Иногда бывает трудно отличить реальность технологий от шумихи и маркетинговых сообщений, которые ежедневно бомбардируют наши почтовые ящики. За последние пять лет мы, пожалуй, слишком много слышали, например, о метавселенной, блокчейне и виртуальной реальности. В настоящее время мы переживаем фурор вокруг широко используемого термина “искусственный интеллект”, и время покажет, будет ли этот конкретный шторм рассматриваться как житель чашки с чаем.
Artificial Intelligence News побеседовал с Джоном Маклуном, директором по техническим коммуникациям и стратегии одной из самых зрелых организаций в области вычислительного интеллекта и научных инноваций, Wolfram Research, чтобы помочь нам рассмотреть наши нынешние представления об ИИ и их практическом использовании в более глубоком контексте.
Джон проработал в Wolfram Research 32 года на различных должностях, в настоящее время возглавляя европейскую команду технических служб. Математик по образованию и опытный практик во многих аспектах анализа данных, мы начали наше интервью с того, что попросили его описать работу Wolfram в формате elevator pitch.
Джон Маклун
“Наше ценностное предложение заключается в том, что мы разбираемся в вычислениях и технологиях Wolfram. Мы адаптируем нашу технологию к проблеме, которая стоит перед организацией. Это касается широкого спектра вещей. Поэтому у нас нет типичного клиента. Их объединяет то, что они занимаются чем-то инновационным”.
“Мы решаем проблемы, используем вычисления и науку о данных. Мы создаем единую платформу для вычислений, и когда мы говорим о вычислениях, мы имеем в виду такие виды технических вычислений, как инженерные расчеты, наука о данных и машинное обучение. Это такие вещи, как анализ социальных сетей, биологические науки, актуарные науки и финансовые вычисления. Абстрактно говоря, все это в основе своей математические вещи”.
“Наш мир – это все те структурированные области, на создание которых мы потратили 30 лет, создавая различные онтологии. У нас есть символическое представление математики, а также такие вещи, как графы и сети, документы, видео, изображения, аудио, временные ряды, объекты реального мира, такие как города, реки и горы. Моя команда занимается тем, что заставляет все это делать что-то полезное!”
“ИИ мы рассматриваем как еще один вид вычислений. Различные алгоритмы разрабатывались годами, некоторые из них – сотни лет назад, некоторые – всего десятки лет назад. Ген ИИ просто дополняет этот список”.
Заявления об искусственном интеллекте в 2024 году иногда могут быть слишком оптимистичными, поэтому мы должны реалистично оценивать его возможности и учитывать, в чем он преуспевает, а в чем нет.
“По-прежнему существует человеческий интеллект, который остается стратегическим элементом. Вы не скажете, что в ближайшие пять лет ИИ будет управлять моей компанией и принимать решения. Генеративный ИИ очень беглый, но ненадежный. Его задача – быть правдоподобным, а не быть правильным. И особенно когда вы переходите к тем вещам, которые делает Wolfram, это ужасно, потому что он скажет вам, как будет выглядеть ваш математический ответ”(курсивArtificial Intelligence News)
Работа Wolfram Research в этом контексте сосредоточена на том, что Джон называет “символическим ИИ”. Чтобы провести различие между генеративным и символическим ИИ, он привел аналогию с моделированием траектории брошенного мяча. Генеративный ИИ узнает, как летит мяч, изучив многие тысячи таких бросков, а затем сможет создать описание траектории: “Это описание будет правдоподобным. Такая модель богата данными и бедна пониманием”.
Символическое представление брошенного мяча, с другой стороны, будет включать дифференциальные уравнения для движения снаряда и представления элементов: массы, вязкости атмосферы, трения и многих других факторов. “Затем его можно спросить: “Что произойдет, если я брошу мяч на Марс?” Он скажет что-то точное. Он не потерпит неудачу”.
Идеальный способ решения бизнес-задач (или научных, медицинских или инженерных) – это сочетание человеческого интеллекта, символических рассуждений, воплощенных в языке Wolfram Language, и того, что мы сейчас называем ИИ, выступающего в качестве связующего звена между ними. ИИ – отличная технология для интерпретации смысла и выполнения роли интерфейса между компонентами.
“Некоторые из интересных пересечений – это когда мы берем естественный язык и превращаем его в структурированную информацию, с которой потом можно производить вычисления. Человеческий язык очень запутанный и неоднозначный, а генеративный ИИ очень хорошо умеет преобразовывать его в некую структуру. Как только вы оказываетесь в структурированном мире чего-то синтаксически формального, вы можете что-то с этим делать”.
Недавний пример сочетания “традиционного” ИИ с работой Вольфрама связан с медицинскими записями:
“Недавно мы реализовали проект, взяв медицинские отчеты, которые были написаны от руки, напечатаны и переведены в цифровой формат. Но они содержат слова, и пытаться сделать статистику на их основе невозможно. Поэтому приходится использовать генеративный ИИ для сопоставления всех этих слов с такими вещами, как классы: была ли эта смерть предотвратимой? Да. Нет. Это хорошая, структурированная пара ключ-значение. И как только мы получим эту информацию в структурированном виде (например, в виде JSON или XML, или любой другой выбранной вами структуры), мы сможем использовать классическую статистику, чтобы сказать: “Есть ли тенденция? Можем ли мы спрогнозировать? Есть ли влияние COVID на больничный вред?” Четкие вопросы, к которым можно подойти символически, используя такие вещи, как средние и медианы и модели”.
Во время нашего интервью Джон также рассказал о презентации, в которой в качестве примера работы его организации был взят воображаемый завод по производству чашек с арахисовым маслом. Каковы могут быть последствия замены определенного ингредиента или изменения некоторых деталей рецепта, а также влияние этих изменений на срок годности продукта?
lLM (большие языковые модели) скажут: “О, они, вероятно, продержатся несколько недель, потому что чашки с арахисовым маслом обычно лежат на полке несколько недель”. Но если перейти к вычислительной модели, которая может подключить ингредиенты и вычислить их, вы узнаете, что эта штука должна пролежать восемь недель, прежде чем испортится”. Или как это изменение может повлиять на производственный процесс? Вычислительная модель может подключиться к цифровому двойнику вашего производственного предприятия и узнать: “Это замедлит работу на 3 %, поэтому производительность упадет на 20 %, потому что это создаст узкое место здесь“. LLM отлично умеют связать вас и ваш вопрос с моделью, математикой, наукой о данных или базой данных. И это действительно интересная трехсторонняя встреча умов”.
Вы можете увидеть Wolfram Research на предстоящем мероприятии TechEx в Амстердаме, 1-2 октября, на стенде 166 в секции AI & Big Data. Мы не можем гарантировать, что на мероприятии будут обсуждаться вопросы, связанные с арахисовым маслом, но чтобы узнать, как можно использовать мощное моделирование и генеративный ИИ для решения ваших конкретных проблем и вопросов, свяжитесь с компанией через ее веб-сайт.
Хотите узнать больше об искусственном интеллекте и больших данных от лидеров отрасли? Посетите выставку AI & Big Data Expo, которая пройдет в Амстердаме, Калифорнии и Лондоне. Это комплексное мероприятие проводится совместно с другими ведущими событиями, включая Intelligent Automation Conference, BlockX, Digital Transformation Week и Cyber Security & Cloud Expo.
Ознакомиться с другими предстоящими мероприятиями в области корпоративных технологий и вебинарами, проводимыми TechForge, можно здесь.
Источник: www.artificialintelligence-news.com
