Generatywna AI: co powinniśmy o niej wiedzieć i dlaczego jest to istotne?
Generatywna sztuczna inteligencja (genAI) to ogólne określenie dla modeli, takich jak ChatGPT, które mogą tworzyć nowe treści: teksty, dźwięki, kod programistyczny, obrazy czy filmy. Ostatnie przełomowe odkrycia w tej dziedzinie mają potencjał, by znacząco wpłynąć na nasze podejście do automatyzacji tworzenia treści.
Rozmowy o AI #01: Kaśka Śledziewska i Michał Paliński. Przegląd dużych modeli językowych.
Uczenie maszynowe, którego jednym z przykładów jest generatywna AI, od lat zmienia przemysł, usługi, naukę i nasze codzienne życie. Algorytmy rekomendacyjne pomagają odkrywać nowe filmy czy piosenki, znajdują zastosowanie w analizie medycznej, automatyzacji produkcji, personalizacji treści marketingowych, czy wykrywaniu anomalii w danych finansowych. Prawdopodobnie korzystałeś z AI nawet o tym nie wiedząc – asystenci głosowi, tacy jak Siri, działają w oparciu o tę technologię, podobnie jak chatboty, które pomagają znaleźć odpowiedzi na pytania dotyczące usług online. Bardzo możliwe, że AI była również stosowana wobec Ciebie, wykorzystując Twoje dane lub wspomagając podejmowanie decyzji (np. przy analizie ryzyka kredytowego).
Jeszcze do niedawna uczenie maszynowe było wykorzystywane głównie w modelach predykcyjnych, które analizowały wzorce w danych, wspierając zadania takie jak klasyfikacja czy klastrowanie. Przykładem problemu, który tego typu algorytmy mogą rozwiązać, jest analiza dużej liczby zdjęć, aby nauczyć się rozpoznawać klasy obiektów (np. wieloryby na zdjęciach lotniczych) i wykrywać je na kolejnych zdjęciach (co wspiera badanie i monitoring tych zwierząt). Przełomem było pojawienie się generatywnej AI, która nie tylko rozpoznaje wzorce, ale także potrafi samodzielnie tworzyć treści.
Pierwsze modele uczenia maszynowego przetwarzające tekst były trenowane do klasyfikacji danych na podstawie etykiet nadawanych przez człowieka. Przykładowo, model mógł uczyć się, jak oznaczać posty w mediach społecznościowych jako pozytywne lub negatywne. Ten typ uczenia nazywany jest nadzorowanym, ponieważ to człowiek nadzoruje proces, wskazując modelowi, jak powinien interpretować dane i podejmować decyzje.
Nowsze modele wykorzystują tzw. uczenie samonadzorowane. W takim podejściu modele tekstowe są trenowane na ogromnych zbiorach danych, takich jak fora internetowe, książki czy artykuły naukowe, co pozwala im samodzielnie generować predykcje. Na przykład modele takiej jak GPT, na podstawie kilku słów, potrafią przewidzieć sensowne zakończenie zdania w niemal dowolnym kontekście.
Pojawiają się pierwsze badania, które rzucają światło na wpływ generatywnej AI na pracę różnych grup zawodowych. Elondou et al. (2023), czyli zespół związany z OpenAI, przewiduje, że jedna piąta pracowników może doświadczyć wpływu modeli GPT na połowę wykonywanych zadań zawodowych. Automatyzacja przestaje obejmować jedynie zadania rutynowe, czyli te wykonywane według powtarzalnych, łatwych do zaprogramowania, procedur. Dzięki modelom AI zakres automatyzowalnych zadań rozszerza się także na te, które wymagają kreatywności lub analitycznego myślenia. W efekcie temat automatyzacji zaczyna dotykać nowe grupy pracowników, w tym badaczy oraz nauczycieli akademickich. Jednak grupa naukowców z ILO podkreśla, że GPT mają większy potencjał wspierać niż zastępować pracę (Gmyrek et al. 2023). Wzrost produktywności przy użyciu generatywnej AI został już zbadany eksperymentalnie, np. w kontekście zadań pisemnych (Noy, Zhang 2023), programowania (Peng et al. 2023), czy obsługi klienta (Brynjolfsson et al. 2023). Generatywna AI ma potencjał wyrównywania efektów pracy między mniej a bardziej wykwalifikowanymi pracownikami - zarówno Noy i Zhang (2023), jak i Brynjolfsson et al. (2023) odnotowali większe korzyści z używania generatywnej AI podczas wykonywania zadań wśród osób o mniejszym doświadczeniu zawodowym.
Źródła:
Brynjolfsson, E., Li, D., & Raymond, L. (2023). Generative AI at work. DOI
Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2023, March 17). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models. arXiv.org. DOI
Gmyrek, P., Berg, J., & Bescond, D. (2023). Generative AI and Jobs: A Global analysis of potential effects on job quantity and quality. SSRN Electronic Journal. DOI
Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. DOI
Peng, S., Kalliamvakou, E., Cihon, P., & Demirer, M. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv (Cornell University). DOI