- Reakció - AI Trends - 6 min olvasni
Mi történt
A oldalon. Andrej Karpathy - a Tesla korábbi mesterséges intelligencia igazgatója és az OpenAI társalapítója - publikálta a következő cikket autoresearch a GitHubon, egy nyílt forráskódú keretrendszer, amely lehetővé teszi, hogy az AI-ügynökök autonóm módon, egyik napról a másikra gépi tanulási kísérleteket futtassanak egyetlen GPU-n. Az alapötlet: adjunk az ágensnek egy képzési beállítást, aludjunk el, majd ébredjünk fel 100 befejezett kísérletre - mindegyik módosítja a kódot, öt percig gyakorol, ellenőrzi, hogy javult-e az eredmény, és iterál. Nincs ember a hurokban. Az ügynök soha nem áll le, amíg manuálisan meg nem szakítja. A repó a megjelenést követő napokban átlépte a 8000 csillagot.
Mit is jelent ez valójában - a hype-on túl
Legyünk pontosak azzal kapcsolatban, hogy mi az automatikus kutatás és mi nem az. Ez nem egy általános célú mesterséges intelligencia, amely helyettesíti az adattudósokat. Ez egy szűkre szabott hurok: egy ügynök, egy fájl, amelyet módosíthat (train.py), egy fix 5 perces kiértékelési ablak, egy optimalizálandó metrika. Nem a hatókör teszi jelentőssé - hanem a építészeti döntés mögötte: egy teljesen autonóm ágens, amely lefuttat egy kísérletet, leolvassa az eredményt, eldönti, hogy mit próbáljon ki legközelebb, és megismétli - a kódban explicit utasítással, hogy soha ne álljon meg, és soha ne kérjen engedélyt az embertől a folytatásra.
Ez a tervezési filozófia - autonóm, önirányított, mérőszámok által vezérelt iteráció - az a sablon, amely felé a vállalati AI gyorsan halad. Nem csak az ML-kutatásban, hanem minden olyan területen, ahol egyértelmű cél, mérhető kimenet és elég nagy keresési tér áll rendelkezésre ahhoz, hogy az emberi ütemű iteráció jelentse a szűk keresztmetszetet. Ami a vállalati BI- és elemzőcsapatok mindennapi munkájának jelentős részét jellemzi.
Három konkrét következmény a vállalati csapatok számára
1. Az "ügynöki" már nem kutatási koncepció - ez egy termelési minta. Karpathy hozzájárulása itt nem a mesterséges intelligencia-ügynökök ötlete, hanem annak bemutatása, hogy egy tiszta, minimális, egyetlen fájlból álló megvalósítással 100 értelmes kísérletet lehet futtatni egyik napról a másikra egy átlagos hardveren. Az autonóm mesterséges intelligencia-hurkok vállalati környezetben - jelentési automatizálás, adatvezeték-optimalizálás, dokumentumfeldolgozás - való alkalmazásának akadálya épp most csökkent jelentősen. Azoknak a csapatoknak, amelyek eddig arra vártak, hogy ez "megérjen", újra kell kalibrálniuk az időbeosztásukat.
2. Az emberi szerep a cselekvésről a felülvizsgálatra tevődik át. Az automatikus kutatási ciklus nem kér jóváhagyást a kísérletek között. Generálja, teszteli, megtartja, ami működik, elveti, ami nem, és továbblép. Vállalati szempontból ez közvetlenül olyan mesterséges intelligencia rendszereket jelent, amelyek jelentéseket készítenek, forgatókönyv-elemzéseket futtatnak, vagy önállóan dolgozzák fel a beérkező kéréseket - és csak azokat az eredményeket hozzák felszínre, amelyek emberi megítélést igényelnek. Ez nem fenyegeti a képzett elemzőket; ez annak újraelosztása, hogy mire fordítják az idejüket. Kevesebb generálás, több értékelés.
3. Az adatminőség és az egyértelmű sikerességi mérőszámok nem képezik tárgyalás tárgyát. Az automatikus keresés azért működik, mert van egy egyértelmű mérőszáma: a bitsebájtonkénti érvényesítés. Az alacsonyabb érték jobb. Minden kísérlet objektíven összehasonlítható. Vállalati környezetben az ezzel egyenértékű kérdés a következő: mennyi az Ön szervezetének "val_bpb"? Ha nem tud egyetlen, mérhető sikerkritériumot meghatározni egy automatizált munkafolyamathoz, az autonóm ügynökök nem tudnak erre optimalizálni. Azok a projektek fognak a legtöbbet profitálni az ügynöki mesterséges intelligenciából, amelyek már elvégezték a munkát annak meghatározására, hogy mit jelent a "jobb" konkrét, mérhető kifejezésekkel.
A LeapLytics perspektívája
Több éve építünk AI rendszereket vállalati munkafolyamatokhoz - dokumentumfeldolgozás, automatizált jelentéskészítés, támogatás automatizálása. A Karpathy által az ML-kutatási rétegben bemutatott minta ugyanaz, mint amit az üzleti folyamatok szintjén alkalmazunk: azonosítsuk az ismétlődő hurkot, határozzuk meg a sikerkritériumot, hagyjuk az ügynököt futni, és hozzuk felszínre a kivételeket emberi felülvizsgálatra.
Amit az automatikus kutatás zsigeri módon világossá tesz, az az. sebességkülönbség. 100 kísérlet 8 óra alatt. Vállalati szempontból: 100 dokumentumvázlat átnézése, 100 adatanomália megjelölése, 100 támogatási jegy kategorizálása - miközben a csapata alszik. Azok a szervezetek, amelyek ezt kíváncsiságként kezelik, azt fogják tapasztalni, hogy azok, amelyek ezt infrastruktúraként kezelik, már jelentősen előrébb léptek, mire újra átgondolják. Erről a dinamikáról már korábban is írtunk a következőkkel összefüggésben a saját átállásunk a mesterséges intelligenciával támogatott támogatásra - az automatizálás összetett előnye addig nem látható, amíg nem válik láthatóvá.
Mit kell tennie a szervezeteknek most
- Határozzon meg egy ismétlődő, mérhető munkafolyamatot ezen a héten. Nem egy homályos "automatizálnunk kellene a jelentéstételt". Egy konkrét hurok: ez a típusú dokumentum, így feldolgozva, ezen kritérium alapján értékelve. Az automatikus keresés egy hasznos mentális modell - ha nem tudja úgy leírni a munkafolyamatát, ahogy Kárpáty leírja a képzési hurkot, akkor az még nem áll készen az ügynökautomatizálásra.
- Az ügynökök telepítése előtt fektessen be az adatminőségbe. Az autonóm ágensek felerősítik azt, amivel együtt dolgoznak. A tiszta, következetesen strukturált bemeneti adatok hasznos autonóm kimenetet eredményeznek. A rendezetlen, következetlen adatok magabiztosan hibás autonóm kimenetet eredményeznek - 100-szor olyan gyorsan, mintha egy ember követné el ugyanazt a hibát. Az adatkezelés most már nem csak háztartási kérdés, hanem az AI-felkészültség kérdése is.
- A "mesterséges intelligencia stratégiát" úgy alakítsuk át, hogy "mely ciklusokat automatizáljuk először". A legtöbb vállalati AI-stratégia még mindig az eszközök és a gyártók köré szerveződik. A hasznosabb keret, az automatikus kutatás után, a következő: melyik munkafolyamatunk egy mérhető kimenettel rendelkező hurok? Rangsoroljuk őket volumen és hatás szerint. Kezdjük a legnagyobb volumenű, legegyértelműbb mérőszámokkal rendelkező hurokkal. Ez lesz az első ügynöktelepítés.
Mi következik ezután
Az automatikus keresés szándékosan minimális - egy GPU, egy fájl, egy metrika. A közvetlen következő lépés, amely már látható a repóból származó közösségi elágazásokban, a több ágensből álló változatok: egy ágens hipotéziseket generál, egy másik kísérleteket futtat, egy harmadik pedig kiértékeli és szintetizálja az eredményeket. Vállalati szempontból ez teljes munkafolyamat-automatizálásnak felel meg: a felvételt, a feldolgozást, a minőségellenőrzést és a kimenet továbbítását egy összehangolt ügynöklánc kezeli, emberi felülvizsgálat csak meghatározott kivételes pontokon történik.
A fontosabb változás kulturális jellegű. Karpathy megfogalmazása - miszerint a mesterséges intelligencia kutatását "régen húsos számítógépek végezték evés, alvás és egyéb szórakozás közben" - szándékosan provokatív. De a mögöttes pont komoly: a versenyelőny a mesterséges intelligenciával kapcsolatos munkában az emberi végrehajtási sebességről a megtervezett ciklusok minőségére és az optimalizált mérőszámok egyértelműségére változik. Ez az ML-kutatásban is igaz. Ugyanígy igaz a vállalati analitikában, a kockázati jelentésekben és a dokumentumintenzív munkafolyamatokban is. A kérdés már nem az, hogy megépítsük-e ezeket a hurkokat. Hanem az, hogy milyen gyorsan.
