Обзор генеративного ИИ

Компании всех размеров заинтригованы преимуществами, которые предлагает искусственный интеллект (ИИ). Многие уже используют ИИ и прогнозную аналитику для принятия лучших решений и улучшения своей деятельности. Генеративный ИИ — это развивающееся подмножество ИИ, которое дает дополнительную ценность. Он может быстро создавать аудио, текст и видеоконтент — даже писать код. Компании начинают использовать эту технологию для создания более персонализированного опыта, улучшения наборов данных и решения проблем с качеством данных. 

Генеративный ИИ имеет применение в цепочке поставок, которое может быть интересно членам GS1 US. Он может повысить устойчивость, имитируя сбои, чтобы помочь спланировать риски. Он может автоматизировать контент и логистику посредством генерации данных о продуктах. Он может улучшить качество обслуживания клиентов, предоставляя персонализированные рекомендации по продуктам. Или его можно использовать для повышения устойчивости, оптимизируя маршруты поездок и рекомендуя методы снижения воздействия на окружающую среду. 

Однако эти модели могут «галлюцинировать». Их вывод не всегда основан на фактах. И из-за характера данных обучения возникают вопросы о конфиденциальности, плагиате и праве собственности. Тем не менее, цикл ажиотажа вокруг генеративного ИИ продолжается, и его принятие растет. Вместе с нашими членами GS1 US продолжит исследовать это пространство, пилотируя новые варианты использования и работая над раскрытием будущего потенциала этой технологии.  

Что такое генеративный ИИ?

Генеративный ИИ — это тип искусственного интеллекта (ИИ), который может создавать новый контент. Он делает это, обучаясь на примерах реальных данных и экстраполируя их оттуда. В зависимости от типа обучающих данных генеративный ИИ может генерировать разнообразный контент, такой как аудио, текст, код, изображения, видео и даже цифровые симуляции. Он анализирует тенденции, закономерности, отношения и структуры в обучающих данных, пытаясь имитировать человеческий интеллект. Большая языковая модель (LLM) — это версия генеративного ИИ, специально ориентированная на генерацию текста. ChatGPT, созданная OpenAI, является примером LLM. Существуют и другие типы генеративного ИИ, которые могут охватывать различные варианты использования, в первую очередь благодаря своей способности создавать новый контент из исторических данных. Модели генеративного ИИ также могут совершенствоваться, обучаясь на отзывах пользователей и адаптируясь к новым данным, вводимым в их систему. Со временем точность и возможности модели возрастут, что позволит реализовать широкий спектр новых возможностей для ИИ.

Как работает генеративный ИИ?

Прогнозирование и подкрепление управляют генеративным ИИ. Например, LLM работают, предсказывая слово, которое с наибольшей вероятностью будет следующим в последовательности слов. Это достигается путем обучения модели на большом количестве реальных данных. ChatGPT обучался на сочетании книг, записей Википедии, онлайн-статей и других фрагментов текста из интернета, что составило около 300 миллиардов слов. Генеративный ИИ для других типов носителей, таких как изображения или код, работает аналогично LLM. В дополнение к прогнозированию, для оценки результатов используется обучение с подкреплением с обратной связью от человека (RLHF). Человек-аудитор проверит ответ генеративного ИИ, оценит его с помощью положительной или отрицательной обратной связи, и алгоритм будет учиться на этой обратной связи и корректировать свой следующий ответ. В алгоритм также могут быть встроены защитные ограждения, чтобы предотвратить генерацию опасных или проблемных ответов.

Варианты использования генеративного ИИ

Генеративный ИИ имеет множество применений. Хотя он в основном используется для создания нового контента, он может делать больше, чем просто предсказывать следующее слово в последовательности. Ниже приведены некоторые из известных на сегодняшний день применений. По мере развития технологии его функциональность, вероятно, будет расти.

1 | Создание контента

Создание контента — это ядро ​​генеративного ИИ. В этих случаях используются алгоритмы для создания разнообразного контента в быстром темпе и масштабируемом режиме. Например, маркетинг может генерировать изображения для кампаний, а программисты могут автономно создавать строки кода .

2 | Чат-боты

Генеративный ИИ может имитировать человеческую речь посредством обработки естественного языка (NLP). Это означает, что он может предоставлять обслуживание клиентов через текстовых чат-ботов. Его способность учиться на основе обратной связи от людей позволяет ему понимать предпочтения и создавать высоко персонализированный опыт на основе ответов клиентов.

3 | Дополнение данных

Генеративный ИИ может помочь улучшить качество или полноту наборов данных. На основе исторических данных генеративный ИИ может  заполнить пробелы в базе данных . Он также может оценить общие тенденции данных для выявления аномалий в системе. Более надежный набор данных, созданный ИИ, затем может использоваться для обучения и повышения производительности алгоритмов глубокого обучения.

4 | Цифровое моделирование

Генеративный ИИ может создавать контент в масштабе и использовать существующие данные для создания симуляций реальных сред. Скорость, с которой он может генерировать контент, означает, что генеративный ИИ может создавать цифровые двойники сложных экосистем, которые затем могут использоваться для моделирования различных сценариев. Люди могут изучать их, чтобы понимать потенциальные результаты, причинно-следственные связи и многое другое.

5 | Дизайн и открытия

Генеративный ИИ может использовать исторические данные о продуктах для  создания новых проектов для различных отраслей . Для медицинских исследований системы генеративного ИИ могут точно предсказывать 3D-модели структур белков на высоких скоростях. Это значительно улучшает биологические исследования и разработки.

Генеративный ИИ в цепочке поставок

Генеративный ИИ может помочь цепочкам поставок несколькими способами. Прогнозы, симуляции и рекомендации ИИ могут поддерживать автоматизацию и повышать эффективность. Но важно думать об этой технологии как о соавторе. Она призвана улучшить ценную работу, выполняемую людьми в цепочке поставок. В этом свете генеративный ИИ демонстрирует потенциал в следующих областях:

Коммуникация

Генеративный ИИ может  помочь в переводе  для торговых партнеров по всему миру. Чат-боты могут читать и резюмировать документы, а также писать сообщения, чтобы помочь компаниям работать вместе.

Стандарты GS1  могут помочь упростить эти коммуникации. Уникальная идентификация, всемирно признанные модели данных и совместимые деловые сообщения обеспечивают ясность из единого источника истины в обмене информацией о продуктах, местах и ​​событиях по всей цепочке поставок. Лучшие практики и стандартизация для данных и информации о цепочке поставок также могут направлять ИИ при переводе, обобщении или создании контента.

Качество данных

Генеративный ИИ может использовать распознавание образов для выявления аномалий в наборах данных. Он может генерировать данные для заполнения пробелов, чтобы улучшить полноту или обогатить данные о продуктах дополнительной информацией. Он также может проверять и исправлять ошибки перед тем, как делиться данными с торговыми партнерами. 

Стандарты GS1 могут выступать в качестве защитных ограждений для данных, созданных генеративным ИИ. Такие стандарты, как  спецификация изображений GS1,  могут служить основой и направлять ИИ с помощью лучших практик, помогая генерировать более точные и полезные результаты.

Управление запасами

Генеративный ИИ может создавать модели, которые показывают различные сценарии спроса и предложения, чтобы помочь управлять запасами. Применяя идеи из прошлых данных к этим моделям, он может  рекомендовать заказы и уровни запасов .

Для этих моделей качество данных является ключевым фактором.   Стандарты GS1  помогают сделать данные о продуктах согласованными в цепочках поставок. Данные хорошего качества приведут к лучшим результатам от ИИ.

Устойчивость

Генеративный ИИ  может создавать цифровых двойников  цепочек поставок. Эти симуляции ИИ могут позволить пользователям проверить, как их цепочка поставок может реагировать на различные сбои или изменения. ИИ, обученный на исторических погодных условиях, данных об окружающей среде и сбоях в цепочке поставок, может моделировать будущие события. Это может помочь в оценке рисков и планировании действий в чрезвычайных ситуациях.

Стандарты GS1  могут помочь компаниям сотрудничать в создании устойчивых цепочек поставок. Стандарты служат основой для создания обширного набора транзакционных и событийных данных для цепочки поставок. Эти данные могут предоставить информацию о прозрачности, инвентаризации, производительности и управлении жизненным циклом. Таким образом, компании знают, когда следует внедрять планы действий в чрезвычайных ситуациях.

Выполнение

Генеративные проекты ИИ могут использоваться для логистики. ИИ может  генерировать оптимизированные маршруты  для выполнения заказов. Он может учиться на основе обратной связи для динамической корректировки. Генеративный ИИ также может поддерживать показатели заполнения с рекомендациями и заменами на основе исторических данных, предпочтений и атрибутов продукта или клиента. 

Стандарты GS1 могут быть использованы для реализации маршрута, сгенерированного ИИ. Стандарты продукта, местоположения и сущности имеют важное значение для построения логистических маршрутов открытым и совместимым образом.

Устойчивость

Генеративный ИИ может использоваться для повышения устойчивости. Генеративный ИИ может помочь разработать продукт с новыми материалами или перепроектировать упаковку, чтобы использовать меньше. Или он может выстроить цепочку поставок для текущего продукта, чтобы минимизировать его воздействие на окружающую среду, от поиска сырья и поставщиков до производства и дистрибуции.

После того, как устойчивая цепочка поставок разработана,  стандарты GS1  могут помочь сделать ее реальной. Стандарты помогают обеспечить обмен данными и доверие между каждым партнером в цепочке поставок. Оттуда они могут сотрудничать для реализации проекта.

Персонализация и клиентский опыт

Благодаря отзывам пользователей генеративный ИИ может учиться, итерировать и предоставлять высокоперсонализированный опыт. Например, он может предоставлять рекомендации по продуктам , которые очень точно соответствуют предпочтениям клиента. Основываясь на том, как клиент реагирует на первоначальные рекомендации, он может обновлять и совершенствовать процесс для будущих взаимодействий.

GS1 US стандартизировал информацию о продукте и атрибуты  , на основе которых генеративный ИИ может учиться, чтобы еще больше улучшить свои возможности по созданию персонализированного, индивидуального опыта для пользователей. Чем больше данных у ИИ о продукте, тем лучше его способность подстраиваться под отзывы пользователей.

Ограничения и риски генеративного ИИ

Несмотря на обширные возможности генеративного ИИ, существует ряд ограничений и рисков, которые необходимо учитывать. Одним из наиболее заметных рисков решений генеративного ИИ является возможность галлюцинации . Галлюцинация ИИ происходит, когда система предоставляет результат или информацию, которые не соответствуют действительности, что означает, что она использует свою предиктивную генерацию для фабрикации информации. Например, мэр региона Австралии говорил о подаче в суд на OpenAI, если компания не исправит ложные заявления, которые ChatGPT сделал о его прошлом. Для проверки результатов генеративного ИИ по-прежнему необходимы человеческие помощники.

Генеративный ИИ также подвержен дрейфу, явлению, при котором его производительность меняется со временем. Стэнфорд провел исследование , в котором проанализировал этот дрейф с мая по июнь по четырем категориям: математические задачи, деликатные вопросы, программный код и визуальное мышление. Результаты показывают дрейф, при котором ИИ показал худшие результаты в некоторых категориях. Эти колебания в результатах моделей с течением времени еще раз подчеркивают необходимость человеческого контроля для обеспечения согласованности.

Кроме того, тот факт, что общедоступные генеративные модели ИИ требуют больших объемов обучающих данных, извлеченных из интернета, создал свой собственный набор проблем. Существуют проблемы с конфиденциальностью данных относительно того, кто владеет данными, когда они вводятся в систему ИИ и когда результаты выводятся. 

Эти риски можно смягчить, обучая LLM на частных наборах данных. Компании могут безопасно исследовать генеративный ИИ, когда они контролируют свои данные для обучения, выбирая, какие наборы данных ему поставляются, и используя корпоративные экземпляры, которые защищают доступ к данным. Кроме того, человеческая проверка может снизить риск неточных или ложных результатов генеративного ИИ. Надзор в форме человеческой проверки по-прежнему требуется для этих систем ИИ.