Peržengti pokalbių GPT ribas: kokia ateitis laukia generatyvaus AI ir pokalbių robotų?

Key Takeaways

• „ChatGPT“ sėkmė paskatino plačias investicijas į dirbtinio intelekto tyrimus ir integraciją, todėl atsirado precedento neturinčių galimybių ir pažangos šioje srityje.
• Semantinė paieška naudojant vektorines duomenų bazes iš esmės keičia paieškos algoritmus, naudodama žodžių įterpimą ir semantiką, kad būtų pateikti tikslesni konteksto rezultatai.
• Kuriant AI agentus ir kelių agentų startuolius siekiama pasiekti visišką savarankiškumą ir pašalinti esamus apribojimus atliekant savęs vertinimą, taisymą ir kelių agentų bendradarbiavimą.

„ChatGPT“ fenomenali sėkmė privertė kiekvieną technologijų bendrovę pradėti investuoti į AI tyrimus ir išsiaiškinti, kaip integruoti dirbtinį intelektą į savo produktus. Tai situacija, nepanaši į nieką, kokią mes kada nors matėme, tačiau dirbtinis intelektas tik prasideda.

Tačiau tai ne tik išgalvoti AI pokalbių robotai ir teksto į vaizdą generatoriai. Horizonte yra keletas labai spėliojamų, bet neįtikėtinai įspūdingų AI įrankių.

Semantinė paieška su vektorinėmis duomenų bazėmis

Semantinės paieškos užklausos yra išbandomos, kad žmonėms būtų pateikti geresni paieškos rezultatai. Šiuo metu paieškos sistemos naudoja į raktinius žodžius orientuotus algoritmus, kad vartotojams pateiktų aktualią informaciją. Tačiau dėl pernelyg didelio pasitikėjimo raktiniais žodžiais kyla keletas problemų, tokių kaip ribotas konteksto supratimas, rinkodaros specialistai, kurie naudojasi SEO, ir žemos kokybės paieškos rezultatai, nes sunku išreikšti sudėtingas užklausas.

Skirtingai nuo tradicinių paieškos algoritmų, semantinėje paieškoje naudojami žodžių įterpimai ir semantinis susiejimas, kad suprastų užklausos kontekstą prieš pateikiant paieškos rezultatus. Taigi, užuot pasikliaujant daugybe raktinių žodžių, semantinė paieška pateikia rezultatus, pagrįstus semantika arba nurodytos užklausos reikšme.

Semantinės paieškos sąvoka egzistuoja gana ilgą laiką. Tačiau įmonėms sunku įdiegti tokį funkcionalumą, nes semantinė paieška gali būti lėta ir reikalaujanti daug išteklių.

Sprendimas yra sudaryti vektorinius įterpimus ir saugoti juos dideliame formate vektorinė duomenų bazė. Tai labai sumažina skaičiavimo galios reikalavimus ir pagreitina paieškos rezultatus, nes rezultatai susiaurinami iki aktualiausios informacijos.

Didelės technologijų įmonės ir startuoliai, tokie kaip Pinecone, Redis ir Milvus, šiuo metu investuoja į vektorines duomenų bazes, kad teikti semantinės paieškos galimybes rekomendacijų sistemose, paieškos sistemose, turinio valdymo sistemose ir pokalbių robotai.

AI demokratizavimas

Nors tai nebūtinai techninė pažanga, kelios didelės technologijų įmonės yra suinteresuotos demokratizuoti AI. Gerai ar blogai, Dabar mokomi atvirojo kodo AI modeliai ir organizacijoms suteiktos leistinesnės licencijos naudoti ir koreguoti.

Apie tai praneša „Wall Street Journal“. kad Meta perka Nvidia H100 AI greitintuvus ir siekia sukurti DI, kuris konkuruotų su naujausiu OpenAI GPT-4 modeliu.

Šiuo metu nėra viešai pasiekiamo LLM, kuris atitiktų neapdorotą GPT-4 našumą. Tačiau „Meta“ žada konkurencingą produktą su leistinesne licencija, įmonės pagaliau gali sureguliuokite galingą LLM nerizikuodami, kad komercinės paslaptys ir jautrūs duomenys bus atskleisti ir naudojami prieš juos.

AI agentai ir kelių agentų startuoliai

Šiuo metu vykdomi keli eksperimentiniai projektai, skirti kurti AI agentus, kuriems norint pasiekti tam tikrą tikslą reikia mažai nurodymų arba visai nereikia jokių nurodymų. Galite prisiminti sąvokas AI agentai iš „Auto-GPT“., AI įrankis, automatizuojantis savo veiksmus.

Idėja yra ta, kad agentas įgytų visišką savarankiškumą nuolat vertindamas ir taisydamas save. Darbo koncepcija, skirta savirefleksijai ir korekcijai pasiekti, yra ta, kad agentas nuolat ragina save kiekviename žingsnyje apie tai, kokius veiksmus reikia atlikti, kaip tai padaryti, kokias klaidas padarė ir ką ji gali padaryti pagerinti.

Problema ta, kad dabartiniai AI agentuose naudojami modeliai turi menką semantinį supratimą. Dėl to agentai haliucinuoja ir pateikia klaidingą informaciją, todėl jie įstrigo begalinėje savęs vertinimo ir taisymo kilpoje.

Tokiais projektais kaip „MetaGPT Multi-agent Framework“ siekiama išspręsti problemą vienu metu naudojant kelis AI agentus, kad sumažintų tokias haliucinacijas. Kelių agentų sistemos yra sukurtos taip, kad imituotų pradedančiosios įmonės darbą. Kiekvienam šio paleidimo agentui bus priskirtos tokios pareigos kaip projektų vadovas, projektuotojas, programuotojas ir testuotojas. Suskaidydami sudėtingus tikslus į mažesnes užduotis ir deleguodami juos skirtingiems AI agentams, šie agentai labiau pasieks užsibrėžtus tikslus.

Žinoma, šios sistemos vis dar yra labai ankstyvos, todėl dar reikia išspręsti daugybę problemų. Tačiau naudojant galingesnius modelius, geresnę AI infrastruktūrą ir nuolatinius tyrimus bei plėtrą, tik laiko klausimas, kada veiksmingi AI agentai ir kelių agentų DI įmonės taps dalyku.

Kuriame savo ateitį su AI

Didelės korporacijos ir startuoliai daug investuoja į AI ir jo infrastruktūros tyrimus ir plėtrą. Taigi galime tikėtis, kad generatyvaus AI ateitis suteiks geresnę prieigą prie naudingos informacijos per semantinę paiešką autonominiai AI agentai ir dirbtinio intelekto įmonės bei laisvai prieinami didelio našumo modeliai, kuriuos įmonės ir asmenys gali naudoti ir Gera melodija.

Nors ir įdomu, taip pat svarbu skirti laiko pamąstyti apie AI etiką, vartotojų privatumą ir atsakingą AI sistemų ir infrastruktūros kūrimą. Prisiminkime, kad generatyvaus AI evoliucija nėra vien tik išmanesnių sistemų kūrimas; tai taip pat yra mūsų minčių pertvarkymas ir atsakingumas už tai, kaip naudojame technologijas.