Генеративный искусственный интеллект. Как ИИ меняет нашу жизнь и работу: читать книгу онлайн полностью и бесплатно

Перлман также отмечает, что 90 % американцев с низким уровнем дохода и большинство американцев со средним уровнем не получают «никакой существенной помощи при решении важных гражданско-правовых вопросов», включая вопросы опекунства, лишения имущества по суду, лишения права выкупа заложенного имущества и взыскания долгов. Если бы можно было безопасно использовать инструменты на базе ИИ, чтобы простым языком объяснить, какими правами обладают люди в подобных ситуациях, как показано в примере на рис. 6.2, то эти инструменты могли бы стать чрезвычайно эффективным механизмом уменьшения дискриминации в подобных случаях – очень распространенных, несложных, как правило, с юридической точки зрения, но оказывающих огромное влияние на жизни людей.

Рис. 6.2. Часть ответа от Bard на запрос арендатора о споре с арендодателем

6.1.3. LLM оптимизируют портфельные инвестиции и обслуживание банковских клиентов

Компания Bloomberg, поставщик деловой и финансовой информации, новостей и аналитики, бросила вызов финансовой индустрии, выпустив BloombergGPT. Как указано в пресс-релизе, BloombergGPT – LLM с 50 миллиардами параметров, обученная на «широком спектре финансовых данных»⁷, которая может выполнять задачи в финансовой области на естественном языке, предположительно, чтобы помочь инвестиционным аналитикам как можно быстрее обрабатывать рыночные новости и информацию. Эффективность такого инструмента пока не известна, но в мире крупных финансов любое преимущество потенциально может стоить миллиарды [78].

Банки тоже уже давно применяют чат-ботов для обслуживания клиентов, и есть оптимистичная точка зрения, что LLM смогут повысить качество этого взаимодействия. По данным Бюро финансовой защиты потребителей, в 2022 году 37 % населения Соединенных Штатов взаимодействовали с банковскими чат-ботами – это ошеломляющая цифра, которая, по прогнозам, будет только расти, и все десять крупнейших банков страны уже используют чат-ботов на своих веб-сайтах. Чат-боты на базе LLM могли бы помочь решить некоторые из существующих проблем, например такие досадные ситуации, когда бот не понимает, что хочет или пытается сделать пользователь. Однако есть существенный риск, что они могут отвечать неадекватно из-за возможных галлюцинаций относительно предложений банка. Поэтому применение LLM в финансовой сфере должно быть тщательно проверено перед внедрением, особенно по причине того, что неправильные ответы могут нарушить законы о защите прав потребителей⁸.

6.1.4. LLM как соавторы в творчестве

Большие языковые модели лучше всего подходят для решения генеративных задач благодаря тому, что их ответы имеют вероятностный характер: они умеют создавать множество различных ответов, а не только один «правильный» ответ. На ветке Reddit был проведен опрос о том, как пользователи применяют LLM на работе, и люди описали множество повседневных задач, которые они успешно делегировали чат-ботам⁹. Учителя использовали их для составления планов уроков и подготовки обучающих материалов; маркетологи социальных сетей писали с их помощью краткие публикации для таких сетей, как X (Twitter) и Instagram[79], а затем развивали те же ключевые идеи в развернутые статьи для постов в блогах.

Естественно, что LLM начинают все активнее использовать в творчестве. Ной Брайер, серийный предприниматель в области маркетинга и технологий, запустил проект BrXnd.ai, чтобы «исследовать возможности сотрудничества между брендами и искусственным интеллектом»¹⁰. На первой конференции организации был проведен конкурс, объявленный как первый «рекламный тест Тьюринга», в ходе которого экспертам по брендам и рекламе было поручено определить, какие из десяти плакатов, рекламирующих один и тот же вымышленный энергетический напиток, были созданы командами студентов-маркетологов, а какие – с помощью ИИ¹¹. Образец плаката, созданного искусственным интеллектом, показан на рис. 6.3.

Рис. 6.3. Реклама, сгенерированная с помощью модели Stable Diffusion с открытым исходным кодом по промпту «Плакат для нового энергетического напитка под названием Buzz»

Панель из 16 экспертов ответила с точностью 57 %; аудитория всех участников конференции из 300 человек смогла определить разницу между рекламными плакатами, созданными человеком и машиной, с точностью всего 53 %, что близко к случайному угадыванию. Кроме того, Брайер отправил рекламу, сгенерированную ИИ, в маркетинговое агентство System1, которое измеряет эмоциональную реакцию людей на рекламу, чтобы предсказать ее эффективность. Реклама получила в среднем 1,83 балла по рейтинговой шкале System1, что лишь немного ниже среднего показателя для печатной рекламы в США, равного 1,9 балла¹². Командам, которые использовали ИИ, было запрещено как-либо дорабатывать ответы модели, а итоговые варианты получились практически неотличимыми по качеству и эффективности от тех, которые придумали, спроектировали и произвели люди. Разумеется, модели генерировали рекламу гораздо быстрее и теоретически могли произвести множество различных концепций за то же время, что и команды специалистов, но при меньших затратах.

Однако, как продемонстрировала одна из команд, конкуренция между людьми и ИИ была не вполне добросовестной: люди признались, что, хотя им было поручено использовать только ИИ, они генерировали с помощью модели только отдельные визуальные элементы, а окончательный плакат компоновали сами. Брайер вывел их рекламу из анализа на тест Тьюринга, но оценил ее эмоциональный отклик с помощью System1, и такая совместная работа человека и ИИ получила высокий балл – 2,8, больше, чем любая другая работа, созданная человеком или ИИ в одиночку. В интервью журналу Contagious Брайер сказал, что, по его мнению, ИИ не заменит человеческую креативность, но «это самый удивительный катализатор творчества, какой мне когда-либо попадался»11. Хотя работа с ИИ-инструментами подойдет не каждому, в лучшем варианте люди и машины могут работать совместно, сочетая человеческое воображение и способность ИИ быстро обрабатывать входные данные и генерировать выходные.

Похоже, что вопреки здравому смыслу, LLM хороши совсем не в тех вещах, с которыми, по идее, должны лучше всего справляться компьютеры. Если машины выдают ответы детерминировано и преуспевают в математике и логике, то LLM и чат-боты, которыми они управляют, иногда допускают математические ошибки и искажают факты. Однако LLM могут превосходно писать стихи и поддерживать беседу. Есть много качеств и умений, которые, как нам казалось, являются уникальными способностями человека, и машины не могут их проявлять, и главные из них – эмпатия и креативность. Теперь чат-боты могут выдавать ответы, которые не только демонстрируют эти качества, но иногда превосходят людей, по их же собственным оценкам. Это достижение не стоит ни преуменьшать, ни преувеличивать: чат-боты сами по себе не обладают эмпатией, но они научились создавать сочувственные сообщения.

На данный момент чат-боты лучше всего рассматривать как инструменты, которые помогают специалистам работать продуктивнее и эффективнее. Они ценны – и вскоре могут стать бесценными, – но их работа может быть неполной, а также, в отличие от профессионалов, они могут не улавливать некоторые детали. Однако в других отношениях они уже намного превосходят людей, например в способности обрабатывать огромные объемы данных. Команда из человека и искусственного интеллекта, в которой ИИ проводит первичный анализ или делает первый набросок, а человек проверяет его работу, является более эффективной, чем человек или ИИ в одиночку. Благодаря этой особенности и другим навыкам чат-боты уже стали ценными помощниками на самых разных рабочих местах. Многим людям эта технология кажется неестественной, но в то же время она дает больше свободы, позволяя профессионалам лучше управлять своим рабочим временем.

6.2. Пишем код вместе с LLM

Неудивительно, что среди первых пользователей больших языковых моделей было много технических специалистов и программистов. И одним из наиболее распространенных практических применений LLM является помощь в написании кода. Ранее мы упоминали Copilot от GitHub как ведущий продукт в этой области. Copilot основан на модели Codex от OpenAI, которая прошла тонкую настройку для написания кода по миллионам репозиториев GitHub¹³. К другим моделям для генерации кода относятся CodeWhisperer от Amazon (см. http://mng.bz/QPAe), Ghostwriter от Replit (см. http://mng.bz/XNvM) и StarCoder с открытым исходным кодом (см. http://mng.bz/yQlE). Модели в некотором смысле легче писать код, чем выполнять другие типы генеративных задач, поскольку код структурирован и в нем много повторяющихся шаблонов. В прозе люди редко используют одни и те же фразы по несколько раз, а вот в программе мы можем встретить функции, которые вызываются неоднократно. Эти модели создавались, чтобы выступать в качестве помощника по программированию: по мере того как вы пишите код, модель автоматически предлагает варианты продолжения. Другая возможность – вы можете попросить модель написать целый фрагмент кода, например функцию, просто сформулировав в виде документационной строки (docstring) [80] ее описание на естественном языке и указав язык программирования. Хотя иногда модель выдает неверные решения, особенно для сложных функций, чаще она выполняет задачу правильно с первой попытки, что значительно ускоряет работу.

Поскольку генеративные модели были обучены интерпретировать код, некоторые LLM можно использовать в качестве компьютерного терминала или командной строки, а также в качестве игрушечных баз данных. DiagramGPT, работающая на базе GPT‐4 и созданная компанией по разработке инструментов для мозгового штурма и построения диаграмм Eraser, является лишь одним из примеров новых возможностей LLM (см. http://mng.bz/MBNm). Она принимает на вход данные или описание их структуры [81], текстовое описание какой-либо системы/процесса или фрагмент программного кода и создает их визуальную диаграмму, чтобы человек, незнакомый с кодом, схемой или системой, мог легко представить, что происходит.

Рис. 6.4. Документационная строка, созданная с помощью ChatGPT, правильно описывает данную функцию и ее аргументы

Если мы продолжим говорить о выполнении рутинных задач с помощью LLM, то есть еще одно применение, связанное с программированием, в котором эти модели преуспевают, – это написание документации. С точки зрения простых соображений конфиденциальности нецелесообразно вставлять проприетарный код во внешний API, но для неконфиденциальных функций мы можем ввести промпт с кодом в Copilot или другую LLM и запросить, чтобы модель создала комментарии, объясняющие работу функции, добавила документационную строку, описание типов аргументов, а также другие улучшения, которые сделают готовый код более читабельным. На рис. 6.4 показан пример документационной строки, сгенерированной с помощью ИИ.

Некоторые LLM, которые не были созданы специально для целей программирования, тоже могут быть хорошими помощниками в написании кода. Например, регулярные выражения (regex) – это, как известно, сложная, но важная парадигма в программировании. С помощью регулярного выражения можно задать определенный шаблон, а затем искать фрагменты текста, соответствующие шаблону или отдельным его частям. Различные символы могут указывать, какие буквы и цифры нужно искать, сколько их должно быть и какие части строки игнорировать. Регулярные выражения часто используются для извлечения из текста таких данных, как адреса электронной почты или номера телефонов. Для наглядности приведем пример регулярного выражения для извлечения адресов электронной почты: /^([a-z0–9_\.-]+)@([\da-z\.-]+)\.([a-z\.]{2,63})$/. Недавно одной из нас понадобилось довольно сложное регулярное выражение, и мы попросили GPT‐4 написать его. GPT‐4 не только выдал правильное регулярное выражение, но и смог пояснить, что означает каждый символ в его ответе. На рис. 6.5 показано более простое регулярное выражение, созданное ChatGPT. Другие пользователи сообщали о применении ChatGPT для написания аналогичным образом макросов Excel¹⁴.

Написание кода – это область коллективных усилий, в которой люди всегда делились кодом, повторно его использовали и адаптировали для других целей. Давайте вспомним платформу Stack Exchange, популярный источник данных для обучения LLM, упомянутый в главе 2. Stack Overflow – самый популярный сайт экосистемы Stack Exchange, где люди задают друг другу вопросы по программированию: обычно те, кто спрашивает, описывают свою задачу, показывают несколько строк кода, выдающих ошибку, и просят совета знающих людей. Лучшие ответы на Stack Overflow содержат не только исправленные фрагменты кода, но и подробные объяснения причины возникновения ошибки в первоначальном коде, возможно, из-за неверного понимания концепций или из-за особенностей определенных языков программирования. LLM могли бы выполнять ту же функцию, что и сообщество из миллионов людей, и предоставлять ответы быстрее, чем самый быстрый из пользователей Stack Overflow.

Рис. 6.5. Фрагмент ответа ChatGPT на запрос создать регулярное выражение для извлечения идентификаторов пользователей в социальных сетях. В полном ответе были приведены регулярные выражения для идентификаторов в X (Twitter), Instagram [82], Facebook* и LinkedIn. Здесь мы видим, что регулярное выражение описано правильно, но имя пользователя X на самом деле варьируется от 4 до 15 символов

В мире LLM-помощников в программировании по-прежнему имеет значение опыт. Copilot может писать программы как человек, поскольку был обучен на коде, написанном людьми. Однако, как и созданный человеком код, его решения могут быть неэффективными или не учитывать крайние случаи. LLM – специалисты по воспроизведению шаблонов и стилей программирования, и разработчикам все равно нужно критически подходить к их ответам, учитывая состав и требования своей программы. Знание основных концепций информатики и передовых практик в области разработки программного обеспечения, пожалуй, может стать еще более важным теперь, когда LLM научились писать большую часть простейшего кода. Мы считаем, что в ближайшем будущем наибольшую пользу принесут не LLM, полностью заменяющие программистов, а специалисты, которые смогут с помощью LLM быстро осваивать и применять на практике различные специфические синтаксисы или библиотеки.

6.3. LLM в повседневной жизни

Хотя мы уже подробно обсудили возможные варианты использования генеративных моделей, лучше всего открывать для себя области их применения с помощью экспериментирования. Помимо использования LLM для ускорения или замены части рабочих процессов в профессии, люди нашли множество способов, как эти модели могут быть полезны для хобби, проектов, самосовершенствования, образования и развлечений. Мы ожидаем, что по мере того, как пользователи будут осваивать эти инструменты и делиться своим опытом, а также по мере развития технологий и возможностей генеративных моделей, появятся новые варианты их использования в повседневной жизни.

Stack Overflow – только один из множества сервисов, которые, по мнению людей, могут быть полностью заменены LLM. Возможно, что некоторые из этих сервисов либо интегрируют LLM, либо просто продолжат существовать в качестве альтернативы. Мы знаем, что LLM могут выполнять перевод, поэтому Google Translate может оказаться ненужным, а вот приложение для изучения языка Duolingo уже запустило интеграцию с GPT‐4. Большая языковая модель в Duolingo Max объясняет неправильные ответы и позволяет пользователям разыгрывать свои сценарии общения, а не просто участвовать в заранее написанных разговорах¹⁵.

Одной из областей, где LLM может иметь наибольшее потенциальное влияние, является образование, включая изучение языка. В следующем разделе мы более подробно рассмотрим глубокое влияние генеративного ИИ на образование, а также поговорим о том, как можно использовать LLM в новых подходах к самообразованию. В главе 1 мы сравнили успехи различных LLM в выполнении задач по обобщению и ответам на вопросы. Люди, которые хотели бы освежить в памяти свои знания по истории, следить за последними достижениями в какой-либо научной области или событиями в политическом конфликте, могут попросить LLM составить удобное для понимания резюме (см. в разделе 5.4 обсуждение функции поиска внешней информации). Студенты успешно используют LLM для разъяснения некоторых понятий при подготовке к экзаменам: субреддит ELI5 (Explain like I'm five), похожий на Stack Exchange, но менее популярный, заполнен вопросами по самым разным темам, включая машины, животных, природу, физику, Вселенную и многое другое. На рис. 6.6 показано, как при подготовке к экзамену по физике студент может ввести промпт «Объясни теорию струн простыми словами», чтобы ухватить суть этой сложной концепции, а затем задать дополнительные вопросы по любым непонятным аспектам (хотя, конечно, было бы разумно перепроверить ответы по достоверным источникам).

[78] На момент издания книги BloombergGPT ориентирован на использование внутри экосистемы Bloomberg и не предоставляется в открытом доступе для широкого круга пользователей. – Прим. науч. ред.

[79] Принадлежит организации Meta, которая признана экстремистской и запрещена на территории РФ.

[80] Блок текста, который приводится после определения функции и содержит более подробную информацию об этой функции. – Прим. авт.

[81] Например, JSON или XML. – Прим. науч. ред.

[82] Принадлежит организации Meta, которая признана экстремистской и запрещена на территории РФ.