Praktické využitie umelej inteligencie

V decembri 2022 OpenAI predstavila verejnosti ChatGPT a uviedla nás do novej éry, ktorá mení technológie, ekonomiku aj spoločnosť. Neurónové siete a LLM (Large Language Model) nie sú novinkou, v akademickej sfére a výskume sú tu už desaťročia. Predstavenie ChatGPT a teraz aj GPT-4 však prekvapilo všetkých mimo týchto oblastí. A vlastne aj samotní tvorcovia sú každý deň prekvapení možnosťami tejto novej technológie.

Hyperbola AI, AGI a singularita

Kým sa dostanem k LLM a konkrétne k ChatGPT, rád by som zhrnul súčasné trendy a situáciu v umelej inteligencii vo všeobecnosti. Žijeme v čase sociálnych médií, krátkych dramatických epizód a ich zvyčajne nerozumných hyperbol. Pokiaľ ide o AI, začína byť úplne jasné, že hoci sa objavuje množstvo senzačných správ a click baitov, preceňovania AI atď., všetci vstupujeme na neznáme územie. Rast je exponenciálny, technologický pokrok sa stále zrýchľuje a jedna vec, pred ktorou nás Stephen Hawking varoval, je vytváranie samovyvíjajúcej sa AI – čo je v podstate to, čo teraz robí väčšina ľudí, ktorí sa o ňu zaujímajú. Pojmy ako „AGI“ a „singularita“ sa zrazu zmenili zo science fiction na realitu. Ray Kurzweil už desaťročia predpovedá, že AI dosiahne ľudskú úroveň okolo roku 2029 a singularita príde v roku 2045, zatiaľ čo iní výskumníci a vedci buď predpokladali, že to bude trvať oveľa dlhšie, alebo že to vôbec nie je možné dosiahnuť. No každým desaťročím, a najmä v posledných rokoch, sa všeobecný konsenzus vo vedeckej komunite výrazne približuje Kurzweilovým predpovediam.

Čo je teda singularita?

Práve som si pozrel túto prednášku TED od samotného Raya Kurzweila, ktorá bola nahraná v roku 2014. Nielenže prekvapivo presne odhadol smer, ktorým sa vydali technológie ako ChatGPT, Bing či Bard, ktoré práve zažívame, ale predpovedal aj pokrok nanobotov, ktoré môžeme implementovať do našich tiel na rôzne účely. Jedným z nich je schopnosť nanobotov pripojiť sa ku cloudu a využívať výpočtové zdroje a informácie nad rámec toho, čo má mozog dnes. Inými slovami, vaša myseľ by bola priamo napojená na ďalšie zdroje informácií a výpočtov, takže by ste vedeli viac a rýchlejšie mysleli.

Dnes máme k dispozícii obmedzené systémy AI, teda inteligencie, ktoré dokážu pracovať v rámci konkrétnej oblasti alebo s konkrétnymi nástrojmi. Napríklad AI, ktorá dokáže identifikovať mačky na obrázkoch alebo odporúčať filmy v akejkoľvek online streamovacej službe, ktorú používate. Tie sa v posledných rokoch rýchlo vyvíjajú, ale v zásade sú to stále obmedzené systémy. AGI by potom mala byť niečím, čo presahuje jednu konkrétnu oblasť, teda všeobecnou, vševediacou inteligenciou, ktorá rozumie všetkému o spoločnosti, svete a vesmíre. A na tejto ceste sme aj my, najmä teraz so súčasnou technológiou LLM.

Súčasné možnosti umelej inteligencie

Prejdime od filozofie a hyperboly k praktickejšiemu prehľadu toho, v akom stave je súčasná umelá inteligencia, aké sú jej reálne možnosti a aké nástroje sú k dispozícii.

Prvým z nich je veľmi realistické deep fake video Toma Cruisa, ktoré sa objavilo približne pred dvoma alebo tromi rokmi. V tomto prípade sa vývojárom podarilo vytvoriť fotorealistického digitálneho avatara Toma Cruisa pomocou jeho snímok bez jeho účasti. Avatar bol bez problémov integrovaný do videa podľa naskriptovaného dialógu. Tento príklad ukazuje, že sa dá vytvoriť digitálna podoba akejkoľvek osoby a manipulovať s ňou tak, aby robila čokoľvek. Stvárnenie Toma Cruisa si spočiatku vyžadovalo veľa času a zdrojov, no za posledných niekoľko rokov technológia pokročila natoľko, že presvedčivé digitálne repliky vzniknú s oveľa menšími zdrojmi a oveľa rýchlejšie.

Ďalším príkladom je animácia modelu Meta Human v reálnom čase. Táto ukážka sa uskutočnila pred niekoľkými mesiacmi a prezentovali ju tvorcovia Unreal Engine, ktorý sa bežne používa vo videohrách. Počas prezentácie nahrala herečka na mobilný telefón krátke 10-sekundové video, v ktorom zobrazovala rôzne emócie. Toto video sa potom vložilo do softvéru umelej inteligencie, ktorý vygeneroval digitálnu repliku herečky na obrazovke. Digitálny avatar bezchybne kopíroval pohyby a výrazy herečky. Výrazy tváre sa navyše dali preniesť na iný digitálny model, čím vznikla realistická a presvedčivá reprezentácia osoby, ktorá tieto činnosti v skutočnosti nikdy nevykonávala.

Navyše v súčasnosti existujú systémy umelej inteligencie, ktoré dokážu v reálnom čase upraviť vzhľad osoby počas živého vysielania. Zatiaľ čo obrázky upravené photoshopom sú už nejaký čas rozšírené, tieto systémy AI dokážu v reálnom čase meniť vzhľad a hlas človeka, takže je takmer nemožné rozlíšiť skutočný obsah od digitálne upraveného.

Posledným príkladom je koncept Alpha Persuade, o ktorom sa hovorilo v prezentácii „The AI Dilemma“. Alpha Persuade kombinuje dva prvky: schopnosť replikovať hlas človeka z päťsekundovej nahrávky a silu AlphaGo, umelej inteligencie vyvinutej spoločnosťou Google, ktorá sa dokonale naučila hrať hru Go simulovaním miliónov hier vo veľmi krátkom čase. Vďaka simulácii konverzácie s hlasom blízkej osoby by Alpha Persuade dokázal presvedčivo manipulovať ľudí, aby urobili veci, ktoré by bežne považovali za veľmi nepravdepodobné. Hoci Alpha Persuade nie je v súčasnosti dostupný verejnosti, teoretická možnosť ho použiť existuje už dnes.

Nástroje a vývoj umelej inteligencie

Na YouTube, v Google alebo dokonca cez Bard a Bing nájdete množstvo ďalších nástrojov umelej inteligencie, ktoré zvládnu prekvapivé veci. Sú určené pre rôzne oblasti a pracujú s videom, zvukom, prezentáciami, sociálnymi médiami, v podstate s akýmkoľvek digitálnym obsahom.

Jednou z obľúbených platforiem pre vývojárov je Hugging Face s množstvom modelov AI určených na konkrétne účely. Na Hugging Face máte k týmto modelom prístup a na vytváranie aplikácií môžete použiť aj GPT API (od OpenAI). Hoci ChatGPT má stále určité výhody, v posledných mesiacoch sa objavili modely s otvoreným zdrojovým kódom, ktoré fungujú dosť podobne. Tento vývoj ukazuje, ako rýchlo celá oblasť napreduje.

Rozdiel medzi GPT a ChatGPT

GPT je skratka pre „Generative Pre-trained Transformer“. Je to základná technológia, na ktorej stoja veľké jazykové modely.

ChatGPT je naproti tomu konkrétny model GPT, ktorý bol vycvičený na konverzáciách a inštrukciách na dokončenie textových výziev.

Kto vyvíja aplikácie alebo pracuje s jazykovými modelmi, používa rozhranie API GPT a základný model GPT. Ten sa dá doladiť alebo vytrénovať na konkrétnych dátach podľa potrieb používateľa. Vďaka tomu už teraz vidíme niekoľko možností, ako poskytovať určité produkty alebo služby postavené na umelej inteligencii, ktoré sú k dispozícii zadarmo alebo za veľmi rozumný poplatok.

Produkty a služby AI

Mnohé agentúry a firmy môžu skúmať umelú inteligenciu vo všetkých podobách. My vo Webikone sa chceme zamerať predovšetkým na LLM, teda textové generatívne modely ako GPT, a postupne využívať aj ich schopnosti pracovať s obrazom a zvukom (prevod reči na text a textu na reč).

Inteligentné vyhľadávanie

Inteligentný chatbot

Vďaka GPT vieme ponúknuť aj chatbota na vašej webovej stránke. Stačí rozšíriť prvý príklad s inteligentným vyhľadávaním. Údaje webovej stránky už máme prevedené na vektory, na vektory prevedieme aj vstupy používateľa a porovnáme ich. Potom môžeme jednoducho zapnúť zapamätanie kontextu a so systémom sa dá viesť plynulá konverzácia. Takto sme vytvorili inteligentného chatbota, ktorý vie všetko o vašej webovej stránke a môže s vami o nej viesť rozhovor.

Inteligentný asistent

Ak pôjdeme ešte ďalej, môžeme si vytvoriť vlastného interného inteligentného asistenta, ktorý zvýši našu produktivitu a dá nám objektívnu spätnú väzbu aj nové možnosti pre procesy a projekty.

Opäť ide o nadviazanie na predchádzajúce dva príklady so zložitejšou štruktúrou údajov a využitie techník promptného inžinierstva, aby asistent mal potrebné znalosti a odpovedal k veci. Mohli by sme skôr povedať agenta, pretože vďaka GPT-4 sa v týchto modeloch blížime k schopnostiam „uvažovania“ a dokážeme tieto modely v jazyku uvažovania pripojiť k internetu a nechať ich vykonávať skript alebo kód prostredníctvom rozšírenia. Takže sa dostávame za hranicu pasívneho poslucháča, ktorý len čaká na vaše vstupné údaje, smerom k aktívnemu agentovi, ktorý skutočne myslí a koná.

A napokon práve skúmame možnosti začlenenia obrazu a zvuku do našich procesov, aby sme vytvorili vlastného hlasom ovládaného agenta AI a urýchlili proces prototypovania a navrhovania aplikácií. Hlavným cieľom je dodávať najlepšiu kvalitu oveľa rýchlejšie a súčasná umelá inteligencia nám na dosiahnutie tohto cieľa dáva všetko, čo potrebujeme.