Друзья, мы с командой AllSee запускаем захватывающий марафон индустрий с искусственным интеллектом #ИИмарафон. Вас ждут уникальные решения и мировые истории успеха, которые изменят взгляд на будущее самых перспективных ИИ-индустрий!
Красивая картинка, чтобы вы не скучали
И начнем с ритейла!
Применение ИИ в ритейле выходит за рамки автоматизации и становится ключом к персонализированному опыту и оптимизации бизнес-процессов.
Возможности ритейла с ИИ
Удержание и лояльность: Продвинутые рекомендательные модели позволяют захватить внимание клиента на высококонкурентном рынке за счет более релевантной выкладки товара
Контроль качества: Компьютерное зрение помогает в реальном времени контролировать работу сотрудников, а также следить за наличием брака в новых поступлениях товаров
Скорость обслуживания: Благодаря автоматизации с помощью умных ассистентов, получится быстрее обслуживать клиентов, что удешевляет трудозатраты и снижает отток в пиковые часы
Важные требования
Масштабируемость: Для крупных компаний важным фактором внедрения ИИ в ритейле является масштабируемость на все бизнес-юниты: категории товаров, точки продаж и сегменты потребителей
Гибкость: Решения на основе ИИ должны уметь подстраиваться под возникающие потребности конкретных потребителей, а также под сезонность и новые модные тренды
Интеграция: При внедрении ИИ нужно учитывать уже имеющуюся IT-инфраструктуру компании для обеспечения быстрой и автономной работы внедряемых ИИ моделей
Технологические тренды:
В 2024 году мы станем свидетелями того, как ритейл по всему миру будет внедрять NLP-технологии для создания интуитивно понятных и вовлекающих голосовых интерфейсов. Этот переход позволит покупателям легко ориентироваться в каталогах товаров, оформлять заказы и получать рекомендации, используя только свой голос.
Реальные примеры:
Следующие 5 компаний уже внедрили инновационные технологии в ритейле и трансформируют опыт покупателей:
Amazon: Автоматизированные магазины с бескассовым обслуживанием
Кажется Amazon лидирует, а как вы думаете?
Walmart: Динамическая настройка цен и акций в реальном времени
Неплохо, но могло быть и лучше?
H&M: Прогнозирование спроса и оптимизация расположения магазинов
Где спрос — там предложение, ребята молодцы!
Sephora: Виртуальная примерка косметики с использованием алгоритмов компьютерного зрения
А когда сделаете что-то для мужской половины населения, Sephora?
Lowe's: Робот-помощник в магазине с использованием машинного обучения
Это как робот пылесос, но еще и пожелает доброго утра!
Следите за нашим марафоном ИИ-индустрий. За 10 недель мы рассказываем о 10 возможностях ИИ для бизнеса и корпораций. Следующая неделя — ИИ в маркетплейсах!
Привет, поклонники ИИ! Сегодня мы погрузимся в тайны мышления GPT-4, чтобы понять, как именно эта мощная модель ИИ выбирает и формирует свои ответы.
GPT-4, самая последняя и продвинутая модель от OpenAI, работает на удивительно сложном и изощренном алгоритме. Как же она "думает" и принимает решения о том, что ответить на поставленный вопрос.
1. Анализ Запроса:
Каждый раз, когда к GPT-4 поступает запрос, модель начинает с его тщательного анализа. Она раскладывает вопрос на составные части, определяя ключевые слова и контекст.
2. Поиск Паттернов:
GPT-4 использует обширную базу данных текстов, на которой она была обучена, для поиска паттернов и схожих запросов. Это помогает ей понять, в каком направлении двигаться для формирования ответа.
3. Генерация Кандидатов Ответов:
Затем модель генерирует несколько потенциальных ответов, основываясь на найденных паттернах. Она оценивает каждый из них на предмет релевантности и точности.
4. Выбор Лучшего Ответа:
Из сгенерированных вариантов GPT-4 выбирает самый подходящий ответ. Выбор основывается на сложном алгоритме, который учитывает не только точность информации, но и ее естественность, логичность и соответствие запросу.
5. Оптимизация и Обучение:
GPT-4 постоянно обучается, анализируя реакции пользователей на свои ответы. Это позволяет модели со временем становиться все более точной и эффективной в своих ответах.
🎓 Заключение:
Процесс "мышления" GPT-4 – это удивительное сочетание технической сложности и почти художественного мастерства. Каждый ответ модели – это результат глубокого анализа и высокой адаптивности к поставленным задачам.
🔥 Присоединяйтесь к нам, чтобы исследовать еще больше удивительных аспектов мира ИИ и нейросетей. С нами вы всегда будете на переднем крае технологических инноваций- https://t.me/NeuroNet_neuroseti
В условиях стремительного развития технологий все большую популярность набирают интеллектуальные помощники для автоматизации различных бизнес-процессов. Особенно это актуально для такой комплексной сферы как строительство.
Именно поэтому мы разработали персонального виртуального помощника "Строитель", ориентированного в первую очередь на заказчиков в сфере строительства. Цель проекта - предоставить максимально простой и удобный инструмент для решения широкого спектра задач на всех этапах строительства и ремонта.
Благодаря передовым алгоритмам искусственного интеллекта на основе нейронных сетей, наш чат-бот способен вести естественный диалог, понимать контекст и подбирать оптимальные варианты решений под индивидуальные потребности каждого пользователя. А богатая база знаний из справочников, статей и практических руководств помогает отвечать как опытный специалист.
Далее давайте разберем, какие именно возможности предоставляет наш виртуальный помощник на каждом этапе реализации строительного проекта.
Уточню основное предназначение и возможности нашего чат-бота "Строитель":
Цель системы - помочь заказчикам частного строительства оперативно находить необходимые материалы, технику и специалистов в своем регионе. Бот автоматически определяет местоположение пользователя и подбирает релевантные предложения от проверенных поставщиков с учетом этого фактора.
Например, на запрос "где купить кирпич в Москве" или "сдать в аренду экскаватор в Перми" чат-бот самостоятельно производит поиск по базам данных интернет-магазинов, сервисов аренды техники и т.д. и выдает актуальные варианты с ценами и контактами.
Помимо этого, благодаря расширенной базе знаний и дополнительному обучению на специализированных данных, он также может выступать в качестве консультанта - отвечать на вопросы о выборе стройматериалов, технологиях возведения и отделки зданий. Например, помочь определиться с оптимальным типом фундамента в конкретных геологических условиях или подобрать варианты отделки фасада под бюджет заказчика.
В случаях, если в собственной базе данных отсутствует готовый ответ, система умеет самостоятельно искать необходимую информацию в поисковых системах и проверенных информационных источниках.
Таким образом чат-бот сочетает в себе функции поисковика, справочной системы и консультанта-эксперта в одном лице - это оптимальный помощник для решения широкого спектра задач в сфере частного строительства.
Была проведена тщательная предобработка данных и обучение нейросетевой модели для создания чат-бота в роли строителя. Модель обучалась на реальных диалогах и текстах из этой предметной области, чтобы уметь максимально естественно поддерживать беседу.
Для улучшения пользовательского опыта были добавлены возможности задавать уточняющие вопросы, если ответ показался непонятным. Также реализованы подсказки по запросу для более точного формулирования вопроса.
Чтобы отвечать как настоящий эксперт, модель получила доступ к актуальным статьям, справочникам и другим информационным источникам в этой сфере. При необходимости она сама ищет дополнительные сведения через поисковые системы и предоставляет релевантные ссылки (например, guides по возведению разных типов построек).
Интегрирована карта 2Гис для определения местоположения пользователя. Это позволяет давать персонализированные рекомендации по приобретению строительных материалов, техники и инструментов в зависимости от региона.
Также реализован функционал автоматического поиска товаров в крупных онлайн-магазинах. Например, при запросе на конкретный инструмент чат-бот сам находит соответствующие предложения по оптимальной цене на Авто.ру, Дроме и других площадках.
Весь функционал выстроен на основе обученной нейросетевой модели, без использования заранее заготовленных шаблонных ответов. Это позволяет обеспечить максимально естественный и гибкий диалог при минимальных затратах на поддержку.
Помимо всех перечисленных функций, есть возможность дополнить функционал:
Возможность загрузки фото/скетчей от пользователя с последующим интеллектуальным анализом и выдачей персонализированных рекомендаций на основе этого (например, консультации по дизайну/планировке).
Поддержка аудио/видео вопросов для более естественного общения. Модель распознает речь и генерирует ответы устно.
Интеграция с AR для визуализации различных вариантов строительных решений применительно к конкретному участку/помещению.
Возможность совместного 3D проектирования с пошаговыми инструкциями и списками необходимых ресурсов.
Подбор и заказ стройматериалов, услуг и техники напрямую через партнеров, без перехода на сторонние сайты.
Контроль хода строительства и бюджета с помощью мобильного приложения, синхронизированного с виртуальным помощником.
Это позволит сделать решение еще более полезным, удобным и привлекательным для конечного потребителя.
С 2016 года в реестр отечественного ПО было включено более 19 000 программных продуктов от более чем 7000 правообладателей. Однако эксперты сходятся во мнении, что стек решений перекрывает потребности импортозамещения исключительно формально. В реестре представлены однотипные продукты, многие из которых не имеют истории внедрения и основаны на одних и тех же решениях с открытым исходным кодом. В то время как отрасль нуждается в узкоотраслевых программах, совместимых с отечественным аппаратным обеспечением.
Своим мнением по теме поделился Денис Тюрин, руководитель подразделения по разработке системного и встраиваемого ПО в Ауриге: “Недостает узкоспециализированных решений и компонентов. Например, существует множество настольных и серверных дистрибутивов Linux, но отсутствуют встроенные операционные системы или операционные системы реального времени (RTOS), специализированные и сертифицированные для медицинских устройств, автомобильной промышленности и авиации”.
Открываем секреты создания высококачественного контента без дополнительных расходов на монтажеров, дизайнеров и помощников. Узнайте, как современные технологии помогают сделать процесс проще и экономичнее. Присоединяйтесь к нам в этом путешествии по миру инноваций в контент-создании!
Генеративные нейросети любят ловить глюки и выдавать всякую чушь. Причем так массово, что Кембриджский словарь признал «галлюцинировать» главным словом 2023 года. В чем причина этой проблемы? Является ли генеративный ИИ интеллектом? И что общего у ChatGPT и копировального аппарата Xerox? Разбираемся, попутно разрушая мифы про этот наш вездесущий искусственный интеллект.
"ChatGPT заменит поисковики", - говорили они.
Небольшое вступление или "в чем суть проблемы?"
Авторитетный Кебриджский словарь признал словом года «галлюцинировать» (hallucinate). Причем не в вакууме, а применительно к генеративному ИИ. Глюки ИИ — это когда ChatGPT выдает косяки в фактологии, из‑за которых пользователи теряют всякую веру его результатам (и срочно бегут все перепроверять в Гугле). Но не стоит злиться на генеративный ИИ за подобные выкрутасы, ведь дело в самой логике его работы. Ее мы сегодня и разберем с помощью парочки метких аналогий.
Год назад Google впервые представил миру своего чат‑бота Bard. Сейчас он вполне неплохо работает (хотя и уступает первопроходцу), но на той презентации умудрился выдать базу‑основу. Он заявил, что «Джеймс Уэбб» был первым космическим телескопом, сделавшим снимки планет за пределами Солнечной системы. Это была ошибка — первые снимки этих самых планет сделал другой телескоп еще за 17 лет до появления на свет «Джеймса Уэбба». Неточность Барда быстро заметили, в результате чего у Google даже просела стоимость акций.
ИИ чат‑боты регулярно выдают неточности и искажения. Чаще всего они незначительны и касаются отдельных деталей. Однако даже наличие небольших косяков сильно снижает полезность генеративного ИИ на практике. Ведь если вы знаете, что ошибки в целом возможны и даже регулярны, то не можете полностью довериться этому инструменту.
Сферические глюки ИИ в вакууме. Да-да, ChatGPT, конечно же это мероприятие или концерт. День хлопка на плантации отмечают, не иначе. А впрочем, не каждый человек справился бы лучше.
Но не спешите обвинять бездушную машину в злом умысле. У нее нет цели подставить кожаных или намеренно ввести в заблуждение.
Причина в другом. Дело в том, что генеративный ИИ по принципам своего устройства больше напоминает архиватор (т. е. программу для сжатия файлов), нежели полноценное сознание. Именно поэтому эксперты в ИИ зачастую недовольно фыркают, когда генеративные нейросети называют звучным словом «интеллект». А еще это отлично объясняет, почему ChatGPT очень вряд ли превратится в злой скайнет (но это не точно).
Итак, давайте разбираться. В этом нам поможет классная статья издания The New Yorker за авторством Теда Чана, из которой я с большой благодарностью буду заимствовать ключевые тезисы. Подкрепляя их иллюстрациями, дабы нагляднее было.
Хитрый Xerox и внимательные немецкие архитекторы
Осмыслять проблему удобнее чуть издалека, с интересной аналогии.
В 2013 году копировальный аппатар Xerox в офисе одной немецкой строительной фирмы начал творить очень странные дела. Ребята делали копию проекта дома с тремя комнатами и заметили очень любопытное расхождение:
На оригинальной схеме три команты имели разную площадь — 14.13, 21.11 и 17.42 метра. То есть, на чертеже в центре каждой комнаты стояла разная циферка, обозначающая площадь.
Xerox же выдал копию, где на всех трех комнатах стояла одинаковая цифра — 14.13 (как площадь первой комнаты).
Компания прифигела от такого контринтуитивного глюка копировальной техники и обратилась к специалисту по обработке данных Давиду Крайзелю.
Вы, возможно, спросите: «Аффтар, а почему они обратились к человеку такой специальности, а не к эксперту в копировальном деле?». Дело в том, что современные ксероксы используют не классический процесс ксерографии (это когда изображения передаются с оригинала на копию через прохождение лучей через специальный барабан — в общем, аналоговая классика), а цифровое сканирование.
А когда речь заходит о каких‑то манипуляциях с изображениями (да и файлами в целом) в цифровой среде, то мы почти наверняка столкнемся с процедурой сжатия объектов.
Процедура сжатия состоит из двух ключевых этапов. Первый — кодирование (encoding), в ходе которого изначальное изображение переводится в какой‑то более компактный формат. Второй — декодирование (decoding), т. е. обратное действие.
При этом сжатие бывает двух типов:
Сжатие без потерь (lossless) — это когда закодированные данные могут быть восстановлены с точностью до пикселя или бита. Если речь идет про изображения, то самый популярный формат сжатия без потерь — это PNG.
Сжатие с потерями (lossy) — здесь уже распакованные данные отличаются от исходных, но степень отличия столь незначительно и минорна, что их без проблем можно дальше использовать. Яркий пример — JPEG.
Чоткие пацаны не забивают карту памяти своего Сименса пээнгэшками!
Сжатие без потерь обычно используется, скажем, для компьютерных программ. Потому что если потерять хотя бы один символ кода, то все поломается. А вот для изображений, аудио или видеофайлов часто предпочитают использовать сжатие с потерями. Ведь даже если отдельные пиксели картинки поедут или мелодия будет звучать чуть менее чисто, то человечьи органы осязания все равно не заметят подлога, так что пофиг.
Здесь и была зарыта собака в истории со ксероксом. Агрегат использовал lossy‑сжатие формата JBIG2, которое работает примерно так:
В целях экономии места или вычислительных мощностей (а может и того и другого, пойди разберись в этой офисной технике) машина ищет очень похожие области изображения и сохраняет для всех них одну копию, которую потом воспроизводит обратно при декодинге.
Проще говоря, конкретно в этом случае ксерокс почему‑то решил, что комнаты на чертеже так похожи друг на друга, что можно смело забивать на различия и считывать только одну из них — ту, которая площадью 14,13 кв метров. А потом везде нарисовать именно её. То ли потому что формат JBIG2 создан для работы с черно‑белыми офисными бумажками, а не с мелкими объектами чертежей, то ли просто у аппарата был дурной характер — история умалчивает. Но суть в том, что ксерокс решил забить на небольшие различия именно в том случае, где эти различия оказались очень даже критичными.
Вообще, сам факт того, что ксерокс использует сжатие с потерями — это не проблема. Проблема в том, что изображение деградирует очень незначительно, «на тоненького». Настолько чуть‑чуть, что с ходу фиг заметишь. Одно дело, если бы он просто блюррил упрощенные области картинки, но он их может просто вероломно заменить. А строительному бюро потом объясняй заказчику, почему в итоге все комнаты получились одинаковыми.
Идем дальше. Проблема сжатой Википедии
Запомним историю со Xerox и проведем один мысленный эксперимент (он нам нужен, чтобы подойти еще ближе к пониманию проблемы этих наших GPT).
Представьте, что завтра во всем мире отключат интернет. Вообще. Совсем. Не будет его больше. В связи с этим мы решаем по максимуму выгрузить все содержимое интернета к себе на частный сервер. Ну окей, пусть будет не весь интернет (это совсем тяжко), но хотя бы всю Википедию. Чтобы оставить великие знания потомкам.
Разумеется, место на сервера ограничено — вся Википедия туда не влезет. Допустим, места хватит на 1% от оригинального размера, т. е. сжать изначальный объем нужно в 100 раз. Следовательно, нужно прибегнуть к сжатию с потерями.
Печатать всю Википедию мы, пожалуй, не будем. Это too much даже для гипотетического мысленного эксперимента. Обойдемся цифровым форматом.
Итак, мы применяем сжатие с потерями. Алгоритм у нас мощный — он легко находит чрезвычайно тонкие статистические закономерности на совершенно разных страницах (иногда одинаковыми оказываются длинные фразы или целые предложения). Таким образом нам удается сжать Википедию примерно в 100 раз, что и требовалось в нашем мысленном эксперименте.
Теперь нам не так страшно потерять доступ к интернету, ведь у нас как минимум выкачана база знаний в виде Википедии (а значит, потомкам будет чуть проще делать выводы о предназначении предметов, найденных при раскопках через тысячи лет). Но есть нюанс:
Мы не сможем найти любую цитату слово в слово. Потому что из‑за сжатия с потерями наша Википедия сохранена не буквально, а приблизительно. Алгоритм оставил только то, что кровь из носу требуется, чтобы сохранить смысл всех сущностей. Остальное же было объединено и апроксимировано (т. е. передано приблизительно). А значит, чтобы достать информацию, нам нужно создать интерфейс, который умеет в ответ за запрос выдавать основной смысл.
Чувствуете, на этом моменте комнату начинает наполнять знакомый аромат генеративного ИИ?
GPT выдает точные ответы, но есть нюанс...
Да‑да, только что мы мысленно создали большую языковую модель (LLM), обученную на Википедии (в нашем конкретном случае).
ChatGPT — это заблюренный JPEG не только Википедии, но вообще всего интернета. Когда модель дообучают, этот JPEG еще лучше детализируется в отдельных уголках. Но суть все та же — LLM аккумулирует именно бОльшую часть интернета, но далеку не всю.
Следовательно, когда GPT отвечает за ваш запрос, он не может выдать точную последовательность символов. Он сделает приближение. Другое дело, что GPT отлично умеет превращать это приближение в связный и опрятный текст, который человеческий мозг не может сходу отличить от оригинального.
А как LLM воссоздает пробелы, которые отсутствуют в его сжатой версии интернета? Ответ — интерполяция. Не будем вдаваться в математические дебри этой штуки. Простыми словами — это оценка отсутствующего элемента путем анализа того, что находится с двух сторон от этого разрыва. Когда программа обработки изображений декодирует ранее сжатую фотографию и должна восстановить пиксель, потерянный в процессе сжатия, она просматривает близлежащие пиксели и, по сути, вычисляет среднее (генерирует его).
То же самое делает ChatGPT, только со словами и прочими текстовыми смысловыми сущностями. Секрет в том, что ChatGPT научился делать эту интерполяцию настолько мастерски, что люди не могут этого раскусить (и думают, что имеют дело с настоящим интеллектом).
По сути, генеративный ИИ выдумывает отсутствующие элементы на основе смежных. Фантазер этот GPT, получается.
Если теперь вы хотя бы иногда будете вспоминать эту картинку во время написания очередного промпта, то это значит, что я написал эту статью не напрасно :)
Описанная выше логика отлично объясняет «галлюцинации». Просто‑напросто даже самый большой мастер интерполяции иногда допускает ошибки. И совсем периодически эти ошибки замечают. Однако сам факт вероятности ошибок сильно снижает надежность инструмента. Ведь это значит, что в любой момент может вылезти значимый косяк. А это уже означает, что все результаты нужно сверять с оригинальным текстом (= лишние затраты ресурсов).
Получается, генеративный ИИ - это совсем не интеллект?
И да, и нет. Тут, как говорится, смотря как посмотреть.
Действительно, не стоит очеловечивать генеративный ИИ. То есть не нужно отождествлять его с человеческим интеллектом.
ChatGPT впитывает информацию с большими потерями, восстанавливая ее через интерполяцию. В результате он как будто пересказывает суть своими словами. Вероятно, здесь и кроется разгадка, почему люди так восхищаются генеративным ИИ.
Дело в том, что еще со школьных и универских скамей у людей сидит на подкорке убеждение (весьма резонное), что точное воспроизведение информации — удел зубрилок, которые «выучили, но не поняли», а по‑настоящему толковые ребята пересказывают все своими словами, сохраняя суть. Поэтому и ChatGPT нам кажется толковым парнем, который реально все понимает. На самом же деле он просто передает основной смысл, воссоздавая пропуски за счет усреднения.
Именно поэтому, кстати, GPT3 не очень хорошо справлялся с точными вычислениями больших чисел (допустим, выражение «2345 х 57789» в интернете встретишь не так уж часто), но при этом как Боженька писал всякие студенческие эссе. По мере перехода к GPT4 модель стала более продвинутой, в нее завезли больше закономерностей, поэтому она стала сносно щелкать любую арифметику.
Однако, есть и другая сторона медали. Она касается тех самых закономерностей, которых в GPT4 завезли больше. Смотрите:
Есть такая премия под названием «Приз Хаттера». Ее в 2006 г. учредил старший научный сотрудник DeepMind (это ИИ‑стартап, уже давно купленный Гуглом) Маркус Хаттер. Суть конкурса такая:
Есть текстовый файл на английском языке размером 1 Гб. Его требуется сжать без потерь. Каждый, кто сожмет на 1% от предыдущего лучшего результат, получит 5000 евро. Сейчас лучший результат 115 Мб.
На самом деле, это не просто конкурс по сжатию текста без потерь. Это важное упражнение, приближающее понимание сути настоящего ("взрослого") искусственного интеллекта. И вот этого товарища уже можно отождествлять с человеческим сознанием как минимум по одному признаку:
Чтобы наиболее эффективно сжимать текст без потерь, он должен уметь по-настоящему понимать этот текст и сопоставлять его содержание с реальными знаниями о мире.
Маркус Хаттер вскоре после запуска своего конкурса. Кстати, Лекс Фридман записывал с ним интервью еще три года назад. Рекомендую глянуть, если пропустили.
Например, вот есть у нас какая‑то статья в Википедии на тему физики. Допустим, некий текст, где фигурирует Второй закон Ньютона (Сила = Масса x Ускорение). Вероятно, самый простой способ сжать без потерь такую статью — это заложить в алгоритм сжатия базовый постулат, что «Сила = Масса x Ускорение». Тогда алгоритм может выкинуть повторящиеся куски статьи, вытекающие из логики этого закона, а потом легко их восстановить при надобности (потому что знает сам базовый принцип).
Аналогично и со статьей на некую экономическую тему. Наверняка там будет дофига выводов, основанных на законе спроса и предложения. А значит, если в принцип сжатия заложен этот закон, то можно выкинуть кучу «вторичной» информации.
ИИ работает так же. Чем больше первичных правил и законов он знает, тем меньше может париться с запоминанием вторичных выводов (ведь он может их легко восстановить — если и не дословно, то достаточно точно по смыслу).
При таком раскладе ИИ действительно становится интеллектом — в том плане, что делает частные выводы на основе общих знаний. По сути, старая добрая дедукция из детективных романов про Шерлока Холмса.
Всегда догадывался, что этот парень - искусственный интеллект.
Получается, что хотя ChatGPT все еще очень далек от настоящего интеллекта, он все сильнее стремится к таковому по мере наполнения своей базы знаний и лучшей адаптации к устройству нашего мира. Вот такой интересный процесс.
Получается, из-за глюков LLM-кам нельзя доверять так же, как поисковикам (как минимум пока они не усвоят все законы бытия)?
В целом, получается, что да. Пока что нельзя. Ведь:
Во‑первых, мы не знаем наверняка, скушала ли LLM откровенную пропаганду или какие‑нибудь антинаучные теории заговора. Если скушала, то она могла выстроить очень специфические логические связи. И если она будет заполнять пробелы в соответствии с ними, то результат может получиться очень веселым.
Во‑вторых, также нет гарантии, что ИИшный «JPEG» не заблюррил полностью ту информацию, которая нужна для отработки конретно нашего запроса.
Держа в голове эти два обстоятельства, можем сделать вывод — результаты нынешнего генеративного ИИ можно использовать как отправную точку для анализа, но не финальную истину (не стоит сразу же нести выводы от ИИ своему начальнику, ну вы поняли).
Также стоит разобраться — а хорошая ли это идея создавать контент с помощью ИИ?
Ну, если вы работает на объем, то наверно да. А если на качество и уникальность, то не уверен. Ведь даже если вы используете ИИ для получения некой первичной версии, то держите в уме, что холстом вашего великого произведения будет вторичный (изначально переработанный) продукт, где часть смыслов вообще фантазировалась через интерполяцию (иначе говоря — отправной точки ваших смыслов станет совсем уж откровенный полуфабрикат).
Так что, если вы хотите создавать уникальный контент — то, пожалуй, ИИ стоит использовать только для поиска информации, не более. Однако, если ваша задача переупаковать уже готовый контент — то почему бы нет? Особенно если вам нужно избавиться от оков авторских прав и копирайтов (рубрика «вредные советы»).
Выводы
Глюки ИИ — это норма. Иногда они кажутся нам смешными и чересчур упоротыми. Но объяснение лежит на поверхности.
По мере обрастания моделей закономерностями и знаниями о мире, глюков будет все меньше. Если, конечно, мир не будет усложняться с той же скоростью или быстрее.
Полезно учитывать эту особенность при использовании ИИ. Так будет меньше шансов серьезно опростоволоситься в кругу уважаемых людей или испортить качество выдаваемых смыслов.
Когда генеративный ИИ сможет стать Скайнетом? Учитывая вышысказанное, рискну предположить, что еще очень‑очень нескоро. Если вообще сможет.
После осмысления информации выше я теперь представляю Скайнет примерно так ("ути-пути какой хорошенький"). Надеюсь, меня за такое не прикончат первым...
Большая часть этой статьи — художественный перевод вот этой статьи. Очень‑очень вольный перевод — считайте, что я интерполировал кое‑какие смыслы, чтобы воспринимать их было проще и веселее. Статья вышла в феврале 2023, т. е. еще до релиза GPT4, но логику передает верно. Рекомендую прочитать оригинал, там еще больше примеров и иллюстраций (но предупреждаю — понадобится неплохой английский и ясное сознание).
Также рекомендую заглянуть на мой тг‑канал Дизраптор. Там я простым человечьим языком и с максимальной наглядностью пишу про разные интересные штуки из мира технологий, инноваций и бизнеса. В том числе про этот наш ИИ, но не только про него.