Sztuczna inteligencja stała się integralną częścią wielu aplikacji. Naukowcy i programiści ciężko pracują nad znalezieniem coraz to lepszych sposobów jej zastosowania. Czy sztuczna inteligencja (AI) to technologia dalekiej przyszłości? Odpowiedź brzmi zarówno „tak”, jak i „nie”. Nie, ponieważ aplikacje AI już od dawna są częścią naszego codziennego życia. Weźmy na przykład rozpoznawanie twarzy, którego wiele osób używa do odblokowywania swoich smartfonów. Albo programy do tłumaczeń, które obecnie doskonale radzą sobie z dokładnym tłumaczeniem zdań, a nawet całych dokumentów w wielu różnych językach, w ciągu zaledwie kilku sekund. Istnieją również systemy chatbotów, takie jak ChatGPT i Copilot, które pomagają dzisiejszym uczniom i studentom w pisaniu prac.
Są to trzy przykłady aplikacji informatycznych, które nie opierają się na tradycyjnym programowaniu „if-then”. Zamiast tego wykorzystują one ogromne ilości danych szkoleniowych, zaawansowane metody uczenia się, takie jak uczenie nadzorowane lub wzmacniające oraz algorytmy, które często wykorzystują bardzo złożone sieci neuronowe.
Algorytm sztucznej inteligencji nigdy nie da wyniku „0” lub „1”. Zamiast tego, AI zawsze podaje prawdopodobieństwo poprawności matematycznie obliczonej prognozy, która nigdy nie będzie wynosić 100%. Twierdzenia sztucznej inteligencji są zawsze przynajmniej trochę niedokładne. I to właśnie ta cecha sprawia, że wyniki muszą być dokładnie sprawdzane, choć w żaden sposób nie neguje to ogromnego potencjału tej technologii. Rzeczywiście, sztuczna inteligencja jest jedynym sposobem na obliczenie praktycznych rozwiązań dla najbardziej złożonych korelacji. Aplikacje AI są raczej jak inteligentny kolega, który ma dużą wiedzę, ale czasami się myli.
Sztuczna inteligencja dotarła również do świata logistyki. Ponad sześć lat temu zespół DACHSER Enterprise Lab we Fraunhofer IML rozpoczął opracowywanie algorytmów do prognozowania wielkości tonażu dla sieci drobnicowej DACHSER z 25-tygodniowym wyprzedzeniem. Opracowali również rozwiązanie do rozpoznawania obrazów w celu identyfikacji, lokalizacji i pomiaru przesyłek w magazynach drobnicowych w czasie rzeczywistym. Od kilku lat kamieniem węgielnym strategii wdrażania sztucznej inteligencji DACHSER jest współpraca specjalistów ds. logistyki i ekspertów ds. procesów z matematykami i programistami.
Nowe, nieoczekiwane możliwości
Niemniej jednak sztuczną inteligencję nadal można uznać za technologię przyszłości. Nowe modele wciąż otwierają nieoczekiwane możliwości. Na pierwszy plan wysuwają się tutaj modele generatywne sztucznej inteligencji, które wykorzystują zaawansowane algorytmy, szkolone na masach danych pobranych z Internetu, do rozumienia i tworzenia tekstów i obrazów. ChatGPT i inne duże modele językowe (LLM) w szczególności sprawiają wrażenie posiadania „inteligencji”. Jednak tak naprawdę opiera się to tylko na funkcji matematycznej, która przewiduje spójną kolejność słów.
Modele podstawowe w sztucznej inteligencji: W dziedzinie sztucznej inteligencji (AI) model podstawowy to duży, wstępnie wytrenowany model oparty na rozległych zbiorach danych, który jest kompatybilny z szeroką gamą aplikacji. Istnieją różne rodzaje modeli podstawowych, w tym duże modele językowe (LLM) i modele przetwarzania wizualnego. Modele LLM, takie jak GPT-4 od OpenAI, Gemini (dawniej „Bard”) i Bert od Google oraz Llama3 od Meta, specjalizują się w rozumieniu i generowaniu języka naturalnego. Modele wizualne, takie jak Sora i DALL-E od OpenAI, są przeznaczone do generowania filmów i obrazów przy użyciu dowolnego tekstu (podpowiedzi). Jak sama nazwa wskazuje, modele podstawowe często służą jako podstawa dla wyspecjalizowanych aplikacji, dla których są dostosowywane w celu włączenia określonych zadań lub zestawów danych.
Dopiero zaczęto wykorzystywać ich ogromny potencjał. Na przykład w branży robotyki eksperci eksperymentują z modelami fundamentowymi jako sposobem komunikacji i sterowania pojazdami autonomicznymi. Zwiększyłoby to zdolność robotów do wykonywania złożonych zadań, takich jak przetwarzanie języka naturalnego, rozpoznawanie obrazów i obiektów oraz autonomiczna nawigacja. Modele te pozwalają robotom uczyć się na podstawie ogromnych ilości danych i dostosowywać się do nowych środowisk i zadań, co oznacza, że oferują one większą elastyczność i szerszy zakres zastosowań. Niedługo przekonamy się, czy autonomiczne pojazdy używane w magazynach mogą być sterowane bardziej intuicyjnie i wydajnie. Intensywne badania prowadzone są na całym świecie.
RAG: Lepsza podstawa dla badań wspomaganych przez AI
Wiele osiągnięć w dziedzinie sztucznej inteligencji koncentruje się na generowaniu wspomaganym wyszukiwaniem (RAG), które obiecuje poprawę jakości wyników generowanych przez duże modele podstawowe. Zasadniczo, RAG zapewnia LLM wyższej jakości dane i źródła wiedzy dla danego przypadku użycia. Zapobiega to fabrykowaniu wyników przez LLM, jeśli nie jest on w stanie znaleźć rozwiązania, które z dużym prawdopodobieństwem jest poprawne. Takie niewłaściwe zachowanie narzędzi LLM określane jest mianem „halucynacji” i często może podważać zaufanie użytkowników do sztucznej inteligencji.
Dalsze badania nad sztuczną inteligencją przyniosą zupełnie nowy zakres potencjalnych zastosowań. Firmy takie jak DACHSER muszą zachować równowagę między wykorzystaniem standardowych aplikacji AI a rozwojem wewnętrznym. Modele sztucznej inteligencji muszą być trenowane w oparciu o konkretne dane wewnętrzne firmy, zwłaszcza w przypadku specjalnych procesów i rozwiązań logistycznych. Ogólne informacje dostępne w Internecie nie są wystarczającą podstawą do szkolenia. Jednocześnie należy wziąć pod uwagę koszty, zwłaszcza modeli sztucznej inteligencji, które wymagają znacznej mocy obliczeniowej, a także zgodność z nowymi ramami prawnymi UE dotyczącymi zastosowań sztucznej inteligencji, określonymi w ustawie o AI. Zarówno przemysł, jak i społeczeństwo dopiero zaczynają zagłębiać się w korzystanie ze sztucznej inteligencji – podróż, która z pewnością przyniesie sporo wyzwań.
źródło: Andre Kranke, Head of Corporate Research & Development w DACHSER
