ЭКОНОМИЧЕСКАЯ ЭФФЕКТИВНОСТЬ АВТОМАТИЧЕСКОЙ МОДЕРАЦИИ С ПОМОЩЬЮ ИСКУСТВЕННОГО ИНТЕЛЛЕКТА В E-COMMERCE

Введение

С ростом электронной коммерции объёмы пользовательского контента стремительно увеличиваются. По данным Grand View Research, в 2023 году мировой рынок услуг по модерации контента оценивался в 9,67 млрд долларов и прогнозируется его рост до 22,78 млрд долларов к 2030 году [1]. Ручная модерация становится всё менее эффективной: средняя стоимость услуг по модерации составляет растет, при этом человеческий фактор приводит к ошибкам, что может повлечь за собой финансовые и репутационные потери. Настоящая статья посвящена теоретическому анализу экономической эффективности внедрения автоматизированной модерации на базе ИИ в e-commerce и её потенциалу для оптимизации бизнес-процессов. Выбор ИИ в качестве решения обусловлен его способностью эффективно решать задачи, которые ранее требовали значительных человеческих ресурсов.

Теоретические аспекты модерации в e-commerce

Модерация в электронной коммерции это проверка информации о товарах с целью соответствия законодательным, этическим и коммерческим требованиям платформы. При работе с карточкой товара основное внимание уделяется изображениям, описаниям, отзывам и пользовательскому контенту, влияющему на принятие решения покупателями и на общую репутацию торговой площадки.

Ключевыми задачами модерации являются:

• защита пользователей от недостоверной или вредоносной информации;
• соблюдение законодательства;
• обеспечение честности и прозрачности взаимодействия продавца и покупателя;
• повышение качества пользовательского опыта и доверия к платформе;

Без эффективной модерации площадка сталкивается с рисками размещения запрещенных товаров или вводящей в заблуждение информации, что может привести к юридическим разбирательствам, оттоку пользователей и ухудшению позиций на рынке.

Модерация напрямую влияет на удовлетворенность пользователей и эффективность коммерческих операций, покупатели ожидают, что информация о продукции будет достоверной, полной и актуальной.

Недостаточная или некачественная модерация контента может привести к существенным финансовым потерям для компаний:

Штрафы и санкции. В ЕС компании могут быть оштрафованы на сумму до 6% от годового оборота за нарушение норм модерации контента;

Потеря клиентов. Платформы с низким уровнем модерации теряют доверие пользователей, что приводит к снижению пользовательской базы и доходов;

Репутационные риски. Скандалы, связанные с недостаточной модерацией, могут нанести долгосрочный ущерб репутации компании, влияя на её финансовые результаты;

Убытки от мошенничества в электронной коммерции. По оценкам, 3% от общего дохода электронной коммерции теряется ежегодно из-за мошенничества [2];

Сравнительный анализ стандартов модерации, представлен в таблице 1.

Таблица 1 - Сравнение стандартов модерации в ЕС, США и РФ

Страна	Уровень модерации	Особенности
РФ	Средний	Платформы обязаны удалять запрещённый контент по требованию Роскомнадзора. Возможны блокировки и уголовная ответственность за несоблюдение требований.
ЕС	Высокий	Принятие Закона о цифровых услугах, предусматривающего штрафы до 6% от глобального оборота за несоблюдение требований. Платформы обязаны активно удалять незаконный контент.
США	Низкий	Платформы имеют широкую защиту от ответственности за пользовательский контент, что снижает стимулы для активной модерации.
Китай	Высокий	Онлайн-платформы обязаны фильтровать контент по закону, иначе грозят штрафы и отзыв лицензий.

Требования к модерации

Современные торговые платформы предъявляют высокие требования к модерации: важны скорость, точность и соответствие контента законодательству. Быстрый вывод товаров критичен из-за конкуренции и изменяющегося спроса - задержка даже на 24-48 часов может снизить продажи.

Контент должен соответствовать законам о рекламе, защите прав потребителей и запрещённым категориям товаров. Разные страны устанавливают разные требования, что усложняет соблюдение норм и требует постоянного обновления политики модерации.

Эффективная модерация должна быть быстрой, точной и юридически корректной, что требует как организационных решений, так и технологий, включая ИИ.

Ручная модерация сталкивается с проблемами: высокая стоимость, ограниченная масштабируемость, человеческий фактор и риск ошибок. Ошибки модераторов - неизбежны и могут повлиять на бонусы, как, например, на Ozon. При масштабировании платформы затраты на персонал растут, снижается эффективность и замедляется запуск товаров, особенно в пиковые периоды. В совокупности эти факторы делают ручную модерацию уязвимой моделью в условиях современной электронной торговли.

Сравнение модерации контента ИИ и человеком предоставлены в таблице 2.

Таблица 2 - Сравнение ИИ и человека при модерации контента

Показатель	ИИ	Ручная модерация
Скорость	Обработка в реальном времени, позволяющая анализировать миллионы единиц контента в минуту.	В среднем 2-5 минут на одну единицу контента.
Точность	Высокая точность в структурированных задачах.	Лучше справляется с контекстом и нюансами, такими как сарказм и культурные особенности.
Объемы обработки	Способен обрабатывать огромные объемы данных без снижения производительности.	Ограничен физическими возможностями и численностью команды модераторов.
Затраты	Высокие начальные инвестиции, но низкие операционные расходы при масштабировании.	Постоянные затраты на оплату труда, обучение и управление персоналом.
Психологическая нагрузка	Отсутствует.	Модераторы подвержены стрессу и эмоциональному выгоранию.

Возможности искусственного интеллекта в автоматической модерации

Искусственный интеллект может сыграть ключевую роль в трансформации процессов модерации контента на платформах электронной коммерции. Основным преимуществом можно выделить обработку больших объёмов данных с высокой скоростью и последовательностью, минимизируя человеческие ошибки и обеспечивает масштабируемость.

Искусственный интеллект может выполнять различные функции в рамках модерации:

• классификация и фильтрация изображений и текстов;
• распознавание запрещённых товаров и нарушений политик платформы;
• обнаружение спама, манипулятивных описаний, агрессивного или оскорбительного контента;
• автоматическое обновление правил модерации на основе новых нормативов или рыночных условий.

Современные модели, основанные на машинном обучении и глубоком обучении, особенно нейросети архитектуры BERT и GPT, показывают высокие результаты в задачах анализа естественного языка (NLP), позволяя автоматически интерпретировать и оценивать смысловое содержание карточек товаров, описаний и отзывов.

Современные технологии автоматической модерации опираются на достижения в области искусственного интеллекта, включая нейросетевые архитектуры, обработку естественного языка (NLP) и компьютерное зрение. Глубокие нейросети лежат в основе большинства современных систем автоматической модерации. Например, CNN-модели успешно применяются на платформах вроде YouTube и Facebook для фильтрации видео- и фотоматериалов на предмет нарушений.

Для анализа текстов - описаний товаров, отзывов, названий и других текстовых элементов - применяются модели на базе трансформеров, такие как BERT, GPT и их производные. Они способны выявлять скрытые смыслы, токсичность, ненормативную лексику, манипулятивные формулировки и даже элементы мошенничества в пользовательском контенте. Кроме того, эти модели адаптируются под специфику языка и контекста e-commerce, включая понимание товарной терминологии и структуры карточек товаров.

Методы компьютерного зрения применяются для автоматического анализа визуального представления товара: соответствие изображения заголовку, наличие запрещённых объектов, неприемлемый фон, водяные знаки, качество изображения. Такие методы особенно важны для модерации контента, который не всегда может быть адекватно оценен по одному лишь тексту. На крупных площадках - таких как Amazon и Taobao - ИИ-системы на базе компьютерного зрения ежедневно анализируют миллионы изображений с высокой точностью классификации.

Модели BERT, GPT и CNN стали основой эффективной автоматической модерации в e-commerce, обеспечивая анализ текста, изображений и выявление нарушений.

BERT и его варианты (RoBERTa, DistilBERT) используются для классификации карточек, фильтрации токсичных отзывов и проверки описаний на соответствие правилам. GPT-модели (особенно GPT-3 и GPT-4) применяются для генерации и анализа текстов, выявления скрытых нарушений и построения диалогов с модераторами.

CNN активно используются для анализа изображений: оценки качества, выявления запрещённого контента и проверки соответствия фото описанию.

Оценка эффективности моделей искусственного интеллекта в задачах модерации осуществляется на основе набора ключевых метрик:

• accuracy (точность) - доля правильно классифицированных объектов от общего числа. Используется для оценки общей надёжности модели;
• recall (полнота) - показатель, отражающий способность модели выявлять все релевантные случаи, особенно важен при обнаружении нарушающего контента;
• F1-score - гармоническое среднее между precision и recall; даёт сбалансированную оценку, особенно полезную при несбалансированных классах.

Согласно данным отраслевых исследований, модели на базе архитектуры BERT-CNN достигают следующих показателей при выявлении чувствительного и нежелательного контента:

• точность (accuracy) - до 94%;
• полнота (recall) - до 95%;
• F1-score - 94% [3].

Эти значения указывают на то, что современные ИИ-системы способны заменять или дополнять ручную модерацию без серьёзных потерь в качестве, особенно в задачах первичной фильтрации.

Экономические выгоды от внедрения ИИ на примере кейсов некоторых компаний:

Unitary. Система ИИ обрабатывает до 26 миллионов видео в день, обслуживая более 100 миллионов пользователей. Использование Amazon EKS и Karpenter позволило эффективно масштабировать инфраструктуру и сократить время запуска контейнеров на 80% что привело к снижению общих затрат на 50-70% в течение 18 месяцев [4];

123RF. Внедрение генеративного ИИ на базе Amazon Bedrock и моделей Anthropic Claude 3 позволило автоматизировать перевод и модерацию контента, значительно повысив эффективность процессов и снизив затраты на перевод контента на 95% и ускорение проверки контента до 100 раз [5];

Ozon. Разработка собственной системы модерации на основе машинного обучения позволила Ozon автоматизировать проверку новых позиций, сократив время обработки карточки до 3 минут. Это повысило скорость размещения товаров и снизило нагрузку на команду модераторов и сократило время модерации карточек товаров в 10 раз [6];

Wildberries. Wildberries предотвратила более 94 тысяч фейковых заказов благодаря обновленной системе ИИ-модерации. Wildberries эффективно выявляет подозрительные действия и предотвращает их, что способствует снижению числа мошеннических заказов и повышению доверия покупателей [7].

Таким образом, показатели точности ИИ-моделей уже достигли уровня, достаточного для коммерческого применения в крупных проектах. Дальнейшее развитие технологий и дообучение моделей позволяют наращивать эффективность, снижать число ложных срабатываний и адаптироваться к новым типам угроз.

Потенциал автоматизации модерации: экономический взгляд

Одним из ключевых преимуществ внедрения искусственного интеллекта в процессы модерации электронной коммерции является его высокая степень автоматизации.

Такая степень автоматизации обусловлена несколькими технологическими возможностями:

• модели ИИ обрабатывают текст, изображения и видео в режиме реального времени;
• нейросети способны выявлять нарушения политик, даже если они выражены неявно;
• система может самообучаться на новых данных и адаптироваться к изменяющимся правилам.

Реализация автоматической модерации позволяет платформам:

• сократить время проверки карточек с часов и дней до минут или секунд;
• уменьшить объём ручной работы, перераспределив ресурсы модераторов на более сложные или спорные кейсы;
• уменьшает выгорание сотрудников;
• позволяет сосредоточить внимание на сложных и нестандартных кейсах;
• снизить операционные затраты, включая расходы на персонал, обучение, контроль качества и исправление ошибок.

Чтобы измерить прибыльность вложений проведем расчёт ROI при внедрении ИИ в модерацию контента.

По данным Dream Job, средняя зарплата модератора в России в 2025 году составляет 39 000 рублей в месяц. Для средних компаний затраты на внедрение ИИ могут составлять от 5 до 10 миллионов рублей, включая разработку, интеграцию и обучение персонала, для расчётов возьмем 7 миллионов рублей. Число модераторов до внедрения ИИ возьмем 100, а после внедрения сократим их число до 20 так как ИИ покрывает примерно 90% работы достаточно оставить около 10-20% персонала, чтобы закрыть "человеческую часть". Теперь посчитаем.

Затраты на персонал в год (до ИИ):

100*39 000*12 = 46 800 000 (1)

Затраты на персонал в год (после ИИ):

20*39 000*12 = 9 360 000 (2)

Экономия в год:

46 800 000 - 9 360 000 = 37 440 000 (3)

ROI:

(4)

ROI = 434,85% - это означает, что инвестиции в ИИ-модерацию окупаются более чем в четыре раза уже в первый год эксплуатации.

Кроме того, ИИ способен ускорять цикл обновления правил - если в ручной системе внедрение новых регламентов занимает недели, то в автоматизированной - часы или даже минуты при наличии подходящего API и обучающей выборки.

В результате ускоряется:

• обновление товарного ассортимента;
• участие продавцов в маркетинговых кампаниях;
• оборачиваемость товаров на платформе.

Описание предлагаемого инновационного решения

В рамках теоретического обоснования экономической эффективности автоматической модерации можно предложить концептуальную архитектуру ИИ-системы, предназначенную для обработки товарного контента на онлайн-платформах. Основное внимание уделяется функциональной структуре, возможности интеграции и логике работы.

Архитектура автоматической модерации строится по модульному принципу и включает следующие ключевые компоненты:

1) Модуль предварительной обработки. Этот модуль отвечает за нормализацию входящих данных (текста, изображений, метаданных), их классификацию и сегментацию.

2) Модуль обработки текстов (NLP). Модуль реализован на основе моделей трансформерного типа (например, BERT или GPT), анализирует наименование товара, описание, теги, пользовательские отзывы.

3) Модуль компьютерного зрения (CV). Применяет сверточные нейронные сети (CNN) для анализа изображений на предмет запрещённого контента, соответствия заголовку, качества фото.

4) Бизнес-логика и правила. Слой, объединяющий выводы моделей с внутренними правилами платформы, нормативными актами и региональными ограничениями.

5) Интерфейс взаимодействия с модератором. Позволяет оператору подтверждать или отклонять спорные случаи, контролировать работу системы и вносить корректировки.

Интеграция системы в действующую инфраструктуру маркетплейса или интернет-магазина возможна через API-интерфейсы. Это позволяет обрабатывать заявки на публикацию товара в режиме реального времени, интегрироваться с внутренними системами, получать обратную связь от операторов для дообучения моделей и автоматически обновлять правила и фильтры при изменении регламентов или законодательства.

Система должна поддерживать режим самообучения на основе обратной связи и логов модерации, что обеспечивает повышение точности с течением времени.

Таким образом, предлагаемое решение представляет собой универсальный модерационный модуль, способный адаптироваться к различным платформам и обеспечивать высокое качество обработки контента при снижении затрат.

Риски и ограничения автоматической модерации

ИИ-системы могут неправильно классифицировать товары, что приводит к удалению допустимого контента или пропуску запрещённого. Такие ошибки могут быть вызваны недостаточным качеством обучающих данных или ограничениями алгоритмов. Например, предвзятость в обучающих данных может привести к дискриминации определённых групп товаров или продавцов.

Также ИИ испытывает трудности с интерпретацией контекста, что особенно важно при модерации контента, содержащего сарказм, культурные особенности или политический подтекст. Это может привести к ошибочной блокировке или пропуску контента, нарушающего правила.

Кроме того, ошибки модерации могут повлечь за собой юридические последствия, особенно в юрисдикциях с жёстким регулированием ИИ. Например, в Европейском союзе действует Регламент об искусственном интеллекте, который классифицирует системы ИИ по уровню риска и устанавливает требования к их использованию. Несоблюдение этих требований может привести к штрафам и другим санкциям.

Для поддержания актуальности и точности ИИ-систем требуется регулярное дообучение на новых данных. Это связано с изменениями в правилах модерации, появлением новых типов контента и эволюцией пользовательского поведения. Без своевременного обновления модели могут устаревать, что увеличивает вероятность ошибок.

Не стоит забывать об юридической ответственности за ошибки ИИ, это актуальная и сложная проблема. В различных юрисдикциях подходы к определению ответственности за действия ИИ различаются, что требует особого внимания со стороны компании.

В России ИИ не признаётся самостоятельным субъектом права, а рассматривается как инструмент, используемый человеком или организацией. Согласно статье 1095 Гражданского кодекса РФ, ответственность за вред, причинённый использованием ИИ, несёт владелец или изготовитель системы. Это означает, что компании, применяющие ИИ для модерации товаров, обязаны обеспечить надёжность и безопасность таких систем, а также нести ответственность за их действия.

В Европейском союзе действует Регламент об искусственном интеллекте (AI Act), который классифицирует ИИ-системы по уровням риска и устанавливает соответствующие требования к их использованию. Системы, относящиеся к высокому риску, такие как ИИ для модерации контента, подлежат строгому контролю и обязательной сертификации. Компании, нарушающие положения AI Act, могут быть оштрафованы на сумму до €35 млн или 7% от годового оборота, в зависимости от того, какая сумма выше.

Можно выделить следующие стратегии минимизации рисков:

Комбинированный подход к модерации. Совмещение автоматической модерации с ручной позволяет компенсировать недостатки ИИ. Человеческие модераторы могут проверять спорные случаи и обеспечивать более точную оценку контента;

Регулярное обновление и обучение моделей. Постоянное обновление алгоритмов и обучение моделей на новых данных помогает уменьшить предвзятость и повысить точность модерации;

Обучение персонала. Обучение сотрудников принципам этичного и правомерного использования ИИ;

Прозрачность и возможность апелляции. Предоставление пользователям информации о причинах блокировки контента и возможности обжалования решений способствует повышению доверия к системе модерации;

Внедрение этических принципов. Разработка и соблюдение этических стандартов в процессе модерации помогают обеспечить справедливость и уважение к правам пользователей.

Юридическая поддержка. Привлечение юридических специалистов для анализа соответствия ИИ-систем действующему законодательству.

Прогноз экономической эффективности внедрения

Можно выделить следующие аспекты эффективности внедрения ИИ в модерацию товара:

1) Сокращение затрат на персонал. Внедрение ИИ позволяет автоматизировать рутинные задачи модерации, что снижает необходимость в большом количестве сотрудников. По данным Hanston, использование ИИ в модерации контента может снизить нагрузку на персонал на 50%, позволяя перераспределить ресурсы на более сложные задачи, требующие человеческого вмешательства.

2) Повышение скорости и точности модерации. ИИ-системы способны обрабатывать большие объемы данных в реальном времени, обеспечивая быструю и точную модерацию контента. Это сокращает время реакции на нарушения и уменьшает количество ошибок, что в свою очередь снижает затраты, связанные с повторной проверкой и корректировкой контента.

3) Экономия на обучении и адаптации. Современные ИИ-модели обладают способностью к самообучению и адаптации к новым правилам и требованиям. Это снижает необходимость в частом переобучении моделей и связанных с этим затрат. Кроме того, использование методов посттренировочных улучшений позволяет повысить производительность моделей без значительных дополнительных инвестиций.

4) Автоматизация процессов и снижение операционных расходов. Автоматизация процессов модерации с помощью ИИ снижает операционные расходы, связанные с ручной проверкой контента. Это включает в себя сокращение затрат на оборудование, программное обеспечение и другие ресурсы, необходимые для поддержки ручной модерации. Кроме того, автоматизация позволяет обеспечить круглосуточную модерацию без дополнительных затрат на оплату сверхурочной работы или найм дополнительного персонала.

5) Повышение эффективности и конкурентоспособности. Внедрение ИИ в процессы модерации способствует повышению общей эффективности бизнеса, позволяя быстрее реагировать на изменения и обеспечивать высокий уровень качества обслуживания клиентов. Это, в свою очередь, повышает конкурентоспособность компании на рынке и способствует росту доходов.

6) Мгновенная модерация контента. ИИ-системы способны анализировать и модерать контент в реальном времени, что позволяет немедленно публиковать или отклонять пользовательские материалы. Это особенно актуально для платформ с большим объемом пользовательского контента, где ручная модерация может занимать значительное время. Например, решения, подобные Utopia AI Moderator, обеспечивают автоматическую модерацию текстов и изображений, сокращая время обработки до миллисекунд.

7) Автоматизация процессов разработки и запуска продуктов. ИИ помогает ускорить этапы разработки продукта, включая анализ рынка, прогнозирование трендов и генерацию контента. Это позволяет быстрее переходить от идеи к запуску, снижая время вывода продукта на рынок. Компании, такие как Pimberly, используют ИИ для оптимизации процессов разработки, что способствует более быстрому запуску продуктов.

8) Ускорение вывода товаров на рынок. ИИ-системы способны обрабатывать и модерировать контент в реальном времени, что сокращает время вывода товаров на рынок. Harvard Business Review отмечает, что использование ИИ-инструментов может сократить время производства контента до 60%, позволяя компаниям быстрее реагировать на рыночные изменения.

Согласно исследованию Aisera, компании, внедряющие ИИ-решения, могут ожидать окупаемость инвестиций в течение 6-9 месяцев, в зависимости от масштаба внедрения и конкретных сценариев использования [8].

Эффективность и сроки окупаемости внедрения ИИ в модерацию контента могут значительно различаться в зависимости от размера и ресурсов компании. Исследование Capterra показывает, что малые и средние предприятия уже получают значительные выгоды от внедрения ИИ в ключевые бизнес-функции, включая управление проектами и обслуживание клиентов.

Таким образом, при правильной реализации и интеграции ИИ в процессы модерации контента, компании могут рассчитывать на окупаемость инвестиций в течение 6--12 месяцев, благодаря значительному снижению затрат, повышению эффективности и ускорению бизнес-процессов.

Перспективы использования ИИ-модерации

Интеграция искусственного интеллекта (ИИ) в процессы модерации контента приносит компаниям не только краткосрочные выгоды, но и значительные долгосрочные преимущества. Ключевые из них - повышение доверия пользователей, снижение количества жалоб и соблюдение нормативных требований.

ИИ-системы обеспечивают более объективную и последовательную модерацию контента, что способствует укреплению доверия пользователей к платформе. Исследования показывают, что пользователи социальных сетей могут доверять ИИ так же, как и человеческим модераторам, особенно если ИИ демонстрирует точность и беспристрастность в выявлении вредоносного контента.

Автоматизированная модерация позволяет оперативно выявлять и устранять нежелательный контент, что снижает количество пользовательских жалоб и улучшает общее качество взаимодействия с платформой. Это способствует созданию безопасной и комфортной среды для пользователей.

Современные ИИ-системы развиваются в сторону предиктивной модерации, позволяя анализировать тенденции и прошлые данные для предсказания потенциальных проблем с контентом. Это обеспечивает возможность принятия проактивных мер до появления нарушений, создавая более безопасную цифровую среду.

Несмотря на рост автоматизации, человеческий фактор остается критически важным. Будущие системы модерации будут сочетать ИИ и человеческий надзор, где алгоритмы выделяют потенциально проблемный контент, а модераторы принимают окончательные решения, обеспечивая баланс между эффективностью и этичностью.

Развитие ИИ позволяет обрабатывать контент на различных языках и в разных форматах (текст, изображения, видео), что особенно важно для глобальных платформ. Это обеспечивает единые стандарты модерации независимо от региона и типа контента.

Выводы

ИИ-модерация позволяет существенно сократить расходы на ручной труд. Автоматические системы способны обрабатывать большие объемы данных круглосуточно и без участия человека, что уменьшает потребность в крупных штатах модераторов.

ИИ обрабатывает и классифицирует товары за доли секунды, в отличие от ручной модерации, которая может занимать часы или дни. Это приводит к ускоренному выводу товаров на рынок, что особенно критично в быстро меняющихся нишах.

Внедрение автоматической модерации с применением ИИ - это не только технологический шаг вперёд, но и экономически целесообразное решение, обеспечивающее снижение затрат, ускорение процессов, рост качества обслуживания и быструю окупаемость инвестиций. Это подтверждает её стратегическое значение для устойчивого развития цифровых торговых платформ.

Для небольших объёмов контента затраты на полное внедрение ИИ могут быть значительными, а окупаемость - длительной (6-18 месяцев). Для крупных объёмов контента автоматическая модерация позволяет существенно снизить операционные расходы и повысить производительность. Компании, внедрившие ИИ, отмечают повышение прибыли и улучшение производительности.

Таким образом, автоматическая модерация с применением ИИ даёт бизнесу мощные инструменты для повышения эффективности и снижения издержек, но требует взвешенного подхода с учётом рисков, необходимости контроля и постоянной оптимизации.

Литература

1. Content Moderation Services Market Report [Электронный ресурс] -- Режим доступа: https://www.grandviewresearch.com/industry-analysis/content-moderation-services-market-report -- Загл. с экрана.
2. Global Fraud Report 2024 [Электронный ресурс] -- Режим доступа: https://www.cybersource.com/content/dam/documents/campaign/fraud-report/global-fraud-report-2024.pdf -- Загл. с экрана.
3. Применение искусственного интеллекта в бизнесе [Электронный ресурс] -- Режим доступа: https://www.sciencedirect.com/org/science/article/pii/S1546221821001314 -- Загл. с экрана.
4. Unitary на AWS EKS: автоматизация модерации с ИИ [Электронный ресурс] -- Режим доступа: https://aws.amazon.com/ru/solutions/case-studies/unitary-eks-case-study/ -- Загл. с экрана.
5. Результаты внедрения ИИ в 123RF [Электронный ресурс] -- Режим доступа: https://aws.amazon.com/ru/solutions/case-studies/123rf-2024/ -- Загл. с экрана
6. OZON ускорил модерацию товаров [Электронный ресурс] -- Режим доступа: https://www.cnews.ru/news/line/2023-03-20_ozon_uskoril_moderatsiyu_tovarov -- Загл. с экрана.
7. Новости Wildberries, Ozon, Яндекс Маркет, Мегамаркет: обзор недели [Электронный ресурс] -- Режим доступа: https://selsup.ru/blog/novosti-vajldberriz-ozon-yandeks-market-megamarket-obzor-za-nedelyu-s-30-sentyabrya-po-4-oktyabrya/ -- Загл. с экрана.
8. ROI with AI [Электронный ресурс] -- Режим доступа: https://aisera.com/blog/roi-with-ai/ -- Загл. с экрана.
9. Online Content Regulation: An International Comparison [Электронный ресурс] -- Режим доступа: https://studentbriefs.law.gwu.edu/ilpb/2021/12/08/online-content-regulation-an-international-comparison/ -- Загл. с экрана.
10. Automated Content Moderation vs Manual Moderation [Электронный ресурс] -- Режим доступа: https://www.cometchat.com/blog/automated-content-moderation-vs-manual-moderation -- Загл. с экрана.