Tehisarumull visiseb vaikselt tühjaks, aga ära see nähtus küll ei kao

Parima tehisaru saab kokku panna ikka originaalsetest, mitte tehisarude endi tekitatud andmetest. Foto: Luke Conroy ja Anne Fehres/Ai4media/CC litsentsiga

Vähem kui kaks aastat tagasi käivitas ChatGPT turuletoomine generatiivse tehisintellekti buumi. Mõned väitsid, et sellest algab neljas tööstusrevolutsioon, mis muudab täielikult maailma, mida siiani oleme tundnud-teadnud.

2023. aasta märtsis ennustas Goldman Sachs, et AI tõttu kaotatakse ligi 300 miljonit töökohta. Tundus, et käimas on tohutu muutus.

Kaheksateist kuud hiljem ei näi generatiivne AI aga ettevõtteid veel siiski piisavalt muutvat. Paljud seda kasutavad projektid on tühistatud, näiteks McDonald’si katse automatiseerida drive-in’i tellimuste vastuvõtmist, mis levis TikTokis pärast koomilisi ebaõnnestumisi kulutulena.

Sama ebaõnnestumine on tabanud valitsuste katseid luua süsteeme avalike ettepanekute kokkuvõtmiseks ja sotsiaaltoetuste arvutamiseks. Mis siis juhtus?

Tehisaru haibitsükkel

Nagu paljud uued asjad, järgib ka generatiivne AI nn Gartneri haibitsüklit, mida kirjeldas esimest korda Ameerika tehnoloogiauuringute firma Gartner. See laialdaselt kasutatav mudel kirjeldab korduvat protsessi, kus tehnoloogia algne edu toob kaasa ülepaisutatud avalikke ootusi, mis lõpuks ei realiseeru. Pärast varajast «ülepaisutatud ootuste tippu» järgneb «pettumuste mülgas», millele järgneb «valgustumise nõlv», mis jõuab lõpuks «produktiivsuse platoole».
 

Gartneri haibitsükkel kirjeldab seda, milline on «tehnoloogilise üllatuse» tõenäoline arengurada. Foto:  Postimees

Juunikuus avaldatud Gartneri aruanne liigitas enamiku generatiivseid AI tehnoloogiaid kas ülepaisutatud ootuste tipus olevaks või teel sinna. Aruanne väitis, et enamik neist on kahe kuni viie aasta kaugusel oma täielikust tootlikkusest.

Palju ahvatlevaid generatiivse AI toote prototüüpe on arendatud, kuid nende rakendamine praktikas on olnud vähem edukas. Eelmisel nädalal avaldatud Ameerika mõttekoja RAND (RAND Corporation on Ameerika Ühendriikide mittetulunduslik globaalpoliitika mõttekoda, uurimisinstituut ja avaliku sektori konsultatsioonifirma) uuring näitas, et 80 protsenti AI projektidest ebaõnnestub, mis on rohkem kui kahekordne määr võrreldes teiste projektidega.

RANDi aruanne toob praeguse generatiivse AI tehnoloogia puudustena välja hulga raskusi, alates suurest investeerimisvajadusest andmetesse ja AI infrastruktuuri kuni vajaliku inimkapitali puudumiseni. Kuid generatiivse tehisaru piirangute ebatavaline olemus on tegelikult väga tõsine probleemipundar.

Näiteks võivad generatiivsed tehisarusüsteemid lahendada edukalt nii mõnegi ülikooli sisseastumiskatsed, mis on väga keerulised, kuid samas võivad need täielikult põruda lihtsate ülesannete lahendamisel. See teeb tehnoloogiate potentsiaali hindamise väga raskeks, mis viib eksliku usalduseni.

Lõppude lõpuks, kui tehisaru suudab lahendada keerulisi diferentsiaalvõrrandeid või kirjutada essee, siis peaks see ju ometi suutma vastu võtta ka lihtsaid drive-in’i tellimusi, eks?

Hiljutine uuring näitas, et suuremate keelemudelite nagu GPT-4 võimed ei vasta alati inimeste ootustele. Eriti keerukamad mudelid esinesid halvasti kõrge riskiga olukordades, kus valed vastused võivad olla katastroofilised.

Need tulemused viitavad sellele, et mudelid võivad kasutajates tekitada alusetut usaldust. Kuna need vastavad sujuvalt küsimustele, võivad inimesed jõuda liiga optimistlike järeldusteni nende võimete kohta ja rakendada mudeleid olukordades, kuhu need tegelikult üldsegi ei sobi.

Edukaid projekte vaadeldes näeme, et raske on panna generatiivset mudelit juhiseid järgima. Näiteks Khani akadeemia (Khani Akadeemia on Ameerika mittetulunduslik haridusorganisatsioon, mille lõi 2006. aastal Sal Khan. Selle eesmärk on luua veebitööriistade komplekt, mis aitab õpilasi harida. Organisatsioon loob ja levitab lühikesi videokoolitustunde) Khanmigo-nimeline tehisarupõhine juhendamissüsteem avaldas sageli küsimustele õiged vastused, kuigi talle oli antud korraldus seda mitte teha.

Miks haip veel läbi pole?

Sellel on mitu põhjust. Esiteks, generatiivse AI tehnoloogia, vaatamata oma väljakutsetele, paraneb kiiresti, kusjuures peamisteks edasiviivateks jõududeks on skaala ja suurus.

Uuringud näitavad, et keelemudelite suurus (ehk siis kasutatud parameetrite arv), samuti andmete hulk ja arvutusvõimsus, mida kasutatakse nende treenimiseks, aitavad kaasa mudelite paremale sooritusele. Seevastu tundub, et mudelit toetava närvivõrgu arhitektuuril on sellele kõigele minimaalne mõju.

Suured keelemudelid näitavad ka n-ö tärkavaid võimeid, mis on ootamatud ülesannetes, milleks neid pole koolitatud. Teadlased on teatanud uutest võimetest, mis «tärkavad», kui mudelid jõuavad teatud kriitilise «läbimurde» jaoks vajaliku suuruseni.

Uuringud on leidnud, et piisavalt keerukad suured keelemudelid võivad arendada võimet põhjendada analoogiate kaudu ja isegi taastoota optilisi illusioone, nagu inimesed neid kogevad. Nende tähelepanekute täpsete põhjuste üle vaieldakse, kuid pole kahtlust, et suured keelemudelid muutuvad üha keerukamaks.

Seetõttu töötavad tehisaruettevõtted endiselt suuremate ja kallimate mudelite kallal ning tehnoloogiaettevõtted nagu Microsoft ja Apple panustavad generatiivse AI investeeringutesse. Ühe hiljutise hinnangu kohaselt peaks generatiivne tehisaru andma kasumit 600 miljardit USA dollarit aastas, et õigustada praeguseid investeeringuid – ja see summa kasvab lähiaastatel tõenäoliselt triljoni dollarini.

Hetkel on generatiivse AI buumi suurim võitja Nvidia, suurim kiipide tootja, mida toidab võidurelvastumine generatiivse tehisaru vallas. Nagu kullapalaviku aegu labidate tegijad, sai Nvidiast hiljuti ajaloo kõige väärtuslikum avalik ettevõte, kolmekordistades oma aktsiahinna ühe aastaga, saavutades 2024. aasta juunis kolme triljoni USA dollari suuruse väärtuse.

Mis saab edasi?

Kui AI haip hakkab hajuma ja liigume pettumuse perioodi, näeme ka realistlikumaid tehisaru kasutuselevõtu strateegiaid.

Esiteks kasutatakse tehisarulahendusi inimeste toetamiseks, mitte nende asendamiseks. Hiljutine Ameerika ettevõtete uuring näitas, et nad kasutavad tehisarupõhiseid lahendusi peamiselt efektiivsuse parandamiseks (49 protsenti), tööjõukulude vähendamiseks (47 protsenti) ja toodete kvaliteedi tõstmiseks (58 protsenti).

Teiseks, me näeme ka väiksemate (ja odavamate) generatiivsete tehisaruliste mudelite kasutuse kasvu, mis on treenitud spetsiifilistel andmetel ja rakendatud kohapeal kulude vähendamiseks ja efektiivsuse optimeerimiseks. Isegi OpenAI, mis on juhtinud võidujooksu üha suuremate mudelite poole, on välja andnud GPT-4.0 Minimudeli kulude vähendamiseks ja soorituse parandamiseks.

Kolmandaks, me näeme tugevat keskendumist AI kirjaoskuse koolitusele ja töötajate harimisele, kuidas tehisaru töötab, millised on selle potentsiaal ja piirangud ning parimad tavad AI eetiliseks kasutamiseks. Tõenäoliselt peame õppima ja ilmselt ka uuesti õppima, kuidas kasutada erinevaid tehisarutehnoloogiaid järgnevate aastate jooksul.

Lõpuks, tehisarurevolutsioon näeb juba praegu välja siiski pigem evolutsioonina. Selle kasutamine kasvab aja jooksul järk-järgult ja muudab ning kohandab inimtegevusi tasapisi. See on aga palju parem kui püüd asendada inimesi tehisaruga.

Väljaandes The Conversation avaldatud artikli «Generative AI hype is ending – and now the technology might actually become useful» on tõlkinud Marek Strandberg.