Кого заменят нейросети?
Когда я читаю восторженные комментарии и статьи о нейросетевом будущем, в котором нас всех якобы заменят роботы, то я вижу только два варианта: автор, скорее всего, не пробовал решать рабочие задачи при помощи нейронок, либо слегка очень приукрашивает. Давайте по фактам:
Для нейронных сетей высокая специфичность задачи является почти непреодолимым препятствием
Midjourney с легкостью сгенерирует вам изображения Гарри Поттера в сеттинге Звездных войн, но только потому, что такая задача является максимально абстрактной и использует общеизвестный контекст. Именно поэтому мы видим так мало практических кейсов и так много ерунды, которая подается как невероятные успехи. Нейронные сети не понимают ТЗ, а только связи между словами и образами (и образами и образами), не способны осознать задачу, задать уточняющие вопросы и изучить контекст проекта. А это, напомню, существенная часть работы. Чем специфичнее задача, тем меньше шансов, что данные для ее выполнения имеются в датасете, на котором обучалась нейросеть, и тем сложнее будет процесс составления запросов — вплоть до того, что составить нужные запросы будет сложнее, чем выполнить работу вручную.
Но что-то же эти роботы могут?
Определенно. Человеку, который делает какие-нибудь условные "просто красивые" принты на футболки, Midjourney составит конкуренцию уже сейчас, а Chat-GPT может взять на себя работу и копирайтера, и даже оператора тех. поддержки первой линии. Я описал как научил GPT-3 пользоваться браузером, а новые, готовые к работе, продукты появляются каждый день. Однако для комплексных и творческих задач я не вижу возможности заменить людей даже в ближайшем будущем и вот почему:
Нейронные сети не станут умнее
Вы можете возразить, что, мол, это только пока что мы не можем решать сложные задачи, но что будет через N лет! Но нейронки это не искусственный интеллект и принципиально "умнеть" там нечему. Под капотом чистая математика: данные для обучения конвертируются в вероятности и веса, на основе которых сети строят предсказания о возможном результате для запроса. Нет никакого процесса достижения результата, есть, по сути, сопоставление запроса с тем, что существовало в датасете.
А теперь вспомните реальную практику создания чего-либо: сложные задачи с трудом (и не всегда успешно) выполняют даже люди, которые, очевидно, способны не только на сопоставления. Вспомните в том числе, сколько трудозатрат уходит даже не на само выполнение задачи, а на коммуникацию, на выяснение потребностей, условий и получение цельного понимания, что и как вообще нужно делать. Это большая работа, которую нейронная сеть не выполнит за конечного заказчика.
Большие данные — их сила и слабость
Чтобы рассчитывать вероятности и строить точные прогнозы о результатах, нейронным сетям нужны большие объемы обучающих данных. Это создает драматическую разницу в эффективности обучения и адаптации между людьми и машинами: можно показать дизайнеру или художнику одно изображение, попросить сделать так же и получить очень схожий результат — за счет способностей к анализу и экстраполяции. С нейронной сетью такой трюк не пройдет, если только в ее датасете уже не было чего-то похожего. С другой стороны, получив достаточно обучающих данных, нейронка может превосходить человека за счет возможности "держать в голове" весь объем референсов и способности точно их воспроизводить "по памяти".
Нейронные сети не заменят программистов и дизайнеров
Идея о кнопке "Сделать хорошо" появилась сильно раньше Chat-GPT, а о "замене программистов" говорили еще во времена HTML-редактора Dreamweaver. Но вот сюрприз! С появлением конструкторов сайтов, no-code инструментов, фотостоков и магазинов готовых ассетов, количество разработчиков и дизайнеров не только не сократилось, но многократно выросло и продолжает расти. Причины всё те же:
- Автоматизация и шаблонизация дает шаблонные и неспецифичные результаты. Эта проблема стара как мир: быстро, дешево и как у всех — идёте в H&M; оригинально и под ваши размеры — ждете, пока для вас пошьют заказ в ателье. Нейронные сети не исключение: результаты являются типичными для конкретного датасета и нередко узнаются с первого взгляда.
- Как только мы повышаем специфичность, появляется дополнительная работа. Тогда в мало-мальски трудозатратном проекте вместо конечного заказчика в Tilda работает кто? Правильно — дизайнер по тильде. Таким образом, автоматизации часто становятся новым инструментом для тех же профессий, а не их заменой для заказчика. Да, вероятно, многим специалистам придется учиться "вбивать промпты", но только для тех задач, которые вообще подходят для работы с таким инструментом. Мы ведь не делаем все сайты на конструкторах, правда?
- Реальные проекты редко создаются в формате Запрос -> Результат. Он является естественным для нейросетей и других автоматизаций, но люди изучают контекст, задают вопросы, экстраполируют, исследуют и пробуют. Всё это тоже работа, и работа для знающего специалиста, а не для заказчика.
- Сhat-GPT прекрасно пишет код на уровне Junior- разработчика, но люди в команде работают не так. Задачи чаще делегируются, а не отдаются в виде запроса на написание такого-то кода по подробному ТЗ. И под делегированием я имею ввиду то, что человеку нужно самостоятельно изучить задачу и среду ее применения, задать уточняющие вопросы соответствующим людям в команде и проанализировать их ответы.
- В конце концов, проекты — это не разовые задачи, их, как правило, нужно развивать и поддерживать. Дизайнеры создают брендбуки и гайдлайны, разработчики продумывают архитектуру и принципы, подстраиваяя их под сложные и меняющиеся условия заказчика и среды. Всё это требует исследования и коммуникации и создает сложный, специфичный контекст.
Таким образом, нейронные сети не отличаются от других видов автоматизации при применении к задачам разной сложности:
- Простые задачи они для заказчика могут выполнить полностью.
- В задачах, требующих специфичности \ оригинальности \ исследования \ изучения контекста \ коммуникации они могут стать инструментом.
- В задачах, где трудозатраты от использования их как инструмента и имеющиеся ограничения превышают пользу, они становятся вовсе не применимы.
Резюме
Я люблю нейросети. Это, безусловно, мощная и прорывная технология. Это серьезный рынок, на котором уже есть много полезных продуктов и будет еще больше. В этой статье я просто трезво анализирую их ограничения и выделяю тот факт, что в каждой профессии есть много работы, выходящей за пределы возможностей нейросетей и что они подвержены тем же проблемам, что и другие виды автоматизации, тем самым исключая соблазн приписывать им различные фантастические свойства и строить такие же фантастические прогнозы.
P.S. Я — разработчик и предприниматель. Мой основной бизнес это RocketBrush Studio — студия аутсорсинга и разработки игр. Мы активно растем, и если вдруг вы лично ищете работу или ваша организация предлагает услуги для бизнеса, то у нас есть задачи в области управления, маркетинга, развития бизнеса и продаж (B2B, США \ Европа), SEO и SMM, Веб-дизайна, QA (Unity), Unity C# и Node.JS разработки. А также я ищу хорошего помощника.
Вы можете связаться со мной через alex@rocketbrush.com. Я открыт для любых предложений в области бизнеса и IT \ gamedev.
Это все прекрасно, а задуматься надо над другим - если мы год назад не верили в то, что делает ИИ сейчас, то есть ли хоть одна причина, почему вышеупомянутые проблемы не будут решены так же неожиданно, скажем через год. Тренд задан и недооценивать происходящее будет странно.
Хз, вангую, что нейронки достигли предела и нас ждёт очередная ии-зима
будурт решены точно, 4-3 года вообще казалось бредом то, что имеем сегодня.
Сложно спрогнозировать до чего дойдёт прогресс через пару лет не говоря уже о десятилетии.
Комментарий недоступен
сомневаюсь, что человек, никогда не видевший открытый сундук (или что-то аналогичное, вроде чемодана и так далее), сможет его открыть или просто описать процесс и конечный результат.
Опыт и аналогия.
Рано или поздно но это случится - в непонятной ситуации ИИ сможет от частного перейти к общему, найдёт связи с уже известными ему частными случаями, и решит стоящую перед ним задачу.
Проблема с открыванием сундука действительно не является непреодолимой, думаю попробовать это сделать в Stable Diffusion где есть Inpainting. Но открытая крышка будет не той же самой, а "условной похожей крышкой". В то время как человек может повторить крышку в точности. Потому что принципы работы человека и нейронной сети приницпиально иные.