من هشت سال گذشته را با هوش مصنوعی گذراندهام و نکات ساخت و پیادهسازی راهحلهای هوش مصنوعی در تجارت را یاد گرفتهام. پس از مرتکب اشتباهات بی شمار، روش خود را برای ساخت و پیاده سازی فناوری ایجاد کردم.
این عالی بود تا پاییز ۲۰۲۲ که ChatGPT منتشر شد و باعث افزایش ناگهانی کاربرد و پذیرش هوش مصنوعی مولد شد. برای کسب و کار مشاوره TodAI من، این به معنای بسیاری از پروژه های جدید شامل هوش مصنوعی مولد و یادگیری زیاد بود. پس از چندین پروژه، مکانهایی را شناسایی کردهام که مدلهای مولد هنگام استفاده از آنها در تجارت به وضوح از سایر هوش مصنوعی متمایز میشوند. برخی کوچک و برخی بسیار مهم هستند.
این مدل های جدید هوش مصنوعی مولد چگونه بازی را برای هوش مصنوعی کاربردی تغییر می دهند؟
اصطلاحات
اگر بین آنها تمایز قائل شویم، بحث درباره تغییرات آسانتر است هوش مصنوعی مولد و هوش مصنوعی پیش بینی کننده.
هوش مصنوعی مولد به مدل های بزرگ از پیش آموزش دیده ای اشاره دارد که متن، تصاویر یا صداها را از درخواست های ارائه شده توسط کاربر استنتاج می کند. نتیجه (به طور بالقوه) منحصر به فرد است و محتوای تولید شده توسط انسان را تقلید می کند. این بر اساس درخواست و داده های مورد استفاده برای آموزش یک مدل بزرگ از پیش آموزش دیده است. مدل های تولید متن مانند GPT OpenAI یا Bard گوگل نیز به این نام ها شناخته می شوند الگوهای بزرگ زبان (LLM).
هوش مصنوعی پیش بینی کننده شامل مدلهایی است که یک یا چند برچسب (پیشبینی یا طبقهبندی) یا اعداد (رگرسیون یا سری زمانی) را تولید میکنند. شامل:
● بلوک های سازنده تصویر: طبقه بندی تصویر، تشخیص اشیا و تقسیم بندی تصویر
● بلوک های ساختمان جدولی: پیش بینی، رگرسیون و پیش بینی
● بلوک های سازنده متن: طبقه بندی متن، تشخیص اشیاء نامگذاری شده و تجزیه و تحلیل قصد
یک نام جایگزین و دقیق تر برای هوش مصنوعی پیش بینی کننده به معنای آکادمیک است هوش مصنوعی تبعیض آمیز. با این حال، من از «قابل پیشبینی» استفاده میکنم زیرا ممکن است برای اکثر مردم طنیناندازی بهتری داشته باشد.
هوش مصنوعی مولد نیز می تواند پیش بینی کند
هوش مصنوعی مولد (مانند GPT) همچنین می تواند برای حل مشکلات پیش بینی استفاده شود. ChatGPT می تواند دسته بندی متون را با استفاده از چند مثال (آموزش چند شات) یا بدون مثال (آموزش شات صفر) بیاموزد. عملکرد ممکن است یکسان باشد، اما یک تفاوت فنی وجود دارد. هوش مصنوعی مولد به شما نیازی ندارد که الگوریتمی را آموزش دهید که مدلی را تولید کند که سپس بتواند آن را طبقه بندی کند. در عوض، مدل مولد نمونه ها را به عنوان بخشی از اعلان دریافت می کند.
مزیت استفاده از مدل های مولد برای کارهای پیش بینی این است که پیاده سازی می تواند بلافاصله انجام شود. با این حال، معایبی مانند:
● هیچ راهی برای محاسبه عملکرد مورد انتظار با (مثلا) معیارهای دقت وجود ندارد
● مدل مولد ممکن است خروجی ای ارائه دهد که بخشی از لیست برچسب های ارائه شده نباشد
● هر اعلان خروج می تواند بر خروجی آینده تأثیر بگذارد
● مدلهای مولد معمولاً مثالهای اولیه را «فراموش میکنند» زیرا محدودیتی در تعداد درخواستهایی که میتوانند به خاطر بسپارند دارند.
دانستن اینکه چگونه یک راه حل هوش مصنوعی کار می کند، پیچیده تر است و زمان بیشتری می برد
یک قانون سرانگشتی خوب این است که اگر نتوانید مدل خود را در عرض ۲۴ ساعت کار به دقت خوبی برسانید، یا داده های اشتباه دارید یا دامنه اشتباه دارید.
به عنوان مثال، یک مدل پیشبینی قیمت مسکن که با دقت ۵۰ درصد پس از ۲۴ ساعت کار مدلسازی پیشبینی میکند، بدون توجه به الگوریتم هوشمندانه یا تنظیم دقیقی که اعمال میکنید، هرگز دقت بیش از ۶۰ درصد یا ۶۵ درصد را نخواهد دید. اگر ۶۰٪ برای پرونده کسب و کار شما کافی نیست، باید داده های بیشتر، متفاوت یا بهتری به دست آورید یا دامنه کسب و کار خود را تغییر دهید.
پیروی از قانون ۲۴ ساعته به این معنی است که راهحلهای هوش مصنوعی که هرگز کارساز نیستند، زود تشخیص داده میشوند و حذف یا دوباره تعریف میشوند. قانون ۲۴ ساعت من را از شکستهای شرمآور بیشماری نجات داده است، و کار میکند زیرا دقت یک شاخص عالی برای ارزش تجاری (اما نه برابر) است.
اما این قانون دیگر در هوش مصنوعی مولد مفید نیست زیرا هیچ اندازه گیری دقتی در طول توسعه وجود ندارد. به عنوان مثال، اگر مورد تجاری شما ایمیل های فروش برای گروهی از نمایندگان فروش ایجاد می کند، نمی توانید “دقت” خروجی را اندازه گیری کنید. نتایج کسبوکاری که میخواهید به دست آورید ممکن است ارتباط سریعتر با مشتریان (از طریق سرعت تایپ) یا فروش بیشتر (از طریق ایمیلهای بهتر) باشد. اندازه گیری این نتایج در طول توسعه دشوار است. به ویژه، اندازه گیری سرعت تایپ چالش برانگیز است زیرا خروجی باید توسط نماینده فروش بررسی و ویرایش شود و آزمایش این سرعت مستلزم مشارکت نماینده فروش است.
هوش مصنوعی مولد به همکاری نزدیکتر کارشناسان حوزه نیاز دارد
نتیجه این چالش این است که کارشناسان حوزه باید از نزدیک در فرآیند توسعه مشارکت داشته باشند تا به تنظیم خروجی کمک کنند و تأثیر آن را بر نتیجه کسبوکاری که میخواهید به دست آورید اندازهگیری کنند. روزهایی که فقط میتوانستید به آموزش و تنظیم دقیق یک دانشمند داده تکیه کنید تا زمانی که یک راهحل رضایتبخش آماده شود، گذشته است.
انتخاب مورد استفاده باید بر اساس سهولت آزمایش باشد
راهنمای مفید Delloite برای هوش مصنوعی مولد نشان میدهد که موارد استفاده از هوش مصنوعی مولد باید بر اساس تلاش لازم برای اعتبارسنجی خروجی و تلاشی که انسان برای تولید محتوای مشابه نیاز دارد، باشد.
