W ciągu ostatnich kilku lat treści online przeszły gwałtowną przemianę, a głównym „winowajcą” jest sztuczna inteligencja (AI). Jej obecność widać w wiadomościach, edycji zdjęć, produkcji wideo i wielu innych obszarach. Jednak podczas gdy internet przyjmuje tę nową technologię, niektórzy puryści odrzucają ją całkowicie. Konto na Instagramie „Things A.I. Could Never Recreate” jest jednym z takich projektów. Ten zabawny projekt w mediach społecznościowych pokazuje wyjątkowe ujęcia, które oddają, jak to jest być człowiekiem. Niezależnie od tego, czy mówimy o przypadkowych sytuacjach raz w życiu, pechowych wpadkach czy zwykłej ironii — wszystko to tu znajdziesz.
#1
#2
Podobnie jak wiele nowych technologii, generatywna AI ma rzekomo podążać ścieżką znaną jako cykl hype’u Gartnera.
Ten powszechnie stosowany model opisuje proces, w którym początkowy sukces technologii prowadzi do przesadzonych oczekiwań społecznych, które ostatecznie nie są spełnione.
Po wczesnym „szczycie wygórowanych oczekiwań” następuje „dolina rozczarowania”, potem „wzniesienie oświecenia”, a w końcu „plateau produktywności”.
#3
#4
#5
W raporcie Gartnera opublikowanym w czerwcu większość technologii generatywnej AI została sklasyfikowana jako będąca albo na szczycie wygórowanych oczekiwań, albo wciąż zmierzająca w tym kierunku.
Dokument sugerował, że większość tych technologii będzie od dwóch do pięciu lat od osiągnięcia pełnej produktywności.
Opracowano wiele przekonujących prototypów produktów bazujących na generatywnej AI, ale ich zastosowanie w praktyce okazało się mniej udane.
Badanie opublikowane w zeszłym miesiącu przez amerykański think tank RAND sugerowało, że 80% projektów AI kończy się niepowodzeniem, co jest ponad dwukrotnie wyższym wskaźnikiem niż dla projektów bez AI.
#6
Reklama
#7
#8
#9
„Raport RAND wymienia wiele trudności związanych z generatywną AI, począwszy od wysokich wymagań inwestycyjnych w dane i infrastrukturę AI, aż po brak niezbędnych talentów ludzkich. Jednak niezwykły charakter ograniczeń GenAI stanowi kluczowe wyzwanie” — powiedział dr Vitomir Kovanovic, adiunkt w University of South Australia w dziale Education Futures oraz zastępca dyrektora Centrum Change and Complexity in Learning (C3L), ośrodka badawczego badającego współzależność między ludzką a sztuczną kognicją.
„Na przykład systemy generatywnej AI potrafią rozwiązywać bardzo złożone testy rekrutacyjne na uniwersytet, a jednocześnie zawodzić przy bardzo prostych zadaniach. To sprawia, że trudno ocenić potencjał tych technologii, co prowadzi do fałszywej pewności siebie.”
#10
#11
#12
#13
Rzeczywiście, niedawne badanie pokazało, że możliwości dużych modeli językowych, takich jak GPT-4, nie zawsze odpowiadają oczekiwaniom ludzi. W rzeczywistości nawet zaawansowane modele znacząco zawodziły w przypadkach o wysokich stawkach, gdzie błędne odpowiedzi mogłyby być katastrofalne.
Te odkrycia sugerują, że modele te mogą wzbudzać u użytkowników fałszywe poczucie pewności. „Ponieważ odpowiadają płynnie na pytania, ludzie mogą wyciągać przesadnie optymistyczne wnioski o ich możliwościach i stosować je w sytuacjach, do których nie są przystosowane” — wyjaśnił Kovanovic.
„Doświadczenia z udanych projektów pokazują, że trudno jest sprawić, by model generatywny wykonywał polecenia. Na przykład system korepetycji Khanmigo od Khan Academy często ujawniał poprawne odpowiedzi na pytania, mimo instrukcji, by tego nie robić.”
#14
#15
W końcu, co dalej? Kovanovic uważa, że w miarę jak fala entuzjazmu wobec AI zacznie opadać i przejdziemy przez okres rozczarowania, powinniśmy obserwować bardziej realistyczne strategie wdrażania AI.
Na przykład niedawne badanie wśród amerykańskich firm wykazało, że wykorzystują one AI głównie do poprawy wydajności (49%), redukcji kosztów pracy (47%) oraz podniesienia jakości produktów (58%). Istnieje więc duże prawdopodobieństwo, że będziemy świadkami bardziej ugruntowanej integracji AI w różnych gałęziach przemysłu.
#16
#17
Dodatkowo obserwujemy wzrost mniejszych (i tańszych) modeli generatywnej AI, trenowanych na specyficznych danych i wdrażanych lokalnie w celu obniżenia kosztów i optymalizacji wydajności.
Nawet OpenAI, które prowadzi wyścig dużych modeli, udostępniło wersję GPT-4o Mini, aby zmniejszyć koszty i poprawić wydajność.
#18
#19
#20
#21
Po drugie, również rośnie znaczenie mniejszych modeli generatywnych trenowanych na konkretnych zbiorach danych i wdrażanych lokalnie w celu obniżenia kosztów i zwiększenia efektywności.
#22
#23
#24
#25
I wreszcie, silnie rośnie nacisk na prowadzenie szkoleń z zakresu alfabetyzacji AI oraz edukowanie pracowników, jak działa AI, jakie ma możliwości i ograniczenia oraz jakie są najlepsze praktyki etycznego użycia AI. Kovanovic uważa, że przez lata będziemy musieli uczyć się (i uczyć ponownie), jak korzystać z różnych technologii AI.
W rezultacie rewolucja AI może wyglądać bardziej jak ewolucja, a jak sugeruje konto na Instagramie, są rzeczy, których prawdopodobnie nigdy nie uda się jej odtworzyć.
#26
#27
#28
#29
#30
#31
#32
#33
#34
#35
#36
Reklama
W ciągu ostatnich kilku lat treści online przeszły gwałtowną przemianę, a głównym „winowajcą” jest sztuczna inteligencja (AI). Jej obecność widać w wiadomościach, edycji zdjęć, produkcji wideo i wielu innych obszarach. Jednak podczas gdy internet przyjmuje tę nową technologię, niektórzy puryści odrzucają ją całkowicie. Konto na Instagramie „Things A.I. Could Never Recreate” jest jednym z takich projektów. Ten zabawny projekt w mediach społecznościowych pokazuje wyjątkowe ujęcia, które oddają, jak to jest być człowiekiem. Niezależnie od tego, czy mówimy o przypadkowych sytuacjach raz w życiu, pechowych wpadkach czy zwykłej ironii — wszystko to tu znajdziesz.
#1
#2
Podobnie jak wiele nowych technologii, generatywna AI ma rzekomo podążać ścieżką znaną jako cykl hype’u Gartnera.
Ten powszechnie stosowany model opisuje proces, w którym początkowy sukces technologii prowadzi do przesadzonych oczekiwań społecznych, które ostatecznie nie są spełnione.
Po wczesnym „szczycie wygórowanych oczekiwań” następuje „dolina rozczarowania”, potem „wzniesienie oświecenia”, a w końcu „plateau produktywności”.
#3
#4
#5
W raporcie Gartnera opublikowanym w czerwcu większość technologii generatywnej AI została sklasyfikowana jako będąca albo na szczycie wygórowanych oczekiwań, albo wciąż zmierzająca w tym kierunku.
Dokument sugerował, że większość tych technologii będzie od dwóch do pięciu lat od osiągnięcia pełnej produktywności.
Opracowano wiele przekonujących prototypów produktów bazujących na generatywnej AI, ale ich zastosowanie w praktyce okazało się mniej udane.
Badanie opublikowane w zeszłym miesiącu przez amerykański think tank RAND sugerowało, że 80% projektów AI kończy się niepowodzeniem, co jest ponad dwukrotnie wyższym wskaźnikiem niż dla projektów bez AI.
#6
#7
#8
#9
„Raport RAND wymienia wiele trudności związanych z generatywną AI, począwszy od wysokich wymagań inwestycyjnych w dane i infrastrukturę AI, aż po brak niezbędnych talentów ludzkich. Jednak niezwykły charakter ograniczeń GenAI stanowi kluczowe wyzwanie” — powiedział dr Vitomir Kovanovic, adiunkt w University of South Australia w dziale Education Futures oraz zastępca dyrektora Centrum Change and Complexity in Learning (C3L), ośrodka badawczego badającego współzależność między ludzką a sztuczną kognicją.
„Na przykład systemy generatywnej AI potrafią rozwiązywać bardzo złożone testy rekrutacyjne na uniwersytet, a jednocześnie zawodzić przy bardzo prostych zadaniach. To sprawia, że trudno ocenić potencjał tych technologii, co prowadzi do fałszywej pewności siebie.”
#10
#11
#12
#13
Rzeczywiście, niedawne badanie pokazało, że możliwości dużych modeli językowych, takich jak GPT-4, nie zawsze odpowiadają oczekiwaniom ludzi. W rzeczywistości nawet zaawansowane modele znacząco zawodziły w przypadkach o wysokich stawkach, gdzie błędne odpowiedzi mogłyby być katastrofalne.
Te odkrycia sugerują, że modele te mogą wzbudzać u użytkowników fałszywe poczucie pewności. „Ponieważ odpowiadają płynnie na pytania, ludzie mogą wyciągać przesadnie optymistyczne wnioski o ich możliwościach i stosować je w sytuacjach, do których nie są przystosowane” — wyjaśnił Kovanovic.
„Doświadczenia z udanych projektów pokazują, że trudno jest sprawić, by model generatywny wykonywał polecenia. Na przykład system korepetycji Khanmigo od Khan Academy często ujawniał poprawne odpowiedzi na pytania, mimo instrukcji, by tego nie robić.”
#14
#15
W końcu, co dalej? Kovanovic uważa, że w miarę jak fala entuzjazmu wobec AI zacznie opadać i przejdziemy przez okres rozczarowania, powinniśmy obserwować bardziej realistyczne strategie wdrażania AI.
Na przykład niedawne badanie wśród amerykańskich firm wykazało, że wykorzystują one AI głównie do poprawy wydajności (49%), redukcji kosztów pracy (47%) oraz podniesienia jakości produktów (58%). Istnieje więc duże prawdopodobieństwo, że będziemy świadkami bardziej ugruntowanej integracji AI w różnych gałęziach przemysłu.
#16
#17
Dodatkowo obserwujemy wzrost mniejszych (i tańszych) modeli generatywnej AI, trenowanych na specyficznych danych i wdrażanych lokalnie w celu obniżenia kosztów i optymalizacji wydajności.
Nawet OpenAI, które prowadzi wyścig dużych modeli, udostępniło wersję GPT-4o Mini, aby zmniejszyć koszty i poprawić wydajność.
#18
#19
#20
#21
Po drugie, również rośnie znaczenie mniejszych modeli generatywnych trenowanych na konkretnych zbiorach danych i wdrażanych lokalnie w celu obniżenia kosztów i zwiększenia efektywności.
#22
#23
#24
#25
I wreszcie, silnie rośnie nacisk na prowadzenie szkoleń z zakresu alfabetyzacji AI oraz edukowanie pracowników, jak działa AI, jakie ma możliwości i ograniczenia oraz jakie są najlepsze praktyki etycznego użycia AI. Kovanovic uważa, że przez lata będziemy musieli uczyć się (i uczyć ponownie), jak korzystać z różnych technologii AI.
W rezultacie rewolucja AI może wyglądać bardziej jak ewolucja, a jak sugeruje konto na Instagramie, są rzeczy, których prawdopodobnie nigdy nie uda się jej odtworzyć.
#26
#27
#28
#29
#30
#31
#32
#33
#34
#35
#36
Polub nas →
