Pod koniec listopada 2022 r. został uruchomiony prototyp Chata GPT. Ten chatbot zyskał pierwszy milion użytkowników w pięć dni, co Instagramowi zajęło prawie trzy miesiące, a Facebookowi dziesięć. Natychmiast pojawiły się konkurencyjne boty, m.in. Bard, opracowany przez Google, czy LLaMA, stworzona przez Meta.
Popularne portale informacyjne prześcigały się w artykułach na temat AI, opisując w pierwszej kolejności zalety Chata GPT. Następnie straszono, że modele zabiorą nam pracę, a na koniec pytano, czy czeka nas wojna między AI a ludzkością. Z drugiej strony na rynku pojawił się wysyp szkoleń na prompt inżynierów, bez których nasza kariera miała się wkrótce skończyć. Szaleństwo. A może nie do końca?
AI wszechmogąca
Powyższy przykład jest jednym z wielu hype’ów, jakie dotknęły branżę IT w ostatnich latach. Mieliśmy mody na big data, blockchain czy „chmurę”. Szum marketingowy wokół takiej modnej technologii powoduje, że skrajnie przeceniamy jej możliwości w porównaniu z rzeczywistym zastosowaniem. A ponieważ hype wokół dużych modeli językowych (ang. LLM) był ogromny, to i oczekiwania były gigantyczne.
Doszło do sytuacji, gdy zapytania na rynek IT, których celem była predykcja popytu, optymalizacja procesów czy segmentacja klientów, zawierały sugestie, aby użyć do tych, wyraźnie statystycznych, zadań modeli LLM, których działanie polega przecież na przetwarzaniu języka naturalnego. To nie mogło się udać. I się nie udało.
AI bezradna
W standardowym cyklu technologicznego hype’u po „zakochaniu się” w danej technologii następuje etap rozczarowania i odrzucenia. I podobnie dzieje się teraz z modelami LLM. Kiedy rozmawiamy o nowych projektach lub czytamy wpisy na LinkedIn, możemy dostrzec, jak wiele osób i organizacji zawiodło się na próbie wdrożenia modeli językowych.
W ostatnich tygodniach rozmawiam z klientami o projektach w obszarze machine learning i niemal zawsze słyszę: zróbmy coś klasycznymi metodami – coś, co zapewni nam ROI. Równocześnie wielu klientów przekierowuje rozmowę na problem integracji i jakości danych, i to z tym zagadnieniem łączą się cele wielu organizacji w 2025 r. Czy to oznacza, że AI się skończyła?
Produktywność
Odpowiedź na powyższe pytanie musimy podzielić na dwie części. Po pierwsze, przez ostatnie kilka lat AI była w potocznych rozmowach utożsamiana z modelami LLM. A jest to tylko niewielki wycinek obszaru przetwarzania języka naturalnego (ang. NLP), który z kolei jest tylko jedną z gałęzi sztucznej inteligencji obok zagadnień, takich jak segmentacje, predykcje, optymalizacje czy inne niż przetwarzanie języka zastosowania sieci neuronowych. Te obszary rozwijają się nieustannie i nie były tak mocno dotknięte przez „hype na AI”.
Jeśli chodzi o same modele LLM, to w każdym cyklu hype’u na technologię po czasie euforii i rozczarowania następuje jedna z dwóch możliwości. Albo uznajemy, że dana technologia nie ma sensownych zastosowań i ją porzucamy, albo znajdujemy dobre zastosowania biznesowe, które posiadają również świetne uzasadnienia finansowe. Wtedy technologia wchodzi powoli w czas jej produktywnego wykorzystania, a my, używając jej dojrzałości, możemy realizować ciekawe i udane projekty transformacyjne w naszych firmach. I to ten drugi scenariusz przewiduję dla modeli LLM.
Łukasz Nienartowicz
Data by example
