Uute tehnoloogiate rakendamine äriprotsessides on sageli keeruline, kuna tehnilise võimekuse ja ärilise vajaduse vaheline side ei ole kohe ilmne.
Sageli valib tootja tehnoloogia võimekuse tõestamiseks töövood, mis on tavapärasest keerulisemad. Keeruliste töövoogude realiseerimine on tavapärasest kallim. Keerulisi juhtumeid esineb harva ning nende automatiseerimine ei pruugi olla kõige esimene samm. Alguses on alati mõistlik automatiseerida lihtsad rutiinsed sagedased tegevused.
GPT mudelitega on võimalik automatiseerida mitmeid tekstiga seotud rutiinseid tegevusi ilma mudelit treenimata.
Masinõppemudelite rakendamine jäi varem sageli selle taha, et mudeli treenimiseks ei olnud piisavalt andmeid. GPT mudelite ise treenimine jääb raha taha.
OpenAI ei ole täpseid andmeid avaldanud, kuid ekspertide hinnangul oli GPT 3 mudeli ühe treenimise kulu 4.6 miljonit dollarit. Kolmandiku võrra suurema GPT 4 mudeli treenimise kulu oli juba 100 miljonit dollarit. Järgmise põlvkonna mudeli treenimine on tõenäoliselt jälle suurusjärgu võrra kallim.
GPT mudelit ei ole mõistlik ise treenida ja kasulikum on kasutada valmis treenitud mudelit.
Mis on ChatGPT?
ChatGPT on vestlusrobot, mis on rikastatud mitmete keelemudelitega. OpenAI on eel-treeninud mitu generatiivset mudelit. Taustal kasutatakse mudeleid vastavalt ülesandele, mis ChatGPT-le antakse. Seepärast ongi oluline alati anda vestluses AI-le võimalikult täpsed juhised, mida temalt oodatakse. Vestlusroboti rakendusse sisse ehitatud oskuste järgi jagatakse ülesanne osadeks, rakendatakse kõige sobivamat mudelit ja pannakse vastus oskuste abil jälle kokku.
Kuna vestlusrobotil ei ole teie ettevõtte andmeid, annab ChatGPT harju keskmise vastuse. Kuigi see vastus võib olla väga hea valdkonna võhikule, on see kasutu kui ei sisalda konteksti loomiseks teie ettevõtte andmeid.
Hea tulemuse saab kui vestlusrobotile koguda kokku täpsed teie ettevõtte andmed, mida harju keskmise tarkusega kombineerides saab erakordselt hea tulemuse.
Senise praktika baasil on äriliselt kõige kasulikumad AI oskused kokkuvõtete tegemine, kategoriseerimine ning otsing tähenduse järgi.
Kokkuvõtte tegemine
Kokkuvõtte tegemine on üks kõrgemini hinnatud AI võimekusi. Kõige olulisemat on raske eristada pikast tekstist, mis sisaldab selgitusi, korduseid ning kõrvalepõikeid. AI mootorid oskavad tekstist eristada olulised objektid (olemid) ja teemad. Teemade sageduse ning nendega seotud võtmesõnade abil suudavad määrata prioriteedid ning kesksed mõtted sõnastada. Seejuures ei ole oluline, mis keeles on sisend ja väljund.
Sama töövoo alamliik on küsimuste küsimine dokumendi kohta. Indekseeritud dokumendis on teemad kategoriseeritud ning küsimuse konteksti alusel suudab AI tuvastada olulised kohad tekstis.
Oluline kokkuvõtte tegemise võimekus on kategoriseerimine, mida võib pidada täiesti eraldi võimekuseks.
Kategoriseerimine
Klientide kirjavahetuse kategoriseerimine toodete ja teenuste lõikes eeldas varem tuhandeid ette kategoriseeritud kirju, millega tehisintellekti treeniti. Sellist kategoriseerimist suutsid teha tavaliselt ainult ettevõtte kõige kvalifitseeritumad töötajad, kelle tööaeg oli kõrges hinnast. Nii jäigi kategoriseerimise kvaliteet, kui kategoriseerimine üldse juurutati, kehvaks.
OpenAI teenuses on juba treenimise käigus teemad jagatud enam 1500 dimensiooniga ruumi selliselt, et igal sõnal ja fraasil on oma tähendusega ruumipunkt. See tähendab, et üldjuhul ei ole kirjade klassifitseerimiseks vaja teha pikka õppimist, vaid tehisintellekt suudab kirja konteksti ja kategooria tähenduse vahel leida seose.
Varasem kogemus veateadete kategoriseerimisega näitab, et tehisintellekt ei suuda kohe kategoriseerida juurpõhjust. Kuid juurpõhjust ei suuda tavaliselt tuvastada ka inimene ning juurpõhjuse kategooria selgub diagnostika käigus.
Kui juurpõhjused on varasematel veateadetel korrektselt kirjeldatud, saab hakata võrdlema uue veateate ja varasemate veateadete semantilist kuuluvust.
Tähenduse järgi otsing
Igal sõnal, fraasil ja pikemal tekstil on AI teenuse enam kui 1500 dimensiooniga tähendusruumis oma asukoht. Sarnase tähendusega sõnad ja fraasid asuvad selles virtuaalses ruumis kõrvuti. Mida lähemal sõnad ja fraasid selles ruumis on, seda sarnasema tähendusega nad on.
Erinevalt tavapärasest otsingust, mis otsis tulemusi sõna kuju aluse, suudab semantiline ehk tähenduse järgi otsing leida kõige sarnasema vaste. Näiteks sõna järgi otsides on sõnad „kõrge“ ja „suur“ täiesti erineva kujuga. Kui neid sõnu aga kasutada palga või tasu kontekstis on nad sisuliselt samatähenduslikud.
Tähenduse järgi otsing annabki tulemusi isegi kui otsingus kasutatud mõisted on kirjutatud kirjapildis täiesti erinevate sõnadega. Piisab kui mõte ja kontekst on sarnased.
Järeldused
Eeltreenitud masinõppe mudelid toovad meieni võimekused, mille treenimiseks meil tänapäevase tehnoloogiaga meil omal ressursse ei ole. Konteksti lisamisega suurte mudelite vestlusrobotitesse on võimalik oluliselt parandada tulemuse kvaliteeti. Konteksti lisamiseks piisab tavaliselt sellise töövoo loomist, mis päringu alusel koondab info ettevõtte süsteemidest ning lisab saadud konteksti vestlusroboti juhisesse.
Ettevaatust ei tohi kaotada, sest mudelid aeg ajalt eksivad ja täiesti enesekindlalt esitavad valeinfot. Siiski on suured AI mudelid viimase kümnendi suurim edasiminek info töötlemise tehnoloogiates.