Rewolucja ChatGPT czyli o co chodzi w modelach językowych (#10)

I już co się stało? No trzeba przyznać, że zrobiono coś niesamowitego. Wzięto jakby dorobek całej naszej cywilizacji z perspektywy internetu, książek, różnego rodzaju rzeczy i zbudowano model LLM-owy GPT, który zaczął się uczyć z tego wszystkiego co nas otacza. To co było efektem końcowym było nieprzewidywalne z perspektywy tego działania. Nie spodziewaliśmy się, że dzięki właśnie użyciu metod nazywanych Reinforcement Learning with Human Feedback, czyli chodzi o to, że to jest uczenie maszynowe z feedbackiem dodatkowym, ludzkim. Udało nam się zbudować coś tak niesamowitego z perspektywy przetwarzania tekstu. Co uzyskaliśmy? Uzyskaliśmy taki mechanizm, który jest w stanie odpowiadać nam i generować teksty, które dla nas są zrozumiałe.

Jakieś regułowo-heurystyczne podejścia, niegeneratywny machine learning cały, cały algorytm związany z optymalizacją, symulacją i właśnie generatywne modele. Czyli tak naprawdę ten AI jest dużo szerszy niż w tym momencie my o tym mówimy. Ale dlatego, że te generatywne modele odniosą przeogromny sukces. Tylko pamiętajmy, że one nadają się do pewnych zastosowań. Możliwe, że w jakichś innych zastosowaniach one też dadzą pozytywne efekty, ale zaczynamy iść w sferę takiej niepewności, bo tak naprawdę nie mamy gwarancji dlaczego jakieś elementy zostały zrobione i to jest duże ryzyko. Tutaj mam na myśli właśnie chociażby zastosowanie w świecie finansów czy w świecie jakiejś optymalizacji gdzie są procesy, są podejścia, które gwarantują na pewno skuteczność, gdzie my jesteśmy w stanie mierzyć te rzeczy i na to powinniśmy zwrócić uwagę, gdzie tak naprawdę tę sztuczną inteligencję z zakresu generatywnej sztucznej inteligencji możemy wykorzystywać.