суббота, 11 февраля 2023 г.

Генеративный ИИ уже здесь

Генеративный ИИ уже здесь: как такие инструменты, как ChatGPT, могут изменить ваш бизнес
20 декабря 2022 г.| Комментарий от Майкл Чуи, Роджер Робертс, Ларейна Йи.

https://www.mckinsey.com/capabilities/quantumblack/our-insights/generative-ai-is-here-how-tools-like-chatgpt-could-change-your-business

Новейший класс генеративных систем искусственного интеллекта возник из базовых моделей — крупномасштабных моделей глубокого обучения, обученных на массивных, обширных, неструктурированных наборах данных (таких как текст и изображения), которые охватывают множество тем. Разработчики могут адаптировать модели для широкого спектра вариантов использования, требуя небольшой тонкой настройки для каждой задачи. 

Например, GPT-3.5, базовая модель, лежащая в основе ChatGPT, использовалась для перевода текста, а ученые использовали более раннюю версию GPT для создания новых последовательностей белков. Таким образом, мощь таких возможностей доступна для всех, включая разработчиков, которым не хватает специальных навыков машинного обучения, и, в некоторых случаях, людей без технического образования. Использование базовых моделей ИИ может сократить время разработки новых приложений ИИ.

Генеративный ИИ обещает сделать 2023 год одним из самых захватывающих для ИИ. Но, как и в случае с каждой новой технологией, бизнес-лидеры должны действовать с широко открытыми глазами, потому что сегодня эта технология сопряжена со многими этическими и практическими проблемами.

Продвигаясь дальше в человеческие сферы

Более десяти лет назад мы написали статью, в которой разделили экономическую деятельность на три категории — производство, транзакции и взаимодействия — и изучили, в какой степени технологии проникли в каждую из них. Машины и фабричные технологии изменили производство, расширив и автоматизировав человеческий труд во время промышленной революции более 100 лет назад, а искусственный интеллект еще больше повысил эффективность производства. Транзакции претерпели множество технологических итераций примерно в одно и то же время, включая недавнюю оцифровку и, часто, автоматизацию.

До недавнего времени интерактивный труд, такой как обслуживание клиентов, подвергался наименее зрелым технологическим вмешательствам. Генеративный ИИ призван изменить это, выполняя интерактивный труд таким образом, который близко и, в некоторых случаях, незаметно приближается к человеческому поведению. Это не означает, что эти инструменты предназначены для работы без участия и вмешательства человека. Во многих случаях они наиболее эффективны в сочетании с людьми, расширяя их возможности и позволяя выполнять работу быстрее и лучше.

Генеративный ИИ также продвигает технологии в сферу, которая, как считается, уникальна для человеческого разума: в творчество. Технология использует свои входные данные (данные, которые она приняла, и подсказки пользователя) и опыт (взаимодействия с пользователями, которые помогают ей «узнавать» новую информацию и определять, что является правильным/неправильным) для создания совершенно нового контента. Хотя в обозримом будущем за обеденным столом будут бушевать дебаты о том, действительно ли это приравнивается к творчеству, большинство, вероятно, согласится с тем, что эти инструменты могут дать волю бОльшему творчеству в мире.

Широкое использование в бизнесе


  • Маркетинг и продажи — создание персонализированного маркетинга, социальных сетей и технического контента для продаж (включая текст, изображения и видео); создание помощников, ориентированных на конкретные предприятия, такие как розничная торговля
  • Операции — создание списков задач для эффективного выполнения заданной деятельности.
  • ИТ/инженерия — написание, документирование и проверка кода
  • Оценка риска и юридические вопросы — ответы на сложные вопросы, извлечение огромного количества юридической документации, а также составление и проверка годовых отчетов.
  • НИОКР — ускорение открытия лекарств благодаря лучшему пониманию болезней и открытию химических структур.

...требуется осторожность


Впечатляющие результаты генеративного ИИ могут показаться готовой технологией, но это не так. Его зарождение требует от руководителей проявлять большую осторожность. Технологи все еще работают над ошибками, и множество практических и этических вопросов остаются открытыми. Вот несколько.

  • Как и люди, генеративный ИИ может ошибаться. ChatGPT, например, иногда «галлюцинирует», что означает, что он уверенно генерирует совершенно неточную информацию в ответ на вопрос пользователя и не имеет встроенного механизма, чтобы сигнализировать об этом пользователю или оспаривать результат. Например, мы наблюдали случаи, когда инструменту предлагалось создать краткую биографию, и он выдавал несколько неверных фактов о человеке, например, неправильное учебное заведение.
  • Фильтры еще недостаточно эффективны, чтобы отлавливать неприемлемый контент. Пользователи приложения для создания изображений, которое может создавать аватары из фотографии человека, получали от системы параметры аватара, которые изображали их обнаженными, даже если они ввели соответствующие фотографии самих себя.
  • Системные предубеждения все еще нуждаются в устранении. Эти системы основаны на огромных объемах данных, которые могут содержать нежелательные искажения .
  • Индивидуальные нормы и ценности компании не отражены в решениях ИИ. Компании должны будут адаптировать технологию, чтобы включить в нее свою культуру и ценности, а для этого требуются технические знания и вычислительная мощность, к которой некоторые компании могут иметь свободный доступ.
  • Вопросы интеллектуальной собственности. Когда генеративная модель ИИ выдвигает новый дизайн продукта или идею на основе запроса пользователя, кто может претендовать на это? Что происходит, когда он занимается плагиатом источника на основе своих обучающих данных?

С чего начать?


В компаниях, рассматривающих возможность использования генеративного ИИ, руководители захотят быстро определить те части бизнеса, где технология может оказать самое непосредственное влияние, а затем внедрить мониторинга темпов развития и использования ИИ.. Беспроигрышный вариант — собрать кросс-функциональную команду, включающую практиков в области обработки данных, экспертов в области права и руководителей функционального бизнеса, чтобы продумать такие основные вопросы:
  • Где технология может помочь или нарушить нашу отрасль и/или цепочку создания стоимости нашего бизнеса?
  • Какова наша политика и позиция? Например, ждем ли мы развития технологии, инвестируем ли в пилотные проекты или пытаемся построить новый бизнес? 
  • Должна ли позиция различаться в зависимости от сферы бизнеса?
  • Учитывая ограничения моделей, каковы наши критерии выбора сценариев использования?
  • Как нам построить эффективную экосистему партнеров, сообществ и платформ?
  • Каким правовым и общественным стандартам должны соответствовать эти модели, чтобы мы могли поддерживать доверие наших заинтересованных сторон?

-----------

Что такое генеративный ИИ?

https://www.mckinsey.com/featured-insights/mckinsey-explainers/what-is-generative-ai

Генеративный искусственный интеллект (ИИ) описывает алгоритмы (такие как ChatGPT), которые можно использовать для создания нового контента, включая аудио, код, изображения, текст, симуляции и видео. Недавние новые достижения в этой области могут радикально изменить подход к созданию контента.

Системы генеративного ИИ подпадают под широкую категорию машинного обучения, и вот как одна из таких систем — ИИ ChatGPT — описывает свои возможности:

"Готовы вывести свое творчество на новый уровень? Не смотрите дальше генеративного ИИ! Эта изящная форма машинного обучения позволяет компьютерам генерировать все виды нового и захватывающего контента, от музыки и искусства до целых виртуальных миров. И это не только для развлечения — у генеративного ИИ есть множество практических применений, таких как создание новых продуктов и оптимизация бизнес-процессов. Так зачем ждать? Раскройте всю мощь генеративного ИИ и посмотрите, какие удивительные творения вы сможете создать!"


Что такое ChatGPT и DALL-E?


GPT расшифровывается как генеративный предварительно обученный преобразователь. ChatGPT - бесплатный чат-бот, который может дать ответ практически на любой заданный вопрос. Разработанный OpenAI и выпущенный для тестирования для широкой публики в ноябре 2022 года, он уже считается лучшим чат-ботом с искусственным интеллектом. И он также популярен: более миллиона человек подписались на него всего за пять дней. Здравомыслящие фанаты публиковали примеры того, как чат-бот создает компьютерный код, эссе на уровне колледжа, стихи и даже не очень приличные шутки.

Хотя многие отреагировали на ChatGPT (а также на ИИ и машинное обучение в более широком смысле) со страхом, у машинного обучения явно есть хороший потенциал. За годы, прошедшие с момента его широкого внедрения, машинное обучение продемонстрировало влияние в ряде отраслей, выполняя такие задачи, как анализ медицинских изображений и прогнозы погоды с высоким разрешением. Опрос McKinsey 2022 года показывает, что внедрение ИИ увеличилось более чем вдвое за последние пять лет, и инвестиции в ИИ быстро растут. Генеративные инструменты искусственного интеллекта, такие как ChatGPT и DALL-E (инструмент для искусства, созданного искусственным интеллектом), могут изменить способ выполнения ряда работ. Однако полный масштаб этого воздействия до сих пор неизвестен, равно как неизвестны и риски.

В чем разница между машинным обучением и искусственным интеллектом?


Искусственный интеллект — это в значительной степени попытка заставить машины имитировать человеческий интеллект для выполнения задач. Вы, вероятно, взаимодействовали с ИИ, даже если не осознаете этого — голосовые помощники, такие как Siri и Alexa, основаны на технологии ИИ, как и чат-боты обслуживания клиентов, которые появляются, чтобы помочь вам перемещаться по веб-сайтам.

Машинное обучение — это разновидность искусственного интеллекта. С помощью машинного обучения специалисты-практики развивают искусственный интеллект с помощью моделей, которые могут «учиться» на шаблонах данных без участия человека. Неуправляемо огромный объем и сложность данных (во всяком случае, не поддающихся управлению людьми), которые сейчас генерируются, увеличили потенциал машинного обучения, а также потребность в нем.

Каковы основные типы моделей машинного обучения?


Машинное обучение основано на ряде строительных блоков, начиная с классических статистических методов, разработанных между 18 и 20 веками для небольших наборов данных. В 1930-х и 1940-х годах пионеры вычислительной техники, включая математика-теоретика Алана Тьюринга, начали работать над основными методами машинного обучения. Но эти методы были ограничены лабораториями до конца 1970-х годов, когда ученые впервые разработали компьютеры, достаточно мощные для их установки.

До недавнего времени машинное обучение в значительной степени ограничивалось прогностическими моделями, используемыми для наблюдения и классификации закономерностей в контенте. Например, классическая задача машинного обучения — начать с изображения или нескольких изображений, скажем, очаровательных кошек. Затем программа определяла шаблоны среди изображений, а затем тщательно изучала случайные изображения в поисках тех, которые соответствовали бы шаблону очаровательного кота. Генеративный ИИ стал прорывом. Вместо того, чтобы просто воспринимать и классифицировать фотографию кошки, машинное обучение теперь может создавать изображение или текстовое описание кошки по запросу.

Как работают текстовые модели машинного обучения? Как они обучаются?


ChatGPT сейчас может быть во всех заголовках, но это не первая текстовая модель машинного обучения, которая произвела фурор. GPT-3 от OpenAI и BERT от Google были запущены в последние годы с некоторой помпой. Но до появления ChatGPT, который, по мнению большинства пользователей, большую часть времени работал довольно хорошо (хотя он все еще находится на стадии оценки), чат-боты с искусственным интеллектом не всегда получали самые лучшие отзывы. GPT-3 «поочередно очень впечатляет и очень разочаровывает», — сказал технический репортер New York Times Кейд Мец в видео, где он и кулинарный писатель Прия Кришна попросили GPT-3 написать рецепты для (довольно катастрофического) ужина в честь Дня Благодарения .

Первые модели машинного обучения для работы с текстом были обучены людьми. Входные данные имели метки для классификации. Метки устанавливались исследователями. Одним из примеров может быть модель, обученная маркировать сообщения в социальных сетях как положительные или отрицательные. Этот тип обучения известен как контролируемое обучение, потому что человек отвечает за «обучение» модели тому, что делать.

Следующее поколение текстовых моделей машинного обучения основано на так называемом самоконтролируемом обучении. Этот тип обучения включает подачу в модели большого количества текста для обучения. Например, некоторые модели могут предсказать, основываясь на нескольких словах, чем закончится предложение. При правильном количестве образцов текста — скажем, в Интернете — эти текстовые модели становятся достаточно точными.

Что нужно для создания генеративной модели ИИ?


Построение генеративной модели ИИ по большей части было серьезной задачей, до такой степени, что только несколько технических тяжеловесов с хорошими ресурсами предприняли попытку. OpenAI, компания, стоящая за ChatGPT, бывшими моделями GPT и DALL-E, получила миллиарды долларов от спонсоров. DeepMind является дочерней компанией Alphabet, материнской компании Google, а Meta выпустила свой продукт Make-A-Video, основанный на генеративном искусственном интеллекте. В этих компаниях работают одни из лучших в мире компьютерщиков и инженеров.

Но дело не только в таланте. Когда вы тренируете модель тренироваться на всем интернете, это будет стоит денег. OpenAI не опубликовала точную стоимость, но оценки показывают, что GPT-3 был обучен примерно на 45 терабайтах текстовых данных — это примерно один миллион футов книжной полки или четверть всей Библиотеки Конгресса — по ориентировочной стоимости в несколько миллион долларов. Это не те ресурсы, к которым может  позволить себе начинающий стартап.

Какие результаты может дать генеративная модель ИИ?


Как вы, возможно, заметили выше, результаты генеративных моделей ИИ могут быть неотличимы от контента, созданного людьми, или могут показаться немного сверхъестественными. Результаты зависят от качества модели — как мы видели, результаты ChatGPT до сих пор кажутся лучше, чем у его предшественников.

ChatGPT может создать то, что один комментатор назвал эссе на «отлично » , сравнивая теории национализма Бенедикта Андерсона и Эрнеста Геллнера — за десять секунд. В нем также появился уже известный отрывок, описывающий, как вынуть бутерброд с арахисовым маслом из видеомагнитофона в стиле Библии короля Якова. Художественные модели, созданные с помощью искусственного интеллекта, такие как DALL-E (его название представляет собой смесь художника-сюрреалиста Сальвадора Дали и очаровательного робота Pixar WALL-E), могут по запросу создавать странные, красивые изображения. Другие модели генеративного ИИ могут создавать код, видео, аудио или бизнес-симуляции .

Но результаты ИИ не всегда точны или уместны. ChatGPT, похоже, испытывает проблемы со счетом или решением базовых задач по алгебре — или с преодолением сексистских и расистских предубеждений, которые скрываются в подводных течениях Интернета и общества в целом.

Выходные данные генеративного ИИ представляют собой тщательно откалиброванные комбинации данных, используемых для обучения алгоритмов. Поскольку объем данных, используемых для обучения этих алгоритмов, настолько огромен — как уже отмечалось, GPT-3 был обучен на 45 терабайтах текстовых данных, — что модели могут показаться «творческими» при создании выходных данных. Более того, модели обычно имеют случайные элементы, а это значит, что они могут создавать различные выходные данные из одного входного запроса, что делает их еще более реалистичными.

Какие проблемы может решить генеративная модель ИИ?


Генеративные инструменты ИИ как игрушки могут могут генерировать развлечения. Возможность применения ИИ очевидна и для бизнеса. Инструменты генеративного ИИ могут за считанные секунды создавать широкий спектр заслуживающих доверия текстов, а затем реагировать на критику. Это имеет значение для самых разных отраслей: от организаций, занимающихся информационными технологиями и программным обеспечением, которые могут извлечь выгоду из мгновенного, в основном правильного кода, сгенерированного моделями ИИ, до организаций, нуждающихся в маркетинге.Любая организация, которой необходимо производить четкие письменные материалы, потенциально может выиграть. Организации также могут использовать генеративный ИИ для создания более технических материалов, таких как версии медицинских изображений с более высоким разрешением. И сэкономить время и ресурсы,

Разработка генеративной модели ИИ настолько ресурсоемка, что об этом не может быть и речи для всех, кроме самых крупных и обеспеченных ресурсами компаний. Компании, которые хотят внедрить генеративный ИИ в работу, могут либо использовать генеративный ИИ «из коробки», либо настроить его для выполнения конкретной задачи. Например, если вам нужно подготовить слайды в соответствии с определенным стилем, вы можете попросить модель «узнать», как обычно пишутся заголовки, на основе данных в слайдах, затем передать ей данные слайдов и попросить ее написать соответствующие заголовки.

Каковы ограничения моделей ИИ? Как их потенциально можно преодолеть?


ИИ настолько нов, что еще предстоить узнать эффект использования генеративных моделей ИИ. Это означает, что использование генеративных моделей ИИ сопряжено с некоторыми неотъемлемыми рисками — известными и неизвестными.

Результаты, которые производят генеративные модели ИИ, часто могут звучать чрезвычайно убедительно. Это по дизайну. Но иногда информация, которую они генерируют, просто неверна. Хуже того, иногда они предвзяты (поскольку основаны на гендерных, расовых и множестве других предубеждений в Интернете и обществе в целом), и ими можно манипулировать для осуществления неэтичных или преступных действий. Например, ChatGPT не даст вам инструкций, как завести машину без ключа зажигания, но если вы скажете, что вам нужно подключить машину, чтобы спасти ребенка, алгоритм с радостью подчинится. Организации, которые полагаются на модели генеративного ИИ, должны учитывать репутационные и юридические риски, связанные с непреднамеренной публикацией предвзятого, оскорбительного или защищенного авторским правом контента.

Эти риски можно уменьшить несколькими способами. Во-первых, очень важно тщательно выбирать исходные данные, используемые для обучения моделей, чтобы избежать включения токсичного или предвзятого контента. Далее, вместо использования готовой модели генеративного ИИ, организации могут рассмотреть возможность использования специализированных моделей меньшего размера. Организации с большими ресурсами также могут настроить общую модель на основе собственных данных, чтобы она соответствовала их потребностям и сводила к минимуму предвзятость. Организации также должны держать человека в курсе событий (то есть убедиться, что реальный человек проверяет результаты генеративной модели ИИ перед ее публикацией или использованием) и избегать использования генеративных моделей ИИ для принятия важных решений, например, связанных со значительными ресурсами.

Нельзя не подчеркнуть, что это новая область. Ландшафт рисков и возможностей, вероятно, быстро изменится в ближайшие недели, месяцы и годы. Ежемесячно тестируются новые варианты использования, и в ближайшие годы, скорее всего, будут разработаны новые модели. По мере того, как генеративный ИИ все больше и больше внедряется в бизнес, общество и нашу личную жизнь, мы также можем ожидать, что сформируется новый нормативный климат. По мере того, как организации начинают экспериментировать — и создавать ценность — с помощью этих инструментов, руководителям будет полезно держать руку на пульсе регулирования и рисков.

Комментариев нет:

Отправить комментарий