2023 год можно назвать годом ИИ, особенно с учетом хайпа вокруг ChatGPT. Но действительно ли ИИ — панацея? Сможет ли он лишить работы людей? Давайте разберемся в этом вопросе.
Друзья, если Вы не любите читать, то ниже прикреплено видеозапись нашего вебинара и презентация к нему.
Содержание
Что такое искусственный интеллект?
И так, что такое ИИ?
Искусственный интеллект – это любой математический метод, позволяющий имитировать человеческий интеллект. Первые проекты начинаются с 1950-х годов.
Тут есть 3 ключевых направления.
Нейросети - математические модели, созданные по подобию нейросетей мозга живых существ. Наиболее популярный подход к созданию ИИ сейчас.
Машинное обучение (ML) - статистические методы, позволяющие компьютерам улучшить качество выполняемой задачи с накоплением опыта и дообучения. То есть речь идёт как раз о том, как работают нейронные сети живых организмов. Это направление известно с 1980-х годов.
И глубокое обучение (DL) - это не только обучение машины с помощью человека, который говорит, что верно, а что нет, но и самообучение систем. Это одновременное использование различных методик обучения и анализа данных. Данное направление развивается с 2010-х годов.
Слабый, сильный и суперсильный ИИ
Теперь про 3 понятия - слабый, сильный и суперсильный ИИ
Все что мы с Вами знаем сейчас - слабый ИИ. Слабый ИИ (ANI, Narrow AI), может решать узкоспециализированные задачи, для которых он изначально проектировался. Например, он может отличать собаку от кошки, играть в шахматы, анализировать видео, улучшать качество видео и т.д. Но, например, самый сильный ИИ для игры в шахмат абсолютно бесполезен для игры в шашки
Сильный (AGI) – это ИИ, который может ориентироваться в меняющихся условиях, моделировать и прогнозировать развитие ситуации. А если ситуация выходит за стандартные алгоритмы, то самостоятельно найти ее решение. Например, решить задачу «поступить в университет». Или изучить правила игры в шашки, и вместо шахмат начать играть в шашки.
Какими качествами должен обладать ИИ?
Мышление - использование таких методов как дедукция, индукция, ассоциация и т.д., которые направлены на выделение фактов из информации, их представление (сохранение). Это позволит точнее решать задачи в условиях неопределённости.
Память - использование различных типов памяти (кратковременная, долговременная). Может быть использовано для решения задач опираясь на предыдущий опыт. Даже если Вы попробуете пообщаться с самой новой версией ChatGPT 4, то увидите, что алгоритм обладает небольшой краткосрочной памятью, и через 10-15 сообщений забывает первой, с чего все начиналось
Планирование - тактическое и стратегическое. Да, уже есть исследования, которые утверждают, что ИИ может планировать свои действия и даже обманывать человека для достижения своих целей. Но сейчас это все равно только в стадии зарождения.
Обучение - имитация действий другого объекта и обучение через проведение экспериментов. Сейчас ИИ учится на больших массивах данных, но он сам не моделирует и не проводит экспериментов. Хотя, мы не до конца понимаем, как работает тот же Chat GPT. И это одна из главных проблем
И сейчас мы на стадии перехода от слабого ИИ к сильному. Да, ChatGPT от OpenAI, LaMDAот Google умеют генерировать текст через анализ запроса и обработку больших данных. Но они лишь транслируют то, чему обучили их создатели.
И до настоящего сильного ИИ (по разным оценкам) еще 5-20 лет.
Также, различные исследователи выделяют уровень ИИ – суперсильный ИИ (ASI). Это ИИ, который может не только решать сложные задачи, но и делать это практически моментально. Если слабых ИИ сотни, под каждую задачу, сильных ИИ будут десятки (скорее всего будет разделение по направлениям), то суперсильный ИИ будет 1 на государство.
Вообще, по нашему мнению, развитие сильного и суперсильного ИИ может затянуться. И причин тому несколько.
Во-первых, это очень трудная, затратная и рискованная задача. Эпоха бесконтрольного развития ИИ заканчивается. На него будет накладываться все больше ограничений. В итоге сильный и суперсильный ИИ в риск-ориентированном подходе на высоком уровне риска. А значит и ограничений будет намного больше. Слабые модели с узкой специализацией остануться более "свободными для развития" Во-вторых, это просто нецелесообразно. Два ключевых тренда в развитии ИИ:
создание дешевых и простых локальных моделей для решения специализированных задач;
создание ИИ-оркестраторов, которые будут декомпозировать запрос на несколько локальных задач и затем перераспределять это между разными локальными моделями.
В итоге мы имеем более простое, безопасное и дешевое решение задач, нежели создание сильного ИИ. Подробнее о ключевых трендах мы писали тут.
Где сейчас можно применять ИИ с машинным обучением
Наиболее релевантными направлениями для применения ИИ с машинным обучением можно обозначить
прогнозирование и принятие решений
анализ сложных данных без чётких взаимосвязей, в том числе для прогнозирования
оптимизация процессов
распознавание образов, в том числе изображений и голосовых записей
генерация контента
И ключевое направление, которое сейчас на пике популярности - распознавание образов, в том числе изображений и голосовых записей и генерация контента. Именно сюда идет большинство разработчиков ИИ.
Примеры таких сервисов:
видео - supercreator.ai, tavus, windsor
изображения - stockimg.ai, midjourney, dreamer
текст - chatGPT, notionAI, jasper
исследования - bearly, scholarcy
дизайн - looka, galileo AI, uizard
презентации - slidesAI, murf AI
аудио - whisper memos, soundful, steno, podcast.adobe
При этом особое внимание заслуживает связка ИИ + IoT
ИИ получает чистые большие данные, в которых нет ошибок человеческого фактора для обучения и поиска взаимосвязей
Эффективность IoT повышается, так как становится возможным создание предиктивной (предсказательной) аналитики и раннего выявления отклонений
Как обучаются ИИ модели
Большая часть ИИ моделей обучаются так же, как обучаются дети: им дают на вход информацию, нейросеть дает ответ, и ей говорят - верно она ответила или нет. И так раз за разом. Такое обучение называется "обучение с учителем".
При этом, существует и обучение без учителя, при котором система спонтанно обучается без обратной связи со стороны человека.
Недостатки текущих решений на основе ИИ
Объем данных для обучения
Нейросети требовательны к качеству и количеству исходных данных. Но эта проблема решается, но тем не менее им всё равно нужно много размеченных и структурированных данных
Зависимость от качества данных
Любые неточности в исходных данных сильно сказываются на конечном результате
Этическая составляющая
Кого сбить автопилоту в безвыходной ситуации: взрослого, ребёнка или пенсионера? Подобных споров бесчисленное множество. Для искусственного интеллекта нет этики, добра и зла. Также для ИИ нет понятия «здравый смысл».
Нейросети не могут оценить данные на реальность и логичность
Нейросети просто собирают данные и не анализируют факты, их связанность
Качество «учителей»
Нейросети обучают люди. И здесь много ограничений: кто и чему учит, на каких данных, для чего
Готовность людей
Нужно ожидать огромного сопротивления людей, чью работу заберут нейросети
Страх перед неизвестным
Рано или поздно нейросети станут умнее нас. И люди боятся этого, а значит, будут тормозить развитие и накладывать многочисленные ограничения
Непредсказуемость
Иногда все идет как задумано, а иногда (даже если нейросеть хорошо справляется со своей задачей) даже создатели изо всех сил пытаются понять, как же алгоритмы работают. Отсутствие предсказуемости делает чрезвычайно трудным устранение и исправление ошибок в алгоритмах работы нейросетей
Ограничение по виду деятельности
Алгоритмы ИИ хороши для выполнения целенаправленных задач, но плохо обобщают свои знания. В отличие от людей, ИИ, обученный играть в шахматы, не сможет играть в другую похожую игру, например, шашки. Кроме того, даже глубокое обучение плохо справляется с обработкой данных, которые отклоняются от его учебных примеров. Чтобы эффективно использовать тот же ChatGPT, необходимо изначально быть экспертом в отрасли и формулировать осознанный и четкий запрос
Затраты на создание и эксплуатацию
Для создания нейросетей требуется много денег. Согласно отчёту Guosheng Securities, стоимость обучения модели обработки естественного языка GPT-3 составляет около 1,4 миллиона долларов. Для обучения более масштабной модели может потребоваться и вовсе от 2 миллионов долларов.
Если взять для примера именно ChatGPT, то только обработки всех запросов от пользователей необходимо более 30 000 графических процессоров NVIDIA A100. На электроэнергию будет уходить около 50 000 долларов ежедневно. Требуется команда и ресурсы (деньги, оборудование) для обеспечения их «жизнедеятельности». Также необходимо учесть затраты на инженеров для сопровождения
К чему все стремятся
Машинное обучение движется ко всё более низкому порогу вхождения
Совсем скоро это будет как конструктор сайта, где для базового применения не нужны специальные знания и навыки. Создание нейросетей и дата-сайнс уже сейчас развивается по модели «сервис как услуга», например, DSaaS – Data Science as a Service.
Знакомство с машинным обучением можно начинать с AUTO ML, его бесплатной версией, или DSaaS с проведением первичного аудита, консалтинга и разметкой данных. При этом даже разметку данных можно получить бесплатно. Всё это снижает порог вхождения
Все стремятся создавать нейросети, которым нужно все меньше данных для обучения
Несколько лет назад, чтобы подделать ваш голос, требовалось предоставить нейросети один-два часа записи вашей речи. Года два назад этот показатель снизился до нескольких минут. Ну, а в 2023 году компания Microsoft представила нейросеть, которой достаточно уже трех секунд для подделки.
Плюс появляются инструменты с помощью, которых можно менять голос даже в онлайн режиме.
Создание систем поддержки и принятия решений, в том числе отраслевых
Будут создаваться отраслевые нейросети и всё активнее будет развиваться направление рекомендательных сетей, так называемые цифровые советники или решения класса «системы поддержки и принятия решений (DSS) для различных бизнес-задач»
Практический пример
В проектном управлении существует проблема - 70% проектов либо проблемны, либо провальны
среднее превышение запланированных сроков в 60% проектов, а среднее превышение – 80%
превышение бюджетов в 57% проектов, а среднее превышение – 60%
недостижение критериев успешности в 40% проектов
При этом управление проектами уже занимает до 50% времени руководителей, а к 2030 году этот показатель достигнет 60%. Хотя еще в начале 20 века этот показатель был 5%. Мир становится все более изменчивым, и количество проектов растет. Даже если посмотрим на продажи, они становятся все более "проектными", то есть комплексными и индивидуальными.
А к чему приводят такая статистика проектного управления?
Репутационные потери
Штрафные санкции
Снижение маржинальности
Ограничение роста бизнеса
При этом наиболее типовые и критичные ошибки:
нечеткое формулирование целей, результатов и границ проекта
недостаточно проработанные стратегия и план реализации проекта
неадекватная организационная структура управления проекта
дисбаланс интересов участников проекта
неэффективные коммуникации внутри проекта и с внешними организациями
А как решают эту задачу люди? Либо ничего не делают и страдают, либо идут учиться и используют трекеры задач
В итоге, проанализировав свой опыт мы пришли к цифровому советнику – искусственный интеллект и предиктивные рекомендации «что сделать, когда и как» за 10 минут для любого проекта и организации.
В итоге проектное управление становится доступным для любого руководителя за 1000-2000 рублей в месяц
В модель ИИ заложена методология управления проектами и наборы рекомендаций. И нейросеть будет готовить наборы рекомендаций и постепенно самообучаться и находить все новые закономерности, а не привязываться к мнению создателя и того, кто будет обучать модель на первых этапах.
Нейросеть будет готовить все более «сложные» рекомендации с каждым проектом, чтобы в итоге повысить уровень компетенций руководителя и проектной культуры организации.
Заключение
ИИ сейчас на хайпе, после этого в любом случае последует разочарование, но не стоит этого бояться, через это проходят все технологии
При этом ИИ сейчас только в стадии зарождения. Настоящий расцвет ИИ будет через 5 лет, когда он станет менее требовательным к количеству и качеству данных
Наибольший потенциал за рекомендательными системами, для этого необходимо научиться раскладывать бизнес-процессы на компоненты. Такие системы дадут наибольшую пользу для малого и среднего бизнеса
Сейчас огромной количество специалистов идет именно в распознавание образов и генерацию контента, при этом специалистов, способных строить рекомендательные системы, дефицит
Искусственный интеллект не отнимет у человека работу. Но человек, который умеет им пользоваться, – легко сделает это
ИИ заменит только низкоквалифицированный труд. Часть специальностей умрет, но появятся новые
ИИ идет в сторону конструкторов моделей, подобных конструкторам сайтов
ИИ станет тем драйвером, который двинет нас к дальнейшему развитию, как в свое время это сделало колесо, паровой двигатель, промышленный конвейер
Главное - искусственный интеллект один из инструментов системного подхода, который работает в синергии с другими инструментами.
***
Мы разрабатываем собственное цифровое решение для ваших проектов. Ознакомиться с ним можно по ссылке:
Дополнительные материалы
Видео
Ссылки и статьи
ChatGPT получил доступ в интернет и сторонние плагины — это расширило кругозор ИИ-бота
ИИ как платформа: какие перспективы уже показала технология машинного обучения
Японские компании ограничивают применение ChatGPT в коммерческих целях
На что будут способны нейросети в 2023 году: показываем на примере GPT-4
Хакеры стали использовать ИИ-бот ChatGPT для создания вирусов