Generativni AI chatboti so šele na začetku svoje poti, vendar že razmišljamo, kaj sledi.
Ključni zaključki
- Uspeh ChatGPT je sprožil obsežne naložbe v raziskave in integracijo umetne inteligence, kar je privedlo do priložnosti brez primere in napredka na tem področju.
- Semantično iskanje z vektorskimi zbirkami podatkov je revolucionarno spremenilo iskalne algoritme z uporabo vdelav besed in semantike za zagotavljanje kontekstualno natančnejših rezultatov.
- Cilj razvoja agentov AI in startupov z več agenti je doseči popolno avtonomijo in razrešiti trenutne omejitve s samoocenjevanjem, popravki in sodelovanjem med več agenti.
Fenomenalen uspeh ChatGPT je prisilil vsa tehnološka podjetja, da začnejo vlagati v raziskave umetne inteligence in ugotovijo, kako integrirati umetno inteligenco v svoje izdelke. To je drugačna situacija, ki smo jo kdaj videli, vendar je umetna inteligenca šele na začetku.
Vendar ne gre samo za modne klepetalnice z umetno inteligenco in generatorje besedila v sliko. Na obzorju je nekaj zelo špekuliranih, a neverjetno impresivnih orodij AI.
Semantično iskanje z vektorskimi bazami podatkov
Semantične iskalne poizvedbe se testirajo, da bi ljudem zagotovile boljše rezultate iskanja. Iskalniki trenutno uporabljajo algoritme, osredotočene na ključne besede, za zagotavljanje ustreznih informacij uporabnikom. Vendar pretirano zanašanje na ključne besede povzroča številne težave, kot je omejeno razumevanje konteksta, tržniki, ki izkoriščajo SEO, in rezultati iskanja nizke kakovosti zaradi težav pri izražanju zapletenih poizvedb.
Za razliko od tradicionalnih iskalnih algoritmov semantično iskanje uporablja vdelave besed in semantično preslikavo za razumevanje konteksta poizvedbe, preden zagotovi rezultate iskanja. Torej, namesto da bi se zanašal na kup ključnih besed, semantično iskanje zagotavlja rezultate na podlagi semantike ali pomena dane poizvedbe.
Koncept semantičnega iskanja obstaja že kar nekaj časa. Vendar pa imajo podjetja težave pri implementaciji takšne funkcionalnosti zaradi tega, kako počasno in zahtevno je semantično iskanje.
Rešitev je, da preslikate vdelane vektorje in jih shranite v veliki vektorska baza podatkov. S tem občutno zmanjšate zahteve glede računalniške moči in pospešite rezultate iskanja, tako da jih zožite le na najbolj ustrezne informacije.
Velika tehnološka podjetja in zagonska podjetja, kot so Pinecone, Redis in Milvus, trenutno vlagajo v vektorske podatkovne baze, zagotavljajo zmogljivosti semantičnega iskanja v sistemih priporočil, iskalnikih, sistemih za upravljanje vsebin in chatboti.
Demokratizacija AI
Čeprav ne gre nujno za tehnični napredek, se več velikih tehnoloških podjetij zanima za demokratizacijo umetne inteligence. V dobrem ali slabem, zdaj se usposabljajo odprtokodni modeli AI organizacijam pa so bile podeljene bolj permisivne licence za uporabo in natančno prilagajanje.
Wall Street Journal poroča da Meta kupuje AI pospeševalnike Nvidia H100 in želi razviti AI, ki konkurira nedavnemu modelu GPT-4 OpenAI.
Trenutno ni javno dostopnega LLM-ja, ki bi se lahko ujemal s surovo zmogljivostjo GPT-4. Toda z Meto, ki obljublja konkurenčen izdelek z bolj permisivno licenco, lahko podjetja končno natančno prilagodite zmogljiv LLM brez tveganja, da bi bile poslovne skrivnosti in občutljivi podatki izpostavljeni in uporabljeni proti njim.
Agenti AI in zagonska podjetja z več agenti
Trenutno poteka več eksperimentalnih projektov za razvoj agentov AI, ki za dosego določenega cilja zahtevajo malo ali nič navodil. Morda se spomnite konceptov Agenti AI iz Auto-GPT, orodje AI, ki avtomatizira svoja dejanja.
Ideja je, da agent doseže popolno avtonomijo s stalnim samoocenjevanjem in samopopravljanjem. Delovni koncept za doseganje samorefleksije in popravka je, da agent sam nenehno spodbuja vsak korak način, kaj je treba storiti, korake, kako to storiti, katere napake je naredil in kaj lahko stori izboljšati.
Težava je v tem, da imajo trenutni modeli, ki se uporabljajo v agentih AI, malo semantičnega razumevanja. To povzroči, da agenti halucinirajo in posredujejo lažne informacije, kar povzroči, da se zataknejo v neskončni zanki samoocenjevanja in popravljanja.
Cilj projektov, kot je MetaGPT Multi-agent Framework, je rešiti težavo s hkratno uporabo več agentov AI za zmanjšanje takšnih halucinacij. Ogrodja z več agenti so nastavljena tako, da posnemajo, kako bi delovalo novoustanovljeno podjetje. Vsakemu agentu v tem zagonu bodo dodeljeni položaji, kot so vodja projekta, oblikovalec projekta, programer in preizkuševalec. Če zapletene cilje razdelite na manjše naloge in jih prenesete na različne agente AI, je večja verjetnost, da bodo ti agenti dosegli zastavljene cilje.
Seveda so ti okviri še zelo zgodaj v razvoju in veliko vprašanj je treba še rešiti. Toda z zmogljivejšimi modeli, boljšo infrastrukturo umetne inteligence ter nenehnimi raziskavami in razvojem je samo vprašanje časa, kdaj bodo učinkoviti agenti umetne inteligence in podjetja z več agenti umetne inteligence postala stvar.
Oblikovanje naše prihodnosti z AI
Velike korporacije in startupi veliko vlagajo v raziskave in razvoj umetne inteligence in njenih infrastruktur. Torej lahko pričakujemo, da bo prihodnost generativne umetne inteligence zagotavljala boljši dostop do uporabnih informacij s semantičnim iskanjem, v celoti avtonomni agenti z umetno inteligenco in podjetja z umetno inteligenco ter prosto dostopni visoko zmogljivi modeli za podjetja in posameznike za uporabo in lepa melodija.
Čeprav je razburljivo, je prav tako pomembno, da si vzamemo čas za upoštevanje etičnosti umetne inteligence, zasebnosti uporabnikov in odgovornega razvoja sistemov in infrastruktur umetne inteligence. Spomnimo se, da pri razvoju generativne umetne inteligence ne gre le za gradnjo pametnejših sistemov; gre tudi za preoblikovanje naših misli in odgovornost za način, na katerega uporabljamo tehnologijo.
