Komplexné systémy ako budúcnosť umelej inteligencie

V súčasnosti sa na globálnej technologickej scéne výrazne presadzujú veľké jazykové modely (LLM), ktoré ponúkajú revolučné možnosti v oblasti umelej inteligencie. Avšak, ako upozorňuje profesor Christopher Potts zo Stanfordu, kľúčom k skutočnému pokroku sú komplexné systémy, ktoré tieto modely integrujú do bohatšieho ekosystému. Poďme sa pozrieť na to, prečo sú práve tieto systémy budúcnosťou umelej inteligencie.

Kľúčové poznatky

• Systémové myslenie: Potts zdôrazňuje, že sme už dnes obklopení systémami, nie iba samotnými modelmi. Systémy pozostávajúce z viacerých prvkov, ako sú modely, nástroje na generovanie, prístup k databázam či webovým API, majú oveľa širšie možnosti než izolované modely.
• Význam promptovania a vzorkovania: Úspešnosť jazykového modelu v praxi je výrazne ovplyvnená tým, ako je navrhnutý prompt (výzva) a akou metódou sa vzorkujú odpovede modelu. Tieto prvky spolu tvoria minimálny systém, ktorý určuje správanie modelu v reálnych úlohách.
• Priestor pre malé modely: Potts poukazuje na to, že dobre navrhnutý systém so smart modelmi a nástrojmi môže prekonávať veľké jazykové modely, ktorých samotné fungovanie je často príliš náročné na zdroje.

Rozšírenie pohľadu: Od modelov k systémom

Hoci veľké jazykové modely ako GPT-3 alebo Google PaLM priniesli úžasne vysoké výsledky v oblasti strojového učenia, Potts upozorňuje, že skutočné inovácie spočívajú v systémoch, ktoré tieto modely zahrnujú. Tieto systémy umožňujú modelom komunikovať s reálnym svetom napríklad cez prístup k aktuálnym informáciám z webu alebo schopnosti využívať kalkulačky a ďalšie programovacie nástroje. Takéto rozšírené systémy umožňujú praktické uplatnenie AI vo všedných životných úlohách, ako aj v špecifických odborných oblastiach.

Systémový prístup k bezpečnosti a regulácii

Potts verí, že regulácie by sa mali zamerať na celé systémy, nie len na samotné modely. Vďaka tomu by sme mohli predísť prehliadaniu potenciálne nebezpečných aspektov interakcie modelov so systémami. Napríklad malý model, ktorý dokáže pracovať s webovými API, môže byť podstatne efektívnejší (a potenciálne rizikovejší) než izolovaný veľký model.

Odporúčania na záver

Posolstvo Christophera Pottsa je jednoznačné: pri navrhovaní riešení postavených na umelej inteligencii by sme sa mali vyhýbať sústredeniu iba na výkon jednotlivých modelov a namiesto toho sa zamerať na to, ako tieto modely integrujeme do širších systémov. Kľúčom k úspechu je systémové myslenie, ktoré zohľadňuje všetky komponenty a ich vzájomnú interakciu, aby sme mohli dosiahnuť optimálne výsledky v reálnom svete.

Dôležité odkazy a štúdie

• AI Professional Program na Stanforde
• Blogový príspevok "The Shift from Models to Compound AI Systems" z februára 2024 obsahujúci podrobné informácie o postupnom prechode od modelov k systémom.

Pri sledovaní ďalšieho vývoja v AI je nevyhnutné pamätať na to, že najväčšie inovácie budú pravdepodobne pochádzať z komplexných riešení, ktoré kombinujú rôzne technológie a prístupy do systémov schopných poskytovať reálne hodnoty pre používateľov.

Približne 228 gCO₂ bolo uvľnených do atmosféry a na chladenie sa spotrebovalo 1.14 l vody za účelom vygenerovania tohoto článku.