Задумывались ли вы о том, как ИИ изменит ход истории?

Избранные аналитические сведения

Задумывались ли вы о том, как ИИ изменит ход истории?

Генеративный ИИ создает ценность уже сейчас. Скорость масштабирования за счет правильной мобилизации организации и сосредоточения внимания на ценности будет гораздо важнее, чем скорость пилотирования.

ИИ проник в нашу жизнь постепенно, благодаря всему, от технологий, обеспечивающих работу наших смартфонов, до функций автономного вождения на автомобилях и инструментов, которые розничные продавцы используют, чтобы удивлять и радовать потребителей. В результате его прогресс был почти незаметным.

Генеративные системы ИИ подпадают под широкую категорию машинного обучения, и вот как одна такая система — ChatGPT — описывает, что она может сделать:

Готовы поднять свой творческий потенциал на следующий уровень? Смотрите не дальше, чем генеративный ИИ! Эта изящная форма машинного обучения позволяет компьютерам генерировать всевозможные новые и захватывающие материалы, от музыки и искусства до целых виртуальных миров. И это не только для удовольствия, — но и для универсального ИИ имеет множество практических применений, таких как создание новых продуктов и оптимизация бизнес-процессов. Так зачем ждать? Раскройте силу генеративного ИИ и посмотрите, какие удивительные творения вы можете придумать!

Вам что-нибудь в этом параграфе показалось? Возможно, нет. Грамматика идеальна, тон работает, и повествование течет.

Вот почему ChatGPT — GPT означает генеративный предварительно обученный трансформатор —, которому сейчас уделяется так много внимания. Это бесплатный чат-бот, который может дать ответ практически на любой заданный им вопрос. Разработанный OpenAI и выпущенный для тестирования широкой публики в ноябре 2022 года, он уже считается лучшим чат-ботом AI. И это тоже популярно: более миллиона человек подписались на его использование всего за пять дней. Поклонники со звездными глазами опубликовали примеры создания компьютерного кода чат-ботом, эссе на уровне колледжа, стихи и даже наполовину приличные шутки. Другие, среди широкого круга людей, которые зарабатывают себе на жизнь созданием контента, от рекламных копирайтеров до штатных профессоров, дрожат в сапогах.

Экспонат 1

Пользователям не нужна степень по машинному обучению, чтобы взаимодействовать с ИИ или извлекать из нее ценность; почти любой, кто может задавать вопросы, может использовать это. И, как и в случае с другими прорывными технологиями, такими как персональный компьютер или iPhone, одна генеративная платформа AI может создавать множество приложений для аудитории любого возраста или уровня образования и в любом месте с доступом в Интернет.

Как генеративный ИИ отличается от других видов ИИ

Как следует из названия, основной способ, которым генеративный ИИ отличается от предыдущих форм ИИ или аналитики, заключается в том, что он может эффективно генерировать новый контент, часто в “ неструктурированных ” формах (, например, письменный текст или изображения ), которые не представлены естественным образом в таблицах со строками и столбцами (см. ниже панель“ Словарь ” для списка терминов, связанных с генеративным AI).

Словарь

Интерфейс прикладного программирования ( API ) это способ программического доступа к ( обычно внешним ) моделям, наборам данных или другим программным средствам.

Искусственный интеллект ( AI ) способность программного обеспечения выполнять задачи, которые традиционно требуют человеческого интеллекта.

Глубокое обучение это подмножество машинного обучения, которое использует глубокие нейронные сети, которые являются слоями подключенных нейронов “, чьи соединения имеют параметры или веса, которые можно обучить. Это особенно эффективно при изучении неструктурированных данных, таких как изображения, текст и аудио.

Точная настройка это процесс адаптации предварительно обученной базовой модели для лучшей работы в конкретной задаче. Это влечет за собой относительно короткий период обучения по маркированному набору данных, который намного меньше, чем набор данных, на котором модель была первоначально обучена. Это дополнительное обучение позволяет модели изучать и адаптироваться к нюансам, терминологии и конкретным шаблонам, найденным в меньшем наборе данных.

Основополагающие модели ( FM ) являются моделями глубокого обучения, обученными огромным количествам неструктурированных, немаркированных данных, которые можно использовать для широкого спектра задач из коробки или адаптировать к конкретным задачам посредством тонкой настройки. Примерами этих моделей являются GPT-4, PaLM, DALL · E 2 и стабильная диффузия.

Генеративный ИИ это ИИ, который обычно создается с использованием базовых моделей и обладает возможностями, которых раньше не было у ИИ, такими как возможность генерировать контент. Основополагающие модели также могут использоваться для не генерирующих целей (, например, классифицируя пользовательские настроения как отрицательные или положительные на основе стенограмм вызовов ), предлагая значительное улучшение по сравнению с более ранними моделями. Для простоты, когда мы ссылаемся на генеративный ИИ в этой статье, мы включаем все варианты использования базовой модели.

Графические процессоры ( графические процессоры ) являются компьютерными чипами, которые были изначально разработаны для производства компьютерной графики (, например, для видеоигр ), а также полезны для приложений глубокого обучения. Напротив, традиционное машинное обучение и другие анализы обычно проводятся на центральные процессоры ( процессоры ), обычно называется процессором компьютера “. ”

Модели большого языка ( LLMs ) составить класс базовых моделей, которые могут обрабатывать огромное количество неструктурированного текста и изучать отношения между словами или частями слов, известными как токены. Это позволяет LLM генерировать текст на естественном языке, выполняя такие задачи, как обобщение или извлечение знаний. GPT-4 (, который лежит в основе ChatGPT ) и LaMDA ( модель Bard ), являются примерами LLM.

Машинное обучение ( ML ) это подмножество ИИ, в котором модель приобретает возможности после обучения или показа многих примеров точек данных. Алгоритмы машинного обучения обнаруживают закономерности и учатся делать прогнозы и рекомендации, обрабатывая данные и опыт, а не получая явные инструкции по программированию. Алгоритмы также адаптируются и могут стать более эффективными в ответ на новые данные и опыт.

MLOps относится к инженерным моделям и практикам для масштабирования и поддержания ИИ и МЛ. Он включает в себя набор практик, которые охватывают полный жизненный цикл ML ( управление данными, разработка, развертывание и операции в реальном времени ). Многие из этих практик теперь включены или оптимизированы с помощью программных инструментов (, которые помогают стандартизировать, оптимизировать или автоматизировать задачи ).

Оперативное проектирование относится к процессу проектирования, уточнения и оптимизации входных подсказок, чтобы направить генеративную модель AI к созданию желаемых (, то есть точных ) выходов.

Структурированные данные табличные данные (, например, организованные в таблицы, базы данных или электронные таблицы ), которые можно использовать для эффективного обучения некоторых моделей машинного обучения.

Трансформеры являются ключевыми компонентами фундаментных моделей. Это искусственные нейронные сети, которые используют специальные механизмы, называемые “ заголовками внимания ”, чтобы понимать контекст в последовательных данных, таких как использование слова в предложении.

Неструктурированные данные не хватает согласованного формата или структуры (, например, текста, изображений и аудиофайлов ), и обычно требуются более продвинутые методы для извлечения идей.

Как следует из названия, основной способ, которым генеративный ИИ отличается от предыдущих форм ИИ или аналитики, заключается в том, что он может эффективно генерировать новый контент, часто в“ неструктурированных” формах (, например, письменный текст или изображения), которые не представлены естественным образом в таблицах со строками и столбцами (см. боковую панель“ Glossary” для списка терминов, связанных с генеративным AI).

Базовая модель, которая позволяет генеративному ИИ работать, называется базовой моделью. Трансформаторы являются ключевыми компонентами базовых моделей — GPT фактически означает генеративный предварительно обученный трансформатор. Трансформатор – это тип искусственной нейронной сети, который обучается с использованием глубокого обучения, термин, который ссылается на многие слои (deep) в нейронных сетях. Глубокое обучение способствовало многим недавним достижениям в области искусственного интеллекта.

Тем не менее некоторые характеристики отличают базовые модели от предыдущих поколений моделей глубокого обучения. Для начала их можно обучить чрезвычайно большим и разнообразным наборам неструктурированных данных. Например, тип базовой модели, называемой большой языковой моделью, может быть обучен огромному количеству текста, который является общедоступным в Интернете и охватывает множество различных тем. В то время как другие модели глубокого обучения могут работать на значительных объемах неструктурированных данных, они обычно обучаются более конкретному набору данных. Например, модель может быть обучена определенному набору изображений, чтобы она могла распознавать определенные объекты на фотографиях.

Фактически, другие модели глубокого обучения часто могут выполнять только одну такую задачу. Они могут, например, либо классифицировать объекты на фотографии, либо выполнять другую функцию, такую как создание прогноза. Напротив, одна базовая модель может выполнять обе эти функции и генерировать контент. Модели Foundation объединяют эти возможности, изучая шаблоны и взаимосвязи из широких данных обучения, которые они проглатывают, что, например, позволяет им предсказать следующее слово в предложении. Вот как ChatGPT может отвечать на вопросы по различным темам и как DALL · E 2 и Stable Diffusion могут создавать изображения на основе описания.

Учитывая универсальность базовой модели, компании могут использовать одну и ту же модель для реализации нескольких вариантов использования бизнеса, что редко достигается с помощью более ранних моделей глубокого обучения. Базовая модель, которая включает информацию о продуктах компании, потенциально может использоваться как для ответа на вопросы клиентов ’, так и для поддержки инженеров в разработке обновленных версий продуктов. В результате компании могут поддерживать приложения и реализовывать свои преимущества гораздо быстрее.

Однако из-за того, как работают современные базовые модели, они не подходят для всех приложений. Например, крупные языковые модели могут быть склонны к галлюцинации “, ” или отвечать на вопросы с правдоподобными, но неверными утверждениями (см. Боковую панель ниже“ Использование генеративного AI ответственно ”). Кроме того, основные рассуждения или источники ответа не всегда предоставляются. Это означает, что компании должны быть осторожны при интеграции генеративного ИИ без человеческого контроля в приложениях, где ошибки могут причинить вред или где объяснимость нужно. Генеративный ИИ также в настоящее время не подходит для непосредственного анализа больших объемов табличных данных или решения сложных задач численной оптимизации. Исследователи прилагают все усилия, чтобы устранить эти ограничения.

Использование генеративного AI ответственно

Генеративный ИИ представляет различные риски. Руководители захотят разработать свои команды и процессы для снижения этих рисков с самого начала — не только для удовлетворения быстро меняющихся нормативных требований, но и для защиты своего бизнеса и получения прибыли потребители ’ цифровое доверие.

Справедливость: Модели могут генерировать алгоритмическое смещение из-за несовершенных данных обучения или решений, принятых инженерами, разрабатывающими модели.

Интеллектуальная собственность ( IP ): Данные обучения и результаты модели могут генерировать значительные риски IP, в том числе нарушение авторских прав, товарных знаков, запатентованных или иным образом охраняемых законом материалов. Даже при использовании генеративного инструмента AI поставщика организациям необходимо будет понять, какие данные были использованы для обучения и как они используются в результатах инструмента.

Конфиденциальность: Проблемы конфиденциальности могут возникнуть, если пользователи вводят информацию, которая впоследствии попадает в выходные данные модели в форме, которая делает людей идентифицируемыми. Генеративный ИИ также может использоваться для создания и распространения вредоносного контента, такого как дезинформация, глубокие подделки и ненавистнические высказывания.

Безопасность: Генеративный ИИ может использоваться плохими актерами для ускорения сложности и скорости кибератак. Это также может быть использовано для предоставления вредоносных выходов. Например, с помощью метода, называемого быстрым впрыском, третья сторона дает модели новые инструкции, которые заставляют модель доставлять вывод, непреднамеренный производителем модели и конечным пользователем.

Объясняемость: Генеративный ИИ опирается на нейронные сети с миллиардами параметров, что ставит под сомнение нашу способность объяснять, как получается любой данный ответ.

Надежность: Модели могут давать разные ответы на одни и те же запросы, препятствуя способности пользователя оценивать точность и надежность выходов.

Организационное воздействие: Генеративный ИИ может значительно повлиять на рабочую силу, а воздействие на конкретные группы и местные сообщества может быть непропорционально отрицательным.

Социальное и экологическое воздействие: Разработка и обучение базовых моделей может привести к пагубным социальным и экологическим последствиям, включая увеличение выбросов углерода (, например, Обучение одной большой языковой модели может выделять около 315 тонн углекислого газа)

Ключевые идеи

Влияние генерирующего ИИ на производительность может добавить триллионы долларов в стоимость мировой экономики. Наши последние исследования показывают, что генеративный ИИ может добавить эквивалент $ 2,6 трлн до $ 4,4 трлн ежегодно в 63 случаях использования, которые мы проанализировали —, для сравнения, весь ВВП Соединенного Королевства в 2021 году составил $ 3,1 трлн. Это увеличит влияние всего искусственного интеллекта на 15-40 процентов. Эта оценка примерно удвоится, если мы включим влияние внедрения генеративного ИИ в программное обеспечение, которое в настоящее время используется для других задач, помимо тех, которые используются.

Около 75 процентов стоимости, которую могут обеспечить генеративные варианты использования ИИ, приходится на четыре области: управление клиентами, маркетинг и продажи, разработка программного обеспечения и исследования и разработки. В 16 бизнес-функциях мы рассмотрели 63 случая использования, в которых технология может решать конкретные бизнес-задачи таким образом, чтобы получить один или несколько измеримых результатов. Примеры включают способность генеративного AI поддерживать взаимодействие с клиентами, генерировать креативный контент для маркетинга и продаж, а также составлять компьютерный код на основе подсказок на естественном языке, а также многие другие задачи.

Генеративный ИИ окажет значительное влияние на все отрасли промышленности. Банковские, высокотехнологичные и науки о жизни относятся к числу отраслей, которые могут увидеть наибольшее влияние в процентах от своих доходов от генеративного ИИ. Например, во всей банковской отрасли технология может приносить стоимость, равную дополнительным $ 200 млрд. До $ 340 млрд. В год, если случаи использования будут полностью реализованы. В розничных и потребительских товарах потенциальное влияние также значительно составляет от $ 400 млрд до $ 660 млрд в год.

Генеративный ИИ может изменить анатомию работы, расширив возможности отдельных работников путем автоматизации некоторых из их индивидуальных действий. Современные генеративные ИИ и другие технологии могут автоматизировать рабочие работы, которые сегодня поглощают от 60 до 70 процентов сотрудников ’. Напротив, мы ранее оценивали, что технология может автоматизировать половину времени, которое сотрудники проводят на работе.⁴Ускорение потенциала технической автоматизации во многом связано с возросшей способностью генеративного ИИ понимать естественный язык, что требуется для рабочих видов деятельности, на которые приходится 25 процентов общего рабочего времени. Таким образом, генеративный ИИ оказывает большее влияние на работу по знаниям, связанную с профессиями, которые имеют более высокую заработную плату и образовательные требования, чем на другие виды работы.

Темпы преобразования рабочей силы, вероятно, ускорятся, учитывая увеличение потенциала технической автоматизации. Наши обновленные сценарии внедрения, включая разработку технологий, экономическую осуществимость и сроки распространения, позволяют оценить, что половина сегодняшней рабочей деятельности может быть автоматизирована в период с 2030 по 2060 год, с средней точкой в 2045 году, или примерно на десять лет раньше, чем в наших предыдущих оценках.

Генеративный ИИ может существенно повысить производительность труда в экономике, но для этого потребуются инвестиции для поддержки работников, поскольку они меняют трудовую деятельность или меняют рабочие места. Генеративный ИИ может обеспечить рост производительности труда на 0,1–0,6 процента ежегодно до 2040 года, в зависимости от темпов внедрения технологий и перераспределения рабочего времени в другие виды деятельности. Сочетая генеративный ИИ со всеми другими технологиями, автоматизация работы может добавить от 0,2 до 3,3 процентных пункта ежегодно к росту производительности. Тем не менее, работники будут нуждаться в поддержке в изучении новых навыков, а некоторые изменят профессии. Если можно управлять переходами работников и другими рисками, генеративный ИИ может внести существенный вклад в экономический рост и поддержать более устойчивый, инклюзивный мир.

Эпоха генеративного ИИ только начинается. Волнение по этой технологии ощутимо, и ранние пилоты убедительны. Но полная реализация преимуществ технологии займет время, и у лидеров бизнеса и общества все еще есть серьезные проблемы для решения. К ним относятся управление рисками, присущими генеративному ИИ, определение того, какие новые навыки и возможности понадобятся рабочей силе, и переосмысление основных бизнес-процессов, таких как переподготовка и развитие новых навыков.

Где лежит ценность бизнеса

Генеративный ИИ – это постепенное изменение в эволюции искусственного интеллекта. По мере того, как компании стремятся адаптироваться и внедрять его, понимание потенциала технологии для создания ценности для экономики и общества в целом поможет принять критические решения. Мы использовали два дополнительных объектива, чтобы определить, где генеративный ИИ с его текущими возможностями может обеспечить наибольшую ценность и насколько большим это значение может быть (Приложение 1 ).

Приложение 1

Первые сканирования объективов используют случаи для генеративного ИИ, которые могут принять организации. Мы определяем “ вариант использования ” как целевое применение генеративного ИИ для конкретной бизнес-задачи, что приводит к одному или нескольким измеримым результатам. Например, примером использования в маркетинге является приложение генеративного ИИ для создания креативного контента, такого как персонализированные электронные письма, измеримые результаты, которые потенциально включают снижение затрат на создание такого контента и увеличение доходов от повышения эффективности более качественного контента в масштабе. Мы определили 63 случая использования генеративного ИИ, охватывающих 16 бизнес-функций, которые могут обеспечить общую стоимость в диапазоне экономических выгод от $ 2,6 трлн до $ 4,4 трлн ежегодно при применении в разных отраслях.

Это добавило бы от 15 до 40 процентов к $ 11 триллионов к $ 17,7 триллионов экономической ценности, которую, по нашим оценкам, теперь можно разблокировать.

Традиционные алгоритмы продвинутой аналитики и машинного обучения очень эффективны при выполнении численных и оптимизирующих задач, таких как прогнозирующее моделирование, и продолжают находить новые приложения в широком спектре отраслей. Однако, поскольку генеративный ИИ продолжает развиваться и развиваться, он может открыть совершенно новые границы в творчестве и инновациях.

В дополнение к потенциальной ценности генеративного ИИ может обеспечить в случаях использования для конкретных функций, технология может повысить ценность всей организации, революционизируя внутренние системы управления знаниями.

Впечатляющее владение генеративным ИИ обработкой естественного языка может помочь сотрудникам получить сохраненные внутренние знания, формулируя запросы так же, как они могут задавать человеку вопрос и вступать в постоянный диалог. Это может дать командам возможность быстро получить доступ к соответствующей информации, что позволит им быстро принимать более обоснованные решения и разрабатывать эффективные стратегии.

В чем разница между машинным обучением и искусственным интеллектом?

Искусственный интеллект – Это в значительной степени то, на что это похоже — практика заставить машины имитировать человеческий интеллект для выполнения задач. Вы, вероятно, взаимодействовали с ИИ, даже если вы не понимаете его — голосовые помощники, такие как Сири и Алекса, основаны на технологии ИИ, как и чат-боты службы поддержки клиентов, которые помогают вам ориентироваться на веб-сайтах.

Машинное обучение – это тип искусственного интеллекта. Посредством машинного обучения практикующие разрабатывают искусственный интеллект с помощью моделей, которые могут “ учиться на ” на моделях данных без человеческого направления. Неуправляемо огромный объем и сложность данных (, не управляемых людьми, в любом случае ), который сейчас генерируется, имеет увеличил потенциал машинного обучения, а также необходимость в нем.

Каковы основные типы моделей машинного обучения?

Машинное обучение основано на ряде строительных блоков, начиная с классические статистические методы разработан между 18 и 20 веками для небольших наборов данных. В 1930-х и 1940-х годах пионеры вычислительной техники —, в том числе теоретический математик Алан Тьюринг — начал работать над основными методами машинного обучения. Но эти методы были ограничены лабораториями до конца 1970-х годов, когда ученые впервые разработали компьютеры, достаточно мощные для их монтажа.

До недавнего времени машинное обучение было в значительной степени ограничено прогностическими моделями, используемыми для наблюдения и классификации шаблонов по содержанию. Например, классическая проблема машинного обучения состоит в том, чтобы начать с изображения или нескольких изображений, скажем, очаровательных кошек. Затем программа будет определять шаблоны среди изображений, а затем тщательно изучать случайные изображения для изображений, которые будут соответствовать шаблону очаровательной кошки. Генеративный ИИ был прорывом. Вместо просто воспринимать и классифицировать фото кошки, машинное обучение теперь может создавать изображение или текстовое описание кошки по требованию.

Как работают текстовые модели машинного обучения? Как они обучены?

Первые модели машинного обучения для работы с текстом были обучены людьми для классификации различных входов в соответствии с ярлыками, установленными исследователями. Одним из примеров может служить модель, обученная маркировать посты в социальных сетях как положительные или отрицательные. Этот тип обучения известен как контролируемое обучение, потому что человек отвечает за “ обучение ” модели, что делать.

Текстовые модели машинного обучения следующего поколения основаны на так называемом обучении под контролем. Этот тип обучения включает в себя подачу модели огромного количества текста, чтобы она могла генерировать прогнозы. Например, некоторые модели могут предсказать, основываясь на нескольких словах, как закончится предложение. С правильным количеством образца текста — скажем, широкий диапазон Интернета — эти текстовые модели становятся довольно точными. Мы видим, насколько точно с успехом таких инструментов, как ChatGPT.

Что нужно, чтобы построить генеративную модель ИИ?

Создание генеративной модели ИИ по большей части было серьезным мероприятием в той мере, в которой только несколько высокотехнологичных тяжеловесов сделали попытку. OpenAI, компания, стоящая за ChatGPT, бывшими моделями GPT и DALL-E, имеет миллиарды средств от доноров с жирным именем. DeepMind является дочерней компанией Alphabet, материнской компании Google, а Meta имеет выпущен его продукт Make-A-Video на основе генеративного ИИ. В этих компаниях работают одни из лучших компьютерных ученых и инженеров мира.

Но это не просто талант. Когда вы просите модель тренироваться почти через весь интернет, это будет стоить вам. OpenAI не опубликовал точных затрат, но оценки показывают, что GPT-3 обучался около 45 терабайт текстовых данных — это около миллиона футов книжной полки или четверть всей Библиотеки Конгресса — по ориентировочной стоимости в несколько миллионов долларов. Это не ресурсы, к которым может получить доступ ваш стартап в саду.

Какие виды продукции может производить генеративная модель ИИ?

Как вы, возможно, заметили выше, выходы из генеративных моделей ИИ могут быть неотличимы от человеческого контента, или они могут показаться немного странными. Результаты зависят от качества модели —, как мы видели, результаты ChatGPT пока превосходят результаты ее предшественников — и соответствие между моделью и вариантом использования, или ввод.

ChatGPT может производить то, что один комментатор назвал “твердый” эссе, сравнивающее теории национализма от Бенедикта Андерсона и Эрнеста Геллнера — за десять секунд. Это также произвело уже известный отрывок, описывающий, как удалить бутерброд с арахисовым маслом из видеомагнитофона в стиле Библии короля Джеймса. Созданные AI художественные модели, такие как DALL-E (, называют смесь сюрреалиста Сальвадора Дали и милого робота Pixar WALL-E ), которые могут создавать странные, красивые изображения по запросу, как Рафаэль рисует Мадонну и ребенка, ест пиццу. Другие генеративные модели ИИ могут создавать код, видео, аудио или бизнес-моделирование.

Но выходы не всегда точны — или уместны. Когда Прия Кришна попросил DALL-E 2 придумать изображение для ужина на День Благодарения, это произвело сцену, где индейка была украшена целыми лаймами, установить рядом с чашей того, что казалось гуакамоле. Со своей стороны, у ChatGPT, похоже, возникают проблемы с подсчетом или решением основных задач алгебры — или, действительно, преодоление сексистских и расистских предрассудков, которые скрываются в потоках Интернета и общества в более широком смысле.

Какие проблемы может решить генеративная модель ИИ?

Вы, наверное, видели эти генеративные инструменты ИИ (игрушки? ) как ChatGPT может генерировать бесконечные часы развлечений. Возможность ясно для бизнеса также. Генеративные инструменты ИИ могут создавать широкий спектр достоверных писем за считанные секунды, а затем реагировать на критику, чтобы сделать написание более подходящим для цели. Это имеет значение для широкого спектра отраслей, от ИТ и программных организаций, которые могут извлечь выгоду из мгновенного, в основном правильного кода, сгенерированного моделями AI, для организаций, нуждающихся в маркетинговой копии. Короче говоря, любая организация, которая должна производить четкие письменные материалы, потенциально может извлечь выгоду. Организации также могут использовать генеративный ИИ для создания большего количества технических материалов, таких как версии медицинских изображений с более высоким разрешением. А благодаря сэкономленному здесь времени и ресурсам организации могут использовать новые возможности для бизнеса и возможность создавать больше ценности.

Мы видели, что разработка генеративной модели ИИ настолько ресурсоемка, что об этом не может быть и речи для всех, кроме крупнейших и наиболее обеспеченных компаний. Компании, желающие использовать генеративный ИИ для работы, имеют возможность либо использовать генеративный ИИ из коробки, либо точно настроить их для выполнения конкретной задачи. Например, если вам нужно подготовить слайды в соответствии с определенным стилем, вы можете попросить модель “ узнать ”, как заголовки обычно пишутся на основе данных на слайдах, затем подайте данные слайдов и попросите написать соответствующие заголовки.

Соображения для всех

Как искусственный интеллект (ИИ) продолжает развиваться и применяться в различных областях, он имеет потенциал значительно повлиять на ход истории. Вот грядут из возможных изменений, которые ИИ может принести:

Трансформация рабочей силы: Внедрение ИИ может привести к автоматизации рутинных задач и процессов, что в свою очередь может изменить структуру рабочей силы. Некоторые виды работы могут быть заменены ИИ, тогда как в других областях может возникнуть потребность в новых навыках и специализациях.
Улучшение производительности и эффективности: ИИ обладает способностью анализировать и обрабатывать большие объемы данных с высокой скоростью и точностью. Это может привести к улучшению производительности и эффективности в различных отраслях, включая производство, здравоохранение, финансы и другие.
Революция в медицине и здравоохранении: ИИ может играть значительную роль в области медицины и здравоохранения, например, в диагностике заболеваний, индивидуализированном лечении и разработке новых лекарственных препаратов. Это может привести к более точным диагнозам, улучшению качества здравоохранения и повышению продолжительности жизни.
Революция в транспорте: ИИ может сыграть важную роль в развитии автономных транспортных средств и оптимизации транспортных систем. Это может повлиять на безопасность на дорогах, сократить время в пути и улучшить эффективность использования транспорта.
Изменение социальных взаимодействий: ИИ также может влиять на наши социальные взаимодействия и общество в целом. Например, развитие роботов и виртуальных ассистентов может изменить способ, которым мы взаимодействуем с технологией и друг с другом.

История показала, что новые технологии могут изменить общество. Искусственный интеллект уже изменил наш образ жизни и работу!

Но технология также может поставить новые и серьезные проблемы. Заинтересованные стороны должны действовать — и быстро, учитывая темпы, с которыми генеративный ИИ может быть принят —, чтобы подготовиться к решению как возможностей, так и рисков.

Использование генеративного AI - соображения

Компании и лидеры бизнеса

Как компании могут быстро двигаться, чтобы уловить потенциальную ценность, о которой идет речь, о которой говорится в этом отчете, при управлении рисками, которые представляет генеративный ИИ?

Как в ближайшие годы генеративный ИИ и другой искусственный интеллект трансформируют сочетание профессий и навыков, необходимых для рабочей силы компании? Как компания позволит осуществить эти переходы в своих планах найма, программах переподготовки и других аспектах человеческих ресурсов?

Есть ли у компаний роль в обеспечении того, чтобы технология не использовалась в случаях “ с отрицательным использованием ”, которые могут нанести вред обществу?

Как предприятия могут прозрачно делиться своим опытом расширения использования генеративного ИИ в отраслях и между ними —, а также с правительствами и обществом?

Политики

Как будет выглядеть будущее работы на уровне экономики с точки зрения профессий и навыков? Что это значит для планирования рабочей силы?

Как можно поддержать работников, поскольку их деятельность со временем меняется? Какие программы переподготовки могут быть реализованы? Какие стимулы необходимы для поддержки частных компаний, которые инвестируют в человеческий капитал? Существуют ли программы «зарабатывай, пока учишься», такие как ученичество, которое может позволить людям переобучиться, продолжая поддерживать себя и свои семьи?

Какие шаги могут предпринять политики, чтобы предотвратить использование генеративного ИИ таким образом, чтобы нанести вред обществу или уязвимым группам населения?

Можно ли разработать новую политику и внести поправки в существующую политику, чтобы обеспечить развитие и развертывание искусственного интеллекта, ориентированного на человека, которое включает в себя надзор за людьми и различные перспективы и учитывает общественные ценности?

Физические лица как работники, потребители и граждане

Насколько обеспокоены люди появлением генеративного ИИ? В то время как компании могут оценить, как технология повлияет на их итоги, куда граждане могут обратиться за точной, непредвзятой информацией о том, как это повлияет на их жизнь и средства к существованию?

Как отдельные лица, как работники и потребители, могут сбалансировать удобства, которые генерирующий ИИ обеспечивает, с его влиянием на их рабочих местах?

Могут ли граждане иметь право голоса в решениях, которые будут определять развертывание и интеграцию генеративного ИИ в структуру их жизни?

В итоге, Мы надеемся, что это исследование способствовало лучшему пониманию способности генеративного ИИ повышать ценность операций компании и стимулировать экономический рост и процветание, а также его потенциала кардинально трансформировать то, как мы работаем и наша цель в обществе. Компании, политики, потребители и граждане могут работать вместе, чтобы гарантировать, что генеративный ИИ выполняет свое обещание создать значительную ценность, ограничивая при этом свой потенциал для разрушения жизни и средств к существованию. Время действовать сейчас.

Тем не менее генеративный ИИ представляет собой еще один многообещающий скачок вперед и мир новых возможностей.

ПРО АВТОРА(АХ)

Коновалов Алексей – партнер Marrbery, где Шевченко Наталья – консультант; Кривошея Марина – старший эксперт; и Мария Заньковецкая – консультантка.

Авторы хотели бы выразить благодарность следующим лицам:
Коваленко Галине, Снитко Кириллу, Литвиненко Василию, Григоренко Анне, Мельнику Александру, Савченко Олесе, Ковалю Олегу, Гордиенко Денису, Тимчуку Богдану, Кравке Лилии
и другим, которые помогли в процессе.

Избранные аналитические сведения