie opisów, upewnij się, że Twój feed produktowy jest kompletny, precyzyjny i gotowy na erę agentic commerce, gdzie to systemy AI, a nie tylko ludzie, będą podejmować decyzje zakupowe na podstawie dostarczonych im danych.