Esu Eglė, Moterra finansų direktorė, ir dirbu siekdama suprasti AI nuo pat pradžių. Ankstesniuose įrašuose apžvelgiau AI kraštovaizdį ir parodžiau, kaip skirtingi sluoksniai veikia kartu. Tačiau vis dar buvo esminis klausimas, į kurį turėjau atsakyti: kaip AI iš tikrųjų mokosi?
Pirmajame įraše paminėjau tai, kas mane vis dar žavi: kai įklijuoju tekstą į ChatGPT, jis suskaido jį į mažus gabalėlius, vadinamus žetonais—žodžius, žodžių dalis ar frazes—peržiūri, ką pateikiau, ir tada prognozuoja labiausiai tikėtiną kitą žetoną. Tai vyksta vėl ir vėl, kol susiformuoja pilnas atsakymas.
Svarbiausias dalykas? Jis iš tikrųjų nemąsto ar nesupranta, tiesiog tampa nepaprastai geras spėdamas, kas bus toliau, remdamasis didžiuliais tekstų kiekiais. Tai paskatino logišką kitą klausimą: kaip jis išvystė šį gebėjimą?
Mokymo realybė, kuri pakeitė mano perspektyvą
Štai ką atradau: AI mokymasis yra intensyviausias pasaulyje modelių atpažinimo procesas.
Įsivaizduokite, kad kiekvieną knygą, straipsnį, svetainę ir dokumentą, kada nors parašytą, pateikiate sistemai, kuri nieko nedaro, tik ieško modelių. Ne tik akivaizdžių, kaip „žodis ‘bankas’ dažnai pasirodo šalia ‘pinigai’“, bet ir nepaprastai subtilių ryšių, kaip „kai kas nors rašo apie ketvirčio pajamas, kitas sakinys 43% labiau tikėtina, kad turės žodžius apie augimą ar nuosmukį“.
Sistema apdoroja milijardus tokių pavyzdžių, kurdama vidinį žemėlapį, kaip veikia kalba, kaip idėjos susijungia, kaip teka pokalbiai. Kas daro tai įdomu, yra grynas mastas—tikrai sunku suprasti duomenų apdorojimo mastą, kurio reikia.
Mokymosi proceso išskaidymas
Kad tai suprasčiau, sukūriau sistemą, kuri padėjo man vizualizuoti, kaip iš tikrųjų veikia AI mokymasis:
Ši lentelė padeda man suprasti, kad AI mokymasis seka logišką procesą, tik mastu, kurį sunku suvokti.
Nepatogi tiesa apie AI „žinias“
Štai kas iš tikrųjų pakeitė mano perspektyvą: AI nežino dalykų taip, kaip mes žinome dalykus.
Kai analizuoju trečiojo ketvirčio pajamų rezultatus, suprantu, ką tai reiškia verslui, pasekmes suinteresuotiems asmenims, rinkos kontekstą. Kai AI generuoja tekstą apie trečiojo ketvirčio pajamas, jis derina modelius iš tūkstančių panašių diskusijų, bet be jokio tikro supratimo, ką pajamos reiškia.
Tai sudėtinga mimikrija, o ne supratimas. Bet štai verslo galimybė: jei galite kontroliuoti, kuriuos modelius AI remiasi, galite padaryti jo atsakymus nepaprastai patikimus jūsų konkrečioje srityje.
Verslo pasekmės
Supratimas apie tai keičia viską, kas susiję su AI įgyvendinimu:
- Duomenų kokybė lemia viską: modeliai, kuriuos AI mokosi, yra tik tokie geri, kaip mokymo duomenys. Šališkumai, klaidos ar spragos įsilieja į sistemos prognozes.
- Kontekstas formuoja rezultatus: nedideli pokyčiai, kaip formuluojate klausimus, gali duoti dramatiškai skirtingus rezultatus, nes jie sukelia skirtingus modelių atitikimus.
- Haliucinacijos iššūkis: AI gali užtikrintai generuoti įtikinamai skambančią, bet visiškai išgalvotą informaciją, nes jis išmoko modelius, kaip faktai pateikiami, o ne kurie faktai yra tikri.
Štai kodėl Moterra, kai kuriame vidinius žinių asistentus jūsų SharePoint dokumentams, apribojame AI tik jūsų patvirtintų dokumentų nuorodomis. Jokios haliucinacijos, tik patikimas modelių atitikimas jūsų kontroliuojamame duomenų rinkinyje.
Mano išvada
AI yra nepaprastai sudėtingas modelių atpažinimo įrankis, o ne mąstanti būtybė.
Tai paaiškina, kodėl jis gali įtikinamai rašyti apie temas, kurių nesupranta, kodėl pokyčiai skatina dramatiškai keisti atsakymus ir kodėl jis puikiai atpažįsta modelius, bet sunkiai supranta tikrąjį mąstymą.
Supratimas apie šį skirtumą yra labai svarbus verslo įgyvendinimui. Tai skirtumas tarp realių lūkesčių nustatymo ir brangių prielaidų apie AI galimybes.
