ChatGPT može dati odgovore na sva vaša pitanja

Generativna veštačka inteligencija (AI) opisuje algoritme (kao što je ChatGPT) koji se mogu koristiti za kreiranje novog sadržaja, uključujući audio, kod, slike, tekst, simulacije i video zapise. Nedavna nova otkrića u ovoj oblasti imaju potencijal da drastično promene način na koji pristupamo kreiranju sadržaja.

Generativni AI sistemi spadaju u široku kategoriju mašinskog učenja, a evo kako jedan takav sistem – ChatGPT – opisuje šta može da uradi:

Spremni da svoju kreativnost podignete na viši nivo? Ne tražite dalje od generativne AI! Ovaj sjajni oblik mašinskog učenja omogućava računarima da generišu sve vrste novih i uzbudljivih sadržaja, od muzike i umetnosti do čitavih virtuelnih svetova. I to nije samo za zabavu – generativna AI takođe ima mnogo praktičnih upotreba, kao što je kreiranje novih dizajna proizvoda i optimizacija poslovnih procesa. Pa zašto čekati? Oslobodite moć generativne veštačke inteligencije i vidite kakve neverovatne kreacije možete smisliti!

Da li vam se nešto u tom paragrafu činilo netačnim? Možda ne. Gramatika je savršena, ton funkcioniše, a narativ teče.

Šta su ChatGPT i DALL-E?

ChatGPT – GPT je skraćenica za generativni unapred obučeni transformator – trenutno dobija toliko pažnje. To je besplatan chatbot koji može da generiše odgovor na skoro svako pitanje koje mu se postavi. Razvijen od strane OpenAI i pušten za testiranje široj javnosti u novembru 2022. godine, već se smatra najboljim AI chatbotom ikada. I takođe je popularan: preko milion ljudi se prijavilo da ga koristi za samo pet dana. Idealisti su objavili primere čet-bota koji proizvodi kompjuterski kod, eseje na nivou fakulteta, pesme, pa čak i napola pristojne šale. Drugi, među širokim spektrom ljudi koji zarađuju za život kreiranjem sadržaja, od reklamnih tekstopisaca do redovnih profesora, drhte se do kraja.

Dok su mnogi reagovali na ChatGPT (i AI i mašinsko učenje šire) sa strahom, mašinsko učenje očigledno ima potencijal za dobro. U godinama od svoje široke primene, mašinsko učenje je pokazalo uticaj u brojnim industrijama, postižući stvari poput analize medicinskih slika i vremenske prognoze visoke rezolucije. Istraživanje McKinsey-a iz 2022. pokazuje da se usvajanje AI više nego udvostručilo u proteklih pet godina, a ulaganja u AI se ubrzano povećavaju. Jasno je da generativni AI alati kao što su ChatGPT i DALL-E (alat za umetnost generisanu veštačkom inteligencijom) imaju potencijal da promene način na koji se obavlja niz poslova. Puni obim tog uticaja je, međutim, još uvek nepoznat – kao i rizici. Ali postoje neka pitanja na koja možemo da odgovorimo – poput toga kako se grade generativni modeli veštačke inteligencije, koje vrste problema su najprikladniji za rešavanje i kako se uklapaju u širu kategoriju mašinskog učenja.

Koja je razlika između mašinskog učenja i veštačke inteligencije?

Veštačka inteligencija (AI) je prilično ono što zvuči – praksa da se mašine nateraju da oponašaju ljudsku inteligenciju za obavljanje zadataka. Verovatno ste imali interakciju sa veštačkom inteligencijom čak i ako to niste svesni – glasovni asistenti kao što su Siri i Alexa su zasnovani na AI tehnologiji, kao i čet-botovi za korisničku podršku koji se pojavljuju kako bi vam pomogli da se krećete po veb lokacijama.

Mašinsko učenje (ML)  je vrsta veštačke inteligencije. Kroz mašinsko učenje, praktičari razvijaju veštačku inteligenciju kroz modele koji mogu da „uče“ iz obrazaca podataka bez ljudskih pravaca. Neupravljivo ogroman obim i složenost podataka (u svakom slučaju kojima ljudi ne mogu upravljati) koji se sada generišu povećali su potencijal mašinskog učenja, kao i potrebu za njim.

Koji su glavni tipovi modela mašinskog učenja?

Mašinsko učenje je zasnovano na nizu građevinskih blokova, počevši od klasičnih statističkih tehnika razvijenih između 18. i 20. veka za male skupove podataka. Tokom 1930-ih i 1940-ih, pioniri računarstva — uključujući teoretskog matematičara Alana Turinga — počeli su da rade na osnovnim tehnikama za mašinsko učenje. Ali ove tehnike su bile ograničene na laboratorije sve do kasnih 1970-ih, kada su naučnici prvi razvili dovoljno moćne računare da ih montiraju.

Do nedavno, mašinsko učenje je bilo uglavnom ograničeno na prediktivne modele, korišćene za posmatranje i klasifikaciju obrazaca u sadržaju. Na primer, klasičan problem mašinskog učenja je da počnete sa slikom ili nekoliko slika, recimo, divnih mačaka. Program bi zatim identifikovao obrasce među slikama, a zatim bi ispitao nasumične slike za one koje bi odgovarale uzorku divne mačke. Generativna AI je bila proboj. Umesto da jednostavno percipira i klasifikuje fotografiju mačke, mašinsko učenje sada može da kreira sliku ili tekstualni opis mačke na zahtev.

Ne može se dovoljno naglasiti da je ovo nova oblast. Pejzaž rizika i mogućnosti će se verovatno brzo promeniti u narednim nedeljama, mesecima i godinama. Novi slučajevi upotrebe se testiraju mesečno, a novi modeli će verovatno biti razvijeni u narednim godinama. Kako generativna AI postaje sve više i neprimetno uključena u posao, društvo i naše lične živote, takođe možemo očekivati da će se oblikovati nova regulatorna klima. Kako organizacije počnu da eksperimentišu — i stvaraju vrednost — sa ovim alatima, liderima će biti dobro da drže prst na pulsu regulative i rizika.