Секрет приготовления языковых моделей полезными

Если вы описали свои симптомы для меня как бизнес -лидера, и я набрал их в CHATGPT, вы бы хотели, чтобы я генерировал и назначил план лечения, отправляя заказы своему местному фармацевту — без консультации с врачом?

Что если вам предложили торговлю: ведущие ученые в мире присоединятся к вашей организации, но с уловами, что каждый из ваших бизнес -экспертов должен присоединиться к вашему конкуренту, оставляя только данные для работы, и нет экспертов для обеспечения контекста?

В эпоху ИИ общественная площадь заполнена голосами, рекламирующими возможности, риски, угрозы и рекомендуемые практики для принятия генеративного ИИ-особенно языковых моделей, таких как GPT-4 или Bard. Новые модели с открытым исходным кодом, прорывы исследований и запуск продуктов объявляются ежедневно.

В разгар этого рыночного импульса акцент был сделан на возможности языковых моделей, но язык полезен только в сочетании со знаниями и пониманием. Если бы кто -то запомнил все слова в словаре, которые были связаны с химией и могли читать без знаний или понимания основных принципов, этот язык был бы бесполезным.

Получить рецепт правильно

Для языковых моделей это идет еще дальше и может вводить в заблуждение, потому что модели могут не только читать связанные слова, но и основные документы, структуры, фразы и рекомендации, которые были написаны экспертами.

Например, когда они попросили генерировать новый рецепт, они могут использовать корреляции между предыдущими рецептами и описаниями для создания нового рецепта, но они не знают, что вкусно — или даже то, что представляет собой опыт дегустации. Если нет никакой корреляции между смешиванием оливкового масла, кетчупа и персиков в прошлых рецептах, модели вряд ли будут смешивать эти ингредиенты — не потому, что они обладают знаниями или пониманием того, что вкусно, а из -за отсутствия корреляции между этими ингредиентами в своем наборе набора данных.

Таким образом, рецепт хорошего вкуса, созданный языковой моделью, является статистической вероятностью, за которую мы можем поблагодарить экспертов, рецепты которых были включены в исходные данные. Языковые модели являются мощными, и секретный ингредиент для их того, чтобы сделать их полезными, является опытом.

Экспертиза сочетает в себе язык со знаниями и пониманием

Фраза «корреляция не равна причинно-следственной связи» хорошо известна теми, кто работает с данными. Это относится к тому факту, что вы можете нарисовать ложную корреляцию между двумя не связанными вещами, неверно истолковывая связь, чтобы подразумевать, что одна вызвала другое, например, петух утра утром, приказывающим восхождение солнца.

Машины чрезвычайно полезны для выявления корреляций и моделей, но требуется опыт, чтобы определить, подразумевают ли эти истинные причины, и должны информировать о принятии решений (например, инвестировать в обучение петухов, чтобы вырушить на час раньше, чтобы получить дополнительный час дневного света).

В человеческом опыте обучения язык — только первый шаг. В детстве получают язык для маркировки вещей, людей, мест, глаголов и многого другого, их лиц, осуществляющие уход, используют его, чтобы привить знания. Мы живем на планете под названием Земля. Этот мяч в небе называется солнцем. Следующим шагом является понимание причины и следствия (причинность или причинность): солнце в небе заставляет вашу кожу чувствовать себя тепло. Прыжок в холодное озеро может охладить вас вниз.

К тому времени, когда мы прибываем во взрослую жизнь, мы усвоили сложные структуры опыта, которые состоят из языка, знаний (что) и понимания (почему).

Воссоздание структуры опыта

Рассмотрим любую тему. Если у вас есть язык без знаний или понимания, вы не эксперт. Я знаю, что у традиционного автомобиля есть трансмиссия, двигатель с поршнями, бензобак — у меня есть язык о автомобилях.

Но есть ли у меня знания? Я знаю, что автомобиль доставляет газ в двигатель посредством впрыскивания топлива, и есть реакция, связанная с стрельбой по поршням, и что это имеет решающее значение для продвижения автомобиля вперед. Но понимаю ли я, почему? И если это перестанет работать, я бы знал, как это исправить? К большому огорчению моего учителя в магазине средней школы мне нужно было бы нанять эксперта, который понял почему и знал, как это исправить, научился в практическом опыте.

Перевод этого в машинный контекст, языковые модели без знаний (представленные графами знаний и моделями) или понимание (представленное причинными моделями), никогда не должны принимать решения, поскольку они не имеют опыта. Языковая модель, принимающая решение самостоятельно, — это все равно, что дать набор инструментов и доступ к вашему автомобилю человеку, который запомнил только следующее, наиболее вероятное слово обо всем, что связано с автомобилями.

Итак, как мы используем потенциал языковых моделей, воссоздавая структуру опыта в машинах?

Начните с опыта и работать в обратном направлении

Машинное обучение (ML) и машинное обучение являются субдисциплинами в области перевода человеческого опыта на машинный язык, так что машины могут информировать человеческие решения, либо автономно принимать решения. Это может освободить человеческую способность сосредоточиться на решениях и обнаружении, которые либо слишком нюансы, либо для которых недостаточно данных, чтобы перевести на машинный язык.

ML начинается с вопроса о том, как лучше снабжать машины для обучения, а обучение машины начинается с вопроса о том, как лучше снабжать людей для обучения машинах.

Наиболее распространенным заблуждением в дискуссиях об ИИ и ML является то, что данные являются наиболее важным элементом, но опыт является наиболее важным элементом. В противном случае, что такое модель обучения? Конечно, это идентифицирует закономерности, классификации и расчесывание через миллионы строк данных за секунды. Но что делает эти шаблоны полезными?

Когда эксперт определил, что шаблон может проинформировать о решении, которое приносит пользу организации и ее клиентам, этот опыт может быть переведен на машинный язык, и машину можно научить связывать этот шаблон с бизнес -правилами и автономно принимать полезные решения.

Следовательно, процесс перевода опыта в машины не начинается с данных, он начинается с опыта и работает в обратном направлении. Примером этого является то, что оператор машины замечает, что определенные звуки, которые машина делает корреляцию с необходимыми корректировками. Когда он делает высокий свисток, например, температуру необходимо отказаться. Помимо полной рабочей нагрузки, оператор слушает в течение дня, если машина издает один из этих звуков. Нет существующих данных, которые соответствуют этой ситуации, но есть опыт.

Работать задом наперед из этого опыта довольно проста. Установите датчики, которые обнаруживают звуки, изготовленные машиной, затем работайте с экспертом, чтобы коррелировать эти звуки (частоты и комбинации децибел), чтобы внести необходимые корректировки для машины. Этот процесс может быть выгружен в автономную систему, освобождая время оператора для выполнения других обязанностей.

Определите наиболее критический опыт

Процесс построения решений ИИ должен начинаться с вопроса о том, какой опыт является наиболее важным для организации, за которым следует оценка уровня риска, связанного с потерей этой экспертизы или потенциального роста разгрузки этого экспертного решения на машину.

Есть ли в организации только один человек, который понимает этот процесс или как исправить систему, когда она снижается? Тысячи сотрудников следуют за тем же процессом каждый день, который можно было бы разгружаться в автономную систему, что освобождает дополнительные 30 минут в своих ежедневных календарях?

Третий шаг состоит в том, чтобы оценить, какой из тех, кто связан с наивысшей степенью риска или потенциального роста, может быть переведен на машинный язык. Это шаг, когда данные и инструменты (такие как языковые модели) вступают в разговор в качестве способного перевода опыта на машинный язык и взаимодействие с машинами.

К счастью для большинства организаций, основание для строительных экспертных систем уже была заложена, и в качестве отправной точки языковые модели могут либо ссылаться на то, чтобы ссылаться на опыт, который был запрограммирован в них.

Исследование в отношении операций

В ближайшее десятилетие мы увидим встряхивание секторов рынка, основанную на их инвестициях в ИИ.

Предупреждающей историей является появление видео по требованию: Netflix внедрил потоковую передачу в 2007 году. Блокбастер, поданный на банкротство три года спустя, несмотря на то, что в 1995 году инкубировал и пилотировал блокбастер по требованию.

К тому времени, когда конкурент вводит продукт или услугу, который достаточно продвинут с значимыми и дифференцированными приложениями ИИ, скорее всего, будет слишком поздно, чтобы разобраться или «быстро последуем», особенно с учетом времени и опыта, необходимых для разработки надежных приложений.

К 2030 году имена нарицательных, которые мы сейчас почитаем, присоединятся к ряду вместе с блокбастером, потому что они решили быстро следовать, и к тому времени, когда они увидели рыночные силы, которые будут их кончиной, было слишком поздно.

Вместо того, чтобы планировать ждать и отреагировать на инвестиции и события разработчиков, лидеры должны начать с вопроса о том, чего они могли бы достичь на рынке, что потребовало бы, чтобы все остальные могли сражаться, чтобы отреагировать на них.

В эпоху автономного преобразования организациями, которые лучше всего подходят для сохранения или расширения своей позиции на рынке, будут те, которые инвестируют в передачу оперативного опыта на машины и установление видения будущего рынка и той ценности, которую их организация может создать, вводя в эксплуатацию экспедиции в неизвестность, чтобы обнаружить, может ли это видение быть реализовано, в то время как он строго переведет открытия в каждую стоимость.

Брайан Эвергрин является основателем прибыльной хорошей компанииПолем Эта статья была написана в сотрудничестве с Роном Норрисом, директором по эксплуатации в инновациях в Грузия-Тихоокеанский региони Майкл Кэрролл, вице-президент по инновациям в Грузии-Тихоокеанском регионе.