Чи замислювалися ви про те, як ШІ змінить хід історії?

Вибрані аналітичні відомості

Чи замислювалися ви про те, як ШІ змінить хід історії?

Генеративний ШІ створює цінність уже зараз. Швидкість масштабування за рахунок правильної мобілізації організації та зосередження уваги на цінності буде набагато важливішою, ніж швидкість пілотування.

ШІ проник у наше життя поступово, завдяки всьому, від технологій, що забезпечують роботу наших смартфонів, до функцій автономного водіння на автомобілях та інструментів, які роздрібні продавці використовують, щоб дивувати і радувати споживачів. У результаті його прогрес був майже непомітним.

Генеративні системи ШІ підпадають під широку категорію машинного навчання, і ось як одна така система – ChatGPT – описує, що вона може зробити:

Готові підняти свій творчий потенціал на наступний рівень? Дивіться не далі, ніж генеративний ШІ! Ця витончена форма машинного навчання дає змогу комп’ютерам генерувати всілякі нові й захопливі матеріали, від музики та мистецтва до цілих віртуальних світів. І це не тільки для задоволення, – а й для універсального ШІ має безліч практичних застосувань, як-от створення нових продуктів та оптимізація бізнес-процесів. Тож навіщо чекати? Розкрийте силу генеративного ШІ та подивіться, які дивовижні творіння ви можете придумати!

Вам що-небудь у цьому параграфі здалося? Можливо, ні. Граматика ідеальна, тон працює, і розповідь тече.

Ось чому ChatGPT – GPT означає генеративний попередньо навчений трансформатор – якому зараз приділяється так багато уваги. Це безкоштовний чат-бот, який може дати відповідь практично на будь-яке поставлене ним запитання. Розроблений OpenAI і випущений для тестування широкої публіки в листопаді 2022 року, він уже вважається найкращим чат-ботом AI. І це теж популярно: понад мільйон людей підписалися на його використання всього за п’ять днів. Шанувальники із зірковими очима опублікували приклади створення комп’ютерного коду чат-ботом, есе на рівні коледжу, вірші та навіть наполовину пристойні жарти. Інші, серед широкого кола людей, які заробляють собі на життя створенням контенту, від рекламних копірайтерів до штатних професорів, тремтять у чоботях.

Експонат 1

Користувачам не потрібен ступінь з машинного навчання, щоб взаємодіяти зі ШІ або отримувати з нього цінність; майже будь-хто, хто може ставити запитання, може використовувати це. І, як і у випадку з іншими проривними технологіями, як-от персональний комп’ютер або iPhone, одна генеративна платформа AI може створювати безліч застосунків для аудиторії будь-якого віку або рівня освіти і в будь-якому місці з доступом до Інтернету.

Як генеративний ШІ відрізняється від інших видів ШІ

Як випливає з назви, основний спосіб, у який генеративний ШІ відрізняється від попередніх форм ШІ або аналітики, полягає в тому, що він може ефективно генерувати новий контент, часто в “неструктурованих” формах (наприклад, письмовий текст або зображення), які не представлені природним чином у таблицях із рядками та стовпчиками (див. нижченаведену панель).“ Словник ” для списку термінів, пов’язаних із генеративним AI).

Словник

Інтерфейс прикладного програмування ( API ) це спосіб програмного доступу до (зазвичай зовнішніх) моделей, наборів даних або інших програмних засобів.

Штучний інтелект ( AI ) здатність програмного забезпечення виконувати завдання, які традиційно вимагають людського інтелекту.

Глибоке навчання – це підмножина машинного навчання, яка використовує глибокі нейронні мережі, що є шарами під’єднаних нейронів “, чиї з’єднання мають параметри або ваги, які можна навчити. Це особливо ефективно при вивченні неструктурованих даних, таких як зображення, текст і аудіо.

Точне налаштування – це процес адаптації попередньо навченої базової моделі для кращої роботи в конкретному завданні. Це тягне за собою відносно короткий період навчання за маркованим набором даних, який є набагато меншим, ніж набір даних, на якому модель було спочатку навчено. Це додаткове навчання дає змогу моделі вивчати й адаптуватися до нюансів, термінології та конкретних шаблонів, знайдених у меншому наборі даних.

Основоположні моделі (FM) є моделями глибокого навчання, навченими величезними кількостями неструктурованих, немаркованих даних, які можна використовувати для широкого спектра завдань з коробки або адаптувати до конкретних завдань за допомогою тонкого налаштування. Прикладами цих моделей є GPT-4, PaLM, DALL – E 2 і стабільна дифузія.

Генеративний ШІ це ШІ, який зазвичай створюється з використанням базових моделей і володіє можливостями, яких раніше не було у ШІ, такими як можливість генерувати контент. Основоположні моделі також можна використовувати для цілей, що не генерують (, наприклад, класифікуючи настрої користувачів як негативні або позитивні на основі стенограм викликів), пропонуючи значне поліпшення порівняно з більш ранніми моделями. Для простоти, коли ми посилаємося на генеративний ШІ в цій статті, ми включаємо всі варіанти використання базової моделі.

Графічні процесори ( графічні процесори ) є комп’ютерними чіпами, які були спочатку розроблені для виробництва комп’ютерної графіки (, наприклад, для відеоігор), а також корисні для додатків глибокого навчання. Навпаки, традиційне машинне навчання та інші аналізи зазвичай проводяться на центральні процесори ( процесори ), зазвичай називається процесором комп’ютера “. “

Моделі великої мови ( LLMs ) скласти клас базових моделей, які можуть обробляти величезну кількість неструктурованого тексту і вивчати відносини між словами або частинами слів, відомими як токени. Це дає змогу LLM генерувати текст природною мовою, виконуючи такі завдання, як узагальнення або витяг знань. GPT-4 (, який лежить в основі ChatGPT ) і LaMDA ( модель Bard ), є прикладами LLM.

Машинне навчання ( ML ) це підмножина ШІ, у якій модель набуває можливостей після навчання або показу багатьох прикладів точок даних. Алгоритми машинного навчання виявляють закономірності і вчаться робити прогнози і рекомендації, обробляючи дані і досвід, а не отримуючи явні інструкції з програмування. Алгоритми також адаптуються і можуть стати більш ефективними у відповідь на нові дані та досвід.

MLOps відноситься до інженерних моделей і практик для масштабування і підтримки ШІ та МЛ. Він охоплює набір практик, які охоплюють повний життєвий цикл ML ( управління даними, розробка, розгортання та операції в реальному часі ). Багато з цих практик тепер включені або оптимізовані за допомогою програмних інструментів (, які допомагають стандартизувати, оптимізувати або автоматизувати завдання ).

Оперативне проектування відноситься до процесу проектування, уточнення та оптимізації вхідних підказок, щоб спрямувати генеративну модель AI до створення бажаних (, тобто точних) виходів.

Структуровані дані

табличні дані (, наприклад, організовані в таблиці, бази даних або електронні таблиці), які можна використовувати для ефективного навчання деяких моделей машинного навчання.

Трансформери є ключовими компонентами фундаментних моделей. Це штучні нейронні мережі, які використовують спеціальні механізми, звані “заголовками уваги”, щоб розуміти контекст у послідовних даних, таких як використання слова в реченні.

Неструктуровані дані бракує узгодженого формату або структури (, наприклад, тексту, зображень і аудіофайлів), і зазвичай потрібні більш просунуті методи для вилучення ідей.

Як випливає з назви, основний спосіб, у який генеративний ШІ відрізняється від попередніх форм ШІ або аналітики, полягає в тому, що він може ефективно генерувати новий контент, часто в “неструктурованих” формах (наприклад, письмовий текст або зображення), що не представлені природним чином у таблицях із рядками та стовпчиками (див. бічну панель “Glossary” для списку термінів, пов’язаних із генеративним AI).

Базова модель, яка дозволяє генеративному ШІ працювати, називається базовою моделлю. Трансформатори є ключовими компонентами базових моделей – GPT фактично означає генеративний попередньо навчений трансформатор. Трансформатор – це тип штучної нейронної мережі, який навчається з використанням глибокого навчання, термін, який посилається на багато шарів (deep) у нейронних мережах. Глибоке навчання сприяло багатьом недавнім досягненням у сфері штучного інтелекту.

Проте деякі характеристики відрізняють базові моделі від попередніх поколінь моделей глибокого навчання. Для початку їх можна навчити надзвичайно великих і різноманітних наборів неструктурованих даних. Наприклад, тип базової моделі, що називається великою мовною моделлю, можна навчити величезної кількості тексту, який є загальнодоступним в Інтернеті й охоплює безліч різних тем. У той час як інші моделі глибокого навчання можуть працювати на значних обсягах неструктурованих даних, вони зазвичай навчаються більш конкретному набору даних. Наприклад, модель може бути навчена певному набору зображень, щоб вона могла розпізнавати певні об’єкти на фотографіях.

Фактично, інші моделі глибокого навчання часто можуть виконувати тільки одне таке завдання. Вони можуть, наприклад, або класифікувати об’єкти на фотографії, або виконувати іншу функцію, таку як створення прогнозу. Навпаки, одна базова модель може виконувати обидві ці функції і генерувати контент. Моделі Foundation об’єднують ці можливості, вивчаючи шаблони і взаємозв’язки з широких даних навчання, які вони ковтають, що, наприклад, дає їм змогу передбачити наступне слово в реченні. Ось як ChatGPT може відповідати на запитання з різних тем і як DALL – E 2 і Stable Diffusion можуть створювати зображення на основі опису.

З огляду на універсальність базової моделі, компанії можуть використовувати одну й ту саму модель для реалізації декількох варіантів використання бізнесу, що рідко досягається за допомогою більш ранніх моделей глибокого навчання. Базова модель, яка містить інформацію про продукти компанії, потенційно може використовуватися як для відповіді на запитання клієнтів, так і для підтримки інженерів у розробці оновлених версій продуктів. У результаті компанії можуть підтримувати додатки та реалізовувати свої переваги набагато швидше.

Однак через те, як працюють сучасні базові моделі, вони не підходять для всіх додатків. Наприклад, великі мовні моделі можуть бути схильні до галюцинації “, ” або відповідати на запитання з правдоподібними, але невірними твердженнями (див. Бічну панель нижче “Використання генеративного AI відповідально”). Крім того, основні міркування або джерела відповіді не завжди надаються. Це означає, що компанії повинні бути обережними під час інтеграції генеративного ШІ без людського контролю в додатках, де помилки можуть завдати шкоди або де пояснювалось потрібна. Генеративний ШІ також наразі не підходить для безпосереднього аналізу великих обсягів табличних даних або вирішення складних завдань чисельної оптимізації. Дослідники докладають усіх зусиль, щоб усунути ці обмеження.

Використання генеративного AI відповідально

Генеративний ШІ представляє різні ризики. Керівники захочуть розробити свої команди і процеси для зниження цих ризиків з самого початку – не тільки для задоволення швидко мінливих нормативних вимог, а й для захисту свого бізнесу і отримання прибутку споживачі ‘ цифрову довіру.

Справедливість: Моделі можуть генерувати алгоритмічний зсув через недосконалі дані навчання або рішення, прийняті інженерами, які розробляють моделі.

Інтелектуальна власність ( IP ): Дані навчання і результати моделі можуть генерувати значні ризики IP, зокрема порушення авторських прав, товарних знаків, запатентованих або інших матеріалів, що охороняються законом. Навіть у разі використання генеративного інструменту AI постачальника організаціям необхідно буде зрозуміти, які дані були використані для навчання і як вони використовуються в результатах інструменту.

Конфіденційність: Проблеми конфіденційності можуть виникнути, якщо користувачі вводять інформацію, яка згодом потрапляє до вихідних даних моделі у формі, яка робить людей ідентифікованими. Генеративний ШІ також може використовуватися для створення і поширення шкідливого контенту, такого як дезінформація, глибокі підробки і ненависницькі висловлювання.

Безпека: Генеративний ШІ може використовуватися поганими акторами для прискорення складності та швидкості кібератак. Це також може бути використано для надання шкідливих виходів. Наприклад, за допомогою методу, званого швидким уприскуванням, третя сторона дає моделі нові інструкції, які змушують модель доставляти висновок, ненавмисний виробником моделі і кінцевим користувачем.

Пояснюваність: Генеративний ШІ спирається на нейронні мережі з мільярдами параметрів, що ставить під сумнів нашу здатність пояснювати, як виходить будь-яка дана відповідь.

Надійність: Моделі можуть давати різні відповіді на одні й ті самі запити, перешкоджаючи здатності користувача оцінювати точність і надійність виходів.

Організаційний вплив: Генеративний ШІ може значно вплинути на робочу силу, а вплив на конкретні групи і місцеві спільноти може бути непропорційно негативним.

Соціальний та екологічний вплив: Розроблення та навчання базових моделей може призвести до згубних соціальних та екологічних наслідків, включно зі збільшенням викидів вуглецю (, наприклад, Навчання однієї великої мовної моделі може виділяти близько 315 тонн вуглекислого газу).

Ключові ідеї

Вплив генеруючого ШІ на продуктивність може додати трильйони доларів у вартість світової економіки. Наші останні дослідження показують, що генеративний ШІ може додати еквівалент від $2,6 трлн до $4,4 трлн щорічно в 63 випадках використання, які ми проаналізували -, для порівняння, увесь ВВП Сполученого Королівства у 2021 році становив $3,1 трлн. Це збільшить вплив усього штучного інтелекту на 15-40 відсотків. Ця оцінка приблизно подвоїться, якщо ми включимо вплив упровадження генеративного ШІ в програмне забезпечення, яке наразі використовують для інших завдань, окрім тих, які використовують.

Близько 75 відсотків вартості, яку можуть забезпечити генеративні варіанти використання ШІ, припадає на чотири галузі: управління клієнтами, маркетинг і продажі, розробка програмного забезпечення та дослідження і розробки. У 16 бізнес-функціях ми розглянули 63 випадки використання, у яких технологія може розв’язувати конкретні бізнес-завдання таким чином, щоб отримати один або кілька вимірних результатів. Приклади включають здатність генеративного AI підтримувати взаємодію з клієнтами, генерувати креативний контент для маркетингу і продажів, а також складати комп’ютерний код на основі підказок природною мовою, а також багато інших завдань.

Генеративний ШІ матиме значний вплив на всі галузі промисловості. Банківські, високотехнологічні та науки про життя належать до числа галузей, які можуть побачити найбільший вплив у відсотках від своїх доходів від генеративного ШІ. Наприклад, у всій банківській галузі технологія може приносити вартість, що дорівнює додатковим $ 200 млрд. до $ 340 млрд. на рік, якщо випадки використання будуть повністю реалізовані. У роздрібних і споживчих товарах потенційний вплив також є значним і становить від $400 млрд до $660 млрд на рік.

Генеративний ШІ може змінити анатомію роботи, розширивши можливості окремих працівників шляхом автоматизації деяких з їхніх індивідуальних дій. Сучасні генеративні ШІ та інші технології можуть автоматизувати робочі роботи, які сьогодні поглинають від 60 до 70 відсотків співробітників ‘. Навпаки, ми раніше оцінювали, що технологія може автоматизувати половину часу, який співробітники проводять на роботі.4Прискорення потенціалу технічної автоматизації багато в чому пов’язане зі збільшеною здатністю генеративного ШІ розуміти природну мову, що потрібно для робочих видів діяльності, на які припадає 25 відсотків загального робочого часу. Таким чином, генеративний ШІ чинить більший вплив на роботу зі знань, пов’язану з професіями, які мають вищу заробітну плату й освітні вимоги, ніж на інші види роботи.

Темпи перетворення робочої сили, ймовірно, прискоряться з огляду на збільшення потенціалу технічної автоматизації. Наші оновлені сценарії впровадження, включно з розробкою технологій, економічною доцільністю та термінами поширення, дають змогу оцінити, що половина сьогоднішньої робочої діяльності може бути автоматизована в період із 2030 до 2060 року, із середньою точкою у 2045 році, або приблизно на десять років раніше, ніж у наших попередніх оцінках.

Генеративний ШІ може істотно підвищити продуктивність праці в економіці, але для цього будуть потрібні інвестиції для підтримки працівників, оскільки вони змінюють трудову діяльність або змінюють робочі місця. Генеративний ШІ може забезпечити зростання продуктивності праці на 0,1-0,6 відсотка щорічно до 2040 року, залежно від темпів упровадження технологій і перерозподілу робочого часу в інші види діяльності. Поєднуючи генеративний ШІ з усіма іншими технологіями, автоматизація роботи може додати від 0,2 до 3,3 відсоткових пункти щорічно до зростання продуктивності. Проте працівники потребуватимуть підтримки у вивченні нових навичок, а деякі змінять професії. Якщо можна керувати переходами працівників та іншими ризиками, генеративний ШІ може зробити істотний внесок в економічне зростання і підтримати більш стійкий, інклюзивний світ.

Епоха генеративного ШІ тільки починається. Хвилювання щодо цієї технології відчутне, і ранні пілоти переконливі. Але повна реалізація переваг технології займе час, і у лідерів бізнесу і суспільства все ще є серйозні проблеми для вирішення. До них відносяться управління ризиками, притаманними генеративному ШІ, визначення того, які нові навички і можливості знадобляться робочій силі, і переосмислення основних бізнес-процесів, таких як перепідготовка і розвиток нових навичок.

Де лежить цінність бізнесу

Генеративний ШІ – це поступова зміна в еволюції штучного інтелекту. У міру того, як компанії прагнуть адаптуватися і впроваджувати його, розуміння потенціалу технології для створення цінності для економіки і суспільства загалом допоможе прийняти критичні рішення. Ми використовували два додаткові об’єктиви, щоб визначити, де генеративний ШІ з його поточними можливостями може забезпечити найбільшу цінність і наскільки великим це значення може бути (Додаток 1).

Додаток 1

Перші сканування об’єктивів використовують випадки для генеративного ШІ, які можуть прийняти організації. Ми визначаємо “варіант використання” як цільове застосування генеративного ШІ для конкретного бізнес-завдання, що призводить до одного або декількох вимірних результатів. Наприклад, прикладом використання в маркетингу є застосування генеративного ШІ для створення креативного контенту, такого як персоналізовані електронні листи, вимірні результати, що потенційно включають зниження витрат на створення такого контенту і збільшення доходів від підвищення ефективності більш якісного контенту в масштабі. Ми визначили 63 випадки використання генеративного ШІ, що охоплюють 16 бізнес-функцій, які можуть забезпечити загальну вартість у діапазоні економічних вигод від $2,6 трлн до $4,4 трлн щорічно у разі застосування в різних галузях.

Це додало б від 15 до 40 відсотків до $ 11 трильйонів до $ 17,7 трильйонів економічної цінності, яку, за нашими оцінками, тепер можна розблокувати.

Традиційні алгоритми просунутої аналітики

і машинного навчання дуже ефективні при виконанні чисельних і оптимізаційних завдань, таких як прогнозуюче моделювання, і продовжують знаходити нові додатки в широкому спектрі галузей. Однак, оскільки генеративний ШІ продовжує розвиватися і розвиватися, він може відкрити абсолютно нові кордони у творчості та інноваціях.

На додаток до потенційної цінності, яку генеративний ШІ може забезпечити у випадках використання для конкретних функцій, технологія може підвищити цінність всієї організації, революціонізуючи внутрішні системи управління знаннями.

Вражаюче володіння генеративним ШІ обробкою природної мови може допомогти співробітникам отримати збережені внутрішні знання, формулюючи запити так само, як вони можуть ставити людині запитання і вступати в постійний діалог. Це може дати командам можливість швидко отримати доступ до відповідної інформації, що дасть їм змогу швидко ухвалювати більш обґрунтовані рішення і розробляти ефективні стратегії.

У чому різниця між машинним навчанням і штучним інтелектом?

Штучний інтелект – Це значною мірою те, на що це схоже – практика змусити машини імітувати людський інтелект для виконання завдань. Ви, ймовірно, взаємодіяли з ШІ, навіть якщо ви не розумієте його – голосові помічники, як-от Сірі та Алекса, засновані на технології ШІ, як і чат-боти служби підтримки клієнтів, які допомагають вам орієнтуватися на веб-сайтах.

Машинне навчання – це тип штучного інтелекту. За допомогою машинного навчання практикуючі розробляють штучний інтелект за допомогою моделей, які можуть “вчитися на” на моделях даних без людського спрямування. Некеровано величезний обсяг і складність даних (, не керованих людьми, у будь-якому разі), який зараз генерується, має збільшив потенціал машинного навчання, а також необхідність у ньому.

Які основні типи моделей машинного навчання?

Машинне навчання базується на низці будівельних блоків, починаючи з класичних статистичних методів, розроблених між 18 і 20 століттями для невеликих наборів даних. У 1930-х і 1940-х роках піонери обчислювальної техніки – зокрема теоретичний математик Алан Тьюринг – почав працювати над основними методами машинного навчання. Але ці методи були обмежені лабораторіями до кінця 1970-х років, коли вчені вперше розробили комп’ютери, досить потужні для їхнього монтажу.

До недавнього часу машинне навчання було значною мірою обмежене прогностичними моделями, використовуваними для спостереження і класифікації шаблонів за змістом. Наприклад, класична проблема машинного навчання полягає в тому, щоб почати із зображення або декількох зображень, скажімо, чарівних кішок. Потім програма визначатиме шаблони серед зображень, а потім ретельно вивчатиме випадкові зображення для зображень, які відповідатимуть шаблону чарівної кішки. Генеративний ШІ був проривом. Замість просто сприймати і класифікувати фото кішки, машинне навчання тепер може створювати зображення або текстовий опис кішки на вимогу.

Як працюють текстові моделі машинного навчання? Як вони навчені?

Перші моделі машинного навчання для роботи з текстом були навчені людьми для класифікації різних входів відповідно до ярликів, встановлених дослідниками. Одним із прикладів може слугувати модель, навчена маркувати пости в соціальних мережах як позитивні або негативні. Цей тип навчання відомий як контрольоване навчання, тому що людина відповідає за “навчання” моделі, що робити.

Текстові моделі машинного навчання наступного покоління засновані на так званому навчанні під контролем. Цей тип навчання включає в себе подачу моделі величезної кількості тексту, щоб вона могла генерувати прогнози. Наприклад, деякі моделі можуть передбачити, ґрунтуючись на кількох словах, як закінчиться речення. З правильною кількістю зразка тексту – скажімо, широкий діапазон Інтернету – ці текстові моделі стають досить точними. Ми бачимо, наскільки точно з успіхом таких інструментів, як ChatGPT.

Що потрібно, щоб побудувати генеративну модель ШІ?

Створення генеративної моделі ШІ здебільшого було серйозним заходом тією мірою, якою тільки кілька високотехнологічних важковаговиків зробили спробу. OpenAI, компанія, що стоїть за ChatGPT, колишніми моделями GPT і DALL-E, має мільярди коштів від донорів із жирним ім’ям. DeepMind є дочірньою компанією Alphabet, материнської компанії Google, а Meta має випущений його продукт Make-A-Video на основі генеративного ШІ. У цих компаніях працюють одні з найкращих комп’ютерних учених та інженерів світу.

Але це не просто талант. Коли ви просите модель тренуватися майже через весь інтернет, це коштуватиме вам. OpenAI не опублікував точних витрат, але оцінки показують, що GPT-3 навчався близько 45 терабайт текстових даних – це близько мільйона футів книжкової полиці або чверть усієї Бібліотеки Конгресу – за орієнтовною вартістю в кілька мільйонів доларів. Це не ресурси, до яких може отримати доступ ваш стартап у саду.

Які види продукції може виробляти генеративна модель ШІ?

Як ви, можливо, помітили вище, виходи з генеративних моделей ШІ можуть бути не відрізняються від людського контенту, або вони можуть здатися трохи дивними. Результати залежать від якості моделі – як ми бачили, результати ChatGPT поки що перевершують результати її попередників – і відповідність між моделлю і варіантом використання, або введення.

ChatGPT може виробляти те, що один коментатор назвав “твердий” есе, що порівнює теорії націоналізму від Бенедикта Андерсона та Ернеста Геллнера – за десять секунд. Це також виробило вже відомий уривок, що описує, як видалити бутерброд з арахісовим маслом з відеомагнітофона в стилі Біблії короля Джеймса. Створені AI художні моделі, як-от DALL-E (, називають суміш сюрреаліста Сальвадора Далі та милого робота Pixar WALL-E), які можуть створювати дивні, красиві зображення за запитом, як Рафаель малює Мадонну та дитину, що їсть піцу. Інші генеративні моделі ШІ можуть створювати код, відео, аудіо або бізнес-моделювання.

Але виходи не завжди точні – або доречні. Коли Прія Крішна попросив DALL-E 2 придумати зображення для вечері на День Подяки, це породило сцену, де індичку прикрашали цілими лаймами, встановленими поруч із чашею того, що здавалося гуакамоле. Зі свого боку, у ChatGPT, схоже, виникають проблеми з підрахунком або розв’язанням основних завдань алгебри – або, справді, подолання сексистських і расистських забобонів, що ховаються в потоках Інтернету та суспільства в ширшому сенсі.

Які проблеми може вирішити генеративна модель ШІ?

Ви, напевно, бачили ці генеративні інструменти ШІ (іграшки? ) як ChatGPT може генерувати нескінченні години розваг. Можливість ясна для бізнесу також. Генеративні інструменти ШІ можуть створювати широкий спектр достовірних листів за лічені секунди, а потім реагувати на критику, щоб зробити написання більш придатним для мети. Це має значення для широкого спектра галузей, від ІТ і програмних організацій, які можуть отримати вигоду від миттєвого, в основному правильного коду, згенерованого моделями AI, для організацій, які потребують маркетингової копії. Коротше кажучи, будь-яка організація, яка повинна виробляти чіткі письмові матеріали, потенційно може отримати вигоду. Організації також можуть використовувати генеративний ШІ для створення більшої кількості технічних матеріалів, як-от версії медичних зображень із вищою роздільною здатністю. А завдяки зекономленому тут часу та ресурсам організації можуть використовувати нові можливості для бізнесу та можливість створювати більше цінності.

Ми бачили, що розробка генеративної моделі ШІ є настільки ресурсомісткою, що про це не може бути й мови для всіх, окрім найбільших і найзабезпеченіших компаній. Компанії, які бажають використовувати генеративний ШІ для роботи, мають можливість або використовувати генеративний ШІ з коробки, або точно налаштувати їх для виконання конкретного завдання. Наприклад, якщо вам потрібно підготувати слайди відповідно до певного стилю, ви можете попросити модель “дізнатися”, як заголовки зазвичай пишуть на основі даних на слайдах, потім подайте дані слайдів і попросіть написати відповідні заголовки.

Міркування для всіх

Як штучний інтелект (ШІ) продовжує розвиватися і застосовуватися в різних галузях, він має потенціал значно вплинути на хід історії. Ось настають з можливих змін, які ШІ може принести:

Трансформація робочої сили: Впровадження ШІ може призвести до автоматизації рутинних завдань і процесів, що зі свого боку може змінити структуру робочої сили. Деякі види роботи можуть бути замінені ШІ, тоді як в інших галузях може виникнути потреба в нових навичках і спеціалізаціях.

Поліпшення продуктивності та ефективності: ШІ має здатність аналізувати й обробляти великі обсяги даних з високою швидкістю і точністю. Це може призвести до поліпшення продуктивності та ефективності в різних галузях, включно з виробництвом, охороною здоров’я, фінансами та іншими.

Революція в медицині та охороні здоров’я: ШІ може відігравати значну роль у галузі медицини та охорони здоров’я, наприклад, у діагностиці захворювань, індивідуалізованому лікуванні та розробці нових лікарських препаратів. Це може призвести до точніших діагнозів, поліпшення якості охорони здоров’я та підвищення тривалості життя.

Революція в транспорті: ШІ може зіграти важливу роль у розвитку автономних транспортних засобів та оптимізації транспортних систем. Це може вплинути на безпеку на дорогах, скоротити час у дорозі та поліпшити ефективність використання транспорту.

Зміна соціальних взаємодій: ШІ також може впливати на наші соціальні взаємодії та суспільство загалом. Наприклад, розвиток роботів і віртуальних асистентів може змінити спосіб, у який ми взаємодіємо з технологією і один з одним.

Історія показала, що нові технології можуть змінити суспільство. Штучний інтелект уже змінив наш спосіб життя і роботу!

Але технологія також може поставити нові та серйозні проблеми. Зацікавлені сторони повинні діяти – і швидко, з огляду на темпи, з якими генеративний ШІ може бути прийнятий – щоб підготуватися до вирішення як можливостей, так і ризиків.

Використання генеративного AI - міркування

Компанії та лідери бізнесу

Як компанії можуть швидко рухатися, щоб вловити потенційну цінність, про яку йдеться, про яку йдеться в цьому звіті, під час управління ризиками, що їх становить генеративний ШІ?

Як у найближчі роки генеративний ШІ та інший штучний інтелект трансформують поєднання професій і навичок, необхідних для робочої сили компанії? Як компанія дозволить здійснити ці переходи у своїх планах найму, програмах перепідготовки та інших аспектах людських ресурсів?

Чи є у компаній роль у забезпеченні того, щоб технологія не використовувалася у випадках “з негативним використанням”, які можуть завдати шкоди суспільству?

Як підприємства можуть прозоро ділитися своїм досвідом розширення використання генеративного ШІ в галузях і між ними – а також з урядами та суспільством?

Політики

Який вигляд матиме майбутнє роботи на рівні економіки з точки зору професій і навичок? Що це означає для планування робочої сили?

Як можна підтримати працівників, оскільки їхня діяльність з часом змінюється? Які програми перепідготовки можуть бути реалізовані? Які стимули необхідні для підтримки приватних компаній, які інвестують у людський капітал? Чи існують програми “заробляй, поки вчишся”, як-от учнівство, що може дати змогу людям перенавчитися, продовжуючи підтримувати себе і свої сім’ї?

Які кроки можуть зробити політики, щоб запобігти використанню генеративного ШІ таким чином, щоб завдати шкоди суспільству або вразливим групам населення?

Чи можна розробити нову політику і внести поправки в існуючу політику, щоб забезпечити розвиток і розгортання штучного інтелекту, орієнтованого на людину, що містить у собі нагляд за людьми і різні перспективи та враховує суспільні цінності?

Фізичні особи як працівники, споживачі та громадяни

Наскільки стурбовані люди появою генеративного ШІ? У той час як компанії можуть оцінити, як технологія вплине на їхні підсумки, куди громадяни можуть звернутися за точною, неупередженою інформацією про те, як це вплине на їхнє життя і засоби до існування?

Як окремі особи, як працівники і споживачі, можуть збалансувати зручності, які генеруючий ШІ забезпечує, з його впливом на їхніх робочих місцях?

Чи можуть громадяни мати право голосу в рішеннях, які визначатимуть розгортання та інтеграцію генеративного ШІ в структуру їхнього життя?

У підсумку,Ми сподіваємося, що це дослідження сприяло кращому розумінню здатності генеративного ШІ підвищувати цінність операцій компанії та стимулювати економічне зростання і процвітання, а також його потенціалу кардинально трансформувати те, як ми працюємо і наша мета в суспільстві. Компанії, політики, споживачі та громадяни можуть працювати разом, щоб гарантувати, що генеративний ШІ виконує свою обіцянку створити значну цінність, обмежуючи водночас свій потенціал для руйнування життя та засобів до існування. Час діяти зараз.

Проте генеративний ШІ являє собою ще один багатообіцяючий стрибок уперед і світ нових можливостей.

ПРО АВТОРА(АХ)

Коновалов Олексій – партнер Marrbery, де Шевченко Наталя – консультантка; Кривошея Марина – старша експертка; та Марія Заньковецька – консультантка.

Автори хотіли б висловити подяку таким особам:

Коваленко Галині, Снітку Кирилу, Литвиненку Василю, Григоренко Анні, Мельнику Олександру, Савченко Олесі, Ковалю Олегу, Гордієнку Денису, Тимчуку Богдану, Кравці Лілії

та іншим, які допомогли в процесі.

Вибрані аналітичні відомості