Ի՞նչի վրա կարելի է հույսը դնել գեներատիվ արհեստական ​​բանականության վրա՝ առանց մարդկային միջամտության։

Գործադիր ամփոփում

Գեներատիվ արհեստական ​​բանականությունը (ԱԲ)՝ տեխնոլոգիան, որը թույլ է տալիս մեքենաներին ստեղծել տեքստ, պատկերներ, կոդ և այլն, վերջին տարիներին պայթյունային աճ է ապրել: Այս զեկույցը մատչելի ակնարկ է տալիս այն մասին, թե ինչ կարող է հուսալիորեն անել գեներատիվ ԱԲ-ն այսօր՝ առանց մարդու միջամտության, և ինչ է սպասվում անել հաջորդ տասնամյակում: Մենք ուսումնասիրում ենք դրա օգտագործումը գրավոր աշխատանքների, արվեստի, կոդավորման, հաճախորդների սպասարկման, առողջապահության, կրթության, լոգիստիկայի և ֆինանսների ոլորտներում՝ ընդգծելով, թե որտեղ է ԱԲ-ն գործում ինքնուրույն և որտեղ է մարդկային վերահսկողությունը մնում կարևոր: Ներառված են իրական աշխարհի օրինակներ՝ ինչպես հաջողությունները, այնպես էլ սահմանափակումները պատկերելու համար: Հիմնական եզրակացությունները ներառում են.

• Լայնածավալ կիրառում. 2024 թվականին հարցված ընկերությունների 65%-ը հայտնել է գեներատիվ արհեստական ​​բանականության կանոնավոր օգտագործման մասին, ինչը գրեթե կրկնակի ավելի է, քան նախորդ տարի ( Արհեստական ​​բանականության վիճակը 2024 թվականի սկզբին | McKinsey ): Կիրառությունները ներառում են մարքեթինգային բովանդակության ստեղծում, հաճախորդների աջակցության չաթբոտներ, կոդի ստեղծում և այլն:

• Ներկայիս ինքնավար հնարավորությունները. Այսօրվա գեներատիվ արհեստական ​​բանականությունը հուսալիորեն կատարում է կառուցվածքային, կրկնվող առաջադրանքներ ՝ նվազագույն վերահսկողության պայմաններում: Օրինակներից են բանաձևային նորությունների հաշվետվությունների ավտոմատ ստեղծումը (օրինակ՝ կորպորատիվ եկամուտների ամփոփագրեր) ( Ֆիլանա Փաթերսոն – ONA համայնքի պրոֆիլ ), էլեկտրոնային առևտրի կայքերում ապրանքների նկարագրությունների և ակնարկների ստեղծումը, ինչպես նաև ավտոմատ լրացվող կոդը: Այս ոլորտներում արհեստական ​​բանականությունը հաճախ լրացնում է մարդկային աշխատողներին՝ ստանձնելով բովանդակության ստեղծման ռեժիմը:

• Մարդկային ներգրավվածություն բարդ առաջադրանքների համար. Ավելի բարդ կամ բաց առաջադրանքների համար, ինչպիսիք են ստեղծագործական գրելը, մանրամասն վերլուծությունը կամ բժշկական խորհրդատվությունը, դեռևս սովորաբար անհրաժեշտ է մարդկային վերահսկողություն՝ փաստական ​​ճշգրտությունը, էթիկական դատողությունը և որակը ապահովելու համար: Այսօր արհեստական ​​բանականության շատ տեղակայումներ օգտագործում են «մարդկային ներգրավվածություն» մոդելը, որտեղ արհեստական ​​բանականությունը նախագծում է բովանդակությունը, իսկ մարդիկ վերանայում են այն:

• Կարճաժամկետ բարելավումներ. Հաջորդ 5-10 տարիների ընթացքում կանխատեսվում է, որ գեներատիվ արհեստական ​​բանականությունը կդառնա շատ ավելի հուսալի և ինքնավար : Մոդելի ճշգրտության և պաշտպանիչ մեխանիզմների առաջընթացը կարող է թույլ տալ արհեստական ​​բանականությանը կատարել ստեղծագործական և որոշումների կայացման առաջադրանքների ավելի մեծ մասը՝ նվազագույն մարդկային ներգրավմամբ: Օրինակ, մինչև 2030 թվականը փորձագետները կանխատեսում են, որ արհեստական ​​բանականությունը կկատարելագործի հաճախորդների սպասարկման փոխազդեցությունների և որոշումների մեծ մասը իրական ժամանակում ( CX-ին անցումը վերաիմաստավորելու համար մարքեթոլոգները պետք է անեն այս 2 բաները ), և խոշոր ֆիլմ կարող է նկարահանվել արհեստական ​​բանականության կողմից ստեղծված 90% բովանդակությամբ ( Գեներատիվ արհեստական ​​բանականության օգտագործման դեպքեր արդյունաբերության և ձեռնարկությունների համար ):

• Մինչև 2035 թվականը. Մենք ակնկալում ենք, որ մեկ տասնամյակ անց ինքնավար արհեստական ​​ինտելեկտի գործակալները տարածված կլինեն բազմաթիվ ոլորտներում: Արհեստական ​​ինտելեկտի դասախոսները կարող են մասշտաբային անհատականացված կրթություն տրամադրել, արհեստական ​​ինտելեկտի օգնականները կարող են հուսալիորեն կազմել իրավական պայմանագրեր կամ բժշկական զեկույցներ՝ փորձագետների հաստատման համար, իսկ ինքնավար համակարգերը (գեներատիվ սիմուլյացիայի օգնությամբ) կարող են իրականացնել լոգիստիկ գործողություններ ամբողջ ծավալով: Այնուամենայնիվ, որոշակի զգայուն ոլորտներ (օրինակ՝ բարձր ռիսկային բժշկական ախտորոշումներ, վերջնական իրավական որոշումներ) հավանաբար դեռևս կպահանջեն մարդկային դատողություն անվտանգության և հաշվետվողականության համար:

• Էթիկական և հուսալիության մտահոգություններ. Արհեստական ​​բանականության ինքնավարության աճին զուգընթաց մտահոգությունները նույնպես աճում են: Այսօրվա խնդիրներից են հալյուցինացիաները (արհեստական ​​բանականությունը հորինում է փաստեր), ստեղծված բովանդակության կողմնակալությունը, թափանցիկության բացակայությունը և ապատեղեկատվության համար հնարավոր չարաշահումը: Առանց վերահսկողության գործողության դեպքում արհեստական ​​բանականությանը վստահելիության գերակա խնդիր է: Առաջընթաց է գրանցվում. օրինակ՝ կազմակերպությունները ավելի շատ ներդրումներ են կատարում ռիսկերի մեղմացման գործում (ճշգրտության, կիբերանվտանգության, մտավոր սեփականության հետ կապված խնդիրների լուծում) ( Արհեստական ​​բանականության վիճակը. գլոբալ հարցում | McKinsey ), սակայն անհրաժեշտ են ամուր կառավարման և էթիկական շրջանակներ:

• Այս աշխատանքի կառուցվածքը. Մենք սկսում ենք գեներատիվ արհեստական ​​բանականության ներածությամբ և ինքնավար և վերահսկվող կիրառությունների հայեցակարգով: Այնուհետև, յուրաքանչյուր հիմնական ոլորտի համար (գրավոր աշխատանք, արվեստ, կոդավորում և այլն), մենք քննարկում ենք, թե ինչ կարող է արհեստական ​​բանականությունը հուսալիորեն անել այսօր՝ համեմատած հորիզոնում առկա հեռանկարների հետ: Մենք եզրափակում ենք խաչաձև մարտահրավերներով, ապագայի կանխատեսումներով և գեներատիվ արհեստական ​​բանականության պատասխանատու օգտագործման առաջարկություններով:

Ընդհանուր առմամբ, գեներատիվ արհեստական ​​բանականությունն արդեն իսկ ապացուցել է իր կարողությունը՝ առանց մարդկային մշտական ​​​​ուղղորդման, կատարել բազմաթիվ զարմանալի առաջադրանքներ: Հասկանալով դրա ներկայիս սահմանափակումները և ապագա ներուժը՝ կազմակերպություններն ու հանրությունը կարող են ավելի լավ պատրաստվել այն դարաշրջանին, երբ արհեստական ​​բանականությունը ոչ միայն գործիք է, այլև աշխատանքի և ստեղծագործականության մեջ ինքնավար համագործակցող:

Ներածություն

Արհեստական ​​բանականությունը վաղուց է կարողանում վերլուծել տվյալները, բայց միայն վերջերս են արհեստական ​​բանականության համակարգերը սովորել ստեղծել ՝ գրել արձակ, ստեղծել պատկերներ, ծրագրավորել ծրագրեր և այլն: Այս գեներատիվ արհեստական ​​բանականության մոդելները (օրինակ՝ GPT-4-ը տեքստի համար կամ DALL·E-ն պատկերների համար) մարզվում են հսկայական տվյալների բազաների վրա՝ հուշումներին ի պատասխան նորարարական բովանդակություն ստեղծելու համար: Այս առաջընթացը նորարարությունների ալիք է առաջացրել տարբեր ոլորտներում: Այնուամենայնիվ, առաջանում է կարևոր հարց. ի՞նչ կարող ենք վստահել արհեստական ​​բանականությանը ինքնուրույն, առանց մարդու կողմից իր արդյունքը կրկնակի ստուգելու:

Այս հարցին պատասխանելու համար կարևոր է տարբերակել վերահսկվող և ինքնավար կիրառությունները.

• Մարդու կողմից վերահսկվող արհեստական ​​բանականությունը վերաբերում է այն սցենարներին, երբ արհեստական ​​բանականության արդյունքները վերանայվում կամ խմբագրվում են մարդկանց կողմից՝ նախքան վերջնական տեսքի բերելը: Օրինակ, լրագրողը կարող է օգտագործել արհեստական ​​բանականության գրողի օգնական՝ հոդվածը նախագծելու համար, բայց խմբագիրն է խմբագրում և հաստատում այն:

• Ավտոնոմ արհեստական ​​բանականությունը (առանց մարդկային միջամտության արհեստական ​​բանականություն) վերաբերում է արհեստական ​​բանականության համակարգերին, որոնք կատարում են առաջադրանքներ կամ ստեղծում են բովանդակություն, որն անմիջապես օգտագործվում է՝ առանց մարդկային խմբագրման կամ գրեթե առանց խմբագրման: Օրինակ է ավտոմատացված չաթբոտը, որը լուծում է հաճախորդի հարցումը առանց մարդկային գործակալի, կամ լրատվական միջոցը, որը ավտոմատ կերպով հրապարակում է արհեստական ​​բանականության կողմից ստեղծված սպորտային արդյունքների ամփոփումը:

Գեներատիվ արհեստական ​​բանականությունն արդեն իսկ ներդրվում է երկու եղանակներով էլ: 2023-2025 թվականներին կիրառումը կտրուկ աճել է , և կազմակերպությունները եռանդուն փորձարկումներ են անում: 2024 թվականին անցկացված մեկ համաշխարհային հարցումը ցույց է տվել, որ ընկերությունների 65%-ը պարբերաբար օգտագործում է գեներատիվ արհեստական ​​բանականություն, ինչը մոտ մեկ երրորդով ավելի է, քան մեկ տարի առաջ ( Արհեստական ​​բանականության վիճակը 2024 թվականի սկզբին | McKinsey ): Անհատները նույնպես ընդունել են ChatGPT-ի նման գործիքներ. մասնագետների մոտ 79%-ը 2023 թվականի կեսերին առնվազն որոշակի շփում է ունեցել գեներատիվ արհեստական ​​բանականության հետ ( Արհեստական ​​բանականության վիճակը 2023 թվականին. Գեներատիվ արհեստական ​​բանականության բեկումնային տարին | McKinsey ): Այս արագ կիրառումը պայմանավորված է արդյունավետության և ստեղծագործականության աճի խոստումով: Այնուամենայնիվ, սա դեռևս «վաղ շրջան» է, և շատ ընկերություններ դեռևս մշակում են քաղաքականություններ, թե ինչպես պատասխանատու կերպով օգտագործել արհեստական ​​բանականությունը ( Արհեստական ​​բանականության վիճակը 2023 թվականին. Գեներատիվ արհեստական ​​բանականության բեկումնային տարին | McKinsey ):

Ինչու է կարևոր ինքնավարությունը. Արհեստական ​​բանականությանը մարդկային հսկողության բացակայության դեպքում գործելը կարող է հսկայական արդյունավետության առավելություններ ապահովել՝ ամբողջությամբ ավտոմատացնելով ձանձրալի առաջադրանքները, բայց դա նաև բարձրացնում է հուսալիության մակարդակը: Ինքնավար արհեստական ​​բանականության գործակալը պետք է ամեն ինչ ճիշտ անի (կամ իմանա իր սահմանները), քանի որ իրական ժամանակում կարող է մարդ չլինել սխալները նկատելու համար: Որոշ առաջադրանքներ ավելի շատ են հարմարվում դրան, քան մյուսները: Ընդհանուր առմամբ, արհեստական ​​բանականությունն ավելի լավ է ինքնուրույն գործում, երբ՝

• Առաջադրանքն ունի հստակ կառուցվածք կամ օրինաչափություն (օրինակ՝ տվյալներից պլանային հաշվետվությունների ստեղծում):

• Սխալները ցածր ռիսկային են կամ հեշտությամբ հանդուրժելի (օրինակ՝ պատկերի ստեղծում, որը կարող է անտեսվել, եթե անբավարար է, ի տարբերություն բժշկական ախտորոշման):

• Կան սցենարները լուսաբանող մարզումների տվյալներ

Ի հակադրություն դրա, այն առաջադրանքները, որոնք բաց են , բարձր խաղադրույքներ են պարունակում կամ պահանջում են նրբերանգային դատողություն, այսօր պակաս հարմար են զրոյական վերահսկողության համար։

Հաջորդ բաժիններում մենք կքննարկենք մի շարք ոլորտներ՝ տեսնելու համար, թե ինչ է անում գեներատիվ արհեստական ​​բանականությունը հիմա և ինչ է սպասվում հաջորդիվ: Մենք կդիտարկենք կոնկրետ օրինակներ՝ արհեստական ​​բանականության կողմից գրված լրատվական հոդվածներից և արհեստական ​​բանականության կողմից ստեղծված գեղարվեստական ​​աշխատանքներից մինչև կոդ գրող օգնականներ և վիրտուալ հաճախորդների սպասարկման գործակալներ՝ ընդգծելով, թե որ առաջադրանքները կարող են կատարվել արհեստական ​​բանականության կողմից ամբողջ ծավալով, և որոնք դեռ պահանջում են մարդու մասնակցություն ցիկլում: Յուրաքանչյուր ոլորտի համար մենք հստակորեն առանձնացնում ենք ներկայիս հնարավորությունները (մոտավորապես 2025 թվականը) իրատեսական կանխատեսումներից այն մասին, թե ինչը կարող է հուսալի լինել մինչև 2035 թվականը:

Տարբեր ոլորտներում ինքնավար արհեստական ​​բանականության ներկան և ապագան քարտեզագրելով՝ մենք ձգտում ենք ընթերցողներին ապահովել հավասարակշռված ըմբռնում. ո՛չ գերագնահատելով արհեստական ​​բանականությունը որպես կախարդականորեն անսխալական, ո՛չ էլ թերագնահատելով դրա իրական և աճող կարողությունները: Այս հիմքի վրա մենք այնուհետև քննարկում ենք վերահսկողության բացակայության դեպքում արհեստական ​​բանականությանը վստահելու հետ կապված ընդհանուր մարտահրավերները, ներառյալ էթիկական նկատառումները և ռիսկերի կառավարումը, նախքան հիմնական եզրակացություններ անելը:

Գեներատիվ արհեստական ​​բանականություն գրելու և բովանդակության ստեղծման մեջ

Առաջին ոլորտներից մեկը, որտեղ գեներատիվ արհեստական ​​բանականությունը մեծ տարածում գտավ, տեքստերի ստեղծումն էր: Մեծ լեզվական մոդելները կարող են ստեղծել ամեն ինչ՝ սկսած լրատվական հոդվածներից և մարքեթինգային տեքստերից մինչև սոցիալական ցանցերի գրառումներ և փաստաթղթերի ամփոփումներ: Բայց այս գրավոր աշխատանքի որքա՞ն մասը կարելի է անել առանց մարդկային խմբագրի:

Ընթացիկ հնարավորություններ (2025). Արհեստական ​​բանականությունը որպես սովորական բովանդակության ավտոմատ գրող

գրավոր աշխատանքների բազմազանություն ՝ նվազագույն կամ առանց մարդկային միջամտության: Դրա վառ օրինակը լրագրությունն է. Associated Press-ը տարիներ շարունակ օգտագործել է ավտոմատացում՝ յուրաքանչյուր եռամսյակում ընկերության եկամուտների մասին հազարավոր հաշվետվություններ ստեղծելու համար անմիջապես ֆինանսական տվյալների հոսքերից ( Ֆիլանա Փաթերսոն – ONA համայնքի պրոֆիլ ): Այս կարճ լրատվական հոդվածները հետևում են որոշակի ձևանմուշի (օրինակ՝ «X ընկերությունը հայտնել է Y-ի եկամուտների մասին, Z%-ով աճ...»), և արհեստական ​​բանականությունը (օգտագործելով բնական լեզվի ստեղծման ծրագրակազմ) կարող է լրացնել թվերն ու բառապաշարը ավելի արագ, քան ցանկացած մարդ: AP-ի համակարգը հրապարակում է այս հաշվետվությունները ավտոմատ կերպով՝ զգալիորեն ընդլայնելով դրանց ծածկույթը (եռամսյակում ավելի քան 3000 հոդված)՝ առանց մարդկային գրողների կարիքի ( Ավտոմատացված եկամուտների մասին պատմությունները բազմապատկվում են | The Associated Press ):

Սպորտային լրագրությունը նույնպես լրացվել է. արհեստական ​​բանականության համակարգերը կարող են վերցնել սպորտային խաղերի վիճակագրությունը և ստեղծել ամփոփ պատմություններ: Քանի որ այս ոլորտները տվյալների վրա հիմնված են և բանաձևային, սխալները հազվադեպ են լինում, քանի դեռ տվյալները ճիշտ են: Այս դեպքերում մենք տեսնում ենք իրական ինքնավարություն . արհեստական ​​բանականությունը գրում է, և բովանդակությունը հրապարակվում է անմիջապես:

Գործարարները նաև օգտագործում են գեներատիվ արհեստական ​​բանականություն՝ ապրանքների նկարագրություններ, էլեկտրոնային փոստի նորություններ և այլ մարքեթինգային բովանդակություն կազմելու համար: Օրինակ՝ էլեկտրոնային առևտրի հսկա Amazon-ը այժմ օգտագործում է արհեստական ​​բանականություն՝ ապրանքների վերաբերյալ հաճախորդների կարծիքները ամփոփելու համար: Արհեստական ​​բանականությունը սկանավորում է բազմաթիվ անհատական ​​կարծիքների տեքստը և ստեղծում է համառոտ ընդգծող պարբերություն՝ ցույց տալով, թե ինչն են մարդիկ սիրում կամ չեն սիրում ապրանքի մեջ, որը այնուհետև ցուցադրվում է ապրանքի էջում՝ առանց ձեռքով խմբագրման ( Amazon-ը բարելավում է հաճախորդների կարծիքների փորձը արհեստական ​​բանականության միջոցով ): Ստորև ներկայացված է Amazon-ի բջջային հավելվածում տեղադրված այս գործառույթի նկարազարդումը , որտեղ «Հաճախորդներն ասում են» բաժինը ամբողջությամբ ստեղծվում է արհեստական ​​բանականության կողմից՝ կարծիքների տվյալներից ելնելով.

( Amazon-ը բարելավում է հաճախորդների կարծիքների փորձը արհեստական ​​բանականության միջոցով ) Արհեստական ​​բանականության կողմից ստեղծված ակնարկների ամփոփում էլեկտրոնային առևտրի ապրանքի էջում: Amazon-ի համակարգը ամփոփում է օգտատերերի կարծիքների ընդհանուր կետերը (օրինակ՝ օգտագործման հեշտությունը, արդյունավետությունը) կարճ պարբերության մեջ, որը գնորդներին ցուցադրվում է որպես «Հաճախորդների կարծիքների տեքստից ստեղծված արհեստական ​​բանականության կողմից»:

Նման օգտագործման դեպքերը ցույց են տալիս, որ երբ բովանդակությունը հետևում է կանխատեսելի օրինաչափության կամ ամփոփվում է առկա տվյալներից, արհեստական ​​բանականությունը հաճախ կարող է այն մշակել միայնակ : Այլ արդիական օրինակներից են՝

• Եղանակի և երթևեկության թարմացումներ. լրատվամիջոցները օգտագործում են արհեստական ​​բանականություն՝ սենսորների տվյալների հիման վրա ամենօրյա եղանակի մասին հաղորդագրություններ կամ երթևեկության տեղեկագրեր կազմելու համար։

• Ֆինանսական հաշվետվություններ. Ընկերություններ, որոնք ավտոմատ կերպով ստեղծում են պարզ ֆինանսական ամփոփագրեր (եռամսյակային արդյունքներ, ֆոնդային շուկայի ամփոփագրեր): 2014 թվականից ի վեր, Bloomberg-ը և այլ լրատվամիջոցներ օգտագործել են արհեստական ​​բանականությունը՝ ընկերությունների եկամուտների վերաբերյալ նորությունների ամփոփագրեր գրելու համար, մի գործընթաց, որը մեծ մասամբ ավտոմատ կերպով է ընթանում, երբ տվյալները մուտքագրվում են ( AP-ի «ռոբոտ լրագրողները» հիմա գրում են իրենց սեփական պատմությունները | The Verge ) ( Վայոմինգի լրագրողը բռնվել է արհեստական ​​բանականություն օգտագործելիս՝ կեղծ մեջբերումներ և պատմություններ ստեղծելու համար ):

• Թարգմանություն և տառադարձում. տառադարձման ծառայությունները այժմ օգտագործում են արհեստական ​​բանականություն՝ հանդիպումների տառադարձումներ կամ ենթագրեր ստեղծելու համար՝ առանց մարդկային մեքենագրողների: Չնայած ստեղծագործական իմաստով գեներատիվ չլինելուն, այս լեզվական առաջադրանքները կատարվում են ինքնավար՝ բարձր ճշգրտությամբ՝ ապահովելով պարզ ձայն:

• Նախագծերի ստեղծում. Շատ մասնագետներ օգտագործում են ChatGPT-ի նման գործիքներ՝ էլեկտրոնային նամակներ կամ փաստաթղթերի առաջին տարբերակներ մշակելու համար, երբեմն ուղարկելով դրանք քիչ կամ առանց որևէ խմբագրման, եթե բովանդակությունը ցածր ռիսկային է:

Այնուամենայնիվ, ավելի բարդ արձակի համար մարդկային վերահսկողությունը 2025 թվականին մնում է նորմա ։ Լրատվական կազմակերպությունները հազվադեպ են հրապարակում հետաքննական կամ վերլուծական հոդվածներ անմիջապես արհեստական ​​բանականությունից. խմբագիրները կստուգեն փաստերը և կզտեն արհեստական ​​բանականության կողմից գրված նախագծերը։ Արհեստական ​​բանականությունը կարող է ընդօրինակել ոճը և կառուցվածքը, բայց կարող է ներմուծել փաստական ​​սխալներ (հաճախ անվանում են «հալյուցինացիաներ») կամ անհարմար արտահայտություններ, որոնք մարդը պետք է նկատի։ Օրինակ, գերմանական Express ներկայացրեց Կլարա անունով արհեստական ​​բանականության «թվային գործընկերոջը»՝ սկզբնական լրատվական հոդվածները գրելուն օգնելու համար։ Կլարան կարող է արդյունավետորեն կազմել սպորտային հաղորդագրություններ և նույնիսկ գրել ընթերցողներ գրավող վերնագրեր, որոնք կազմում են Express-ի հոդվածների 11%-ը, բայց մարդ խմբագիրները դեռևս վերանայում են յուրաքանչյուր հոդված ճշգրտության և լրագրողական ամբողջականության համար, հատկապես բարդ պատմությունների դեպքում ( 12 եղանակ, թե ինչպես են լրագրողները օգտագործում արհեստական ​​բանականության գործիքները լրատվական սենյակում - Twipe ): Մարդ-արհեստական ​​բանականության այս գործընկերությունը տարածված է այսօր. արհեստական ​​բանականությունը կատարում է տեքստ ստեղծելու ծանր աշխատանքը, իսկ մարդիկ անհրաժեշտության դեպքում խմբագրում և ուղղում են։

2030-2035 թվականների հեռանկարը. դեպի վստահելի ինքնավար գրություն

Հաջորդ տասնամյակի ընթացքում մենք ակնկալում ենք, որ գեներատիվ արհեստական ​​բանականությունը կդառնա շատ ավելի հուսալի բարձրորակ, փաստացիորեն ճիշտ տեքստ ստեղծելու գործում, ինչը կընդլայնի գրավոր առաջադրանքների շրջանակը, որոնք այն կարող է ինքնուրույն կատարել: Սա հաստատում են մի քանի միտումներ.

• Բարելավված ճշգրտություն. Ընթացիկ հետազոտությունները արագորեն նվազեցնում են արհեստական ​​բանականության կողմից կեղծ կամ անտեղի տեղեկատվություն արտադրելու հակումը: Մինչև 2030 թվականը, ավելի լավ պատրաստվածությամբ (ներառյալ փաստերը իրական ժամանակում տվյալների բազաների հետ համեմատելու տեխնիկաները) առաջադեմ լեզվական մոդելները կարող են ներքին ստուգում իրականացնել գրեթե մարդկային մակարդակի: Սա նշանակում է, որ արհեստական ​​բանականությունը կարող է ավտոմատ կերպով կազմել ամբողջական լրատվական հոդված՝ աղբյուրից վերցված ճիշտ մեջբերումներով և վիճակագրությամբ, ինչը քիչ խմբագրում կպահանջի:

• Դիրքային ոլորտներին հատուկ արհեստական ​​ինտելեկտ. Մենք կտեսնենք ավելի մասնագիտացված գեներատիվ մոդելներ, որոնք ճշգրտվել են որոշակի ոլորտների համար (իրավաբանական, բժշկական, տեխնիկական գրագրություն): 2030 թվականի իրավական արհեստական ​​ինտելեկտի մոդելը կարող է հուսալիորեն մշակել ստանդարտ պայմանագրեր կամ ամփոփել դատական ​​նախադեպը՝ առաջադրանքներ, որոնք կառուցվածքով բանաձևային են, բայց ներկայումս պահանջում են փաստաբանի ժամանակ: Եթե արհեստական ​​ինտելեկտը վերապատրաստված է վավերացված իրավական փաստաթղթերի վրա, դրա նախագծերը կարող են բավականաչափ վստահելի լինել, որպեսզի փաստաբանը միայն արագ վերջնական հայացք նետի դրանց վրա:

• Բնական ոճ և համահունչություն. Մոդելները գնալով ավելի լավ են պահպանում համատեքստը երկար փաստաթղթերի վրա, ինչը հանգեցնում է ավելի համահունչ և ճշգրիտ երկար բովանդակության: Մինչև 2035 թվականը հավանական է, որ արհեստական ​​բանականությունը կարողանա ինքնուրույն հեղինակել ոչ գեղարվեստական ​​գրքի կամ տեխնիկական ձեռնարկի լավ նախնական նախագիծ, որտեղ մարդիկ հիմնականում խորհրդատվական դեր են կատարում (նպատակներ սահմանելու կամ մասնագիտացված գիտելիքներ տրամադրելու համար):

Ինչպիսի՞ն կարող է լինել սա գործնականում։ Սովորական լրագրությունը կարող է գրեթե լիովին ավտոմատացված դառնալ որոշակի ոլորտների համար։ Մենք կարող ենք տեսնել մի լրատվական գործակալություն, որը 2030 թվականին կունենա արհեստական ​​բանականության համակարգ, որը կգրի յուրաքանչյուր եկամտի հաշվետվության, սպորտային հոդվածի կամ ընտրությունների արդյունքների թարմացման առաջին տարբերակը, որտեղ խմբագիրը որակի ապահովման համար կվերցնի միայն մի քանի նմուշ։ Իրոք, փորձագետները կանխատեսում են, որ առցանց բովանդակության անընդհատ աճող մասնաբաժինը կստեղծվի մեքենաների կողմից. ոլորտի վերլուծաբանների կողմից կատարված մեկ համարձակ կանխատեսմամբ ենթադրվում էր, որ առցանց բովանդակության մինչև 90%-ը կարող է ստեղծվել արհեստական ​​բանականության կողմից մինչև 2026 թվականը ( մինչև 2026 թվականը ոչ մարդկանց կողմից ստեղծված առցանց բովանդակությունը զգալիորեն կգերազանցի մարդկանց կողմից ստեղծված բովանդակությանը — OODAloop ), չնայած այդ թիվը քննարկվում է։ Նույնիսկ ավելի պահպանողական արդյունքը կնշանակեր, որ 2030-ականների կեսերին սովորական վեբ հոդվածների, արտադրանքի տեքստերի և, հնարավոր է, նույնիսկ անհատականացված լրատվական հոսքերի մեծ մասը հեղինակված կլինի արհեստական ​​բանականության կողմից։

Մարքեթինգի և կորպորատիվ հաղորդակցության ոլորտում գեներատիվ արհեստական ​​բանականությանը, հավանաբար, կվստահվի ամբողջ արշավները ինքնուրույն իրականացնելը։ Այն կարող է ստեղծել և ուղարկել անհատականացված մարքեթինգային էլեկտրոնային նամակներ, սոցիալական ցանցերի գրառումներ և գովազդային տեքստերի տարբերակներ՝ անընդհատ փոփոխելով հաղորդագրությունները՝ հիմնվելով հաճախորդների արձագանքների վրա՝ և այդ ամենը առանց մարդկային տեքստերի հեղինակի։ Gartner-ի վերլուծաբանները կանխատեսում են, որ մինչև 2025 թվականը խոշոր ձեռնարկությունների արտագնա մարքեթինգային հաղորդագրությունների առնվազն 30%-ը սինթետիկորեն կստեղծվի արհեստական ​​բանականության կողմից ( գեներատիվ արհեստական ​​բանականության օգտագործման դեպքեր արդյունաբերության և ձեռնարկությունների համար ), և այս տոկոսը միայն կաճի մինչև 2030 թվականը։

Այնուամենայնիվ, կարևոր է նշել, որ մարդկային ստեղծագործականությունն ու դատողությունը դեռևս դեր կխաղան, հատկապես բարձր ռիսկային բովանդակության համար : Մինչև 2035 թվականը արհեստական ​​բանականությունը կարող է ինքնուրույն կարգավորել մամուլի հաղորդագրությունը կամ բլոգի գրառումը, բայց հետաքննական լրագրության համար, որը ներառում է հաշվետվողականություն կամ զգայուն թեմաներ, լրատվամիջոցները կարող են դեռևս պնդել մարդկային վերահսկողության վրա: Ապագան, հավանաբար, կբերի աստիճանական մոտեցում. արհեստական ​​բանականությունն ինքնուրույն է ստեղծում առօրյա բովանդակության մեծ մասը, մինչդեռ մարդիկ կենտրոնանում են ռազմավարական կամ զգայուն նյութերի խմբագրման և ստեղծման վրա: Ըստ էության, «ռեժիմ» համարվող սահմանը կընդլայնվի արհեստական ​​բանականության հմտությունների աճի հետ մեկտեղ:

Բացի այդ, կարող են ի հայտ գալ բովանդակության նոր ձևեր, ինչպիսիք են արհեստական ​​բանականության կողմից ստեղծված ինտերակտիվ պատմությունները կամ անհատականացված հաշվետվությունները : Օրինակ, ընկերության տարեկան հաշվետվությունը կարող է արհեստական ​​բանականության կողմից ստեղծվել բազմաթիվ ոճերով՝ ղեկավարների համար համառոտագիր, աշխատակիցների համար պատմողական տարբերակ, վերլուծաբանների համար տվյալներով հարուստ տարբերակ, որոնցից յուրաքանչյուրը ստեղծվել է ավտոմատ կերպով նույն հիմքում ընկած տվյալներից: Կրթության մեջ դասագրքերը կարող են դինամիկ կերպով գրվել արհեստական ​​բանականության կողմից՝ համապատասխանեցնելով դրանք ընթերցանության տարբեր մակարդակներին: Այս կիրառությունները կարող են մեծ մասամբ ինքնուրույն լինել, բայց հիմնված լինել ստուգված տեղեկատվության վրա:

Գրավոր աշխատանքների ընթացքը ենթադրում է, որ 2030-ականների կեսերին արհեստական ​​բանականությունը կլինի բեղուն գրող ։ Իսկապես ինքնավար գործունեության բանալին կլինի վստահություն հաստատելը իր արդյունքների նկատմամբ։ Եթե արհեստական ​​բանականությունը կարողանա հետևողականորեն ցուցադրել փաստերի ճշգրտություն, ոճական որակ և համապատասխանություն էթիկական չափանիշներին, ապա մարդկային կողմից տող առ տող վերանայման անհրաժեշտությունը կնվազի։ Այս սպիտակ թղթի որոշ հատվածներ, մինչև 2035 թվականը, կարող են մշակվել արհեստական ​​բանականության հետազոտողի կողմից՝ առանց խմբագրի կարիքի, մի հեռանկար, որի նկատմամբ մենք զգուշավոր լավատեսորեն ենք տրամադրված, եթե ապահովվեն համապատասխան պաշտպանիչ միջոցներ։

Գեներատիվ արհեստական ​​բանականություն տեսողական արվեստներում և դիզայնում

Գեներատիվ արհեստական ​​բանականության պատկերներ և արվեստի գործեր ստեղծելու կարողությունը գրավել է հանրության ուշադրությունը՝ սկսած արհեստական ​​բանականության կողմից ստեղծված արվեստի մրցույթներում հաղթած նկարներից մինչև իրական կադրերից անզանազանելի խորը կեղծ տեսանյութեր: Տեսողական ոլորտներում արհեստական ​​բանականության մոդելները, ինչպիսիք են գեներատիվ հակառակորդական ցանցերը (GAN) և դիֆուզիոն մոդելները (օրինակ՝ կայուն դիֆուզիա, միջին ճանապարհորդություն), կարող են ստեղծել օրիգինալ պատկերներ՝ հիմնվելով տեքստային հուշումների վրա: Այսպիսով, կարո՞ղ է արհեստական ​​բանականությունն այժմ գործել որպես ինքնավար նկարիչ կամ դիզայներ:

Ընթացիկ հնարավորություններ (2025). Արհեստական ​​բանականությունը որպես ստեղծագործական օգնական

2025 թվականի դրությամբ, գեներատիվ մոդելները հմուտ են պահանջարկի դեպքում տպավորիչ ճշգրտությամբ պատկերներ ստեղծելու հարցում: Օգտատերերը կարող են խնդրել պատկերի արհեստական ​​բանականությանը նկարել «միջնադարյան քաղաք մայրամուտին Վան Գոգի ոճով» և վայրկյանների ընթացքում ստանալ համոզիչ գեղարվեստական ​​պատկեր: Սա հանգեցրել է արհեստական ​​բանականության լայն տարածմանը գրաֆիկական դիզայնի, մարքեթինգի և զվարճանքի ոլորտներում՝ կոնցեպտային արվեստի, նախատիպերի և նույնիսկ որոշ դեպքերում վերջնական տեսողականների համար: Հատկանշական է.

• Գրաֆիկական դիզայն և պատկերներ. Ընկերությունները արհեստական ​​բանականության միջոցով ստեղծում են կայքերի գրաֆիկա, նկարազարդումներ կամ պատկերներ, ինչը նվազեցնում է յուրաքանչյուր ստեղծագործություն նկարիչից պատվիրելու անհրաժեշտությունը: Շատ մարքեթինգային թիմեր օգտագործում են արհեստական ​​բանականության գործիքներ՝ գովազդների կամ ապրանքի պատկերների տարբերակներ ստեղծելու համար՝ ստուգելու համար, թե ինչն է գրավում սպառողներին:

• Արվեստ և նկարազարդում. Առանձին նկարիչները համագործակցում են արհեստական ​​բանականության հետ՝ գաղափարներ մշակելու կամ մանրամասները լրացնելու համար: Օրինակ, նկարազարդողը կարող է օգտագործել արհեստական ​​բանականությունը՝ ֆոնային տեսարաններ ստեղծելու համար, որոնք այնուհետև ինտեգրում է իր մարդկային նկարած կերպարների հետ: Որոշ կոմիքսների ստեղծողներ փորձարկումներ են կատարել արհեստական ​​բանականության կողմից ստեղծված վահանակներով կամ գունազարդմամբ:

• Մեդիա և զվարճանք. Արհեստական ​​բանականության կողմից ստեղծված արվեստը հայտնվել է ամսագրերի և գրքերի շապիկների վրա: Հայտնի օրինակ է 2022 թվականի օգոստոսի Cosmopolitan-ի շապիկը, որի վրա պատկերված էր տիեզերագնաց. ըստ որոշ տեղեկությունների՝ սա առաջին ամսագրի շապիկի պատկերն է, որը ստեղծվել է արհեստական ​​բանականության (OpenAI-ի DALL·E) կողմից՝ գեղարվեստական ​​​​ղեկավարի ուղղորդմամբ: Չնայած սա ներառում էր մարդկային խթանում և ընտրություն, իրական գեղարվեստական ​​​​աշխատանքը մշակվել է մեքենայական եղանակով:

Կարևոր է նշել, որ այս ներկայիս կիրառությունների մեծ մասը դեռևս ներառում է մարդկային կողմից խմբագրում և իտերացիա : Արհեստական ​​բանականությունը կարող է ստեղծել տասնյակ պատկերներ, և մարդը ընտրում է լավագույնը և հնարավոր է՝ շտկում է այն: Այդ առումով, արհեստական ​​բանականությունն աշխատում է ինքնուրույն՝ ստեղծելու , բայց մարդիկ են ուղղորդում ստեղծագործական ուղղությունը և կատարում վերջնական ընտրություն: Այն հուսալի է մեծ քանակությամբ բովանդակություն արագ ստեղծելու համար, բայց չի երաշխավորում, որ առաջին փորձից կբավարարի բոլոր պահանջները: Սխալ մանրամասների նման խնդիրները (օրինակ՝ արհեստական ​​բանականությունը ձեռքերը նկարում է սխալ թվով մատներով, հայտնի առանձնահատկություն) կամ չնախատեսված արդյունքները նշանակում են, որ մարդ-արտ-ղեկավարը սովորաբար պետք է վերահսկի արդյունքի որակը:

Այնուամենայնիվ, կան ոլորտներ, որտեղ արհեստական ​​բանականությունը մոտենում է լիակատար ինքնավարության.

• Գեներատիվ դիզայն. Ճարտարապետության և արտադրանքի դիզայնի նման ոլորտներում, արհեստական ​​բանականության գործիքները կարող են ինքնուրույն ստեղծել դիզայնի նախատիպեր, որոնք համապատասխանում են որոշակի սահմանափակումների: Օրինակ, կահույքի ցանկալի չափսերն ու գործառույթները հաշվի առնելով, գեներատիվ ալգորիթմը կարող է ստեղծել մի քանի կենսունակ դիզայններ (որոշները բավականին ոչ ավանդական) առանց մարդու միջամտության՝ սկզբնական բնութագրերից դուրս: Այս դիզայնները կարող են անմիջապես օգտագործվել կամ կատարելագործվել մարդկանց կողմից: Նմանապես, ճարտարագիտության մեջ, գեներատիվ արհեստական ​​բանականությունը կարող է նախագծել մասեր (օրինակ՝ ինքնաթիռի բաղադրիչ), որոնք օպտիմալացված են քաշի և ամրության համար՝ ստեղծելով նորաձև ձևեր, որոնք մարդը կարող էր չմտածել:

• Տեսախաղերի ակտիվներ. Արհեստական ​​բանականությունը կարող է ավտոմատ կերպով ստեղծել հյուսվածքներ, եռաչափ մոդելներ կամ նույնիսկ ամբողջական մակարդակներ տեսախաղերի համար: Մշակողները դրանք օգտագործում են բովանդակության ստեղծումը արագացնելու համար: Որոշ անկախ խաղեր սկսել են ներառել ընթացակարգային եղանակով ստեղծված գեղարվեստական ​​​​աշխատանքներ և նույնիսկ երկխոսություններ (լեզվական մոդելների միջոցով)՝ ստեղծելու հսկայական, դինամիկ խաղային աշխարհներ՝ մարդու կողմից ստեղծված նվազագույն ակտիվներով:

• Անիմացիա և տեսանյութ (զարգացող). Չնայած ստատիկ պատկերներից պակաս զարգացած լինելուն, տեսանյութերի համար գեներատիվ արհեստական ​​բանականությունը զարգանում է: Արհեստական ​​բանականությունն արդեն կարող է կարճ տեսահոլովակներ կամ անիմացիաներ ստեղծել հուշումներից, չնայած որակը անհամապատասխան է: Deepfake տեխնոլոգիան, որը գեներատիվ է, կարող է ստեղծել իրատեսական դեմքերի փոխարինումներ կամ ձայնային կլոններ: Կառավարվող միջավայրում ստուդիան կարող է օգտագործել արհեստական ​​բանականությունը՝ ավտոմատ կերպով ֆոնային տեսարան կամ ամբոխի անիմացիա ստեղծելու համար:

Հատկանշական է, որ Gartner-ը կանխատեսել է, որ մինչև 2030 թվականը մենք կտեսնենք խոշոր բլոկբաստեր ֆիլմ, որի բովանդակության 90%-ը կստեղծվի արհեստական ​​բանականության կողմից (սկսած սցենարից մինչև տեսողական նյութեր) ( Generative AI Use Cases for Industries and Enterprises ): 2025 թվականի դրությամբ մենք դեռ այնտեղ չենք. արհեստական ​​բանականությունը չի կարող ինքնուրույն նկարահանել լիամետրաժ ֆիլմ: Սակայն այդ պազլի կտորները զարգանում են. սցենարի ստեղծում (տեքստային արհեստական ​​բանականություն), կերպարների և տեսարանների ստեղծում (պատկերի/տեսանյութի արհեստական ​​բանականություն), հնչյունավորում (արհեստական ​​ձայնային կլոններ) և մոնտաժի օգնություն (արհեստական ​​բանականությունն արդեն կարող է օգնել կրճատումների և անցումների հարցում):

2030-2035 թվականների հեռանկարը. արհեստական ​​բանականության կողմից ստեղծված մեդիա մասշտաբով

Առաջ նայելով՝ տեսողական արվեստներում և դիզայնում գեներատիվ արհեստական ​​բանականության դերը կարող է զգալիորեն ընդլայնվել։ Մենք կանխատեսում ենք, որ մինչև 2035 թվականը արհեստական ​​բանականությունը կլինի բովանդակության հիմնական ստեղծողը բազմաթիվ տեսողական լրատվամիջոցներում, հաճախ գործելով սկզբնական ուղեցույցից դուրս մարդկային նվազագույն մասնակցությամբ։ Որոշ ակնկալիքներ՝

• Ամբողջությամբ արհեստական ​​ինտելեկտի կողմից ստեղծված ֆիլմեր և տեսանյութեր. Հաջորդ տասը տարիների ընթացքում բավականին հնարավոր է, որ մենք տեսնենք առաջին ֆիլմերը կամ սերիալները, որոնք մեծ մասամբ ստեղծվեն արհեստական ​​ինտելեկտի կողմից: Մարդիկ կարող են ապահովել բարձր մակարդակի ռեժիսուրա (օրինակ՝ սցենարի ուրվագիծ կամ ցանկալի ոճ), և արհեստական ​​ինտելեկտը կվերածի տեսարանների, կստեղծի դերասանների նմանություններ և կկենդանացնի ամեն ինչ: Կարճամետրաժ ֆիլմերի վաղ փորձարկումները, հավանաբար, կսկսվեն մի քանի տարի անց, իսկ լիամետրաժ ֆիլմերի փորձերը՝ 2030-ական թվականներին: Այս արհեստական ​​ինտելեկտի ֆիլմերը կարող են սկզբնապես նիշային դառնալ (փորձարարական անիմացիա և այլն), բայց կարող են դառնալ հիմնական՝ որակի բարելավմանը զուգընթաց: Gartner-ի 2030 թվականին ֆիլմերի 90% կանխատեսումը ( Generative AI Use Cases for Industries and Enterprises ), թեև հավակնոտ է, ընդգծում է արդյունաբերության այն համոզմունքը, որ արհեստական ​​ինտելեկտի բովանդակության ստեղծումը բավականաչափ բարդ կլինի՝ կինոարտադրության բեռի մեծ մասը կրելու համար:

• Դիզայնի ավտոմատացում. նորաձևության կամ ճարտարապետության նման ոլորտներում գեներատիվ արհեստական ​​բանականությունը, հավանաբար, կօգտագործվի հարյուրավոր դիզայնի կոնցեպտներ ինքնուրույն մշակելու համար՝ հիմնվելով այնպիսի պարամետրերի վրա, ինչպիսիք են «արժեքը, նյութերը, ոճը X»-ը, թողնելով մարդկանց ընտրել վերջնական դիզայնը: Սա փոխում է ներկայիս դինամիկան. դիզայներները զրոյից ստեղծելու և, հնարավոր է, արհեստական ​​բանականությունն օգտագործելու փոխարեն ոգեշնչման համար, ապագա դիզայներները կարող են ավելի շատ հանդես գալ որպես կուրատորներ՝ ընտրելով արհեստական ​​բանականության կողմից ստեղծված լավագույն դիզայնը և, հնարավոր է, այն փոփոխելով: Մինչև 2035 թվականը ճարտարապետը կարող է մուտքագրել շենքի պահանջները և արհեստական ​​բանականությունից ստանալ ամբողջական նախագծեր՝ որպես առաջարկներ (բոլորը կառուցվածքային առումով ամուր՝ ներդրված ինժեներական կանոնների շնորհիվ):

• Անհատականացված բովանդակության ստեղծում. Մենք կարող ենք տեսնել արհեստական ​​ինտելեկտի (AI) տեսողական նյութեր, որոնք ստեղծվում են անմիջականորեն անհատ օգտատերերի համար: Պատկերացրեք տեսախաղ կամ վիրտուալ իրականության փորձ 2035 թվականին, որտեղ տեսարաններն ու կերպարները հարմարվում են խաղացողի նախասիրություններին, որոնք ստեղծվում են իրական ժամանակում AI-ի կողմից: Կամ անհատականացված կոմիքսներ, որոնք ստեղծվում են օգտատիրոջ օրվա հիման վրա՝ ինքնավար «օրական կոմիքս» AI, որը ձեր տեքստային օրագիրը ավտոմատ կերպով վերածում է նկարազարդումների ամեն երեկո:

• Բազմամոդալ ստեղծագործականություն. Գեներացնող արհեստական ​​բանականության համակարգերը գնալով ավելի բազմամոդալ են դառնում, ինչը նշանակում է, որ դրանք կարող են միասին մշակել տեքստ, պատկերներ, աուդիո և այլն: Այս ամենը համատեղելով՝ արհեստական ​​բանականությունը կարող է վերցնել պարզ հուշում, ինչպիսին է «Ստեղծեք ինձ մարքեթինգային արշավ X ապրանքի համար» և ստեղծել ոչ միայն գրավոր տեքստ, այլև համապատասխան գրաֆիկա, գուցե նույնիսկ կարճ գովազդային տեսահոլովակներ, որոնք բոլորը ոճային առումով համապատասխան են: Այս տեսակի մեկ սեղմումով բովանդակության փաթեթը, հավանաբար, ծառայություն կլինի 2030-ականների սկզբին:

Արհեստական ​​բանականությունը կփոխարինի՞ մարդ-արվեստագետներին ։ Այս հարցը հաճախ է ծագում։ Հավանական է, որ արհեստական ​​բանականությունը կստանձնի արտադրական աշխատանքի մեծ մասը (հատկապես բիզնեսի համար անհրաժեշտ կրկնվող կամ արագ շրջադարձ կատարող արվեստը), բայց մարդկային արվեստը կմնա ինքնատիպության և նորարարության համար։ Մինչև 2035 թվականը ինքնավար արհեստական ​​բանականությունը կարող է հուսալիորեն նկարել հայտնի նկարչի ոճով, բայց նոր ոճ կամ խորը մշակութային հնչեղություն ունեցող արվեստ ստեղծելը կարող է դեռևս լինել մարդու ուժեղ կողմը (հնարավոր է՝ արհեստական ​​բանականությունը որպես համագործակցող լինի)։ Մենք կանխատեսում ենք մի ապագա, որտեղ մարդ-արվեստագետները կաշխատեն ինքնավար արհեստական ​​բանականության «համագործակիցների» հետ միասին։ Կարելի է պատվիրել անձնական արհեստական ​​բանականությանը անընդհատ արվեստ ստեղծել իր տանը գտնվող թվային պատկերասրահի համար, օրինակ՝ ապահովելով անընդհատ փոփոխվող ստեղծագործական միջավայր։

Հուսալիության տեսանկյունից, որոշ առումներով տեսողականորեն գեներատիվ արհեստական ​​բանականությունն ինքնավարության ավելի հեշտ ճանապարհ ունի, քան տեքստը. պատկերը կարող է սուբյեկտիվորեն «բավականաչափ լավ» լինել, նույնիսկ եթե կատարյալ չէ, մինչդեռ տեքստում փաստացի սխալն ավելի խնդրահարույց է: Այսպիսով, մենք արդեն տեսնում ենք համեմատաբար ցածր ռիսկային ընդունում . եթե արհեստական ​​բանականության կողմից ստեղծված դիզայնը տգեղ է կամ սխալ, դուք պարզապես չեք օգտագործում այն, բայց այն ինքնին վնաս չի պատճառում: Սա նշանակում է, որ 2030-ական թվականներին ընկերությունները կարող են հարմարավետ զգալ՝ թույլ տալով արհեստական ​​բանականությանը ստեղծել դիզայններ առանց հսկողության և մարդկանց ներգրավել միայն այն դեպքում, երբ անհրաժեշտ է ինչ-որ իսկապես նորարարական կամ ռիսկային բան:

Ամփոփելով՝ մինչև 2035 թվականը գեներատիվ արհեստական ​​բանականությունը (AI) կանխատեսվում է, որ կդառնա վիզուալ բովանդակության հզոր ստեղծող, հավանաբար պատասխանատու մեզ շրջապատող պատկերների և մեդիայի զգալի մասի համար։ Այն հուսալիորեն կստեղծի բովանդակություն զվարճանքի, դիզայնի և առօրյա հաղորդակցության համար։ Ինքնավար արվեստագետը հորիզոնում է, չնայած այն հարցին, թե արդյոք արհեստական ​​բանականությունը համարվում է ստեղծագործական , թե պարզապես շատ խելացի գործիք, բանավեճ է, որը կզարգանա, քանի որ դրա արդյունքները կդառնան անզանազանելի մարդու կողմից ստեղծվածից։

Գեներատիվ արհեստական ​​բանականություն ծրագրային ապահովման մշակման (կոդավորման) մեջ

Ծրագրային ապահովման մշակումը կարող է թվալ խիստ վերլուծական խնդիր, բայց այն նաև ունի ստեղծագործական տարր. կոդ գրելը հիմնականում կառուցվածքային լեզվով տեքստի ստեղծում է: Ժամանակակից գեներատիվ արհեստական ​​բանականությունը, մասնավորապես՝ մեծ լեզվական մոդելները, բավականին հմուտ են կոդավորման մեջ: GitHub Copilot-ի, Amazon CodeWhisperer-ի և այլ գործիքների նման գործիքները գործում են որպես արհեստական ​​բանականության զույգ ծրագրավորողներ՝ առաջարկելով կոդի հատվածներ կամ նույնիսկ ամբողջական գործառույթներ, երբ մշակողները մուտքագրում են: Որքա՞ն հեռու կարող է սա գնալ դեպի ինքնավար ծրագրավորում:

Ընթացիկ հնարավորություններ (2025). Արհեստական ​​բանականությունը որպես կոդավորման օգնական օդաչու

Մինչև 2025 թվականը արհեստական ​​բանականության կոդի գեներատորները լայն տարածում գտան շատ մշակողների աշխատանքային հոսքերում: Այս գործիքները կարող են ավտոմատ կերպով լրացնել կոդի տողերը, ստեղծել ստանդարտ ձևանմուշներ (օրինակ՝ ստանդարտ ֆունկցիաներ կամ թեստեր) և նույնիսկ գրել պարզ ծրագրեր՝ բնական լեզվի նկարագրությամբ: Սակայն կարևորագույնն այն է, որ դրանք գործում են մշակողի հսկողության ներքո. մշակողը վերանայում և ինտեգրում է արհեստական ​​բանականության առաջարկները:

Որոշ արդիական փաստեր և թվեր՝

• Մասնագիտական ​​մշակողների կեսից ավելին 2023 թվականի վերջին արդեն իսկ օգտագործել էր արհեստական ​​բանականության կոդավորման օգնականներ ( Coding on Copilot: 2023 թվականի տվյալները ենթադրում են կոդի որակի վրա ճնշման անկում (ներառյալ 2024 թվականի կանխատեսումները) - GitClear ), ինչը վկայում է արագ տարածման մասին: GitHub Copilot-ը, որը առաջին լայնորեն մատչելի գործիքներից մեկն է, հաղորդվում է, որ միջինում ստեղծում է կոդի 30-40%-ը այն նախագծերում, որտեղ այն օգտագործվում է ( Coding on Copilot-ը այլևս MOAT չէ: GitHub-ի կոդերի 46%-ն արդեն ... ): Սա նշանակում է, որ արհեստական ​​բանականությունն արդեն գրում է կոդի զգալի մասեր, չնայած մարդը ղեկավարում և ստուգում է այն:

• Այս արհեստական ​​ինտելեկտի գործիքները գերազանց են կատարում կրկնվող կոդ գրելը (օրինակ՝ տվյալների մոդելի դասեր, ստացող/սահմանող մեթոդներ), մեկ ծրագրավորման լեզուն մյուսին փոխակերպելը կամ պարզ ալգորիթմներ ստեղծելը, որոնք նման են ուսուցման օրինակների: Օրինակ, մշակողը կարող է մեկնաբանել «// ֆունկցիան՝ օգտատերերի ցանկը անունով տեսակավորելու համար», և արհեստական ​​ինտելեկտը գրեթե անմիջապես կստեղծի համապատասխան տեսակավորման ֆունկցիա:

• Նրանք նաև օգնում են սխալների շտկման և բացատրության . մշակողները կարող են տեղադրել սխալի հաղորդագրություն, և արհեստական ​​բանականությունը կարող է առաջարկել լուծում, կամ հարցնել. «Ի՞նչ է անում այս կոդը» և ստանալ բնական լեզվով բացատրություն: Սա որոշ առումով ինքնավար է (արհեստական ​​բանականությունը կարող է ինքնուրույն ախտորոշել խնդիրները), բայց մարդը որոշում է, թե արդյոք կիրառել լուծումը:

• Կարևոր է նշել, որ արհեստական ​​բանականության կոդավորման ներկայիս օգնականները անսխալական չեն։ Նրանք կարող են առաջարկել անապահով կոդ կամ կոդ, որը գրեթե լուծում է խնդիրը, բայց ունի աննշան սխալներ։ Այսպիսով, այսօր լավագույն պրակտիկան մարդուն տեղեկացված պահելն . մշակողը փորձարկում և վրիպակազերծում է արհեստական ​​բանականության կողմից գրված կոդը այնպես, ինչպես կանեին մարդու կողմից գրված կոդով։ Կարգավորվող ոլորտներում կամ կարևոր ծրագրային ապահովման մեջ (օրինակ՝ բժշկական կամ ավիացիոն համակարգեր), արհեստական ​​բանականության ցանկացած ներդրում ենթարկվում է խիստ վերանայման։

Այսօր ոչ մի հիմնական ծրագրային համակարգ չի տեղակայվում արհեստական ​​բանականության կողմից գրված՝ զրոյից, առանց մշակողի հսկողության։ Այնուամենայնիվ, ի հայտ են գալիս որոշ ինքնավար կամ կիսաինքնավար կիրառություններ.

• Ավտոմատ կերպով ստեղծված միավորային թեստեր. Արհեստական ​​բանականությունը կարող է վերլուծել կոդը և ստեղծել միավորային թեստեր՝ տարբեր դեպքերը լուսաբանելու համար: Թեստավորման շրջանակը կարող է ինքնուրույն ստեղծել և գործարկել այս Արհեստական ​​բանականության կողմից գրված թեստերը՝ սխալները հայտնաբերելու և մարդկանց կողմից գրված թեստերը լրացնելու համար:

• Արհեստական ​​բանականությամբ ցածր կոդով/առանց կոդի հարթակներ. Որոշ հարթակներ թույլ են տալիս ոչ ծրագրավորողներին նկարագրել, թե ինչ են ուզում (օրինակ՝ «ստեղծել վեբ էջ՝ կոնտակտային ձևով և տվյալների բազայով՝ գրառումները պահպանելու համար»), և համակարգը ստեղծում է կոդը: Չնայած դեռևս վաղ փուլում է, սա հուշում է ապագայի մասին, որտեղ արհեստական ​​բանականությունը կարող է ինքնուրույն ստեղծել ծրագրային ապահովում ստանդարտ օգտագործման դեպքերի համար:

• Սկրիպտավորում և սոսնձման կոդ. ՏՏ ավտոմատացումը հաճախ ենթադրում է համակարգերը միացնելու համար սկրիպտների գրում: Արհեստական ​​բանականության գործիքները հաճախ կարող են ավտոմատ կերպով ստեղծել այս փոքր սկրիպտները: Օրինակ՝ սկրիպտ գրելը գրանցամատյանի ֆայլը վերլուծելու և էլեկտրոնային փոստով ծանուցում ուղարկելու համար. Արհեստական ​​բանականությունը կարող է ստեղծել աշխատող սկրիպտ՝ նվազագույն կամ առանց խմբագրումների:

2030-2035 թվականների հեռանկարը. դեպի «ինքնազարգացող» ծրագրային ապահովում

Հաջորդ տասնամյակում, կանխատեսվում է, որ գեներատիվ արհեստական ​​բանականությունը կստանձնի կոդավորման բեռի ավելի մեծ մասը՝ մոտենալով որոշակի դասերի նախագծերի համար լիովին ինքնավար ծրագրային ապահովման մշակմանը: Կանխատեսվող որոշ զարգացումներ՝

• Ամբողջական գործառույթների ներդրում. Մենք կանխատեսում ենք, որ մինչև 2030 թվականը արհեստական ​​բանականությունը կկարողանա իրականացնել պարզ ծրագրային գործառույթներ՝ ամբողջությամբ։ Արտադրանքի մենեջերը կարող է նկարագրել գործառույթը պարզ լեզվով («Օգտատերերը պետք է կարողանան վերականգնել իրենց գաղտնաբառը էլեկտրոնային փոստի հղման միջոցով»), և արհեստական ​​բանականությունը կարող է ստեղծել անհրաժեշտ կոդը (առաջնային ձև, հետին տրամաբանություն, տվյալների բազայի թարմացում, էլեկտրոնային փոստով ուղարկում) և ինտեգրել այն կոդային բազայի մեջ։ Արհեստական ​​բանականությունը արդյունավետորեն կգործի որպես կրտսեր մշակող, որը կարող է հետևել սպեցիֆիկացիաներին։ Մարդ-ինժեները կարող է պարզապես կատարել կոդի վերանայում և անցկացնել թեստեր։ Արհեստական ​​բանականության հուսալիության բարելավմանը զուգընթաց, կոդի վերանայումը կարող է դառնալ արագ թերթում, եթե ընդհանրապես հնարավոր լինի։

• Ինքնավար կոդի պահպանում. Ծրագրային ապահովման ճարտարագիտության մեծ մասը ոչ միայն նոր կոդ գրելն է, այլև առկա կոդի թարմացումը՝ սխալների շտկումը, աշխատանքի արդյունավետության բարելավումը, նոր պահանջներին հարմարվելը: Ապագա արհեստական ​​բանականության մշակողները, հավանաբար, կհիանան այս հարցում: Տրված կոդային բազայի և հրահանգի («մեր հավելվածը խափանվում է, երբ չափազանց շատ օգտատերեր են միաժամանակ մուտք գործում»), արհեստական ​​բանականությունը կարող է գտնել խնդիրը (օրինակ՝ զուգահեռության սխալ) և շտկել այն: Մինչև 2035 թվականը արհեստական ​​բանականության համակարգերը կարող են ավտոմատ կերպով կարգավորել պլանային սպասարկման տոմսերը մեկ գիշերվա ընթացքում՝ ծառայելով որպես ծրագրային համակարգերի անխոնջ սպասարկման անձնակազմ:

• Ինտեգրացիա և API-ի օգտագործում. Քանի որ ավելի շատ ծրագրային համակարգեր և API-ներ են գալիս արհեստական ​​բանականության կողմից ընթեռնելի փաստաթղթերով, արհեստական ​​բանականության գործակալը կարող է ինքնուրույն պարզել, թե ինչպես կապել A համակարգը B ծառայության հետ՝ գրելով սոսնձման կոդը: Օրինակ, եթե ընկերությունը ցանկանում է, որ իր ներքին HR համակարգը համաժամեցվի նոր աշխատավարձի API-ի հետ, նրանք կարող են հանձնարարել արհեստական ​​բանականությանը «ստիպել սրանք խոսել միմյանց հետ», և այն կգրի ինտեգրման կոդը՝ երկու համակարգերի տեխնիկական բնութագրերը կարդալուց հետո:

• Որակ և օպտիմիզացիա. ապագա կոդի ստեղծման մոդելները, հավանաբար, կներառեն հետադարձ կապի ցիկլեր՝ կոդի աշխատանքը ստուգելու համար (օրինակ՝ թեստեր կամ սիմուլյացիաներ անցկացնել «sandbox»-ում): Սա նշանակում է, որ արհեստական ​​բանականությունը կարող է ոչ միայն գրել կոդ, այլև ինքնուրույն ուղղել այն՝ այն փորձարկելով: Մինչև 2035 թվականը մենք կարող ենք պատկերացնել մի արհեստական ​​բանականություն, որը, տրված առաջադրանքով, շարունակում է կրկնել իր կոդը մինչև բոլոր թեստերը հաջողությամբ հանձնվեն՝ գործընթաց, որը մարդը կարող է տող առ տող վերահսկելու կարիք չունենալ: Սա մեծապես կբարձրացնի վստահությունը ինքնավար ստեղծված կոդի նկատմամբ:

Կարելի է պատկերացնել մի սցենար, երբ 2035 թվականին փոքր ծրագրային նախագիծ՝ ասենք՝ բիզնեսի համար նախատեսված հատուկ բջջային հավելված, կարող է մշակվել հիմնականում արհեստական ​​բանականության գործակալի կողմից՝ բարձր մակարդակի հրահանգներով: Այդ սցենարում մարդ «մշակողը» ավելի շատ նախագծի ղեկավար կամ վավերացնող է, որը նշում է պահանջները և սահմանափակումները (անվտանգություն, ոճի ուղեցույցներ) և թույլ է տալիս արհեստական ​​բանականությանը կատարել իրական կոդավորման ծանր աշխատանքը:

Այնուամենայնիվ, բարդ, մեծածավալ ծրագրային ապահովման համար (օպերացիոն համակարգեր, առաջադեմ արհեստական ​​բանականության ալգորիթմներ և այլն) մարդկային փորձագետները դեռևս խորապես ներգրավված կլինեն: Ծրագրային ապահովման մեջ ստեղծագործական խնդիրների լուծումը և ճարտարապետական ​​​​նախագծումը, հավանաբար, որոշ ժամանակ կմնան մարդկանց կողմից ղեկավարվող: Արհեստական ​​​​բանականությունը կարող է կատարել բազմաթիվ կոդավորման առաջադրանքներ, բայց որոշելը, թե ինչ կառուցել և ընդհանուր կառուցվածքը նախագծելը այլ մարտահրավեր է: Այնուամենայնիվ, քանի որ գեներատիվ արհեստական ​​​​բանականությունը սկսում է համագործակցել՝ բազմաթիվ արհեստական ​​​​բանականության գործակալներ, որոնք կառավարում են համակարգի տարբեր բաղադրիչներ, հնարավոր է, որ նրանք որոշ չափով համատեղ նախագծեն ճարտարապետություններ (օրինակ՝ մեկ արհեստական ​​​​բանականություն առաջարկում է համակարգի դիզայն, մյուսը քննադատում է այն, և նրանք կրկնում են՝ մարդու հսկողության ներքո գործընթացը):

Կոդավորման մեջ արհեստական ​​բանականության հիմնական սպասվող օգուտներից մեկը արտադրողականության բարձրացումն : Gartner-ը կանխատեսում է, որ մինչև 2028 թվականը ծրագրային ապահովման ինժեներների 90%-ը կօգտագործի արհեստական ​​բանականության կոդի օգնականներ (2024 թվականի 15%-ից պակաս ցուցանիշի համեմատ) ( GitHub Copilot Tops Research Report on AI Code Assistants -- Visual Studio Magazine ): Սա ենթադրում է, որ բացառությունները՝ արհեստական ​​բանականություն չօգտագործողները, քիչ կլինեն: Մենք կարող ենք նաև տեսնել մարդկային մշակողների պակաս որոշակի ոլորտներում, որը մեղմվում է արհեստական ​​բանականության կողմից բացերը լրացնելու միջոցով. ըստ էության, յուրաքանչյուր մշակող կարող է շատ ավելին անել արհեստական ​​բանականության օգնականի միջոցով, որը կարող է ինքնուրույն կոդ մշակել:

Վստահությունը կմնա կենտրոնական խնդիր։ Նույնիսկ 2035 թվականին կազմակերպությունները պետք է ապահովեն, որ ինքնավար գեներացված կոդը անվտանգ լինի (արհեստական ​​բանականությունը չպետք է խոցելիություններ ներմուծի) և համապատասխանի իրավական/էթիկական նորմերին (օրինակ՝ արհեստական ​​բանականությունը չի ներառում բաց կոդով գրադարանից գրագողացված կոդ՝ առանց համապատասխան լիցենզիայի)։ Մենք ակնկալում ենք արհեստական ​​բանականության կառավարման գործիքների բարելավում, որոնք կարող են ստուգել և հետևել արհեստական ​​բանականության կողմից գրված կոդի ծագմանը, որպեսզի օգնեն ապահովել ավելի ինքնավար կոդավորում՝ առանց ռիսկերի։

Ամփոփելով՝ 2030-ականների կեսերին գեներատիվ արհեստական ​​բանականությունը, հավանաբար, կկատարի առյուծի բաժինը ծրագրային ապահովման առօրյա խնդիրների կոդավորման գործում և զգալիորեն կօգնի բարդ խնդիրների լուծմանը։ Ծրագրային ապահովման մշակման կենսացիկլը շատ ավելի ավտոմատացված կլինի՝ պահանջներից մինչև տեղակայում՝ արհեստական ​​բանականությամբ, որը հնարավոր է ավտոմատ կերպով ստեղծի և տեղակայի կոդի փոփոխությունները։ Մարդ մշակողները ավելի շատ կկենտրոնանան բարձր մակարդակի տրամաբանության, օգտագործողի փորձի և վերահսկողության վրա, մինչդեռ արհեստական ​​բանականության գործակալները կմշակեն ներդրման մանրամասները։

Գեներատիվ արհեստական ​​բանականություն հաճախորդների սպասարկման և աջակցության մեջ

Եթե ​​վերջերս շփվել եք հաճախորդների աջակցության առցանց զրուցարանի հետ, մեծ հավանականություն կա, որ արհեստական ​​բանականությունը գոնե մի մասի համար եղել է մյուս կողմում։ Հաճախորդների սպասարկումը արհեստական ​​բանականության ավտոմատացման համար հարմար ոլորտ է. այն ներառում է օգտատերերի հարցումներին պատասխանելը, ինչը գեներատիվ արհեստական ​​բանականությունը (հատկապես խոսակցական մոդելները) կարող է բավականին լավ անել, և այն հաճախ հետևում է սկրիպտների կամ գիտելիքների բազայի հոդվածների, որոնք արհեստական ​​բանականությունը կարող է սովորել։ Որքանո՞վ ինքնուրույն կարող է արհեստական ​​բանականությունը գործել հաճախորդների հետ։

Ընթացիկ հնարավորություններ (2025). Չաթբոտներն ու վիրտուալ գործակալները առաջնագծում են

Այսօրվա դրությամբ շատ կազմակերպություններ արհեստական ​​բանականության չաթբոտներ են օգտագործում որպես հաճախորդների սպասարկման առաջին կապի կետ : Դրանք տատանվում են պարզ կանոնների վրա հիմնված բոտերից («Սեղմեք 1՝ հաշիվ-ապրանքագրերի համար, 2՝ աջակցության համար…») մինչև առաջադեմ գեներատիվ արհեստական ​​բանականության չաթբոտներ, որոնք կարող են մեկնաբանել ազատ ձևի հարցերը և պատասխանել զրույցի միջոցով: Հիմնական կետեր՝

• Հաճախակի տրվող հարցերի լուծում. Արհեստական ​​բանականության գործակալները գերազանց են հաճախակի տրվող հարցերին պատասխանելու, տեղեկատվություն տրամադրելու (խանութի աշխատանքային ժամեր, վերադարձի քաղաքականություն, հայտնի խնդիրների լուծման քայլեր) և օգտատերերին ստանդարտ ընթացակարգերով ուղղորդելու հարցում: Օրինակ, բանկի համար նախատեսված արհեստական ​​բանականության չաթբոտը կարող է ինքնուրույն օգնել օգտատիրոջը ստուգել իր հաշվի մնացորդը, վերականգնել գաղտնաբառը կամ բացատրել, թե ինչպես դիմել վարկի համար՝ առանց մարդկային օգնության:

• Բնական լեզվի հասկացողություն. Ժամանակակից գեներատիվ մոդելները թույլ են տալիս ավելի սահուն և «մարդկանց նման» փոխազդեցություն: Հաճախորդները կարող են հարց մուտքագրել իրենց սեփական բառերով, և արհեստական ​​բանականությունը սովորաբար կարող է հասկանալ մտադրությունը: Ընկերությունները հայտնում են, որ այսօրվա արհեստական ​​բանականության գործակալները շատ ավելի գոհացուցիչ են հաճախորդների համար, քան մի քանի տարի առաջվա անհարմար բոտերը. հաճախորդների գրեթե կեսն այժմ կարծում է, որ արհեստական ​​բանականության գործակալները կարող են կարեկից և արդյունավետ լինել մտահոգությունները լուծելիս ( 59 արհեստական ​​բանականության հաճախորդների սպասարկման վիճակագրություն 2025 թվականի համար ), ինչը ցույց է տալիս արհեստական ​​բանականության վրա հիմնված ծառայության նկատմամբ վստահության աճը:

• Բազմալիքային աջակցություն. արհեստական ​​բանականությունը միայն չաթում չէ: Ձայնային օգնականները (ինչպիսիք են արհեստական ​​բանականությամբ հագեցած հեռախոսային IVR համակարգերը) սկսում են կարգավորել զանգերը, և արհեստական ​​բանականությունը կարող է նաև կազմել հաճախորդների հարցումներին ուղղված էլեկտրոնային նամակների պատասխաններ, որոնք կարող են ավտոմատ կերպով ուղարկվել, եթե դրանք ճշգրիտ համարվեն:

• Երբ մարդիկ միջամտում են. Սովորաբար, եթե արհեստական ​​բանականությունը շփոթվում է կամ հարցը չափազանց բարդ է, այն հարցը փոխանցում է մարդ-գործակալին: Ներկայիս համակարգերը շատ դեպքերում լավ են գիտակցում իրենց սահմանները : Օրինակ, եթե հաճախորդը հարցնում է ինչ-որ անսովոր բան կամ ցուցաբերում է հիասթափություն («Սա արդեն երրորդ անգամն է, որ ես կապվում եմ ձեզ հետ, և ես շատ վրդովված եմ…»), արհեստական ​​բանականությունը կարող է նշել դա, որպեսզի մարդը ստանձնի այդ գործը: Փոխանցման շեմը սահմանվում է ընկերությունների կողմից՝ արդյունավետությունը հաճախորդի գոհունակության հետ հավասարակշռելու համար:

Շատ ընկերություններ հայտնել են, որ փոխազդեցությունների զգալի մասը լուծվում է միայն արհեստական ​​բանականության միջոցով: Արդյունաբերական հարցումների համաձայն՝ այսօր հաճախորդների առօրյա հարցումների մոտ 70-80%-ը կարող է կարգավորվել արհեստական ​​բանականության չաթբոտների կողմից, և ընկերությունների հաճախորդների հետ փոխազդեցությունների մոտ 40%-ը տարբեր ալիքներով արդեն ավտոմատացված է կամ աջակցվում է արհեստական ​​բանականության միջոցով ( 52 արհեստական ​​բանականության հաճախորդների սպասարկման վիճակագրություն, որը դուք պետք է իմանաք - Plivo ): IBM-ի արհեստական ​​բանականության կիրառման գլոբալ ինդեքսը (2022) ցույց է տվել, որ ընկերությունների 80%-ը կամ օգտագործում է, կամ պլանավորում է օգտագործել արհեստական ​​բանականության չաթբոտներ հաճախորդների սպասարկման համար մինչև 2025 թվականը:

Հետաքրքիր զարգացում է այն, որ արհեստական ​​բանականությունը ոչ միայն արձագանքում է հաճախորդներին, այլև ակտիվորեն օգնում է մարդ-գործակալներին իրական ժամանակում: Օրինակ՝ ուղիղ զրույցի կամ զանգի ժամանակ արհեստական ​​բանականությունը կարող է լսել և անմիջապես տրամադրել մարդ-գործակալին առաջարկվող պատասխաններ կամ համապատասխան տեղեկատվություն: Սա մշուշոտում է ինքնավարության սահմանը. արհեստական ​​բանականությունը միայնակ չի կանգնած հաճախորդի առջև, այլ ակտիվորեն ներգրավված է առանց մարդկային հստակ հարցման: Այն արդյունավետորեն գործում է որպես գործակալի ինքնավար խորհրդատու:

2030-2035 թվականների հեռանկարը. մեծ մասամբ արհեստական ​​բանականության միջոցով պայմանավորված հաճախորդների փոխազդեցություններ

Մինչև 2030 թվականը հաճախորդների սպասարկման հետ կապված փոխազդեցությունների մեծ մասը, կանխատեսումների համաձայն, կներառի արհեստական ​​բանականություն, որոնցից շատերը սկզբից մինչև վերջ ամբողջությամբ կկարգավորվեն արհեստական ​​բանականության կողմից։ Սա հաստատող կանխատեսումներ և միտումներ՝

• Բարձր բարդության հարցումների լուծում. Քանի որ արհեստական ​​բանականության մոդելները ինտեգրում են լայնածավալ գիտելիքներ և բարելավում են դատողությունները, դրանք կկարողանան կարգավորել ավելի բարդ հաճախորդների հարցումները: «Ինչպե՞ս վերադարձնել ապրանքը» հարցին պարզապես պատասխանելու փոխարեն, ապագայի արհեստական ​​բանականությունը կարող է լուծել բազմափուլ խնդիրներ, ինչպիսիք են՝ «Իմ ինտերնետը անջատված է, ես փորձեցի վերագործարկել, կարո՞ղ եք օգնել»՝ խնդիրը ախտորոշելով երկխոսության միջոցով, հաճախորդին ուղղորդելով առաջադեմ խնդիրների լուծմանը և միայն այն դեպքում, եթե մնացած ամեն ինչ ձախողվի, նշանակելով տեխնիկի՝ առաջադրանքներ, որոնք այսօր, հավանաբար, կպահանջեն մարդկային աջակցության մասնագետ: Առողջապահության հաճախորդների սպասարկման ոլորտում արհեստական ​​բանականությունը կարող է կատարել հիվանդների հանդիպումների նշանակման կամ ապահովագրության հարցումները ամբողջ ծավալով:

• Ամբողջական սպասարկման լուծում. Մենք կարող ենք տեսնել, որ արհեստական ​​բանականությունը ոչ միայն հաճախորդին ասում է, թե ինչ անել, այլ իրականում դա անում է հաճախորդի անունից՝ ներքին համակարգերի միջոցով: Օրինակ, եթե հաճախորդն ասում է. «Ես ուզում եմ փոխել իմ չվերթը հաջորդ երկուշաբթի և ավելացնել ևս մեկ ուղեբեռ», 2030 թվականին արհեստական ​​բանականության գործակալը կարող է ուղղակիորեն կապվել ավիաընկերության ամրագրման համակարգի հետ, կատարել փոփոխությունը, մշակել ուղեբեռի վճարումը և հաստատել հաճախորդին՝ այս ամենը ինքնուրույն: Արհեստական ​​բանականությունը դառնում է լիարժեք սպասարկող գործակալ, այլ ոչ թե պարզապես տեղեկատվության աղբյուր:

• Ամենուրեք ներկա արհեստական ​​բանականության գործակալներ. Ընկերությունները, հավանաբար, արհեստական ​​բանականությունը կտեղադրեն հաճախորդների հետ շփման բոլոր կետերում՝ հեռախոսով, չաթով, էլեկտրոնային փոստով, սոցիալական ցանցերում: Շատ հաճախորդներ կարող են նույնիսկ չգիտակցել՝ խոսում են արհեստական ​​բանականության, թե՞ մարդու հետ, հատկապես այն պատճառով, որ արհեստական ​​բանականության ձայները դառնում են ավելի բնական, իսկ չաթի պատասխանները՝ ավելի համատեքստից կախված: Մինչև 2035 թվականը հաճախորդների սպասարկման ծառայության հետ կապ հաստատելը հաճախ կարող է նշանակել փոխազդել խելացի արհեստական ​​բանականության հետ, որը հիշում է ձեր անցյալի փոխազդեցությունները, հասկանում է ձեր նախասիրությունները և հարմարվում է ձեր տոնին՝ ըստ էության, յուրաքանչյուր հաճախորդի համար անհատականացված վիրտուալ գործակալ:

• Արհեստական ​​բանականության որոշումների կայացումը փոխազդեցություններում. Հարցերին պատասխանելուց զատ, արհեստական ​​բանականությունը կսկսի կայացնել որոշումներ, որոնք ներկայումս պահանջում են կառավարչական հաստատում: Օրինակ, այսօր մարդկային գործակալը կարող է կարիք ունենալ ղեկավարի հաստատման՝ զայրացած հաճախորդին հանգստացնելու համար վերադարձ կամ հատուկ զեղչ առաջարկելու համար: Ապագայում արհեստական ​​բանականությանը կարող են վստահվել այդ որոշումները՝ սահմանված սահմաններում, հաճախորդի կյանքի տևողության հաշվարկված արժեքի և տրամադրվածության վերլուծության հիման վրա: Futurum/IBM-ի կողմից անցկացված ուսումնասիրությունը կանխատեսել է, որ մինչև 2030 թվականը իրական ժամանակում հաճախորդների հետ փոխազդեցությունների ընթացքում կայացված որոշումների մոտ 69%-ը կկայացվեն խելացի մեքենաների կողմից ( CX-ին անցումը վերաիմաստավորելու համար մարքեթոլոգները պետք է անեն այս 2 բաները )՝ գործնականում արհեստական ​​բանականությունը կորոշի փոխազդեցության մեջ գործողությունների լավագույն ընթացքը:

• 100% արհեստական ​​բանականության ներգրավվածություն. Մեկ զեկույցում նշվում է, որ արհեստական ​​բանականությունը, ի վերջո, դեր կխաղա յուրաքանչյուր փոխազդեցության մեջ ( 2025 թվականի արհեստական ​​բանականության հաճախորդների սպասարկման 59 վիճակագրություն ), անկախ նրանից՝ անմիջապես, թե ֆոնին: Դա կարող է նշանակել, որ նույնիսկ եթե մարդը փոխազդում է հաճախորդի հետ, նրան կօգնի արհեստական ​​բանականությունը (առաջարկներ տրամադրելով, տեղեկատվություն ստանալով): Այլընտրանքորեն, մեկնաբանությունն այն է, որ հաճախորդի ոչ մի հարցում անպատասխան չի մնում. եթե մարդիկ ցանցից դուրս են, արհեստական ​​բանականությունը միշտ այնտեղ է:

Մինչև 2035 թվականը մենք կարող ենք պարզել, որ մարդկային հաճախորդների սպասարկման գործակալները մասնագիտացած են միայն ամենազգայուն կամ հաճախակի շփման իրավիճակների համար (օրինակ՝ VIP հաճախորդներ կամ բարդ բողոքների լուծում, որը պահանջում է մարդկային կարեկցանք): Կանոնավոր հարցումները՝ բանկային գործունեությունից մինչև մանրածախ առևտուր և տեխնիկական աջակցություն, կարող են սպասարկվել արհեստական ​​բանականության գործակալների մի նավատորմի կողմից, որը կաշխատի 24/7 ռեժիմով՝ անընդհատ սովորելով յուրաքանչյուր փոխազդեցությունից: Այս փոփոխությունը կարող է հաճախորդների սպասարկումը դարձնել ավելի հետևողական և անհապաղ, քանի որ արհեստական ​​բանականությունը մարդկանց չի պահում սպասման մեջ և տեսականորեն կարող է միաժամանակ կատարել բազմաթիվ առաջադրանքներ՝ անսահմանափակ թվով հաճախորդների հետ աշխատելու համար:

Այս տեսլականի համար կան մարտահրավերներ, որոնք պետք է հաղթահարվեն. արհեստական ​​բանականությունը պետք է շատ հզոր լինի՝ մարդկային հաճախորդների անկանխատեսելիությունը հաղթահարելու համար: Այն պետք է կարողանա հաղթահարել ժարգոնը, զայրույթը, շփոթմունքը և մարդկանց հաղորդակցման անվերջ բազմազան ձևերը: Այն նաև կարիք ունի արդիական գիտելիքների (ոչ մի իմաստ, եթե արհեստական ​​բանականության տեղեկատվությունը հնացած է): Արհեստական ​​բանականության և ընկերության տվյալների բազաների միջև ինտեգրման մեջ ներդրումներ կատարելով (պատվերների, խափանումների և այլնի վերաբերյալ իրական ժամանակի տեղեկատվության համար), այս խոչընդոտները կարելի է լուծել:

Էթիկապես, ընկերությունները պետք է որոշեն, թե երբ բացահայտել «դուք խոսում եք արհեստական ​​բանականության հետ» և ապահովել արդարություն (արհեստական ​​բանականությունը որոշակի հաճախորդների հետ տարբեր կերպ չի վարվում բացասական ձևով՝ կողմնակալ ուսուցման պատճառով): Ենթադրելով, որ դրանք կառավարվում են, բիզնես փաստարկը ուժեղ է. արհեստական ​​բանականության հաճախորդների սպասարկումը կարող է զգալիորեն կրճատել ծախսերը և սպասման ժամանակը: Կանխատեսվում է, որ հաճախորդների սպասարկման ոլորտում արհեստական ​​բանականության շուկան կաճի մինչև տասնյակ միլիարդավոր դոլարներ մինչև 2030 թվականը ( AI in Customer Service Market Report 2025-2030: Case ) ( How Generative AI is Boosting Logistics | Ryder ), քանի որ կազմակերպությունները ներդրումներ են կատարում այս հնարավորությունների մեջ:

Ամփոփելով՝ սպասեք ապագայի, որտեղ ինքնավար արհեստական ​​ինտելեկտի հաճախորդների սպասարկումը կդառնա նորմա ։ Օգնություն ստանալը հաճախ կնշանակի փոխազդել խելացի մեքենայի հետ, որը կարող է արագ լուծել ձեր խնդիրը։ Մարդիկ դեռևս կլինեն վերահսկողության և ծայրահեղ դեպքերի լուծման գործընթացում, բայց ավելի շատ որպես արհեստական ​​ինտելեկտի աշխատուժի վերահսկիչներ։ Արդյունքը կարող է լինել ավելի արագ, ավելի անհատականացված սպասարկում սպառողների համար, քանի դեռ արհեստական ​​ինտելեկտը պատշաճ կերպով մարզված է և վերահսկվում է՝ անցյալի «ռոբոտների թեժ գծի» հետ կապված հիասթափությունները կանխելու համար։

Գեներատիվ արհեստական ​​բանականությունը առողջապահության և բժշկության մեջ

Առողջապահությունը այն ոլորտն է, որտեղ խաղադրույքները բարձր են։ Բժշկության մեջ մարդկային հսկողության բացակայության պայմաններում արհեստական ​​բանականության գործելու գաղափարը առաջացնում է ինչպես ոգևորություն (արդյունավետության և հասանելիության համար), այնպես էլ զգուշություն (անվտանգության և կարեկցանքի նկատառումներից ելնելով)։ Գեներատիվ արհեստական ​​բանականությունը սկսել է առաջընթաց գրանցել այնպիսի ոլորտներում, ինչպիսիք են բժշկական պատկերագրական վերլուծությունը, կլինիկական փաստաթղթավորումը և նույնիսկ դեղերի հայտնաբերումը։ Ի՞նչ կարող է այն պատասխանատու կերպով անել ինքնուրույն։

Ընթացիկ կարողություններ (2025). Օգնել բժիշկներին, այլ ոչ թե փոխարինել նրանց

Ներկայումս առողջապահության ոլորտում գեներատիվ արհեստական ​​բանականությունը հիմնականում ծառայում է որպես հզոր օգնական , այլ ոչ թե ինքնուրույն որոշում կայացնող։ Օրինակ՝

• Բժշկական փաստաթղթեր. Առողջապահության ոլորտում արհեստական ​​բանականության ամենահաջող կիրառումներից մեկը բժիշկներին օգնելն է թղթաբանության հարցում: Բնական լեզվի մոդելները կարող են տառադարձել հիվանդների այցելությունները և ստեղծել կլինիկական նշումներ կամ դուրսգրման ամփոփագրեր: Ընկերություններն ունեն «արհեստական ​​բանականության գրագիրներ», որոնք լսում են հետազոտության ընթացքում (միկրոֆոնի միջոցով) և ավտոմատ կերպով կազմում են հանդիպման նշումների նախագիծ, որպեսզի բժիշկը վերանայի այն: Սա բժիշկներին խնայում է մուտքագրման ժամանակը: Որոշ համակարգեր նույնիսկ ավտոմատ կերպով լրացնում են էլեկտրոնային առողջապահական գրառումների մասերը: Սա կարելի է անել նվազագույն միջամտությամբ. բժիշկը պարզապես ուղղում է նախագծի ցանկացած փոքր սխալ, ինչը նշանակում է, որ նշումների կազմումը մեծ մասամբ ինքնավար է:

• Ռենտգենոլոգիա և պատկերագրություն. Արհեստական ​​բանականությունը, ներառյալ գեներատիվ մոդելները, կարող են վերլուծել ռենտգենյան ճառագայթները, ՄՌՏ և համակարգչային տոմոգրաֆիան՝ անոմալիաներ (օրինակ՝ ուռուցքներ կամ կոտրվածքներ) հայտնաբերելու համար: 2018 թվականին FDA-ն հաստատեց արհեստական ​​բանականության համակարգ՝ ցանցաթաղանթի պատկերներում դիաբետիկ ռետինոպաթիայի (աչքի հիվանդություն) ինքնավար հայտնաբերման համար. մասնավորապես, այն լիազորված էր որոշում կայացնել առանց մասնագետի վերանայման՝ այդ կոնկրետ սկրինինգային համատեքստում: Այդ համակարգը գեներատիվ արհեստական ​​բանականություն չէր, բայց այն ցույց է տալիս, որ կարգավորող մարմինները թույլ են տվել ինքնավար արհեստական ​​բանականության ախտորոշում սահմանափակ դեպքերում: Գեներատիվ մոդելները օգտագործվում են համապարփակ զեկույցներ ստեղծելու համար: Օրինակ, արհեստական ​​բանականությունը կարող է ուսումնասիրել կրծքավանդակի ռենտգենյան պատկերը և կազմել ռենտգենոլոգի զեկույց ՝ ասելով. «Սուր ախտանիշներ չկան: Թոքերը մաքուր են: Սիրտը նորմալ չափի է»: Այնուհետև ռենտգենոլոգը պարզապես հաստատում և ստորագրում է: Որոշ սովորական դեպքերում այս զեկույցները կարող են հրապարակվել առանց խմբագրումների, եթե ռենտգենոլոգը վստահի արհեստական ​​բանականությանը և պարզապես արագ ստուգում կատարի:

• Ախտանիշների ստուգիչներ և վիրտուալ բուժքույրեր. Գեներացնող արհեստական ​​բանականության չաթբոտներն օգտագործվում են որպես առաջնագծի ախտանիշների ստուգիչներ: Հիվանդները կարող են մուտքագրել իրենց ախտանիշները և ստանալ խորհուրդներ (օրինակ՝ «Հնարավոր է՝ սա սովորական մրսածություն է. հանգստացեք և հեղուկներ ընդունեք, բայց դիմեք բժշկի, եթե X կամ Y է առաջանում»): Babylon Health-ի նման հավելվածներն օգտագործում են արհեստական ​​բանականությունը՝ առաջարկություններ տալու համար: Ներկայումս դրանք սովորաբար ձևակերպվում են որպես տեղեկատվական, այլ ոչ թե վերջնական բժշկական խորհրդատվություն, և դրանք խրախուսում են լուրջ խնդիրների դեպքում դիմել մարդ-կլինիստի:

• Դեղերի հայտնաբերում (գեներատիվ քիմիա). Գեներատիվ արհեստական ​​բանականության մոդելները կարող են առաջարկել դեղերի նոր մոլեկուլային կառուցվածքներ: Սա ավելի շատ վերաբերում է հետազոտական ​​ոլորտին, քան հիվանդների խնամքին: Այս արհեստական ​​բանականությունները աշխատում են ինքնուրույն՝ առաջարկելով հազարավոր թեկնածու միացություններ՝ ցանկալի հատկություններով, որոնք հետո մարդ քիմիկոսները վերանայում և փորձարկում են լաբորատորիայում: Insilico Medicine-ի նման ընկերությունները օգտագործել են արհեստական ​​բանականությունը՝ զգալիորեն ավելի կարճ ժամանակում նոր դեղամիջոցների թեկնածուներ ստեղծելու համար: Չնայած սա ուղղակիորեն չի փոխազդում հիվանդների հետ, սա արհեստական ​​բանականության կողմից ինքնուրույն լուծումներ (մոլեկուլային դիզայն) ստեղծելու օրինակ է, որոնք մարդկանց շատ ավելի երկար ժամանակ կպահանջվեր գտնելու համար:

• Առողջապահական գործողություններ. Արհեստական ​​բանականությունը օգնում է օպտիմալացնել ժամանակացույցը, մատակարարման կառավարումը և այլ լոգիստիկա հիվանդանոցներում: Օրինակ, գեներատիվ մոդելը կարող է մոդելավորել հիվանդների հոսքը և առաջարկել ժամանակացույցի ճշգրտումներ՝ սպասման ժամանակը կրճատելու համար: Չնայած այդքան տեսանելի չեն, սրանք որոշումներ են, որոնք Արհեստական ​​բանականությունը կարող է կայացնել նվազագույն ձեռքով փոփոխություններով:

Կարևոր է նշել, որ 2025 թվականի դրությամբ ոչ մի հիվանդանոց թույլ չի տա արհեստական ​​բանականությանը ինքնուրույն կայացնել կարևոր բժշկական որոշումներ կամ բուժումներ՝ առանց մարդու համաձայնության: Ախտորոշումը և բուժման պլանավորումը մնում են մարդու ձեռքերում, որտեղ արհեստական ​​բանականությունն է ապահովում իր ներդրումը: Արհեստական ​​բանականության համար անհրաժեշտ վստահությունը՝ հիվանդին լիովին ինքնուրույն ասելու «Դուք քաղցկեղ ունեք» կամ դեղորայք նշանակելու համար, դեռևս չկա, և չպետք է լինի առանց լայնածավալ վավերացման: Բժշկական մասնագետները արհեստական ​​բանականությունն օգտագործում են որպես երկրորդ զույգ աչք կամ որպես ժամանակ խնայող գործիք, բայց նրանք ստուգում են կարևորագույն արդյունքները:

2030-2035 թվականների հեռանկարը. արհեստական ​​բանականությունը որպես բժշկի գործընկեր (և գուցե բուժքույր կամ դեղագործ)

Առաջիկա տասնամյակում մենք ակնկալում ենք, որ գեներատիվ արհեստական ​​բանականությունը ինքնուրույն կստանձնի ավելի շատ կլինիկական առաջադրանքներ և կընդլայնի առողջապահական ծառայությունների հասանելիությունը։

• Ավտոմատացված նախնական ախտորոշումներ. մինչև 2030 թվականը արհեստական ​​բանականությունը կկարողանա հուսալիորեն կատարել բազմաթիվ տարածված հիվանդությունների նախնական վերլուծությունը: Պատկերացրեք կլինիկայում արհեստական ​​բանականության համակարգ, որը տեսախցիկի միջոցով կարդում է հիվանդի ախտանիշները, բժշկական պատմությունը, նույնիսկ նրա տոնը և դեմքի արտահայտությունները, և տրամադրում է ախտորոշիչ առաջարկ և խորհուրդ տրվող թեստեր՝ նախքան մարդ-բժիշկը հիվանդին տեսնելը: Այնուհետև բժիշկը կարող է կենտրոնանալ ախտորոշումը հաստատելու և քննարկելու վրա: Հեռաբժշկության մեջ հիվանդը նախ կարող է զրուցել արհեստական ​​բանականության հետ, որը նեղացնում է խնդիրը (օրինակ՝ հավանական սինուսային վարակ, թե՞ ավելի ծանր բան), ապա անհրաժեշտության դեպքում կապում է նրան կլինիցիստի հետ: Կարգավորող մարմինները կարող են թույլ տալ արհեստական ​​բանականությանը պաշտոնապես ախտորոշել որոշակի աննշան հիվանդություններ առանց մարդկային հսկողության, եթե ապացուցվի չափազանց ճշգրիտ լինելը. օրինակ՝ արհեստական ​​բանականությունը կարող է հնարավոր լինել ականջի վարակի ախտորոշումը օտոսկոպի պատկերից:

• Անձնական առողջության մոնիտորներ. կրելի սարքերի (խելացի ժամացույցներ, առողջության սենսորներ) տարածման հետ մեկտեղ, արհեստական ​​բանականությունը անընդհատ կհետևի հիվանդներին և ինքնուրույն կզգուշացնի խնդիրների մասին: Օրինակ, մինչև 2035 թվականը ձեր կրելի սարքի արհեստական ​​բանականությունը կարող է հայտնաբերել սրտի աննորմալ ռիթմ և ինքնուրույն պլանավորել ձեզ շտապ վիրտուալ խորհրդատվության համար կամ նույնիսկ զանգահարել շտապօգնություն, եթե հայտնաբերի սրտի կաթվածի կամ ինսուլտի նշաններ: Սա անցնում է ինքնուրույն որոշումների կայացման տարածք՝ որոշել, որ իրավիճակը արտակարգ է և գործել, ինչը արհեստական ​​բանականության հավանական և կյանքեր փրկող կիրառում է:

• Բուժման առաջարկություններ. Բժշկական գրականության և հիվանդների տվյալների վրա պատրաստված գեներատիվ արհեստական ​​բանականությունը կարող է առաջարկել անհատականացված բուժման ծրագրեր: Մինչև 2030 թվականը, քաղցկեղի նման բարդ հիվանդությունների դեպքում, արհեստական ​​բանականության ուռուցքաբանական խորհուրդները կարող են վերլուծել հիվանդի գենետիկական կազմը և բժշկական պատմությունը և ինքնուրույն մշակել առաջարկվող բուժման ռեժիմ (քիմիաթերապիայի ծրագիր, դեղերի ընտրություն): Մարդ-բժիշկները կվերանայեն այն, բայց ժամանակի ընթացքում, վստահության աճի հետ մեկտեղ, նրանք կարող են սկսել ընդունել արհեստական ​​բանականության կողմից ստեղծված ծրագրերը, հատկապես սովորական դեպքերի համար, ճշգրտումներ կատարելով միայն անհրաժեշտության դեպքում:

• Վիրտուալ բուժքույրեր և տնային խնամք. արհեստական ​​բանականությունը, որը կարող է զրուցել և բժշկական խորհրդատվություն տրամադրել, կարող է կատարել մեծ քանակությամբ հետևողականություն և քրոնիկ հիվանդությունների խնամքի մոնիթորինգ: Օրինակ, տանը գտնվող քրոնիկ հիվանդություններով հիվանդները կարող են ամենօրյա ցուցանիշները հաղորդել արհեստական ​​բանականության բուժքրոջ օգնականին, որը խորհուրդներ է տալիս («Ձեր արյան մեջ շաքարը մի փոքր բարձր է, մտածեք երեկոյան նախուտեստը կարգավորելու մասին») և մարդ բուժքրոջը միացնում է միայն այն դեպքում, երբ ցուցանիշները գերազանցում են թույլատրելի սահմանները կամ խնդիրներ են առաջանում: Այս արհեստական ​​բանականությունը կարող է մեծ մասամբ ինքնուրույն գործել բժշկի հեռակա հսկողության ներքո:

• Բժշկական պատկերագրություն և լաբորատոր վերլուծություն՝ լիովին ավտոմատացված խողովակաշարեր. մինչև 2035 թվականը որոշ ոլորտներում բժշկական սկանավորումների ընթերցումը կարող է հիմնականում իրականացվել արհեստական ​​բանականության կողմից: Ռենտգենոլոգները կհսկեն արհեստական ​​բանականության համակարգերը և կզբաղվեն բարդ դեպքերով, բայց նորմալ սկանավորումների մեծ մասը (որոնք իսկապես նորմալ են) կարող է «կարդալ» և ստորագրվել անմիջապես արհեստական ​​բանականության կողմից: Նմանապես, պաթոլոգիական սլայդների վերլուծությունը (օրինակ՝ քաղցկեղի բջիջների հայտնաբերումը բիոպսիայում) կարող է իրականացվել ինքնուրույն՝ նախնական սկրինինգի համար, ինչը զգալիորեն կարագացնի լաբորատոր արդյունքների ստացումը:

• Դեղերի հայտնաբերում և կլինիկական փորձարկումներ. Արհեստական ​​բանականությունը, հավանաբար, կմշակի ոչ միայն դեղերի մոլեկուլներ, այլև կստեղծի սինթետիկ հիվանդների տվյալներ փորձարկումների համար կամ կգտնի օպտիմալ փորձարկման թեկնածուներ: Այն կարող է ինքնուրույն անցկացնել վիրտուալ փորձարկումներ (մոդելավորելով, թե ինչպես կարձագանքեն հիվանդները)՝ իրական փորձարկումներից առաջ տարբերակները նեղացնելու համար: Սա կարող է դեղերը ավելի արագ շուկա մտցնել՝ ավելի քիչ մարդկային փորձերի միջոցով:

արհեստական ​​բանականության բժշկի տեսլականը դեռևս բավականին հեռու է և մնում է վիճահարույց։ Նույնիսկ 2035 թվականին սպասվում է, որ արհեստական ​​բանականությունը կծառայի որպես գործընկեր , այլ ոչ թե մարդկային շփման փոխարինող։ Բարդ ախտորոշումը հաճախ պահանջում է ինտուիցիա, էթիկա և զրույցներ՝ հիվանդի համատեքստը հասկանալու համար՝ այն ոլորտները, որտեղ մարդ բժիշկները գերազանցում են։ Այնուամենայնիվ, արհեստական ​​բանականությունը կարող է կարգավորել, օրինակ, առօրյա աշխատանքային ծանրաբեռնվածության 80%-ը՝ թղթաբանություն, պարզ դեպքեր, մոնիթորինգ և այլն, թույլ տալով մարդ բժիշկներին կենտրոնանալ բարդ 20%-ի և հիվանդների հետ հարաբերությունների վրա։

Կան էական խոչընդոտներ. առողջապահության ոլորտում ինքնավար արհեստական ​​ինտելեկտի հաստատումը խիստ է (և դա տեղին է): Արհեստական ​​ինտելեկտի համակարգերը կարիք կունենան լայնածավալ կլինիկական վավերացման: Մենք կարող ենք տեսնել աստիճանական ընդունում, օրինակ՝ արհեստական ​​ինտելեկտին թույլատրվում է ինքնավար ախտորոշել կամ բուժել թերսպասարկվող տարածքներում, որտեղ բժիշկներ չկան՝ որպես առողջապահության հասանելիությունը ընդլայնելու միջոց (պատկերացրեք «արհեստական ​​ինտելեկտի կլինիկա» հեռավոր գյուղում մինչև 2030 թվականը, որը կգործի քաղաքի բժշկի պարբերական հեռակառավարմամբ):

Էթիկական նկատառումները մեծ նշանակություն ունեն։ Հաշվետվողականությունը (եթե ինքնավար արհեստական ​​բանականությունը սխալ է ախտորոշման մեջ, ո՞վ է պատասխանատու), տեղեկացված համաձայնությունը (հիվանդները պետք է իմանան, թե արդյոք արհեստական ​​բանականությունը ներգրավված է իրենց խնամքի մեջ) և արդարության ապահովումը (արհեստական ​​բանականությունը լավ է աշխատում բոլոր բնակչության համար՝ խուսափելով կողմնակալությունից) մարտահրավերներ են, որոնց պետք է հաղթահարել։ Ենթադրելով, որ դրանք լուծվեն, 2030-ականների կեսերին գեներատիվ արհեստական ​​բանականությունը կարող է միահյուսվել առողջապահության մատուցման հյուսվածքի մեջ՝ կատարելով բազմաթիվ առաջադրանքներ, որոնք ազատում են մարդկային ծառայություններ մատուցողներին և հնարավոր է՝ հասնել այն հիվանդներին, ովքեր ներկայումս սահմանափակ հասանելիություն ունեն։

Ամփոփելով՝ մինչև 2035 թվականը առողջապահության ոլորտը, հավանաբար, կտեսնի արհեստական ​​բանականության խորը ինտեգրվածություն, բայց հիմնականում թաքնված կամ օժանդակ դերերում։ Մենք կվստահենք արհեստական ​​բանականությանը, որ նա շատ բան կանի ինքնուրույն ՝ կկարդա սկանավորումները, կդիտարկի կենսական ցուցանիշները, կմշակի պլաններ, բայց կարևոր որոշումների կայացման համար դեռևս կմնա մարդկային վերահսկողության անվտանգության ցանցը։ Արդյունքը կարող է լինել ավելի արդյունավետ, արագ արձագանքող առողջապահական համակարգ, որտեղ արհեստական ​​բանականությունը կհաղթահարի ծանր աշխատանքը, իսկ մարդիկ՝ կարեկցանքը և վերջնական դատողությունը։

Գեներատիվ արհեստական ​​բանականությունը կրթության մեջ

Կրթությունը մեկ այլ ոլորտ է, որտեղ գեներատիվ արհեստական ​​բանականությունը ալիք է բարձրացնում՝ սկսած արհեստական ​​բանականությամբ աշխատող դասավանդման բոտերից մինչև ավտոմատացված գնահատում և բովանդակության ստեղծում: Ուսուցումն ու ուսուցումը ներառում են հաղորդակցություն և ստեղծագործականություն, որոնք գեներատիվ մոդելների ուժեղ կողմերն են: Բայց կարո՞ղ ենք վստահել արհեստական ​​բանականությանը կրթելու հարցում առանց ուսուցչի հսկողության:

Ընթացիկ հնարավորություններ (2025). Դասախոսներ և բովանդակության գեներատորներ՝ կապված պարանով

Այս պահին արհեստական ​​բանականությունը կրթության մեջ օգտագործվում է հիմնականում որպես լրացուցիչ գործիք, այլ ոչ թե որպես ինքնուրույն ուսուցիչ։ Ներկայիս օգտագործման օրինակներ՝

• Արհեստական ​​​​բանականության դասավանդման օգնականներ. Խան ակադեմիայի «Խանմիգո» (GPT-4-ով աշխատող) գործիքները կամ տարբեր լեզուների ուսուցման հավելվածները օգտագործում են Արհեստական ​​​​բանականություն՝ անհատական ​​​​դասավանդողի կամ զրուցակցի մոդելավորման համար: Ուսանողները կարող են հարցեր տալ բնական լեզվով և ստանալ պատասխաններ կամ բացատրություններ: Արհեստական ​​​​բանականությունը կարող է ակնարկներ տալ տնային առաջադրանքների խնդիրների վերաբերյալ, բացատրել հասկացությունները տարբեր ձևերով կամ նույնիսկ դերային խաղ խաղալ պատմական անձի դերում ինտերակտիվ պատմության դասի համար: Այնուամենայնիվ, այս Արհեստական ​​​​բանականության դասավանդողները սովորաբար օգտագործվում են վերահսկողության ներքո. ուսուցիչները կամ հավելվածի սպասարկողները հաճախ վերահսկում են երկխոսությունները կամ սահմաններ են սահմանում այն ​​​​բանի վրա, թե ինչ կարող է քննարկել Արհեստական ​​​​բանականությունը (աղավաղ տեղեկատվությունից կամ անպատշաճ բովանդակությունից խուսափելու համար):

• Ուսուցիչների համար բովանդակության ստեղծում. Ստեղծող արհեստական ​​բանականությունը օգնում է ուսուցիչներին՝ ստեղծելով թեստային հարցեր, ընթերցված նյութի ամփոփագրեր, դասի պլանի ուրվագծեր և այլն: Ուսուցիչը կարող է արհեստական ​​բանականությանը հարցնել. «Ստեղծեք քառակուսային հավասարումների վերաբերյալ 5 պրակտիկ խնդիրներ՝ պատասխաններով», ինչը խնայում է նախապատրաստման ժամանակը: Սա ինքնավար բովանդակության ստեղծում է, բայց ուսուցիչը սովորաբար վերանայում է արդյունքը՝ ճշգրտությունը և ուսումնական ծրագրին համապատասխանությունը ստուգելու համար: Այսպիսով, այն ավելի շատ աշխատանք խնայող սարք է, քան լիովին անկախ:

• Գնահատում և հետադարձ կապ. Արհեստական ​​բանականությունը կարող է ավտոմատ կերպով գնահատել բազմակի ընտրության քննությունները (որևէ նոր բան չկա) և ավելի ու ավելի հաճախ կարող է գնահատել կարճ պատասխանները կամ շարադրությունները: Որոշ դպրոցական համակարգեր օգտագործում են Արհեստական ​​բանականությունը գրավոր պատասխանները գնահատելու և աշակերտներին հետադարձ կապ տրամադրելու համար (օրինակ՝ քերականական ուղղումներ, փաստարկը ընդլայնելու առաջարկներ): Չնայած ինքնին դա ստեղծագործական խնդիր չէ, նոր Արհեստական ​​բանականությունները կարող են նույնիսկ ստեղծել անհատականացված հետադարձ կապի զեկույց աշակերտի համար՝ հիմնվելով նրանց առաջադիմության վրա՝ ընդգծելով բարելավման կարիք ունեցող ոլորտները: Ուսուցիչները հաճախ կրկնակի ստուգում են Արհեստական ​​բանականության կողմից գնահատված շարադրությունները այս փուլում՝ նրբերանգների վերաբերյալ մտահոգությունների պատճառով:

• Ադապտիվ ուսուցման համակարգեր. Սրանք հարթակներ են, որոնք կարգավորում են նյութի դժվարությունը կամ ոճը՝ հիմնվելով ուսանողի առաջադիմության վրա: Գեներատիվ արհեստական ​​բանականությունը բարելավում է սա՝ ստեղծելով նոր խնդիրներ կամ օրինակներ՝ հարմարեցված ուսանողի կարիքներին: Օրինակ, եթե ուսանողը դժվարանում է հասկանալ որևէ հասկացություն, արհեստական ​​բանականությունը կարող է ստեղծել մեկ այլ անալոգիա կամ գործնական հարց՝ կենտրոնանալով այդ հասկացության վրա: Սա որոշ չափով ինքնավար է, բայց մանկավարժների կողմից մշակված համակարգի շրջանակներում:

• Ուսանողների կողմից ուսման համար օգտագործումը. Ուսանողներն իրենք են օգտագործում ChatGPT-ի նման գործիքներ՝ ուսմանը օգնելու համար՝ խնդրելով պարզաբանումներ, թարգմանություններ կամ նույնիսկ օգտագործելով արհեստական ​​բանականություն՝ ակնարկի նախագծի վերաբերյալ արձագանք ստանալու համար («բարելավել իմ ներածական պարբերությունը»): Սա ինքնուրույն է և կարող է իրականացվել առանց ուսուցչի գիտության: Այս սցենարում արհեստական ​​բանականությունը գործում է որպես պահանջարկի վրա հիմնված դասատու կամ ուղղիչ: Խնդիրն այն է, որ ուսանողները ապահովեն, որ այն օգտագործեն ուսման համար, այլ ոչ թե պարզապես պատասխաններ ստանալու համար (ակադեմիական ազնվություն):

Ակնհայտ է, որ 2025 թվականի դրությամբ կրթության մեջ արհեստական ​​բանականությունը հզոր է, բայց սովորաբար գործում է մարդ-ուսուցչի մասնակցությամբ, որը համակարգում է արհեստական ​​բանականության ներդրումը: Կա հասկանալի նախազգուշացում. մենք չենք ուզում վստահել արհեստական ​​բանականությանը սխալ տեղեկատվություն սովորեցնելու կամ ուսանողների զգայուն փոխազդեցությունները վակուումում կարգավորելու համար: Ուսուցիչները արհեստական ​​բանականության դասատուներին համարում են օգտակար օգնականներ, որոնք կարող են ուսանողներին ավելի շատ պրակտիկա և անհապաղ պատասխաններ տալ առօրյա հարցերին՝ ազատելով ուսուցիչներին կենտրոնանալու ավելի խորը մենթորության վրա:

2030-2035 թվականների հեռանկարը. Անհատականացված արհեստական ​​բանականության ուսուցիչներ և ավտոմատացված ուսուցման օգնականներ

Հաջորդ տասնամյակում մենք կանխատեսում ենք, որ գեներատիվ արհեստական ​​բանականությունը հնարավորություն կտա ունենալ ավելի անհատականացված և ինքնավար ուսուցման փորձառություններ , մինչդեռ ուսուցիչների դերերը կզարգանան։

• Արհեստական ​​բանականության անձնական դասատուներ յուրաքանչյուր ուսանողի համար. մինչև 2030 թվականը տեսլականը (որը կիսում են նաև Խան ակադեմիայի Սալ Խանը) այն է, որ յուրաքանչյուր ուսանող կարող է հասանելիություն ունենալ արհեստական ​​բանականության դասատուի, որը շատ առումներով նույնքան արդյունավետ կլինի, որքան մարդ դասատուն ( այս արհեստական ​​բանականության դասատուն կարող է մարդկանց 10 անգամ ավելի խելացի դարձնել, ասում է դրա ստեղծողը ): Այս արհեստական ​​բանականության դասատուները հասանելի կլինեն 24/7 ռեժիմով, մանրակրկիտ կիմանան ուսանողի ուսման պատմությունը և համապատասխանաբար կհարմարեցնեն իրենց դասավանդման ոճը: Օրինակ, եթե ուսանողը տեսողականորեն սովորող է, որը դժվարանում է հանրահաշվի հասկացության հետ, արհեստական ​​բանականությունը կարող է դինամիկ կերպով ստեղծել տեսողական բացատրություն կամ ինտերակտիվ սիմուլյացիա՝ օգնելու համար: Քանի որ արհեստական ​​բանականությունը կարող է հետևել ուսանողի առաջընթացին ժամանակի ընթացքում, այն կարող է ինքնուրույն որոշել, թե որ թեման կրկնել հաջորդը կամ երբ անցնել նոր հմտության՝ արդյունավետորեն կառավարելով այդ ուսանողի դասի պլանը միկրո իմաստով:

• Ուսուցչի առօրյա առաջադրանքների վրա ծանրաբեռնվածության նվազեցում. Գնահատում, աշխատանքային թերթիկների կազմում, դասի նյութերի նախագծում. այս առաջադրանքները գրեթե ամբողջությամբ կարող են դրվել արհեստական ​​բանականության վրա մինչև 2030-ական թվականները: Արհեստական ​​բանականությունը կարող է ստեղծել մեկ շաբաթվա համար նախատեսված անհատականացված տնային աշխատանք մեկ դասարանի համար, գնահատել նախորդ շաբաթվա բոլոր առաջադրանքները (նույնիսկ բաց հարցերով առաջադրանքները)՝ հետադարձ կապով, և ուսուցչին ընդգծել, թե որ աշակերտներին որ թեմաների վերաբերյալ կարող է լրացուցիչ օգնություն անհրաժեշտ լինել: Սա կարող է տեղի ունենալ ուսուցչի նվազագույն միջամտությամբ, գուցե պարզապես մի արագ հայացքով, որպեսզի արհեստական ​​բանականության գնահատականները արդար լինեն:

• Ինքնավար ադապտիվ ուսուցման հարթակներ. Մենք կարող ենք տեսնել որոշակի առարկաների համար լիովին արհեստական ​​բանականության վրա հիմնված դասընթացներ: Պատկերացրեք առցանց դասընթաց՝ առանց մարդկային դասախոսի, որտեղ արհեստական ​​բանականության գործակալը ներկայացնում է նյութը, բերում օրինակներ, պատասխանում է հարցերին և կարգավորում է տեմպը՝ հիմնվելով ուսանողի վրա: Ուսանողի փորձը կարող է եզակի լինել նրանց համար, ստեղծվել է իրական ժամանակում: Որոշ կորպորատիվ վերապատրաստումներ և մեծահասակների ուսուցում կարող են ավելի շուտ անցնել այս մոդելին, որտեղ մինչև 2035 թվականը աշխատակիցը կարող է ասել. «Ես ուզում եմ սովորել Excel-ի առաջադեմ մակրոներ», և արհեստական ​​բանականության դասախոսը կսովորեցնի նրանց անհատականացված ուսումնական ծրագրի միջոցով, ներառյալ վարժությունների ստեղծումը և նրանց լուծումների գնահատումը՝ առանց մարդկային դասախոսի:

• Դասարանային արհեստական ​​բանականության օգնականներ. ֆիզիկական կամ վիրտուալ դասարաններում արհեստական ​​բանականությունը կարող է լսել դասարանային քննարկումները և օգնել ուսուցչին անմիջապես (օրինակ՝ ականջակալի միջոցով շշնջալով առաջարկներ անել. «Մի քանի ուսանողներ շփոթված են թվում այդ հասկացության վերաբերյալ, գուցե բերեք մեկ այլ օրինակ»): Այն կարող է նաև մոդերացնել առցանց դասարանային ֆորումները, պատասխանել ուսանողների կողմից տրված պարզ հարցերին («Ե՞րբ է առաջադրանքը հանձնելու ժամանակը» կամ նույնիսկ պարզաբանել դասախոսության կետը), որպեսզի ուսուցիչը չռմբակոծվի էլեկտրոնային նամակներով: Մինչև 2035 թվականը դասարանում արհեստական ​​բանականության համադասախոս ունենալը, մինչդեռ մարդ ուսուցիչը կենտրոնանում է բարձր մակարդակի ուղղորդման և մոտիվացիոն ասպեկտների վրա, կարող է ստանդարտ դառնալ:

• Կրթության համաշխարհային հասանելիություն. Ինքնավար արհեստական ​​ինտելեկտի ուսուցիչները կարող են օգնել կրթել ուսանողներին այն տարածքներում, որտեղ ուսուցիչների պակաս կա: Արհեստական ​​ինտելեկտի դասախոսով պլանշետը կարող է ծառայել որպես հիմնական դասախոս այն ուսանողների համար, ովքեր այլապես սահմանափակ կրթություն ունեն՝ ներառելով տարրական գրագիտություն և մաթեմատիկա: Մինչև 2035 թվականը սա կարող է լինել ամենաարդյունավետ կիրառություններից մեկը՝ արհեստական ​​ինտելեկտը կամուրջ կհանի այն բացերի համար, որտեղ մարդկային ուսուցիչներ չկան: Այնուամենայնիվ, տարբեր համատեքստերում արհեստական ​​ինտելեկտի կրթության որակի և մշակութային համապատասխանության ապահովումը կենսական նշանակություն կունենա:

Արդյո՞ք արհեստական ​​բանականությունը կփոխարինի ուսուցիչներին։ Անհավանական է, որ դա լիովին կհամապատասխանի։ Ուսուցումը ոչ միայն բովանդակության տրամադրումն է. դա մենթորություն է, ոգեշնչում, սոցիալ-հուզական աջակցություն։ Արհեստական ​​բանականության համար այդ մարդկային տարրերը դժվար է կրկնօրինակել։ Սակայն արհեստական ​​բանականությունը կարող է դառնալ երկրորդ ուսուցիչ կամ նույնիսկ գիտելիքների փոխանցման առաջին ուսուցիչ՝ թողնելով մարդկային մանկավարժներին կենտրոնանալ այն բանի վրա, ինչը մարդիկ լավագույնս անում են՝ կարեկցել, մոտիվացնել և խթանել քննադատական ​​մտածողությունը։

Կան խնդիրներ, որոնք պետք է լուծվեն՝ ապահովելով, որ արհեստական ​​բանականությունը տրամադրի ճշգրիտ տեղեկատվություն (կեղծ փաստերի կրթական հալյուցինացիաներ չկան), խուսափելով կրթական բովանդակության մեջ կողմնակալությունից, պահպանելով ուսանողների տվյալների գաղտնիությունը և ուսանողների ներգրավվածությունը (արհեստական ​​բանականությունը պետք է լինի մոտիվացնող, այլ ոչ թե պարզապես ճիշտ): Մենք, հավանաբար, կտեսնենք արհեստական ​​բանականության կրթական համակարգերի հավատարմագրում կամ հավաստագրում՝ նման դասագրքերի հաստատմանը՝ ապահովելու համար, որ դրանք համապատասխանում են չափանիշներին:

Մեկ այլ մարտահրավեր է չափազանց կախվածությունը. եթե արհեստական ​​բանականության դասատուն չափազանց հեշտությամբ պատասխաններ է տալիս, ուսանողները կարող են չսովորել համառություն կամ խնդիրներ լուծել։ Սա մեղմելու համար ապագա արհեստական ​​բանականության դասատուները կարող են նախագծվել այնպես, որ երբեմն թույլ տան ուսանողներին դժվարանալ (ինչպես կարող է անել մարդ դասատուն) կամ խրախուսեն նրանց լուծել խնդիրները՝ օգտագործելով ակնարկներ, այլ ոչ թե լուծումներ տալով։

Մինչև 2035 թվականը դասարանը կարող է վերափոխվել. յուրաքանչյուր աշակերտ արհեստական ​​բանականությանը միացված սարքով կուղեկցի իրեն իր տեմպով, մինչդեռ ուսուցիչը կկազմակերպի խմբային գործունեությունը և կտրամադրի մարդկային գիտելիքներ։ Կրթությունը կարող է դառնալ ավելի արդյունավետ և անհատականացված։ Խոստումն այն է, որ յուրաքանչյուր աշակերտ կստանա իրեն անհրաժեշտ օգնությունը, երբ դրա կարիքն ունի՝ իսկական «անձնական դաստիարակի» փորձառություն՝ մասշտաբով։ Ռիսկը մարդկային հպումը կորցնելն է կամ արհեստական ​​բանականության չարաշահումը (ինչպես ուսանողները խաբում են արհեստական ​​բանականության միջոցով)։ Բայց ընդհանուր առմամբ, եթե լավ կառավարվի, գեներատիվ արհեստական ​​բանականությունը կարող է ժողովրդավարացնել և բարելավել ուսուցումը՝ լինելով միշտ հասանելի, գիտակ ուղեկից աշակերտի կրթական ճանապարհորդության մեջ։

Գեներատիվ արհեստական ​​բանականություն լոգիստիկայի և մատակարարման շղթայի մեջ

Լոգիստիկան՝ ապրանքների տեղափոխման և մատակարարման շղթաների կառավարման արվեստն ու գիտությունը, կարող է չթվալ «գեներատիվ» արհեստական ​​բանականության ավանդական ոլորտ, սակայն ստեղծագործական խնդիրների լուծումը և պլանավորումը այս ոլորտում գլխավորն են: Գեներատիվ արհեստական ​​բանականությունը կարող է օգնել՝ մոդելավորելով սցենարներ, օպտիմալացնելով պլանները և նույնիսկ կառավարելով ռոբոտացված համակարգերը: Լոգիստիկայի նպատակը արդյունավետությունն ու ծախսերի խնայողությունն է, որոնք լավ համընկնում են արհեստական ​​բանականության ուժեղ կողմերի հետ՝ տվյալների վերլուծության և լուծումներ առաջարկելու հարցում: Այսպիսով, որքանո՞վ կարող է արհեստական ​​բանականությունը ինքնուրույն լինել մատակարարման շղթաների և լոգիստիկ գործողությունների կառավարման գործում:

Ընթացիկ հնարավորություններ (2025). Մարդկային վերահսկողության միջոցով օպտիմալացում և արդյունավետացում

Այսօր արհեստական ​​բանականությունը (ներառյալ որոշ գեներատիվ մոտեցումներ) լոգիստիկայում կիրառվում է հիմնականում որպես որոշումների կայացման աջակցության գործիք ։

• Երթուղու օպտիմալացում. UPS-ի և FedEx-ի նման ընկերություններն արդեն օգտագործում են արհեստական ​​բանականության ալգորիթմներ՝ առաքման երթուղիները օպտիմալացնելու համար՝ ապահովելով, որ վարորդները ընտրեն ամենաարդյունավետ ուղին: Ավանդաբար դրանք գործառնական հետազոտությունների ալգորիթմներ էին, բայց այժմ գեներատիվ մոտեցումները կարող են օգնել ուսումնասիրել այլընտրանքային երթուղային ռազմավարություններ տարբեր պայմաններում (երթևեկություն, եղանակ): Մինչդեռ արհեստական ​​բանականությունն է առաջարկում երթուղիներ, մարդ-դիսպետչերները կամ կառավարիչները սահմանում են պարամետրերը (օրինակ՝ առաջնահերթությունները) և կարող են անտեսել դրանք անհրաժեշտության դեպքում:

• Բեռնման և տարածքի պլանավորում. Բեռնատարների կամ բեռնափոխադրման կոնտեյներների փաթեթավորման համար արհեստական ​​բանականությունը կարող է ստեղծել օպտիմալ բեռնման պլաններ (որ արկղը որտեղ է գնում): Գեներացնող արհեստական ​​բանականությունը կարող է ստեղծել փաթեթավորման բազմաթիվ կոնֆիգուրացիաներ՝ տարածքի օգտագործումը մեծացնելու համար, ըստ էության «ստեղծելով» լուծումներ, որոնցից մարդիկ կարող են ընտրել: Սա ընդգծվել է մի ուսումնասիրության մեջ, որը նշում է, որ ԱՄՆ-ում բեռնատարները հաճախ աշխատում են 30%-ով դատարկ, և ավելի լավ պլանավորումը՝ արհեստական ​​բանականության օգնությամբ, կարող է նվազեցնել այդ կորուստը ( Լոգիստիկայում արհեստական ​​բանականության օգտագործման լավագույն դեպքեր ): Արհեստական ​​բանականության կողմից ստեղծված այս բեռնման պլանները նպատակ ունեն կրճատել վառելիքի ծախսերը և արտանետումները, և որոշ պահեստներում դրանք իրականացվում են նվազագույն ձեռքով փոփոխություններով:

• Պահանջարկի կանխատեսում և պաշարների կառավարում. Արհեստական ​​բանականության մոդելները կարող են կանխատեսել ապրանքի պահանջարկը և ստեղծել պահեստավորման պլաններ: Գեներացնող մոդելը կարող է մոդելավորել պահանջարկի տարբեր սցենարներ (ասենք՝ արհեստական ​​բանականությունը «պատկերացնում» է պահանջարկի աճ՝ պայմանավորված առաջիկա տոնով) և համապատասխանաբար պլանավորել պաշարները: Սա օգնում է մատակարարման շղթայի կառավարիչներին պատրաստվել: Ներկայումս արհեստական ​​բանականությունը տրամադրում է կանխատեսումներ և առաջարկություններ, բայց մարդիկ սովորաբար վերջնական որոշում են կայացնում արտադրության մակարդակի կամ պատվերի վերաբերյալ:

• Ռիսկերի գնահատում. Համաշխարհային մատակարարման շղթան բախվում է խափանումների (բնական աղետներ, նավահանգստային ուշացումներ, քաղաքական խնդիրներ): Արհեստական ​​բանականության համակարգերն այժմ մանրակրկիտ ուսումնասիրում են նորություններն ու տվյալները՝ հորիզոնում առկա ռիսկերը բացահայտելու համար: Օրինակ, մեկ լոգիստիկ ընկերություն օգտագործում է սերնդի արհեստական ​​բանականություն՝ ինտերնետը սկանավորելու և ռիսկային տրանսպորտային միջանցքները նշելու համար (տարածքներ, որոնք, հավանաբար, խնդիրներ կունենան, օրինակ, մոտեցող փոթորկի կամ անկարգությունների պատճառով) ( Լոգիստիկայում արհեստական ​​բանականության օգտագործման լավագույն դեպքեր ): Այդ տեղեկատվության միջոցով պլանավորողները կարող են ինքնուրույն վերաուղղորդել բեռնափոխադրումները խնդրահարույց կետերի շուրջ: Որոշ դեպքերում արհեստական ​​բանականությունը կարող է ավտոմատ կերպով առաջարկել երթուղու կամ փոխադրման եղանակի փոփոխություններ, որոնք մարդիկ այնուհետև հաստատում են:

• Պահեստի ավտոմատացում. շատ պահեստներ կիսաավտոմատացված են՝ ռոբոտներով, որոնք կատարում են հավաքագրում և փաթեթավորում: Գեներացնող արհեստական ​​բանականությունը կարող է դինամիկ կերպով առաջադրանքներ բաշխել ռոբոտներին և մարդկանց՝ օպտիմալ հոսք ապահովելու համար: Օրինակ, արհեստական ​​բանականությունը կարող է ամեն առավոտ ստեղծել ռոբոտ հավաքողների համար աշխատանքային հերթ՝ պատվերների հիման վրա: Սա հաճախ լիովին ինքնավար է կատարման մեջ, որտեղ մենեջերները պարզապես վերահսկում են KPI-ները. եթե պատվերները անսպասելիորեն կտրուկ աճում են, արհեստական ​​բանականությունն ինքնուրույն է կարգավորում գործողությունները:

• Ավտոտնակի կառավարում. Արհեստական ​​բանականությունը օգնում է ժամանակացույց կազմել տրանսպորտային միջոցների սպասարկման համար՝ վերլուծելով օրինաչափությունները և ստեղծելով օպտիմալ սպասարկման ժամանակացույցեր, որոնք նվազագույնի են հասցնում անսարքությունները: Այն կարող է նաև խմբավորել բեռնափոխադրումները՝ ուղևորությունները կրճատելու համար: Այս որոշումները կարող են կայացվել արհեստական ​​բանականության ծրագրաշարի կողմից ավտոմատ կերպով, եթե դրանք համապատասխանում են սպասարկման պահանջներին:

Ընդհանուր առմամբ, 2025 թվականի դրությամբ մարդիկ սահմանում են նպատակներ (օրինակ՝ «նվազագույնի հասցնել ծախսերը, բայց ապահովել 2-օրյա առաքում»), և արհեստական ​​բանականությունը մշակում է լուծումներ կամ ժամանակացույցեր՝ դրան հասնելու համար: Համակարգերը կարող են աշխատել ամեն օր առանց միջամտության, մինչև որևէ անսովոր բան տեղի չունենա: Լոգիստիկայի մեծ մասը ներառում է կրկնվող որոշումներ (ե՞րբ պետք է այս բեռը մեկնի, որ պահեստից կատարվի այս պատվերը), որոնք արհեստական ​​բանականությունը կարող է սովորել կայացնել հետևողականորեն: Ընկերությունները աստիճանաբար վստահում են արհեստական ​​բանականությանը այս միկրոորոշումները կատարելու համար և կառավարիչներին տեղեկացնում են միայն բացառությունների դեպքում:

2030-2035 թվականների հեռանկարը. Ինքնավար մատակարարման շղթաներ

Հաջորդ տասնամյակում մենք կարող ենք պատկերացնել արհեստական ​​բանականության կողմից ղեկավարվող լոգիստիկայի ինքնավար համակարգում

• Ինքնավար տրանսպորտային միջոցներ և անօդաչու թռչող սարքեր. Ինքնավար բեռնատարներն ու առաքման անօդաչու թռչող սարքերը, չնայած արհեստական ​​ինտելեկտի/ռոբոտաշինության ավելի լայն թեմա են, անմիջականորեն ազդում են լոգիստիկայի վրա: Մինչև 2030 թվականը, եթե կարգավորող և տեխնիկական մարտահրավերները հաղթահարվեն, մենք կարող ենք ունենալ արհեստական ​​ինտելեկտ, որը պարբերաբար կվարի բեռնատարներ մայրուղիներում կամ անօդաչու թռչող սարքեր, որոնք կկատարեն վերջին մղոնի առաքումը քաղաքներում: Այս արհեստական ​​ինտելեկտները կկայացնեն իրական ժամանակում որոշումներ (երթուղու փոփոխություններ, խոչընդոտների խուսափում) առանց մարդ-վարորդների: Ստեղծագործական տեսանկյունը կայանում է նրանում, թե ինչպես են այս տրանսպորտային միջոցների արհեստական ​​ինտելեկտները սովորում հսկայական տվյալներից և սիմուլյացիաներից՝ արդյունավետորեն «մարզվելով» անթիվ սցենարների վրա: Լիովին ինքնավար նավատորմը կարող է գործել 24/7, որտեղ մարդիկ միայն հեռակա կերպով կմոնիթորինգ անեն: Սա կվերացնի հսկայական մարդկային տարրը (վարորդները) լոգիստիկ գործողություններից՝ զգալիորեն մեծացնելով ինքնավարությունը:

• Ինքնաբուժվող մատակարարման շղթաներ. Գեներացնող արհեստական ​​բանականությունը, հավանաբար, կօգտագործվի մատակարարման շղթայի սցենարները մշտապես մոդելավորելու և արտակարգ իրավիճակների պլաններ պատրաստելու համար: Մինչև 2035 թվականը արհեստական ​​բանականությունը կարող է ավտոմատ կերպով հայտնաբերել, երբ մատակարար գործարանը փակվում է (նորությունների կամ տվյալների հոսքերի միջոցով) և անմիջապես տեղափոխել մատակարարումը սիմուլյացիայի ընթացքում արդեն ստուգված այլընտրանքային մատակարարների վրա: Սա նշանակում է, որ մատակարարման շղթան «բուժվում» է ինքն իրեն խափանումներից, իսկ արհեստական ​​բանականությունն է նախաձեռնում: Մարդկային մենեջերները կտեղեկացվեն արհեստական ​​բանականության արարքների մասին, այլ ոչ թե շրջանցիկ լուծումը նախաձեռնողները:

• Ամբողջական պաշարների օպտիմալացում. Արհեստական ​​բանականությունը կարող է ինքնուրույն կառավարել պաշարները պահեստների և խանութների ամբողջ ցանցում: Այն կորոշի, թե երբ և որտեղ տեղափոխել պաշարները (գուցե օգտագործելով ռոբոտներ կամ ավտոմատացված տրանսպորտային միջոցներ՝ դա անելու համար), յուրաքանչյուր վայրում պահելով բավարար պաշարներ: Արհեստական ​​բանականությունը, ըստ էության, կառավարում է մատակարարման շղթայի կառավարման աշտարակը՝ տեսնելով բոլոր հոսքերը և կատարելով ճշգրտումներ իրական ժամանակում: Մինչև 2035 թվականը «ինքնուրույն կառավարվող» մատակարարման շղթայի գաղափարը կարող է նշանակել, որ համակարգը ամեն օր որոշում է լավագույն բաշխման պլանը, պատվիրում է ապրանքներ, պլանավորում է գործարանային աշխատանքներ և կազմակերպում է տեղափոխումը ինքնուրույն: Մարդիկ կհսկեն ընդհանուր ռազմավարությունը և կկարգավորեն բացառությունները, որոնք գերազանցում են Արհեստական ​​բանականության ներկայիս ընկալումը:

• Գեներատիվ դիզայն լոգիստիկայում. Մենք կարող ենք տեսնել արհեստական ​​բանականության կողմից մատակարարման շղթայի նոր ցանցերի նախագծումը: Ենթադրենք, որ ընկերությունը ընդլայնվում է դեպի նոր տարածաշրջան. արհեստական ​​բանականությունը կարող է ստեղծել պահեստների օպտիմալ տեղակայումներ, տրանսպորտային կապեր և գույքագրման քաղաքականություն տվյալ տարածաշրջանի համար՝ հաշվի առնելով տվյալները, ինչը խորհրդատուներն ու վերլուծաբաններն այսօր անում են: Մինչև 2030 թվականը ընկերությունները կարող են ապավինել արհեստական ​​բանականության առաջարկություններին մատակարարման շղթայի դիզայնի ընտրության համար՝ վստահելով, որ այն ավելի արագ կկշռի գործոնները և, հնարավոր է, կգտնի ստեղծագործական լուծումներ (օրինակ՝ ոչ ակնհայտ բաշխման կենտրոններ), որոնք մարդիկ բաց են թողնում:

• Ինտեգրում արտադրության հետ (Արդյունաբերություն 4.0). Լոգիստիկան առանձին չի գործում. այն կապված է արտադրության հետ: Ապագայի գործարանները կարող են ունենալ գեներատիվ արհեստական ​​բանականություն, որը պլանավորում է արտադրության ընթացքը, ժամանակին պատվիրում հումք, ապա հրահանգում լոգիստիկ ցանցին անմիջապես առաքել արտադրանքը: Այս ինտեգրված արհեստական ​​բանականությունը կարող է նշանակել ընդհանուր առմամբ մարդկային պլանավորման նվազում՝ արտադրությունից մինչև մատակարարում անխափան շղթա, որը կկառավարվի արժեքի, արագության և կայունության օպտիմալացման ալգորիթմներով: Արդեն մինչև 2025 թվականը բարձր արդյունավետությամբ մատակարարման շղթաները հիմնված կլինեն տվյալների վրա. մինչև 2035 թվականը դրանք կարող են մեծ մասամբ հիմնված լինել արհեստական ​​բանականության վրա:

• Դինամիկ հաճախորդների սպասարկում լոգիստիկայում. Հաճախորդների սպասարկման արհեստական ​​բանականության վրա հիմնվելով՝ մատակարարման շղթայի արհեստական ​​բանականությունները կարող են անմիջականորեն շփվել հաճախորդների կամ հաճախորդների հետ: Օրինակ, եթե խոշոր հաճախորդը ցանկանում է վերջին րոպեին փոխել իր մեծածախ պատվերը, արհեստական ​​բանականության գործակալը կարող է բանակցել իրագործելի այլընտրանքային տարբերակների շուրջ (օրինակ՝ «Մենք կարող ենք կեսը մատակարարել հիմա, կեսը՝ հաջորդ շաբաթ՝ սահմանափակումների պատճառով»)՝ առանց մարդկային մենեջերի սպասելու: Սա ենթադրում է գեներատիվ արհեստական ​​բանականության կողմից երկու կողմերի (հաճախորդի կարիքն ընդդեմ գործառնական կարողությունների) հասկացողություն և որոշումների կայացում, որոնք կապահովեն գործողությունների սահունությունը՝ միաժամանակ բավարարելով հաճախորդներին:

Ակնկալվող օգուտը ավելի արդյունավետ, դիմացկուն և արագ արձագանքող լոգիստիկ համակարգ է։ Ընկերությունները կանխատեսում են հսկայական խնայողություններ. McKinsey-ն գնահատել է, որ արհեստական ​​բանականության վրա հիմնված մատակարարման շղթայի օպտիմալացումը կարող է զգալիորեն կրճատել ծախսերը և բարելավել սպասարկման մակարդակը՝ պոտենցիալ ավելացնելով տրիլիոնավոր դոլարների արժեք տարբեր ոլորտներում ( Արհեստական ​​բանականության վիճակը 2023 թվականին. Գեներատիվ արհեստական ​​բանականության բեկումնային տարին | McKinsey ):

Այնուամենայնիվ, արհեստական ​​բանականությանը ավելի մեծ վերահսկողություն փոխանցելը նաև ռիսկեր է պարունակում, ինչպիսիք են կասկադային սխալները, եթե արհեստական ​​բանականության տրամաբանությունը թերի է (օրինակ՝ արհեստական ​​բանականության մատակարարման շղթայի հայտնի սցենարը, որը պատահաբար ընկերությանը սպառում է պաշարները մոդելավորման սխալի պատճառով): Պաշտպանական միջոցները, ինչպիսիք են «մեծ որոշումների կայացման համար մարդու մասնակցությունը» կամ առնվազն մարդկային արագ անտեսման հնարավորություն տվող վահանակները, հավանաբար, կմնան մինչև 2035 թվականը: Ժամանակի ընթացքում, ինչպես ապացուցվում է արհեստական ​​բանականության որոշումներով, մարդիկ ավելի հարմարավետ կդառնան հետ քաշվելու հարցում:

Հետաքրքիր է, որ արդյունավետության համար օպտիմալացնելով՝ արհեստական ​​բանականությունը երբեմն կարող է որոշումներ կայացնել, որոնք հակասում են մարդկային նախասիրություններին կամ ավանդական գործելակերպին: Օրինակ՝ զուտ օպտիմալացումը կարող է հանգեցնել շատ նոսր պաշարների, ինչը արդյունավետ է, բայց կարող է ռիսկային թվալ: Մատակարարման շղթայի մասնագետները 2030 թվականին կարող են ստիպված լինել ճշգրտել իրենց ինտուիցիան, քանի որ արհեստական ​​բանականությունը, մշակելով մեծածավալ տվյալներ, կարող է ցույց տալ, որ իր անսովոր ռազմավարությունն իրականում ավելի լավ է աշխատում:

Վերջապես, մենք պետք է հաշվի առնենք, որ ֆիզիկական սահմանափակումները (ենթակառուցվածքը, ֆիզիկական գործընթացների արագությունը) սահմանափակում են լոգիստիկայի փոփոխության արագությունը, ուստի այստեղ հեղափոխությունը վերաբերում է ակտիվների ավելի խելացի պլանավորմանը և օգտագործմանը, այլ ոչ թե բոլորովին նոր ֆիզիկական իրականությանը: Սակայն նույնիսկ այդ սահմաններում, գեներատիվ արհեստական ​​բանականության ստեղծագործական լուծումները և անդադար օպտիմալացումը կարող են զգալիորեն բարելավել ապրանքների տեղաշարժը ամբողջ աշխարհում՝ նվազագույն ձեռքով պլանավորմամբ:

Ամփոփելով՝ մինչև 2035 թվականը լոգիստիկան կարող է գործել ինչպես լավ յուղված ավտոմատացված մեքենա. ապրանքները կշրջանառվեն արդյունավետորեն, երթուղիները կհարմարվեն իրական ժամանակում խափանումներին, պահեստները կկառավարվեն ռոբոտների միջոցով, և ամբողջ համակարգը կշարունակի սովորել և կատարելագործվել տվյալներից՝ այս ամենը կառավարվում է գեներատիվ արհեստական ​​բանականության կողմից, որը հանդես է գալիս որպես գործողության ուղեղ։

Գեներատիվ արհեստական ​​բանականություն ֆինանսների և բիզնեսի մեջ

Ֆինանսական ոլորտը մեծապես զբաղվում է տեղեկատվությամբ՝ հաշվետվություններով, վերլուծություններով, հաճախորդների հետ հաղորդակցությամբ, ինչը այն դարձնում է գեներատիվ արհեստական ​​բանականության համար բարենպաստ հող: Բանկային գործունեությունից մինչև ներդրումային կառավարում և ապահովագրություն, կազմակերպությունները ուսումնասիրում են արհեստական ​​բանականությունը ավտոմատացման և տեղեկատվության ստեղծման համար: Հարցն այն է, թե ի՞նչ ֆինանսական խնդիրներ կարող է արհեստական ​​բանականությունը հուսալիորեն կատարել առանց մարդկային վերահսկողության, հաշվի առնելով այս ոլորտում ճշգրտության և վստահության կարևորությունը:

Ընթացիկ հնարավորություններ (2025). Ավտոմատացված հաշվետվություններ և որոշումների կայացման աջակցություն

Այսօրվա դրությամբ, գեներատիվ արհեստական ​​բանականությունը մի քանի ձևերով նպաստում է ֆինանսներին, հաճախ մարդկային հսկողության ներքո.

• Հաշվետվությունների ստեղծում. Բանկերը և ֆինանսական ընկերությունները մշակում են բազմաթիվ հաշվետվություններ՝ եկամուտների ամփոփագրեր, շուկայի մեկնաբանություններ, պորտֆելի վերլուծություն և այլն: Արհեստական ​​բանականությունն արդեն օգտագործվում է դրանց կազմման համար: Օրինակ՝ Bloomberg-ը մշակել է BloombergGPT-ն ՝ ֆինանսական տվյալների վրա պատրաստված մեծ լեզվական մոդել, որը կօգնի իր տերմինալ օգտագործողներին նորությունների դասակարգման և հարց ու պատասխանի նման առաջադրանքներում ( գեներատիվ արհեստական ​​բանականությունը գալիս է ֆինանսներ ): Չնայած դրա հիմնական օգտագործումը մարդկանց օգնելն է գտնել տեղեկատվություն, այն ցույց է տալիս արհեստական ​​բանականության աճող դերը: Automated Insights-ը (ընկերությունը, որի հետ համագործակցել է AP-ն) նույնպես ստեղծել է ֆինանսական հոդվածներ: Շատ ներդրումային տեղեկագրեր օգտագործում են արհեստական ​​բանականություն՝ շուկայի ամենօրյա շարժերը կամ տնտեսական ցուցանիշները ամփոփելու համար: Սովորաբար մարդիկ վերանայում են դրանք հաճախորդներին ուղարկելուց առաջ, բայց դա արագ խմբագրում է, այլ ոչ թե զրոյից գրել:

• Հաճախորդների հետ հաղորդակցություն. Մանրածախ բանկային գործունեության մեջ արհեստական ​​բանականության չաթբոտները մշակում են հաճախորդների հարցումները հաշիվների մնացորդների, գործարքների կամ ապրանքի մասին տեղեկատվության վերաբերյալ (ներառյալ հաճախորդների սպասարկման ոլորտը): Բացի այդ, արհեստական ​​բանականությունը կարող է ստեղծել անհատականացված ֆինանսական խորհրդատվական նամակներ կամ հուշումներ: Օրինակ, արհեստական ​​բանականությունը կարող է պարզել, որ հաճախորդը կարող է խնայել վճարների վրա և ավտոմատ կերպով կազմել հաղորդագրություն՝ առաջարկելով նրանց անցնել այլ հաշվի տեսակի, որը այնուհետև ուղարկվում է նվազագույն մարդկային միջամտությամբ: Այս տեսակի անհատականացված հաղորդակցությունը մասշտաբով արհեստական ​​բանականության ներկայիս կիրառումն է ֆինանսների ոլորտում:

• Խարդախության հայտնաբերում և ահազանգեր. Գեներացնող արհեստական ​​բանականությունը կարող է օգնել ստեղծել պատմություններ կամ բացատրություններ խարդախության համակարգերի կողմից հայտնաբերված անոմալիաների համար: Օրինակ, եթե կասկածելի գործունեություն է նկատվում, արհեստական ​​բանականությունը կարող է բացատրական հաղորդագրություն ստեղծել հաճախորդի համար («Մենք նկատեցինք մուտք նոր սարքից…») կամ զեկույց վերլուծաբանների համար: Հայտնաբերումը ավտոմատացված է (օգտագործելով արհեստական ​​բանականություն/մեքենայական մեքենայական կառավարման անոմալիաների հայտնաբերում), և հաղորդակցությունը գնալով ավելի ավտոմատացված է, չնայած վերջնական գործողությունները (հաշվի արգելափակումը) հաճախ որոշակի մարդկային ստուգում են պահանջում:

• Ֆինանսական խորհրդատվություն (սահմանափակ). Որոշ ռոբո-խորհրդատուներ (ավտոմատացված ներդրումային հարթակներ) օգտագործում են ալգորիթմներ (ոչ պարտադիր գեներատիվ արհեստական ​​բանականություն)՝ պորտֆելները կառավարելու համար՝ առանց մարդկային խորհրդատուների: Գեներատիվ արհեստական ​​բանականությունը մտնում է, օրինակ, որոշակի գործարքների կատարման պատճառների վերաբերյալ մեկնաբանություններ ստեղծելով կամ հաճախորդին հարմարեցված պորտֆելի կատարողականի ամփոփում: Այնուամենայնիվ, մաքուր ֆինանսական խորհրդատվությունը (ինչպես բարդ ֆինանսական պլանավորումը) դեռևս հիմնականում մարդկային կամ կանոնների վրա հիմնված ալգորիթմական է. ազատ ձևի գեներատիվ խորհրդատվությունը առանց վերահսկողության ռիսկային է՝ պատասխանատվության պատճառով, եթե այն սխալ է:

• Ռիսկերի գնահատում և ապահովագրություն. Ապահովագրական ընկերությունները փորձարկում են արհեստական ​​բանականությունը՝ ավտոմատ կերպով գրելու ռիսկերի գնահատման զեկույցներ կամ նույնիսկ պոլիսների նախագծեր: Օրինակ՝ գույքի վերաբերյալ տվյալներ ունենալով՝ արհեստական ​​բանականությունը կարող է ստեղծել ապահովագրական պոլիսի նախագիծ կամ ապահովագրողի զեկույց, որը նկարագրում է ռիսկի գործոնները: Մարդիկ ներկայումս վերանայում են այս արդյունքները, քանի որ պայմանագրում ցանկացած սխալ կարող է թանկ արժենալ:

• Տվյալների վերլուծություն և պատկերացումներ. Արհեստական ​​բանականությունը կարող է մանրակրկիտ ուսումնասիրել ֆինանսական հաշվետվությունները կամ նորությունները և կազմել ամփոփումներ: Վերլուծաբաններն օգտագործում են գործիքներ, որոնք կարող են անմիջապես ամփոփել 100 էջանոց տարեկան հաշվետվությունը հիմնական կետերի կամ հիմնական եզրակացությունները հանել եկամտի վերաբերյալ զանգի արձանագրությունից: Այս ամփոփումները խնայում են ժամանակ և կարող են ուղղակիորեն օգտագործվել որոշումների կայացման գործընթացում կամ փոխանցվել, բայց խոհեմ վերլուծաբանները կրկնակի ստուգում են կարևոր մանրամասները:

Ըստ էության, ֆինանսների ոլորտում արհեստական ​​բանականությունը գործում է որպես անխոնջ վերլուծաբան/գրող ՝ ստեղծելով բովանդակություն, որը մարդիկ հղկում են։ Լիովին ինքնավար օգտագործումը հիմնականում հստակ սահմանված ոլորտներում է, ինչպիսիք են տվյալների վրա հիմնված նորությունները (սուբյեկտիվ դատողության կարիք չկա) կամ հաճախորդների սպասարկման արձագանքները։ Արհեստական ​​բանականությանը ուղղակիորեն վստահելը փողի վերաբերյալ որոշումների հարցում (օրինակ՝ միջոցների տեղափոխում, նախապես սահմանված ալգորիթմներից դուրս գործարքների կատարում) հազվադեպ է բարձր խաղադրույքների և կարգավորող մարմինների վերահսկողության պատճառով։

2030-2035 թվականների հեռանկարը. արհեստական ​​բանականության վերլուծաբաններ և ինքնավար ֆինանսական գործողություններ

Առաջ նայելով՝ մինչև 2035 թվականը գեներատիվ արհեստական ​​բանականությունը կարող է խորապես արմատավորված լինել ֆինանսական գործառնություններում, հնարավոր է՝ ինքնուրույն կատարելով բազմաթիվ առաջադրանքներ։

• Արհեստական ​​բանականության ֆինանսական վերլուծաբաններ. Մենք կարող ենք տեսնել արհեստական ​​բանականության համակարգեր, որոնք կարող են վերլուծել ընկերություններն ու շուկաները և մշակել առաջարկություններ կամ զեկույցներ մարդկային կապիտալի հետազոտական ​​վերլուծաբանի մակարդակով: Մինչև 2030 թվականը արհեստական ​​բանականությունը կարող է կարդալ ընկերության բոլոր ֆինանսական հաշվետվությունները, համեմատել արդյունաբերության տվյալների հետ և ինքնուրույն կազմել ներդրումային առաջարկությունների զեկույց («Գնել/Վաճառել»՝ դատողություններով): Որոշ հեջ ֆոնդեր արդեն օգտագործում են արհեստական ​​բանականությունը առևտրային ազդանշաններ ստեղծելու համար. 2030-ական թվականներին արհեստական ​​բանականության հետազոտական ​​զեկույցները կարող են տարածված դառնալ: Մարդկային պորտֆելի կառավարիչները կարող են սկսել վստահել արհեստական ​​բանականության կողմից ստեղծված վերլուծություններին որպես այլ մուտքային տվյալներից մեկը: Կա նույնիսկ ներուժ, որ արհեստական ​​բանականությունը ինքնուրույն կառավարի պորտֆելները՝ անընդհատ վերահսկելով և վերահավասարակշռելով ներդրումները՝ նախապես սահմանված ռազմավարության համաձայն: Փաստորեն, ալգորիթմական առևտուրն արդեն խիստ ավտոմատացված է. գեներատիվ արհեստական ​​բանականությունը կարող է ռազմավարություններն ավելի հարմարվողական դարձնել՝ ինքնուրույն ստեղծելով և փորձարկելով նոր առևտրային մոդելներ:

• Ավտոմատացված ֆինանսական պլանավորում. Սպառողների հետ աշխատող արհեստական ​​բանականության խորհրդատուները կարող են իրականացնել անհատների համար առօրյա ֆինանսական պլանավորում: Մինչև 2030 թվականը դուք կարող եք արհեստական ​​բանականությանը հայտնել ձեր նպատակները (տուն գնել, քոլեջի համար խնայել), և նա կարող է ստեղծել ձեզ համար հարմարեցված ամբողջական ֆինանսական պլան (բյուջե, ներդրումային հատկացումներ, ապահովագրության առաջարկներ): Սկզբում մարդկային ֆինանսական պլանավորողը կարող է վերանայել այն, բայց վստահության աճի հետ մեկտեղ նման խորհուրդները կարող են տրվել անմիջապես սպառողներին՝ համապատասխան հրաժարագրերով: Հիմնականը կլինի ապահովել, որ արհեստական ​​բանականության խորհուրդները համապատասխանեն կանոնակարգերին և լինեն հաճախորդի լավագույն շահերից ելնելով: Եթե խնդիրը լուծվի, արհեստական ​​բանականությունը կարող է հիմնական ֆինանսական խորհուրդները շատ ավելի մատչելի դարձնել ցածր գնով:

• Հետին գրասենյակային ավտոմատացում. Գեներացնող արհեստական ​​բանականությունը կարող է ինքնուրույն մշակել բազմաթիվ հետին գրասենյակային փաստաթղթեր՝ վարկային դիմումներ, համապատասխանության հաշվետվություններ, աուդիտի ամփոփագրեր: Օրինակ, արհեստական ​​բանականությունը կարող է վերցնել բոլոր գործարքների տվյալները և ստեղծել աուդիտի հաշվետվություն ՝ նշելով ցանկացած մտահոգություն: 2035 թվականին աուդիտորները կարող են ավելի շատ ժամանակ ծախսել արհեստական ​​բանականության կողմից նշված բացառությունները վերանայելու վրա, քան ամեն ինչ ինքնուրույն ուսումնասիրելու վրա: Նմանապես, համապատասխանության համար արհեստական ​​բանականությունը կարող է ստեղծել կասկածելի գործունեության հաշվետվություններ (SAR) կարգավորող մարմինների համար՝ առանց վերլուծաբանի կողմից դրանք գրելու զրոյից: Այս սովորական փաստաթղթերի ինքնուրույն ստեղծումը՝ մարդկային վերահսկողության անցմամբ բացառությունների հիմունքների, կարող է դառնալ ստանդարտ:

• Ապահովագրական պահանջներ և ապահովագրություն. արհեստական ​​բանականությունը կարող է մշակել ապահովագրական պահանջը (լուսանկարչական ապացույցներով և այլն), որոշել ծածկույթը և ավտոմատ կերպով ստեղծել վճարման որոշման նամակը: Մենք կարող ենք հասնել մի կետի, երբ պարզ պահանջները (օրինակ՝ հստակ տվյալներով ավտովթարներ) ամբողջությամբ կարգավորվում են արհեստական ​​բանականության կողմից ներկայացումից հետո մի քանի րոպեների ընթացքում: Նոր պոլիսների ապահովագրությունը կարող է նման լինել. արհեստական ​​բանականությունը գնահատում է ռիսկը և ստեղծում է պոլիսի պայմանները: Մինչև 2035 թվականը, հնարավոր է, միայն բարդ կամ սահմանային դեպքերն են փոխանցվում մարդկային ապահովագրողներին:

• Խարդախություն և անվտանգություն. Արհեստական ​​բանականությունը, հավանաբար, ավելի կարևոր դեր կխաղա ֆինանսների ոլորտում խարդախության կամ կիբեռսպառնալիքների հայտնաբերման և դրանց արձագանքման գործում: Ինքնավար արհեստական ​​բանականության գործակալները կարող են իրական ժամանակում վերահսկել գործարքները և անհապաղ գործողություններ ձեռնարկել (արգելափակել հաշիվները, սառեցնել գործարքները), երբ որոշակի չափանիշներին համապատասխանեն, ապա հիմնավորումներ ներկայացնել: Արագությունը կարևոր է այստեղ, ուստի ցանկալի է մարդկային նվազագույն ներգրավվածություն: Ստեղծագործական մասը կարող է լինել այս գործողությունները հաճախորդներին կամ կարգավորող մարմիններին հստակ ձևով հաղորդելը:

• Գործադիր աջակցություն. Պատկերացրեք արհեստական ​​ինտելեկտի «աշխատակազմի ղեկավար», որը կարող է անմիջապես գործարար հաշվետվություններ կազմել ղեկավարների համար: Հարցրեք. «Ինչպե՞ս է մեր եվրոպական ստորաբաժանումը գործել այս եռամսյակում և որո՞նք էին հիմնական շարժիչ ուժերը նախորդ տարվա համեմատ», և արհեստական ​​ինտելեկտը կստեղծի համառոտ հաշվետվություն՝ ճշգրիտ գրաֆիկներով, որոնք հիմնված են տվյալների վրա: Այս տեսակի դինամիկ, ինքնավար հաշվետվություններն ու վերլուծությունները կարող են դառնալ նույնքան հեշտ, որքան զրույցը: Մինչև 2030 թվականը արհեստական ​​ինտելեկտին բիզնես հետախուզության համար հարցումներ ուղարկելը և դրա ճիշտ պատասխանները վստահելը կարող է մեծապես փոխարինել ստատիկ հաշվետվություններին և, հնարավոր է, նույնիսկ որոշ վերլուծաբանների դերերին:

Մեկ հետաքրքիր կանխատեսում. մինչև 2030-ական թվականները ֆինանսական բովանդակության մեծ մասը (նորություններ, հաշվետվություններ և այլն) կարող է ստեղծվել արհեստական ​​բանականության կողմից : Արդեն իսկ Dow Jones-ի և Reuters-ի նման լրատվամիջոցները ավտոմատացում են օգտագործում որոշակի լրատվական հատվածների համար: Եթե այս միտումը շարունակվի, և հաշվի առնելով ֆինանսական տվյալների պայթյունը, արհեստական ​​բանականությունը կարող է պատասխանատու լինել դրանց մեծ մասի ֆիլտրման և հաղորդման համար:

Այնուամենայնիվ, վստահությունն ու ստուգումը կլինեն կենտրոնական։ Ֆինանսական ոլորտը խիստ կարգավորվող է, և ինքնավար գործող ցանկացած արհեստական ​​բանականություն պետք է համապատասխանի խիստ չափանիշների.

• Հալյուցինացիաների բացակայությունը ապահովելը (դուք չեք կարող արհեստական ​​բանականության վերլուծաբանին խնդրել հորինել ֆինանսական չափանիշ, որը իրական չէ՝ դա կարող է մոլորեցնել շուկաները):

• Կողմնակալությունից կամ անօրինական գործողություններից խուսափելը (օրինակ՝ վարկավորման որոշումներում անզգուշորեն կրճատումներ կատարելը՝ կողմնակալ ուսուցման տվյալների պատճառով):

• Աուդիտորականություն. կարգավորող մարմինները, հավանաբար, կպահանջեն, որ արհեստական ​​բանականության որոշումները լինեն բացատրելի: Եթե արհեստական ​​բանականությունը մերժում է վարկը կամ կայացնում է առևտրային որոշում, պետք է լինի հիմնավորում, որը կարելի է ուսումնասիրել: Գեներացնող մոդելները կարող են մի փոքր սև արկղի նման լինել, ուստի ակնկալեք բացատրելի արհեստական ​​բանականության տեխնիկայի մշակում՝ դրանց որոշումները թափանցիկ դարձնելու համար:

Հաջորդ 10 տարիները, հավանաբար, կներառեն արհեստական ​​բանականության և ֆինանսական մասնագետների միջև սերտ համագործակցություն, որը աստիճանաբար կփոխի ինքնավարության սահմանները՝ վստահության աճին զուգընթաց: Վաղ հաղթանակները կլինեն ցածր ռիսկային ավտոմատացման մեջ (ինչպես, օրինակ, հաշվետվությունների ստեղծումը): Ավելի դժվար կլինեն հիմնական դատողությունները, ինչպիսիք են վարկային որոշումները կամ ներդրումային ընտրությունները, բայց նույնիսկ այդ դեպքում, երբ արհեստական ​​բանականության ցուցանիշները զարգանում են, ընկերությունները կարող են նրան ավելի մեծ ինքնավարություն տրամադրել: Օրինակ, գուցե արհեստական ​​բանականության ֆոնդը կգործի մարդկային վերահսկողի հետ, որը կմիջամտի միայն այն դեպքում, եթե կատարողականը շեղվի կամ եթե արհեստական ​​բանականությունը ազդարարի անորոշության մասին:

Տնտեսապես, McKinsey-ն գնահատել է, որ արհեստական ​​բանականությունը (հատկապես սերնդի արհեստական ​​բանականությունը) կարող է տարեկան մոտ 200-340 միլիարդ դոլարի արժեք ավելացնել բանկային գործին և նմանատիպ մեծ ազդեցություն ունենալ ապահովագրության և կապիտալի շուկաներում ( Արհեստական ​​բանականության վիճակը 2023 թվականին. Գեներատիվ արհեստական ​​բանականության բեկումնային տարին | McKinsey ) ( Ի՞նչ է գեներատիվ արհեստական ​​բանականության ապագան | McKinsey ): Սա արդյունավետության և որոշումների կայացման ավելի լավ արդյունքների միջոցով է: Այդ արժեքը ստանալու համար, առօրյա ֆինանսական վերլուծությունների և հաղորդակցության մեծ մասը, հավանաբար, կփոխանցվի արհեստական ​​բանականության համակարգերին:

Ամփոփելով՝ մինչև 2035 թվականը գեներատիվ արհեստական ​​բանականությունը կարող է նմանվել ֆինանսական ոլորտում աշխատող կրտսեր վերլուծաբանների, խորհրդատուների և գրագիրների բանակի, որը կաշխատի ֆինանսական ոլորտում՝ ինքնուրույն կատարելով հիմնական աշխատանքի մեծ մասը և որոշ բարդ վերլուծություններ։ Մարդիկ դեռ կսահմանեն նպատակներ և կկառավարեն բարձր մակարդակի ռազմավարությունը, հաճախորդների հետ հարաբերությունները և վերահսկողությունը։ Ֆինանսական աշխարհը, զգույշ լինելով, աստիճանաբար կընդլայնի ինքնավարությունը, բայց ուղղությունը հստակ է, որ տեղեկատվության մշակման և նույնիսկ որոշումների առաջարկությունների ավելի ու ավելի մեծ մասը կգա արհեստական ​​բանականությունից։ Իդեալականում սա կհանգեցնի ավելի արագ սպասարկման (ակնթարթային վարկեր, շուրջօրյա խորհրդատվություն), ավելի ցածր ծախսերի և հնարավոր է՝ ավելի մեծ օբյեկտիվության (տվյալների օրինաչափությունների վրա հիմնված որոշումներ)։ Սակայն վստահության պահպանումը կարևորագույն նշանակություն կունենա. ֆինանսների ոլորտում արհեստական ​​բանականության մեկ բարձր մակարդակի սխալը կարող է առաջացնել հսկայական վնաս (պատկերացրեք արհեստական ​​բանականության կողմից առաջացած ակնթարթային փլուզում կամ հազարավոր մարդկանց համար սխալմամբ մերժված օգուտ)։ Հետևաբար, պաշտպանիչ ցանկապատերը և մարդկային ստուգումները, հավանաբար, կշարունակվեն, հատկապես սպառողների հետ կապված գործողությունների համար, նույնիսկ այն դեպքում, երբ գրասենյակային գործընթացները դառնում են խիստ ինքնավար։

Մարտահրավերներ և էթիկական նկատառումներ

Այս բոլոր ոլորտներում, քանի որ գեներատիվ արհեստական ​​բանականությունը ստանձնում է ավելի ինքնավար պարտականություններ, առաջանում են մի շարք ընդհանուր մարտահրավերներ և էթիկական հարցեր: Արհեստական ​​բանականության հուսալի և օգտակար ինքնավար գործակալ լինելու ապահովումը ոչ միայն տեխնիկական, այլև հասարակական խնդիր է: Այստեղ մենք ներկայացնում ենք հիմնական մտահոգությունները և թե ինչպես են դրանք լուծվում (կամ պետք է լուծվեն).

Հուսալիություն և ճշգրտություն

Հալյուցինացիաների խնդիրը. Գեներատիվ արհեստական ​​բանականության մոդելները կարող են ստեղծել սխալ կամ ամբողջությամբ կեղծված արդյունքներ, որոնք վստահելի տեսք ունեն: Սա հատկապես վտանգավոր է, երբ ոչ մի մարդ չկա սխալները նկատելու համար: Չաթբոտը կարող է հաճախորդին սխալ հրահանգներ տալ, կամ արհեստական ​​բանականության կողմից գրված զեկույցը կարող է պարունակել հորինված վիճակագրություն: 2025 թվականի դրությամբ անճշտությունը կազմակերպությունների կողմից ճանաչվում է որպես գեներատիվ արհեստական ​​բանականության ամենամեծ ռիսկը ( Արհեստական ​​բանականության վիճակը 2023 թվականին. Գեներատիվ արհեստական ​​բանականության բեկումնային տարին | McKinsey ) ( Արհեստական ​​բանականության վիճակը. Գլոբալ հարցում | McKinsey ): Առաջ շարժվելով՝ տվյալների բազաների հետ փաստերի ստուգումը, մոդելի ճարտարապետության բարելավումները և հետադարձ կապի միջոցով ամրապնդող ուսուցումը կիրառվում են հալյուցինացիաները նվազագույնի հասցնելու համար: Ինքնավար արհեստական ​​բանականության համակարգերը, հավանաբար, կարիք կունենան խիստ թեստավորման և, հնարավոր է, պաշտոնական ստուգման կարևորագույն առաջադրանքների համար (օրինակ՝ կոդի ստեղծում, որը կարող է սխալներ/անվտանգության թերություններ առաջացնել, եթե սխալ լինի):

Համապատասխանություն. արհեստական ​​բանականության համակարգերը պետք է հուսալիորեն գործեն ժամանակի ընթացքում և տարբեր սցենարներում: Օրինակ, արհեստական ​​բանականությունը կարող է լավ արդյունքներ ցույց տալ ստանդարտ հարցերում, բայց սխալներ թույլ տալ ծայրահեղ դեպքերում: Համապատասխան աշխատանքի ապահովումը կպահանջի լայնածավալ վերապատրաստման տվյալներ, որոնք կներառեն տարբեր իրավիճակներ և շարունակական մոնիթորինգ: Շատ կազմակերպություններ նախատեսում են ունենալ հիբրիդային մոտեցումներ. արհեստական ​​բանականությունն աշխատում է, բայց պատահական նմուշները աուդիտի են ենթարկվում մարդկանց կողմից՝ շարունակական ճշգրտության մակարդակը գնահատելու համար:

Անվտահության դեպքում անվտանգ համակարգեր. Երբ արհեստական ​​բանականությունը ինքնավար է, կարևոր է, որ այն ճանաչի իր սեփական անորոշությունը: Համակարգը պետք է նախագծված լինի «իմանալու համար, երբ չգիտի»: Օրինակ, եթե արհեստական ​​բանականության բժիշկը վստահ չէ ախտորոշման մեջ, այն պետք է նշի մարդկային վերանայման համար, այլ ոչ թե պատահական ենթադրություն տա: Արհեստական ​​բանականության արդյունքների մեջ անորոշության գնահատման ներդրումը (և ավտոմատ մարդկային փոխանցման համար շեմերի առկայությունը) զարգացման ակտիվ ոլորտ է:

Կողմնակալություն և արդարություն

Գեներատիվ արհեստական ​​բանականությունը սովորում է պատմական տվյալներից, որոնք կարող են պարունակել կողմնակալություններ (ռասայական, սեռական և այլն): Ինքնավար արհեստական ​​բանականությունը կարող է հավերժացնել կամ նույնիսկ ուժեղացնել այդ կողմնակալությունները։

• Աշխատանքի ընդունվելիս կամ ընդունելության ժամանակ արհեստական ​​բանականության որոշում կայացնողը կարող է անարդարացիորեն խտրականություն դրսևորել, եթե իր վերապատրաստման տվյալները կողմնակալ լինեն։

• Հաճախորդների սպասարկման ոլորտում արհեստական ​​բանականությունը կարող է տարբեր կերպ արձագանքել օգտատերերին՝ կախված բարբառից կամ այլ գործոններից, եթե ուշադիր չստուգվի։

• Ստեղծագործական ոլորտներում արհեստական ​​բանականությունը կարող է թերներկայացնել որոշակի մշակույթներ կամ ոճեր, եթե մարզումների հավաքածուն անհավասարակշիռ լինի։

Այս խնդիրը լուծելու համար անհրաժեշտ է տվյալների մանրակրկիտ հավաքագրում, կողմնակալության ստուգում և, հնարավոր է, ալգորիթմական ճշգրտումներ՝ արդարությունն ապահովելու համար: Թափանցիկությունը գլխավորն է. ընկերությունները պետք է բացահայտեն արհեստական ​​ինտելեկտի վերաբերյալ որոշման չափանիշները, հատկապես, եթե ինքնավար արհեստական ​​ինտելեկտը ազդում է մեկի հնարավորությունների կամ իրավունքների վրա (օրինակ՝ վարկ կամ աշխատանք ստանալը): Կարգավորող մարմիններն արդեն ուշադրություն են դարձնում դրան. օրինակ՝ ԵՄ արհեստական ​​ինտելեկտի մասին օրենքը (մշակվում է 2020-ականների կեսերից) հավանաբար կպահանջի կողմնակալության գնահատումներ բարձր ռիսկային արհեստական ​​ինտելեկտի համակարգերի համար:

Հաշվետվողականություն և իրավական պատասխանատվություն

Երբ ինքնավար գործող արհեստական ​​բանականության համակարգը վնաս է պատճառում կամ սխալ է թույլ տալիս, ո՞վ է պատասխանատու։ Իրավական շրջանակները հետ են մնում։

• Արհեստական ​​բանականություն կիրառող ընկերությունները, հավանաբար, կկրեն պատասխանատվություն, նման աշխատակցի գործողությունների համար պատասխանատվությանը։ Օրինակ, եթե արհեստական ​​բանականությունը վատ ֆինանսական խորհուրդ է տալիս, որը հանգեցնում է վնասի, ընկերությունը կարող է ստիպված լինել փոխհատուցել հաճախորդին։

• Բանավեճեր կան արհեստական ​​ինտելեկտի «անհատականության» կամ այն ​​​​մասին, թե արդյոք զարգացած արհեստական ​​ինտելեկտը կարող է մասամբ պատասխանատու լինել, բայց դա այժմ ավելի շատ տեսական է։ Գործնականում մեղքը կգտնվի մշակողների կամ օպերատորների մոտ։

• Արհեստական ​​բանականության խափանումների համար կարող են ի հայտ գալ նոր ապահովագրական ապրանքներ։ Եթե ինքնագնաց բեռնատարը վթարի պատճառ է դառնում, արտադրողի ապահովագրությունը կարող է ծածկել այն՝ նման լինելով ապրանքի պատասխանատվությանը։

• Արհեստական ​​բանականության որոշումների փաստաթղթավորումը և գրանցումը կարևոր կլինեն հետմահու փորձաքննության համար: Եթե ինչ-որ բան այնպես չգնա, մենք պետք է աուդիտ անենք արհեստական ​​բանականության որոշումների հետքը՝ դրանից դասեր քաղելու և պատասխանատվություն սահմանելու համար: Կարգավորող մարմինները կարող են պարտադրել ինքնավար արհեստական ​​բանականության գործողությունների գրանցումը հենց այս պատճառով:

Թափանցիկություն և բացատրելիություն

Ինքնավար արհեստական ​​բանականությունը իդեալականորեն պետք է կարողանա բացատրել իր դատողությունները մարդու համար հասկանալի լեզվով, հատկապես հետևանքային ոլորտներում (ֆինանսներ, առողջապահություն, արդարադատության համակարգ): Բացատրելի արհեստական ​​բանականությունը մի ոլորտ է, որը ձգտում է բացել սև արկղը.

• Արհեստական ​​բանականության կողմից վարկի մերժման դեպքում, կանոնակարգերը (օրինակ՝ ԱՄՆ-ում, ECOA-ում) կարող են պահանջել դիմորդին պատճառաբանել։ Այսպիսով, արհեստական ​​բանականությունը պետք է որպես բացատրություն ներկայացնի գործոններ (օրինակ՝ «բարձր պարտքի և եկամտի հարաբերակցություն»):

• Արհեստական ​​բանականության հետ փոխազդող օգտատերերը (օրինակ՝ ուսանողները, որոնք ունեն արհեստական ​​բանականության դասատու կամ հիվանդները, որոնք ունեն արհեստական ​​բանականության առողջապահական հավելված) արժանի են իմանալ, թե ինչպես է այն հասնում խորհրդատվության: Ջանքեր են գործադրվում արհեստական ​​բանականության դատողությունն ավելի հետևելի դարձնելու համար՝ կամ մոդելները պարզեցնելով, կամ զուգահեռ բացատրական մոդելներ ունենալով:

• Թափանցիկությունը նաև նշանակում է, որ օգտատերերը պետք է իմանան, թե երբ են գործ ունենում արհեստական ​​բանականության և մարդու հետ։ Էթիկական ուղեցույցները (և, հավանաբար, որոշ օրենքներ) հակված են պահանջելու բացահայտում, եթե հաճախորդը խոսում է բոտի հետ։ Սա կանխում է խաբեությունը և թույլ է տալիս օգտատիրոջ համաձայնությունը։ Որոշ ընկերություններ այժմ բացահայտորեն նշում են արհեստական ​​բանականության կողմից գրված բովանդակությունը (օրինակ՝ «Այս հոդվածը ստեղծվել է արհեստական ​​բանականության կողմից»)՝ վստահությունը պահպանելու համար։

Գաղտնիության և տվյալների պաշտպանություն

Գեներատիվ արհեստական ​​բանականությունը հաճախ տվյալների, այդ թվում՝ պոտենցիալ զգայուն անձնական տվյալների կարիք ունի գործելու կամ սովորելու համար։ Ինքնավար գործողությունները պետք է հարգեն գաղտնիությունը.

• Արհեստական ​​բանականության հաճախորդների սպասարկման գործակալը մուտք կունենա հաշվի տեղեկատվությանը՝ հաճախորդին օգնելու համար։ Այդ տվյալները պետք է պաշտպանված լինեն և օգտագործվեն միայն առաջադրանքի համար։

• Եթե ​​արհեստական ​​բանականության դասավանդողները հասանելիություն ունեն ուսանողների պրոֆիլներին, ապա FERPA-ի (ԱՄՆ-ում) նման օրենքներով կան նկատառումներ՝ կրթական տվյալների գաղտնիությունն ապահովելու համար։

• Մեծ մոդելները կարող են պատահաբար հիշել իրենց մարզման տվյալներից որոշակի տեղեկություններ (օրինակ՝ վերարտադրել մարզման ընթացքում տեսած անձի հասցեն): Մարզման ընթացքում դիֆերենցիալ գաղտնիության և տվյալների անանունացման նման մեթոդները կարևոր են ստեղծված արդյունքներում անձնական տեղեկատվության արտահոսքը կանխելու համար:

• GDPR-ի նման կանոնակարգերը անհատներին իրավունք են տալիս իրենց վերաբերող ավտոմատացված որոշումների նկատմամբ: Մարդիկ կարող են խնդրել մարդկային վերանայում կամ որոշումների ոչ միայն ավտոմատացված լինել, եթե դրանք էականորեն ազդում են իրենց վրա: Մինչև 2030 թվականը այս կանոնակարգերը կարող են զարգանալ արհեստական ​​բանականության ավելի տարածված դառնալուն զուգընթաց՝ հնարավոր է՝ ներդնելով բացատրություն ստանալու կամ արհեստական ​​բանականության մշակումից հրաժարվելու իրավունքներ:

Անվտանգություն և չարաշահում

Ինքնավար արհեստական ​​բանականության համակարգերը կարող են դառնալ հաքերային հարձակման թիրախ կամ կարող են շահագործվել չարամիտ գործողություններ կատարելու համար.

• Արհեստական ​​բանականության բովանդակության գեներատորը կարող է չարաշահվել մեծածավալ ապատեղեկատվություն ստեղծելու համար (խորը կեղծ տեսանյութեր, կեղծ նորությունների հոդվածներ), ինչը հասարակական ռիսկ է: Շատ հզոր գեներատիվ մոդելների թողարկման էթիկան բուռն քննարկվում է (օրինակ՝ OpenAI-ը սկզբում զգուշավոր էր GPT-4-ի պատկերային հնարավորությունների հարցում): Լուծումները ներառում են արհեստական ​​բանականության կողմից ստեղծված բովանդակության վրա ջրանիշերի տեղադրում՝ կեղծիքները հայտնաբերելուն օգնելու համար, և արհեստական ​​բանականության օգտագործում՝ արհեստական ​​բանականության դեմ պայքարելու համար (ինչպես խորը կեղծիքների հայտնաբերման ալգորիթմները):

• Եթե ​​արհեստական ​​բանականությունը կառավարում է ֆիզիկական գործընթացները (անօդաչու թռչող սարքեր, մեքենաներ, արդյունաբերական կառավարում), ապա դրա պաշտպանությունը կիբեռհարձակումներից կարևորագույն նշանակություն ունի: Կոտրված ինքնավար համակարգը կարող է իրական աշխարհում վնաս հասցնել: Սա նշանակում է հուսալի կոդավորում, անվտանգ համակարգեր և մարդու կողմից անտեսման կամ անջատման հնարավորություն, եթե ինչ-որ բան թվում է վտանգված:

• Կա նաև մտահոգություն, որ արհեստական ​​բանականությունը կարող է գերազանցել նախատեսված սահմանները («խարդախ արհեստական ​​բանականություն» սցենար): Մինչդեռ ներկայիս արհեստական ​​բանականությունները չունեն որևէ գործողություն կամ մտադրություն, եթե ապագա ինքնավար համակարգերն ավելի գործակալական լինեն, անհրաժեշտ են խիստ սահմանափակումներ և մոնիթորինգ՝ ապահովելու համար, որ դրանք, օրինակ, չկատարեն չարտոնված գործարքներ կամ չխախտեն օրենքները՝ սխալ նշված նպատակի պատճառով:

Էթիկական օգտագործում և մարդկային ազդեցություն

Վերջապես, ավելի լայն էթիկական նկատառումներ.

• Աշխատանքի տեղահանում. Եթե արհեստական ​​բանականությունը կարող է կատարել առաջադրանքներ առանց մարդու միջամտության, ի՞նչ է պատահում այդ աշխատատեղերի հետ: Պատմականորեն, տեխնոլոգիան ավտոմատացնում է որոշ աշխատատեղեր, բայց ստեղծում է ուրիշներ: Անցումը կարող է ցավոտ լինել այն աշխատողների համար, որոնց հմտությունները գտնվում են ավտոմատացված առաջադրանքներում: Հասարակությունը պետք է կարգավորի սա՝ վերաորակավորման, կրթության և, հնարավոր է, տնտեսական աջակցության վերանայման միջոցով (ոմանք ենթադրում են, որ արհեստական ​​բանականությունը կարող է անհրաժեշտություն ստեղծել այնպիսի գաղափարների համար, ինչպիսին է համընդհանուր հիմնական եկամուտը, եթե աշխատանքի մեծ մասը ավտոմատացվի): Հարցումներն արդեն իսկ ցույց են տալիս խառը զգացմունքներ. մեկ ուսումնասիրություն ցույց է տվել, որ աշխատողների մեկ երրորդը մտահոգված է արհեստական ​​բանականության կողմից աշխատատեղերի փոխարինման համար, մինչդեռ մյուսները դա համարում են ծանր աշխատանքի վերացում:

• Մարդկային հմտությունների էրոզիա. Եթե արհեստական ​​բանականության դասատուները դասավանդեն, արհեստական ​​բանականության ավտոպիլոտաները վարեն, իսկ արհեստական ​​բանականությունը գրի կոդ, արդյո՞ք մարդիկ կկորցնեն այդ հմտությունները: Արհեստական ​​բանականության վրա չափազանց կախվածությունը վատագույն դեպքում կարող է քայքայել փորձը. սա այն բանն է, որի համար կրթական և վերապատրաստման ծրագրերը պետք է հարմարվեն՝ ապահովելով, որ մարդիկ շարունակեն սովորել հիմունքները, նույնիսկ եթե արհեստական ​​բանականությունը օգնի:

• Էթիկական որոշումների կայացում. արհեստական ​​բանականությունը զուրկ է մարդկային բարոյական դատողությունից: Առողջապահության կամ իրավունքի ոլորտում զուտ տվյալների վրա հիմնված որոշումները կարող են հակասել կարեկցանքի կամ արդարադատության հետ առանձին դեպքերում: Մենք կարող ենք անհրաժեշտություն ունենալ էթիկական շրջանակներ կոդավորել արհեստական ​​բանականության մեջ (արհեստական ​​բանականության էթիկայի հետազոտության ոլորտ, օրինակ՝ արհեստական ​​բանականության որոշումները մարդկային արժեքների հետ համապատասխանեցնելը): Առնվազն խորհուրդ է տրվում մարդկանց տեղեկացված պահել էթիկապես լիցքավորված որոշումների մասին:

• Ներառականություն. Արհեստական ​​բանականության առավելությունների լայնորեն տարածման ապահովումը էթիկական նպատակ է: Եթե միայն խոշոր ընկերությունները կարողանային իրենց թույլ տալ առաջադեմ արհեստական ​​բանականություն, ապա փոքր բիզնեսները կամ աղքատ շրջանները կարող էին հետ մնալ: Բաց կոդով ջանքերը և մատչելի արհեստական ​​բանականության լուծումները կարող են օգնել ժողովրդավարացնել հասանելիությունը: Բացի այդ, ինտերֆեյսները պետք է նախագծվեն այնպես, որ յուրաքանչյուրը կարողանա օգտագործել արհեստական ​​բանականության գործիքներ (տարբեր լեզուներ, հաշմանդամություն ունեցող անձանց համար հասանելիություն և այլն), որպեսզի չստեղծենք նոր թվային բաժանում «ով ունի արհեստական ​​բանականության օգնական, ով չունի» սկզբունքով:

Ընթացիկ ռիսկերի մեղմացում. Դրական կողմից, ընկերությունները սերնդի արհեստական ​​բանականության ներդրմանը զուգընթաց, աճում է իրազեկվածությունը և գործողություններ ձեռնարկվում այս հարցերի շուրջ: 2023 թվականի վերջին արհեստական ​​բանականություն օգտագործող ընկերությունների գրեթե կեսը ակտիվորեն աշխատում էր անճշտության նման ռիսկերը մեղմելու ուղղությամբ ( Արհեստական ​​բանականության վիճակը 2023 թվականին. Գեներատիվ արհեստական ​​բանականության բեկումնային տարին | McKinsey ) ( Արհեստական ​​բանականության վիճակը. Գլոբալ հարցում | McKinsey ), և այդ թիվն աճում է: Տեխնոլոգիական ընկերությունները ստեղծել են արհեստական ​​բանականության էթիկայի խորհուրդներ. կառավարությունները մշակում են կանոնակարգեր: Հիմնականը էթիկան արհեստական ​​բանականության մշակման մեջ ներառելն է սկզբից («Էթիկա նախագծմամբ»), այլ ոչ թե ավելի ուշ արձագանքելը:

Եզրափակելով մարտահրավերների մասին՝ արհեստական ​​բանականությանը ավելի մեծ ինքնավարություն տրամադրելը երկկողմանի սուր է։ Այն կարող է ապահովել արդյունավետություն և նորարարություն, բայց պահանջում է պատասխանատվության բարձր նշաձող։ Առաջիկա տարիներին, հավանաբար, կտեսնենք տեխնոլոգիական լուծումների (արհեստական ​​բանականության վարքագիծը բարելավելու համար), գործընթացային լուծումների (քաղաքականության և վերահսկողության շրջանակներ) և, հնարավոր է, նոր ստանդարտների կամ հավաստագրերի համադրություն (արհեստական ​​բանականության համակարգերը կարող են աուդիտի ենթարկվել և հավաստագրվել, ինչպես այսօր շարժիչները կամ էլեկտրոնիկան)։ Այս մարտահրավերներին հաջողությամբ դիմակայելը կորոշի, թե որքան սահուն կարող ենք ինտեգրել ինքնավար արհեստական ​​բանականությունը հասարակության մեջ այնպես, որ բարձրացնի մարդկային բարեկեցությունն ու վստահությունը։

Եզրակացություն

Գեներատիվ արհեստական ​​բանականությունը (AI) արագ զարգացել է նորարարական փորձից մինչև մեր կյանքի յուրաքանչյուր անկյունը ներթափանցող տրանսֆորմատիվ ընդհանուր նշանակության տեխնոլոգիա։ Այս զեկույցը ուսումնասիրել է, թե ինչպես մինչև 2025 թվականը արհեստական ​​բանականության համակարգերը արդեն գրում են հոդվածներ, նախագծում գրաֆիկա, կոդավորում ծրագրեր, զրուցում հաճախորդների հետ, ամփոփում բժշկական գրառումներ, դասավանդում ուսանողներին, օպտիմալացնում մատակարարման շղթաները և կազմում ֆինանսական հաշվետվություններ։ Կարևոր է, որ այս առաջադրանքներից շատերում արհեստական ​​բանականությունը կարող է գործել գրեթե առանց մարդկային միջամտության , հատկապես հստակ սահմանված, կրկնվող աշխատանքների համար։ Ընկերություններն ու անհատները սկսում են վստահել արհեստական ​​բանականությանը այս պարտականությունները ինքնուրույն կատարելու համար՝ քաղելով արագության և մասշտաբի օգուտներ։

Նայելով դեպի 2035 թվականը՝ մենք կանգնած ենք մի դարաշրջանի շեմին, երբ արհեստական ​​բանականությունը կլինի ավելի ու ավելի ամենուրեք գործող համագործակցող՝ հաճախ անտեսանելի թվային աշխատուժ , որը կկարգավորի առօրյան, որպեսզի մարդիկ կարողանան կենտրոնանալ բացառիկի վրա: Մենք կանխատեսում ենք, որ գեներատիվ արհեստական ​​բանականությունը հուսալիորեն կվարի մեքենաներ և բեռնատարներ մեր ճանապարհներով, կկառավարի պահեստներում պաշարները գիշերը, կպատասխանի մեր հարցերին որպես գիտակ անձնական օգնականներ, կտրամադրի անհատական ​​​​ուսուցում ամբողջ աշխարհի ուսանողներին և նույնիսկ կօգնի հայտնաբերել նոր դեղամիջոցներ բժշկության մեջ՝ այս ամենը ավելի ու ավելի նվազագույն անմիջական վերահսկողությամբ: Գործիքի և գործակալի միջև գիծը կխամրի, քանի որ արհեստական ​​բանականությունը հրահանգներին պասիվ հետևելուց կանցնի նախաձեռնող լուծումներ ստեղծելուն:

Այնուամենայնիվ, այս ինքնավար արհեստական ​​բանականության ապագայի ճանապարհը պետք է կողմնորոշվի զգուշությամբ։ Ինչպես արդեն նշել ենք, յուրաքանչյուր ոլորտ ունի իր սահմանափակումներն ու պարտականությունները։

• Այսօրվա իրականության ստուգում. արհեստական ​​բանականությունը անսխալական չէ: Այն գերազանցում է օրինաչափությունների ճանաչման և բովանդակության ստեղծման գործում, բայց զուրկ է իրական ըմբռնումից և մարդկային իմաստից: Այսպիսով, առայժմ մարդկային վերահսկողությունը մնում է անվտանգության ցանցը: Կարևոր է հասկանալ, թե որտեղ է արհեստական ​​բանականությունը պատրաստ մենակ թռչելու (և որտեղ՝ ոչ): Այսօր շատ հաջողություններ գալիս են մարդ-արհեստական ​​բանականություն թիմային մոդելից, և այս հիբրիդային մոտեցումը կշարունակի արժեքավոր լինել այնտեղ, որտեղ լիակատար ինքնավարությունը դեռևս խելամիտ չէ:

• Վաղվա խոստումը. Մոդելային ճարտարապետությունների, վերապատրաստման տեխնիկայի և վերահսկողության մեխանիզմների առաջընթացի շնորհիվ արհեստական ​​բանականության հնարավորությունները կշարունակեն ընդլայնվել: Հետազոտությունների և զարգացման հաջորդ տասնամյակը կարող է լուծել բազմաթիվ առկա խնդիրներ (հալյուցինացիաների նվազեցում, մեկնաբանելիության բարելավում, արհեստական ​​բանականության համապատասխանեցում մարդկային արժեքների հետ): Եթե այդպես է, ապա 2035 թվականին արհեստական ​​բանականության համակարգերը կարող են բավականաչափ հզոր լինել, որպեսզի նրանց վստահվի շատ ավելի մեծ ինքնավարություն: Այս հոդվածում ներկայացված կանխատեսումները՝ արհեստական ​​բանականության ուսուցիչներից մինչև մեծ մասամբ ինքնուրույն կառավարվող բիզնեսներ, կարող են դառնալ մեր իրականությունը կամ նույնիսկ գերազանցվել այսօր դժվար պատկերացնելի նորարարություններով:

• Մարդու դերը և հարմարվողականությունը. Մենք կանխատեսում ենք, որ արհեստական ​​բանականությունը մարդկանց ամբողջությամբ փոխարինելու փոխարեն, դերերը կզարգանան: Բոլոր ոլորտի մասնագետները, հավանաբար, պետք է հմտանան հետ ՝ ուղղորդելով այն, ստուգելով այն և կենտրոնանալով աշխատանքի այն ասպեկտների վրա, որոնք պահանջում են մարդկային ուժեղ կողմեր, ինչպիսիք են կարեկցանքը, ռազմավարական մտածողությունը և բարդ խնդիրների լուծումը: Կրթությունը և աշխատուժի վերապատրաստումը պետք է կենտրոնանան այս եզակի մարդկային հմտությունների, ինչպես նաև բոլորի համար արհեստական ​​բանականության գրագիտության վրա: Քաղաքականության մշակողները և բիզնես առաջնորդները պետք է պլանավորեն աշխատաշուկայի անցումները և ապահովեն աջակցության համակարգեր ավտոմատացումից տուժածների համար:

• Էթիկա և կառավարում. Հավանաբար ամենակարևորը, արհեստական ​​բանականության էթիկական օգտագործման և կառավարման շրջանակը պետք է հիմք հանդիսանա այս տեխնոլոգիական աճի համար: Վստահությունը ներդրման արժույթն է. մարդիկ թույլ կտան արհեստական ​​բանականությանը վարել մեքենա կամ օգնել վիրահատության ժամանակ միայն այն դեպքում, եթե վստահեն, որ այն անվտանգ է: Այդ վստահության կառուցումը ներառում է խիստ փորձարկումներ, թափանցիկություն, շահագրգիռ կողմերի ներգրավում (օրինակ՝ բժիշկների ներգրավում բժշկական արհեստական ​​բանականության նախագծման, ուսուցիչների ներգրավում արհեստական ​​բանականության կրթական գործիքների մեջ) և համապատասխան կարգավորում: Միջազգային համագործակցությունը կարող է անհրաժեշտ լինել խորը կեղծիքների կամ պատերազմում արհեստական ​​բանականության նման մարտահրավերները հաղթահարելու համար՝ ապահովելով պատասխանատու օգտագործման գլոբալ նորմեր:

Ամփոփելով՝ գեներատիվ արհեստական ​​բանականությունը հանդիսանում է առաջընթացի հզոր շարժիչ ուժ։ Խելացիորեն օգտագործելով՝ այն կարող է մարդկանց ազատել ծանր աշխատանքից, բացահայտել ստեղծագործականությունը, անհատականացնել ծառայությունները և լրացնել բացթողումները (ներմուծելով փորձագիտություն այնտեղ, որտեղ մասնագետները քիչ են)։ Հիմնականը այն այնպես կիրառելն է, որ մեծացվի մարդկային ներուժը, այլ ոչ թե մարգինալացվի ։ Մոտակա հեռանկարում դա նշանակում է մարդկանց տեղեկացված պահել՝ արհեստական ​​բանականությունը ուղղորդելու համար։ Երկարաժամկետ հեռանկարում դա նշանակում է մարդասիրական արժեքների կոդավորում արհեստական ​​բանականության համակարգերի միջուկում, որպեսզի նույնիսկ անկախ գործելիս գործեն մեր կոլեկտիվ շահերից ելնելով։

Դոմեյն	Հուսալի ինքնավարություն այսօր (2025)	Ակնկալվում է հուսալի ինքնավարություն մինչև 2035 թվականը
Գրելը և բովանդակությունը	- Ավտոմատ կերպով ստեղծված ամենօրյա նորություններ (սպորտ, եկամուտներ): - Արհեստական ​​բանականության կողմից ամփոփված ապրանքների ակնարկներ: - Մարդու խմբագրման համար նախատեսված հոդվածների կամ էլեկտրոնային նամակների նախագծեր: ( Ֆիլանա Փաթերսոն – ONA համայնքի պրոֆիլ ): ( Amazon-ը բարելավում է հաճախորդների ակնարկների փորձը արհեստական ​​բանականության միջոցով ):	- Նորությունների և մարքեթինգային բովանդակության մեծ մասը գրվում է ավտոմատ կերպով՝ փաստական ​​ճշգրտությամբ։ - Արհեստական ​​բանականությունը ստեղծում է ամբողջական հոդվածներ և մամուլի հաղորդագրություններ՝ նվազագույն վերահսկողության պայմաններում։ - Բարձր անհատականացված բովանդակություն՝ ստեղծված պահանջարկի հիման վրա։
Կերպարվեստ և դիզայն	- Արհեստական ​​բանականությունը ստեղծում է պատկերներ հուշումներից (մարդն է ընտրում լավագույնը): - Կոնցեպտուալ արվեստի և դիզայնի տարբերակներ, որոնք ստեղծվում են ինքնուրույն:	- Արհեստական ​​բանականությունը ստեղծում է ամբողջական տեսա/ֆիլմային տեսարաններ և բարդ գրաֆիկա։ - Արտադրանքի/ճարտարապետության գեներատիվ դիզայն՝ համապատասխանեցնելով պահանջարկին։ - Անհատականացված մեդիա (պատկերներ, տեսանյութեր)՝ ստեղծված ըստ պահանջի։
Ծրագրային կոդավորում	- Արհեստական ​​բանականությունը ավտոմատ կերպով լրացնում է կոդը և գրում պարզ ֆունկցիաներ (վերանայվել է մշակողի կողմից): - Ավտոմատացված թեստերի ստեղծում և սխալների առաջարկներ: ( Կոդավորում Copilot-ում. 2023 թվականի տվյալները ենթադրում են կոդի որակի վրա անկումային ճնշում (ներառյալ 2024 թվականի կանխատեսումները) - GitClear ) ( GitHub Copilot-ը գերազանցում է արհեստական ​​բանականության կոդի օգնականների վերաբերյալ հետազոտական ​​զեկույցը -- Visual Studio Magazine )	- Արհեստական ​​բանականությունը հուսալիորեն իրականացնում է բոլոր գործառույթները՝ սկսած տեխնիկական բնութագրերից։ - Ինքնավար վրիպազերծում և կոդի պահպանում հայտնի օրինաչափությունների համար։ - Փոքր կոդով հավելվածի ստեղծում՝ մարդկային քիչ ներգրավմամբ։
Հաճախորդների սպասարկում	- Չաթբոտները պատասխանում են հաճախակի տրվող հարցերին, լուծում պարզ խնդիրներ (բարդ դեպքերի փոխանցում): - Արհեստական ​​բանականությունը մշակում է որոշ ալիքներով առօրյա հարցումների մոտ 70%-ը: ( 59 Արհեստական ​​բանականության հաճախորդների սպասարկման վիճակագրություն 2025 թվականի համար ) ( Մինչև 2030 թվականը հաճախորդների հետ փոխազդեցությունների ընթացքում որոշումների 69%-ը կլինի ... )	- Արհեստական ​​բանականությունը (AI) կարգավորում է հաճախորդների հետ փոխազդեցությունների մեծ մասը՝ ներառյալ բարդ հարցումները։ - Իրական ժամանակում AI որոշումների կայացում ծառայությունների զիջումների (վերադարձներ, արդիականացումներ) վերաբերյալ։ - Միայն մարդկային գործակալներ՝ սրացումների կամ հատուկ դեպքերի համար։
Առողջապահություն	- Արհեստական ​​բանականությունը կազմում է բժշկական գրառումներ, առաջարկում է ախտորոշումներ, որոնք բժիշկները ստուգում են։ - Արհեստական ​​բանականությունը կարդում է որոշ սկանավորումներ (ռենտգենոլոգիա)՝ հսկողության ներքո, տեսակավորում է պարզ դեպքերը։ ( Արհեստական ​​բժշկական պատկերագրական արտադրանքի օգտագործումը կարող է հնգապատկվել մինչև 2035 թվականը )	- Արհեստական ​​բանականությունը հուսալիորեն ախտորոշում է տարածված հիվանդությունները և մեկնաբանում բժշկական պատկերների մեծ մասը։ - Արհեստական ​​բանականությունը վերահսկում է հիվանդներին և նախաձեռնում խնամք (օրինակ՝ դեղորայքի հիշեցումներ, արտակարգ իրավիճակների մասին ահազանգեր)։ - Վիրտուալ արհեստական ​​բանականության «բուժքույրերը» կատարում են պարբերական հետևողական միջոցառումները. բժիշկները կենտրոնանում են բարդ խնամքի վրա։
Կրթություն	- Արհեստական ​​բանականության դասատուները պատասխանում են ուսանողների հարցերին, ստեղծում են պրակտիկ խնդիրներ (ուսուցչի մոնիթորինգ): - Արհեստական ​​բանականությունը օգնում է գնահատմանը (ուսուցչի վերլուծությամբ): ([Գեներատիվ արհեստական ​​բանականություն նախադպրոցականից մինչև 12-րդ դասարանի կրթության համար])	Applify-ի հետազոտական ​​զեկույց] ( https://www.applify.co/research-report/gen-ai-for-k12#:~:text=AI%20tutors%3A%20Virtual%20AI,individual%20learning%20styles%20and%20paces ))
Լոգիստիկա	- Արհեստական ​​բանականությունը օպտիմալացնում է առաքման ուղիները և փաթեթավորումը (մարդիկ նպատակներ են սահմանում): - Արհեստական ​​բանականությունը նշում է մատակարարման շղթայի ռիսկերը և առաջարկում է մեղմացման միջոցառումներ: ( Լոգիստիկայում արհեստական ​​բանականության օգտագործման լավագույն դեպքերը ):	- Արհեստական ​​բանականության կառավարիչների կողմից վերահսկվող մեծ մասամբ ինքնավար առաքումներ (բեռնատարներ, անօդաչու թռչող սարքեր): - Արհեստական ​​բանականությունն ինքնուրույն վերահղում է առաքումները՝ խուսափելով խափանումներից և կարգավորում է պաշարները: - Արհեստական ​​բանականության կողմից կառավարվող մատակարարման շղթայի ամբողջական համակարգում (պատվերների կազմում, բաշխում):
Ֆինանսներ	- Արհեստական ​​բանականությունը ստեղծում է ֆինանսական հաշվետվություններ/նորությունների ամփոփագրեր (մարդկային կողմից վերանայված): - Ռոբոտ-խորհրդատուները կառավարում են պարզ պորտֆելներ. Արհեստական ​​բանականությունը զրուցում է հաճախորդների հարցումների հետ: ( Գեներատիվ արհեստական ​​բանականությունը գալիս է ֆինանսներ ):	- Արհեստական ​​բանականության վերլուծաբանները բարձր ճշգրտությամբ մշակում են ներդրումային առաջարկություններ և ռիսկերի մասին հաշվետվություններ։ - Ինքնավար առևտուր և պորտֆելի վերահավասարակշռում սահմանված սահմաններում։ - Արհեստական ​​բանականությունը ավտոմատ կերպով հաստատում է ստանդարտ վարկերը/պահանջները. մարդիկ կարգավորում են բացառությունները։

Հղումներ՝

1. Փաթերսոն, Ֆիլանա։ Ավտոմատացված եկամուտների մասին պատմությունները բազմապատկվում են ։ Associated Press (2015) – Նկարագրում է AP-ի կողմից հազարավոր եկամուտների մասին հաշվետվությունների ավտոմատ ստեղծումը՝ առանց մարդկային գրողի ( Ավտոմատացված եկամուտների մասին պատմությունները բազմապատկվում են | Associated Press ):

2. McKinsey & Company: Արհեստական ​​բանականության վիճակը 2024 թվականի սկզբին. սերնդի արհեստական ​​բանականության կիրառումը կտրուկ աճում է և սկսում է արժեք ստեղծել : (2024) – Հաղորդվում է, որ կազմակերպությունների 65%-ը պարբերաբար օգտագործում է գեներատիվ արհեստական ​​բանականություն, ինչը գրեթե կրկնապատկվել է 2023 թվականի համեմատ ( Արհեստական ​​բանականության վիճակը 2024 թվականի սկզբին | McKinsey ) և քննարկվում են ռիսկերի մեղմացման ջանքերը ( Արհեստական ​​բանականության վիճակը. գլոբալ հարցում | McKinsey ):

3. Gartner. Beyond ChatGPT. Գեներատիվ արհեստական ​​բանականության ապագան ձեռնարկությունների համար ։ (2023) – Կանխատեսում է, որ մինչև 2030 թվականը բլոկբաստեր ֆիլմերի 90%-ը կարող է ստեղծվել արհեստական ​​բանականության կողմից ( Գեներատիվ արհեստական ​​բանականության օգտագործման դեպքեր արդյունաբերության և ձեռնարկությունների համար ) և ընդգծում է գեներատիվ արհեստական ​​բանականության օգտագործման դեպքերը, ինչպիսին է դեղերի նախագծումը ( Գեներատիվ արհեստական ​​բանականության օգտագործման դեպքեր արդյունաբերության և ձեռնարկությունների համար ):

4. Twipe: 12 եղանակ, թե ինչպես են լրագրողները օգտագործում արհեստական ​​բանականության գործիքները լրատվական սենյակում : (2024) – Օրինակ՝ «Կլարա» արհեստական ​​բանականությունը լրատվական կայքում գրում է հոդվածների 11%-ը, որտեղ մարդ խմբագիրները վերանայում են արհեստական ​​բանականության ողջ բովանդակությունը ( 12 եղանակ, թե ինչպես են լրագրողները օգտագործում արհեստական ​​բանականության գործիքները լրատվական սենյակում - Twipe ):

5. Amazon.com News. Amazon-ը բարելավում է հաճախորդների կարծիքների ստացման փորձը արհեստական ​​բանականության միջոցով ։ (2023) – Հայտարարում է արհեստական ​​բանականության կողմից ստեղծված կարծիքների ամփոփագրերի մասին ապրանքի էջերում՝ գնորդներին օգնելու համար ( Amazon-ը բարելավում է հաճախորդների կարծիքների ստացման փորձը արհեստական ​​բանականության միջոցով ):

6. Zendesk. 59 Արհեստական ​​բանականության հաճախորդների սպասարկման վիճակագրություն 2025 թվականի համար ։ (2023) – Ցույց է տալիս, որ հաճախորդների սպասարկման կազմակերպությունների ավելի քան երկու երրորդը կարծում է, որ գեներատիվ արհեստական ​​բանականությունը «ջերմություն» կավելացնի սպասարկմանը ( 59 Արհեստական ​​բանականության հաճախորդների սպասարկման վիճակագրություն 2025 թվականի համար ) և կանխատեսում է, որ արհեստական ​​բանականությունը, ի վերջո, կներառվի հաճախորդների հետ փոխազդեցությունների 100%-ում ( 59 Արհեստական ​​բանականության հաճախորդների սպասարկման վիճակագրություն 2025 թվականի համար ):

7. Futurum Research & SAS: Experience 2030: Հաճախորդների փորձի ապագան : (2019) – Հարցումը ցույց է տվել, որ ապրանքանիշերը ակնկալում են, որ հաճախորդների հետ փոխգործակցության ընթացքում որոշումների մոտ 69%-ը մինչև 2030 թվականը կկայացվեն խելացի մեքենաների կողմից ( CX-ին անցումը վերաիմաստավորելու համար մարքեթոլոգները պետք է անեն այս 2 բաները ):

8. Dataiku. Լոգիստիկայում գեներատիվ արհեստական ​​բանականության լավագույն կիրառման դեպքերը ։ (2023) – Նկարագրում է, թե ինչպես է գեներատիվ արհեստական ​​բանականությունը օպտիմալացնում բեռնումը (նվազեցնում է մոտ 30%-ով դատարկ բեռնատարի տարածքը) ( Լոգիստիկայում գեներատիվ արհեստական ​​բանականության լավագույն կիրառման դեպքերը ) և մատնանշում մատակարարման շղթայի ռիսկերը՝ սկանավորելով նորությունները։

9. Visual Studio ամսագիր։ GitHub Copilot-ը գլխավորում է արհեստական ​​ինտելեկտի կոդի օգնականների վերաբերյալ հետազոտական ​​զեկույցը ։ (2024) – Gartner-ի ռազմավարական պլանավորման ենթադրությունները. մինչև 2028 թվականը ձեռնարկությունների մշակողների 90%-ը կօգտագործի արհեստական ​​ինտելեկտի կոդի օգնականներ (2024 թվականի 14%-ի համեմատ) ( GitHub Copilot-ը գլխավորում է արհեստական ​​ինտելեկտի կոդի օգնականների վերաբերյալ հետազոտական ​​զեկույցը -- Visual Studio ամսագիր )։

10. Bloomberg News: Ներկայացնում ենք BloombergGPT-ն : (2023) – Մանրամասնորեն ներկայացնում է Bloomberg-ի 50B պարամետրով մոդելը, որը նախատեսված է ֆինանսական խնդիրների համար և ներկառուցված է Terminal-ում՝ հարց ու պատասխանի և վերլուծության աջակցության համար ( գեներատիվ արհեստական ​​բանականությունը գալիս է ֆինանսներ ):

Հոդվածներ, որոնք կարող են ձեզ դուր գալ կարդալ սրանից հետո.

🔗 Աշխատատեղեր, որոնք արհեստական ​​բանականությունը չի կարող փոխարինել, և ի՞նչ աշխատատեղեր կփոխարինի արհեստական ​​բանականությունը։
Զարգացող աշխատանքային միջավայրի գլոբալ հեռանկար՝ ուսումնասիրելով, թե որ դերերն են անվտանգ արհեստական ​​բանականության խափանումներից և որոնք են առավել ռիսկային։

🔗 Կարո՞ղ է արհեստական ​​բանականությունը կանխատեսել ֆոնդային շուկան։
Ֆոնդային շուկայի կանխատեսման համար արհեստական ​​բանականության օգտագործման հնարավորությունների, սահմանափակումների և էթիկական նկատառումների խորը ուսումնասիրություն։

🔗 Ինչպե՞ս կարող է գեներատիվ արհեստական ​​բանականությունը կիրառվել կիբերանվտանգության մեջ։
Իմացեք, թե ինչպես է գեներատիվ արհեստական ​​բանականությունը կիրառվում կիբերսպառնալիքներից պաշտպանվելու համար՝ անոմալիաների հայտնաբերումից մինչև սպառնալիքների մոդելավորում։