Метрика BERTScore

BERTScore — это не просто счетчик слов, как ROUGE или BLEU. Это мощный инструмент на базе ИИ, который смотрит в корень смысла, оценивая семантическую и контекстуальную близость. Для нас, SEO-специалистов, это золотой ключик к пониманию, *почему* одни тексты «нравятся» поисковикам, а другие — нет.

Вы когда-нибудь пялились на отчет в Метрике, видя 90% отказов на вашей свеже написанной, «идеально оптимизированной» статье? Вы потратили часы, собрали семантику, вписали все LSI-ключи, уникальность 100% по Text.ru... а статья «не летит». Она висит где-то на 3-й странице Яндекса и не двигается. Знакомо?

В 9 из 10 случаев проблема не в том, что вы написали, а в том, чего вы не написали.

Поисковые системы, особенно современные нейросетевые (привет, YATI и BERT), ищут не просто набор ключевых слов. Они ищут полноту ответа на запрос пользователя. Они сравнивают ваш текст с тысячами других документов и смотрят: «Этот текст закрывает все подтемы, которые обычно интересуют человека по этому запросу?». И если нет — ваш текст пессимизируют.

Традиционные метрики, вроде ROUGE, здесь бессильны. Они просто считают совпадения слов (n-грамм). Ваш текст и текст из топа могут оба содержать фразу «купить кроссовки», и ROUGE скажет: «Отлично, 70% совпадения!». Но он не увидит, что в топе есть разделы про «амортизацию», «типы пронации» и «уход за мембраной», а у вас — нет. Вы упустили смысл.

Вот тут-то на сцену и выходит наш главный герой.

Метрика BERTScore для аудита: как найти «семантические дыры» в контенте, которые упускает ROUGE?

Давайте сразу на кошках... то есть, на кейсах. Встречайте двух наших клиентов:

• Ниша 1 (E-commerce): «Кроссовок-Бум». Интернет-магазин. Их статья «Как выбрать беговые кроссовки в 2025 году» не приносит трафика.
• Ниша 2 (Услуги): «Право-Эксперт». Юридическая фирма. Их лендинг «Банкротство физических лиц: пошаговая инструкция» имеет дикий показатель отказов.

Оба клиента уверены, что их контент — топ. Копирайтеры божатся, что «писали по ТЗ» и «все ключи на месте». Наша задача — провести аудит и показать им, где «зарыта собака», используя не интуицию, а цифры.

Шаг 1. Провал старого подхода (ROUGE)

По старинке, мы берем текст «Кроссовок-Бум» (назовем его Кандидат) и текст с 1-го места в выдаче (назовем его Эталон). Прогоняем их через ROUGE-L (который ищет самые длинные общие последовательности слов).

• Эталон (Топ-1): "Для марафона важна амортизация и поддержка стопы. Выбирайте модели с пеной EVA и гелевыми вставками."
• Кандидат (Наш): "Для бега нужны хорошие кроссовки. Важно, чтобы подошва была удобной и мягкой."

ROUGE-L посмотрит на это и скажет: «Ну... совпадений мало. Счет 0.2». Это не дает нам никакой информации. А если бы наш копирайтер был хитрее и написал «важна амортизация и поддержка», ROUGE бы обрадовался, но смысловая дыра бы осталась. Почему?

Шаг 2. «Рентген» семантики с помощью BERTScore

Теперь мы используем метрику BERTScore для аудита. Что она делает «под капотом»?

1. Она берет модель BERT (мозг, обученный на триллионах текстов) и «читает» оба текста.
2. Она не смотрит на слова, а превращает смысл каждого слова (в его контексте!) в набор цифр — так называемый «вектор» или «эмбеддинг».
3. Далее она сравнивает не слова, а эти «векторы смысла».

На пальцах: BERT понимает, что «амортизация», «пена EVA» и «гелевые вставки» — это семантически близкие понятия из одной «смысловой группы» (Технологии подошвы). А «хорошие кроссовки» и «удобная подошва» — это «вода», общие фразы без конкретики.

Формула BERTScore (очень упрощенно!) ищет максимальное «косинусное сходство» между векторами слов из двух текстов. Не пугайтесь, это просто математическое выражение «насколько близки по смыслу».

Когда мы прогоняем наши тексты про кроссовки через BERTScore, он выдает нам три цифры, но главная для нас — F1-Score (баланс между точностью и полнотой).

• ROUGE-L Score: 0.2 (Бесполезно)
• BERTScore F1: 0.55 (Очень плохо!)

BERTScore кричит нам: «Ребята, ваш текст вообще не о том, о чем пишет топ!». Хотя оба текста формально о «кроссовках», текст из топа — экспертный (про технологии), а наш — дилетантский (про «удобство»).

Найденная «семантическая дыра»: Отсутствие блока о технологиях амортизации, материалах и типах поддержки стопы. Наш копирайтер «не докрутил» E-E-A-T (Expertise, Experience, Authoritativeness, Trustworthiness). Он не доказал, что разбирается в теме.

Шаг 3. Визуализация аудита (Кейс 2: Юристы)

Теперь провернем тот же трюк с «Право-Эксперт» (Ниша 2). Их лендинг «Банкротство физлиц».

• Эталон (Топ-1): "Процедура включает сбор документов для арбитражного суда, работу с финансовым управляющим и риски (например, оспаривание сделок за 3 года)."
• Кандидат (Наш): "Мы спишем ваши долги законно! Гарантия результата. Бесплатная консультация. Хватит бояться коллекторов!"

Что здесь видит ROUGE? Ничего. Общих слов почти нет. Счет 0.1.

Что видит метрика BERTScore для аудита? Она видит катастрофу.

• BERTScore F1: 0.42 (Провал!)

Найденная «семантическая дыра»: Это даже не дыра, это пропасть. Топ-1 отвечает на интент «Как проходит процедура?». Он обучает, снимает страх через знание, говорит о процессе и рисках. Наш текст отвечает на интент «Кто мне поможет?». Он продает.

Проблема в том, что пользователь на этом этапе еще не готов покупать. Он напуган, он ищет информацию о процессе. Не найдя ее, он уходит (вот вам и 90% отказов). Наш лендинг не соответствует интенту запроса.

Давайте сведём наш аудит в таблицу, которую можно показать клиенту.

Таблица: Аудит контента (ROUGE vs. BERTScore)

Шаг 4. Практика: Как получить этот BERTScore?

Звучит круто, но как это сделать руками? Вам не нужно быть data scientist-ом (хотя это помогает). Самый простой способ — использовать готовые Python-библиотеки. Если вы или ваш техспециалист «дружите» с кодом, это выглядит так:

# Вам понадобится Python и библиотека 'bert_score'
# Установка: pip install bert-score

from bert_score import score

# Наши тексты из Ниши 2 (Юристы)
candidate = "Мы спишем ваши долги законно! Гарантия результата. Бесплатная консультация."
reference = "Процедура включает сбор документов для арбитражного суда и работу с финансовым управляющим."

# Считаем метрики. 'lang="ru"' - обязательно!
# 'model_type' - можно указать 'DeepPavlov/rubert-base-cased' для лучшего русского
P, R, F1 = score([candidate], [reference], lang="ru", verbose=True)

# F1 - это наш главный показатель
print(f"BERTScore F1: {F1.mean():.4f}")
# На выходе мы увидим нашу низкую оценку, например: BERTScore F1: 0.4211

Если код — это сложно, уже появляются SaaS-сервисы и SEO-инструменты, которые встраивают BERTScore в свои аудиторы контента. Но понимание *механики* важнее инструмента.

Шаг 5. Риски и альтернативы: о чем молчат фанаты BERTScore

Прежде чем вы побежите удалять весь свой контент, пара важных нюансов.

Итоги первого этапа: Мы нашли «дыры»

Итак, что мы имеем? Мы перестали «гадать на кофейной гуще» с ROUGE и уникальностью. Мы провели реальный семантический аудит.

«Кроссовок-Бум» теперь знает, что им нужно добавить экспертные разделы о материалах подошвы и пронации.

«Право-Эксперт» понял, что их лендинг нужно полностью переписать: сперва дать человеку «инструкцию по выживанию» (процесс, документы, риски), и только *потом* мягко предложить помощь.

Мы использовали метрику BERTScore для аудита: как найти «семантические дыры» в контенте, которые упускает ROUGE?, и мы точно определили точки разрыва между нашим контентом и ожиданиями поисковой системы (и, что важнее, пользователя).

Но... что делать дальше? Просто вписать эти слова? Как проверить, что новая версия текста действительно стала лучше? Как использовать ИИ, чтобы он помог нам «залатать» эти дыры?

Об этом — в следующей части нашего словаря, где мы перейдем от аудита к тестированию гипотез и стратегиям оптимизации.

От гипотезы к росту: Практическая оптимизация LSI и E-E-A-T через A/B-тестирование по BERTScore

Итак, в первой части мы провели аудит и «прозвонили» наш контент. BERTScore, как честный доктор, поставил диагноз: у «Кроссовок-Бум» (Ниша 1) — «водянка» и дефицит экспертизы (E-E-A-T), а у «Право-Эксперт» (Ниша 2) — острое «несоответствие интенту». Мы увидели, что наши тексты набрали позорно низкие 0.55 и 0.42 балла F1 по сравнению с топом. Мы нашли «семантические дыры». И что теперь?

Вот она, типичная ошибка! 90% SEO-специалистов, найдя «дыры» (например, через TF-IDF или наш BERTScore), что делают? Правильно: бегут к копирайтеру с криком: «Добавь LSI! Мало слов "амортизация", "пронация" и "арбитражный суд"!».

Копирайтер, не будь дурак, «тошнотиком» вставляет эти слова в текст. В итоге получается что-то вроде: «Наши юристы по банкротству — лучшие юристы, которые проведут банкротство через арбитражный суд, ведь арбитражный суд — это серьезно». Тьфу! Получаем переспам, «Баден-Баден» от Яндекса и еще больший показатель отказов.

Наш путь — путь мастера. Мы не будем «впихивать» LSI. Мы будем закрывать семантические зоны. Мы не будем «лить воду», мы будем повышать E-E-A-T (экспертизу, опыт, авторитетность и доверие).

Наша задача — не просто поднять балл BERTScore, а реально улучшить текст для пользователя, используя этот балл как компас. Мы превращаем догадки в измеримый процесс. Мы начинаем A/B-тестирование.

Шаг 1: Создание «Золотого Эталона» (Наш измеритель правды)

В Части 1 мы сравнивали наш текст (Кандидат) с текстом из Топ-1 (Эталон). Это было для простоты. На практике Топ-1 может быть там по ошибке, из-за ссылок или возраста. Он не всегда «идеальный».

Поэтому первая наша задача — создать «Золотой Эталон» (Gold Standard Reference). Это наш агрегированный, «идеальный» текст, который мы будем использовать как линейку.

1. Собираем Топ-5: Берем 5 лучших статей из выдачи по нашему главному запросу.
2. Парсим и Чистим: Вытаскиваем из них только «тело» текста. Убираем всю шелуху: меню, рекламу, комментарии, кнопки «купить».
3. Агрегируем: Склеиваем эти 5 текстов в один большой .txt файл.

Этот файл — наша «библия». Он содержит всю семантическую полноту, которую поисковик ожидает увидеть по этой теме. Теперь, когда мы будем считать BERTScore, мы будем сравнивать наш текст не с одним конкурентом, а с «коллективным разумом» всего топа.

Теперь у нас есть линейка. Пора брать в руки инструмент.

Шаг 2: Практическая оптимизация LSI и E-E-A-T (Кейс 1: «Кроссовок-Бум»)

Вспоминаем диагноз: у статьи «Как выбрать беговые кроссовки» (F1-Score: 0.55) не хватает экспертизы. Текст «водянистый». Мы нашли семантические дыры: «технологии амортизации» и «типы пронации».

Мы не будем просто вставлять эти слова. Мы сформулируем гипотезы.

• Гипотеза A: Добавление экспертного блока (200 слов) о разнице между пеной EVA и TPU в подошве повысит наш BERTScore, так как закроет «дыру» в E-E-A-T.
• Гипотеза B: Добавление блока (150 слов) о том, как определить свой тип пронации (гиперпронация, гипопронация), повысит наш BERTScore.

Теперь — A/B-тестирование. Но не на живых людях (это долго), а прямо «на лету» с помощью BERTScore.

Шаг 2.1: Использование ИИ (ChatGPT, Gemini) для генерации гипотез

Мы не будем просить ИИ «написать текст». Мы дадим ему точечное, экспертное ТЗ. Сравните два промпта:

# ПЛОХОЙ ПРОМПТ (получим "воду")
"Напиши 200 слов о пене EVA для кроссовок."

# ХОРОШИЙ ПРОМПТ (получим E-E-A-T)
"Действуй как инженер-технолог в обувной промышленности.
Напиши 200 слов для статьи 'Как выбрать беговые кроссовки'.
Сравни по 3 параметрам (вес, отдача энергии, долговечность) пену EVA и пену TPU (как Boost у Adidas).
Объясни, почему EVA подходит для легких темповых тренировок, а TPU - для марафонов.
Цель - повысить техническую экспертизу (E-E-A-T) текста."

ИИ генерирует нам два блока: Блок A (про пену) и Блок B (про пронацию). Мы создаем две новые версии нашей статьи: Версия A (старый текст + Блок A) и Версия B (старый текст + Блок B).

Шаг 2.2: Визуализация A/B-тестирования (Вот она, магия!)

Теперь мы прогоняем наши новые версии через BERTScore, используя наш «Золотой Эталон» как линейку. И сводим все в таблицу, которую покажем клиенту.

Таблица: A/B-тестирование по BERTScore (Ниша 1: «Кроссовок-Бум»)

Что мы только что сделали? Мы объективно, в цифрах, доказали, какие именно изменения улучшают семантическую полноту текста. Мы не гадали, мы считали. Мы провели практическую оптимизацию LSI и E-E-A-T через A/B-тестирование по BERTScore.

Шаг 3: Когда дело не в E-E-A-T, а в интенте (Кейс 2: «Право-Эксперт»)

С юристами все сложнее. Их F1-Score был 0.42. Проблема не в том, что им не хватает пары абзацев. Проблема в том, что их текст — продающий ("Спишем долги! Гарантия!"), а «Золотой Эталон» (весь топ) — информационный ("Этапы", "Риски", "Документы").

Гипотеза: Мы не сможем «докрутить» текст. Нам нужно полностью поменять его структуру, сместив фокус с «Купи» на «Узнай». Мы должны ответить на интент.

Мы берем ИИ и даем ему другое задание:

# ПРОМПТ ДЛЯ ЮРИСТОВ (Смена интента)
"Действуй как юрист по банкротству, но с эмпатией (tone of voice: "понимающий эксперт").
Напиши 3 ключевых раздела для лендинга 'Банкротство физлиц':
1. '5 главных этапов процедуры' (сбор документов, суд, фин. управляющий и т.д.).
2. 'Главные риски: Что вы теряете?' (оспаривание сделок, запрет на выезд, 3 года без руководящих должностей).
3. 'Мифы о банкротстве' (миф: 'отберут единственное жилье').
Цель - дать пользователю полную, честную картину процедуры (E-E-A-T), а не просто продать услугу."

ИИ генерирует нам 3 мощных информационных блока. Мы удаляем наш старый «продающий» текст и вставляем эти три. Блок с CTA («Позвоните для консультации») мы скромно ставим в самый конец.

Смотрим, что скажет BERTScore.

Шаг 4: Риски и E-E-A-T (Самый важный шаг!)

Казалось бы, все идеально. ИИ пишет, BERTScore проверяет. Но дьявол, как всегда, в деталях. Это самая важная часть статьи, не пропустите!

Итоги второго этапа: Мы вырастили «чемпиона»

Мы прошли огромный путь. Мы не просто нашли «дыры», мы научились их «латать».

• Мы создали «Золотой Эталон» — нашу линейку.
• Мы научились формулировать гипотезы (а не просто «пихать ключи»).
• Мы провели A/B-тестирование по BERTScore и в цифрах увидели, как растут наши LSI и E-E-A-T.
• Мы поняли, что BERTScore — это навигатор, а за рулем всегда должен сидеть эксперт.

Мы взяли статью с F1-Score 0.55 и превратили ее в 0.79. Мы взяли мертвый лендинг с 0.42 и реинкарнировали его в 0.81.

И тут у клиента загораются глаза: «Супер! А теперь сделайте так же для остальных 500 статей в нашем блоге и 10 000 карточек товаров... к понедельнику».

Руками? Нереально. Нам нужен конвейер. Нам нужен пайплайн. Нам нужна автоматизация.

Об этом — в финальной, третьей части.

Масштабирование контент-аудита: автоматизация пайплайна с BERTScore и риски слепого копирования «идеального» скора

В Части 1 мы, как детективы, использовали BERTScore, чтобы найти «семантические дыры» в статьях наших клиентов («Кроссовок-Бум» и «Право-Эксперт»). В Части 2 мы, как инженеры, «залатали» эти дыры, используя ИИ для генерации гипотез, BERTScore для A/B-тестирования и живых экспертов для проверки E-E-A-T. Наши тестовые статьи выросли с 0.55 до 0.79 и с 0.42 до 0.81 балла F1.

...И вот тут-то клиент («Кроссовок-Бум») и говорит: «Огонь! А теперь сделайте так же для моих 10 000 карточек товаров. И да, у меня еще 500 статей в блоге "Право-Эксперта"». Упс.

Вы не сможете сделать это вручную. Точка. Попытка вручную создать «Золотой Эталон» и проверить 10 000 карточек убьет вашу команду. Ручной труд — это «бутылочное горлышко».

То, что работало для двух статей, не будет работать для 10 000. Нам нужен не просто инструмент, нам нужен конвейер. Нам нужен автоматизированный пайплайн (pipeline), который будет работать, пока мы спим.

Это то, что в разработке ПО называют CI/CD (Continuous Integration / Continuous Deployment). А мы построим CI/CC (Continuous Integration / Continuous Content). И метрика BERTScore будет нашим главным «контролером ОТК» (Отдел Технического Контроля) на этом конвейере.

Шаг 1. Концепция: Наш «Конвейер Контента» (CI/CC)

Давайте нарисуем схему нашего конвейера. Как только копирайтер (или ИИ) нажимает «Готово», запускается автоматический процесс:

1. Новая Задача: «Написать описание для "Nike Pegasus 41"».
2. Этап 1 (Автомат): Скрипт идет в Яндекс/Google, находит 5 лучших описаний этой модели.
3. Этап 2 (Автомат): Скрипт «чистит» их и создает «Золотой Эталон» (GS) конкретно для этой модели.
4. Этап 3 (Руки/ИИ): Копирайтер или ИИ пишет черновик.
5. Этап 4 (Автомат): Запускается API BERTScore. Он сравнивает Черновик с «Золотым Эталоном».
6. Этап 5 (Автомат): В CRM падает вердикт:
   • Если F1 > 0.8: «Утверждено! (Семантика Ок)».
   • Если 0.6 < F1 < 0.8: «На доработку (Редактору)».
   • Если F1 < 0.6: «Переписать! (Копирайтеру)».
7. Этап 6 (Руки): Финальная вычитка E-E-A-T (для YMYL) и публикация.

Видите? Мы автоматизировали 80% рутины. Человек подключается только там, где он действительно нужен: для творчества (Этап 3) и экспертизы (Этап 6).

Шаг 2. Движок: Автоматизация «Золотого Эталона»

Самая сложная часть — Этапы 1 и 2. Нам нужен скрипт, который сам парсит топ. Вот как это может выглядеть (сильно упрощенный псевдокод на Python, который поймет ваш техспец):

# ВНИМАНИЕ: Это псевдокод, а не готовый скрипт!
# Нужны библиотеки: 'google-search-results', 'beautifulsoup4', 'bert_score'

import 'magic_search_api' as search_api
import 'magic_parser' as parser
from bert_score import score

# Наш "Золотой Эталон" кэшируется, чтобы не парсить каждый раз
gold_standards_cache = {}

def get_gold_standard(keyword):
"""
Автоматически создает "Золотой Эталон" (GS) для ключа
"""
if keyword in gold_standards_cache:
return gold_standards_cache[keyword]

# 1. Ищем топ-5 URL-ов
urls = search_api.search_top_5(keyword)

# 2. Парсим и чистим
full_text = ""
for url in urls:
full_text += parser.get_clean_text(url)

# 3. Кэшируем и возвращаем
gold_standards_cache[keyword] = full_text
return full_text

# --- Как это использовать ---

# Для «Право-Эксперт» (Ниша 2):
gs_bankruptcy = get_gold_standard("банкротство физлиц пошаговая инструкция")

# Для «Кроссовок-Бум» (Ниша 1):
gs_pegasus = get_gold_standard("Nike Pegasus 41 описание")

print("База 'Золотых Эталонов' готова к работе!")

Имея такой скрипт, вы можете за ночь собрать «Эталоны» для тысяч ваших ключей. Масштабирование контент-аудита запущено.

Шаг 3. ОТК: Интеграция API BERTScore в пайплайн

Теперь у нас есть «Эталон» (с чем сравнивать) и есть «Черновик» (что сравнивать). Соединяем!

def check_content_quality(draft_text, keyword):
"""
Главная функция нашего CI/CD конвейера
"""
# 1. Получаем "линейку"
gs_text = get_gold_standard(keyword)

# 2. Считаем метрику!
# "rescale_with_baseline=True" - делает скор более точным
(P, R, F1) = score(
[draft_text],
[gs_text],
lang="ru",
model_type="DeepPavlov/rubert-base-cased",
rescale_with_baseline=True
)

f1_score = F1.mean().item() # Получаем нашу цифру

# 3. Выносим вердикт
if f1_score > 0.8:
return (f1_score, "APPROVED")
elif f1_score > 0.6:
return (f1_score, "NEEDS_REVIEW")
else:
return (f1_score, "REJECTED")

# --- Тестируем наш конвейер ---
my_draft = "Наши юристы списали долги. Звоните!" # "Вода" из Части 1
keyword = "банкротство физлиц пошаговая инструкция"

score, verdict = check_content_quality(my_draft, keyword)

print(f"Результат: {score:.2f} | Вердикт: {verdict}")
# Вывод: Результат: 0.42 | Вердикт: REJECTED

Бинго! Наш автоматический «контролер» только что отклонил плохой текст, который наш копирайтер (или ИИ) пытался «пропихнуть» в публикацию. Мы построили систему!

Теперь мы можем подключить это к нашей CMS (WordPress, Tilda, 1C-Битрикс). Как только статья сохраняется в "Черновиках", этот скрипт запускается и пишет вердикт прямо в комментарии к посту. Мечта!

...И тут мы подходим к самой опасной части.

Масштабирование контент-аудита: риски слепого копирования «идеального» скора

Как только вы покажете этот дашборд клиенту, случится неизбежное. Он увидит вердикт «NEEDS_REVIEW (0.78)» и скажет: «Плохо! Я плачу вам за 1.0! Сделайте мне 1.0!». [Изображение графика, показывающего падение качества при приближении к 100% копированию]

Это — смертельная ловушка. И вы, как мастер, должны объяснить, почему гнаться за 1.0 — это путь к катастрофе.

Шаг 4. Для Профи: Читаем между строк (P, R и Альтернативы)

Если вы освоили все выше, вот вишенка на торте. BERTScore выдает не одну цифру F1, а три: Precision (P), Recall (R) и F1. F1 — это их среднее. Но P и R говорят нам о разном!

Таблица: Расшифровка P и R в BERTScore

Анализируя P и R, вы даете копирайтеру не просто «перепиши», а точное ТЗ: «У тебя низкий R — добавь блок про риски» или «У тебя низкий P — убери "воду" из вступления».

Альтернативы и Каннибализация

• MoverScore: Более «умный» брат BERTScore. Он лучше понимает далекие семантические связи. Но он медленнее и сложнее в настройке. Для 95% задач BERTScore достаточно.
• Проверка на каннибализацию: Запустите BERTScore, сравнивая свои статьи друг с другом! Если две статьи на вашем сайте («банкротство физлиц» и «списание долгов») имеют F1-Score 0.9+, вы — каннибал. Поисковик не знает, какую из них ранжировать. Решение: Объединить их в одну мощную статью.

Финал: Навигатор, а не Автопилот

Вот и все. Мы прошли весь путь.

1. В Части 1 мы научились видеть семантику с помощью BERTScore.
2. В Части 2 мы научились чинить ее, тестируя гипотезы.
3. В Части 3 мы научились масштабировать этот процесс, построив конвейер.

BERTScore — это не «волшебная кнопка», которая напишет за вас текст. Это навигатор. Он не крутит руль, он просто подсвечивает на карте «семантические дыры» и «переспамленные» зоны.

Он снимает с вас 80% рутинной работы по аудиту, чтобы вы могли потратить 100% своего мозга на то, что ИИ (пока) не может: творчество, уникальный опыт (E-E-A-T) и эмпатию к пользователю.

Используйте его как навигатор, а не как автопилот. И вы доедете до топа.