Наконец-то это произошло - американский политик использовал изображения, созданные с помощью искусственного интеллекта, в видеоролике, направленном на атаку оппонента.

Команда губернатора Флориды и кандидата в президенты от Республиканской партии Рон ДеСантис разместила рекламу на Twitter, на которой показано, как бывший президент и конкурент на выборах Дональд Трамп обнимает доктора Энтони Фаучи, бывшего директора национального института аллергии и инфекционных заболеваний США.

Реклама атакует Трампа за то, что он не уволил Фаучи, который является объектом неприязни для большинства политической правой стороны, и включает фрагменты его реалити-шоу "Ученик" ("The Apprentice"), где он каждую неделю увольнял одного из участников."

Фаучи часто изображался в качестве злодея праворадикальными политиками, существуют конспирологические теории, которые курсируют онлайн, будто бы он лгал о пандемии и о том, что маски предоставляют защиту, чтобы захватить контроль над правительством.

Реклама ДеСантиса появилась в то время, когда губернатор Флориды отстает от Трампа, который имеет огромное преимущество в борьбе за республиканскую номинацию, согласно опросам. Реклама была выпущена по мере того, как Трамп был обвинен в нарушении правил обращения с конфиденциальными документами в своем доме в Мар-а-Лаго.

Хотя в коллаже выше есть подлинные изображения, изображения бывшего президента, обнимающего доктора Фаучи, имеют глянцевую текстуру, которая является узнаваемым признаком создания с помощью искусственного интеллекта.

Логотип Белого дома, который украшает пресс-центр, также выглядит иначе на одном из изображений по сравнению с его реальным видом. Печать главного помощника, которая появляется в пресс-центре, полностью белая, но на одном из изображений флаг на вершине Белого дома красный, белый и синий. Вы можете увидеть различия ниже, причем реклама даже содержит фактическое изображение печати, хотя флаг обрезан.

Обратные поиски изображений показывают, что изображения упоминаются только в статьях, ссылающихся на их создание с помощью искусственного интеллекта. Тем не менее, явно подлинные изображения можно проследить до марта 2020 года, когда Трамп и Фаучи проводили брифинги на начальном этапе пандемии в США.

Теперь в рекламном ролике на Twitter есть контекстное окно, в котором читатели отмечают, что некоторые изображения в нем созданы с помощью искусственного интеллекта.

Атаки - это не новость.

Использование отредактированных изображений соперников - не новость для политических рекламных роликов. Сам Трамп часто публиковал отредактированные видеоклипы и мемы на своей учетной записи в Twitter, направленные на атаку на соперников. Один из видеороликов Трампа, направленный против Байдена, был подвергнут судебному иску за нарушение авторских прав певца Electric Avenue Эдди Гранта. Этот случай все еще находится на рассмотрении и может быть направлен на судебное разбирательство.

И хотя это не политический рекламный ролик, Трамп разместил изображения, созданные с помощью искусственного интеллекта, на которых он сопротивляется аресту, перед его обвинением в предполагаемой выплате денег актрисе для взрослых Сторми Дэниэлс в качестве денежной компенсации за молчание.

Читать оригинальную статью (eng): aibusiness.com

Стартап по искусственному интеллекту Forever Voices AI разработал "виртуальную подругу" по имени CarynAI, клон звезды социальных сетей Кэрин Марджори.

У Марджори почти два миллиона подписчиков на Snapchat, где она публикует видео и фотографии себя в течение дня. Ее поклонники в возрасте 98% мужчин и бомбардируют ее запросами и сообщениями. Марджори создала группу в Telegram, где ее фанаты платят за вступление, и она проводит пять часов в день, общаясь с ними.

Чтобы достичь большего числа поклонников, она сотрудничала с Forever Voices, чтобы создать клон себя, с которым каждый поклонник может общаться через двусторонний аудио-чат.

Пользователи могут общаться с ней за $1 в минуту. В первую неделю после запуска, по словам партнера венчурной компании A16z Джастин Мура, она заработала $72 000.

Марджори оценивает, что может зарабатывать $5 миллионов каждый месяц на основе текущей статистики по росту подписчиков.

"CarynAI - это первый шаг в правильном направлении по лечению одиночества. Мужчинам говорят подавлять свои эмоции, скрывать свою мужественность и не говорить о проблемах, с которыми они сталкиваются," - написала в своем твите Марджори.

Мур дополнила: "Искусственные интеллектуальные подруги станут огромным рынком".

Кроме CarynAI, другие чат-боты на основе ИИ, созданные Forever Voices, включают клонов Тейлор Свифт, Канье Уэста и Стива Джобса. "

Как это работает:

Чатбот CarynAI использует API GPT-4 от OpenAI и был обучен на тысячах часов видео Марджори. Чатбот воспроизводит личность, манеры и голос Кэрин, так что поклонники могут почувствовать себя в погружающем опыте с использованием ИИ.

Однако чат-бот на основе ИИ предназначен для снижения интенсивности бесед после часа, одновременно поощряя пользователей продолжать общение в дальнейшем.

"Это означает невероятный прорыв в будущем взаимодействия ИИ с людьми", - заявил Джон Х. Мейер, основатель и генеральный директор Forever Voices, в твите. "Идите на виртуальные свидания, приводите себя в форму в режиме тренировки, изучайте новый язык или даже получайте советы в режиме жизненного тренера."

Мейер говорит, что есть «буквально тысячи» возможных взаимодействий. Эти разговоры используют генеративный ИИ для создания новых бесед, а не предустановленных, заранее запрограммированных ответов.

В то время как Марджори признает, что общение с CarynAI может стать эксплицитным, она надеется, что такие типы обменов не будут являться наиболее распространенной особенностью. Обмены с CarynAI имеют конечно-конечное шифрование, поэтому сама Марджори не имеет доступа к чатам, если пользователь не решит их поделиться.

Воспоминания об отце

Мейер рассказал газете The Washington Post, что начал Forever Voices, чтобы общаться со своим отцом, который умер в 2017 году. Он разработал голосовой чат-бот на основе ИИ, который воспроизводил личность и голос его отца, и это помогло ему восстановиться после потери. Мейер начал встречаться с инвесторами после самостоятельного финансирования запуска.

В будущем, компаньоны на основе ИИ могут вообще не основываться на реальных людях. Существуют уже полностью виртуальные влиятельные личности, такие как Лил Микела с сотнями тысяч подписчиков.

"Я думаю, что в следующие пять лет у большинства американцев будет компаньон на основе ИИ в кармане любой формы, будь то ультра-флиртующий ИИ, с которым вы встречаетесь, ИИ, который является вашим персональным тренером, или просто учебный компаньон", - предсказал Мейер.

Читать оригинальную статью (eng): aibusiness.com

BT Group, одна из крупнейших телекоммуникационных компаний в мире, заявила, что к концу десятилетия она уволит до 55 000 человек или 42% своего персонала, преимущественно из-за искусственного интеллекта и автоматизации.

"Мы станем безусловными выгодоприобретателями искусственного интеллекта, потому что у нас много клиентов", - сказал генеральный директор Филип Джансен в ходе заседания с аналитиками. "У нас есть 30 миллионов клиентов, у нас много сотрудников, много активности, и искусственный интеллект может помочь нам делать это более эффективно".

"Мы станем огромными выгодоприобретателями (искусственного интеллекта и автоматизации) в плане эффективности и снижения затрат, и поэтому мы знаем, что в будущем нам не понадобится все эти должности", - сказал он.

По словам Джансена, генеративный искусственный интеллект, в частности, открывает для BT новые возможности для переосмысления компании. "Какие новые услуги и продукты могут возникнуть благодаря искусственному интеллекту, в частности генеративному искусственному интеллекту и моделям больших языков?

Мы имеем несколько идей, но пока что это очень ранний этап, и этому нужно уделять особое внимание", - сказал он. BT, ранее известная как British Telecom, предоставляет услуги проводной и мобильной телефонии, а также широкополосного доступа в интернет, сетевых IT-решений и услуги подписного телевидения в более чем 180 странах. К его брендам относятся BT, EE, PlusNet и Openreach. В настоящее время BT имеет 130 000 сотрудников.

Клиенты не знают, что это чатбот

Джансен сказал, что около 10 000 сокращений связаны с цифровизацией, автоматизацией и использованием искусственного интеллекта для повышения эффективности операций. Среди увольняемых включены 30 000 контрактных работников, в том числе 15 000 работников, связанных с созданием сетей. Еще 5 000 человек потеряют работу из-за "обычной реструктуризации", путем устранения дублирования при объединении подразделений Enterprise и Global в рамках BT Business.

Искусственный интеллект и автоматизация уже начали проникать в компанию. Например, использование чатботов в центрах обслуживания клиентов привело к "отличным результатам", по словам Джансена. "Знает ли каждый, что это чатбот? Конечно, нет".

Более того, сети могут быть автоматически управляемыми с помощью искусственного интеллекта "способом, который не мог осуществляться два или три года назад", сказал он. "Управление трафиком, более точное прогнозирование трафика - это трудоемкие задачи, которые больше не потребуются".

Кроме того, Джансен сказал: "У нас есть искусственный интеллект и все данные, которые могут помочь создать самовосстанавливающиеся сети".

Он пояснил, что BT не планирует массовые сокращения, а планирует сократить персонал путем естественной текучести кадров - не замещая вакансии после ухода сотрудников - и переквалификации сотрудников. Джансен сказал, что у BT есть от пяти до семи лет, чтобы достичь целевого числа сотрудников в размере от 75 000 до 90 000. Он также добавил, что BT уже сокращает 5 000 рабочих мест ежегодно.

"Искусственный интеллект поможет нам значительно повысить эффективность и предоставлять услуги нашим клиентам более безупречным образом", - сказал он, отметив, что BT подал больше патентов на искусственный интеллект, чем кто-либо другой в Великобритании.

Оригинальная статья (eng): https://aibusiness.com/nlp/bt-to-cut-up-to-55-000-jobs-due-to-ai-automation

Data Lakes влияют на современную платформу управления данными на всех уровнях. Организации могут получать более быстрые инсайты, экономить затраты, улучшать управление и повышать доступность самообслуживания данных.

Data Lakes стали популярными, так как организации стремятся использовать мощь больших данных, машинного обучения и аналитики.

Это большой централизованный репозиторий, который хранит все типы данных в их исходном формате, которые затем могут быть проанализированы и обработаны для извлечения ценных инсайтов. Здесь мы обсудим рост озер данных и их роль в современном управлении данными.

Одним из основных причин роста озер является увеличение количества данных в связи с распространением устройств, подключенных к интернету, интернета вещей (IoT), платформ, поддерживаемых технологией 5G, а также роста электронной коммерции и социальных медиа, организации генерируют больше данных, чем когда-либо раньше. Data Lakes обеспечивают масштабируемый и экономичный способ хранения и управления большими объемами данных.

Еще одним фактором, способствующим росту озер данных, является необходимость в реальном времени анализировать информацию. В традиционных хранилищах данные должны быть обработаны и преобразованы, прежде чем их можно будет проанализировать. Этот процесс может занять много времени и задержать предоставление инсайтов. С другой стороны, Data Lakes позволяют организациям анализировать информацию в реальном времени, предоставляя немедленные инсайты, которые могут использоваться при принятии решений.

Data Lakes играют критическую роль в современном управлении данными в следующих аспектах:

Хранение и управление данными. Data Lakes обеспечивают централизованный репозиторий для всех типов данных, включая структурированные, полуструктурированные и неструктурированные данные. Это упрощает хранение и управление большими объемами данных организации. Кроме того, Data Lakes поддерживают различные форматы и типы данных, что упрощает интеграцию данных из различных источников.

Анализ и обработка данных. Data Lakes обеспечивают масштабируемую и экономичную платформу для анализа и обработки данных. Данные могут быть проанализированы в режиме реального времени, что позволяет организациям извлекать ценные инсайты и принимать обоснованные решения. Data Lakes также поддерживают различные инструменты аналитики, такие как машинное обучение, искусственный интеллект и визуализация данных, которые могут раскрывать закономерности и тенденции в данных.

Управление данными и безопасность. Data Lakes обеспечивают централизованную платформу для управления данными и их безопасности. Политики управления данными могут быть реализованы на уровне Data Lakes, что гарантирует хранение, управление и доступ к данным в соответствии с требованиями соответствующих правил. Кроме того, Data Lakes обеспечивают мощные функции безопасности, такие как шифрование и контроль доступа, которые могут помочь организациям защитить конфиденциальные данные.

Интеграция и взаимодействие данных. Data Lakes предоставляют платформу для интеграции и взаимодействия данных. Данные из разных источников могут быть объединены в озере данных, что упрощает для организаций объединение данных из разных источников и получение комплексного представления о своих данных. Кроме того, Data Lakes поддерживают различные инструменты интеграции данных, что упрощает интеграцию данных из разных источников, включая приложения баз данных.

Гибкая обработка данных и быстрые инсайты. Data Lakes обеспечивают гибкую обработку данных, позволяя организациям быстро обрабатывать и анализировать большие объемы данных в режиме реального времени. Эта скорость обработки данных обеспечивает более быстрые инсайты и принятие решений, что крайне важно в современной быстротемпной бизнес-среде. Data Lakes поддерживают ряд технологий обработки данных, таких как Apache Spark и Hadoop, которые позволяют параллельную обработку данных, что приводит к более быстрым инсайтам.

Экономически выгодное хранение данных. Data Lakes могут хранить большие объемы данных, имея при этом относительно низкую стоимость. Они позволяют организациям хранить данные в их исходном формате, что сокращает необходимость в дорогостоящей трансформации и обработке данных. Кроме того, Data Lakes могут размещаться на облачных платформах, таких как Amazon Web Services, Microsoft Azure и Google Cloud, что обеспечивает экономически выгодный способ хранения и управления данными.

Самостоятельный доступ к данным. Data Lakes обеспечивают самостоятельный доступ к данным, позволяя пользователям получать доступ к данным, которые им необходимы, без вмешательства отдела информационных технологий. Этот подход сокращает нагрузку на команды ИТ, позволяя им сосредоточиться на более стратегических задачах. Data Lakes обеспечивают единую истину о данных, что гарантирует, что все пользователи имеют доступ к одним и тем же данным, снижая риск появления "особых" наборов данных.

Масштабируемость и гибкость. Data Lakes обеспечивают масштабируемость и гибкость, позволяя организациям адаптироваться к изменяющимся потребностям управления данными. При увеличении объемов данных Data Lakes могут масштабироваться для удовлетворения возросших требований к хранению и обработке данных. Кроме того, Data Lakes поддерживают различные источники данных и типы данных, что делает их очень гибкими и адаптивными.

Улучшение качества данных. Data Lakes могут улучшить качество данных, позволяя организациям выполнять задачи очистки и проверки данных по входящим данным. Это помогает гарантировать точность и высокое качество данных, что приводит к лучшим инсайтам и принятию решений.

Интеграция с другими инструментами управления данными. Data Lakes могут интегрироваться с другими инструментами управления данными, такими как хранилища данных, базы данных и каталоги данных, что позволяет организациям создавать комплексные экосистемы управления данными. Эта интеграция позволяет организациям использовать преимущества различных инструментов управления данными, что приводит к более мощным возможностям управления данными.

Data Lakes стали неотъемлемым инструментом современной платформы управления данными. Они обеспечивают масштабируемую и экономичную платформу для хранения и управления большими объемами данных, и поддерживают анализ и обработку данных в режиме реального времени. Кроме того, Data Lakes предоставляют централизованную платформу для управления данными, безопасности, интеграции и взаимодействия данных.

Поскольку данные продолжают приобретать все большее значение для организаций, Data Lakes вероятно станут еще более критическими для современного управления данными.

Оригинальная статья (eng): https://www.techtarget.com/searchdatamanagement/opinion/Data-lakes-Key-to-the-modern-data-management-platform

Мировой рынок искусственного интеллекта расширяется со все большой скоростью, а недавние инновации, такие как ChatGPT, подтверждают его большой потенциал. В результате компании стремятся использовать искусственный интеллект более чем когда-либо для создания эффективных и инновационных решений для своих клиентов.

Однако важно быть осторожным в применении ИИ, так как имеются свидетельства того, что иногда он может быть предвзятым в своих решениях, что будет иметь отрицательные последствия для бизнеса. Эта предвзятость может возникать, когда данные, подаваемые на вход системе ИИ, не охватывают все точки зрения, или правила, которым следует система ИИ, смещены.

Эта предвзятость в системах на основе ИИ была отмечена многими фирмами и организациями в последние несколько лет. Например, в 2021 году аудит OpenAI обнаружил предвзятость по возрасту и полу в модели CLIP. Аналогично, Obermeyer et al. (2019) сообщили о наличии доказательств расовой предвзятости в алгоритмах здравоохранения в США. Кроме того, Департамент финансов штата Нью-Йорк признал, что существуют риски в алгоритмическом кредитовании, включая "неточность в оценке кредитоспособности, дискриминационные результаты и ограниченную прозрачность".

Политики управления ИИ

Сегодня необходимо ввести политики управления и соответствия ИИ, которые включают проверку результатов ИИ на предмет потенциального предвзятости.

Эти политики должны устанавливать четкие этические руководства для разработки и внедрения систем ИИ, включая обеспечение тестирования данных, используемых для обучения систем ИИ, на разнообразие демографических и социоэкономических групп, обеспечение справедливости и надежности полученных систем ИИ. Что касается соответствия, политики должны рассмотреть оценку рисков для результатов ИИ и реализовать технические средства защиты для снижения рисков.
Инженерным группам также необходимо внести свой вклад в достижение этой цели, включив в лучшие практики разработки непредвзятых и надежных систем ИИ следующие инструменты:

Системы ИИ с потенциальным социальным влиянием должны иметь индекс предвзятости и также индекс справедливости, который должен превышать стандартные рекомендации. Например, оценка справедливости должна находиться в диапазоне между 0,9 и 1,0, как индикатор справедливой системы ИИ.

Вот пошаговый процесс, чтобы обеспечить справедливость и точность модели. Я использую AIF360, но аналогичный процесс может быть применен с помощью Fairlearn.

1.    Создайте разнообразную выборку данных, которая включает различные демографические и социоэкономические группы на основе защищенного атрибута.

2.    Разделите этот набор данных на обучающий и тестовый наборы данных для разработки модели.

3.    Рассчитайте точность и среднюю статистическую разницу равноправия для обучающего набора данных из вашей текущей системы ИИ для всех групп.

4.    Примените алгоритм перевзвешивания к обучающему набору данных. Перевзвешивание - это метод предварительной обработки, который взвешивает экземпляры в каждой паре (группа, метка) по-разному, чтобы обеспечить справедливость перед классификацией.

5.    Обучите новую модель машинного обучения, используя преобразованный обучающий набор данных.

6.    Протестируйте преобразованную модель, используя тестовый набор данных и сохраните прогнозы.

7.    Рассчитайте точность и метрику преобразованного набора данных (среднюю разницу) для тестового набора данных. Примечание: Средняя статистическая разница может зависеть от конкретного случая использования и дисбаланса классов. Кроме того, оцените, какие другие оценки лучше подходят для данных.

8.    Обеспечьте, чтобы Диспропорционный эффект (оценка справедливости) оставался близким к 1,0, обеспечивая тем самым непредвзятую систему ИИ.

9.    Оцените и сравните метрики справедливости для оригинальной и преобразованной моделей, обеспечивая точность и справедливость модели машинного обучения, а также сбалансированные оценки точности и справедливости.

Следуя этому высокоуровневому подходу, вы можете оценить справедливость модели машинного обучения с помощью AIF360 и сравнить производительность оригинальной и преобразованной моделей на основе различных метрик справедливости.

Оригинальная статья (eng): aibusiness.com

Искусственный интеллект (AI), машинное обучение (ML) и глубокое обучение (DL) - это три модных слова, которые за последние годы взорвали технологический мир. Хотя они часто используются взаимозаменяемо, эти термины не являются синонимами. В этом блоге мы рассмотрим различия между AI, ML и DL и предоставим некоторые примеры, как каждый из них используется в реальном мире.

Что такое искусственный интеллект?
Искусственный интеллект - это широкий термин, используемый для описания способности машин имитировать человеческий интеллект. Другими словами, AI включает разработку алгоритмов, которые позволяют машинам выполнять задачи, которые обычно требуют человекоподобного интеллекта, такие как решение проблем, рассуждения и обучение.

AI - это широкое поле, которое охватывает любую машину или систему, которая может выполнять задачи, которые обычно требуют человеческого интеллекта, такие как рассуждение, решение проблем и обучение. AI можно дополнительно классифицировать на две категории:

1. Узкий или слабый AI: это системы, которые предназначены для выполнения конкретных задач, таких как распознавание речи или классификация изображений. Эти системы обучаются на определенном наборе данных и могут выполнять только те задачи, для которых они были разработаны.
2. Общий или сильный AI: это системы, которые могут выполнять любую интеллектуальную задачу, которую может выполнить человек. Такой тип AI еще не существует и является предметом постоянных исследований.

AI имеет множество реальных применений, таких как в области здравоохранения, где он может быть использован для анализа медицинских записей и диагностики заболеваний, а также в автомобильной промышленности, где он может быть использован для разработки самоуправляемых автомобилей.

Что такое машинное обучение?
Машинное обучение - это подмножество AI, которое включает в себя разработку алгоритмов, которые позволяют машинам учиться на основе данных. Другими словами, ML включает в себя обучение машин распознавать шаблоны в данных, а затем использовать эти шаблоны для прогнозирования новых данных.

ML - это подмножество AI, которое включает в себя разработку алгоритмов, которые позволяют машинам учиться на основе данных. Алгоритмы ML разработаны для улучшения своей производительности со временем, за счет обучения на новых данных. ML можно дополнительно классифицировать на три категории:

1. Обучение с учителем: это включает обучение модели ML на размеченном наборе данных, где известен правильный вывод, чтобы делать прогнозы на новых, неизвестных данных.
2. Обучение без учителя: это включает обучение модели ML на неразмеченном наборе данных, где правильный вывод неизвестен, чтобы обнаруживать шаблоны и связи в данных.
3. Обучение с подкреплением: это включает обучение модели ML на основе опыта, полученного через проб и ошибок, получая обратную связь в виде вознаграждений или наказаний.

ML имеет множество реальных применений, таких как в финансовой отрасли, где он может использоваться для обнаружения мошенничества, и в маркетинговой отрасли, где он может использоваться для персонализации рекламы.

Что такое глубокое обучение?
Глубокое обучение - это подмножество машинного обучения, которое включает в себя разработку нейронных сетей. Нейронные сети - это алгоритмы, которые разработаны для имитации структуры человеческого мозга, с множеством слоев взаимосвязанных узлов.
Глубокое обучение включает в себя обучение этих нейронных сетей на больших объемах данных, позволяя им учиться сложным шаблонам и делать точные прогнозы. Глубокое обучение особенно полезно в областях, таких как распознавание изображений и речи, где данные являются сложными и трудными для анализа с использованием традиционных алгоритмов машинного обучения.

Алгоритмы глубокого обучения разработаны для имитации работы человеческого мозга с использованием множества слоев взаимосвязанных узлов для обучения на данных. Глубокое обучение особенно подходит для таких задач, как распознавание изображений, речи и обработка естественного языка.

Глубокое обучение было важным инструментом в разработке систем искусственного интеллекта, способных выполнять задачи, которые ранее считались невозможными для машин, таких как обыгрывание человеческих игроков в играх, таких как Го и Шахматы, или распознавание объектов на изображениях с точностью, близкой к человеческой.

В заключение, AI, ML и DL - это связанные, но отличающиеся друг от друга технологии, которые преобразуют нашу жизнь и работу. AI - самый широкий термин, охватывающий любую машину, которая может имитировать человеческий интеллект, в то время как ML - это подмножество AI, которое включает в себя разработку алгоритмов, которые позволяют машинам учиться на основе данных. DL - это подмножество ML, которое включает использование нейронных сетей для изучения сложных шаблонов и точных прогнозов. Понимая различия между этими технологиями, мы можем лучше оценить их реальные применения и влияние на общество. Технические вопросы по науке о данных могут помочь вам лучше понять эту обширную тему.

Глубокое обучение имеет множество реальных применений, таких как в автомобильной промышленности, где оно может быть использовано для разработки самоуправляемых автомобилей, и в здравоохранении, где оно может быть использовано для анализа медицинских изображений.

Различия между AI, ML и DL

Хотя AI, ML и DL связаны друг с другом, между ними есть некоторые ключевые различия.

1. Область применения
   AI - это самый широкий термин из трех, охватывающий любую машину, которая может имитировать человеческий интеллект. ML - это подмножество AI с фокусом на машинах, которые могут учиться на основе данных. DL - это подмножество ML, с фокусом на нейронных сетях.
2. Обучение
   AI и ML могут оба включать различные типы обучения, такие как обучение с учителем, обучение без учителя и обучение с подкреплением. Однако DL сфокусировано исключительно на использовании нейронных сетей, которые могут учиться через процесс обратного распространения ошибки.
3. Сложность
   AI может быть как простым, так и сложным, в зависимости от задачи, которую он предназначен решать. Алгоритмы ML могут быть более сложными, чем традиционные алгоритмы, но они обычно менее сложны, чем алгоритмы DL. Алгоритмы глубокого обучения могут быть крайне сложными, с множеством слоев взаимосвязанных узлов, что делает их хорошо подходящими для задач, связанных с высоко сложными данными, такими как распознавание изображений и речи.
4. Производительность
   AI и ML могут быть использованы для решения широкого спектра задач, но их производительность часто ограничивается качеством данных и используемым алгоритмом. DL, с другой стороны, показал себя крайне эффективным в решении сложных задач, часто превосходя традиционные алгоритмы машинного обучения.
5. Требования к данным
   Алгоритмы ML требуют большого количества данных для обучения и точных прогнозов. Алгоритмы DL требуют еще большего количества данных, и данные должны быть высоко структурированными, чтобы работать эффективно.
6. Требования к вычислительной мощности
   Алгоритмы DL требуют огромных объемов вычислительной мощности для обучения, что делает их вычислительно дорогостоящими. Алгоритмы ML требуют менее вычислительной мощности, чем DL, но все же могут быть вычислительно требовательными.
7. Интерпретируемость
   Алгоритмы ML обычно более интерпретируемы, чем алгоритмы DL, что означает, что легче понять, как они пришли к своим прогнозам или решениям. Алгоритмы DL могут быть более непрозрачными, что затрудняет понимание, как они пришли к своим выводам.
8. Приложения
   AI имеет множество приложений, включая распознавание речи, обработку естественного языка, компьютерное зрение и робототехнику. ML используется во многих приложениях, включая обнаружение мошенничества, системы рекомендаций и распознавание изображений. DL используется в приложениях, таких как автономное вождение, распознавание речи и распознавание изображений и видео.
9. Время обучения:
   Алгоритмы DL требуют больше времени для обучения, чем алгоритмы ML из-за большого количества данных и вычислительной мощности, необходимой для работы. Алгоритмы ML могут быть обучены относительно быстро.

Примеры использования в реальном мире
Рассмотрим некоторые примеры использования AI, ML и DL в настоящее время.

Искусственный интеллект:

1. Siri и другие голосовые помощники, которые используют обработку естественного языка и машинное обучение для понимания и ответа на запросы пользователей.
2. Чат-боты, которые используют AI для имитации разговора человека и предоставления поддержки или помощи клиентам.
3. Автопилот Tesla, который использует комбинацию датчиков, компьютерного зрения и алгоритмов глубокого обучения для обеспечения полуавтономного вождения.

Машинное обучение:

1. Системы обнаружения мошенничества, которые используют алгоритмы машинного обучения для анализа данных о транзакциях и выявления потенциально мошеннической деятельности.
2. Системы рекомендаций продуктов, используемые интернет-магазинами, которые используют машинное обучение для анализа пользовательских данных и предоставления персонализированных рекомендаций.
3. Фильтры спама, используемые провайдерами электронной почты, которые используют машинное обучение для анализа содержимого электронной почты и выявления и фильтрации спам-сообщений.

Глубокое обучение:

1. Системы распознавания лиц, которые используют алгоритмы глубокого обучения для анализа черт лица и идентификации людей.
2. Системы распознавания изображений, используемые в автономных транспортных средствах, которые используют глубокое обучение для анализа видеопотоков с камер и идентификации объектов и препятствий в окружающей среде транспортного средства.
3. Системы обработки естественного языка, которые используют глубокое обучение для анализа и понимания человеческого языка и выполнения задач, таких как перевод языка или анализ тональности.

Эти примеры демонстрируют разнообразие областей применения AI, ML и DL в различных отраслях, включая транспорт, электронную коммерцию, безопасность и обслуживание клиентов. Они также показывают, как эти технологии используются для автоматизации и оптимизации сложных процессов и задач, которые ранее выполнялись исключительно людьми.

В заключение
AI, ML и DL - это три связанные, но отличающиеся технологии, которые трансформируют наш образ жизни и работы. AI - это самый широкий термин, охватывающий любую машину, способную имитировать человеческий интеллект, в то время как ML - это подмножество AI, которое включает разработку алгоритмов, позволяющих машинам учиться на основе данных. DL - это подмножество ML, которое включает использование нейронных сетей для обучения сложным шаблонам и точных прогнозов.

Они имеют различия в требованиях к данным, сложности, интерпретируемости, вычислительной мощности и областях применения. Понимание этих различий может помочь организациям выбрать правильную технологию для своих конкретных потребностей и оптимизировать производительность их систем искусственного интеллекта.

Оригинальная статья (eng): www.datasciencecentral.com

Samsung стала последней организацией, запретившей своим сотрудникам использование ChatGPT, чтобы предотвратить утечку корпоративных данных.

Как сообщает Bloomberg, корейский электронный гигант отправил меморандум своим сотрудникам, выразив свою озабоченность "рисками безопасности, представленными генеративным ИИ". Компания обнаружила, что некоторые инженеры случайно утечку внутреннего исходного кода, загрузив его в ChatGPT.

В меморандуме говорится, что сотрудники не могут больше использовать ChatGPT, Google Bard и Bing chat на компьютерах и устройствах, принадлежащих компании, а также внутренних сетях. Запрет распространяется только на сотрудников, что означает, что устройства Samsung, проданные потребителям, все еще могут использовать приложения генеративного ИИ.

В меморандуме указывается, что после загрузки данные, введенные в такие сторонние приложения, будут храниться на внешних серверах и станут трудными для извлечения, удаления и, в конечном итоге, могут быть раскрыты другим пользователям. Меморандум предупреждает, что сотрудники, нарушающие правила, могут быть уволены.

Недавно ChatGPT добавил режим "инкогнито", который позволяет пользователям исключить свои чаты из использования в обучении моделей ИИ. В прошлом месяце Open AI заявила, что работает над бизнес-версией ChatGPT, в которой пользователи получат больший контроль над своими данными.

Тем временем компании, включая JPMorgan Chase, Amazon, Verizon и Accenture, запретили своим сотрудникам использование ChatGPT в работе. Они разделяют опасения Samsung, что использование подобных приложений может подвергнуть опасности безопасность конфиденциальных корпоративных данных.

Несмотря на то, что некоторые крупные компании не хотят, чтобы их сотрудники использовали ChatGPT, более 90% руководителей бизнеса, опрошенных в отчете Resume Builder, нанимают сотрудников с опытом работы с ChatGPT.

Читать оригинальную статью (eng): aibusiness.com

В ходе отчета Meta* за первый квартал годовой прибыли, главный исполнительный директор Марк Цукерберг обсудил, когда и как генеративный искусственный интеллект будет интегрирован в продукты компании.

"Основной упор в нашей работе с искусственным интеллектом - это создание базовых моделей, чтобы обеспечить множество новых сценариев использования, включая генеративный искусственный интеллект", - сказал он в ходе звонка.

"Эта работа, которая происходит сейчас, повлияет на каждое из наших приложений и сервисов. И я невероятно рад представить больше того, что мы создаем, в ближайшие месяцы".

Компания исследует инструменты визуального создания для рекламных объявлений и постов на Facebook* и Instagram*, а также видео и мультимодальные взаимодействия в будущем, отметил Цукерберг. Ранее генеративный искусственный интеллект-приводимые инструменты создания рекламы обсуждались главным техническим директором Meta*Андрю Босвортом в интервью с Nikkei.

Успех ChatGPT сделал генеративный искусственный интеллект популярным трендом в технологической сфере, заставляя компании всех размеров искать способы интеграции этой технологии в свои платформы. Ранее в этом году Meta* представила искусственный интеллект языковой модели LLaMA для исследователей, но пока не выпустила общедоступный продукт, сравнимый с ChatGPT. Однако, компания уже добавила рекомендации, работающие на базе искусственного интеллекта, в Instagram Reels.

По информации от Reuters, запоздалое внедрение аппаратного обеспечения, подходящего для работы с искусственным интеллектом, заставило компанию Meta* поторопиться, чтобы догнать конкурентов. Компания работает над огромным проектом по улучшению инфраструктуры искусственного интеллекта, с капиталовложениями, увеличивающимися на примерно 4 миллиарда долларов за квартал.

Meta* уже наблюдает некоторые улучшения в бизнесе благодаря использованию искусственного интеллекта. Цукерберг отметил, что рекомендации на основе искусственного интеллекта в Reels привели к увеличению времени, проводимого на Instagram*, более чем на 24%. Эффективность монетизации Reels выросла на более чем 30% на Instagram* и на более чем 40% на Facebook*, в сравнении с предыдущим кварталом, благодаря этому.

Но не стоит называть это отходом от метавселенной: Цукерберг уточнил, что он считает, что генеративный искусственный интеллект сможет поддерживать многомиллиардные инвестиции, которые компания делает в смешанные реальности, облегчая создание пользователями аватаров, объектов, миров и кода.

Более того, Цукерберг позиционирует свою стратегию генеративного искусственного интеллекта как поддержку бизнес-клиентской поддержки WhatsApp.

"Я также думаю, что произойдет очень интересное слияние между некоторыми AI-агентами в мессенджерах и бизнес-сообщениях", - сказал он.

"Когда вы дадите возможность десяткам миллионов малых бизнесов иметь AI-агентов, действующих от их имени, у вас будет намного больше бизнесов, которые могут позволить себе общаться с клиентами через чаты."

Читать оригинальную статью (eng): www.forbes.com

* Внесена в перечень общественных объединений и религиозных организаций, в отношении которых судом принято вступившее в законную силу решение о ликвидации или запрете деятельности по основаниям, предусмотренным Федеральным законом от 25.07.2002 № 114-ФЗ «О противодействии экстремистской деятельности».

Роль хорошего обслуживания клиентов в продажах никогда не может быть недооценена, но в настоящее время она играет более важную роль, чем когда-либо ранее. Вспышка пандемии Covid-19 заставила организации быстро и внезапно переместить свои операции в онлайн-режим и эффективно поддерживать клиентов через этот канал. Это потребовало увеличения онлайн-функциональности и ясной и простой коммуникации - для того, чтобы организации были полностью прозрачными по поводу любых изменений в продуктах, услугах или поддержке.

Большинство организаций понимали это с самого начала и обращали особое внимание на то, что нужно их клиентам, осознавая, что укрепление отношений в трудные времена приведет к повторным заказам и лояльности в долгосрочной перспективе. И сейчас, при продолжающихся нарушениях на рынке и глобальном экономическом спаде, только наиболее ориентированные на клиентов организации, вероятно, будут процветать; те, которые могут принимать умные решения, зная, чего хотят клиенты до того, как они сами это осознают; те, которые идут впереди.

Именно здесь бизнес-аналитика (BI) может быть использована для радикального улучшения пути клиента.

Как можно использовать бизнес-аналитику для получения ценной информации об аудитории?

В сегодняшней конкурентной среде бизнес-аналитика может быть незаменимым инструментом для предоставления лучших бизнес-инсайтов и принятия обоснованных решений на основе данных. Она объединяет множество источников данных, позволяя захватывать и анализировать данные, чтобы предоставлять доказательства на основе фактов к ответам на ключевые вопросы. Она может использоваться для помощи в понимании текущей производительности, а также для выявления потенциальных будущих проблем, помогая выявлять закономерности и быстро реагировать на изменения - гибкость, которую пандемия показала нам, является крайне важной. Прогноз Gartner, что индустрия бизнес-аналитики выросла до 29,48 миллиардов долларов к 2022 году, показывает, насколько ценной будет и останется бизнес-аналитика в будущем.

Вот пять способов, которыми ваша организация может воспользоваться этой технологией, чтобы улучшить опыт взаимодействия с клиентами.

1.    Создание единого источника правды - Сколько различных точек контакта есть у вашей организации с клиентами? С множеством каналов и конечных платформ, которые не "разговаривают" друг с другом, включая ERP, CRM, веб-сайт и социальные медиа, может быть сложно следить за тем, что происходит и где. Бизнес-аналитика может объединить несколько источников данных в один визуальный инструмент для предоставления вам единого обзора взаимодействия с клиентами в одном месте, чтобы вы могли получить полную картину опыта, который вы предоставляете, не проверяя и не собирая данные вручную с множества разных платформ.

2.    Получение данных в режиме реального времени - Раньше принимающие решения должны были полагаться на аналитику пакетного типа, которая может занимать несколько часов, а иногда и дней, чтобы дать результаты. Не только отсрочка в принятии решений является неэффективной, но также она может поставить вас на задний план по отношению к конкурентам. Инструменты бизнес-аналитики могут предоставлять аналитику в режиме реального времени, передавая потоковые данные с различных каналов и платформ непосредственно в инструментарий, чтобы вы могли немедленно делать выводы на основе фактов и быстро реагировать на поведение клиентов.

3.    Принятие обоснованных решений - Бизнес-аналитика устраняет догадки и позволяет вам принимать обоснованные решения на основе данных, которые у вас перед глазами. Ваш инструментарий позволяет вам видеть, какие каналы наиболее успешны в конверсии ваших клиентов, например, чтобы вы могли адаптировать свою стратегию или изменить свой подход для максимизации ROI. В этом сценарии вы можете увидеть, что ваши посты в социальных сетях отвечают за больше конверсий, чем ваша PPC-кампания, и решить изменить свою стратегию ключевых слов или перенаправить больше бюджета маркетинга на социальные сети.

4.    Омниканальный опыт - Клиенты ожидают, что вы знаете все, что нужно знать о их отношениях с вашим брендом на разных каналах в любое время. Бывает невероятно разочаровывающе, например, обращаться к команде обслуживания клиентов через веб-чат и дойти до продвинутого этапа решения проблемы, а затем попросить позвонить вместо этого и передать всю проблему заново новому представителю без контекста.

Неудивительно, что компания Aspect обнаружила, что 89% клиентов раздражены, когда им приходится повторять одну и ту же проблему. Важность омниканального опыта не должна недооцениваться - международная консультационная компания McKinsey обнаружила, что персонализация омниканального опыта может привести к увеличению дохода на 5-15% на всей базе клиентов. Точные данные хорошего качества, показывающие путь клиента через несколько каналов, являются ключом к освоению омниканального опыта.

Бизнес-аналитика может предоставлять аналитические представления по всем каналам, часто из нескольких источников, чтобы помочь вам увидеть полный путь клиента, включая неожиданные пути. Это может помочь вам выявить новые пути, которые требуют анализа, чтобы обнаружить шаблоны по всему омниканальному ландшафту, которые ранее могли быть слишком сложными для замечания.

5.    Снижение оттока клиентов - Определение скорости, с которой клиенты перестают использовать продукт или услугу со временем, критично для бизнеса, который имеет повторяющиеся доходы, такие как членские или благотворительные организации. Снижение оттока клиентов является важным для успеха и прибыльности этих организаций, поскольку замена или восстановление клиентов может быть дорогостоящими процессами.

Дашборды бизнес-аналитики могут помочь этим организациям выявить и устранить проблемные области, чтобы они могли быстро принимать корректирующие меры и избежать потери клиентов. Например, для бизнеса, работающего с системой технической поддержки, он может быстро обнаружить, где затягивается решение тикетов, чтобы руководство могло исследовать причину и реагировать соответствующим образом. Возможно, им потребуются более специализированные ресурсы или они могут дать советы командам разработки продуктов или услуг по повторяющимся проблемам и областям для улучшения.

Здесь мы описали всего лишь несколько способов, как бизнес-аналитика может улучшить опыт ваших клиентов - в зависимости от вашего индивидуального бизнеса и инструментов бизнес-аналитики, приложения и возможности безграничны. Как только вы установили свой дашборд бизнес-аналитики и он отчетливо отображает ваши бизнес-активности, вы открываете целый ряд новых возможностей, чтобы впечатлить клиентов и оставаться на том важном шаге впереди конкурентов.

Читать оригинальную статью (eng): www.analyticsinsight.net

Люк Жюлиа имеет длинный список достижений в своем резюме. Среди них – один из основателей Siri, главный технический директор Samsung Electronics, директор в Apple и главный научный сотрудник в Renault.

Недавно он дал интервью AI Business, чтобы опровергнуть широко распространенные убеждения о искусственном интеллекте и объяснил, почему он считает, что полностью автономные транспортные средства - несмотря на заявления Илона Маска - никогда не будут существовать.

Жюлиа является автором бестселлера "Искусственного интеллекта не существует" (на французском и английском языках) и недавней книги "On Va Droit Dans Le Mur?" или "Are We Headed for a Wall?".

AI Business: Мне кажется, что в ваших книгах о искусственном интеллекте прослеживается скептическая тема. Давайте возьмем вашу самую последнюю книгу: мы движемся к катастрофе?

Люк Жюлиа: Название книги говорит о том, что за последние 120 лет мы используем все больше технологий, но также создаем все больше СО2 и, в основном, разрушаем нашу планету. ... Мы должны понимать, что наше использование технологии оказывает огромное влияние. Например, одно селфи потребляет около 180 Ватт, если вы делитесь им. Если каждый день делается миллиард селфи, то в общей сложности мы используем 180 мегаватт только на эго. (Однако), мы должны понимать, что технология также может быть полезна, потенциально, чтобы помочь нам не ввязываться в войну и спасти нашу планету. Такова балансировка.

AI Business: Ваша первая книга имела очень провокационный заголовок: "Искусственный интеллект не существует". Вы изменили свое мнение?

Жюлиа: Взгляд СМИ на ИИ ... четыре или пять лет назад, был таким, что это была волшебная вещь. Что я пытался донести в этой книге, так это сказать, что это не Голливуд. Это не научная фантастика. Это не Робокоп. Это не Она (фильм о человеке, влюбленном в операционную систему).
Они на самом деле не существуют. Это не то, что такое ИИ.

... Существует множество ИИ. ... Это первое, что мы должны понять. Если бы я должен был дать определение одному ИИ, то это был бы набор инструментов. Внутри ИИ есть несколько API, и каждый из них будет очень специализирован в некоторых задачах.

Я всегда сравниваю один ИИ с молотком. Я люблю молоток, это очень хороший инструмент. Он забьет гвоздь в стену. Но тот же самый молоток, я могу использовать, чтобы ударить по вашей голове. И, очевидно, это не хорошо. Это не для этого предназначено. Но я могу использовать его так. Это мое решение.

И это наше решение, как использовать эти API. Мы можем использовать их правильно, а можем использовать неправильно. ... Итак, ИИ - это мощные инструменты, но они являются только инструментами, которые мы создаем. И это наша вина, если они (оказываются как) Терминатор.

AI Business: Сегодняшняя звезда ИИ - ChatGPT. Можете ли вы объяснить нам, как мы должны рассматривать GPT и другие большие языковые модели в реалистичных терминах?

Жюлиа: Одна из проблем с ИИ в целом заключается в том, что мы не должны были называть его так. Слово "интеллект" в искусственном интеллекте не должно было использоваться (потому что это на самом деле не является интеллектом). ... Но хорошая новость о генеративном ИИ заключается в том, что они назвали его (подходящим образом). Это называется генеративным ИИ, а не творческим ИИ. И это очень интересный момент, потому что это означает, что творчество все еще находится на моих плечах: творчество находится в подсказке. ...

Это языковая модель, которая будет интерпретировать то, что я собираюсь сказать. Так что если я скажу: "напишите абзац о том, что Земля плоская", ... он сгенерирует абзац, который скажет, что Земля плоская. Конечно, Земля не плоская. Но он может сгенерировать очень хорошую статью или абзац ... потому что где-то в интернете есть люди, которые верят, что Земля плоская.

Мы должны понимать, что (ChatGPT) состоит из примерно 175 миллиардов параметров. Это огромная языковая модель. Она почти полностью основана на Интернете.

AI Business: Насколько трансформационным является ChatGPT на самом деле? Сейчас цикл гипервозбуждения просто зашкаливает.

Жюлиа: Это сумасшествие - более 100 миллионов человек используют его или использовали его хотя бы один раз. Это очень интересный инструмент, потому что он поможет вам генерировать текст, изображения или что-то еще, что вы не смогли бы создать самостоятельно очень легко.

(Но) очень опасно использовать его в поисковой системе. Microsoft была очень рада внедрению его в Bing. ... Но я думаю, что это ошибка, потому что точность не очень хорошая. И, к сожалению, из-за этой попытки Microsoft, ... Google (будет вынужден сделать то же самое). (У Google была такая возможность) задолго до Open AI, но они фактически не использовали ее в своей поисковой системе, потому что они знали, что это будет катастрофой, если они это сделают. ...

Ученые теперь говорят, что в 36% случаев ChatGPT ошибается, что много. Так что если вы используете его в поисковой системе (и ошибаетесь в этом проценте случаев), это не сработает.

(Однако,) один очень умный способ использования ChatGPT - в (очень узкой задаче, например, в написании формул в) Excel. ... Это очень хороший помощник, но только в очень узком и очень конкретном смысле. ... Но в поисковой системе это будет большой, большой ошибкой, я думаю.

AI Business: ChatGPT также может вносить ошибки в письменный текст. Почему поисковая система хуже?

Жюлиа: (При написании с ChatGPT) вы добавляете все больше и больше своих идей в эссе, и вы фактически создаете. (В поисковых системах) она просто следует за любыми данными, которые поступают откуда угодно, включая ложные факты.

AI Business: Вы работали в топ-менеджменте некоторых из крупнейших компаний в мире: Apple, Samsung, HP и сейчас Renault. Можете ли вы поделиться с нами своим подходом к искусственному интеллекту?
Жюлиа: Мой подход всегда одинаковый. Я очень осторожна, прежде всего, поэтому я не утверждаю, что искусственный интеллект решит все проблемы. В компаниях, таких как Samsung или Renault, (первый вопрос заключается в том) где мы должны использовать искусственный интеллект и почему это будет достаточно выгодно для компании, для людей? Где места, где он может оказать наибольшее положительное влияние, а не отрицательное?

Например, в фабриках у нас уже много лет есть роботы, которые выдают много данных, но данные не используются, потому что мы не очень комфортно с этим. (Но затем берем данные и) создаем модель, которая будет (предсказывать), когда конкретный робот выйдет из строя. Вы будете делать то, что мы называем предиктивным обслуживанием. ... В этом и заключается суть искусственного интеллекта".

AI Business: Говоря о производстве, вы сказали, что полностью автономное вождение, или уровень 5, никогда не существует. Вы до сих пор придерживаетесь этой точки зрения?

Жюлиа: Существуют разные уровни автономного вождения, от 1 до 5. (Пример уровня 1 - это адаптивный круиз-контроль.) ... Я утверждаю, что уровень 5 никогда не будет существовать - это полная автономия. ... Эта часть никогда не существовала; это просто невозможно. Это совершенство, в основном.

Мы не должны лгать о технологии, мы всегда должны говорить, что возможно, а что нет. С тех пор, как в 2018 году Илон Маск заявил, что автономное вождение, уровень 5, уже совсем близко, это была ложь.
(Но другие уровни автономного вождения уже здесь,) помогают водителям лучше тормозить, лучше видеть или делать другие вещи лучше. Это благодаря искусственному интеллекту.

Сегодня на дорогах всего мира гибнет миллион человек ежегодно. Переход на уровень 3 и, возможно, уровень 4 позволит искоренить около 90% из этих аварий. Нельзя говорить, что не будет никаких аварий, потому что это была бы ложь. Аварии всё равно будут. Но мы спасём 900 000 людей ежегодно, что является огромным результатом. ...

Вот почему уровень 5 не может существовать, потому что всегда будет (ситуация), которую автомобиль не сможет обработать. ... Нам потребуется вмешательство человека, потому что будут случаи, которые машины не видели раньше. И им придется получать какую-то помощь. Вот почему уровень 5 не может существовать, потому что уровень 5 предполагает, что он может обработать каждую ситуацию".

AI Business: Waymo и Cruise объявляют о развертывании роботакси в разных городах.

Жюлиа: Они находятся на уровне 4, но могут быть на уровне 5 только в очень контролируемых условиях.

AI Business: Одна из вещей, за которую вас знают, это ваша роль в создании Siri. Можете ли вы вернуть нас к тем захватывающим дням?
Жюлиа: (В середине 1990-х годов в SRI International,) у нас была идея создать этого помощника, который поможет нам навигировать по интернету. У нас (с со-создателем Siri Адамом Чеером) было очень четкое видение, что интернет станет огромным ... и нам понадобится помощь, чтобы навигировать в этом интернете.

Мы создали маленького парня на боковой панели браузера, который помогал нам в основном находить что-то в интернете. И мы могли ему естественно говорить, что мы хотим. Это было до Google. ... Это была в основном наша версия поисковой системы (которая реагирует на) речь, потому что для нас наиболее естественный способ допрашивать и взаимодействовать с этим ассистентом был голос. ... А затем он развивался в течение следующих 14 лет и появился на iPhone.
Я удивлена, насколько хороши сегодня цифровые помощники и насколько большие успехи достигнуты в области NLP с тех пор.

Читать оригинальню статью (eng): aibusiness.com

Хотя генеративный искусственный интеллект прорвался как технология для создания контента, он также задает реальные вопросы об этике и ответственном внедрении.

В марте опрос Salesforce более чем 500 руководителей IT-отделов показал, что хотя треть респондентов назвала это важнейшим приоритетом развития на следующие 18 месяцев, почти две трети (63%) заметили наличие предубеждений в результатах генеративного ИИ.

Три из десяти респондентов опроса заявили, что их компании должны установить этические указания для успешной реализации генеративного ИИ внутри бизнеса.

Масштабные случаи недостоверной или ложной информации, плагиат и нарушение авторских прав, нарушение конфиденциальности, мошенничество и искажение фактов, а также невозможность гарантировать достоверность выводов - всего лишь несколько практических этических проблем, которые возникают в связи с технологией генеративного ИИ.

"Генеративный ИИ, как и любой ИИ, имеет потенциал непреднамеренной дискриминации или унижения и может заставить людей чувствовать себя менее ценными на основе данных, на которых он обучен", - объясняет Энди Парсонс, старший директор Инициативы по подлинности контента в Adobe. "Поэтому крайне важно, чтобы ИИ разрабатывался ответственно, включая обучение на безопасных и инклюзивных наборах данных и проведение тщательного и непрерывного тестирования с механизмами обратной связи".

Кроме того, генеративный ИИ вызывает опасения своей способностью создавать убедительный синтетический контент в мире, который уже переполнен дезинформацией.

"Вот почему мы должны обеспечивать прозрачность относительно контента, который производят модели генеративного ИИ, чтобы дать возможность создателям и потребителям получить информацию и решить, доверять им контенту или нет", - добавляет Парсонс.

Он говорит, что необходимо, чтобы платформы, издатели, поставщики инструментов и правительства работали вместе, чтобы создать более доверительное цифровое пространство.

"Мы также должны продолжать обучать создателей ответственному использованию и потребителей - быть разборчивыми в отношении цифрового контента", - отмечает он. "Делая обмен bewt-практиками и придерживаясь стандартов ответственной разработки генеративного ИИ, мы можем разблокировать невероятные возможности этой технологии".

Таким образом, создание доверительного цифрового пространства требует совместных усилий всех заинтересованных сторон, включая правительства, компании, создателей и потребителей, для того, чтобы развивать и использовать генеративный ИИ ответственно и этично.

Разработка действенной этики в области искусственного интеллекта

Набор принципов действенной этики в области искусственного интеллекта и формальный процесс проверки, внедренные в инженерную команду компании, могут помочь обеспечить ответственную разработку технологий ИИ с уважением к клиентам и обществу.

Кимберли Невала, стратегический советник и менеджер по решениям бизнес-консультации в SAS, говорит, что существует постоянно растущее сообщество сторонников, исследователей и практиков в области ИИ, многие из которых уже несколько лет поднимают тревогу и выступают за значимое управление.

"Организации, внедряющие эти системы, не только выявляют потенциальное злоупотребление или вред, но и активно избегают или смягчают предвидимый вред или риск любыми необходимыми средствами, включая недеплоимость систем, когда их безопасность или устойчивость не могут быть надежно гарантированы", - объясняет она.

Однако, она добавляет, что это не собирается происходить, пока это не станет обязательным, поэтому создание и применение значимых юридических и регулирующих мер - крайне важно.

"Хорошо или плохо, но на сегодняшний день рынки и маркетинг по-прежнему определяют большую часть широкой публичной дискуссии", - говорит Невала. "Однако время медленно меняется".

Анураг Малик, главный технолог в ContractPodAI, говорит, что когда компания решает принять технологию ИИ, она должна делать это в рамках структурированной системы с четко определенными принципами, основанными на ценностях. "Это создает прозрачность и устанавливает доверие между клиентом, конечным пользователем и компанией", - говорит он. "Эти ценности должны поощрять команды следовать прецедентам и стандартизированным процессам при интеграции моделей ИИ в существующие процессы - нет необходимости полностью переизобретать колесо".

Малик добавляет, что важно также измерять результаты; например, отслеживать производительность ИИ в основных бизнес-функциях и использовать аналитику в реальном времени для бенчмаркинга. "Это может помочь дать голистическое представление о том, где технология оказывает влияние, и гарантировать, что эта технология используется этично и ответственно", - говорит он.

Брайан Платц, генеральный директор и сооснователь Fluree, говорит, что на индивидуальном уровне для бизнеса важно, чтобы руководители, принимающие бизнес-решения, четко понимали все проблемы, связанные с принятием генеративного ИИ. "Эти проблемы могут возникать от сотрудников, не знакомых с технологией, и не чувствующих себя комфортно при ее использовании, или заинтересованных сторон, которые хотят держать ее вне своих операций", - объясняет он.

Руководители бизнеса должны установить границы для инструментов, таких как ChatGPT, в своем бизнесе, чтобы избежать проблем, таких как плагиат или предвзятость, повлиявших на их работу. "Основная проблема заключается в том, что существующие инструменты, такие как ChatGPT, используют алгоритмы, которые агрегируют любые данные, в том числе потенциально ненадежную информацию, без проверки на точность, предвзятость, качество или смысл", - говорит он.

Это может привести к тому, что вывод ChatGPT может звучать невероятно гладко, но содержать серьезные неточности, что вызывает другие проблемы вокруг плагиата.

"Если ИИ создает контент, который используется дословно или даже как вдохновение, этика использования этого контента, как будто он оригинальный, под вопросом", - говорит Платц.

По мере того, как технологии искусственного интеллекта становятся более мощными, возникают новые вызовы

Недавнее открытое письмо, составленное владельцем Tesla и Twitter Илоном Маском и группой экспертов по искусственному интеллекту и руководителей отрасли, призвало приостановить разработку более мощных систем ИИ, чем GPT-4, поддерживаемый Microsoft, предупредив о "глубоких рисках" для общества и человечества.

Парсонс говорит, что, как и любые мощные технологии, ИИ имеет свой уникальный набор проблем.

"Будет ли приостановка развития реалистичной или нет, нам всем нужно внимательно мыслить о будущем и задавать себе вопросы - каковы последствия этой технологии для наших клиентов и общества? Что мы можем сделать сейчас, чтобы оставаться впереди вызовов?" - он спрашивает. "Это основа, на которой мы работаем, и мы считаем, что это должна быть основа, на которой должны работать все компании."

Он добавляет, что все заинтересованные стороны должны внимательно относиться к тому, как технологии ИИ выходят на рынок - от правильного источника контента до обеспечения прозрачности для потребителей и создателей.

"В конечном итоге, мы считаем, что правильно примененный ИИ усилит творчество и интеллект человека на новые уровни, но человеческий создатель должен оставаться в центре всего, что мы делаем", - говорит Парсонс.

С точки зрения Невала, не реалистично полагать, что развитие ИИ - генеративного или другого типа - может быть полностью остановлено. "Это не означает, что лошадь сбежала и нам не остается ничего, кроме как держать поводья как можно крепче", - она добавляет.

Она говорит, что значительный прогресс потребует спектра действий, включая, но не ограничиваясь, существенное регулирование/правовое управление, дополнительные исследования по созданию прозрачных, надежных и управляемых систем искусственного интеллекта и ограничение определенных видов использования.

"Это вместе с, надеюсь, увеличением фокуса на обсуждение философских, социальных и политических последствий этих социотехнических систем", - говорит Невала.

Читать оригинальную статью (eng): www.informationweek.com

TruthGPT Илона Маска - лишь один аспект более крупной войны мировоззрений. Но хочет ли он теперь исправить проблему, которую помог создать?

Несколько лет назад два миллиардера из мира технологий обсуждали разработку сверхинтеллекта машин и ее последствия для человечества. Они резко разошлись во мнениях о том, как этот интеллект повлияет на общество. Спор произошел в доме в культовом квартале Силиконовой долины в Пало-Альто, штат Калифорния. Этот спор привел к разрыву дружбы между ними и заставил одного из них потратить огромную сумму для противодействия другому.

Этими двумя людьми были Илон Маск - основатель компаний Tesla и SpaceX, а также генеральный директор Twitter - и сооснователь Google Ларри Пейдж.

"Ларри Пейдж и я были близкими друзьями", - сказал Маск в интервью Fox News. "Я говорил с ним поздно ночью о безопасности искусственного интеллекта, и по крайней мере мое восприятие было таким, что Ларри не относился к безопасности искусственного интеллекта достаточно серьезно".

Они обсуждали искусственный общий интеллект (AGI), в котором машины имеют обширную способность действовать, учиться и решать проблемы, как человек, а не просто быть экспертами в узких задачах, таких как игра в шахматы. AGI еще не пришел, но появление генеративного искусственного интеллекта, который позволяет машинам "понимать" человеческий язык, приводит к тому, что уже можно услышать шепот о том, что AGI достижим.

"Я согласен с (Пейджем), что есть большой потенциал для добра, но есть и потенциал для плохого", - сказал Маск. Человечество не должно просто "бурно двигаться вперед и надеяться на лучшее. ... Мы будем обеспечивать безопасность человечества здесь".

Компания-анти-Google

Тогда Google только что приобрела мощный ИИ-центр DeepMind в Лондоне, и Маск понял, что эти две компании занимают 75% всего мирового ИИ-таланта. Кроме того, "у них было (множество) денег и больше компьютеров, чем у кого-либо другого", - сказал он.

Опасность, по его мнению, заключалась в следующем: Google - это "униполярная" и "коммерческая" сила, которая имеет "почти монопольное положение на ИИ-талант и компьютеры, и человек, который ими управляет, не кажется обеспокоенным безопасностью".

Таким образом, Маск предположил, что Google не будет достаточно защищать ИИ, технологическое новшество, которое, по его мнению, может ослабить цивилизацию. Не через робота вроде Терминатора, объяснил он, так как алгоритмы ИИ будут жить в центрах обработки данных, а робот - это всего лишь расширение.

Но ИИ мог бы, например, использовать свои улучшенные способности письма, чтобы влиять на общественное мнение через социальные медиа-посты, и "потенциально манипулировать общественным мнением", сказал Маск. "Как мы бы это узнали?"

Борьба за власть в OpenAI

Маск решил действовать. Это часть его эксцентричной личности: он заявлял ранее, что его главной целью при создании Tesla и SpaceX было сохранение человечества путем борьбы с глобальным потеплением (создание электромобилей, которые могут быть такими же крутыми, как автомобили на бензине, чтобы люди покупали их) и предоставление многоразовых ракет для снижения стоимости космических полетов, чтобы люди могли переехать на Марс, если Земля станет непригодной для жизни.

В 2015 году он объединил ряд талантов в области искусственного интеллекта, а также тогдашнего президента Y Combinator Сэма Альтмана. Среди спонсоров были основатель LinkedIn и венчурный капиталист Рид Хоффман.

Цель Маска заключалась в создании противовеса Google, который является закрытым, коммерческим гигантом. В результате была создана OpenAI, некоммерческая организация с открытым исходным кодом, которую, как он заявил, и назвал. Один из ключевых рекрутов, который был решающим для успеха OpenAI, это нынешний главный ученый Илья Суцкевер, сказал Маск.

Маск пожертвовал $100 миллионов на OpenAI, а его поддерживающие вместе обещали $1 миллиард. Но в начале 2018 года Маск решил, что OpenAI отстает от Google, и предложил сам управлять некоммерческой организацией, сообщило издание Semafor, первым сообщившим об этом. Основатели OpenAI отклонили его предложение, и Маск отошел, а $1 миллиард так и не был получен.

Маск сказал Fox News, что в это время он был "отвлечен" проблемами с Tesla и SpaceX.

Является ли коммерциализация OpenAI вина Маска?

По сообщению издания Semafor, OpenAI не могла позволить себе "астрономические" расходы на обучение моделей ИИ на суперкомпьютерах. Это привело к созданию дочерней компании с ограниченной прибылью в рамках некоммерческого родительского организма. В 2019 году Microsoft вложил в OpenAI $1 миллиард, а по сообщениям в этом году еще $10 миллиардов.

OpenAI является создателем ChatGPT, чрезвычайно популярного чат-бота, который привлек внимание общественности к искусственному интеллекту своей умением писать прозу и поэзию, а также код. Это наиболее известный и наиболее используемый инструмент генеративного искусственного интеллекта от OpenAI, который также создал текст-в-изображение генератор DALL-E.

ChatGPT и его преемник GPT-4 быстро становятся популярными во многих отраслях и обещают ввести новый тип интернета, согласно заявлениям экспертов. Это вызвало конкуренцию со стороны Google, который представил конкурента ChatGPT под названием Bard, а также, по сообщениям, работает над новым поисковым движком Magi, который может отвечать на запросы в разговорной форме.

Сегодня Маск хочет создать противовес OpenAI, которая, как он сказал, стала закрытой коммерческой организацией. Он высказал идею создания TruthGPT, которая будет "максимально искать истину ИИ, который пытается понять природу вселенной".

"Это может быть лучшим путем к безопасности в том смысле, что ИИ, который заботится о понимании вселенной, вряд ли уничтожит людей, потому что мы являемся интересной частью вселенной", - сказал Маск, добавив оговорку: "надеюсь, он так и подумает".

Читать оригинальную статью (eng): aibusiness.com

Сильная и актуальная стратегия данных является фундаментальным элементом долгосрочного успеха вашего предприятия. В свете продолжающихся изменений, вероятно, ей потребуется серьезное обновление.

Каждое предприятие нуждается в стратегии данных, которая четко определяет технологии, процессы, людей и правила, необходимые для безопасного и надежного управления информационными активами и практиками.

Как и с любой другой областью в IT, стратегия данных должна эволюционировать со временем, чтобы не отставать от развивающихся технологий, потребностей клиентов, рынков, бизнес-потребностей и практик, регулятивного законодательства и бесконечного количества других приоритетов.

Вот краткий обзор семи основных тенденций, которые, вероятно, сформируют новую стратегию данных вашей организации в ближайшие дни и месяцы.

1.    Данные в реальном времени становятся реальностью - также увеличивается сложность работы с ними

Глобальный руководитель по данным и искусственному интеллекту в консалтинговой компании Accenture Лан Гуан рекомендует главным информационным офицерам приоритезировать свою стратегию инвестирования для работы с растущим объемом сложных данных в реальном времени, поступающих в предприятие.

Гуан считает, что иметь возможность использовать данные является неотъемлемым условием в современной бизнес-среде. "Уникальные идеи, полученные из данных организации, являются конкурентным преимуществом, свойственным их бизнесу и не легко копируемым конкурентами", - отмечает она. "Не удовлетворять этим потребностям означает отставание и упущение многих возможностей, открываемых благодаря прогрессу в области аналитики данных".

Следующим шагом в стратегии данных каждой организации, по мнению Гуан, должно быть инвестирование и использование искусственного интеллекта и машинного обучения для извлечения большей ценности из их данных. Инициативы, такие как автоматизированное предиктивное обслуживание оборудования или оптимизация рабочей силы через операционные данные это лишь некоторые из многих возможностей, открываемых успешной стратегией данных в сочетании с эффективным внедрением искусственного интеллекта.

2.    Запросы на доступ к данным внутри предприятия становятся приоритетными

Главные информационные офицеры и лидеры по данным сталкиваются с растущим спросом на внутренний доступ к данным. "Данные больше не используются только аналитиками и учеными в области данных", - говорит Динеш Нирмал, генеральный менеджер по искусственному интеллекту и автоматизации в IBM Data. "Каждый в их организации - от продаж до маркетинга, HR и операций - нуждается в доступе к данным для принятия лучших решений".

Однако, обеспечение простого доступа к своевременным и актуальным данным становится все более сложной задачей. "Несмотря на массовые инвестиции, ландшафт данных внутри предприятий все еще чрезмерно сложен, распределен по множеству облаков, приложений, местоположений, сред и поставщиков" - говорит Нирмал.

В результате все большее число IT-лидеров ищет стратегии данных, которые позволят им управлять огромными объемами неоднородных данных, расположенных в хранилищах, без введения новых рисков и вызовов в области соответствия требованиям. "Хотя потребность во внутреннем доступе к данным растет, ИТ-руководители также должны следить за быстро изменяющимися регуляторными и требованиями в области соответствия, такими как Европейский акт об искусственном интеллекте и недавно опубликованная Белая книга Белого дома о Билле прав искусственного интеллекта" - говорит Нирмал.

3.    Обмен внешними данными становится стратегическим

Майк Бехтел, главный футурист консалтинговой фирмы Deloitte Consulting, наблюдает, что обмен данными между бизнес-партнерами становится гораздо проще и более кооперативным. "С активным использованием облачных складов данных и смежных платформ для анализа данных, мы начинаем видеть интересные случаи, когда предприятия могут объединить свои данные с данными контрагентов, чтобы создавать совершенно новые, продаваемые цифровые активы" - говорит он.

Бехтел предвидит грядущий перелом в обмене внешними данными. "В течение многих лет представители руководства и IT-специалисты говорили абстрактно о ценности всех этих данных, но гики из нас знают, что возможность монетизации этих данных требует их большей ликвидности" - говорит он. "Организации могут иметь петабайты интересных данных, но если они застывают в устаревшем хранилище на месте, то вы не сможете много с ними сделать".

4.    Растет принятие концепций "data fabric" и "data mesh"

Технологии "data fabric" и "data mesh" могут помочь организациям извлечь максимальную ценность из всех элементов технического стека и иерархии в практичном и удобном формате. "Многие предприятия все еще используют устаревшие решения, старые и новые технологии, унаследованные политики, процессы, процедуры или подходы, но сталкиваются с необходимостью объединения всего этого в рамках новой архитектуры, которая обеспечивает большую гибкость и скорость" - говорит Паола Сайбене, главный консультант в IT-консалтинговой фирме Resultant.

"Mesh" позволяет организации получать информацию и понимание, которые ей нужны, из окружающей среды в ее текущем состоянии, не изменяя его радикально или массово нарушая его функционирование. "Таким образом, ИТ-руководители могут воспользоваться инструментами, которыми они уже обладают, но добавить на верхний уровень слой, который позволит им использовать все эти активы в современном и быстром режиме" - объясняет Сайбене.

"Data fabric" - это архитектура, которая обеспечивает интеграцию различных конвейеров данных и облачных сред в единую цепочку с помощью интеллектуальных и автоматизированных систем. Особенно важен уровень активного метаданных в рамках "fabric", отмечает Сайбене. "Агенты взаимодействия будут делать так, чтобы все выглядело, как будто все прекрасно связано между собой и было специально спроектировано таким образом" - говорит она. "Таким образом, вы сможете получить все необходимые знания, избегая необходимости перестраивать свою среду".

5.    Наблюдаемость данных становится критически важной для бизнеса

Наблюдаемость данных расширяет концепцию качества данных, тесно контролируя потоки данных, поступающие в приложения и из них выходящие. "Подход обеспечивает критически важные инсайты в информацию приложений, схемы, метрики и происхождение" - говорит Анди Петрелла, основатель провайдера наблюдаемости данных Kensu и автор книги "Fundamentals of Data Observability" (O'Reilly, 2022).

Одним из ключевых атрибутов наблюдаемости данных является то, что она воздействует на метаданные, обеспечивая безопасный способ наблюдения за данными непосредственно в приложениях. Как только чувствительные данные покидают конвейер данных, они собираются агентом наблюдаемости данных, говорит Петрелла. "Благодаря этой информации команды по работе с данными могут быстрее устранять проблемы с данными и предотвращать их распространение, снижая затраты на обслуживание, восстанавливая доверие к данным и увеличивая создание ценности от данных" - добавляет он.

Петрелла утверждает, что наблюдаемость данных создает совершенно новый класс решений. "ИТ-руководители должны сначала понимать различные подходы к наблюдению за данными и как они отличаются от управления качеством" - отмечает он. Затем они должны определить заинтересованных сторон в своей команде по работе с данными, так как они будут ответственны за принятие технологии наблюдаемости.

Неспособность улучшить качество данных, скорее всего, будет сдерживать производительность команд по работе с данными, снижая доверие к данным во всей цепочке данных. "В долгосрочной перспективе это может оттолкнуть деятельность по работе с данными на задний план, повлиять на конкурентоспособность организации и, в конечном итоге, на ее доходы" - говорит Петрелла.

Лидеры IT сталкиваются с растущей сложностью и непостижимым объемом данных, разбросанных по технологическому стеку, наблюдает Грегг Остроуски, исполнительный CTO Cisco AppDynamics. "Они вынуждены интегрировать массово расширяющийся набор облачных сервисов с существующими технологиями внутри предприятия" - отмечает он. "С точки зрения стратегии данных, самым большим трендом является необходимость для IT-команд получить четкое представление и инсайты в свои приложения независимо от домена, будь то внутренняя среда, облачная или гибридная среда".

6.    "Данные как продукт" начинают приносить бизнес-ценность

Data as a product - это концепция, которая направлена на решение реальных бизнес-проблем через использование объединенных данных, полученных из множества различных источников. "Этот подход захвата и анализа данных обеспечивает новый уровень интеллекта для компаний, что может привести к реальному улучшению финансовых показателей" - говорит Ирвин Бишоп-младший, главный информационный офицер Black & Veatch, глобальной инженерной, закупочной, консалтинговой и строительной компании.

Понимание того, как собирать и применять данные, может изменить игру во многих отношениях, говорит Бишоп. Он сообщает, что Black & Veatch работает с клиентами по разработке дорожных карт для продуктов данных и установлению соответствующих ключевых показателей производительности. "Один из примеров - это как мы используем данные в водной отрасли, чтобы лучше управлять физическим здоровьем критической инфраструктуры" - отмечает он. "Данные дают нашим клиентам водоснабжения возможность предсказать, когда оборудование, скорее всего, потребуется заменить и какой тип экологического воздействия оно может выдержать, опираясь на данные о прошлой производительности". Бишоп говорит, что такой подход дает участвующим клиентам больший контроль над надежностью обслуживания и их бюджетами.

7.    Появляются команды кросс-функциональных продуктов данных

По словам Трейси Гашер, лидера по данным и аналитике в американской бизнес-консалтинговой фирме EY, по мере того, как организации начинают относиться к данным как к продукту, становится необходимо создавать команды продуктов, которые связаны между собой через отделы информационных технологий, бизнеса и науки о данных.

Сбор и управление данными не должны рассматриваться как еще один проект, отмечает Гашер. "Данные должны рассматриваться как полноценная бизнес-область, ничем не отличающаяся от HR или финансов" - утверждает она. "Переход к подходу к продукту данных означает, что ваши данные будут обрабатываться так же, как это делается с физическим продуктом: разрабатываться, продвигаться, проходить контроль качества, улучшаться и иметь ясно отслеживаемую ценность".

Читать оригинальную статью (eng): www.cio.com

После запуска ChatGPT был открыт ящик Пандоры. Мы наблюдаем технологический сдвиг в способах нашей работы. Люди создают веб-сайты, приложения и даже пишут романы, используя ChatGPT.

Со всей этой рекламой и введением инструментов генерации искусственного интеллекта мы столкнулись с возрастанием злоумышленников. Если вы следите за последними новостями, вы, вероятно, слышали, что ChatGPT сдал экзамен MBA в Уортоне. Существует целый список экзаменов, которые ChatGPT сдал, от медицинских до юридических.

Помимо экзаменов, студенты используют его для сдачи заданий, писатели представляют генерируемый контент, а исследователи создают высококачественные статьи, просто набирая подсказки.

Чтобы противостоять злоупотреблению генерируемым контентом, представляем Вам 5 бесплатных инструментов для обнаружения контента на основе искусственного интеллекта. Вы можете использовать их для проверки правильности контента и улучшения своего рейтинга в поисковой системе.

1.    GPT-ZERO

GPTZero был создан Эдвардом Тианом, студентом последнего курса Принстонского университета, для обнаружения текстов, сгенерированных ChatGPT. Создатель заметил, что студенты используют эту технологию для обмана при выполнении заданий, поэтому он разработал этот инструмент для обеспечения безопасности.

Это веб-приложение довольно простое. Вы можете вставить текст или загрузить файлы в форматах pdf, docx и txt. Нажав на кнопку " GET RESULTS", вы можете получить сводку, среднее значение Perplexity и оценку Burstiness. Кроме того, приложение выделит текст, который, вероятно, написан с помощью искусственного интеллекта.

2.    OpenAI GPT2 Output Detector

OpenAI GPT2 Output Detector был разработан компанией OpenAI и размещен на платформе HuggingFace для бесплатной проверки достоверности контента пользователями. Он может обнаруживать текст, созданный ChatGPT, GPT3 и GPT2. Приложение использует модель детектора вывода GPT-2, основанную на библиотеке Transformers.

Чтобы проверить правильность содержимого, просто скопируйте и вставьте текст, и он автоматически покажет вам процент настоящего/фальшивого содержания.

Я использовал его несколько дней и считаю, что он довольно точно обнаруживает все виды генерации текста с помощью искусственного интеллекта.

3.    Hello-SimpleAI ChatGPT Detector

Hello-SimpleAI ChatGPT Detector состоит из трех версий для обнаружения текста, созданного с помощью ChatGPT.

1) Версия QA: требует как вопросы, так и ответы, чтобы проверить, был ли текст создан с помощью ChatGPT. На стороне сервера она использует классификатор на основе PLM.

2) Версия одиночного текста: требует длинного текста для обнаружения текста, созданного с помощью ChatGPT с помощью классификаторов на основе PLM.

3) Версия лингвистических признаков: обнаруживает ChatGPT на основе лингвистических характеристик.

По моему мнению, наиболее точной является версия на основе лингвистических признаков. Вам нужно предоставить текст и нажать кнопку "предсказать", чтобы увидеть результаты. Приложение покажет результаты двух разных моделей GLTR и PPL. Вы можете узнать больше об этом на проекте chatgpt-comparison-detection.

4.    Contentatscale AI Content Detector

Contentatscale AI Content Detector - это инструмент, которым я часто пользуюсь для оценки качества контента. Он быстрый, простой и точный. С помощью AI Content Detector пользователи могут получить оценку качества контента, вставив текст.

5.    Writers AI Content Detector

AI Content Detector от Writers очень похож на Contentatscale. Он требует либо URL страницы, либо текст, чтобы рассчитать оценку "Контента, созданного человеком". Он быстрый и довольно точный.

Заключение

Вместе с ростом инструментов генерации текста с помощью искусственного интеллекта мы видим появление инструментов для обнаружения такого текста. На данный момент они не совсем точны в обнаружении фрагментов кода и смешанного текста (человек + ИИ), но в будущем мы увидим, как многие компании будут принимать инструменты обнаружения для повышения качества и увеличения производительности.

В этой статье мы узнали о пяти лучших инструментах для обнаружения генеративного текста с помощью искусственного интеллекта. Эти инструменты быстрые, надежные и простые в использовании. Вам просто нужно вставить текст, чтобы получить результаты.

Автор статьи Абид Али Аван (@1abidaliawan) - сертифицированный профессиональный ученый-исследователь в области науки о данных, который любит создавать модели машинного обучения. В настоящее время он сосредоточен на создании контента и написании технических блогов о технологиях машинного обучения и науке о данных. Абид имеет степень магистра по управлению технологиями и степень бакалавра по телекоммуникационной инженерии. Его цель - создать продукт искусственного интеллекта, используя графовую нейронную сеть, для студентов, страдающих психическими расстройствами.

Читать оригинальную статью (eng): www.kdnuggets.com

Онлайн-сообщество разработчиков взволновано экспериментальным ИИ-ассистентом, который может писать свой собственный код и выполнять его автономно. Просто настройте задачу и позвольте ему запуститься.

Auto-GPT, созданный группой разработчиков, может даже исправлять себя, выполняя такие вещи, как самодиагностика. Недавно бот стал лидером по теме трендов в Twitter. Ранее в этом месяце он возглавил чарты на GitHub.

Андрей Карпати, бывший глава отдела ИИ в Tesla, который сейчас работает в OpenAI, написал в своем твиттере, что Auto-GPT - это "следующий этап развития prompt-инжиниринга".

Auto-GPT - это проект с открытым исходным кодом, созданный на основе GPT-4 от OpenAI, последней и самой большой языковой модели от создателей ChatGPT. Согласно описанию на GitHub, Auto-GPT "сцепляет вместе мысли LLM, чтобы самостоятельно достигать цели, которую вы зададите".

Auto-GPT потенциально может делать много вещей, которые люди делают в интернете, такие как заказ пиццы, планирование поездок или бронирование авиабилетов. Он также может самостоятельно публиковать в социальных сетях: бот создал аккаунт IndiepreneurGPT на Twitter и автоматически твитит от него.

Auto-GPT - это всего лишь эксперимент, и он "не является полированным приложением или продуктом", согласно его создателям. Они также отмечают, что он "может не работать хорошо в сложных реальных бизнес-сценариях", однако, если он будет работать, команда настоятельно призывает разработчиков делиться своими результатами. Они также предупреждают, что использование Auto-GPT может быть "довольно дорогим" из-за большого количества токенов, необходимых для запуска.

Как запустить Auto-GPT:

Чтобы запустить Auto-GPT, вам понадобится Python 3.8 или более поздней версии, а также ключ API для OpenAI и Pinecone. Если вы хотите использовать функцию текст в речь, вам потребуется ключ API от Eleven Labs. Если вы также хотите генерировать изображения, для этого Auto-GPT использует DALL-E. Для использования Stable Diffusion требуется ключ API HuggingFace.

Код для Auto-GPT можно найти на GitHub и доступен под лицензией MIT, что означает, что пользователи могут вносить изменения или модификации в код в соответствии со своими потребностями, сохраняя при этом оригинальную копию лицензии MIT в своем распространении.

При запуске Auto-GPT вам нужно дать ему имя и роль. Имя может быть любым, а роль определяет, что вы хотите, чтобы приложение делало. Например, вы можете создать ИИ, который автономно будет публиковать фотографии собак на Twitter. Если вы не вводите ничего, то будут загружены настройки по умолчанию.

После того, как вы установили имя и роль, вам нужно установить цели - как вы хотите, чтобы Auto-GPT выполнял свою задачу. Например, "Шаг первый, перейдите на Google Search для поиска изображений собак". После того, как список задач завершен, вы можете сообщить боту о завершении работы, и он должен автоматически выключиться.

После установки целей, ИИ сгенерирует подтверждение своей роли, обоснование выполнения задачи и план ее выполнения на основе поставленных целей. Кроме того, Auto-GPT может предложить способы выполнения задачи более эффективно или эффективнее на основе анализа задачи и связанной информации. Это один из способов, которыми Auto-GPT может помочь улучшить выполнение задач и оптимизировать рабочие процессы.

Чтобы подтвердить рассуждение модели, нужно нажать клавишу "Y", и процесс завершится. Auto-GPT теперь должен автоматически выполнить действия, которые были ему назначены. Однако документация для бота не рекомендует пользователям выполнять задачи непрерывно и настоятельно рекомендует выключить его после завершения задачи.

Источник: aibusiness.com