Если бы вы описали свои симптомы как руководитель бизнеса, а я ввел их в ChatGPT, ожидали бы вы, что я сгенерирую и назначу вам план лечения без предварительной консультации с врачом?
Что если бы я предложил вам сделку: лучшие дата-сайентисты мира присоединятся к вашей организации, но все ваши бизнес-эксперты должны уйти к конкуренту, оставив вас с данными, но без экспертов для их интерпретации?
В современном мире, управляемом ИИ, много обсуждается о возможностях, рисках и лучших практиках интеграции генеративного ИИ, особенно языковых моделей, таких как GPT-4 или Bard. Ежедневно мы видим анонсы новых моделей с открытым исходным кодом, прорывов в исследованиях и запусков продуктов.
Среди этого стремительного развития акцент смещается на возможности языковых моделей. Однако язык эффективен только в сочетании с знаниями и пониманием. Например, если кто-то запомнит все слова, связанные с химией, но не будет иметь базового понимания, эта запомненная речь останется неэффективной.
Правильный рецепт
Языковые модели могут вводить в заблуждение, так как способны генерировать контент без истинного понимания. Если, к примеру, их попросят создать новый рецепт, они могут проанализировать предыдущие рецепты на наличие корреляций, но не обладают своим кулинарным опытом. Это может привести к необычным комбинациям, таким как смешивание оливкового масла, кетчупа и персиков — маловероятным из-за их отсутствия в предыдущих данных, а не потому, что модель обладает кулинарной экспертизой.
Таким образом, хорошо составленный рецепт от языковой модели статистически выводится благодаря вводу от кулинарных экспертов. Ключ к эффективным языковым моделям заключается в интеграции экспертизы.
Экспертиза сочетает язык с знаниями и пониманием
Фраза "корреляция не подразумевает причинность" знакома специалистам по данным и подчеркивает риск неправильной связи двух несвязанных явлений. Хотя машины мастера в идентификации корреляций и шаблонов, для понимания причинности и управления процессом принятия решений необходима настоящая экспертиза.
В нашем учебном путешествии язык является лишь отправной точкой. Когда дети развивают язык, опекуны передают знания о окружающем мире. В конечном итоге они понимают причинно-следственные связи, связывая действия, такие как прыжок в озеро, с последствиями. К взрослому возрасту мы усваиваем сложные структуры экспертизы, которые переплетают язык, знания и понимание.
Воссоздание структуры экспертизы
Обсуждая любую тему, обладание языком без знаний или понимания не равносильно экспертизе. Например, я могу знать, что у машины есть трансмиссия и двигатель с поршнями, но чтобы понять, как они работают и уметь их чинить, мне нужен практический опыт — сфера, в которой я не обладаю экспертизой.
Переводя это в контекст машин, языковые модели без связанных знаний или понимания не должны принимать решения. Позволить языковой модели работать самостоятельно — все равно что дать измерительный инструмент кому-то, кто лишь предсказывает следующее вероятное слово, связанное с автомобилями.
Использование языковых моделей через воссоздание экспертизы
Чтобы эффективно использовать языковые модели, мы должны начать с экспертизы и работать назад. Машинное обучение (ML) и машинное обучение с открытым исходным кодом нацелены на преобразование человеческой экспертизы в форматы, доступные машинам, позволяя им информировать или принимать решения автономно, тем самым улучшая возможности человека для сложных решений.
Распространенное заблуждение о ИИ и ML заключается в том, что данные являются самым критичным элементом. На самом деле, экспертиза занимает это положение. Если модель не обладает экспертизой, какие ценные инсайты она может извлечь из данных?
Выявив паттерны, которые эксперты распознают как полезные, мы можем перевести эти знания в машинный язык для автономного принятия решений. Таким образом, процесс начинается с экспертизы и работает назад. Например, оператор машин может распознавать определенные звуки, указывающие на необходимые корректировки. Оснастив машины датчиками, эту экспертизу можно перевести в машинный язык, освобождая оператора для выполнения других задач.
Идентификация критической экспертизы
При создании ИИ-решений организациям необходимо определить, какая экспертиза является наиболее важной, и оценить риск, связанный с потерей этих знаний, по сравнению с потенциальными преимуществами автоматизации связанных решений.
Существует ли единственный сотрудник, критически важный для определенного процесса? Могут ли рутинные задачи быть переданы автономным системам, чтобы сотрудники имели больше времени? После этой оценки организации могут обсудить, как перевести высокорискованную или высокоэффективную экспертизу в машинный язык.
К счастью, основа для экспертных систем часто уже заложена. Языковые модели могут использовать имеющуюся экпертную базу, закодированную в них.
От исследований к операциям
В ближайшее десятилетие рынок изменится в зависимости от инвестиций организаций в ИИ. Для предостерегающего примера рассмотрите компанию Netflix, которая запустила стриминг в 2007 году, что привело к банкротству Blockbuster всего через три года, несмотря на ранние усилия Blockbuster в этой области.
Когда конкуренты представят передовые приложения ИИ, может оказаться слишком поздно адаптироваться, особенно учитывая время и навыки, необходимые для разработки надежных решений.
К 2030 году компании, которые решат реагировать, а не инновационно действовать, могут оказаться нерелевантными, как это произошло с Blockbuster.
Вместо того чтобы ждать, пока другие догонят, бизнес-руководители должны активно исследовать, какие уникальные рыночные позиции они могут создать, заставляя конкурентов спешить с ответами.
В эпоху автономной трансформации организации, которые приоритизируют передачу операционной экспертизы машинам и представление будущих рыночных динамик, укрепят свои позиции на рынке.
Рейтинг
