Блог

Oct 26, 2023

Что такое ChatGPT, DALL

Генеративные системы искусственного интеллекта подпадают под широкую категорию машинного обучения, и вот как одна из таких систем — ChatGPT — описывает свои возможности: Готовы поднять свое творчество на новый уровень? Смотри нет

Генеративные системы искусственного интеллектаподпадают под широкую категорию машинного обучения, и вот как одна из таких систем — ChatGPT — описывает свои возможности:

Готовы поднять свое творчество на новый уровень? Не ищите ничего, кроме генеративного ИИ! Эта изящная форма машинного обучения позволяет компьютерам создавать всевозможный новый и захватывающий контент — от музыки и искусства до целых виртуальных миров. И это не просто развлечение: генеративный ИИ имеет и множество практических применений, например, создание новых дизайнов продуктов и оптимизацию бизнес-процессов. Так зачем ждать? Раскройте мощь генеративного искусственного интеллекта и посмотрите, какие удивительные творения вы сможете создать!

Что-то в этом абзаце показалось вам неприятным? Возможно, нет. Грамматика идеальна, тон работает, повествование течет.

Вот почему ChatGPT — GPT означает генеративный предварительно обученный преобразователь — сейчас получает так много внимания. Это бесплатный чат-бот, который может дать ответ практически на любой заданный вопрос. Разработанный OpenAI и выпущенный для тестирования широкой публики в ноябре 2022 года, он уже считается лучшим чат-ботом с искусственным интеллектом за всю историю. И он также популярен: всего за пять дней на него подписались более миллиона человек. Поклонники с восторженными глазами опубликовали примеры того, как чат-бот создает компьютерный код, эссе, стихи и даже полуприличные шутки для студентов. Другие, среди широкого круга людей, которые зарабатывают себе на жизнь созданием контента, от рекламных копирайтеров до штатных профессоров, трясутся от страха.

Хотя многие отреагировали на ChatGPT (а также на искусственный интеллект и машинное обучение в более широком смысле) со страхом, у машинного обучения явно есть потенциал к лучшему. За годы, прошедшие с момента его широкого внедрения, машинное обучение продемонстрировало влияние во многих отраслях, выполняя такие задачи, как анализ медицинских изображений и прогнозы погоды с высоким разрешением. Опрос McKinsey, проведенный в 2022 году, показывает, что за последние пять лет внедрение ИИ выросло более чем вдвое, а инвестиции в ИИ растут быстрыми темпами. Очевидно, что генеративные инструменты искусственного интеллекта, такие как ChatGPT и DALL-E (инструмент для создания произведений искусства, созданных искусственным интеллектом), могут изменить способ выполнения ряда работ. Однако полный масштаб этого воздействия до сих пор неизвестен, как и риски.

Но есть некоторые вопросы, на которые мы можем ответить — например, как строятся генеративные модели ИИ, какие проблемы они лучше всего подходят для решения и как они вписываются в более широкую категорию машинного обучения. Читайте дальше, чтобы скачать.

Узнайте больше об искусственном интеллекте QuantumBlack от McKinsey.

Искусственный интеллект — это во многом именно то, на что он похож — практика заставить машины имитировать человеческий интеллект для выполнения задач. Вы, вероятно, взаимодействовали с искусственным интеллектом, даже если не осознаете этого: голосовые помощники, такие как Siri и Alexa, основаны на технологии искусственного интеллекта, как и чат-боты службы поддержки клиентов, которые появляются, чтобы помочь вам перемещаться по веб-сайтам.

Машинное обучение — это разновидность искусственного интеллекта. С помощью машинного обучения специалисты-практики разрабатывают искусственный интеллект с помощью моделей, которые могут «обучаться» на основе шаблонов данных без вмешательства человека. Неуправляемо огромный объем и сложность данных (по крайней мере, неуправляемых людьми), которые сейчас генерируются, увеличили потенциал машинного обучения, а также потребность в нем.

Машинное обучение основано на ряде строительных блоков, начиная с классических статистических методов, разработанных между 18 и 20 веками для небольших наборов данных. В 1930-х и 1940-х годах пионеры вычислительной техники, в том числе математик-теоретик Алан Тьюринг, начали работать над основными методами машинного обучения. Но эти методы применялись только в лабораториях до конца 1970-х годов, когда ученые впервые разработали компьютеры, достаточно мощные, чтобы их можно было установить.

До недавнего времени машинное обучение в основном ограничивалось прогнозирующими моделями, используемыми для наблюдения и классификации закономерностей в содержании. Например, классическая задача машинного обучения — начать с изображения или нескольких изображений, скажем, очаровательных кошек. Затем программа выявляла закономерности среди изображений, а затем тщательно изучала случайные изображения на предмет тех, которые соответствовали бы узору очаровательного кота. Генеративный ИИ стал прорывом. Вместо того, чтобы просто воспринимать и классифицировать фотографию кошки, машинное обучение теперь способно создавать изображение или текстовое описание кошки по запросу.