Сегодня проекты с применением искусственного интеллекта реализуются повсеместно. Под ИИ понимается комплекс технологических решений, позволяющий имитировать когнитивные функции человека и получать результаты, которые сопоставимы с результатами интеллектуальной деятельности. При этом данная технология включает самообучение и поиск решений без заранее заданного алгоритма.
АО «Гринатом» (ИТ-интегратор Росатома) занимается реализацией проектов с применением технологий искусственного интеллекта: обработка естественного языка, голосовые технологии, компьютерное зрение. Подобные проекты помогают ускорить и автоматизировать процессы на предприятиях атомной отрасли.
Одним из популярных направлений в рамках развития технологий ИИ являются нейросети на базе трансформеров (GPT), самым ярким примером из которых, является ChatGPT.
Как появился ChatGPT
История развития нейронных сетей уходит корнями в 20-й век, но наибольшую популярность они получили в последние годы благодаря значительному улучшению алгоритмов обучения и вычислительной мощности.
Машинное обучение помогает решать определенные бизнес-задачи, которые стоят перед компаниями и обществом. Для этого необходимы качественные данные для обучения языковых моделей.
Например, чтобы разработать программу, которая будет предсказывать погоду, необходима историческая выборка по городам, а также набор метеоданных за определенный период. Все это поможет сформировать предиктивный прогноз на будущее. Модель машинного обучения, полученная на основе представленных данных, обработанных специалистами Data Science, сможет выдавать прогноз температуры на следующий день, по сравнению с тем, какие метеоданные были накоплены, например, за предыдущую неделю.
Генеративные сети разрабатывались и изучались еще задолго до появления ChatGPT, который является лишь одной из моделей семейства GPT.
GPT-модель заточена на то, чтобы обрабатывать текстовые данные. Это алгоритм обработки естественного языка. GPT, что расшифровывается как Generative Pre-trained Transformer, был разработан компанией OpenAI.
Обучение нейросети происходит следующим образом: из ранее накопленных текстовых данных создается большой массив, на котором в дальнейшем модель обучается и впоследствии становится способна находить взаимосвязи, которым она явным образом ранее не была обучена.
Например, если загрузить большое количество учебников по математике, научных статей, текстов из Интернета, то можно обучить модель решать простые арифметические задачи. Подобным образом нейросеть может справляться не только с математическими примерами, но также участвовать в улучшении бизнес-процессов компании.
Соответственно, чем больше данных подготовлено для обучения конкретной модели, тем больше потенциально новых бизнес-задач она сможет решать.
Особенность нейросетей состоит в том, что алгоритмы в ней устроены подобно нейронам в человеческом мозге. Они связаны между собой синапсами и могут передавать друг другу сигналы. Для увеличения скорости решения различных задач, было придумано располагать нейроны на разных слоях: входной, на котором модель получает данные, скрытый, на котором происходит их обработка, а также выходной, на котором выдается результат.
Одна из особенностей ChatGPT – механизм RLHF, то есть обучение с подкреплением на основе обратной связи от человека. Это позволяет дообучить языковую модель и сделать продукт более «человечным». Агент ИИ учится принимать решения, взаимодействуя с окружающей средой и получая обратную связь в виде вознаграждений или наказаний.
Для обучения таких моделей, как ChatGPT, используется следующий подход: оценка человеком качества ответов модели для дальнейшего ранжирования и ее дообучения.
Простым языком схема обучения выглядит следующим образом: отправляется первичный запрос к модели, которая на основе полученной информации генерирует ответ, после чего он оценивается фокус-группой. Обратная связь (насколько сгенерированный ответ правильный и релевантный) ранжируется определенным образом и отправляется обратно модели для ее дальнейшего дообучения.
Зачем нужны генеративные сети
Самое главное – для оптимизации различных процессов. На генеративную модель можно рассчитывать в тех случаях, когда можно сгенерировать варианты решений с помощью достаточного объема данных и хорошо описанного ручного процесса.
Одним из кейсов использования генеративных сетей в бизнесе является сокращение времени ответа на запрос клиента. Если ранее работник службы поддержки тратил на выполнение данной задачи 8 часов, то сейчас нейросеть может решить ее за минуту.
Генеративные нейронные сети являются мощным инструментом и зачастую находят применение в бизнесе, областях искусства, развлечений, научных исследований и других сферах.
При этом важно понимать, как подобные технологии можно применять, и какие риски существуют. Например, ChatGPT генерирует текст, который выглядит, как качественный. При этом корректность информации в данном тексте не может быть гарантирована.
Таким образом, ChatGPT — это прорывная технология, которая продолжает развиваться и совершенствоваться. Нейронные сети могут быть использованы для автоматизации рутинных задач, ускорения процессов и снижения затрат на рабочую силу.
На сегодняшний день многие крупные компании занимаются разработкой собственных языковых моделей. Существует тенденция на увеличение людских и вычислительных ресурсов на их обучение. Нейросети могут помочь бизнесу в прогнозировании спроса, принятии решений на основании анализа большого объема данных, выявлении тенденций и паттернов, а также улучшении стратегического планирования. Разумное использование нейросетей в бизнесе может сделать компании более конкурентоспособными и приспособленными к изменяющимся требованиям и условиям рынка.