پروژه هوش مصنوعی مولد شما شکست خواهد خورد

بنگاه‌ها با انرژی و با ستاره‌ها در چشمان خود، برای درک محدودیت‌های genAI و ایجاد رویکرد مبتنی بر قوانین خود وقت نمی‌گذارند.

پروژه هوش مصنوعی مولد شما تقریباً مطمئناً شکست خواهد خورد. اما دلتنگ باش: به هر حال احتمالاً نباید از هوش مصنوعی برای حل مشکل کسب و کار خود استفاده می کردید. به نظر می رسد که این یک واقعیت پذیرفته شده در میان انبوه علم داده است، اما این خرد در رسیدن به مدیران شرکت ها کند بوده است. به عنوان مثال، دانشمند داده نوح لورانگ زمانی پیشنهاد کرد، “زیر مجموعه بسیار کوچکی از مشکلات تجاری وجود دارد که به بهترین وجه با یادگیری ماشینی حل می شوند. اکثر آنها فقط به داده های خوب و درک معنای آن نیاز دارند.”

و هنوز ۸۷% از شرکت‌های بررسی‌شده توسط Bain & Company گفته‌اند< /a> آنها در حال توسعه برنامه های کاربردی هوش مصنوعی هستند. برای برخی، این رویکرد دقیقاً درست است. برای بسیاری دیگر، اینطور نیست.

ما در مجموع با هوش مصنوعی مولد آنقدر از خودمان جلو افتاده ایم که خود را برای شکست آماده می کنیم. این شکست از منابع مختلف ناشی می شود، از جمله حاکمیت داده یا مشکلات کیفیت داده، اما مشکل اصلی در حال حاضر انتظارات است. مردم یک بعدازظهر با ChatGPT سر و کله می زنند و انتظار دارند که بتواند مشکلات زنجیره تامین یا سوالات پشتیبانی مشتری را حل کند. نخواهد شد. اما AI مشکل نیست، ما هستیم.

“انتظارات صرفاً بر اساس حالات تنظیم شده است”

شریا شانکار، مهندس یادگیری ماشین در Viaduct، استدلال می‌کند که یکی از نعمت‌ها و نفرین‌های genAI این است که ظاهراً نیاز به آماده‌سازی داده‌ها را که از دیرباز یکی از سخت‌ترین جنبه‌های یادگیری ماشینی بوده است، از بین می‌برد. او می‌گوید: «از آنجایی که شما تلاش کمی برای آماده‌سازی داده‌ها انجام داده‌اید، بسیار آسان است که از نتایج اولیه غافلگیر شوید، که سپس «مرحله بعدی آزمایش را پیش می‌برد که به عنوان مهندسی سریع.”

به جای انجام کار سخت و کثیف آماده‌سازی داده‌ها، با تمام آزمایش‌ها و بازآموزی‌ها برای به دست آوردن مدلی که حتی از راه دور نتایج مفیدی به همراه داشته باشد، مردم مستقیماً به سراغ دسر می‌روند. این به نوبه خود منجر به انتظارات غیرواقع بینانه می شود: «هوش مصنوعی و LLM های مولد از این نظر جالب تر هستند که اکثر افراد قبل از ارسال هیچ گونه ارزیابی سیستماتیکی ندارند (چرا مجبور می شوند اگر آنها یک مجموعه داده آموزشی را جمع آوری نکرده باشند؟)، بنابراین انتظارات آنها صرفاً بر اساس ویبرها تنظیم می شود،” شانکار می گوید.

همانطور که مشخص است، Vibes مجموعه داده خوبی برای برنامه های کاربردی هوش مصنوعی موفق نیست.

کلید واقعی موفقیت در یادگیری ماشین چیزی است که عمدتاً در هوش مصنوعی مولد وجود ندارد: تنظیم مداوم مدل. شانکار می نویسد: «در مهندسی ML و AI، «تیم ها اغلب انتظار دارند که دقت بسیار زیاد یا همسویی با انتظارات خود از یک برنامه کاربردی هوش مصنوعی بلافاصله پس از راه اندازی آن داشته باشند، و اغلب زیرساختی برای آن ایجاد نمی کنند. به طور مداوم داده ها را بررسی کنید، آزمایش های جدید را ترکیب کنید، و سیستم انتها به انتها را بهبود بخشید. این همه کارهایی است که قبل و بعد از دستور اتفاق می افتد، به عبارت دیگر، موفقیت را به ارمغان می آورد. برای کاربردهای مولد هوش مصنوعی، تا حدی به دلیل سرعت شروع کار، بسیاری از این رشته از بین رفته است.

همچنین همه چیز با هوش مصنوعی مولد پیچیده‌تر می‌شود، زیرا هیچ هماهنگی بین درخواست و پاسخ وجود ندارد. من عاشق روشی هستم که Amol Ajgaonkar، CTO نوآوری محصول در Insight، آن را بیان کرد. . گاهی اوقات فکر می کنیم تعامل ما با LLM ها مانند گفتگوی بالغ با یک بزرگسال است. او می‌گوید اینطور نیست، بلکه «مثل این است که به بچه‌های نوجوانم دستور می‌دهم. گاهی باید خودت را تکرار کنی تا بچسبی.” پیچیده‌تر کردن آن، «گاهی اوقات هوش مصنوعی گوش می‌دهد، و گاهی اوقات دستورالعمل‌ها را دنبال نمی‌کند. این تقریباً مانند یک زبان متفاوت است.”

یادگیری نحوه مکالمه با سیستم های هوش مصنوعی مولد هم هنر و هم علم است و برای انجام آن به تجربه قابل توجهی نیاز دارد. متأسفانه، بسیاری از آزمایش‌های معمولی خود با ChatGPT بیش از حد اعتماد به نفس پیدا می‌کنند و انتظاراتی را بسیار بالاتر از آنچه ابزارها می‌توانند ارائه دهند، تعیین می‌کنند که منجر به شکست ناامیدکننده می‌شود.

اسباب بازی جدید براق را زمین بگذارید

بسیاری به سرعت به سمت هوش مصنوعی مولد می روند بدون اینکه ابتدا به این فکر کنند که آیا راه های ساده تر و بهتری برای دستیابی به اهدافشان وجود دارد یا خیر. سانتیاگو والداراما، بنیانگذار Tideily، توصیه می‌کند با اکتشافات ساده یا قوانین شروع شود. او دو مزیت برای این رویکرد ارائه می‌کند: «اول، شما در مورد مشکلی که باید حل کنید، چیزهای بیشتری خواهید آموخت. دوم، شما یک پایه برای مقایسه با هر راه حل یادگیری ماشینی آینده خواهید داشت.”

همانطور که در مورد توسعه نرم‌افزار، جایی که سخت‌ترین کار کدنویسی نیست، بلکه تشخیص کدی برای نوشتن است، سخت‌ترین کار در هوش مصنوعی این است که بفهمیم هوش مصنوعی را چگونه یا یا نه. زمانی که قوانین ساده نیاز به تسلیم قوانین پیچیده تری دارند، Valdarrama پیشنهاد می کند که به یک مدل ساده تغییر دهید. به تاکید مداوم روی “ساده” توجه کنید. همانطور که او می گوید، “سادگی همیشه برنده است” و باید تصمیمات را دیکته کند تا زمانی که مدل های پیچیده تر کاملاً ضروری باشند.

بنابراین، به هوش مصنوعی مولد برگردیم. بله، genAI ممکن است چیزی باشد که کسب و کار شما برای ارائه ارزش مشتری در یک سناریوی خاص به آن نیاز دارد. شاید. به احتمال زیاد تجزیه و تحلیل جامد و رویکردهای مبتنی بر قوانین بازده مورد نظر را به همراه خواهد داشت. برای کسانی که مصمم به استفاده از چیزهای جدید براق هستند، خوب، حتی در این صورت هنوز هم بهتر است که کوچک و ساده شروع کنند و یاد بگیرند که چگونه از هوش مصنوعی مولد با موفقیت استفاده کنند.