Laaja generatiivisen tekoälyn ja suurten kielimallien (LLM) maailma lupaa mullistavia kykyjä, mutta yksi kysymys jää edelleen: Miten voimme ohjata tekoälyä omaksumaan syvää, alakohtaista osaamista? Vastaus löytyy tutkimalla tekoälyn menneisyyden tekniikoita uudelleen.
Tiedonkeruun uudelleenherättäminen
Tiedonkeruu ei ole uutta. Juuret juontavat aikaan, jolloin käytettiin sääntöpohjaisia asiantuntijajärjestelmiä, ja se toimi sillanrakentajana ihmisen älykkyyden ja koneiden kyvykkyyden välillä. Nykyään se löytää uuden merkityksen, kun tekoäly pyrkii omaksumaan syvällistä ja implisiittistä inhimillistä asiantuntijuutta. Forbes:n mukaan tämä menetelmä on olennaista, jotta LLM:t voidaan muuttaa parhaiden käytäntöjen keitoksiksi.
Alakohtaisten LLM:ien suunnitelma
Harkitse LLM:n muuntamista erinomaiseksi tietyllä alalla, kuten lääketiede tai oikeustiede. Prosessi alkaa keräämällä asiaankuuluvia asiakirjoja, jotka syötetään tekoälyjärjestelmiin esimerkiksi hakupohjaisen sukupolven (RAG) kaltaisilla tekniikoilla. Kuitenkin haasteena on, ettei kaikki asiantuntijatieto ole dokumentoitua. Todellisen asiantuntemuksen ydin on usein alan veteraanien kollektiivisissa kokemuksissa ja hienovaraisissa intuitioissa.
Tiedonkeruu käytännössä
Mukana on tiedonkeruun käytäntö. Systemaattinen asiantuntijoiden kanssa työskentely voi tuoda julki piilossa olevat perussäännöt ja liikesalaisuudet. Haastatteluista ammattilaisille suullisten protokollien purkamiseen pyritään keräämään implisiittistä tietoa ja tuomaan se tekoälyn haltuun. Esimerkiksi Lance Eliot havainnollistaa pörssikauppiaan asiantuntemuksen koodaamista LLM:iin, laajentaen näin tekoälyn repertuaaria erityisstrategeilla.
Synteettisten asiantuntijoiden edistäminen
Synteettisten asiantuntijoiden käsite ilmenee, kun tekoälymallit oppivat ihmiskollegoilta. Simuloimalla alakohtaista mestaruutta tekoäly voi lähestyä konsultin neuvovaa roolia, vaikkakin rajoittein. Vaikka yleisen tekoälyn saavuttaminen on tulevaisuuden tavoite, tiedonkeruun strateginen soveltaminen nykyään voi muodostaa perustan päteville, kapealle erikoistuneille tekoälyasiantuntijoille.
Kuilun kurominen: Kapea vs. yleinen tekoäly
Keskustelu kapeasta ja yleisestä tekoälystä muokkaa edelleen kehitystä. Vaikka jotkut väittävät, että LLM:t ilmentävät jo yleisen älykkyyden elementtejä, toiset uskovat, että todellinen asiantuntemus vaatii tekoälylle yleistä älykkyyttä. Kummassakin tilanteessa ihmisen luomien käytäntöjen integroiminen tekoälyn kehyksiin rikastuttaa generatiivisten mallien alakohtaisia kykyjä.
Elbert Hubbardin sanoin, keskittyminen laadukkaaseen työhön tänään luo perustan huomisen erinomaisuudelle. Ihmisten tietämyksen sisällyttäminen tekoälyyn ei vain demokratisoi asiantuntemusta, vaan myös kohottaa LLM:ien toimivuutta ja merkityksellisyyttä uusille korkeuksille.