Trong ngày 11-12 tháng 7 tại San Francisco, sự kiện Chuyển đổi 2023 đã diễn ra với sự tham gia của các giám đốc điều hành hàng đầu. Chủ đề của sự kiện là việc tối ưu hóa các khoản đầu tư vào AI để đạt được thành công và tránh các cạm bẫy phổ biến. Trong năm 2022, AI tổng hợp đang chiếm được sự quan tâm của công chúng với việc phát hành một số ứng dụng như Dall-E2 và GPT-3. Tuy nhiên, chỉ có AI tổng quát hoàn thiện mới có thể thực hiện được lời hứa của cuộc cách mạng AI, đồng thời mang lại sự tiến bộ đáng kể trong nhiều lĩnh vực như ô tô tự lái, người máy phục vụ, chăm sóc sức khỏe cá nhân hóa và nhiều cải tiến khác.
Generative AI là bước tiến vượt bậc trong trí tuệ nhân tạo, những mô hình này được thiết kế để thực hiện các nhiệm vụ khác nhau, từ dự đoán đến sinh sản. Các nhà khoa học đã phát triển các mô hình không giám sát, đào tạo lượng dữ liệu khổng lồ từ internet để tạo ra các đầu ra mới và phát triển nhanh chóng các mô hình tổng quát. Tuy nhiên, để áp dụng các mô hình này vào các trường hợp sử dụng thực tế, chúng cần phải đạt được tiêu chuẩn hiệu suất cao và đảm bảo an toàn cho cuộc sống của con người.
Mặt khác, sự lặp lại của AI tổng quát hiện tại vẫn yêu cầu sự giám sát của con người trong hầu hết các trường hợp sử dụng, và chưa có áp dụng cho các trường hợp sử dụng có mức độ rủi ro cao. Vì vậy, các nhà đầu tư vẫn cần hoàn thiện các mô hình dự đoán cho AI tổng quát để thực hiện cuộc cách mạng AI và đạt được tiến bộ đáng kể trong nhiều lĩnh vực.
#su_kien_ngay_hom_nay #AI #tong_quat #dau_tu #kinh_te #trien_khai #mo_rong #dieu_khien #an_toan #huong_dan #san_xuat #nang_cao_kha_nang_cua_AI #Moi_Trường_Sống #tien_bo_cong_nghe #Trí_tuệ_nhân_tạo
Tham gia cùng các giám đốc điều hành hàng đầu tại San Francisco vào ngày 11-12 tháng 7, để nghe cách các nhà lãnh đạo đang tích hợp và tối ưu hóa các khoản đầu tư AI để thành công. Tìm hiểu thêm
Trong suốt năm 2022, AI tổng hợp chiếm được trí tưởng tượng của công chúng.
Với việc phát hành Khuếch tán ổn định, Dall-E2Và Trò chuyệnGPT-3mọi người có thể trực tiếp tương tác với AI, kinh ngạc khi xem các hệ thống dường như thông minh tạo ra tác phẩm nghệ thuật, sáng tác các bài hát, viết thơ và viết các bài luận đại học khá.
Chỉ vài tháng sau, một số nhà đầu tư đã bắt đầu thu hẹp phạm vi tập trung của họ. Họ chỉ quan tâm đến các công ty xây dựng AI tổng quát, loại những người làm việc trên các mô hình dự đoán xuống lĩnh vực AI “trường học cũ”.
Tuy nhiên, một mình AI tổng hợp sẽ không thực hiện được lời hứa của cuộc cách mạng AI. Tương lai khoa học viễn tưởng mà nhiều người dự đoán đi kèm với việc áp dụng rộng rãi AI phụ thuộc vào sự thành công của các mô hình dự đoán. Ô tô tự lái, người máy phục vụ, chăm sóc sức khỏe cá nhân hóa và nhiều cải tiến khác xoay quanh việc hoàn thiện AI “trường học cũ”.
Sự kiện
Chuyển đổi 2023
Hãy tham gia cùng chúng tôi tại San Francisco vào ngày 11-12 tháng 7, nơi các giám đốc điều hành hàng đầu sẽ chia sẻ cách họ đã tích hợp và tối ưu hóa các khoản đầu tư vào AI để đạt được thành công và tránh những cạm bẫy phổ biến.
Đăng ký ngay
Generative AI là bước tiến vượt bậc?
Trí tuệ nhân tạo dự đoán và sinh sản được thiết kế để thực hiện các nhiệm vụ khác nhau.
Các mô hình dự đoán suy ra thông tin về các điểm dữ liệu khác nhau để chúng có thể đưa ra quyết định. Đây là hình ảnh của một con chó hay một con mèo? Khối u này lành tính hay ác tính? Một người giám sát quá trình đào tạo của mô hình, cho biết kết quả đầu ra của nó có chính xác hay không. Dựa trên dữ liệu đào tạo mà nó gặp phải, mô hình học cách phản ứng với các tình huống khác nhau theo những cách khác nhau.
Các mô hình tổng quát tạo ra các điểm dữ liệu mới dựa trên những gì chúng học được từ dữ liệu huấn luyện của chúng. Các mô hình này thường đào tạo theo cách không giám sát, phân tích dữ liệu mà không cần đầu vào của con người và rút ra kết luận của riêng họ.
Trong nhiều năm, các mô hình thế hệ có nhiều nhiệm vụ khó khăn hơn, chẳng hạn như cố gắng học cách tạo ra hình ảnh chân thực hoặc tạo thông tin dạng văn bản để trả lời chính xác các câu hỏi và tiến độ diễn ra chậm chạp.
Sau đó, sự gia tăng về tính khả dụng của các nhóm máy học (ML) hỗ trợ sức mạnh điện toán để xây dựng các mô hình nền tảng: Các mô hình không giám sát khổng lồ đào tạo lượng dữ liệu khổng lồ (đôi khi là tất cả dữ liệu có sẵn trên internet). Trong vài năm qua, các kỹ sư ML đã hiệu chỉnh các mô hình nền tảng tổng quát này — cung cấp cho chúng các tập hợp con dữ liệu được chú thích để nhắm mục tiêu đầu ra cho các mục tiêu cụ thể — để chúng có thể được sử dụng cho các ứng dụng thực tế.
Tinh chỉnh AI
ChatGPT-3 là một ví dụ điển hình. Đó là một phiên bản của Chat GPT, một mô hình nền tảng được đào tạo dựa trên lượng lớn dữ liệu chưa được gắn nhãn. Để tạo ChatGPT, mởAI đã thuê 6.000 người chú thích để gắn nhãn cho một tập hợp con dữ liệu thích hợp và sau đó, các kỹ sư ML của họ đã sử dụng dữ liệu đó để tinh chỉnh mô hình nhằm dạy mô hình tạo thông tin cụ thể.
Với các loại phương pháp tinh chỉnh này, các mô hình tổng quát đã bắt đầu tạo ra các đầu ra mà trước đây chúng không có khả năng, và kết quả là sự phát triển nhanh chóng của các mô hình tổng quát chức năng. Sự mở rộng đột ngột này khiến có vẻ như AI tổng quát đã vượt qua hiệu suất của các hệ thống AI dự đoán hiện có.
Tuy nhiên, vẻ bề ngoài có thể đánh lừa.
Các trường hợp sử dụng trong thế giới thực cho AI dự đoán và tổng quát
Khi nói đến các trường hợp sử dụng trong thế giới thực hiện tại cho các mô hình này, mọi người sử dụng AI tổng quát và dự đoán theo những cách rất khác nhau.
AI dự đoán phần lớn được sử dụng để giải phóng thời gian của mọi người bằng cách tự động hóa các quy trình của con người để thực hiện ở mức độ chính xác rất cao và ít có sự giám sát của con người.
Ngược lại, sự lặp lại hiện tại của AI tổng quát chủ yếu được sử dụng để tăng thêm thay vì thay thế khối lượng công việc của con người. Hầu hết các trường hợp sử dụng hiện tại cho AI tổng quát vẫn yêu cầu sự giám sát của con người. Chẳng hạn, những mô hình này đã được sử dụng để soạn thảo tài liệu và viết mã đồng tác giả, nhưng con người vẫn đang “trong vòng lặp”, xem xét và chỉnh sửa kết quả đầu ra.
Hiện tại, các mô hình tổng quát vẫn chưa được áp dụng cho các trường hợp sử dụng có mức độ rủi ro cao, vì vậy sẽ không có vấn đề gì nhiều nếu chúng có tỷ lệ lỗi lớn. Các ứng dụng hiện tại của họ, chẳng hạn như sáng tạo nghệ thuật hoặc viết luận, không mang nhiều rủi ro. Nếu một mô hình thế hệ tạo ra hình ảnh một người phụ nữ có đôi mắt quá xanh so với thực tế, thì điều gì thực sự gây hại?
Dự đoán AI có tác động trong thế giới thực
Mặt khác, nhiều trường hợp sử dụng cho AI dự đoán thực sự mang đến những rủi ro có thể tác động rất thực đến cuộc sống của con người. Do đó, các mẫu này phải đạt được tiêu chuẩn hiệu suất cao trước khi chúng được tung ra thị trường. Trong khi một nhà tiếp thị có thể sử dụng mô hình tổng quát để phác thảo một bài đăng trên blog tốt bằng 80% so với bài đăng mà họ tự viết, thì không bệnh viện nào sử dụng hệ thống chẩn đoán y tế chỉ dự đoán với độ chính xác 80%.
Trong khi trên bề mặt, có vẻ như mô hình thế hệ đã có một bước tiến vượt bậc về mặt hiệu suất khi so sánh với các đối tác dự đoán của chúng, tất cả đều bình đẳng, hầu hết các mô hình dự đoán thực sự được yêu cầu thực hiện ở mức độ chính xác cao hơn do các trường hợp sử dụng của chúng yêu cầu điều đó.
Ngay cả các mô hình AI dự đoán có rủi ro thấp hơn, chẳng hạn như lọc email, cũng cần đáp ứng các ngưỡng hiệu suất cao. Nếu một email rác lọt vào hộp thư đến của người dùng, đó không phải là ngày tận thế, nhưng nếu một email quan trọng được lọc thẳng vào thư rác, thì hậu quả có thể rất nghiêm trọng.
Khả năng mà AI tổng hợp hiện có thể thực hiện còn cách xa ngưỡng cần thiết để tạo bước nhảy vọt vào sản xuất cho các ứng dụng có rủi ro cao. Việc sử dụng một mô hình chuyển văn bản thành hình ảnh tổng quát với tỷ lệ lỗi có thể xảy ra để tạo ra tác phẩm nghệ thuật có thể đã khiến công chúng say mê, nhưng không có công ty xuất bản y tế nào sử dụng cùng một mô hình đó để tạo ra hình ảnh của các khối u lành tính và ác tính để dạy cho sinh viên y khoa. Các cổ phần chỉ đơn giản là quá cao.
Giá trị kinh doanh của AI
Mặc dù AI dự đoán gần đây có thể đã bị tụt hậu về mức độ phủ sóng của các phương tiện truyền thông, nhưng trong thời gian gần đến trung hạn, những hệ thống này vẫn có khả năng mang lại giá trị lớn nhất cho doanh nghiệp và xã hội.
Mặc dù trí tuệ nhân tạo tạo dữ liệu mới của thế giới, nó ít hữu ích hơn để giải quyết các vấn đề trên dữ liệu hiện có. Hầu hết các vấn đề khẩn cấp quy mô lớn mà con người cần giải quyết đều yêu cầu phải suy luận và đưa ra quyết định dựa trên dữ liệu trong thế giới thực.
Các hệ thống AI dự đoán đã có thể đọc tài liệu, kiểm soát nhiệt độ, phân tích các kiểu thời tiết, đánh giá hình ảnh y tế, đánh giá thiệt hại tài sản, v.v. Họ có thể tạo ra giá trị kinh doanh to lớn bằng cách tự động hóa một lượng lớn dữ liệu và xử lý tài liệu. Ví dụ, các tổ chức tài chính sử dụng AI dự đoán để xem xét và phân loại hàng triệu giao dịch mỗi ngày, tiết kiệm thời gian cho nhân viên và các nhiệm vụ sử dụng nhiều lao động.
Tuy nhiên, nhiều ứng dụng trong thế giới thực dành cho AI dự đoán có khả năng biến đổi cuộc sống hàng ngày của chúng ta phụ thuộc vào việc hoàn thiện các mô hình hiện có để chúng đạt được tiêu chuẩn hiệu suất cần thiết để đưa vào sản xuất. Thu hẹp khoảng cách về hiệu suất sản xuất nguyên mẫu là phần thách thức nhất trong quá trình phát triển mô hình, nhưng nó rất cần thiết nếu các hệ thống AI muốn phát huy hết tiềm năng của chúng.
Tương lai của AI sinh sản và dự đoán
Vì vậy, AI tổng hợp đã được phóng đại quá mức?
Không chính xác. Có các mô hình thế hệ mới có khả năng mang lại giá trị là một sự phát triển thú vị. Lần đầu tiên, mọi người có thể tương tác với các hệ thống AI không chỉ tự động hóa mà còn tạo ra — một hoạt động mà trước đây chỉ con người mới có khả năng.
Tuy nhiên, các chỉ số hiệu suất hiện tại cho AI tổng quát không được xác định rõ ràng như các chỉ số dành cho AI dự đoán và việc đo lường độ chính xác của một mô hình tổng quát là rất khó. Nếu một ngày nào đó công nghệ này sẽ được sử dụng cho các ứng dụng thực tế — chẳng hạn như viết sách giáo khoa — thì cuối cùng nó sẽ cần phải có các yêu cầu về hiệu suất tương tự như yêu cầu của các mô hình tổng quát. Tương tự như vậy, AI dự đoán và AI tổng quát cuối cùng sẽ hợp nhất.
Bắt chước trí thông minh và hiệu suất của con người đòi hỏi phải có một hệ thống vừa dự đoán vừa tạo ra, và hệ thống đó sẽ cần thực hiện cả hai chức năng này ở mức độ chính xác cao.
Tuy nhiên, trong thời gian chờ đợi, nếu chúng ta thực sự muốn đẩy nhanh cuộc cách mạng AI, chúng ta không nên từ bỏ “AI kiểu cũ” để chạy theo người anh em hào nhoáng hơn của nó. Thay vào đó, chúng ta cần tập trung vào việc hoàn thiện các hệ thống AI dự đoán và dồn nguồn lực để đóng khoảng cách sản xuất nguyên mẫu cho các mô hình dự đoán.
Nếu không, mười năm nữa, chúng ta có thể tạo ra một bản giao hưởng từ các mô hình văn bản thành âm thanh, nhưng chúng ta vẫn sẽ tự điều khiển chính mình.
Ulrik Stig Hansen là người sáng lập và chủ tịch của mã hóa.
Dữ liệuNgười ra quyết định
Chào mừng bạn đến với cộng đồng VentureBeat!
DataDecisionMakers là nơi các chuyên gia, bao gồm cả những người kỹ thuật làm công việc dữ liệu, có thể chia sẻ những hiểu biết và đổi mới liên quan đến dữ liệu.
Nếu bạn muốn đọc về các ý tưởng tiên tiến và thông tin cập nhật, các phương pháp hay nhất cũng như tương lai của dữ liệu và công nghệ dữ liệu, hãy tham gia cùng chúng tôi tại DataDecisionMakers.
Bạn thậm chí có thể xem xét đóng góp một bài viết của riêng bạn!
Đọc thêm từ DataDecisionMakers
