بررسی دوره های آموزش بازار سهام

در میان شور و شوق عظیم ، بسیاری از سؤالات پیرامون فناوری AI مولد پدید آمده است ، که پاسخ هایی که احتمالاً توسعه و استفاده آینده را شکل می دهد. در زیر سه مورد از مهمترین سؤالاتی که باید هنگام ارزیابی چگونگی تکامل اکوسیستم هوش مصنوعی در نظر گرفته شود ، در نظر گرفته شده است:

• آیا می توان از داده های حق چاپ یا شخصی برای آموزش مدل ها استفاده کرد؟هنگام آموزش مدل های بنیاد ، توسعه دهندگان معمولاً داده ها را از اینترنت "خراشیده" می کنند. این گاهی اوقات می تواند شامل تصاویر دارای حق چاپ ، مقالات خبری ، داده های رسانه های اجتماعی ، داده های شخصی باشد که توسط مقررات عمومی حفاظت از داده ها (GDPR) و موارد دیگر محافظت می شود. قوانین و مقررات فعلی از نظر پیامدهای چنین شیوه هایی مبهم است. پیش بینی ها به احتمال زیاد تحول خواهند یافت تا محدودیت هایی را در مورد داده های اختصاصی که ممکن است بصورت آنلاین ارسال شوند یا صاحبان داده ها را قادر به محدود کردن یا انصراف از شاخص های جستجو کنند ، قرار دهند تا داده های آنها به راحتی به صورت آنلاین پیدا نشوند. مدل های جبران خسارت جدید برای صاحبان داده ها نیز به احتمال زیاد پدیدار می شوند.
• چه کسی صاحب خروجی های خلاق است؟قوانین و مقررات فعلی نیز به وضوح پاسخ نمی دهد که چه کسی دارای حق چاپ در "خروجی" نهایی یک سیستم تولید AI تولیدی است. چندین بازیگر بالقوه می توانند حقوق انحصاری را در مورد خروجی های نهایی ، مانند صاحب مجموعه داده ، توسعه دهنده مدل ، صاحب پلتفرم ، سازنده سریع یا طراح که به صورت دستی تصفیه می کند و بازده نهایی AI را ارائه می دهد ، به اشتراک بگذارند.
• چگونه سازمانها کیفیت خروجی های تولید AI را مدیریت می کنند؟ما قبلاً نمونه های بی شماری از سیستم ها را ارائه داده ایم که محتوای نادرست ، التهابی ، مغرضانه یا سرقت ادبی را ارائه می دهند. هنوز مشخص نیست که آیا مدل ها قادر به از بین بردن چنین خروجی هایی خواهند بود یا خیر. در نهایت ، کلیه شرکت هایی که در حال توسعه برنامه های کاربردی هوش مصنوعی تولیدی هستند ، برای ارزیابی خروجی ها در سطح مورد استفاده و تعیین اینکه آسیب بالقوه باید تجاری سازی را محدود کند ، نیاز به فرآیندهایی دارند.

توجه به این نکته حائز اهمیت است که هنوز بسیاری از سؤالات در مورد مالکیت و حقوق در مورد داده های مورد استفاده در توسعه این فناوری نوپا - و همچنین در مورد بازده های تولید شده - که ممکن است بر نحوه تکامل این فناوری تأثیر بگذارد ، پاسخ داده نشده است. موضوعات کلیدی که آینده AI تولید کننده را شکل می دهد ").

مراکز مدل و MLOPS

برای ساختن برنامه های کاربردی در بالای مدل های بنیاد ، مشاغل به دو چیز نیاز دارند. مورد اول مکانی برای ذخیره و دسترسی به مدل بنیاد است. دوم ، آنها ممکن است به ابزار تخصصی ، فناوری ها و شیوه های تخصصی برای تطبیق یک مدل پایه و استقرار آن در برنامه های کاربردی نهایی خود نیاز داشته باشند. به عنوان مثال ، قابلیت های ترکیب و برچسب زدن داده های آموزشی اضافی یا ساخت API هایی که به برنامه ها اجازه می دهد تا با آن تعامل داشته باشند ، شامل می شود.

قطب های مدل این خدمات را ارائه می دهند. برای مدل های منبع بسته که در آن کد منبع در دسترس عموم نیست ، توسعه دهنده مدل بنیاد به طور معمول به عنوان قطب مدل عمل می کند. از طریق توافق نامه صدور مجوز ، از طریق API دسترسی به مدل را ارائه می دهد. گاهی اوقات ارائه دهنده قابلیت MLOPS را نیز ارائه می دهد تا این مدل در برنامه های مختلف تنظیم و مستقر شود.

برای مدل های منبع باز ، که کدی را ارائه می دهد که هر کسی می تواند آزادانه از آن استفاده کند و اصلاح کند ، مراکز مدل مستقل برای ارائه طیف خدمات در حال ظهور هستند. برخی ممکن است فقط به عنوان جمع کننده های مدل عمل کنند و به تیم های هوش مصنوعی دسترسی به مدل های مختلف بنیاد ، از جمله مواردی که توسط سایر توسعه دهندگان سفارشی شده است ، عمل می کنند. تیم های هوش مصنوعی سپس می توانند مدل ها را در سرورهای خود بارگیری کرده و مرتب کنند و آنها را در برنامه خود مستقر کنند. برخی دیگر ، مانند بغل کردن چهره و خدمات وب آمازون ، ممکن است دسترسی به مدل ها و قابلیت های MLOP های نهایی ، از جمله تخصص برای تنظیم مدل بنیاد با داده های اختصاصی و استقرار آن در برنامه های خود را فراهم کنند. این مدل اخیر شکاف فزاینده ای را برای شرکت هایی که مشتاق استفاده از فناوری AI مولد هستند اما فاقد استعداد و زیرساخت های داخلی برای انجام این کار است ، پر می کند.

AI تولیدی اینجا است: چگونه ابزارهایی مانند chatgpt می توانند تجارت شما را تغییر دهند

برنامه های کاربردی

در حالی که یک مدل بنیاد قادر به انجام طیف گسترده ای از وظایف است ، برنامه های ساخته شده در بالای آن همان چیزی است که یک کار خاص را انجام می دهد - برای مثال ، کمک به مشتریان یک تجارت در زمینه خدمات یا تهیه ایمیل های بازاریابی (نمایشگاه 3). این برنامه ها ممکن است توسط یک شرکت کننده جدید در بازار که به دنبال ارائه یک پیشنهاد جدید است ، یک ارائه دهنده راه حل موجود برای افزودن قابلیت های نوآورانه به پیشنهادات فعلی خود یا شغلی که به دنبال ایجاد یک مزیت رقابتی در صنعت خود است ، تهیه شود.

راه های زیادی وجود دارد که ارائه دهندگان برنامه می توانند ارزش ایجاد کنند. حداقل در کوتاه مدت، ما شاهد یک دسته از برنامه های کاربردی هستیم که بیشترین پتانسیل را برای ایجاد ارزش ارائه می دهند. و ما انتظار داریم که برنامه های کاربردی توسعه یافته برای صنایع و عملکردهای خاص ارزش بیشتری را در روزهای اولیه هوش مصنوعی مولد ارائه دهند.

برنامه های ساخته شده از مدل های تنظیم شده برجسته هستند

به طور کلی، ما متوجه شدیم که برنامه های کاربردی هوش مصنوعی در یکی از دو دسته قرار می گیرند. اولی مواردی را نشان می دهد که در آن شرکت ها از مدل های پایه تا حد زیادی در برنامه هایی که می سازند استفاده می کنند با برخی سفارشی سازی ها. اینها می تواند شامل ایجاد یک رابط کاربری مناسب یا افزودن راهنما و یک فهرست جستجو برای اسناد باشد که به مدل ها کمک می کند تا درخواست های رایج مشتری را بهتر درک کنند تا بتوانند خروجی با کیفیت بالا را برگردانند.

دسته دوم جذاب ترین بخش زنجیره ارزش را نشان می دهد: برنامه هایی که از مدل های فونداسیون دقیق - آنهایی که داده های مرتبط اضافی تغذیه شده اند یا پارامترهای آنها تنظیم شده اند - برای ارائه خروجی ها برای یک مورد خاص استفاده می کنند. در حالی که آموزش مدل های پایه نیاز به حجم عظیمی از داده ها دارد، بسیار گران است و ممکن است ماه ها طول بکشد، مدل های فونداسیون تنظیم دقیق به داده های کمتری نیاز دارند، هزینه کمتری دارند و می توانند در چند روز تکمیل شوند و آن را در دسترس بسیاری از شرکت ها قرار می دهند.

سازندگان برنامه ممکن است این داده ها را از دانش عمیق یک صنعت یا نیازهای مشتری جمع آوری کنند. به عنوان مثال، هاروی را در نظر بگیرید، اپلیکیشن مولد هوش مصنوعی که برای پاسخ به سوالات حقوقی ایجاد شده است. توسعه دهندگان هاروی مجموعه های داده های قانونی را به GPT-3 OpenAI وارد کردند و اعلان های مختلفی را آزمایش کردند تا مدل تنظیم شده را قادر به تولید اسناد قانونی کند که بسیار بهتر از آن هایی بود که مدل پایه اصلی می توانست ایجاد کند.

سازمان ها همچنین می توانند از داده های اختصاصی عملیات روزانه کسب و کار استفاده کنند. به عنوان مثال، یک توسعه دهنده نرم افزاری که یک ربات چت هوش مصنوعی مولد را به طور خاص برای بانک ها تنظیم کرده است، ممکن است با مشتریان خود برای ترکیب داده های چت های مرکز تماس شریک شود و آنها را قادر می سازد تا به طور مداوم تجربه مشتری را با رشد پایگاه کاربر خود ارتقا دهند.

در نهایت، شرکت ها ممکن است داده های اختصاصی را از حلقه های بازخورد ایجاد کنند که توسط یک سیستم رتبه بندی کاربر نهایی، مانند سیستم رتبه بندی ستاره یا یک سیستم رتبه بندی با شست بالا و پایین هدایت می شود. به عنوان مثال، OpenAI از رویکرد دوم برای آموزش مداوم ChatGPT استفاده می کند و OpenAI گزارش می دهد که این به بهبود مدل اساسی کمک می کند. همانطور که مشتریان کیفیت خروجی دریافتی خود را رتبه بندی می کنند، آن اطلاعات به مدل بازخورد داده می شود و به آن «داده های» بیشتری می دهد تا هنگام ایجاد یک خروجی جدید از آن استفاده کند که پاسخ بعدی آن را بهبود می بخشد. همانطور که خروجی ها بهبود می یابند، مشتریان بیشتری به سمت استفاده از برنامه جذب می شوند و بازخورد بیشتری را ارائه می دهند و یک چرخه خوب از بهبود ایجاد می کند که می تواند منجر به مزیت رقابتی قابل توجهی شود.

در همه موارد، توسعه دهندگان اپلیکیشن باید پیشرفت های مولد هوش مصنوعی را زیر نظر داشته باشند. این فناوری با سرعتی سریع در حال حرکت است و غول های فناوری همچنان به عرضه نسخه های جدید مدل های پایه با قابلیت های بیشتر ادامه می دهند. به عنوان مثال، OpenAI گزارش می دهد که GPT-4 اخیراً معرفی شده «دانش عمومی گسترده تر و توانایی های حل مسئله» را برای دقت بیشتر ارائه می دهد. توسعه دهندگان باید برای ارزیابی هزینه ها و مزایای استفاده از این پیشرفت ها در برنامه خود آماده باشند.

مشخص کردن موج اول تاثیر برنامه توسط عملکرد و صنعت

در حالی که هوش مصنوعی مولد احتمالاً در درازمدت بر بیشتر عملکردهای تجاری تأثیر می گذارد، تحقیقات ما نشان می دهد که فناوری اطلاعات، بازاریابی و فروش، خدمات مشتری و توسعه محصول برای موج اول برنامه ها آماده هستند.

• فناوری اطلاعات. هوش مصنوعی مولد می تواند به تیم ها در نوشتن کد و مستندات کمک کند. در حال حاضر، کدنویس های خودکار موجود در بازار، بهره وری توسعه دهندگان را بیش از 50 درصد بهبود بخشیده اند و به تسریع توسعه نرم افزار کمک می کنند. 10 وبلاگ محصول GitHub، "تحقیق: تعیین کمیت تاثیر GitHub Copilot بر بهره وری و شادی توسعه دهندگان"، ورودی وبلاگ توسط Eirini Kalliamvakou، 7 سپتامبر 2022.
• بازاریابی و فروش. تیم ها می توانند از برنامه های هوش مصنوعی مولد برای ایجاد محتوا برای دسترسی به مشتری استفاده کنند. انتظار می رود ظرف دو سال، 30 درصد از پیام های بازاریابی خروجی با کمک سیستم های هوش مصنوعی تولید شوند. 11 جکی وایلز، «فراتر از ChatGPT: آینده هوش مصنوعی مولد برای شرکت ها»، گارتنر، 26 ژانویه 2023.
• خدمات مشتری. با صدای طبیعی ، چت بابات شخصی و دستیاران مجازی می توانند سوالات مشتری را اداره کنند ، وضوح سریع را توصیه کنند و مشتریان را به اطلاعات مورد نیاز خود راهنمایی کنند. شرکت هایی مانند Salesforce ، Dialpad و ADA قبلاً پیشنهادات خود را در این زمینه اعلام کرده اند.
• توسعه محصول. شرکت ها می توانند از هوش مصنوعی تولیدی برای نمونه اولیه طرح های محصول استفاده کنند. به عنوان مثال ، شرکت های علوم زندگی در حال حاضر شروع به کشف استفاده از هوش مصنوعی تولیدی برای کمک به تولید توالی اسیدهای آمینه و نوکلئوتیدهای DNA برای کوتاه کردن مرحله طراحی دارو از ماهها به هفته ها کرده اند. 12 وبلاگ فنی توسعه دهنده Nvidia ، "ساخت خطوط لوله AI تولید کننده برای کشف مواد مخدر با سرویس Nvidia Bionemo" ، ورود وبلاگ توسط Vanessa Braunstein ، 21 مارس 2023 ؛و الکس اویانگ و عبدالطیف جامد ، "سرعت بخشیدن به کشف مواد مخدر با مدل های تولیدی انتشار ،" MIT News ، 31 مارس 2023.

در کوتاه مدت ، برخی از صنایع می توانند این برنامه ها را به تأثیر بیشتری نسبت به سایرین افزایش دهند. صنعت رسانه و سرگرمی می تواند با استفاده از AI تولیدی برای تولید محتوای منحصر به فرد (به عنوان مثال ، بومی سازی فیلم ها بدون نیاز به ساعت های ترجمه انسانی) کارآمدتر شود و به سرعت ایده هایی را برای محتوای جدید و جلوه های بصری برای بازی های ویدیویی ، موسیقی ، فیلم ، داستان تهیه کنیدخطوط و مقالات خبری. انتظار می رود با توجه به سرمایه گذاری های قابل توجه در فناوری اطلاعات ، خدمات به مشتری ، بازاریابی و فروش و توسعه محصول ، از شرکت های بانکی ، مصرف کننده ، ارتباطات از راه دور ، علوم زندگی و فناوری استفاده کنند.

خدمات

همانطور که با هوش مصنوعی به طور کلی ، خدمات اختصاصی AI برای کمک به شرکت ها برای پر کردن شکاف های توانایی در هنگام مسابقه برای ایجاد تجربه خود و حرکت در فرصت های شغلی و پیچیدگی های فنی ، به وجود می آید. انتظار می رود ارائه دهندگان خدمات هوش مصنوعی موجود ، توانایی های خود را برای خدمت به بازار تولید AI تکامل دهند. بازیکنان طاقچه همچنین ممکن است با دانش تخصصی برای استفاده از هوش مصنوعی تولیدی در یک عملکرد خاص (مانند نحوه استفاده از AI تولیدی برای گردش کار خدمات مشتری) ، صنعت (به عنوان مثال ، هدایت شرکت های دارویی در استفاده از AI تولید کننده برای کشف مواد مخدر) وارد بازار شوند.، یا توانایی (مانند نحوه ساخت حلقه های بازخورد مؤثر در زمینه های مختلف).

در حالی که فناوری AI تولید کننده و اکوسیستم پشتیبانی آن هنوز در حال تحول هستند ، اما کاملاً واضح است که برنامه ها مهمترین فرصت های ایجاد ارزش را ارائه می دهند. کسانی که می توانند در مدل های بنیاد تنظیم دقیق برای برنامه های خود ، طاقچه ها یا حتی بهتر از آن را مهار کنند ، می توانند انتظار داشته باشند که به بیشترین تمایز و مزیت رقابتی دست یابند. این مسابقه از قبل آغاز شده است ، همانطور که توسط جریان پایدار اعلامیه های ارائه دهندگان نرم افزار - هم ورودی های موجود و هم جدید بازار - مشهود است که راه حل های جدیدی برای بازار را بر عهده دارد. در هفته ها و ماه های آینده ، ما بیشتر چشم اندازهای ایجاد ارزش را در صنایع و کارکردهای خاص و همچنین تأثیرگذار هوش مصنوعی در اقتصاد جهانی و آینده کار روشن خواهیم کرد.

Tobias Härlin و Gardar Bjösson Rova در دفتر استکهلم مک کینزی شریک هستند ، جایی که اولگ سوکولوف شریک زندگی است. الکس سینگلا شریک ارشد در دفتر شیکاگو است. و الکس سوخارهسکی شریک ارشد در دفتر لندن است.