การศึกษาเน้นย้ำถึงความจำเป็นในการมีข้อมูลเชิงลึกด้านเนื้อหาที่เชื่อถือได้ เพื่อสร้างประสบการณ์การค้นหา การค้นพบ และการแนะนำที่ได้รับความไว้วางใจ ซึ่งขับเคลื่อนด้วยปัญญาประดิษฐ์เชิงสร้างสรรค์
นิวยอร์ก — 10 มิถุนายน 2026 —Gracenote หน่วยธุรกิจด้านข้อมูลเชิงลึกของ Nielsen ได้เผยแพร่รายงานล่าสุดในวันนี้เรื่อง "ช่องโหว่ในโครงเรื่อง: เหตุใด LLM ที่ไม่มีพื้นฐานจึงไม่สามารถแก้ไขการค้นพบเนื้อหาได้" การวิจัยนี้ตรวจสอบว่าโมเดลภาษาขนาดใหญ่ชั้นนำ (LLM) สามารถตอบคำถามเกี่ยวกับภาพยนตร์และรายการทีวียอดนิยมได้แม่นยำเพียงใดจาก 2,600 เรื่องใน 13 ประเทศ โดยการเปรียบเทียบคำตอบที่อิงจากข้อมูลการฝึกอบรมเพียงอย่างเดียวกับคำตอบที่อิงจากข้อมูลอัจฉริยะของ Gracenote การศึกษาพบว่า LLM ที่ไม่มีการอ้างอิงข้อมูลได้สร้างข้อมูลเมตาทั้งหมดที่วัดได้สำหรับ 506 เรื่อง หรือเกือบหนึ่งในห้า
รายงานฉบับนี้ออกมาในขณะที่บริการสตรีมมิ่งและผู้ให้บริการความบันเทิงรายอื่น ๆ กำลังเริ่มหันมาใช้ LLM เพื่อช่วยให้ผู้ชมสามารถเลือกชมเนื้อหาจากตัวเลือกที่มากมายและแคตตาล็อกที่กระจัดกระจายได้ รายละเอียดที่ได้รับการทดสอบ — ตั้งแต่การสรุปเนื้อหา นักแสดง ประเภท ปีที่ออกฉาย และระยะเวลา — ล้วนเป็นข้อมูลเดียวกับที่ผู้ชมใช้ในการตัดสินใจเลือกชม และที่บริการต่าง ๆ ใช้ในการอธิบาย จัดระเบียบ และแนะนำเนื้อหา ผลลัพธ์ที่ได้แสดงให้เห็นว่า การค้นหาเนื้อหาด้วย AI จะมีประสิทธิภาพเพียงใดนั้น ขึ้นอยู่กับข้อมูลที่อยู่เบื้องหลังประสบการณ์นั้นเอง
"ผู้ชมไม่สนใจว่าคำตอบที่ไม่ดีมาจากไหน หากมันผิด พวกเขาก็จะโทษบริการ" ไทเลอร์ เบลล์ รองประธานอาวุโสฝ่ายผลิตภัณฑ์ของ Gracenote กล่าว "นั่นคือเหตุผลที่การมีพื้นฐานสำคัญ สำหรับบริษัทที่กำลังสร้างการค้นพบความบันเทิงรุ่นต่อไป AI สร้างสรรค์จะส่งมอบตามสัญญาได้ก็ต่อเมื่อมันมีพื้นฐานในข้อมูลเนื้อหาที่ผ่านการตรวจสอบแล้ว ซึ่งแทนที่การคาดเดาที่น่าเชื่อถือด้วยข้อเท็จจริงที่ถูกต้อง — ลดความขัดแย้ง เพิ่มการมีส่วนร่วม และเสริมสร้างความภักดี"
ข้อมูลเชิงลึกเพิ่มเติมประกอบด้วย:
- ชื่อเรื่องที่คล้ายกันทำให้ LLM ไปสู่เนื้อหาที่ไม่ถูกต้องในตัวอย่างหนึ่ง โมเดลที่ไม่มีพื้นฐานได้แสดงชื่อเรื่องและปีที่ถูกต้องสำหรับภาพยนตร์ระทึกขวัญปี 2025 เรื่อง "Heel" แต่ดึงคำอธิบาย นักแสดง และประเภทมาจาก "Heels" ซึ่งเป็นซีรีส์ดราม่าของ Starz ที่ออกอากาศระหว่างปี 2021 ถึง 2023 ในอีกกรณีหนึ่ง มันได้รวมภาพยนตร์สยองขวัญ-ระทึกขวัญปี 2024 เรื่อง "Trucker" กับภาพยนตร์ปี 2008 ที่มีชื่อเดียวกัน
- เนื้อหาล่าสุดเปิดเผยจุดบอดที่สำคัญโมเดลที่ไม่มีพื้นฐานไม่สามารถให้ข้อมูลเกี่ยวกับชื่อเรื่องใหม่หลายเรื่องได้ รวมถึง "GOAT" ภาพยนตร์ปี 2026 ที่ทำรายได้ทั่วโลกเกือบ 200 ล้านดอลลาร์ก่อนที่จะเข้าฉายใน Netflix
- แม้แต่ข้อมูลนักแสดงหลักก็ยังไม่น่าเชื่อถือสำหรับภาพยนตร์ 100 อันดับแรกของสหรัฐอเมริกา มีเพียง 53% ของการตอบสนองของนักแสดงหลักจาก LLM ที่ไม่มีข้อมูลรองรับที่ตรงกับข้อมูลที่มีแหล่งอ้างอิง
ตามที่รายงานได้ชี้แจงไว้อย่างชัดเจน ไม่มี LLM ใดที่ปราศจากการเกิดภาพหลอนในปี 2026 — ซึ่งเป็นความเสี่ยงที่เฉพาะเจาะจงสำหรับระบบ AI ที่คาดว่าจะให้คำตอบที่แม่นยำและทันสมัยในด้านการบันเทิงในปริมาณมาก สำหรับบริษัทที่กำลังสร้างประสบการณ์การค้นหา ค้นพบ และแนะนำที่ขับเคลื่อนด้วย AI การสร้างรากฐานที่มั่นคงช่วยให้ความสามารถของโมเดลกลายเป็นความไว้วางใจของผู้ชมได้ ข้อมูลเชิงลึกด้านเนื้อหาที่เชื่อถือได้ของ Gracenote มอบรากฐานนั้นในสองวิธี: ผ่านการอนุญาตให้ใช้ข้อมูลโดยตรงหรือผ่านVideo MCP Server ซึ่งเชื่อมต่อกับกราฟความรู้ด้านความบันเทิงระดับโลกของบริษัท ด้วยการเข้าถึงนี้ LLM สามารถก้าวข้ามการให้คำตอบที่ฟังดูสมเหตุสมผลแต่ไม่ถูกต้อง และส่งมอบคำตอบที่เชื่อถือได้มากขึ้น ซึ่งช่วยลดความขัดแย้งของผู้ชม เพิ่มการมีส่วนร่วม และเสริมสร้างความภักดี
Gracenote จะแบ่งปันผลการค้นพบจากรายงานในงาน StreamTV Show วันที่ 18 มิถุนายน ที่เมืองเดนเวอร์ โดยมีนางสาวนันดิตา อโรรา ผู้อำนวยการอาวุโสฝ่ายผลิตภัณฑ์ของ Gracenote เข้าร่วมเป็นวิทยากรในหัวข้อ "การคิดค้นการค้นพบเนื้อหาใหม่" (Reimagining Content Discovery) ในเซสชั่นนี้ จะสำรวจว่า AI, การปรับแต่งให้เหมาะกับผู้ใช้, การค้นหาแบบรวมศูนย์ และแนวทางประสบการณ์ผู้ใช้ใหม่ ๆ กำลังเปลี่ยนแปลงวิธีที่บริการสตรีมมิงเชื่อมต่อผู้ชมกับเนื้อหาอย่างไร
รายงานฉบับเต็ม "ช่องโหว่ใน AI: เหตุผลที่ LLM ที่ไม่มีพื้นฐานไม่สามารถแก้ไขการค้นพบเนื้อหาได้" สามารถดาวน์โหลดได้ที่นี่
วิธีการ
Gracenote ได้ทดสอบภาพยนตร์และรายการทีวียอดนิยมจำนวน 2,600 เรื่อง ใน 13 ประเทศ ได้แก่ ออสเตรเลีย บราซิล แคนาดา ฝรั่งเศส เยอรมนี ญี่ปุ่น เม็กซิโก เนเธอร์แลนด์ เกาหลีใต้ สเปน สวีเดน สหราชอาณาจักร และสหรัฐอเมริกา การศึกษานี้เปรียบเทียบคำตอบจาก LLM ที่ไม่ได้รับการฝึกฝนเพิ่มเติม ซึ่งได้รับคำสั่งให้ตอบโดยอ้างอิงจากข้อมูลการฝึกฝนเพียงอย่างเดียว กับคำตอบที่อ้างอิงจากข้อมูลวิดีโอระดับโลกของ Gracenote ผ่านเซิร์ฟเวอร์ MCP การตอบสนองได้รับการประเมินตามคุณลักษณะเชิงวัตถุประสงค์ ซึ่งรวมถึงชื่อเรื่อง คำอธิบาย ผู้แสดง ประเภท ปีที่เผยแพร่ และระยะเวลา (ถ้ามี) เนื่องจากคุณลักษณะเหล่านี้สามารถตรวจสอบได้อย่างอิสระ ผลลัพธ์จึงให้มุมมองเชิงปริมาณเกี่ยวกับผลกระทบของการมีรากฐานต่อความถูกต้องและความน่าเชื่อถือของการตอบสนองด้านความบันเทิงที่สร้างโดย AI
เกี่ยวกับ Gracenote
Gracenote คือหน่วยธุรกิจด้านการวิเคราะห์ข้อมูลเนื้อหาของ Nielsen เราสร้างมาตรฐานให้กับวิธีการที่ระบบนิเวศสื่อและความบันเทิงทั่วโลกจัดทำดัชนีเนื้อหาและข้อมูลเมตาที่เกี่ยวข้อง ทำให้เนื้อหาสามารถไหลเวียนระหว่างผู้สร้าง ผู้จัดจำหน่าย แพลตฟอร์ม และผู้โฆษณาได้ ด้วยการให้ข้อมูลเชิงลึกที่เหนือกว่าในกว่า 50 ล้านรายการ และกว่า 80,000 ช่องและแคตตาล็อก เราจึงขับเคลื่อนประสบการณ์การค้นหา การค้นพบ และการนำทางที่ทันสมัย ซึ่งเชื่อมโยงผู้คนเข้ากับรายการทีวี ภาพยนตร์ เพลง และกีฬาที่พวกเขาชื่นชอบ ในกว่า 70 ภาษา ในกว่า 80 ประเทศ สำหรับข้อมูลเพิ่มเติม โปรดเยี่ยมชม Gracenote.com หรือติดตามเราบน LinkedIn
ติดต่อสื่อมวลชน
มาร์ค ยามาดะ
มาร์ค.ยามาดะ@nielsen.com
