Нейросети и AI в действии: как они меняют бизнес и нашу реальность

Привет! На связи Артем Панферов, СЕО EndCode, студии разработки мобильных приложений. Наш новый проект AI LAB, где мы помогаем предпринмателям оптимизировать бизнес-процессы компаний. 👾

В последнее время новости про нейросети и AI слышно из каждого утюга. И это неудивительно. Они уже очень плотно встроились в нашу жизнь: переводчики, функция замены текста Т9, распознание голоса и даже алгоритмы ваших любимых TikTok — все это технологии нейросетей.

В этой статье разберем: что такое нейросети, как они работают и как влияют на нашу жизнь. Поехали 🚀

Из википедии мы знаем, что ИИ — это свойство искусственных интеллектуальных систем выполнять творческие функции, а нейросети — компьютерная система, созданная по образу устройства мозга, которая учится из данных, принимает решения и делает прогнозы, подобно тому, как работает человеческий мозг.

Но начать погружение в мир нейросетей я хочу не с практики, а с теории. Причем не с каких-нибудь там современных технологий, а с рассказа о том, как работает наш собственный мозг, и откуда вообще берут свои корни нейросети.

Суть заключается в нейронах, основных «микропроцессорах» мозга, которые принимают, обрабатывают и передают информацию. Это как электрическая почтовая станция в мозге, которая получает, обрабатывает и отправляет информацию через электричество и химию. Синапс, в свою очередь, — это связь между двумя нейронами, через которую передается информация.

Итак!

Давайте углубимся в детали и рассмотрим, что происходит с нейроном при поступлении небольшого кусочка информации. Нейрон обрабатывает эту информацию, и, если она ему знакома, он передает ее другим нейронам по уже существующим связям — синапсам. В обратном случае, он стремится установить новые связи.

Я приведу пример, чтобы вы смогли лучше понять это.

Представьте, что вы спрашиваете у человека о его представлении об апельсине. Как правило, все описывают апельсин как "круглый, оранжевый, вкусный".

Это сильное упрощение, но оно хорошо подойдет для понимания. Когда слово "апельсин" попадает в ваш мозг, нейрон, обработав информацию, устанавливает связи с такими словами, как круглый, оранжевый, вкусный, и передает информацию по этим путям. Это и есть связи, о которых мы говорим, мозг связывает объекты в категории.

Вспомните, какие слова часто произносят дети и как происходит их обучение. Родители стараются научить их словам: "Я — мама, ма - ма." В какой-то момент в мозге у маленького человека устанавливаются связи между нейронами, и формируется определенная информация (голос мамы, лицо, прикосновения, запах), которая получена на входе, и ее смысл. Со временем мозг все быстрее усваивает информацию, и нейроны формируют больше связей.

Например, оказывается, что "мама" может быть не только твоей, но и у других людей. Слово получает больше смысла в зависимости от контекста.

Так работает наш мозг, и так работают нейросети.

Поговорим немного об истории развития нейросетей.

Человечество поняло, что мозг чертовски круто работает, и люди решили это смоделировать на компьютере. Первую математическую модель нейрона мы создали еще в далеких 40-х.

1943 год — Уоррен Маккаллок и Уолтер Питтс публикуют работу "Логическое исчисление идей, имманентных нервной деятельности", в которой представлена первая концепция математической модели нейрона.

1969 год — Марвин Минский и Сеймур Паперт издают книгу "Перцептроны", которая указывает на ограничения однослойных перцептронов и приводит к первому "зимнему периоду" в исследованиях ИИ.

1986 год — Джеффри Хинтон и его коллеги представляют алгоритм обратного распространения ошибки для обучения многослойных нейросетей, что сыграло ключевую роль в возрождении интереса к нейросетям.

2006 год — Джеффри Хинтон вновь вносит вклад, вводя понятие "глубокое обучение" и показывая, что многослойные нейросети могут быть обучены эффективнее с использованием несвязанных машин Больцмана.

2015 год — Энтузиасты ИИ, включая Сэма Альтмана и Илона Маска, основывают OpenAI, исследовательскую лабораторию, которая стремится обеспечить, чтобы искусственный общий интеллект (ИИ), по мере его усовершенствования, был представлен широко и безопасно.

2017 год — Исследователи из Google Brain публикуют революционную статью, представляющую архитектуру Transformer, которая стала основой для последующих прорывов в области обработки естественного языка.

2022 год — OpenAI выпускает GPT-3, самую продвинутую на тот момент модель, использующую архитектуру Transformer для генерации текста, способного к задачам перевода, ответам на вопросы и многому другому.

2023 год — OpenAI представляет GPT-4 Turbo, развивая возможности предыдущих моделей и устанавливая новые стандарты в области машинного обучения и ИИ.

Эти вехи являются лишь некоторыми из ключевых моментов в развитии нейросетей, и каждая из них способствовала трансформации искусственного интеллекта из чисто академической концепции в неотъемлемую часть современного мира технологий.

Давайте обратимся к OpenAI и ChatGPT, про которые, я уверен, слышали уже буквально все. OpenAI была основана в 2015 году Илоном Маском и Сэмом Альтманом с целью создания дружественного искусственного интеллекта. Революция началась примерно в 2017 году после публикации статьи "Attention Is All You Need".

Сильно повлияло то, что человечество, наконец-то, достигло вычислительных мощностей, позволяющих обучать нейросети с миллионами и даже миллиардами параметров. (Один параметр — это аналог синапса в головном мозге.)

Именно тогда, в застенках OpenAI, начали тренировать первый GPT, и делать фокус для создания искусственного интеллекта на этой технологии. Сам процесс обучения, опять же, очень упрощенно, сводился к тому, что на вход нейросети подавались текстовые данные, а на выходе людьми оценивались результаты.

Например, нейросети подается фраза “Опиши апельсин”, а на выходе мы ставим условный лайк нейросети, когда получаем ответ “Круглый, оранжевый, вкусный”, закрепляя корректные нейронные связи.

Дальше начинается самое интересное!

Увеличивая объем данных для обучения нейросети, мы замечаем, что она начинает обладать большим количеством новых и неожиданных навыков. Например, GPT-2, который изначально не обучался переводу текстов, вдруг стал уметь это делать. Получив огромное количество информации, в какой-то момент он стал генерировать верные переводы.

Хочу также упомянуть развитие генеративных сетей для создания изображений, помимо текстовых нейросетей LLM, на базе тех же технологий. Процесс обучения похожий: мы показываем нейросети описание, а она генерирует картинку. Если результат удается, ставим лайк и закрепляем успех.

ChatGPT: Революция в мире искусственного интеллекта

Вернемся к ChatGPT, выпущенному OpenAI в ноябре 2022 года. Этот продукт изменил представление о нейросетях и стал революционным в мире искусственного интеллекта. Он не просто поддерживает диалог, но и умеет адаптироваться к контексту, отвечать на вопросы и даже имитировать творческий процесс. ChatGPT вышел за пределы обычных задач нейросетей, предлагая уникальный интерактивный опыт. Он открыл новую эру в общении с искусственным интеллектом, где машина становится партнером в разговоре, способным удивлять и творить.

Это была теоретическая часть. Сейчас мы перейдем к практике и примерам использования нейросетей в жизни и бизнесе.

Игра

У нас в EndCode была забавная затея еще до появления ChatGPT: мы создали визуальную новеллу об искусственном интеллекте, используя нейросети для генерации изображений в игре “The Last Question” по мотивам рассказа Айзека Азимова о супер-компьютере AI. Это был наш эксперимент с использованием нейросетей в игровой среде.

Первый кейс:

Мы используем нейросети для генерации дизайн-концепций наших мобильных приложений. Хотя они еще не создают полностью готовый дизайн, но помогают нам создавать новые, свежие идеи, из которых дизайнеры черпают вдохновение.

В жизни их можно использовать для контента в социальных сетях, генерациях концептов идей, создания картинок для бытовой жизни (например, аватарок или мемов).

Из подобных инструментов можно использовать DALLE-3, MidJourney.

Второй кейс:

Этот кейс больше всего подойдет для бизнеса. Мы используем плагин в Google Chrome — TLDV — для транскрибирования текста из онлайн-созвонов в Google Meet и Zoom. Так как у нас в EndCode все процессы удаленные, и наши сотрудники разбросаны по миру, иметь тексты всех созвонов – суперценный ресурс, который помогает нам следить за договоренностями и т.д.

Третий кейс:

Собственно, из второго кейса вытекает следующий. Имея на руках тексты созвонов мы можем скармливать их ChatGPT, чтобы он из всего потока разговора делал:

Четвертый кейс:

Консультации у экспертов — это суперценный кейс, который будет полезен в бизнесе и в жизни. Когда я сталкиваюсь с какой-то проблемой или задачей, в которой у меня не хватает компетенций — я иду в ChatGPT и говорю ему: ”Поставь себя на место эксперта по чему угодно и помоги мне с этим” и начинаю вести диалог, как с обычным человеком, заставляя отдать мне свои знания!

Пятый кейс:

Автоматизация процессов в бизнесе и жизни. В GPT-4 Turbo недавно появился функционал настройки ассистентов. Так вы можете настроить своего бота-ассистента, добавить в преднастройки необходимую документацию (регламенты, правила и т.д.) и использовать ассистента, как полноценного специалиста, профессионально решающего задачи по вашей документации. Примеры использования:

В бизнесе вы можете автоматизировать:

Для жизни:

Примеры использования можно генерировать буквально бесконечно…

Важно научиться правильно взаимодействовать и общаться с нейросетями, чтобы они выдавала более корректный результат. О лайфхаках общения расскажем в следующих статьях.

Нейросети уже давно не просто технологический тренд — они стали неотъемлемой частью нашей повседневной жизни, совершенствуя процессы и решая сложные задачи.

Эксперты AI LAB готовы помочь вам оптимизировать бизнес-процессы вашей компании с помощью современных технологий.

Артем Панферов EndCode Studio и AI LAB 👾

Еще больше новостей про AI (и не только) можно найти в моем telegram-канале.