जनरेटिव्ह एआय हा कृत्रिम बुद्धिमत्ता तंत्रज्ञानाचा एक प्रकार आहे जो मजकूर, प्रतिमा, कोड किंवा इतर प्रकारची सामग्री तयार करू शकणार्‍या मशीन लर्निंग सिस्टमचे विस्तृत वर्णन करते.
च्या मॉडेल्स जनरेटिव्ह आर्टिफिशियल इंटेलिजन्स ऑनलाइन साधनांमध्ये वाढत्या प्रमाणात समाविष्ट केले जात आहेत आणि chatbot जे वापरकर्त्यांना इनपुट फील्डमध्ये प्रश्न किंवा सूचना टाइप करण्यास अनुमती देतात, ज्यावर AI मॉडेल मानवासारखा प्रतिसाद निर्माण करेल.
च्या मॉडेल्स जनरेटिव्ह आर्टिफिशियल इंटेलिजन्स ते म्हणून ओळखली जाणारी एक जटिल संगणक प्रक्रिया वापरतात deep learning मोठ्या डेटा सेटमध्ये सामान्य पॅटर्न आणि व्यवस्थांचे विश्लेषण करण्यासाठी आणि नंतर नवीन आणि आकर्षक परिणाम तयार करण्यासाठी या माहितीचा वापर करा. मॉडेल्स हे तंत्रिका नेटवर्क म्हणून ओळखल्या जाणार्‍या मशीन लर्निंग तंत्रांचा समावेश करून करतात, जे मानवी मेंदूच्या माहितीची प्रक्रिया आणि व्याख्या करण्याच्या पद्धती आणि नंतर कालांतराने त्यातून शिकत असलेल्या मार्गाने प्रेरित असतात.
उदाहरण द्यायचे तर, च्या मॉडेलला फीड करणे जनरेटिव्ह आर्टिफिशियल इंटेलिजन्स मोठ्या प्रमाणातील कथनासह, कालांतराने मॉडेल कथेतील घटक ओळखण्यास आणि पुनरुत्पादित करण्यास सक्षम असेल, जसे की कथानक रचना, पात्रे, थीम, कथा उपकरणे इ.
च्या मॉडेल्स जनरेटिव्ह आर्टिफिशियल इंटेलिजन्स ते अधिक अत्याधुनिक बनतात कारण त्यांना प्राप्त होणारा डेटा आणि जनरेट वाढत जातो, पुन्हा तंत्रज्ञानामुळे deep learning आणि च्या मज्जासंस्थेसंबंधीचा नेटवर्क खाली परिणामी, टेम्पलेट जितकी अधिक सामग्री तयार करेल जनरेटिव्ह आर्टिफिशियल इंटेलिजन्स, त्याचे परिणाम जितके अधिक खात्रीशीर आणि मानवासारखे बनतात.
ची लोकप्रियताजनरेटिव्ह आर्टिफिशियल इंटेलिजन्स 2023 मध्ये स्फोट झाला, मुख्यत्वे कार्यक्रमांमुळे धन्यवाद चॅटजीपीटी e SLAB di AI उघडा. शिवाय, तंत्रज्ञानाची जलद प्रगती कृत्रिम बुद्धिमत्ता, नैसर्गिक भाषा प्रक्रियेप्रमाणे, बनवले आहेजनरेटिव्ह आर्टिफिशियल इंटेलिजन्स मोठ्या प्रमाणावर ग्राहक आणि सामग्री निर्मात्यांना प्रवेश करण्यायोग्य.
गुगल, मायक्रोसॉफ्ट, अॅमेझॉन, मेटा आणि इतर सर्वांनी त्यांच्या स्वत:च्या विकास साधने तयार करून, मोठ्या टेक कंपन्यांनी बँडवॅगनवर उडी मारली आहे. जनरेटिव्ह आर्टिफिशियल इंटेलिजन्स काही महिन्यांत.
असंख्य साधने आहेत जनरेटिव्ह आर्टिफिशियल इंटेलिजन्स, जरी मजकूर आणि प्रतिमा निर्मिती मॉडेल कदाचित सर्वोत्तम ज्ञात आहेत. च्या मॉडेल्स जनरेटिव्ह आर्टिफिशियल इंटेलिजन्स ते सामान्यत: संदेश देणाऱ्या वापरकर्त्यावर अवलंबून असतात जे त्यांना इच्छित आउटपुट तयार करण्यासाठी मार्गदर्शन करतात, मग तो मजकूर असो, प्रतिमा, व्हिडिओ किंवा संगीताचा तुकडा, जरी असे नेहमीच नसते.
जनरेटिव्ह एआय मॉडेलचे विविध प्रकार आहेत, प्रत्येक विशिष्ट आव्हाने आणि कार्यांसाठी डिझाइन केलेले आहेत. त्यांचे स्थूलमानाने खालील प्रकारांमध्ये वर्गीकरण करता येईल.
Transformer-based modelsट्रान्सफॉर्मर-आधारित मॉडेल्सना शब्द आणि वाक्यांसारख्या अनुक्रमिक माहितीमधील संबंध समजून घेण्यासाठी मोठ्या डेटा सेटवर प्रशिक्षित केले जाते. द्वारा समर्थित deep learning, हे AI मॉडेल्स NLP मध्ये पारंगत असतात आणि भाषेची रचना आणि संदर्भ समजून घेतात, ज्यामुळे ते मजकूर निर्मिती कार्यांसाठी योग्य बनतात. ChatGPT-3 आणि Google Bard ही ट्रान्सफॉर्मर-आधारित जनरेटिव्ह एआय मॉडेलची उदाहरणे आहेत.
Generative adversarial networksGAN हे जनरेटर आणि डिस्क्रिमिनेटर म्हणून ओळखल्या जाणार्‍या दोन न्यूरल नेटवर्कचे बनलेले असतात, जे अस्सल दिसणारा डेटा तयार करण्यासाठी एकमेकांच्या विरोधात कार्य करतात. नावाप्रमाणेच, जनरेटरची भूमिका सुचनेवर आधारित प्रतिमेसारखे खात्रीशीर आउटपुट निर्माण करणे असते, तर भेदभावकर्ता उक्त प्रतिमेच्या सत्यतेचे मूल्यांकन करण्यासाठी कार्य करतो. कालांतराने, प्रत्येक घटक आपापल्या भूमिकांमध्ये सुधारतो, अधिक खात्रीलायक परिणाम प्राप्त करतो. DALL-E आणि Midjourney दोन्ही GAN-आधारित जनरेटिव्ह एआय मॉडेल्सची उदाहरणे आहेत.
Variational autoencodersVAE डेटाचा अर्थ लावण्यासाठी आणि जनरेट करण्यासाठी दोन नेटवर्क वापरतात: या प्रकरणात ते एन्कोडर आणि डीकोडर आहे. एन्कोडर इनपुट डेटा घेतो आणि एका सरलीकृत स्वरूपात संकुचित करतो. डीकोडर नंतर ही संकुचित माहिती घेते आणि मूळ डेटासारखे दिसणारे काहीतरी नवीन बनवते, परंतु ते एकसारखे नसते.
प्रशिक्षण डेटा म्हणून फोटो वापरून मानवी चेहरे तयार करण्यासाठी संगणक प्रोग्राम शिकवणे हे एक उदाहरण आहे. कालांतराने, कार्यक्रम लोकांच्या चेहऱ्यांचे फोटो, जसे की डोळे, नाक, तोंड, कान इत्यादींचा आकार आणि आकार यासारख्या काही महत्त्वाच्या वैशिष्ट्यांमध्ये कमी करून त्यांना सोपे बनवायला शिकतो आणि नंतर नवीन चेहरे तयार करण्यासाठी त्यांचा वापर करतो.
Multimodal modelsमल्टिमोडल मॉडेल एकाच वेळी अनेक प्रकारचे डेटा समजू शकतात आणि त्यावर प्रक्रिया करू शकतात, जसे की मजकूर, प्रतिमा आणि ऑडिओ, ज्यामुळे त्यांना अधिक परिष्कृत आउटपुट तयार करता येतात. उदाहरण म्हणजे एआय मॉडेल जे टेक्स्ट प्रॉम्प्टवर आधारित प्रतिमा तयार करू शकते, तसेच इमेज प्रॉम्प्टचे मजकूर वर्णन करू शकते. FROM-E 2 e OpenAI द्वारे GPT-4 मल्टीमॉडल मॉडेल्सची उदाहरणे आहेत.
व्यवसायांसाठी, कार्यक्षमता हा निर्विवादपणे जनरेटिव्ह AI चा सर्वात आकर्षक फायदा आहे कारण तो व्यवसायांना विशिष्ट कार्ये स्वयंचलित करण्यास आणि अधिक महत्त्वाच्या धोरणात्मक उद्दिष्टांवर वेळ, ऊर्जा आणि संसाधने केंद्रित करण्यास सक्षम करू शकतो. यामुळे मजुरीचा खर्च कमी होऊ शकतो, ऑपरेशनल कार्यक्षमता वाढू शकते आणि विशिष्ट व्यवसाय प्रक्रिया पार पाडत आहेत की नाही याबद्दल नवीन अंतर्दृष्टी मिळू शकते.
व्यावसायिक आणि सामग्री निर्मात्यांसाठी, जनरेटिव्ह AI टूल्स कल्पना निर्मिती, सामग्री नियोजन आणि शेड्यूलिंग, शोध इंजिन ऑप्टिमायझेशन, विपणन, प्रेक्षक प्रतिबद्धता, संशोधन आणि संपादन आणि संभाव्यत: अधिक मदत करू शकतात. पुन्हा, मुख्य प्रस्तावित फायदा कार्यक्षमता आहे कारण जनरेटिव्ह AI टूल्स वापरकर्त्यांना काही कामांवर घालवणारा वेळ कमी करण्यात मदत करू शकतात जेणेकरून ते त्यांची ऊर्जा इतरत्र गुंतवू शकतील. ते म्हणाले, जनरेटिव्ह एआय मॉडेल्सचे मॅन्युअल पर्यवेक्षण आणि नियंत्रण अत्यंत महत्वाचे आहे.
जनरेटिव्ह एआयने अनेक उद्योग क्षेत्रांमध्ये पाय रोवले आहेत आणि ते व्यावसायिक आणि ग्राहक बाजारपेठेत वेगाने विस्तारत आहे. मॅकिन्सेचा अंदाज आहे जे, 2030 पर्यंत, सध्या युनायटेड स्टेट्समधील कामाच्या तासांपैकी 30% कार्ये स्वयंचलित केली जाऊ शकतात, जनरेटिव्ह आर्टिफिशियल इंटेलिजन्सच्या प्रवेगामुळे.
ग्राहक सेवेमध्ये, एआय-चालित चॅटबॉट्स आणि व्हर्च्युअल असिस्टंट कंपन्यांना प्रतिसादाची वेळ कमी करण्यास आणि सामान्य ग्राहकांचे प्रश्न त्वरीत हाताळण्यास मदत करतात, ज्यामुळे कर्मचार्‍यांवरचा भार कमी होतो. सॉफ्टवेअर डेव्हलपमेंटमध्ये, जनरेटिव्ह एआय टूल्स कोडचे पुनरावलोकन करून, बग हायलाइट करून आणि मोठ्या समस्या होण्यापूर्वी संभाव्य उपाय सुचवून विकसकांना अधिक स्वच्छ आणि कार्यक्षमतेने कोड बनविण्यात मदत करतात. दरम्यान, लेखक निबंध, लेख आणि इतर लिखित कामांची योजना, मसुदा आणि सुधारणा करण्यासाठी जनरेटिव्ह एआय टूल्स वापरू शकतात, जरी अनेकदा मिश्र परिणामांसह.
जनरेटिव्ह AI चा वापर उद्योगानुसार बदलतो आणि इतरांपेक्षा काहींमध्ये अधिक स्थापित आहे. वर्तमान आणि प्रस्तावित वापर प्रकरणांमध्ये खालील गोष्टींचा समावेश आहे:
जनरेटिव्ह एआय टूल्सच्या वापराविषयी एक प्रमुख चिंता – आणि विशेषतः लोकांसाठी प्रवेशयोग्य – चुकीची माहिती आणि हानिकारक सामग्री पसरवण्याची त्यांची क्षमता आहे. स्टिरियोटाइप, द्वेषयुक्त भाषण आणि हानिकारक विचारसरणीच्या कायम राहण्यापासून ते वैयक्तिक आणि व्यावसायिक प्रतिष्ठेचे नुकसान आणि कायदेशीर आणि आर्थिक परिणामांच्या धोक्यापर्यंत याचा प्रभाव व्यापक आणि गंभीर असू शकतो. जनरेटिव्ह एआयचा गैरवापर किंवा गैरव्यवस्थापन राष्ट्रीय सुरक्षा धोक्यात आणू शकते, असेही सुचवण्यात आले आहे.
या जोखमीतून राजकारणीही सुटलेले नाहीत. एप्रिल 2023 मध्ये, युरोपियन युनियनने प्रस्ताव दिला जनरेटिव्ह AI साठी नवीन कॉपीराइट नियम ज्यासाठी कंपन्यांना जनरेटिव्ह आर्टिफिशियल इंटेलिजेंस टूल्स विकसित करण्यासाठी वापरण्यात येणारी कोणतीही कॉपीराइट केलेली सामग्री उघड करणे आवश्यक आहे. हे नियम युरोपियन संसदेने जूनमध्ये मतदान केलेल्या कायद्याच्या मसुद्यामध्ये मंजूर करण्यात आले होते, ज्यामध्ये EU सदस्य देशांमध्ये कृत्रिम बुद्धिमत्तेच्या वापरावर कठोर मर्यादांचा समावेश होता, ज्यामध्ये सार्वजनिक ठिकाणी रिअल-टाइम फेशियल रेकग्निशन तंत्रज्ञानावर प्रस्तावित बंदी समाविष्ट आहे.
जनरेटिव्ह एआय द्वारे स्वयंचलित कार्ये देखील मॅककिन्सीने ठळक केल्याप्रमाणे, कर्मचारी आणि नोकरीच्या विस्थापनाबद्दल चिंता वाढवतात. कन्सल्टन्सी ग्रुपच्या मते, ऑटोमेशनमुळे आत्ता आणि 12 दरम्यान 2030 दशलक्ष करिअर संक्रमण होऊ शकते, ज्यामध्ये ऑफिस सपोर्ट, ग्राहक सेवा आणि अन्न सेवेमध्ये नोकऱ्यांचे नुकसान होते. अहवालाचा अंदाज आहे की कार्यालयीन कर्मचार्‍यांची मागणी "... किरकोळ विक्री करणार्‍यांसाठी 1,6, प्रशासकीय सहाय्यकांसाठी 830.000 आणि रोखपालांसाठी 710.000 च्या नुकसानाव्यतिरिक्त 630.000 दशलक्ष नोकर्‍या कमी होऊ शकतात."
जनरेटिव्ह एआय आणि जनरल एआय एकाच नाण्याच्या वेगवेगळ्या बाजू दर्शवतात. दोघेही कृत्रिम बुद्धिमत्तेच्या क्षेत्राशी संबंधित आहेत, परंतु पूर्वीचा नंतरचा उपप्रकार आहे.
प्रशिक्षण डेटामधून शिकलेल्या मॉडेल्समधून नवीन सामग्री तयार करण्यासाठी जनरेटिव्ह एआय विविध मशीन लर्निंग तंत्रांचा वापर करते, जसे की GAN, VAE किंवा LLM. हे आउटपुट मजकूर, प्रतिमा, संगीत किंवा डिजिटल रीतीने दर्शविले जाऊ शकते असे काहीही असू शकते.
आर्टिफिशियल जनरल इंटेलिजन्स, ज्याला आर्टिफिशियल जनरल इंटेलिजेंस असेही म्हणतात, स्थूलपणे संगणक प्रणाली आणि रोबोटिक्सच्या संकल्पनेचा संदर्भ देते ज्यात मानवासारखी बुद्धिमत्ता आणि स्वायत्तता असते. ही अजूनही विज्ञानकथेची सामग्री आहे: डिस्ने पिक्सरचा WALL-E, 2004 च्या I, Robot किंवा HAL 9000 मधील Sonny, Stanley Kubrick च्या 2001: A Space Odyssey मधील दुर्भावनापूर्ण कृत्रिम बुद्धिमत्ता. बर्‍याच वर्तमान AI सिस्टीम "अरुंद AI" ची उदाहरणे आहेत, कारण ती अतिशय विशिष्ट कार्यांसाठी डिझाइन केलेली आहेत.
वर वर्णन केल्याप्रमाणे, जनरेटिव्ह एआय हे कृत्रिम बुद्धिमत्तेचे उपक्षेत्र आहे. जनरेटिव्ह AI मॉडेल डेटावर प्रक्रिया करण्यासाठी आणि जनरेट करण्यासाठी मशीन लर्निंग तंत्र वापरतात. सर्वसाधारणपणे, कृत्रिम बुद्धिमत्ता म्हणजे कार्ये करण्यास सक्षम असलेल्या संगणकांच्या संकल्पनेचा संदर्भ देते ज्यांना अन्यथा मानवी बुद्धिमत्तेची आवश्यकता असते, जसे की निर्णय घेणे आणि NLP.
मशीन लर्निंग हा आर्टिफिशियल इंटेलिजेंसचा मूलभूत घटक आहे आणि एखाद्या विशिष्ट कार्यासाठी संगणकाला शिकवण्याच्या उद्देशाने डेटावर संगणक अल्गोरिदम वापरण्याचा संदर्भ आहे. मशीन लर्निंग ही अशी प्रक्रिया आहे जी कृत्रिम बुद्धिमत्ता प्रणालींना शिकलेल्या नमुन्यांवर आधारित माहितीपूर्ण निर्णय किंवा अंदाज घेण्यास अनुमती देते.
जनरेटिव्ह AI ची स्फोटक वाढ कमी होण्याची कोणतीही चिन्हे दाखवत नाही आणि अधिकाधिक कंपन्या डिजिटलायझेशन आणि ऑटोमेशन स्वीकारत असताना, जनरेटिव्ह AI उद्योगाच्या भविष्यात मध्यवर्ती भूमिका बजावेल असे दिसते. जनरेटिव्ह एआयची क्षमता सामग्री निर्मिती, सॉफ्टवेअर डेव्हलपमेंट आणि औषध यासारख्या उद्योगांमध्ये आधीच मौल्यवान सिद्ध झाली आहे आणि जसजसे तंत्रज्ञान विकसित होत आहे, तसतसे त्याचे अनुप्रयोग आणि वापर प्रकरणे विस्तारत जातील.
असे म्हटले आहे की, व्यवसाय, व्यक्ती आणि संपूर्ण समाजावर जनरेटिव्ह एआयचा प्रभाव तो उपस्थित असलेल्या जोखमींना आपण कसे संबोधित करतो यावर अवलंबून आहे. कृत्रिम बुद्धिमत्तेचा वापर होत असल्याची खात्री करणे नैतिकदृष्ट्या पक्षपात कमी करणे, पारदर्शकता आणि जबाबदारी सुधारणे आणि समर्थन करणे शासन तंत्रज्ञानाच्या वेगवान उत्क्रांतीनुसार नियमन हे आधीच एक आव्हान ठरत आहे, याची खात्री करताना डेटा महत्त्वाचा असेल. त्याचप्रमाणे, कोणतेही नकारात्मक परिणाम कमी करताना जनरेटिव्ह एआयच्या पूर्ण क्षमतेचा उपयोग करून घेण्याची आशा असल्यास ऑटोमेशन आणि मानवी सहभागामध्ये संतुलन शोधणे महत्त्वाचे ठरेल.
Ercole Palmeri
गेल्या सोमवारी, फायनान्शिअल टाईम्सने OpenAI सह करार जाहीर केला. FT ने त्याच्या जागतिक दर्जाच्या पत्रकारितेचा परवाना…
लाखो लोक स्ट्रीमिंग सेवांसाठी पैसे देतात, मासिक सदस्यता शुल्क भरतात. असे सामान्य मत आहे की आपण…
Veeam द्वारे Coveware सायबर खंडणी घटना प्रतिसाद सेवा प्रदान करणे सुरू ठेवेल. Coveware फॉरेन्सिक आणि उपाय क्षमता प्रदान करेल…
वनस्पती व्यवस्थापनासाठी नाविन्यपूर्ण आणि सक्रिय दृष्टीकोनसह, भविष्यसूचक देखभाल तेल आणि वायू क्षेत्रात क्रांती घडवत आहे.…