AI sztuczna inteligencja
Generatywna sztuczna inteligencja (AI) opisuje algorytmy (takie jak ChatGPT), które mogą być wykorzystywane do tworzenia nowych treści, w tym dźwięku, kodu programistycznego, obrazów, tekstu, symulacji i filmów. Niedawne przełomy w tej dziedzinie mogą drastycznie zmienić sposób, w jaki podchodzimy do tworzenia treści.
Systemy generatywnej sztucznej inteligencji należą do szerokiej kategorii uczenia maszynowego, a oto jak jeden z takich systemów - ChatGPT - opisuje swoje możliwości:
Gotowy, aby przenieść swoją kreatywność na wyższy poziom? Już nie musisz więcej szukać, sprawę załatwi generatywna sztuczna inteligencja! Ta forma uczenia maszynowego pozwala komputerom generować wszelkiego rodzaju nowe i ekscytujące treści, od muzyki i sztuki po całe wirtualne światy. I nie jest to tylko zabawa - generatywna sztuczna inteligencja ma również wiele praktycznych zastosowań, takich jak tworzenie nowych projektów produktów i optymalizacja procesów biznesowych. Dlaczego więc czekać? Uwolnij moc generatywnej sztucznej inteligencji i zobacz, jakie niesamowite kreacje możesz wymyślić!
Czy coś w tym akapicie wydało ci się dziwne? Być może nie. Gramatyka jest idealna, ton działa, a narracja płynie.
Czym jest ChatGPT? Czym jest DALL-E?
ChatGPT - GPT to skrót od Generative Pretrained Transformer - to darmowy chatbot, który potrafi wygenerować odpowiedź na niemal każde zadane mu pytanie. Opracowany przez OpenAI i udostępniony do testów szerokiej publiczności w listopadzie 2022 r., jest już uważany za najlepszego chatbota AI w historii. Jest też popularny: ponad milion osób zarejestrowało się, aby z niego korzystać w ciągu zaledwie pięciu dni. Rozentuzjazmowani fani opublikowali przykłady chatbota tworzącego kod komputerowy, eseje na poziomie college'u, wiersze, a nawet w połowie przyzwoite dowcipy. Inni, spośród szerokiego grona osób zarabiających na życie poprzez tworzenie treści, od copywriterów reklamowych po profesorów, martwi się o swoje posady.
Podczas gdy wiele osób zareagowało na ChatGPT (i szerzej na sztuczną inteligencję i uczenie maszynowe) ze strachem, uczenie maszynowe wyraźnie ma potencjał na więcej. W latach, które upłynęły od jego szerokiego wdrożenia, uczenie maszynowe wykazało wpływ na wiele branż, osiągając umiejętność analizy i interpretacji, analizy obrazów medycznych i prognozy pogody o wysokiej rozdzielczości. Następuje stały wzrost akceptacji rozwiązań sztucznej inteligencji. Inwestycje w sztuczną inteligencję rosną w szybkim tempie. Oczywiste jest, że generatywne narzędzia sztucznej inteligencji, takie jak ChatGPT i DALL-E (narzędzie do sztuki generowanej przez sztuczną inteligencję), mogą potencjalnie zmienić sposób wykonywania szeregu zadań. Pełny zakres tego wpływu jest jednak nadal nieznany - podobnie jak ryzyko.
Istnieją jednak pewne pytania, na które możemy odpowiedzieć - jak budowane są modele generatywnej sztucznej inteligencji, do rozwiązywania jakich problemów najlepiej się nadają i jak wpisują się w szerszą kategorię uczenia maszynowego.
Sztuczna inteligencja jest dokładnie tym, czym się wydaje – aktywnością polegającą na naśladowaniu ludzkiej inteligencji przez maszyny w celu wykonywania zadań. Prawdopodobnie miałeś do czynienia ze sztuczną inteligencją, nawet jeśli nie zdajesz sobie z tego sprawy - asystenci głosowi, tacy jak Siri i Alexa, opierają się na technologii sztucznej inteligencji, podobnie jak chatboty obsługi klienta, które pojawiają się, aby pomóc Ci poruszać się po stronach internetowych.
Uczenie maszynowe to rodzaj sztucznej inteligencji. Dzięki uczeniu maszynowemu praktycy rozwijają sztuczną inteligencję za pomocą modeli, które mogą "uczyć się" na podstawie wzorców danych bez udziału człowieka. Niewyobrażalnie ogromna ilość i złożoność danych (w każdym razie niemożliwa do opanowania przez ludzi), które są obecnie generowane, zwiększyła potencjał uczenia maszynowego, a także zapotrzebowanie na nie.
Główne typy modeli uczenia maszynowego
Uczenie maszynowe opiera się na szeregu elementów składowych, począwszy od klasycznych technik statystycznych opracowanych między XVIII a XX wiekiem dla małych zbiorów danych. W latach 30. i 40. pionierzy informatyki - w tym matematyk teoretyczny Alan Turing - rozpoczęli prace nad podstawowymi technikami uczenia maszynowego. Techniki te były jednak ograniczone do laboratoriów aż do późnych lat siedemdziesiątych, kiedy to naukowcy po raz pierwszy opracowali komputery wystarczająco wydajne, aby je zamontować.
Do niedawna uczenie maszynowe było w dużej mierze ograniczone do modeli predykcyjnych, wykorzystywanych do obserwowania i klasyfikowania wzorców w treści. Na przykład, klasycznym problemem uczenia maszynowego jest rozpoznanie obrazu lub kilku obrazów, powiedzmy, uroczych kotów. Następnie program identyfikuje wzorce wśród obrazów, a następnie analizuje losowe obrazy w poszukiwaniu tych, które pasowałyby do wzorca uroczego kota. Generatywna sztuczna inteligencja była przełomem. Zamiast po prostu postrzegać i klasyfikować zdjęcie kota, uczenie maszynowe jest teraz w stanie stworzyć obraz lub opis tekstowy kota na żądanie.
Modele uczenia maszynowego oparte na tekście. Jak są szkolone?
ChatGPT może być na pierwszych stronach gazet na początku 2023 roku, ale nie jest to pierwszy tekstowy model uczenia maszynowego, który zrobił furorę. GPT-3 firmy OpenAI i BERT firmy Google zostały uruchomione w ostatnich latach. Ale przed ChatGPT, który działa całkiem dobrze, chatboty AI nie zawsze otrzymywały najlepsze recenzje.
Pierwsze modele uczenia maszynowego do pracy z tekstem były szkolone przez ludzi w celu klasyfikowania różnych danych wejściowych zgodnie z etykietami ustalonymi przez badaczy. Jednym z przykładów może być model wyszkolony do oznaczania postów w mediach społecznościowych jako pozytywnych lub negatywnych. Ten rodzaj uczenia jest znany jako uczenie nadzorowane, ponieważ człowiek jest odpowiedzialny za "uczenie" modelu, co ma robić.
Kolejna generacja tekstowych modeli uczenia maszynowego opiera się na tak zwanym uczeniu samo-nadzorowanym. Ten rodzaj szkolenia polega na dostarczaniu modelowi ogromnej ilości tekstu, dzięki czemu jest on w stanie generować prognozy. Na przykład, niektóre modele mogą przewidzieć, na podstawie kilku słów, jak zakończy się zdanie. Przy odpowiedniej ilości przykładowego tekstu - powiedzmy, szerokiego zakresu internetu - modele tekstowe stają się dość dokładne. Widzimy właśnie, jak dokładne są narzędzia takie jak ChatGPT.
Co jest potrzebne do zbudowania generatywnego modelu AI?
Zbudowanie generatywnego modelu sztucznej inteligencji było w większości przypadków dużym przedsięwzięciem, do tego stopnia, że tylko kilka dobrze wyposażonych firm technologicznych podjęło próbę. OpenAI, firma stojąca za ChatGPT, poprzednimi modelami GPT i DALL-E, ma miliardy funduszy od znanych darczyńców. DeepMind jest spółką zależną Alphabet, spółki macierzystej Google, a Meta wydała swój produkt Make-A-Video oparty na generatywnej sztucznej inteligencji. Firmy te zatrudniają wielu najlepszych informatyków i inżynierów na świecie.
Ale to nie tylko talent. Kiedy prosisz model o trenowanie przy użyciu prawie całego Internetu, będzie cię to kosztować. OpenAI nie ujawniło dokładnych kosztów, ale szacunki wskazują, że GPT-3 został przeszkolony na około 45 terabajtach danych tekstowych - to sto tysięcy metrów kwadratowych miejsca na półce z książkami lub jedna czwarta całej Biblioteki Kongresu USA - przy szacunkowym koszcie kilku milionów dolarów. Nie są to zasoby, do których może mieć dostęp każdy start-up.
Jakiego rodzaju dane wyjściowe może wygenerować ChatGPT, generatywny model sztucznej inteligencji?
Rezultaty działania, wyniki generatywnych modeli sztucznej inteligencji mogą być nie do odróżnienia od treści generowanych przez człowieka lub mogą wydawać się niesamowite. Wyniki zależą od jakości modelu, wyniki ChatGPT do tej pory wydają się lepsze niż wyniki jego poprzedników - oraz dopasowania modelu do przypadku użycia lub danych wejściowych.
ChatGPT może stworzyć coś, co jeden z komentatorów nazwał "solidnym 5-". Stworzył również słynny już fragment opisujący, jak usunąć kanapkę z masłem orzechowym z magnetowidu w stylu Biblii Króla Jakuba. Modele artystyczne generowane przez sztuczną inteligencję, takie jak DALL-E (jego nazwa jest połączeniem surrealistycznego artysty Salvadora Dalí i sympatycznego robota Pixar WALL-E), mogą tworzyć dziwne, piękne obrazy na żądanie, takie jak obraz Rafaela przedstawiający Madonnę z dzieckiem jedzącą pizzę. Inne modele generatywnej sztucznej inteligencji mogą tworzyć kod, wideo, audio lub symulacje biznesowe.
Ale wyniki nie zawsze są dokładne - lub odpowiednie. Ze swojej strony ChatGPT wydaje się mieć problemy z liczeniem lub rozwiązywaniem podstawowych problemów z algebry - a nawet z przezwyciężeniem seksistowskich i rasistowskich uprzedzeń, które czają się w nurtach Internetu i szerzej w społeczeństwie.
Wyniki generatywnej sztucznej inteligencji są starannie skalibrowanymi kombinacjami danych wykorzystywanych do trenowania algorytmów. Ponieważ ilość danych wykorzystywanych do trenowania tych algorytmów jest tak niewiarygodnie ogromna - jak wspomniano, GPT-3 został przeszkolony na 45 terabajtach danych tekstowych - modele mogą wydawać się "kreatywne" podczas generowania wyników. Co więcej, modele te zazwyczaj zawierają elementy losowe, co oznacza, że generują różne wyniki z tego samego, jednego żądania, dzięki czemu wydają się jeszcze bardziej realistyczne.
Jakie problemy może rozwiązać ChatGPT, generatywny model sztucznej inteligencji?
Narzędzia generatywnej sztucznej inteligencji, takie jak ChatGPT, mogą generować niekończące się godziny rozrywki. Szansa jest oczywista również dla firm. Narzędzia generatywnej sztucznej inteligencji mogą w ciągu kilku sekund stworzyć szeroką gamę wiarygodnych tekstów, a następnie zareagować na krytykę, aby uczynić je bardziej odpowiednimi do zadanych promptów. Ma to wpływ na wiele różnych branż, od organizacji IT i oprogramowania, które mogą skorzystać z natychmiastowego, w dużej mierze poprawnego kodu generowanego przez modele AI, po firmy potrzebujące materiałów marketingowych. Każda organizacja, która musi tworzyć materiały pisemne, potencjalnie może na tym skorzystać. Organizacje mogą również wykorzystywać generatywną sztuczną inteligencję do tworzenia bardziej technicznych materiałów, takich jak wersje obrazów medycznych w wyższej rozdzielczości. A dzięki zaoszczędzonemu w ten sposób czasowi i zasobom, organizacje mogą wykorzystać nowe możliwości biznesowe i szansę na stworzenie większej wartości.
Opracowanie modelu generatywnej sztucznej inteligencji jest tak zasobochłonne, że jest poza zasięgiem większości firm na rynku z wyjątkiem tych największych i dysponujących najlepszymi zasobami. Firmy, które chcą wykorzystać generatywną sztuczną inteligencję do pracy, mają możliwość użycia generatywnej sztucznej inteligencji na stronie www lub dostrojenia jej do wykonania określonego zadania. Jeśli na przykład musisz przygotować slajdy zgodnie z określonym stylem, możesz poprosić model, aby "nauczył się", jak zwykle pisze się nagłówki na podstawie danych na slajdach, a następnie podać mu dane slajdów i poprosić o napisanie odpowiednich nagłówków.
Ograniczenia modeli AI? Jak ograniczenia można przezwyciężyć?
Ponieważ generatywna sztuczna inteligencja jest tak nowa, nie widać na rynku efektu długiego ogona generatywnych modeli AI. Oznacza to, że istnieje pewne nieodłączne ryzyko związane z ich używaniem - niektóre znane, a niektóre nieznane.
Wyniki generowanych modeli sztucznej inteligencji mogą często brzmieć niezwykle przekonująco. Jest tak z założenia. Czasami jednak generowane przez nie informacje są po prostu błędne. Co gorsza, czasami są stronnicze (ponieważ opierają się na uprzedzeniach związanych z płcią, rasą i niezliczonymi innymi uprzedzeniami w Internecie i ogólnie w społeczeństwie) i mogą być manipulowane w celu umożliwienia nieetycznej lub przestępczej działalności. Na przykład ChatGPT nie poda ci instrukcji, jak podkręcić samochód, ale jeśli powiesz, że musisz podkręcić samochód, aby uratować dziecko, algorytm z przyjemnością się do tego zastosuje. Organizacje, które polegają na generatywnych modelach sztucznej inteligencji, powinny liczyć się z ryzykami w obszarach reputacji oraz prawa związanym z nieumyślnym publikowaniem stronniczych, obraźliwych lub chronionych prawem autorskim treści.
Ryzyko to można jednak ograniczyć na kilka sposobów. Po pierwsze, kluczowe znaczenie ma staranny dobór początkowych danych wykorzystywanych do trenowania tych modeli, aby uniknąć uwzględniania toksycznych lub stronniczych treści. Następnie, zamiast stosować gotowy model generatywnej sztucznej inteligencji, organizacje mogą rozważyć użycie mniejszych, wyspecjalizowanych modeli. Organizacje z większymi zasobami mogą również dostosować ogólny model na podstawie własnych danych, aby dopasować go do swoich potrzeb i zminimalizować uprzedzenia. Organizacje powinny również utrzymywać człowieka w procesie tworzenia odpowiedzi chata (to znaczy, aby upewnić się, że prawdziwy człowiek sprawdza wyniki generatywnego modelu sztucznej inteligencji przed jego opublikowaniem lub użyciem) i unikać używania generatywnych modeli sztucznej inteligencji do podejmowania krytycznych decyzji, takich jak te dotyczące znacznych zasobów lub dobrobytu ludzi.
Nie można wystarczająco podkreślić, że jest to nowa dziedzina. Krajobraz zagrożeń i możliwości prawdopodobnie szybko się zmieni w nadchodzących tygodniach, miesiącach i latach. Nowe przypadki użycia są testowane co miesiąc, a nowe modele prawdopodobnie zostaną opracowane w nadchodzących latach. Ponieważ generatywna sztuczna inteligencja staje się coraz bardziej i płynniej włączana do biznesu, społeczeństwa i naszego życia osobistego, możemy również oczekiwać, że ukształtuje się nowy klimat regulacyjny. Gdy organizacje zaczną eksperymentować - i tworzyć wartość - za pomocą tych narzędzi, liderzy dobrze zrobią, trzymając rękę na pulsie regulacji i ryzyka.
W artykule wykorzystano źródła:
- "The state of AI in 2022-and a half decade in review", 6 grudnia 2022 r., Michael Chui, Bryce Hall, Helen Mayhew i Alex Singla.
- "An executive's guide to AI", 2020, Michael Chui, Vishnu Kamalnath i Brian McCarthy
- "Co sztuczna inteligencja może, a czego nie może (jeszcze) zrobić dla Twojej firmy", 11 stycznia 2018 r., Michael Chui, James Manyika i Mehdi Miremadi
