Если мы оглянемся на пять лет назад, то увидим, что большинство предприятий только начинали использовать машинное обучение и прогнозирующий искусственный интеллект, пытаясь выяснить, какие проекты им следует выбрать. Это вопрос, который по-прежнему невероятно важен, но сфера ИИ в настоящее время радикально изменилась, как и вопросы, над ответами на которые работают предприятия.

Большинство организаций обнаруживают, что их первые варианты использования оказались сложнее, чем ожидалось. И вопросы продолжают накапливаться. Стоит ли им заниматься лунными проектами или сосредоточиться на стабильных потоках дополнительной ценности, или же сочетать и то, и другое? Как вы масштабируете? Что делать дальше?

Генеративные модели (наиболее эффективным из которых является ChatGPT) полностью изменили сферу искусственного интеллекта и заставили организации задавать совершенно новые вопросы. Главный вопрос заключается в том, какие с трудом заработанные уроки о том, как получить пользу от прогнозирующего ИИ, мы применим к генеративному ИИ?

Главные плюсы и минусы получения выгоды от прогнозирующего ИИ

Компании, которые извлекают пользу из прогнозного ИИ, как правило, агрессивно реализуют первые варианты использования.

Некоторый Дос они следуют:

• Выбор правильных проектов и их комплексная квалификация. Легко попасть в ловушку, потратив слишком много времени на техническую осуществимость проектов, но успешные команды — это те, которые также думают о получении соответствующего спонсорства и поддержки на разных уровнях своей организации.
• Раннее вовлечение правильного состава заинтересованных сторон. В самых успешных командах есть бизнес-пользователи, которые заинтересованы в результате и даже просят больше проектов ИИ.
• Раздувание пламени. Празднуйте свои успехи, чтобы вдохновить, преодолеть инерцию и вызвать срочность. Вот здесь-то и может оказаться очень полезным спонсорство со стороны руководства. Это поможет вам заложить основу для более амбициозных проектов.

Некоторые из нельзя мы замечаем у наших клиентов:

• Начинать с самой сложной и важной проблемы сопряжено с большим риском.поэтому мы советуем этого не делать.
• Отложить моделирование до тех пор, пока данные не станут идеальными. Такое мышление может привести к постоянному откладыванию ценности без необходимости.
• Сосредоточенность на совершенствовании ваша организационная структура, ваша операционная модель и стратегия, которые могут очень затруднить масштабирование ваших проектов ИИ.

Какие новые технические проблемы могут возникнуть при использовании генеративного ИИ?

• Повышенные вычислительные требования. Генеративные модели искусственного интеллекта требуют высокопроизводительных вычислений и аппаратного обеспечения для их обучения и запуска. Компаниям придется либо владеть этим оборудованием, либо использовать облако.
• Оценка модели. По своей природе генеративные модели ИИ создают новый контент. В прогнозных моделях используются очень четкие показатели, такие как точность или AUC. Генеративный ИИ требует более субъективных и сложных показателей оценки, которые сложнее реализовать.

Систематическая оценка этих моделей вместо оценки результатов человеком означает определение того, какие справедливые показатели следует использовать для всех этих моделей, и это более сложная задача по сравнению с оценкой прогнозных моделей. Начать работу с генеративными моделями ИИ может быть легко, но заставить их генерировать значимые результаты будет сложнее.

• Этический ИИ. Компаниям необходимо убедиться, что результаты генеративного ИИ являются зрелыми, ответственными и не наносят вреда обществу или их организациям.

Каковы некоторые основные отличия и проблемы, связанные с генеративным ИИ?

• Начинаем с правильных проблем. Организациям, которые решают не ту проблему, будет сложно быстро получить прибыль. Например, гораздо более успешным начинанием является сосредоточение внимания на производительности, а не на экономической выгоде. Слишком медленное движение также является проблемой.
• Последняя миля вариантов использования генеративного ИИ отличается от прогнозного ИИ. Используя прогнозирующий ИИ, мы уделяем много времени механизмам потребления, таким как информационные панели и петли обратной связи с заинтересованными сторонами. Поскольку результаты генеративного ИИ выражаются в форме человеческого языка, эти ценностные предложения будут быстрее доходить до нас. Интерактивность человеческого языка может облегчить и ускорить продвижение.
• Данные будут другие. Характер проблем, связанных с данными, будет иным. Генеративные модели ИИ лучше работают с беспорядочными и мультимодальными данными, поэтому мы можем тратить немного меньше времени на подготовку и преобразование наших данных.

Что будет самым большим изменением для специалистов по обработке данных с помощью генеративного искусственного интеллекта?

• Изменение набора навыков. Нам нужно понять, как работают эти генеративные модели ИИ. Как они генерируют результат? Каковы их недостатки? Какие стратегии побуждения мы могли бы использовать? Это новая парадигма, о которой нам всем нужно узнать больше.
• Повышенные вычислительные требования. Если вы хотите разместить эти модели самостоятельно, вам придется работать с более сложным оборудованием, что может стать еще одним требованием к навыкам команды.
• Оценка выходных данных модели. Мы хотим поэкспериментировать с разными типами моделей, используя разные стратегии, и узнать, какие комбинации работают лучше всего. Это означает, что нужно попробовать различные стратегии подсказок или фрагментирования данных, а также встраивания моделей. Мы захотим проводить различные эксперименты и оценивать их эффективно и систематически. Какая комбинация приведет нас к наилучшему результату?
• Мониторинг. Поскольку эти модели могут вызывать этические и юридические проблемы, они требуют более тщательного мониторинга. Должны быть созданы системы для более строгого контроля за ними.
• Новый пользовательский опыт. Возможно, мы захотим, чтобы люди были в курсе и думали о том, какой новый пользовательский опыт мы хотим включить в рабочий процесс моделирования. Кто будет основными людьми, участвующими в создании генеративных решений искусственного интеллекта? Как это контрастирует с прогнозирующим ИИ?

Когда дело доходит до различий, с которыми столкнутся организации, люди не сильно изменятся благодаря генеративному ИИ. Нам по-прежнему нужны люди, которые понимают нюансы моделей и могут исследовать новые технологии. Инженеры по машинному обучению, инженеры по данным, эксперты в предметной области, эксперты по этике ИИ — все они по-прежнему будут необходимы для успеха генеративного ИИ. Чтобы узнать больше о том, чего можно ожидать от генеративного ИИ, с каких вариантов использования начать и каковы другие наши прогнозы, посмотрите наш вебинар: ИИ, ориентированный на ценность: применение уроков, извлеченных из прогнозного ИИ, к генеративному ИИ.

Об авторе

Аслы Сабанджи Демироз

Штатный инженер по машинному обучению, DataRobot

Асли Сабанджи Демироз — штатный инженер по машинному обучению в DataRobot. Она имеет степень бакалавра компьютерной техники и двойную специализацию в области техники управления в Стамбульском техническом университете. Работая в офисе технического директора, ей нравится быть в центре исследований и разработок DataRobot, направленных на внедрение инноваций. Ее страсть связана с областью глубокого обучения, и ей особенно нравится создавать мощную интеграцию между уровнями платформы и приложения в экосистеме ML, стремясь сделать целое больше, чем сумма частей.

Знакомьтесь, Аслы Сабанджи Демироз