Ģeneratīvie AI tērzēšanas roboti ir tikai sava ceļojuma sākumā, taču mēs jau apsveram, kas būs tālāk.
Key Takeaways
- ChatGPT panākumi ir izraisījuši plašus ieguldījumus AI pētniecībā un integrācijā, radot vēl nepieredzētas iespējas un sasniegumus šajā jomā.
- Semantiskā meklēšana ar vektoru datubāzēm maina meklēšanas algoritmus, izmantojot vārdu iegulšanu un semantiku, lai nodrošinātu kontekstuāli precīzākus rezultātus.
- AI aģentu un vairāku aģentu jaunuzņēmumu izstrādes mērķis ir panākt pilnīgu autonomiju un novērst pašreizējos ierobežojumus, veicot pašnovērtējumu, korekcijas un vairāku aģentu sadarbību.
ChatGPT fenomenālie panākumi ir piespieduši katru tehnoloģiju uzņēmumu sākt ieguldīt AI izpētē un izdomāt, kā savos produktos integrēt mākslīgo intelektu. Tā ir situācija, kas nav līdzīga jebkam, ko mēs jebkad esam redzējuši, tomēr mākslīgais intelekts tikai sāk darboties.
Taču runa nav tikai par izsmalcinātiem AI tērzēšanas robotiem un teksta pārveidošanas attēliem ģeneratoriem. Apvāršņā ir daži ļoti spekulēti, bet neticami iespaidīgi AI rīki.
Semantiskā meklēšana ar vektoru datu bāzēm
Semantiskās meklēšanas vaicājumi tiek pārbaudīti, lai nodrošinātu labākus meklēšanas rezultātus cilvēkiem. Meklētājprogrammas pašlaik izmanto uz atslēgvārdiem orientētus algoritmus, lai sniegtu lietotājiem atbilstošu informāciju. Tomēr pārmērīga paļaušanās uz atslēgvārdiem rada vairākas problēmas, piemēram, ierobežota konteksta izpratne, mārketinga speciālisti, kas izmanto SEO, un zemas kvalitātes meklēšanas rezultāti sarežģītu vaicājumu izteikšanas grūtību dēļ.
Atšķirībā no tradicionālajiem meklēšanas algoritmiem, semantiskā meklēšana izmanto vārdu iegulšanu un semantisko kartēšanu, lai izprastu vaicājuma kontekstu pirms meklēšanas rezultātu sniegšanas. Tātad, tā vietā, lai paļautos uz virkni atslēgvārdu, semantiskā meklēšana nodrošina rezultātus, pamatojoties uz semantiku vai dotā vaicājuma nozīmi.
Semantiskās meklēšanas jēdziens pastāv jau ilgu laiku. Tomēr uzņēmumiem ir grūtības ieviest šādu funkcionalitāti, jo semantiskā meklēšana var būt lēna un resursietilpīga.
Risinājums ir vektoru iegulšanas kartēšana un glabāšana lielā formātā vektoru datu bāze. Tas ievērojami samazina skaitļošanas jaudas prasības un paātrina meklēšanas rezultātus, sašaurinot rezultātus, iekļaujot tikai visatbilstošāko informāciju.
Lieli tehnoloģiju uzņēmumi un jaunuzņēmumi, piemēram, Pinecone, Redis un Milvus, pašlaik iegulda vektoru datu bāzēs, lai nodrošināt semantiskās meklēšanas iespējas ieteikumu sistēmās, meklētājprogrammās, satura pārvaldības sistēmās un tērzēšanas roboti.
AI demokratizācija
Lai gan tas ne vienmēr ir tehnisks sasniegums, vairāki lieli tehnoloģiju uzņēmumi ir ieinteresēti AI demokratizācijā. Par labu vai sliktu, Tagad tiek apmācīti atvērtā pirmkoda AI modeļi un organizācijām tika piešķirtas atļaujošākas licences lietošanai un precizēšanai.
The Wall Street Journal ziņo ka Meta pērk Nvidia H100 AI paātrinātājus un cenšas izstrādāt AI, kas konkurētu ar OpenAI jaunāko GPT-4 modeli.
Pašlaik nav neviena publiski pieejama LLM, kas atbilstu GPT-4 neapstrādātajai veiktspējai. Bet ar Meta solījumu konkurētspējīgu produktu ar daudz pieļaujamāku licenci, uzņēmumi beidzot var precīzi noregulējiet jaudīgu LLM, neriskējot, ka komercnoslēpumi un sensitīvi dati tiks atklāti un izmantoti pret viņiem.
AI aģenti un vairāku aģentu starta uzņēmumi
Pašlaik tiek izstrādāti vairāki eksperimentāli projekti, lai izstrādātu AI aģentus, kuriem noteikta mērķa sasniegšanai ir vajadzīgas maz instrukcijas vai nav vajadzīgas nekādas instrukcijas. Jūs varat atcerēties jēdzienus AI aģenti no Auto-GPT, AI rīks, kas automatizē tās darbības.
Ideja ir tāda, lai aģents sasniegtu pilnīgu autonomiju, pastāvīgi veicot pašnovērtējumu un paškorekciju. Darbības koncepcija, lai panāktu pašrefleksiju un korekciju, ir tāda, ka aģents pastāvīgi mudina sevi ik uz soļa par to, kāda darbība ir jāveic, kā to izdarīt, kādas kļūdas tā pieļāva un ko tā var darīt, lai uzlabot.
Problēma ir tā, ka pašreizējiem AI aģentos izmantotajiem modeļiem ir maza semantiskā izpratne. Tas liek aģentiem halucinācijas un liek viņiem sniegt nepatiesu informāciju, kas liek viņiem iestrēgt bezgalīgā pašnovērtējuma un labošanas cilpā.
Tādu projektu kā MetaGPT Multi-agent Framework mērķis ir atrisināt problēmu, vienlaikus izmantojot vairākus AI aģentus, lai samazinātu šādas halucinācijas. Vairāku aģentu ietvari ir izveidoti, lai atdarinātu jaunuzņēmuma darbību. Katram aģentam šajā startā tiks piešķirti tādi amati kā projektu vadītājs, projektu dizaineris, programmētājs un testētājs. Sadalot sarežģītos mērķus mazākos uzdevumos un deleģējot tos dažādiem AI aģentiem, šie aģenti, visticamāk, sasniegs savus izvirzītos mērķus.
Protams, šīs sistēmas joprojām ir ļoti agrīnā izstrādes stadijā, un daudzas problēmas vēl ir jāatrisina. Bet ar jaudīgākiem modeļiem, labāku AI infrastruktūru un nepārtrauktu pētniecību un izstrādi, tas ir tikai laika jautājums, kad efektīvi AI aģenti un vairāku aģentu AI uzņēmumi kļūs par lietu.
Veidojam savu nākotni ar AI
Lielas korporācijas un jaunuzņēmumi iegulda lielus ieguldījumus AI un tās infrastruktūru izpētē un attīstībā. Tātad mēs varam sagaidīt, ka ģeneratīvā AI nākotne nodrošinās labāku piekļuvi noderīgai informācijai, izmantojot semantisko meklēšanu autonomi AI aģenti un AI uzņēmumi, kā arī brīvi pieejami augstas veiktspējas modeļi uzņēmumiem un privātpersonām lietošanai un precīzi noregulēt.
Lai gan tas ir aizraujoši, ir svarīgi arī veltīt laiku, lai apsvērtu AI ētiku, lietotāju privātumu un atbildīgu AI sistēmu un infrastruktūru attīstību. Atcerēsimies, ka ģeneratīvā AI attīstība nav saistīta tikai ar viedāku sistēmu izveidi; tas ir arī par mūsu domu pārveidošanu un atbildību par to, kā mēs izmantojam tehnoloģiju.
