ความพร้อมแบบมัลติโมดัล: รูปภาพ, Alt Text, และแผนภาพที่โมเดลสามารถอ้างอิงได้

ความพร้อมแบบมัลติโมดัล: รูปภาพ, Alt Text, และแผนภาพที่โมเดลสามารถอ้างอิงได้

โดย Lukas Richter, Senior Content Automation Strategist

แผนภาพสามารถอธิบายสิ่งที่ข้อความหนึ่งหน้าต้องใช้เวลาหลายนาทีจึงจะบรรยายได้ในเวลาเพียงไม่กี่วินาที แต่หากความหมายของมันมีอยู่เฉพาะในไฟล์รูปภาพ ผู้อ่านจำนวนมาก—และระบบค้นหาจำนวนมาก—อาจพลาดประเด็นสำคัญไปได้

นั่นคือเหตุผลที่ ความพร้อมแบบมัลติโมดัล ไม่ใช่การเพิ่มรูปภาพให้มากขึ้น แต่เป็นการจัดแพ็กเกจภาพที่เป็นประโยชน์แต่ละภาพ เพื่อให้ความหมายของมันชัดเจนในรูปภาพ ในข้อความบนหน้าเว็บ และในโค้ดที่เชื่อมโยงทั้งสองเข้าด้วยกัน

มีข้อจำกัดที่สำคัญข้อหนึ่งคือ: Alt Text ที่ดีอาจช่วยให้ระบบเข้าใจรูปภาพได้ แต่ไม่รับประกันว่าผู้ช่วย AI จะอ้างอิงหน้าเว็บนั้น การเข้าใจรูปภาพและการเลือกหน้าเว็บเป็นแหล่งข้อมูลเป็นคนละขั้นตอนกัน

สิ่งที่งานวิจัยแสดงให้เห็น — และไม่แสดงให้เห็น

คำบรรยายภาพสามารถช่วยในการตอบคำถามที่เกี่ยวกับภาพได้

งานวิจัยบางชิ้นพบว่าข้อความที่จับคู่กับรูปภาพสามารถช่วยให้โมเดลตอบคำถามเกี่ยวกับรูปภาพนั้นได้ การศึกษาในปี 2019 พบว่าการเพิ่มคำบรรยายภาพในรูปแบบย่อหน้าลงในรูปภาพช่วยเพิ่มประสิทธิภาพในงานการตอบคำถามเกี่ยวกับภาพ คำบรรยายภาพให้รายละเอียดที่จับคู่กับคำถามได้ง่ายกว่าคุณสมบัติของภาพเพียงอย่างเดียว แต่นี่เป็นการทดลองของโมเดล — ไม่ใช่การทดสอบว่าการเพิ่ม Alt Text ลงในหน้าเว็บจริงจะเพิ่มการอ้างอิงของ AI หรือไม่ ACL Anthology paper (aclanthology.org)

แผนภูมิและแผนภาพยังคงเป็นเรื่องยากสำหรับโมเดลในการอ่านอย่างแม่นยำ ในเกณฑ์มาตรฐานการถามตอบเกี่ยวกับแผนภูมิหนึ่ง นักวิจัยพบจุดอ่อนในงานบางอย่าง เช่น การหาความสัมพันธ์ระหว่างค่าต่างๆ ผลลัพธ์ของพวกเขาดีขึ้นด้วยการใช้ข้อความพร้อมต์พิเศษ ซึ่งชี้ให้เห็นถึงคุณค่าของภาษาที่ชัดเจน — แต่ไม่ได้พิสูจน์ว่ารูปแบบหน้าเว็บใดๆ จะได้รับการอ้างอิงมากขึ้น ChartInsights benchmark (arxiv.org)

บทเรียนที่กว้างขึ้นนั้นเป็นเชิงปฏิบัติ: ภาพสามารถแสดงหลักฐานที่เป็นประโยชน์ได้ แต่โมเดลยังคงอาจมองข้ามป้ายกำกับขนาดเล็ก ค่าที่แน่นอน หรือเส้นทางระหว่างขั้นตอนต่างๆ ตัวอย่างเช่น คำแนะนำด้านวิสัยทัศน์ของ OpenAI เตือนเกี่ยวกับข้อความขนาดเล็ก แผนภูมิ องค์ประกอบที่ใช้รหัสสี และการให้เหตุผลเชิงพื้นที่ที่แม่นยำ OpenAI vision guide (developers.openai.com)

Alt Text ที่ดีขึ้นไม่ใช่สวิตช์สำหรับการอ้างอิง

ระบบค้นหาอาจใช้คำอธิบายรูปภาพและข้อความรอบข้างเพื่อทำความเข้าใจว่ารูปภาพแสดงอะไร Google กล่าวว่าใช้ Alt Text, การมองเห็นด้วยคอมพิวเตอร์ และเนื้อหาของหน้าเว็บ ร่วมกันในการทำความเข้าใจรูปภาพสำหรับการค้นหา นอกจากนี้ยังแนะนำให้วางรูปภาพใกล้กับข้อความที่เกี่ยวข้อง สิ่งนี้สนับสนุนการเขียน Alt Text ที่มีประโยชน์ แต่ไม่ใช่หลักฐานว่า Alt Text เพียงอย่างเดียวทำให้ผู้ช่วย AI อ้างอิงหน้าเว็บ Google Image SEO guidance (developers.google.com)

หลักฐานที่ตรวจสอบสำหรับบทความนี้ ไม่ ได้ยืนยันว่าการเปลี่ยนแปลง Alt Text เพียงอย่างเดียวจะเพิ่มอัตราการอ้างอิงในผู้ช่วย AI ปัจจุบัน ระบบหลายระบบไม่ได้อธิบายอย่างแน่ชัดว่าอ่านองค์ประกอบใดบนหน้าเว็บ หรือทำไมจึงเลือกแหล่งข้อมูลหนึ่งมากกว่าอีกแหล่งหนึ่ง Google กล่าวว่าคุณลักษณะ AI Search ไม่มีข้อกำหนดมาร์กอัปพิเศษและไม่รับประกันว่าจะแสดงหน้าเว็บที่เข้าเกณฑ์ Google’s AI features guidance (developers.google.com)

ดังนั้น ให้มองว่าการจัดแพ็กเกจภาพที่ดีขึ้นเป็น สมมติฐานที่สมเหตุสมผลและสามารถทดสอบได้ ไม่ใช่คำมั่นสัญญา มันสามารถทำให้หน้าเว็บใช้งานง่ายขึ้น วิเคราะห์ง่ายขึ้น และมีแนวโน้มที่จะมีข้อความที่ตอบคำถามโดยตรงมากขึ้น ส่วนผู้ช่วยจะอ้างอิงหรือไม่นั้นเป็นผลลัพธ์ที่ต้องวัดแยกต่างหาก

จัดแพ็กเกจภาพที่สำคัญแต่ละภาพเป็นหลักฐาน

แพ็กเกจภาพที่แข็งแกร่งมีสี่ส่วน: รูปภาพ, Alt Text ที่กระชับ, คำบรรยายภาพ, และคำอธิบายข้อความที่อยู่ใกล้เคียง แต่ละส่วนมีหน้าที่แตกต่างกัน

1. เขียน Alt Text ให้เป็นข้อความสั้นๆ ทดแทนภาพ

Alt Text ควรให้ข้อมูลที่จำเป็นแก่ผู้อ่านที่ไม่สามารถเห็นภาพได้ เพื่อให้เข้าใจเนื้อหาในหน้าเว็บนั้น สำหรับแผนภาพง่ายๆ อาจใช้เพียงประโยคเดียว สำหรับแผนภูมิหรือผังงานที่ซับซ้อน Alt Text ควรกำหนดระบุภาพและวัตถุประสงค์หลักของมัน ไม่ใช่พยายามบีบรายละเอียดทุกอย่างลงในคำอธิบายที่ยาวเหยียด

ตัวอย่างเช่น:

alt="ขั้นตอนการชำระเงินพร้อมเส้นทางลองอีกครั้งหลังจากชำระเงินล้มเหลว"

สำหรับรูปภาพที่เป็นเพียงองค์ประกอบตกแต่ง ให้ใช้ Alt Text ที่ว่างเปล่า (alt="") เพื่อให้เครื่องมือช่วยในการเข้าถึงข้ามไปได้ อย่าละเลยการใส่ Alt Text และอย่าใส่คำค้นหาซ้ำๆ ลงไป W3C’s complex-image guidance และ Google’s image guidance แยกแยะข้อความทางเลือกสั้นๆ จากคำอธิบายที่สมบูรณ์ยิ่งขึ้น (w3.org)

2. ใช้คำบรรยายภาพเพื่อระบุประเด็นสำคัญของภาพ

คำบรรยายภาพควรช่วยให้ผู้อ่านเข้าใจว่าทำไมภาพนี้จึงมีความสำคัญ การระบุเช่น “แผนภาพสถาปัตยกรรม” มักจะคลุมเครือเกินไป

คำบรรยายภาพที่มีประโยชน์กว่าคือ:

รูปที่ 1. การชำระเงินที่ล้มเหลวส่งผู้ซื้อกลับไปที่หน้าการชำระเงิน; ตะกร้าสินค้ายังคงเปิดอยู่

ใช้ HTML <figure> และ <figcaption> เพื่อเชื่อมโยงคำบรรยายภาพกับรูปภาพ การระบุหมายเลขหรือชื่อรูปภาพที่ชัดเจนยังช่วยให้ง่ายต่อการอ้างถึงภาพเดียวกันในข้อความบทความ Google’s documentation style guide ให้ตัวอย่างของรูปภาพที่จับคู่กับ Alt Text, คำบรรยายภาพ และคำอธิบายที่ยาวขึ้น (developers.google.com)

3. ใส่คำอธิบายฉบับเต็มลงในหน้าเว็บ

แผนภาพที่ซับซ้อนมักจะให้ข้อมูลมากกว่าที่ Alt Description สั้นๆ จะทำได้ ใส่ความหมายที่สำคัญลงในข้อความหน้าเว็บทั่วไปด้วย สำหรับผังงาน ให้บรรยายขั้นตอนและสิ่งที่เกิดขึ้นในแต่ละสาขา สำหรับแผนภูมิ ให้รวมช่วงเวลา, หน่วย, ค่าสำคัญ และแนวโน้ม สำหรับแผนภาพทางเทคนิค ให้ระบุชื่อส่วนต่างๆ และอธิบายการเชื่อมต่อของพวกมัน

W3C แนะนำให้มีคำอธิบายสั้นๆ พร้อมกับคำอธิบายข้อความที่สมบูรณ์ขึ้นสำหรับภาพที่ซับซ้อน คำอธิบายที่สมบูรณ์นั้นสามารถอยู่ในบทความเอง ใกล้กับรูปภาพ และพร้อมให้ผู้อ่านทุกคนเข้าถึงได้ ตารางข้อมูลสามารถช่วยได้เมื่อค่าที่แน่นอนมีความสำคัญ W3C WAI: Complex Images (w3.org)

4. รักษาชื่อและป้ายกำกับให้สอดคล้องกัน

หากแผนภาพของคุณเรียกบางสิ่งว่า “activation” ให้ใช้คำเดียวกันนั้นในคำบรรยายภาพและบทความ หากภาพแสดงผลลัพธ์ที่สำคัญ ให้ระบุเป็นประโยคที่อยู่ใกล้เคียง: “ในรูปที่ 2 ผู้สมัครส่วนใหญ่ลดลงก่อนที่จะสร้างโปรเจ็กต์แรก”

นี่ไม่ใช่วิธีการอ้างอิงแบบมายากล เป็นวิธีที่ทำให้หลักฐานในหน้าเว็บง่ายต่อการติดตามและอ้างอิง Google กล่าวว่าไม่มี Schema พิเศษสำหรับ AI Overviews หรือ AI Mode; งานที่มีประโยชน์คือการรักษาเนื้อหาที่สำคัญไว้ในข้อความและทำให้ข้อมูลที่มีโครงสร้างตรงกับสิ่งที่ผู้คนเห็นได้ (developers.google.com)

นี่คือรูปแบบง่ายๆ สำหรับผังงาน:

html

ประเด็นสำคัญในขั้นตอนการชำระเงินคือการชำระเงินที่ล้มเหลวไม่ได้ล้างตะกร้าสินค้า

รูปที่ 1 ในคำพูด: ตะกร้าสินค้า → การจัดส่ง → การชำระเงิน → การยืนยัน หากการชำระเงินล้มเหลว ผู้ซื้อจะกลับไปที่หน้าการชำระเงินและยังคงมีสินค้าในตะกร้า

Alt Text แบบสั้นระบุแผนภาพ คำบรรยายภาพให้ประเด็นหลัก ประโยคสุดท้ายอธิบายเส้นทางในรูปแบบข้อความธรรมดา สำหรับแผนภูมิที่มีค่าที่แน่นอน ให้เพิ่มตารางหรือรายการของค่าเหล่านั้นด้วย

ตรวจสอบให้แน่ใจว่า Crawler สามารถดึงรูปภาพได้

รูปภาพที่อธิบายไว้อย่างดีก็ยังคงต้องพร้อมใช้งาน ใช้ HTML <img> element ปกติที่มี URL src จริง Google กล่าวว่าสามารถค้นหารูปภาพใน src ของ <img> element ได้ แต่ไม่ได้จัดทำดัชนีภาพพื้นหลัง CSS ในลักษณะเดียวกัน คำแนะนำเกี่ยวกับรูปภาพยังสนับสนุนรูปภาพที่โฮสต์บน CDN ในแผนผังเว็บไซต์รูปภาพ (image sitemaps) Google Image SEO guidance (developers.google.com)

สำหรับ CDN ให้ตรวจสอบพื้นฐาน:

• URL ของรูปภาพทำงานได้โดยไม่ต้องเข้าสู่ระบบหรือโทเค็นการเข้าถึงที่หมดอายุ
• การอนุญาตของ crawler ของหน้าเว็บและกฎความปลอดภัยของ CDN อนุญาตให้เข้าถึงได้ทั้งคู่
• URL ของรูปภาพในหน้าที่แสดงผลมีความเสถียรและส่งคืนไฟล์ที่ถูกต้อง
• รูปภาพแบบ responsive มี src สำรอง
• ข้อความสำคัญไม่ถูกซ่อนอยู่ในรูปภาพเมื่อสามารถเป็นข้อความจริงบนหน้าเว็บได้
• รูปภาพที่อยู่ใต้พื้นที่มองเห็น (below-the-fold) โหลดเมื่อปรากฏให้เห็น — ไม่ใช่หลังจากที่บุคคลคลิกหรือเลื่อนในลักษณะที่ crawler ไม่สามารถจำลองได้

คำแนะนำการโหลดแบบ Lazy-loading ของ Google กล่าวว่า URL ของรูปภาพควรปรากฏใน HTML ที่แสดงผลและโหลดเมื่อปรากฏในมุมมอง นอกจากนี้ยังแนะนำไม่ให้โหลดรูปภาพแบบ Lazy-loading ที่มองเห็นได้อยู่แล้วเมื่อหน้าเว็บเปิดขึ้น Google’s lazy-loading guidance (developers.google.com)

ตรวจสอบการอนุญาตตามแพลตฟอร์มด้วย OpenAI ระบุ OAI-SearchBot เป็น crawler สำหรับการค้นหาและกล่าวว่าแยกต่างหากจาก GPTBot ซึ่งเกี่ยวข้องกับข้อมูลการฝึกอบรม การอนุญาตอย่างหนึ่งไม่จำเป็นต้องอนุญาตอีกอย่างหนึ่ง นี่เป็นสิ่งสำคัญหากคุณต้องการการค้นพบจากการค้นหา แต่มีความต้องการที่แตกต่างกันเกี่ยวกับการใช้สำหรับการฝึกอบรม OpenAI crawler documentation (developers.openai.com)

ทดสอบว่าหน้าเว็บของคุณได้รับการอ้างอิงสำหรับคำถามเกี่ยวกับภาพหรือไม่

อย่าพึ่งพาคำถาม chatbot แบบสบายๆ เพียงไม่กี่ครั้ง ทำการทดสอบสองครั้ง เพราะ ความเข้าใจของโมเดล และ การอ้างอิงจากเว็บ ไม่ใช่สิ่งเดียวกัน

ทดสอบที่ 1: โมเดลเข้าใจภาพหรือไม่?

เลือกชุดของแผนภูมิและแผนภาพ เขียนคำถามที่คำตอบขึ้นอยู่กับแผนภูมิเหล่านั้น เช่น:

• ขั้นตอนใดตามหลังการชำระเงิน?
• เกิดอะไรขึ้นเมื่อการชำระเงินล้มเหลว?
• เดือนใดมีอัตราการแปลงสูงสุด?
• แผนภาพกล่าวว่าสาเหตุหลักที่ผู้ใช้เลิกล้มคืออะไร?

จากนั้นเปรียบเทียบคำตอบของโมเดลภายใต้เงื่อนไขการป้อนข้อมูลที่ควบคุม:

1. รูปภาพเพียงอย่างเดียว
2. รูปภาพพร้อมกับ Alt Text และคำบรรยายภาพ
3. รูปภาพพร้อมกับคำอธิบายเหล่านั้นและสรุปข้อความหรือตารางข้อมูลของหน้าเว็บ

รักษารุ่นโมเดล, คำถาม และรูปภาพให้เหมือนเดิม ให้คะแนนคำตอบเพื่อความถูกต้อง รวมถึงค่าที่แน่นอนและความสัมพันธ์ สิ่งนี้ช่วยแสดงให้เห็นว่าข้อความที่เพิ่มเข้ามาช่วยให้โมเดลตอบคำถาม ของคุณ ได้หรือไม่ ไม่ได้แสดงให้เห็นว่าผู้ช่วยค้นหาบนเว็บจะค้นพบหรืออ้างอิงหน้าเว็บนั้นหรือไม่

ทดสอบที่ 2: ผู้ช่วยค้นหาอ้างอิงหน้าเว็บนั้นหรือไม่?

สำหรับการทดลองนำร่องขนาดเล็ก ให้จับคู่หน้าเว็บที่มีแผนภาพคล้ายกัน เพิ่มแพ็กเกจภาพเต็มรูปแบบให้กับกลุ่มหนึ่ง; ปล่อยให้กลุ่มเปรียบเทียบอยู่ในระดับฐานที่เข้าถึงได้ในปัจจุบัน อย่าลบ Alt Text ที่จำเป็นออกเพื่อสร้างกลุ่มควบคุม เตรียมชุดคำถามสองชุด: ชุดหนึ่งที่ต้องการอ่านรูปภาพ และคำถามทั่วไปที่ข้อความของหน้าเว็บตอบอยู่แล้ว

เรียกใช้คำถามเดียวกันในผู้ช่วยค้นหาที่คุณสนใจ บันทึกวันที่, ผลิตภัณฑ์, คำถาม, คำตอบ และหน้าเว็บที่อ้างอิง ทำการตรวจสอบซ้ำเมื่อเวลาผ่านไป เพราะผลลัพธ์อาจเปลี่ยนแปลงได้ รอจนกว่า crawler หรือเครื่องมือค้นหาของคุณจะแสดงว่าหน้าเว็บที่อัปเดตได้รับการรวบรวมข้อมูลใหม่แล้ว Google ระบุว่าการรวบรวมข้อมูลใหม่อาจใช้เวลาหลายวันหรือนานกว่านั้น (developers.google.com)

ติดตามผลลัพธ์สี่ประการ:

• อัตราการอ้างอิง: คำตอบอ้างอิงหน้าเว็บนั้นบ่อยแค่ไหน?
• ความถูกต้องของคำตอบ: ผู้ช่วยให้ข้อเท็จจริงเกี่ยวกับภาพถูกต้องหรือไม่?
• การสนับสนุนการอ้างอิง: หน้าเว็บที่อ้างอิงสนับสนุนคำตอบจริงหรือไม่?
• ผลลัพธ์ทางธุรกิจ: การเข้าชม, การอ้างอิง, หรือลูกค้าเป้าหมายช่วยธุรกิจหรือไม่?

เปรียบเทียบผลลัพธ์ของคำถามที่เกี่ยวกับภาพกับชุดควบคุมคำถามทั่วไป การเปรียบเทียบแบบก่อนและหลังอย่างง่ายอาจทำให้เข้าใจผิดได้: ผู้ช่วย, ดัชนีการค้นหา และเว็บโดยรวมอาจเปลี่ยนแปลงพร้อมกัน หน้าเว็บที่จับคู่และการตรวจสอบซ้ำช่วยได้ แต่การทดสอบขนาดเล็กยังคงควรรายงานว่าเป็น การทดลองนำร่อง ไม่ใช่กฎสากล

และต้องแม่นยำเกี่ยวกับความหมายของผลลัพธ์ หากหน้าเว็บได้รับการอ้างอิงบ่อยขึ้นหลังจากที่คุณเพิ่มสรุปข้อความ การทดสอบแสดงให้เห็นว่า แพ็กเกจทั้งหมด ช่วยได้ ไม่ได้พิสูจน์ว่าผู้ช่วยอ่านรูปภาพเอง แดชบอร์ดการอ้างอิงสามารถแสดง URL ที่ปรากฏในคำตอบของ AI ได้ แต่ไม่จำเป็นต้องแสดงว่าส่วนใดของหน้าเว็บถูกอ่าน ตัวอย่างเช่น รายงาน AI Performance ของ Bing จะรายงานหน้าเว็บที่อ้างอิงและข้อมูลคำค้นหา Bing Webmaster Tools: AI Performance (blogs.bing.com)

สร้างงานนี้ให้เป็นส่วนหนึ่งของระบบเนื้อหาของคุณ

ผู้ก่อตั้งไม่ควรต้องเขียนแผนภาพใหม่ด้วยตนเองทุกครั้งที่เผยแพร่บทความ แต่ระบบอัตโนมัติก็ไม่ควรสร้างความหมายของภาพขึ้นมาเอง

เวิร์กโฟลว์ง่ายๆ คือ:

1. ผู้สร้างจัดเตรียมข้อมูลต้นฉบับหรือแผนภาพ พร้อมกับประเด็นหลักที่ต้องการให้ผู้อ่านได้รับไป
2. เวิร์กโฟลว์เนื้อหาร่าง Alt Text, คำบรรยายภาพ และสรุปข้อความธรรมดาจากแหล่งข้อมูลเหล่านั้น
3. บุคคลตรวจสอบว่าคำอธิบายถูกต้อง และป้ายกำกับ, ค่า, และเส้นทางตรงกับภาพ
4. หน้าเว็บเผยแพร่รูปภาพและข้อความพร้อมกัน
5. การตรวจสอบซ้ำยืนยันว่าผู้อ่านและ crawler สามารถเข้าถึงทั้งสองอย่างได้

ประเด็นของผู้สร้างคือส่วนที่ไม่ควรทำให้เป็นอัตโนมัติ ตัวอย่างเช่น ผู้ก่อตั้งอาจต้องการแสดงให้เห็นว่าไม่เพียงแต่การสมัครสมาชิกจะลดลงเท่านั้น แต่ ทีมยังเลือกที่จะแก้ไขการตั้งค่าโปรเจ็กต์แรกก่อนที่จะซื้อทราฟฟิกเพิ่มเติม นั่นคือความคิดเห็นและบทเรียนผลิตภัณฑ์ ไม่ใช่แค่ภารกิจในการเขียนคำบรรยายภาพ

ในเครื่องมือสร้างเนื้อหาแบบอัตโนมัติ อินพุต ผู้สร้าง (Creator), ผู้ชม (Audience), และรสนิยม (Taste) สามารถรักษาประเด็นนั้นไว้ในบทความต่างๆ ได้ AutoPod ใช้อินพุตเหล่านั้นเพื่อนำทางแต่ละบทความ ในขณะที่เวิร์กโฟลว์จัดการงานที่ทำซ้ำๆ ได้ เช่น การร่างคำบรรยายภาพและการตรวจสอบโครงสร้างหน้าเว็บ โมเดลสามารถจัดแพ็กเกจข้อมูลเชิงลึกได้ แต่ไม่ควรสร้างข้อมูลเชิงลึกขึ้นมาเอง

สรุป

กรณีที่แข็งแกร่งที่สุดสำหรับ Alt Text ที่ให้คำอธิบาย, คำบรรยายภาพ, ป้ายกำกับรูปภาพ, และสรุปที่อยู่ใกล้เคียง ไม่ใช่การคาดหวังผลลัพธ์ SEO ที่เพิ่มขึ้น แต่คือการที่สิ่งเหล่านี้ทำให้ภาพเข้าใจง่ายขึ้น เข้าถึงง่ายขึ้น และเชื่อมโยงกับข้อโต้แย้งของหน้าเว็บได้ง่ายขึ้น

นั่นอาจช่วยให้ผู้ช่วยตอบคำถามที่เกี่ยวกับภาพและอ้างอิงหน้าเว็บได้ — แต่การเพิ่มขึ้นนั้นไม่ได้รับการรับประกัน จัดแพ็กเกจแผนภาพเป็นหลักฐาน, ทำให้รูปภาพสามารถดึงข้อมูลได้, และวัดการอ้างอิงแยกต่างหากจากการทำความเข้าใจ นั่นคือระบบที่เรียบง่ายที่มีคุณค่าสำหรับผู้อ่านเป็นอันดับแรก และเป็นข้อดีที่สามารถทดสอบได้สำหรับการค้นพบโดย AI