Vi har redan byggt och delvis tränat en AI-klassificerare för vår mediebevakning. Nu söker vi designpartners som vill hjälpa oss utveckla den vidare för 100 kr per användare och månad.
Det här är fjärde delen i serien. Vi har pratat om att hitta fler artiklar, att göra återkommande bevakningar i ChatGPT och Claude och om hur en egen bakgrundskedja kan fungera. Men vi kommer hela tiden tillbaka till samma fråga: vilka artiklar är egentligen relevanta?
En bevakning med hårda filter kan missa oväntade artiklar. En bred bevakning hittar mer, men ger också mer brus. Jag tror att ett bättre sorteringssteg mellan insamlingen och analysen kan vara en stor del av lösningen.
En sökmotor hittar artiklar. En klassificerare bedömer dem.
En klassificerare är en modell som avgör vilken kategori något tillhör. I mediebevakning kan den exempelvis bedöma om en artikel berör en viss sakfråga, om den är relevant för en viss organisation eller vilket ämne den ska sorteras under.
Det är en annan uppgift än att skriva en sammanfattning. Målet är inte en snygg formulering, utan ett beslut som går att använda, granska och vid behov korrigera.
Varför jag blev nyfiken på Jev
Y Combinator har nyligen lyft Jev från TypeSafe AI i sin Request for Startups om vertikala grundmodeller. Jev är byggd för strukturerade beslut snarare än löpande text. Den returnerar bland annat klassificeringsval och sannolikheter.
Det fick mig att tänka på ett problem vi redan arbetat med. Om ett återkommande arbete främst handlar om att avgöra relevans, behöver vi då alltid låta en stor generell språkmodell skriva fram sitt svar? Eller kan en mer specialiserad modell göra uppgiften snabbare, billigare och tillräckligt bra?
Det här är inte en idé på ett blankt papper. Vi har redan byggt och delvis tränat en klassificerare för våra egna behov, med hjälp av öppen källkodsteknik och lokala modellflöden. Den kan sortera material utifrån de uppgifter vi har arbetat med. Men andra PR-byråer, ämnen och typer av artiklar ställer andra krav. Därför vill vi utveckla den vidare tillsammans med designpartners i stället för att gissa hur den borde fungera.
Vi behöver framför allt se vilka artiklar som klassas rätt, vilka irrelevanta tr äffar som slinker med och vilka relevanta artiklar som missas. Användarnas egna instruktioner och deras korrigeringar är minst lika intressanta som själva artikeltexterna. Vi behöver också förstå hur resultatet ska struktureras för att faktiskt spara tid.
Användarens instruktion är den mest intressanta delen
Föreställ dig att du har tre års export från Retriever, Meltwater eller ett annat mediebevakningsverktyg. I stället för att försöka välja bort varje irrelevans redan i sökningen kan du börja med en ganska bred datamängd och skriva vad du vill veta.
Hitta artiklar där kompetensförsörjning inom vården diskuteras. Skilj mellan politiska förslag, utbildningsfrågor och arbetsvillkor. Identifiera vilka journalister som återkommer. Markera osäkra bedömningar och exkludera tydliga dubbletter.
Klassificeraren ska sedan hjälpa till att skapa en strukturerad lista med artiklar, relevansbedömningar, kategorier, källor och metadata som faktiskt finns tillgängliga. Om ett journalistnamn saknas ska det inte hittas på. Om modellen är osäker ska den kunna flagga posten för granskning.
Vi börjar med CSV, inte ännu en dashboard
Vi skulle kunna bygga rapporter, presentationer och visualiseringar. Men den första användbara produkten kan vara mycket enklare: en CSV-fil med strukturerad data ur ett brett och ostrukturerat material.
Filen kan användas i kalkylprogram eller som underlag för vidare analys i ChatGPT och Claude när licens- och dataskyddsvillkor tillåter det. Vill du ha en journalistkartläggning, en trendanalys eller en genomslagsrapport kan du börja från samma kvalitetssäkrade material.
Har du ingen licensierad mediebevakning kan vi i vissa fall komplettera med öppna webbsökningar. Då blir täckningen en annan än i ett fullständigt mediearkiv, men för vissa frågeställningar kan det räcka för ett test.
Varför vi öppnar upp när Heartspace har bytt fokus
Vi har tidigare byggt verktyg för en bredare PR-marknad. I dag fokuserar vi Heartspaces byråarbete på branschförbund. Det är där vi har hittat vår tydligaste specialisering. Men det betyder inte att vi har slutat vara nyfikna på hur tekniken kan hjälpa resten av PR-branschen.
Tvärtom vore det roligt om fler byråer och konsulter kunde använda delar av det vi har byggt, utan att behöva bli kunder till vår PR-byrå eller byta bort sina befintliga bevakningssystem.
Kanske öppen källkod – och tjänster ovanpå
Vi är öppna för att släppa kärnan i klassificeringstekniken som öppen källkod, så att byråer och utvecklare som vill kan bygga sina egna verktyg ovanpå den. Det är en möjlighet vi vill undersöka, inte ett färdigt beslut om licens eller när koden skulle publiceras.
Om testerna visar att det här fungerar på riktigt är planen att erbjuda användbara tjänster ovanpå kärnan: dels genom ett enkelt grafiskt webbgränssnitt, dels genom ett API som andra system kan anropa. Men först vill vi veta vad som faktiskt behövs och hur bra klassificeringen fungerar i andra miljöer.
Vi söker några designpartners
Vi bjuder nu in ett litet antal PR-byråer, fristående konsulter och kommunikationsteam som designpartners. Under testfasen kostar deltagandet 100 kr per användare och månad. Det är ett lågt introduktionspris, men vi vill testa om nyttan är värd att betala för – inte bara om idén låter intressant. Tjänsten är ännu inte en färdig självbetjäningsprodukt; i början gör vi en del av bearbetningen manuellt tillsammans med dig.
Du berättar vad du vill få fram och delar, om du har det, ett material som du har rätt att låta oss bearbeta. Vi testar vår klassificerare, gör en första sortering och lämnar en CSV-fil med relevansbedömningar, ämneskategorier och tillgängliga källuppgifter. Vi anpassar omfattning och hur ofta vi kör tester efter vad som är möjligt i pilotfasen.
Det vi vill lära oss tillsammans
Det viktigaste för oss är din återkoppling: Vilka artiklar var rätt? Vilka borde ha filtrerats bort? Vilka relevanta träffar saknas? Vilka ämnesfält, journalistuppgifter och format skulle göra filen lättare att använda? Och framför allt: sparar det tid jämfört med hur du arbetar i dag?
Vi vill också förstå hur du formulerar dina egna instruktioner. Vilka ord använder du för att beskriva relevans, och vilka undantag är svåra att uttrycka i traditionella sökfilter? Sådan feedback kan hjälpa oss att förbättra klassificeraren för andra typer av uppdrag – med överenskomna villkor för hur den används.
Vi kontrollerar rättigheter och dataskydd innan något material behandlas. Att ett verktyg har en exportfunktion betyder inte automatiskt att du får ladda upp artiklarna för extern AI-analys. Uppladdade artikeltexter används inte för modellträning utan särskild överenskommelse, och vi kommer överens med designpartners om hur instruktioner och feedback får användas i produktutvecklingen.
Vill du vara med? Kontakta oss här och berätta vilken fråga du vill undersöka, vilket material du har och vad som i dag tar mest tid.
Vill du läsa hela bakgrunden? Börja med hur vi söker bredare, fortsätt med schemalagd bevakning i ChatGPT och Claude och läs om bakgrundsagenter och Nirvana AI.