QA para Automação de IA: Verificando Fatos e Inspecionando as Fotos

A IA pode reconstruir um site, percorrer um arquivo de vídeos e produzir uma página que parece convincente. Ela também pode colocar fatos errados nessa página e selecionar fotos que não têm nada a ver com o assunto. A reconstrução do meu site fez as duas coisas. Eu fiquei orgulhoso do que a Arya construiu a partir dos meus vídeos do YouTube, mas revisar o resultado expôs erros que uma página com aparência pronta não deixou evidentes.

Uma biografia convincente ainda pode conter uma afirmação falsa

Uma página dizia que eu tinha vencido todas as minhas lutas na faixa branca. Isso estava errado: perdi muitas lutas quando comecei. Corrigi a redação para refletir essas perdas aos 170 lb e as vitórias que vieram depois aos 185 lb.

A lição útil aqui é sobre verificar a história escrita por IA. Um modelo pode transformar um acervo real de vídeos em um resumo impreciso. A frase parecia um relato limpo do meu progresso, mas alterou os fatos. Ver a pessoa certa, o assunto e a história geral em uma página não é suficiente para estabelecer que cada afirmação é verdadeira.

Neste caso, eu conhecia a história e consegui identificar o erro. Para um fluxo de trabalho automatizado, isso sugere uma etapa concreta de revisão: extrair as afirmações factuais e compará-las com o material original. Preste atenção especial a afirmações absolutas como "todas", datas, números e descrições de conquistas. Se uma fonte não sustenta a redação, revise a afirmação em vez de preencher a lacuna com uma história plausível.

A seleção de fotos exige olhar as imagens reais

Baixei meus dados do Facebook e pedi ao meu modelo local que sinalizasse fotos em que aparecia sozinho. A seleção resultante incluiu imagens em que eu não estava sozinho. A Arya sinalizou algumas dessas, e eu decidi que eram seguras para usar. Outras escolhas estavam claramente erradas para o site: algumas fotos de família e uma foto de comida.

Essas são decisões diferentes. Uma imagem pode falhar em um filtro literal de "só eu" e ainda assim ser aceitável depois que eu a inspeciono. Uma foto de família pode ser uma imagem válida do meu acervo e ainda assim ser inadequada para esta página. Uma foto de comida pode ser recuperada corretamente dos dados sem contribuir em nada para a biografia. Encontrar um arquivo é apenas uma parte da seleção de um ativo.

A revisão precisa da foto real. Um nome de arquivo, uma descrição do modelo ou uma pontuação de confiança não me dizem tudo o que preciso para decidir se ela pertence ao meu site público. Preciso ver quem está no enquadramento, o que a imagem mostra e se ela ajuda a explicar a página. A aprovação humana também precisa permanecer distinta da classificação inicial do modelo.

Use fotos como evidência sem inventar o contexto delas

Adicionei fotos mostrando eu aos 170 lb e aos 185 lb, incluindo uma do final do meu período na faixa branca.

Looking at those different versions of myself helped me review how the page represented my history.

The image and its context do separate jobs. The photo shows what is visible; my account supplies details such as the weight and period. A workflow should keep those sources together instead of asking a model to guess a date, a result, or a personal story from appearance alone. Looking at the pixels is necessary, and checking the supporting information is necessary too.

Turn the review into a repeatable QA process

This rebuild suggests a practical checklist for reviewing similar automation work:

1. Check the claims. Compare the generated wording with the relevant video or other original source. Correct unsupported summaries.
2. Open the selected assets. Inspect the images themselves rather than accepting the selection list as proof.
3. Apply the page's purpose. Decide whether each photo is relevant and appropriate for public use, including who else appears in it.
4. Review the finished page. Read the corrected text alongside the chosen photos so the combined result tells the supported story.

That checklist is the workflow lesson from the review, rather than a claim that the original automation already performed every step. The automation did a great deal of useful work. The factual correction and the unsuitable photo choices show why QA needs to examine its output directly before treating that work as complete.

Source: original video, 1:03:05–1:07:25.