- Reakcija - AI Trends - 6 min lasīt
Kas notika
Uz , Andrejs Karpati - bijušais Tesla AI direktors un OpenAI līdzdibinātājs - publicēja autoresearch par GitHub, atvērtā koda ietvarstruktūra, kas ļauj mākslīgā intelekta aģentiem autonomi veikt mašīnmācīšanās eksperimentus vienas nakts laikā, izmantojot vienu GPU. Galvenā ideja: dodiet aģentam apmācības iestatījumu, ejiet gulēt un pamostieties, lai redzētu 100 pabeigtus eksperimentus - katru no tiem modificējot kodu, apmācot piecas minūtes, pārbaudot, vai rezultāts uzlabojies, un atkārtojot. Cilpā nav iesaistīts cilvēks. Aģents nekad neapstājas, līdz jūs to pārtraucat manuāli. Dažu dienu laikā pēc izlaišanas repo pārsniedza 8000 zvaigžņu.
Ko tas patiesībā nozīmē - ne tikai par to, kas tiek reklamēts
Precizēsim, kas ir un kas nav automātiskā meklēšana. Tas nav vispārējas nozīmes mākslīgais intelekts, kas aizstāj datu zinātniekus. Tas ir stingri ierobežots cikls: viens aģents, viens fails, ko tas var modificēt (train.py), viens fiksēts 5 minūšu novērtēšanas logs, viena optimizējamā metrika. Nozīmīga ir nevis darbības joma, bet gan tas. arhitektūras lēmums aiz tā: pilnīgi autonoms aģents, kas veic eksperimentu, nolasa rezultātu, izlemj, ko izmēģināt tālāk, un atkārto - ar skaidru norādījumu kodā, lai. nekad neapstāties un nekad neprasīt cilvēkam atļauju turpināt.
Šī dizaina filozofija - autonoma, pašvadīta, uz metriku balstīta atkārtošana - ir veidne, uz kuru strauji virzās uzņēmumu mākslīgais intelekts. Ne tikai ML pētniecībā, bet jebkurā jomā, kur ir skaidrs mērķis, izmērāmi rezultāti un pietiekami liela meklēšanas telpa, kurā cilvēka vadīta iterācija ir vājā vieta. Tas raksturo ievērojamu daļu no tā, ko uzņēmumu BI un analītikas komandas dara katru dienu.
Trīs konkrētas sekas uzņēmumu komandām
1. "Agentic" vairs nav pētniecības jēdziens - tas ir ražošanas modelis. Karpathy ieguldījums šeit nav mākslīgā intelekta aģentu ideja, bet gan pierādījums, ka ar tīru, minimālu, viena faila implementāciju var veikt 100 nozīmīgus eksperimentus vienas nakts laikā uz komoditārās aparatūras. Tikko ievērojami samazinājās barjera autonomo AI cilpu ieviešanai uzņēmumu kontekstā - atskaišu automatizācijai, datu plūsmas optimizācijai, dokumentu apstrādei. Komandām, kas ir gaidījušas, kad tas "nobriedīs", vajadzētu pārkalibrēt savus termiņus.
2. Cilvēka loma mainās no darīšanas uz pārskatīšanu. Starp eksperimentiem automātiskās izpētes cilpa nepieprasa apstiprinājumu. Tā ģenerē, testē, saglabā to, kas darbojas, noraida to, kas nedarbojas, un dodas tālāk. Uzņēmumu izpratnē tas ir tieši saistīts ar mākslīgā intelekta sistēmām, kas sagatavo ziņojumus, veic scenāriju analīzi vai autonomi apstrādā ienākošos pieprasījumus - un izplata tikai tos rezultātus, par kuriem nepieciešams cilvēka vērtējums. Tas neapdraud kvalificētus analītiķus; tas ir viņu laika pārdalījums. Mazāk ģenerēšanas, vairāk novērtēšanas.
3. Datu kvalitāte un skaidri panākumu rādītāji kļūst obligāti. Automātiskā meklēšana darbojas, jo tai ir viennozīmīga metrika: validācijas bits uz baitu. Zemāks ir labāks. Katrs eksperiments ir objektīvi salīdzināms. Uzņēmumu vidē līdzvērtīgs jautājums ir šāds: kāds ir jūsu organizācijas "val_bpb"? Ja jūs nevarat definēt vienotu, izmērāmu automatizētas darba plūsmas veiksmes kritēriju, autonomie aģenti nevar optimizēties tā sasniegšanai. Projekti, kas gūs vislielāko labumu no aģentu mākslīgā intelekta, ir tie, kas jau ir veikuši darbu, lai definētu, ko nozīmē "labāk" konkrētos, izmērāmos terminos.
LeapLytics perspektīva
Mēs jau vairākus gadus veidojam mākslīgā intelekta sistēmas uzņēmumu darba plūsmām - dokumentu apstrāde, automatizēta atskaišu sagatavošana, atbalsta automatizācija.. Karpathy demonstrē ML pētniecības slāņa modeli, kas ir tāds pats modelis, kādu mēs izmantojam biznesa procesu slānī: identificējiet atkārtojošos ciklu, definējiet veiksmes kritēriju, ļaujiet aģentam darboties un atklājiet izņēmumus, lai tos varētu pārbaudīt cilvēks.
Automātiskā izpēte skaidri parāda, ka ātruma starpība. 100 eksperimenti 8 stundās. Uzņēmuma izteiksmē: 100 dokumentu projekti pārskatīti, 100 datu anomālijas atzīmētas, 100 atbalsta biļetes kategorizētas - kamēr jūsu komanda guļ. Organizācijas, kas to uzskata par ziņkārību, secinās, ka tās, kas to uzskata par infrastruktūru, būs ievērojami pavirzījušās uz priekšu līdz brīdim, kad tās to pārdomās. Par šo dinamiku mēs jau esam rakstījuši iepriekš saistībā ar mūsu pašu pāreja uz mākslīgā intelekta atbalstu. - automatizācijas priekšrocības nav redzamas, kamēr tās nav redzamas.
Kas organizācijām jādara tagad
- Identificējiet vienu atkārtotu, izmērāmu darba procesu šonedēļ. Nevis neskaidrs "mums jāautomatizē ziņošana". Konkrēts cikls: šāda veida dokuments, apstrādāts šādā veidā, novērtēts pēc šī kritērija. Automātiskā meklēšana ir noderīgs mentālais modelis - ja jūs nevarat aprakstīt savu darba plūsmu tā, kā Karpathy apraksta savu apmācības cilpu, tā vēl nav gatava aģentu automatizācijai.
- Ieguldiet datu kvalitātē pirms aģentu izvietošanas. Autonomie aģenti pastiprina visu, ar ko tie strādā. Tīri, konsekventi strukturēti ievades dati rada noderīgu autonomu produkciju. Nekārtīgi, nekonsekventi dati rada pārliecinoši kļūdainu autonomo izvades rezultātu - 100x ātrāk nekā cilvēks, kas pieļauj tādu pašu kļūdu. Datu pārvaldība tagad ir mākslīgā intelekta gatavības jautājums, nevis tikai mājsaimniecības jautājums.
- "Mākslīgā intelekta stratēģiju" pārveidojiet kā "kuras cilpas mēs automatizēsim vispirms". Lielākā daļa uzņēmumu mākslīgā intelekta stratēģiju joprojām ir saistītas ar rīkiem un piegādātājiem. Lietderīgāka sistēma pēc automatizētās izpētes ir šāda: kuras no mūsu darba plūsmām ir cilpa ar izmērāmu rezultātu? Sarindojiet tās pēc apjoma un ietekmes. Sāciet ar vislielākā apjoma, visskaidrāk izmērāmo cilpu. Tā ir jūsu pirmā aģenta izvietošana.
Kas notiks tālāk
Automātiskā meklēšana ir apzināti minimāla - viens GPU, viens fails, viena metrika. Tūlītējais nākamais solis, kas jau ir redzams kopienas forkos, kas izriet no repo, ir vairāku aģentu varianti: viens aģents ģenerē hipotēzes, otrs veic eksperimentus, trešais izvērtē un sintezē rezultātus. Uzņēmuma izpratnē tas nozīmē pilnīgu darba plūsmas automatizāciju: uzņemšanu, apstrādi, kvalitātes pārbaudi un rezultātu maršrutēšanu veic koordinēta aģentu ķēde ar cilvēka pārbaudi tikai noteiktos izņēmuma punktos.
Svarīgākas pārmaiņas ir kultūras jomā. Karpathy formulējums, ka mākslīgā intelekta pētniecību "agrāk veica gaļas datori starp ēšanu, gulēšanu un citām izklaidēm", ir apzināti provokatīvs. Taču pamatā esošā jēga ir nopietna: konkurences priekšrocības ar mākslīgo intelektu saistītā darbā mainās no cilvēka izpildes ātruma uz projektēto cilpu kvalitāti un metriku skaidrību, uz kurām jūs optimizējat. Tas pats attiecas uz ML pētniecību. Tāpat tas attiecas arī uz uzņēmumu analītiku, riska ziņošanu un dokumentiem intensīvām darba plūsmām. Jautājums vairs nav par to, vai šīs cilpas veidot. Jautājums ir par to, cik ātri.
