Zašto ne treba pitati AI za investicioni savjet

Pored 400 mlrd USD koje velike tehnološke kompanije planiraju da potroše na AI infrastrukturu ove godine, prema procjenama Morgan Stenlija.

Ipak, do sada je povrat na ulaganja u AI projekte bio slab. Nedavna studija MIT-a pokazala je da je 95% pilot projekata generativne AI u kompanijama ostalo na početnom nivou. Vodeće AI laboratorije poput OpenAI i dalje imaju problema da nauče AI da obavlja "dosadne" zadatke na nivou početnog investicionog bankara. Generativna AI izgleda da se približava svom trenutku "duboke razočaranosti".

Manjak podataka za trening

Chatbotovi poput ChatGPT-a i Geminija mogu da napišu savršen sonet za nekoliko sekundi. Mogu da programiraju i pišu filmske scenarije. Pa zašto je AI i dalje toliko daleko od toga da preuzme stvarni rad u kancelarijama?

Odgovor: podaci za obuku, konkretno specijalizovani podaci iz stvarnog svijeta. Ispostavilo se da, dok postoji obilje javno dostupnih podataka za generisanje jezika ili koda, znatno je manje podataka o tome kako voditi IPO ili spajanje kompanija. Ti podaci su uglavnom privatni.

Za pisanje soneta, modeli su obučavani na tekstovima sa cijelog interneta. Uključujući ogromne količine poezije i književnosti. To su podaci koje su AI kompanije mogle da dobiju besplatno, "skrejpujući" čitav internet.

Halucinacije, a ne savjet

S druge strane, za zadatke iz stvarnog svijeta koji definišu dan investicionog bankara početnika, čak i stvari poput specijalizovanog unosa podataka i manipulacije tabelama, gotovo da ne postoji lako dostupna obuka.

- Veliki jezički modeli dobro rade kada prikupite puno podataka. A mi nemamo ni približno toliko podataka za zadatke iz stvarnog svijeta. To znači da AI nije video primjere koji su mu potrebni da savlada ove specifične vještine - kaže Robert Nišihara, suosnivač Anyscale-a.

U složenim, višestepenim zadacima iz stvarnog svijeta, inherentni nedostatak kontrole generativne AI predstavlja kritičnu manu. AI daje različite odgovore svaki put i podložan je "halucinacijama"- Čak i male greške brzo se sabiraju kroz više koraka, zbog čega čitav proces može brzo da krene "po zlu".

Potencijalno rješenje

Smanjenje grešaka razlog je što AI laboratorije intenzivno prikupljaju specifične podatke sa stručnjacima. Svaka oblast ima svoj set specifičnih slučajeva koje je potrebno uzeti u obzir, kaže Lejk Dai, osnivač Sancus Ventures.

Ovo postaje velika industrija: Surge AI, kompanija čiji je cijeli posao obezbjeđivanje podataka koje su generisali ljudi, a za potrebe AI laboratorija, dostigla je prošle godine milijardu dolara redovnih prihoda. Stručnjaci mogu zarađivati više od 100 dolara po satu generišući podatke kako bi automatizovali svoje vlastite poslove. Ti podaci mogu biti ljudi koji satima obavljaju svoje kancelarijske poslove, kaže Pako Guzman, šef istraživanja u Handshake-u. Oni su dobavljač podataka za obuku. Na primjer, to može biti investicioni bankar koji pravilno formatira prezentaciju ili ljekar koji unosi bilješke pacijenata u zdravstveni sistem, prenosi Ekapija.

"Postoji ogroman zahtjev za ovakvim podacima jer kreatori AI modela žele da budu partner svakom profesionalcu i pomognu mu da poveća produktivnost. Kada završe sa finansijama, tu su medicina, zapošljavanje i beskonačno mnogo drugih oblasti".

AI modeli ne mogu da uče na greškama

Ali čak i ako AI laboratorije uspiju da prikupe hiljade, pa čak i milione primjera radova u kancelariji, da li će AI moći da u potpunosti preuzme naše poslove? Ne nužno, jer trenutni AI modeli još ne mogu da uče kao ljudi, kaže Nišihara.

"Da biste obavljali posao, morate da budete sposobni da učite tokom rada", kaže on. "Ljudi mogu da uče tokom rada, uče na greškama i samo na jednom primjeru, ali današnji AI modeli to ne mogu. Nećemo potpuno zamijeniti poslove u kancelarijama dok to ne budu mogli".