Generativ AI er en type kunstig intelligens-teknologi som bredt beskriver maskinlæringssystemer som kan generere tekst, bilder, kode eller andre typer innhold.
Modellene av generativ kunstig intelligens blir i økende grad innlemmet i nettbaserte verktøy og chatbot som lar brukere skrive spørsmål eller instruksjoner i et inndatafelt, hvorpå AI-modellen vil generere et menneskelignende svar.
Modellene av generativ kunstig intelligens de bruker en kompleks dataprosess kjent som deep learning å analysere vanlige mønstre og arrangementer i store datasett og deretter bruke denne informasjonen til å skape nye og overbevisende resultater. Modellene gjør dette ved å inkludere maskinlæringsteknikker kjent som nevrale nettverk, som er løst inspirert av måten den menneskelige hjernen behandler og tolker informasjon og deretter lærer av den over tid.
For å gi et eksempel, mate en modell av generativ kunstig intelligens med store mengder narrativ vil modellen over tid kunne identifisere og reprodusere elementene i en historie, som plottstruktur, karakterer, temaer, narrative virkemidler og så videre.
Modellene av generativ kunstig intelligens de blir mer sofistikerte ettersom dataene de mottar og genererer øker, igjen takket være teknikkene til deep learning og av nevrale nettverket under. Som et resultat, jo mer innhold genererer en mal generativ kunstig intelligens, jo mer overbevisende og menneskelignende blir resultatene.
Populariteten tilgenerativ kunstig intelligens eksploderte i 2023, hovedsakelig takket være programmer ChatGPT e DALL-E di OpenAI. Videre den raske utviklingen av teknologier kunstig intelligens, som naturlig språkbehandling, har gjortgenerativ kunstig intelligens tilgjengelig for forbrukere og innholdsskapere i stor skala.
Store teknologiselskaper har vært raske til å hoppe på bølgen, med Google, Microsoft, Amazon, Meta og andre som alle har stilt opp sine egne utviklingsverktøy. generativ kunstig intelligens innen noen få måneder.
Det er mange verktøy generativ kunstig intelligens, selv om tekst- og bildegenereringsmodellene nok er de mest kjente. Modellene til generativ kunstig intelligens de er vanligvis avhengige av at en bruker gir en melding som veileder dem mot å produsere ønsket utgang, det være seg tekst, et bilde, en video eller et musikkstykke, selv om dette ikke alltid er tilfelle.
Det finnes ulike typer generative AI-modeller, hver designet for spesifikke utfordringer og oppgaver. Disse kan grovt klassifiseres i følgende typer.
Transformer-based modelsTransformatorbaserte modeller er trent på store datasett for å forstå sammenhenger mellom sekvensiell informasjon, som ord og setninger. Støttet av deep learning, disse AI-modellene har en tendens til å være godt kjent med NLP og forstå strukturen og konteksten til språk, noe som gjør dem godt egnet for tekstgenereringsoppgaver. ChatGPT-3 og Google Bard er eksempler på transformatorbaserte generative AI-modeller.
Generative adversarial networksGAN-er består av to nevrale nettverk kjent som en generator og diskriminator, som i hovedsak jobber mot hverandre for å lage autentisk utseende data. Som navnet antyder, er generatorens rolle å generere en overbevisende utgang som et bilde basert på et forslag, mens diskriminatoren jobber med å evaluere ektheten til det nevnte bildet. Over tid forbedres hver komponent i sine respektive roller, og oppnår mer overbevisende resultater. Både DALL-E og Midjourney er eksempler på GAN-baserte generative AI-modeller.
Variational autoencodersVAE-er bruker to nettverk for å tolke og generere data: i dette tilfellet er det en koder og en dekoder. Koderen tar inndataene og komprimerer dem til et forenklet format. Dekoderen tar deretter denne komprimerte informasjonen og rekonstruerer den til noe nytt som ligner de originale dataene, men som ikke er helt det samme.
Et eksempel kan være å lære et dataprogram å generere menneskeansikter ved å bruke bilder som treningsdata. Over tid lærer programmet å forenkle bilder av folks ansikter ved å redusere dem til noen få viktige funksjoner, som størrelsen og formen på øyne, nese, munn, ører osv., og deretter bruke dem til å lage nye ansikter.
Multimodal modelsMultimodale modeller kan forstå og behandle flere typer data samtidig, for eksempel tekst, bilder og lyd, slik at de kan lage mer sofistikerte utdata. Et eksempel kan være en AI-modell som kan generere et bilde basert på en tekstmelding, samt en tekstlig beskrivelse av en bildeprompt. FRA-E 2 e GPT-4 av OpenAI er eksempler på multimodale modeller.
For bedrifter er effektivitet uten tvil den mest overbevisende fordelen med generativ AI fordi den kan gjøre det mulig for bedrifter å automatisere spesifikke oppgaver og fokusere tid, energi og ressurser på viktigere strategiske mål. Dette kan føre til lavere lønnskostnader, økt driftseffektivitet og ny innsikt i om visse forretningsprosesser fungerer eller ikke.
For fagfolk og innholdsskapere kan generative AI-verktøy hjelpe med idégenerering, innholdsplanlegging og planlegging, søkemotoroptimalisering, markedsføring, publikumsengasjement, forskning og redigering, og potensielt mer. Igjen, den viktigste foreslåtte fordelen er effektivitet fordi generative AI-verktøy kan hjelpe brukere med å redusere tiden de bruker på visse oppgaver, slik at de kan investere energien andre steder. Når det er sagt, er manuell tilsyn og kontroll av generative AI-modeller fortsatt ekstremt viktig.
Generativ AI har funnet fotfeste i en rekke industrisektorer og ekspanderer raskt til kommersielle og forbrukermarkeder. McKinsey anslår at innen 2030 kan oppgaver som i dag utgjør omtrent 30 % av arbeidstiden i USA, automatiseres, takket være akselerasjonen av generativ kunstig intelligens.
I kundeservice hjelper AI-drevne chatboter og virtuelle assistenter bedrifter med å redusere responstidene og raskt håndtere vanlige kundespørsmål, noe som reduserer belastningen på personalet. I programvareutvikling hjelper generative AI-verktøy utviklere med å kode mer rent og effektivt ved å gjennomgå kode, fremheve feil og foreslå potensielle løsninger før de blir større problemer. I mellomtiden kan forfattere bruke generative AI-verktøy til å planlegge, utarbeide og revidere essays, artikler og annet skriftlig arbeid, men ofte med blandede resultater.
Bruken av generativ AI varierer fra bransje til bransje og er mer etablert i noen enn andre. Gjeldende og foreslåtte brukstilfeller inkluderer følgende:
En stor bekymring for bruken av generative AI-verktøy – og spesielt de som er tilgjengelige for publikum – er deres potensial til å spre feilinformasjon og skadelig innhold. Virkningen av dette kan være omfattende og alvorlig, fra videreføring av stereotypier, hatytringer og skadelige ideologier til skade på personlig og faglig omdømme og trusselen om juridiske og økonomiske konsekvenser. Det har til og med blitt antydet at misbruk eller feilstyring av generativ AI kan sette nasjonal sikkerhet i fare.
Disse risikoene har ikke sluppet unna politikerne. I april 2023 foreslo EU nye opphavsrettsregler for generativ AI som vil kreve at selskaper avslører alt opphavsrettsbeskyttet materiale som brukes til å utvikle generative verktøy for kunstig intelligens. Disse reglene ble godkjent i lovutkastet som ble stemt av EU-parlamentet i juni, som også inkluderte strenge begrensninger på bruken av kunstig intelligens i EUs medlemsland, inkludert et foreslått forbud mot sanntids ansiktsgjenkjenningsteknologi i offentlige rom.
Automatisering av oppgaver via generativ AI vekker også bekymringer om arbeidsstyrke og jobbforskyvning, som fremhevet av McKinsey. Ifølge konsulentgruppen kan automatisering forårsake 12 millioner karriereoverganger mellom nå og 2030, med tap av jobber konsentrert innen kontorstøtte, kundeservice og matservering. Rapporten anslår at etterspørselen etter kontorarbeidere kan "... falle med 1,6 millioner jobber, i tillegg til tap på 830.000 710.000 for detaljhandlere, 630.000 XNUMX for administrative assistenter og XNUMX XNUMX for kasserere."
Generativ AI og generell AI representerer forskjellige sider av samme sak. Begge angår feltet kunstig intelligens, men førstnevnte er en undertype av sistnevnte.
Generativ AI bruker ulike maskinlæringsteknikker, for eksempel GAN, VAE eller LLM, for å generere nytt innhold fra modeller lært fra treningsdata. Disse utgangene kan være tekst, bilder, musikk eller noe annet som kan representeres digitalt.
Kunstig generell intelligens, også kjent som kunstig generell intelligens, refererer stort sett til konseptet datasystemer og robotikk som har menneskelignende intelligens og autonomi. Dette er fortsatt science fiction-stoffet: tenk Disney Pixars WALL-E, Sonny fra 2004s I, Robot eller HAL 9000, den ondsinnede kunstige intelligensen fra Stanley Kubricks 2001: A Space Odyssey. De fleste nåværende AI-systemer er eksempler på "smal AI", da de er designet for svært spesifikke oppgaver.
Som beskrevet ovenfor er generativ AI et underfelt av kunstig intelligens. Generative AI-modeller bruker maskinlæringsteknikker for å behandle og generere data. Generelt refererer kunstig intelligens til konseptet med datamaskiner som er i stand til å utføre oppgaver som ellers ville kreve menneskelig intelligens, for eksempel beslutningstaking og NLP.
Maskinlæring er den grunnleggende komponenten i kunstig intelligens og refererer til bruken av datamaskinalgoritmer på data med det formål å lære en datamaskin å utføre en spesifikk oppgave. Maskinlæring er prosessen som lar kunstige intelligenssystemer ta informerte beslutninger eller spådommer basert på lærte mønstre.
Den eksplosive veksten av generativ AI viser ingen tegn til å avta, og etter hvert som flere selskaper omfavner digitalisering og automatisering, ser generativ AI ut til å spille en sentral rolle i industriens fremtid. Mulighetene til generativ AI har allerede vist seg verdifulle i bransjer som innholdsskaping, programvareutvikling og medisin, og etter hvert som teknologien fortsetter å utvikle seg, vil applikasjonene og brukstilfellene utvides.
Når det er sagt, avhenger virkningen av generativ AI på bedrifter, enkeltpersoner og samfunnet som helhet av hvordan vi håndterer risikoen den utgjør. Sikre at kunstig intelligens brukes etisk minimere skjevhet, forbedre åpenhet og ansvarlighet og støtte styresett av data vil være avgjørende, samtidig som det allerede har vist seg å være en utfordring å sikre at regulering holder tritt med den raske utviklingen av teknologi. På samme måte vil det å finne en balanse mellom automatisering og menneskelig involvering være viktig hvis vi håper å utnytte det fulle potensialet til generativ AI samtidig som vi reduserer eventuelle negative konsekvenser.
Ercole Palmeri
Å utvikle finmotorikk gjennom fargelegging forbereder barna på mer komplekse ferdigheter som å skrive. Å farge…
Marinesektoren er en ekte global økonomisk makt, som har navigert mot et 150 milliarder marked...
Sist mandag kunngjorde Financial Times en avtale med OpenAI. FT lisensierer sin journalistikk i verdensklasse...
Millioner av mennesker betaler for strømmetjenester og betaler månedlige abonnementsavgifter. Det er vanlig oppfatning at du...