Kalbėdamas su mažmeninės prekybos vadovais 2010 m., Rama Ramakrishnan suprato du. Pirma, nors mažmeninės prekybos sistemos, siūlančios klientams individualizuotas rekomendacijas, sulaukė daug dėmesio, šios sistemos mažmenininkams dažnai teikdavo mažai naudos. Antra, daugelyje firmų dauguma klientų apsipirkdavo tik kartą ar du per metus, todėl įmonės apie jas nelabai žinojo.
„Tačiau labai stropiai užrašydami kliento sąveiką su mažmenininku ar el. prekybos svetaine, galime sukurti labai gražų ir išsamų bendrą vaizdą apie tai, ką tas asmuo veikia ir kas jam rūpi“, – sako profesorius Ramakrishnanas. praktikos MIT Sloan vadybos mokykloje. „Kai tai turėsite, galėsite pritaikyti patikrintus algoritmus iš mašininio mokymosi.
Dėl šių supratimų Ramakrishnan įkūrė „CQuotient“ – startuolį, kurio programinė įranga dabar tapo „Salesforce“ plačiai pritaikytos AI el. prekybos platformos pagrindu. „Vien juodąjį penktadienį CQuotient technologija tikriausiai mato ir sąveikauja su daugiau nei milijardu pirkėjų per vieną dieną“, – sako jis.
Po itin sėkmingos verslininko karjeros 2019 m. Ramakrishnanas grįžo į MIT Sloan, kur 1990-aisiais įgijo magistro ir daktaro laipsnius operacijų tyrimų srityje. Jis moko studentus „ne tik kaip šios nuostabios technologijos veikia, bet ir kaip jūs priimate šias technologijas ir pragmatiškai jas pritaikysite realiame pasaulyje“, – sako jis.
Be to, Ramakrishnan mėgsta dalyvauti MIT vadovų mokymuose. „Tai puiki proga man perteikti dalykus, kurių išmokau, bet taip pat svarbu sužinoti, ką galvoja šie vyresnieji vadovai, ir nukreipti juos tinkama linkme“, – sako jis.
Pavyzdžiui, vadovai suprantamai susirūpinę dėl didžiulio duomenų kiekio poreikio apmokyti mašininio mokymosi sistemas. Dabar jis gali nukreipti juos į daugybę modelių, kurie yra iš anksto paruošti konkrečioms užduotims atlikti. „Galimybė naudoti šiuos iš anksto paruoštus AI modelius ir labai greitai pritaikyti juos konkrečiai verslo problemai yra neįtikėtinas pažanga“, – sako Ramakrishnanas.
Rama Ramakrishnan – dirbtinio intelekto panaudojimas realaus pasaulio programose protingam darbui
Vaizdo įrašas: MIT pramonės ryšių programa
AI kategorijų supratimas
„AI yra siekis, kad kompiuteriai galėtų atlikti pažinimo užduotis, kurias paprastai gali atlikti tik žmonės“, – sako jis. Šio sudėtingo kraštovaizdžio istorijos supratimas padeda išnaudoti technologijas.
Tradicinis požiūris į AI, kuris iš esmės sprendė problemas taikant iš žmonių išmoktas taisykles, buvo naudingas atliekant palyginti nedaug užduočių. „Viena iš priežasčių yra ta, kad daug ką galime atlikti be pastangų, tačiau paprašius paaiškinti, kaip tai darome, iš tikrųjų negalime aiškiai suformuluoti, kaip tai darome“, – komentuoja Ramakrishnanas. Be to, tas sistemas gali gluminti naujos situacijos, kurios neatitinka programinėje įrangoje nustatytų taisyklių.
Mašininio mokymosi metodas yra labai skirtingas, o programinė įranga iš esmės mokosi pagal pavyzdį. „Pateikiate daug įvesties ir išvesties, klausimų ir atsakymų, užduočių ir atsakymų pavyzdžių, o kompiuteris automatiškai išmoks pereiti nuo įvesties prie išvesties“, – sako jis. Kredito įvertinimas, sprendimų dėl paskolos priėmimas, ligų prognozavimas ir paklausos prognozavimas yra tarp daugelio užduočių, kurias įveikia mašininis mokymasis.
Tačiau mašininis mokymasis gerai veikė tik tada, kai įvesties duomenys buvo struktūrizuoti, pavyzdžiui, skaičiuoklėje. „Jei įvesties duomenys buvo nestruktūrizuoti, pvz., vaizdai, vaizdo įrašas, garsas, EKG ar rentgeno spinduliai, nebuvo labai gerai iš to pereiti prie numatomos išvesties“, – sako Ramakrishnanas. Tai reiškia, kad žmonės turėjo rankiniu būdu struktūrizuoti nestruktūrizuotus duomenis, kad apmokytų sistemą.
Maždaug 2010 m. gilus mokymasis pradėjo įveikti šį apribojimą ir suteikė galimybę tiesiogiai dirbti su nestruktūrizuotais įvesties duomenimis, sako jis. Remiantis ilgalaike AI strategija, žinoma kaip neuroniniai tinklai, gilus mokymasis tapo praktiškas dėl pasaulinio duomenų potvynio, nepaprastai galingos lygiagretaus apdorojimo aparatūros, vadinamos grafikos apdorojimo įrenginiais (iš pradžių buvo išrastas vaizdo žaidimams), ir algoritmų bei matematikos pažangos.
Galiausiai, gilaus mokymosi metu, praėjusiais metais pasirodę generatyvūs AI programinės įrangos paketai gali sukurti nestruktūrizuotus rezultatus, tokius kaip žmonėms skambantis tekstas, šunų vaizdai ir trimačiai modeliai. Dideli kalbų modeliai (LLM), tokie kaip OpenAI ChatGPT, pereina nuo teksto įvesties prie teksto išvesties, o teksto į vaizdą modeliai, tokie kaip OpenAI DALL-E, gali išgauti tikroviškai atrodančius vaizdus.
Rama Ramakrishnan – Mažų duomenų įsidėmėjimas, siekiant pagerinti klientų aptarnavimą
Vaizdo įrašas: MIT pramonės ryšių programa
Ką generatyvusis AI gali (ir ko negali) padaryti
Ramakrishnanas sako, kad naudojant neįsivaizduojamai didžiulius interneto teksto išteklius, LLM „pagrindinė galimybė yra numatyti kitą labiausiai tikėtiną žodį. „Tada jis prideda žodį prie pradinio sakinio, vėl nuspėja kitą žodį ir toliau tai daro.
„Daugelio, įskaitant daugybę tyrėjų, nuostabai, LLM gali atlikti kai kuriuos labai sudėtingus dalykus“, – sako jis. „Jis gali kurti gražiai nuoseklią poeziją, rašyti Seinfeldo epizodus ir išspręsti kai kurias samprotavimo problemas. Tikrai nuostabu, kaip kito žodžio numatymas gali paskatinti šias nuostabias galimybes.
„Tačiau jūs visada turite turėti omenyje, kad tai, ką ji daro, yra ne tiek teisingo atsakymo į jūsų klausimą paieška, kiek tikėtino atsakymo į jūsų klausimą paieška“, – pabrėžia Ramakrishnanas. Jo turinys gali būti netikslus, nesusijęs, toksiškas, šališkas arba įžeidžiantis.
Dėl to naudotojams tenka našta užtikrinti, kad išvestis būtų teisinga, tinkama ir naudinga atliekamai užduočiai. „Turite įsitikinti, kad yra koks nors būdas patikrinti, ar jo išvestyje nėra klaidų, ir jas ištaisyti, kol ji neužges“, – sako jis.
Vykdomi intensyvūs tyrimai, siekiant rasti metodus šiems trūkumams pašalinti, priduria Ramakrishnanas, kuris tikisi, kad tai padaryti bus daug naujoviškų priemonių.
Tinkamų LLM įmonių vaidmenų paieška
Atsižvelgiant į nuostabią LLM pažangą, kaip pramonė turėtų galvoti apie programinės įrangos taikymą tokioms užduotims kaip turinio kūrimas?
Pirmiausia, Ramakrishnanas pataria, apsvarstykite išlaidas: „Ar daug pigiau kainuoja sukurti juodraštį, kurį pataisote, nei jūs sukuriate visą? Antra, jei LLM padarys klaidą, kuri praslysta, o klaidingas turinys išleidžiamas į išorinį pasaulį, ar galite gyventi su pasekmėmis?
„Jei turite programą, kuri tenkina abu aspektus, verta atlikti bandomąjį projektą, kad pamatytumėte, ar šios technologijos iš tikrųjų gali jums padėti atlikti tą konkrečią užduotį“, – sako Ramakrishnanas. Jis pabrėžia, kad bandomąjį projektą reikia vertinti kaip eksperimentą, o ne kaip įprastą IT projektą.
Šiuo metu programinės įrangos kūrimas yra brandžiausia verslo LLM programa. „ChatGPT ir kitos LLM yra teksto įvedimas, teksto išvedimas, o programinė įranga yra tik tekstas“, – sako jis. „Programuotojai gali pereiti nuo anglų kalbos įvedimo į Python teksto išvedimą, taip pat galite pereiti nuo anglų kalbos į anglų arba iš anglų į vokiečių kalbą. Yra daug įrankių, padedančių rašyti kodą naudojant šias technologijas.
Žinoma, programuotojai turi įsitikinti, kad rezultatas tinkamai atlieka savo darbą. Laimei, programinės įrangos kūrimas jau siūlo infrastruktūrą kodo testavimui ir tikrinimui. „Tai graži vieta, – sako jis, – kur daug pigiau, kai technologija parašo kodą už jus, nes galite labai greitai jį patikrinti ir patikrinti.
Kitas svarbus LLM panaudojimas yra turinio generavimas, pvz., rinkodaros kopijų ar elektroninės prekybos produktų aprašymų rašymas. „Vėlgi, gali būti daug pigiau pataisyti ChatGPT juodraštį, nei parašyti visą reikalą“, – sako Ramakrishnanas. „Tačiau įmonės turi būti labai atsargios, kad įsitikintų, jog yra žmogus.
LLM taip pat greitai plinta kaip įmonės dokumentų paieškos įrankiai. Skirtingai nuo įprastų paieškos algoritmų, LLM pokalbių robotas gali pasiūlyti pokalbio paieškos patirtį, nes prisimena kiekvieną jūsų užduotą klausimą. „Bet vėlgi, tai kartais viską išspręs“, – sako jis. „Kalbant apie pokalbių robotus išoriniams klientams, tai yra labai ankstyvos dienos, nes kyla pavojus klientui pasakyti ką nors ne taip.
Apskritai, Ramakrishnanas pažymi, kad gyvename nepaprastu laiku, kad galėtume kovoti su sparčiai besikeičiančiomis AI galimybėmis ir spąstais. „Padedu įmonėms išsiaiškinti, kaip panaudoti šias labai transformuojančias technologijas ir jas pritaikyti, kad produktai ir paslaugos būtų daug išmanesni, darbuotojai – daug produktyvesni, o procesai – daug efektyvesni“, – sako jis.
