Владимир Мишин – Искусственный интеллект для всех (страница 2)

Согласно недавнему исследованию, проведенному Goldman Sachs, использование генеративного ИИ может способствовать росту мировой экономики примерно на 7%, что составляет почти 7 триллионов долларов. Исследование также показало, что генеративный ИИ может ускорить рост производительности на 1,5% за десять лет.

Генеративный ИИ стимулирует креативность и улучшает взаимодействие с клиентами в различных секторах. В маркетинге он помогает компаниям создавать персонализированную рекламу, email-кампании или публикации в социальных сетях, основанные на индивидуальных предпочтениях и поведении. В творческих областях генеративный ИИ может создавать уникальный цифровой арт, музыку и видеоконтент для рекламных и маркетинговых кампаний, а также создавать саундтреки к фильмам и видеоиграм.

Разработка продуктов – ещё одна область, где генеративный ИИ оказывает влияние. Анализируя тенденции и отзывы потребителей, он может помочь генерировать идеи и даже оптимизировать существующие проекты для повышения производительности и экономической эффективности.

Генеративный ИИ меняет отрасли, стимулирует инновации и повышает эффективность. В области здравоохранения и прецизионной медицины генеративный ИИ может помогать врачам, предоставляя индивидуальное лечение. Он также может моделировать операции и создавать медицинские изображения, чтобы помочь врачам в разработке методов лечения.

В играх генеративный ИИ может создавать интерактивные игровые миры, генерируя новые уровни, персонажей и объекты, которые адаптируются к поведению игрока. В сфере моды генеративный ИИ может разрабатывать и создавать виртуальные примерочные для клиентов и рекомендовать персонализированные варианты одежды на основе их поведения и предпочтений.

В сфере образования генеративный ИИ может создавать индивидуализированные учебные материалы и интерактивные учебные среды, которые подстраиваются под стиль и темп обучения студентов.

Генеративный ИИ сейчас в моде. Но мне часто задают вопрос: чем генеративный ИИ отличается от ИИ, который мы использовали 5, 10, 20, а может быть, даже 30 лет назад? Чтобы понять это, давайте взглянем на ИИ таким, каким он был до, и на генеративный ИИ.

Обычно, ИИ работал так: вы начинали с репозитория, и репозиторий – это просто место, где вы храните всю свою информацию. Это могут быть данные и таблицы, строки и столбцы, это могут быть изображения, это могут быть документы. Это может быть что угодно.

Вторая часть – это то, что мы называем аналитической платформой. В мире IBM примером аналитической платформы является SPSS Modeler или Watson Studio.

Третий компонент – это прикладной уровень. Допустим, вы телекоммуникационная компания. У вас есть вся информация о клиентах в репозитории. И допустим, вы хотите узнать, какие клиенты, скорее всего, откажутся от услуг, поэтому вы берёте эту информацию из репозитория и переносите её на аналитическую платформу. Внутри аналитической платформы вы строите модели. В данном случае, для прогноза тех, кто скорее всего, не откажется от услуг или откажется от них. Затем, построив эти модели, вы помещаете их в приложение. Именно в приложении вы пытаетесь предотвратить отмену услуг.

Например, если кто-то вероятно отменит подписку, вы можете связаться с ним и попытаться убедить его не делать этого или предложить ему какие-то преимущества, чтобы он остался вашим клиентом.

Но само по себе я бы не назвал это ИИ. Это скорее предиктивная аналитика или предиктивная модель. Чтобы создать такой ИИ, вам нужно обеспечить обратную связь. Обратная связь позволяет автоматизировать процесс. Например, вы телекоммуникационная компания, и у вас есть информация о ваших клиентах, и вы выясняете, кто отменит подписку. Вы предпринимаете действия через приложение, чтобы удержать их от отмены. Но ваши модели здесь иногда верны, иногда нет. Цикл обратной связи позволяет вам извлекать уроки из этого опыта.

Если есть ситуации, когда вы предсказывали, что кто-то отменит подписку, а он не отменил, возможно, вы можете углубиться в эту тему и улучшить свои модели, чтобы не совершать ту же ошибку во второй раз.

Вы хотите, чтобы ваш ИИ учился на своих предыдущих ошибках, а также на своих предыдущих успехах, и цикл обратной связи позволяет вам это делать.

Но с появлением генеративного ИИ вся эта парадигма изменилась. Вся фундаментальная архитектура и то, как мы работаем, теперь другие. С генеративным ИИ вы начинаете с данных, не из вашей организации, не из хранилища внутри стен вашей компании, а начинаете с данных со всей Земли. Возможно, не с Земли. Но вы начинаете с огромного количества информации. Информации обо всем. Эта информация затем используется большими языковыми моделями.

И эти большие языковые модели очень мощные. Они очень большие, и они, честно говоря, замечательны. Но часто у них нет конкретики, которая нужна вам, чтобы направлять вас в вашем бизнесе. Например, большая языковая модель может знать, в общем, почему люди отменяют определенную услугу, если вы телекоммуникационная компания, но у нее не будет нюансов и особенностей, почему ваши конкретные клиенты отменяют подписку. Вот когда вы используете то, что называется подсказками и настройкой. Уровень подсказок и настройки – это то, где вы берёте большие языковые модели, которые являются очень общими моделями, и адаптируете их к вашему варианту использования.

Возвращаясь к нашей телекоммуникационной компании, которая пытается справиться с оттоком клиентов, у них есть эта модель, построенная не только на оттоке клиентов, но и на огромных объёмах информации, содержащей в себе всё. Затем вы используете уровень подсказок и настройки, чтобы попытаться точно настроить эти модели, чтобы они соответствовали вашей организации.

И наконец, у вас есть прикладной уровень, как и в традиционном ИИ. Приложение, опять же, – это то, куда вы берёте ИИ, чтобы он использовался для выполнения своей конкретной задачи. Кроме того, как и в традиционном ИИ, у вас также есть цикл обратной связи. Но цикл обратной связи обычно просто возвращается к части подсказок и настройки, поскольку они обычно находятся за пределами вашей организации.

Вот и всё. Вот почему ИИ отличается, потому что фундаментальная архитектура отличается, и в первую очередь это связано с размером и количеством, как поступающих данных, так и создаваемых моделей. Эти модели в этих данных слишком велики для любой организации, чтобы хранить их в хранилище. Вот почему нам нужна принципиально иная архитектура.

Вы когда-нибудь задумывались, как ваша лента в социальных сетях подстраивается под ваши предпочтения? Или как интернет-магазин узнает, какие товары вам понравятся? Или, что ещё интереснее, вы когда-нибудь задумывались об автоматической регулировке температуры и освещения в вашем доме? Добро пожаловать в мир ИИ, где алгоритмы ИИ персонализируют ваш цифровой опыт или изучают ваши привычки и предпочтения, чтобы обеспечить «умный дом».

В отчёте, опубликованном на statista.com, предполагается, что за последние пять лет количество цифровых голосовых помощников, используемых в устройствах по всему миру для повседневных задач, резко возросло с 4,2 млрд до 8,4 млрд устройств. ИИ повсюду. Будь то предоставление персонализированного опыта, оптимизация задач за счет эффективности и автоматизации, повышение доступности, повышение удобства повседневной жизни. Повышение безопасности, оптимизация навигационных маршрутов или улучшение работы медицинских учреждений, ИИ обеспечивает множество преимуществ в повседневной жизни.

Давайте рассмотрим несколько таких примеров. ИИ делает нашу жизнь эффективной и удобной, автоматизируя повторяющиеся задачи и процессы, экономя время и усилия в повседневной жизни. Виртуальные помощники, такие как Siri, Google Assistant и Alexa, используют алгоритмы ИИ для интерпретации и выполнения голосовых инструкций и помощи в выполнении задач. Например, планирование напоминаний, ответы на запросы, предоставление прогнозов погоды и управление устройствами умного дома. Кроме того, в вашей системе умного дома ИИ позволяет таким устройствам, как термостаты, светильники и камеры видеонаблюдения, понимать привычки и предпочтения пользователей с течением времени. Это позволяет автоматизировать такие задачи, как регулировка температуры, управление освещением и уведомления о тревогах системы безопасности, повышая удобство и энергоэффективность.

ИИ использует систему рекомендаций для анализа огромных объемов данных и предоставления персонализированных рекомендаций в таких областях, как развлечения, социальные сети и онлайн-шопинг. Вы когда-нибудь пользовались стриминговыми платформами, такими как Netflix, Amazon Prime или Spotify, для просмотра фильмов, подкастов или музыки? Все эти платформы предлагают персонализированные предложения, основанные на истории просмотра и предпочтениях пользователя.

Аналогичным образом, платформы социальных сетей персонализируют контент на основе интересов пользователя и его прошлых взаимодействий. Платформы электронной коммерции используют алгоритмы ИИ для предоставления персонализированных рекомендаций по товарам на основе истории просмотров и поведения пользователя.