Генеративный ИИ: это еще не все ChatGPT
С появлением таких инструментов, как Midjourney и ChatGPT, генеративный ИИ стал известен во всем мире и быстро набирает обороты. Сначала благодаря исследованию молодым поколением возможностей использования в таких областях, как искусство и создание контента, общественный интерес перерос в шумиху в СМИ. Поскольку рынок генеративного ИИ, по оценкам, к 2030 году достигнет более 109 миллиардов долларов, разговоры об этой технологии быстро сместились, чтобы сосредоточиться на более широком применении — и на том, как контент, созданный инструментами на основе ИИ, может создавать ранее не рассматриваемые проблемы.
Хотя большинство ИТ-руководителей согласны с тем, что искусственный интеллект (ИИ) меняет правила игры в глобальном масштабе, некоторые опасаются, что генеративный ИИ и инструменты машинного обучения могут открыть ящик Пандоры, особенно в отношении представления письменного контента или информации в обход стандартных процессов проверки для публикация.
Обеспокоенность, связанная с потенциальным злоупотреблением генеративными инструментами для производства псевдонаучной информации, основанного на фактах (но ошибочного) «информативного» контента и т. д., небезосновательна. Однако существует важное различие, которое необходимо проводить между информацией, предоставляемой такими инструментами, как ChatGPT, и инструментами, разработанными для более конкретных случаев использования или отраслей.
Возьмем, к примеру, генеративный ИИ для целей дизайна. За последние несколько лет технологии искусственного интеллекта и машинного обучения нашли практическое применение в дизайне продуктов, архитектуре и проектировании (A&E) и промышленной автоматизации. Генеративный ИИ, успешно интегрированный в такие инструменты, как платформа Autodesk Fusion 360, незаметно произвел революцию в самом процессе проектирования, сделав возможным итеративное цифровое моделирование, открывающее доступ к беспрецедентным инновациям.
Что отличает ценные машинные результаты от несодержательных (и часто откровенно неверных) результатов таких инструментов, как ChatGPT, так это просто — наборы данных, на которые они опираются. Может быть полезно думать об этих наборах данных как об огромных библиотеках. ChatGPT, например, отвечает на учебный запрос, ссылаясь на огромную языковую библиотеку, набор данных текста и письменного контента, эквивалентный годам исторического интернет-контента. Но больше в данном случае не значит лучше; достаточно прочитать одну или две темы в Твиттере, чтобы понять, что большая часть общедоступного контента не обязательно высокого качества, не говоря уже о фактической верности. По известной формулировке ученых-компьютерщиков всего мира, мусор на входе равен мусору на выходе.
Напротив, инструменты генеративного ИИ и машинного обучения, обученные на наборах данных тщательно проверенной информации, соответствующей их уникальным целям, будут давать качественные результаты, соответствующие их использованию. Продолжая аналогию с библиотекой, представьте себе старшеклассника, которому поручили ответить на каверзный инженерный вопрос. В первом случае студенту предоставляется доступ к библиотеке, содержащей десятилетний контент социальных сетей, а во втором случае — доступ к библиотеке инженерного факультета их университета. Имея доступ к высококачественному набору данных, даже посредственный студент с большей вероятностью даст качественный ответ.
Понимание этой концепции является ключевым при оценке ценности генеративного ИИ и машинного обучения для конкретных случаев использования. Отрасли, которые могут извлечь наибольшую выгоду из использования генеративных технологий, — это те, в которых доступ к специализированным данным пересекается со сложными потребностями. Быстрое внедрение в такие вертикали, как A&E, промышленный дизайн и разработка продуктов, уже доказало, что это правда, и эти отрасли уже пожинают плоды инноваций и разработок, основанных на ИИ.
Отрасли, которые все еще могут извлечь большую выгоду из эволюции генеративного ИИ, включают строительство, медицину и научные исследования. В медицинской и научной областях инструменты на основе ИИ вряд ли получат быстрое распространение. Несмотря на широкую доступность высококачественных данных в этих областях, проблемы, связанные с конфиденциальностью пациентов, кибербезопасностью и практическим регулированием и надзором за развертыванием, вероятно, будут ограничивать темпы развертывания в больницах и исследовательских центрах в течение довольно долгого времени.
Напротив, строительная отрасль может столкнуться с трудностями при оцифровке своих данных, но в целом более восприимчива к быстрому внедрению генеративного ИИ (и к реализации его потенциала для общеотраслевой трансформации). Физические сложности и критические взаимозависимости планирования и последовательности строительства создают уникальные проблемы для оптимизации, но эти проблемы легко преодолеваются с помощью инструментов на основе ИИ, подпитываемых квалифицированными наборами данных, и непосредственные преимущества неоспоримы.
Внедрение этих технологий в секторах строительства и девелопмента зависит от оцифровки и параметризации огромных объемов данных, относящихся к искусственной среде. На начальной стадии ручной ввод сведений о проекте является текущей реальностью для большинства разработчиков. Тем не менее, инструменты оптимизации строительства на основе ИИ уже открывают пути к более быстрому, безопасному и экологичному строительству. По мере развития этих частных баз знаний и наборов данных будет развиваться и мир строительства, каким мы его знаем, поскольку строители и разработчики смогут получить доступ к мудрости всех ранее выполненных проектов, чтобы беспрепятственно (и мгновенно) оптимизировать текущие и будущие усилия.
Короче говоря, генеративный ИИ открывает новые и захватывающие пути к инновациям во многих секторах и областях промышленности. Уклоняться от его использования, основываясь на примерах того, что ChatGPT пошло не так, означает просто неправильно понимать технологию в ее основе, а также захватывающий потенциал использования этой технологии при разумном использовании.
