Поэкспериментировал на новогодних праздниках с генеративным ИИ – время провел продуктивно и вот, что можно сказать

Инструмент крайне мощный в умелых руках, огромные возможности во многих областях, но есть и ограничения. Рассказываю с позиции решения конкретных научных и бизнес задач.

▪ Нет самообучения. Любой диалог и подстройка точности интерпретации контента со стороны ГИИ заканчивается в рамках одной сессии. Новая сессия и все с чистого листа. Это значит, что любая тонкая настройка ГИИ имеет не так уж много смысла в рамках реализации сложных задач.

Ключевая ценность нейросетей – это веса, которые естественно скрыты, т.к. веса определяют, как информация переходит и трансформируется внутри модели, влияя на то, как ГИИ реагирует на входные данные и какие выходные данные генерирует. Проще говоря, веса определяют адекватность трансформации информации со стороны ГИИ.

Нет доступа к весам – нет самообучения, соответственно нет полноценной интеграции. ChatGPT внешняя весьма упрощенная оболочка, даже с доступом через API, тогда как веса – ядро системы и именно веса стоят миллиарды долларов и всегда буду закрыты.

▪ Не подходит для сложных интегральных проектов, где нужно учитывать целостную картину. Можно поставить задачу ГИИ написать код для создания ОС, где ГИИ вежливо пошлет нахрен, но, можно разбить задачу на сотни и тысячи подзадач (модулей), где каждый модуль подробно описать с жестким техническим заданием.

Постановка задачи, основные и побочные цели, четкое описание входных переменных, подробное описание логики функционирования алгоритмов, описание инструментов и ресурсов, параметров и ограничений, формализация выходных данных и конечного результата. Чем более узкие границы и чем более точное описание задачи, тем лучше результат. Для не самых сложных модулей описание ТЗ может занимать 2-3 страницы текста, плюс еще три страницы отладка в процессе генераций решений от ГИИ – весьма трудоемко.

Что эффективнее? Производить многовекторую декомпозицию задачи с подробной формализацией ТЗ (промт-инжиниринг) или сделать задачу, как обычно собственными силами? Для тех проектов, где есть огромный накопленный опыт получается, что делать «как обычно» гораздо быстрее, чем писать ТЗ и донастраивать ГИИ в процессе решения задачи, причем каждый раз эти настройки сбрасываются. Например, задачи интеграции, компиляции, синхронизации и визуализации массивов статистической информации у меня может занимать от 15 минут до 1.5 часов в зависимости от объема данных – это лишь одномодульная задача.

Через ГИИ я пробовал это сделать за 3-4 часа и то выходило с ошибками, т.е. производительность снижается в разы, а не повышается. С другой стороны, те области, которые мною не изучены – здесь огромный прогресс. В неизведанных областях поиск ответа мог занимать 2-5 часов, тогда как через ГИИ задача решалась за считанные минуты, т.е. производительность растет на порядок!

Получается, что ГИИ не сможет заменить профессионала и крайне неэффективен в сложных, многомерных и многовекторных проектах, где присутствуют динамические связи и необходима интеграция модулей. Здесь пользы мало.

ГИИ очень полезен, как высокоразвитая экспертная система, где нужен конкретный ответ на одномерный и четко поставленный вопрос. Например, помочь создать пространство решения для конкретной задачи в рамках одной формулы – здесь может быть полезен. Помочь оптимизировать функцию или процедуру в коде без иерархических связей – вполне решаемая задача. Огромный прорыв в поиске информации без привязки к актуальности, особенно с точки зрения документации и методологии, я практически перестал пользоваться Гуглом или Яндексом для этих целей.

С текущей ревизией ГИИ – это действительно полезный инструмент, но именно инструмент, а не волшебная система. В иерархии задача->модуль ->проект ГИИ на себя забирают задачи, т.е. пока самый низкий уровень, причем не всегда это рационально и гораздо быстрее и эффективнее делать, как раньше. Материал подготовлен с использованием публикаций spydell_finance.