Generative AI chatbots са само в началото на своето пътуване, но ние вече обмисляме какво следва.
Ключови изводи
- Успехът на ChatGPT предизвика широко разпространени инвестиции в изследвания и интеграция на AI, което доведе до безпрецедентни възможности и напредък в областта.
- Семантичното търсене с векторни бази данни революционизира алгоритмите за търсене чрез използване на вграждане на думи и семантика, за да осигури по-точни резултати в контекста.
- Разработването на AI агенти и мултиагентни стартиращи компании има за цел да постигне пълна автономия и да разреши настоящите ограничения чрез самооценка, корекция и сътрудничество между множество агенти.
Феноменалният успех на ChatGPT принуди всяка технологична компания да започне да инвестира в изследвания на AI и да разбере как да интегрира изкуствен интелект в своите продукти. Това е ситуация, различна от всичко, което някога сме виждали, но изкуственият интелект едва започва.
Но не става въпрос само за фантастични чат ботове с изкуствен интелект и генератори на текст към изображение. Има някои много спекулативни, но невероятно впечатляващи AI инструменти на хоризонта.
Семантично търсене с векторни бази данни
Семантичните заявки за търсене се тестват, за да предоставят по-добри резултати от търсенето на хората. Понастоящем търсачките използват ориентирани към ключовите думи алгоритми, за да предоставят подходяща информация на потребителите. Въпреки това, прекомерното разчитане на ключови думи създава няколко проблема, като ограничено разбиране на контекста, маркетолози, експлоатиращи SEO, и резултати от търсене с ниско качество поради трудност при изразяване на сложни заявки.
За разлика от традиционните алгоритми за търсене, семантичното търсене използва вграждане на думи и семантично картографиране, за да разбере контекста на заявка, преди да предостави резултати от търсенето. Така че, вместо да разчита на куп ключови думи, семантичното търсене предоставя резултати въз основа на семантиката или значението на дадена заявка.
Концепцията за семантично търсене съществува от доста време. Компаниите обаче срещат трудности при прилагането на такава функционалност поради това колко бавно и ресурсоемко може да бъде семантичното търсене.
Решението е да картографирате векторни вграждания и да ги съхранявате в голям векторна база данни. Това значително намалява изискванията за изчислителна мощност и ускорява резултатите от търсенето, като стеснява резултатите само до най-подходящата информация.
Големи технологични компании и стартиращи компании като Pinecone, Redis и Milvus в момента инвестират във векторни бази данни, за предоставят възможности за семантично търсене на системи за препоръки, търсачки, системи за управление на съдържание и чатботове.
Демократизиране на AI
Въпреки че не е непременно технически напредък, няколко големи технологични компании се интересуват от демократизиране на AI. За добро или за лошо, вече се обучават AI модели с отворен код и дадени по-разрешителни лицензи за организациите да използват и фино настройват.
Wall Street Journal съобщава че Meta купува AI ускорители Nvidia H100 и има за цел да разработи AI, който да се конкурира с последния GPT-4 модел на OpenAI.
Понастоящем няма публично достъпен LLM, който да съответства на суровата производителност на GPT-4. Но тъй като Meta обещава конкурентен продукт с по-разрешителен лиценз, компаниите най-накрая могат прецизирайте мощен LLM без риск от разкриване и използване на търговски тайни и чувствителни данни Срещу тях.
AI агенти и мултиагентни стартиращи компании
В момента се разработват няколко експериментални проекта за разработване на AI агенти, които изискват малко или никакви инструкции за постигане на определена цел. Може да си спомните понятията за AI агенти от Auto-GPT, AI инструментът, който автоматизира своите действия.
Идеята е агентът да постигне пълна автономия чрез постоянна самооценка и самокорекция. Работната концепция за постигане на саморефлексия и корекция е агентът непрекъснато да се подсказва всяка стъпка за начина какво действие трябва да се направи, стъпките за това как да го направите, какви грешки е допуснало и какво може да направи за подобрявам.
Проблемът е, че настоящите модели, използвани в AI агентите, имат малко семантично разбиране. Това кара агентите да халюцинират и да подсказват невярна информация, което ги кара да останат в безкраен цикъл на самооценка и корекция.
Проекти като MetaGPT Multi-agent Framework имат за цел да решат проблема чрез едновременно използване на няколко AI агента за намаляване на подобни халюцинации. Мултиагентните рамки са създадени, за да емулират начина, по който би работила стартираща компания. На всеки агент в това стартиране ще бъдат назначени позиции като ръководител на проекти, дизайнер на проекти, програмист и тестер. Чрез разделянето на сложните цели на по-малки задачи и делегирането им на различни агенти с изкуствен интелект е по-вероятно тези агенти да постигнат поставените цели.
Разбира се, тези рамки са все още в много ранна фаза на развитие и много проблеми все още трябва да бъдат решени. Но с по-мощни модели, по-добра AI инфраструктура и непрекъснати изследвания и разработки, е само въпрос на време преди ефективните AI агенти и мултиагентните AI компании да станат нещо.
Оформяне на нашето бъдеще с AI
Големи корпорации и стартиращи компании инвестират сериозно в изследванията и развитието на ИИ и неговите инфраструктури. Така че можем да очакваме бъдещето на генеративния AI да осигури по-добър достъп до полезна информация чрез семантично търсене, напълно автономни AI агенти и AI компании, както и свободно достъпни високопроизводителни модели за компании и физически лица, които да използват и фина настройка.
Макар и вълнуващо, също така е важно да отделим време, за да разгледаме етиката на ИИ, поверителността на потребителите и отговорното развитие на системите и инфраструктурите на ИИ. Нека си припомним, че еволюцията на генеративния AI не е само изграждане на по-интелигентни системи; става въпрос и за прекрояване на нашите мисли и за поемане на отговорност за начина, по който използваме технологиите.
