Generative AI: Це не все ChatGPT
З появою таких інструментів, як Midjourney і ChatGPT, генеративний штучний інтелект став популярним у всьому світі і швидко набирає обертів. Спершу завдяки дослідженню молодим поколінням можливостей використання в таких сферах, як мистецтво та створення контенту, громадський інтерес переріс у медійний шум. Оскільки до 2030 року ринок генеративного штучного інтелекту, за оцінками, досягне понад 109 мільярдів доларів США, розмови про цю технологію швидко зосередилися на більш широкому застосуванні — і про те, як контент, створений за допомогою інструментів на основі штучного інтелекту, може створювати проблеми, які раніше не розглядалися.
Хоча більшість ІТ-лідерів сходяться на думці, що штучний інтелект (ШІ) глобально змінює правила, деякі побоюються, що генеративний ШІ та інструменти машинного навчання можуть відкрити скриньку Пандори, особливо щодо представлення письмового вмісту або інформації, яка обходить стандартні процеси перевірки для публікація.
Занепокоєння, зосереджене на можливому зловживанні генеративними інструментами для виробництва псевдонаукової інформації, «інформативного» контенту, що звучить фактично (але помилково), тощо, не безпідставні. Однак існує важлива різниця між інформацією, представленою такими інструментами, як ChatGPT, і інструментами, призначеними для більш конкретних випадків використання чи галузей.
Візьмемо, наприклад, генеративний ШІ для цілей проектування. За останні кілька років технології штучного інтелекту та машинного навчання знайшли практичне застосування в дизайні продуктів, архітектурі та інженерії (A&E) і промисловій автоматизації. Успішно включений у такі інструменти, як платформа Autodesk Fusion 360, генеративний штучний інтелект миттєво революціонізував сам процес проектування, уможлививши ітераційне цифрове моделювання, яке відкриває безпрецедентні інновації.
Те, що відрізняє цінні машинно-генеровані результати від несуттєвих (і часто відверто невірних) результатів таких інструментів, як ChatGPT, полягає в простоті — наборах даних, на які вони спираються. Це може допомогти думати про ці набори даних як про величезні бібліотеки. ChatGPT, наприклад, відповідає на навчальний запит, посилаючись на величезну мовну бібліотеку, набір даних текстового та письмового вмісту, еквівалентний рокам історичного Інтернет-контенту. Але в цьому випадку більше не означає краще; потрібно лише прочитати одну-дві гілки Twitter, щоб зрозуміти, що більшість загальнодоступного контенту не обов’язково має високу якість — не кажучи вже про правдивий факт. За відомою фразою комп’ютерників у всьому світі, сміття всередину дорівнює сміття назовні.
Навпаки, інструменти генеративного штучного інтелекту та машинного навчання, навчені на базах даних високо перевіреної інформації, специфічної для їхніх унікальних цілей, дадуть якісні результати, відповідні їх використанню. Щоб продовжити аналогію з бібліотекою, уявіть старшокласника, якому доручено відповісти на складне інженерне запитання. У першому випадку студент отримує доступ до бібліотеки, що містить вміст соціальних мереж за десять років, а в другому випадку – доступ до бібліотеки інженерного факультету свого університету. Маючи доступ до високоякісного набору даних, навіть посередній студент, швидше за все, дасть якісну відповідь.
Розуміння цієї концепції є ключовим при оцінці цінності генеративного ШІ та машинного навчання для конкретних випадків використання. Галузі, які можуть отримати найбільшу вигоду від використання генеративних технологій, це ті, у яких доступ до спеціалізованих даних перетинається зі складними потребами. Швидке впровадження в такі вертикалі, як A&E, промисловий дизайн і розробка продуктів, уже довело, що це правда, і ці галузі вже пожинають плоди інновацій і розробок, керованих ШІ.
Галузі, які все ще можуть отримати значну вигоду від еволюції генеративного ШІ, включають будівництво, медицину та наукові дослідження. У медичних і наукових галузях інструменти, керовані ШІ, навряд чи отримають швидке впровадження. Незважаючи на широку доступність високоякісних даних у цих сферах, занепокоєння, пов’язані з конфіденційністю пацієнтів, кібербезпекою та практичним регулюванням і наглядом за розгортанням, ймовірно, на деякий час гальмуватимуть темпи розгортання в лікарнях і дослідницьких установах.
Навпаки, будівельна галузь може мати проблеми з оцифруванням своїх даних, але загалом буде більш сприйнятливою до швидкого впровадження генеративного штучного інтелекту (і до реалізації його потенціалу для трансформації всієї галузі). Фізичні складності та критичні взаємозалежності планування та послідовності будівництва створюють унікальні виклики для оптимізації, але ці виклики легко подолати за допомогою інструментів на основі ШІ, що підживлюються кваліфікованими наборами даних, і безпосередні переваги незаперечні.
Запровадження цих технологій у секторах будівництва та розвитку залежить від оцифровки та параметризації величезних обсягів даних, що стосуються антропогенного середовища. На початковій стадії введення деталей проекту вручну є реальністю для більшості розробників. Тим не менш, інструменти для оптимізації будівництва на основі штучного інтелекту вже відкривають шляхи до швидшого, безпечнішого та стійкішого будівництва. У міру розвитку цих приватних баз знань і наборів даних розвиватиметься і світ будівництва, яким ми його знаємо, оскільки будівельники та розробники матимуть доступ до мудрості всіх раніше виконаних проектів, щоб безперешкодно (і миттєво) оптимізувати поточні та майбутні починання.
Коротше кажучи, генеративний штучний інтелект відкриває нові та захоплюючі шляхи до інновацій — у багатьох галузях промисловості. Ухилятися від її використання на основі прикладів помилок ChatGPT означає просто неправильно розуміти основну технологію, а також захоплюючий потенціал використання цієї технології за умови розумного використання.
