Nawet jeśli organizacje wdrożą potężniejsze modele LLM, raczej nie będą mogły przestać polegać na ludziach.
Duże modele językowe (large language model; LLM) są innowacją, która zmieniła paradygmat w nauce o danych. Rozszerzają możliwości modeli uczenia maszynowego (machine learning model; MLM) o możliwość generowania tekstu i obrazów w odpowiedzi na szeroki wachlarz promptów. Chociaż stworzenie takich narzędzi jest drogie i skomplikowane, stały się łatwo dostępne. Wielu użytkowników może z nich korzystać szybko i tanio, zlecając im niektóre zadania, które wcześniej mogli wykonywać jedynie ludzie.
W związku z tym pojawiają się obawy o to, że wiele zawodów – w szczególności te wymagające dużej wiedzy, które polegają na pracy z tekstem lub kodem – może zostać zastąpionych lub znacznie ograniczonych przez technologię. W rzeczywistości jednak efektywne wykorzystanie LLM‑ów w organizacjach jest znacznie bardziej skomplikowane, niż się powszechnie uważa, a technologie te jeszcze muszą udowodnić, że są w stanie w zadowalający sposób wykonywać te wszystkie zadania, które obecnie powierza się wysoko wykwalifikowanym pracownikom.
LLM‑y w organizacjach
Większość obszarów, w których potencjalnie można zastosować LLM‑y, dotyczy obróbki danych w dużej mierze specyficznych dla danej organizacji. Obejmuje to podsumowywanie treści i tworzenie raportów (co według jednej z ankiet stanowi 35% przypadków użycia) oraz wyodrębnianie informacji z dokumentów, na przykład takich jak pliki PDF zawierające dane finansowe, oraz tworzenie z nich tabel (33% przypadków użycia). Inne popularne i skuteczne zastosowania LLM‑ów obejmują generowanie obrazów za pomocą takich narzędzi jak Dall‑E 2 lub produkowanie syntetycznych danych do wykorzystania tam, gdzie trudno jest uzyskać prawdziwe, na przykład do szkolenia narzędzi rozpoznających głos, takich jak Alexa firmy Amazon.
W większości organizacji korzystanie z LLM‑ów wciąż znajduje się w fazie testów. Interakcje z klientami, zarządzanie wiedzą i inżynieria oprogramowania to trzy obszary szeroko zakrojonych eksperymentów, do których firmy wykorzystują generatywną sztuczną inteligencję. Na przykład Audi zatrudniło zewnętrznego dostawcę do zbudowania i wdrożenia spersonalizowanego chatbota opartego na LLM- -ie, który odpowiadałby na pytania pracowników dotyczące dostępnej dokumentacji, szczegółów dotyczących klientów i oceny ryzyka. Chatbot w czasie rzeczywistym pobiera odpowiednie informacje z różnych baz danych będących własnością firmy. Ma unikać udzielania odpowiedzi, jeśli dostępne dane okażą się niewystarczające. Firma wykorzystała narzędzia do inżynierii podpowiedzi opracowane przez Amazon Web Services do generowania rozszerzonego pobierania (Retrieval Augmented Generation; RAG), co jest podstawową procedurą dostosowywania, która wykorzystuje dane specyficzne dla organizacji bez konieczności wprowadzania zmian w podstawowym modelu bazowym.
W przeciwieństwie do konwencjonalnych narzędzi do automatyzacji, które zakładają stałe dane początkowe, określony proces i jeden poprawny wynik, dane wejściowe i wyjściowe narzędzi LLM mogą się różnić, a proces, w wyniku którego powstaje odpowiedź, jest „czarną skrzynką” (black box – w kontekście narzędzi LLM oznacza to, że chociaż możemy zobaczyć pytania – dane wejściowe – i odpowiedzi – dane wyjściowe – nie wiemy, jak te odpowiedzi są generowane przez model – przyp. red.). Menedżerowie nie mogą oceniać i kontrolować tych narzędzi w taki sam sposób jak konwencjonalne maszyny. Istnieją więc praktyczne pytania, na które należy odpowiedzieć przed użyciem narzędzi LLM w organizacji: „Kto będzie określał dane wejściowe?”, „Kto będzie oceniał jakość wyników?” oraz „Kto będzie miał do nich dostęp?”.
Przeczytaj artykuł i poznaj wyzwania związane z wprowadzaniem LLM‑ów w organizacji.
