Розкритій голод AI до даних
Компанії зі штучним інтелектом стикаються з наближаючимся викликом, який може потенційно порушити їх розвиток: дефіцит високоякісного контенту в інтернеті для навчання їх складних мовних моделей. На відміну від звичайних користувачів інтернету, які шукають розваги, соціальні контакти та знання, компанії зі штучним інтелектом використовують величезні обсяги даних для покращення навичок своїх мовних моделей. Ці моделі, як от ChatGPT, зобов’язані своїм знанням та навичкам формулювання відповідей вражаючій базі даних, похідній з веб-ресурсів.
Однак відносностість інтернету означає, що резервуар даних, з якого годувати ці моделі штучного інтелекту, може скоро почати висихати. Компанії, такі як OpenAI та Google, визнають цей наближений дефіцит, оцінки показують, що запаси споживаного високоякісного контенту можуть закінчитися вже протягом наступних кількох років. Попит на такі дані настільки великий, що навіть історичний інтернет-контент не вистачає.
Вплив дефіциту даних на прогрес AI
Навчання великих мовних моделей (VLM), як от GPT та Gemini, вимагає величезного обсягу даних, не тільки за обсягом, але й за якістю. Компанії зі штучним інтелектом відбирають, фільтруючи величезне море низькоякісних даних в інтернеті, що заважають уникнути поширення недостовірних даних та погано написаного контенту у їх системи. Забезпечення точності у взаємодіях з користувачем є головним пріоритетом.
Крім того, етичні проблеми збору даних ставлять серйозні питання. Багато користувачів може не усвідомлювати, що компанії зі штучним інтелектом можуть вже використовувати їх онлайн-дані для навчальних цілей. Це комерційне використання персональних даних — таке, як продаж вмісту Reddit корпораціям зі штучним інтелектом — продовжується на тлі боротьби за права конфіденційності користувачів та юридичних захистів.
Оглядаючи за межі інтернет-даних для AI
Як відповідь, OpenAI та інші досліджують альтернативні джерела даних. Наприклад, OpenAI розглядає можливість навчання своєї моделі GPT-5 за допомогою транскрипцій публічних відео на платформах, таких як YouTube. Компанія також працює над меншими, домен-специфічними моделями та розглядає моделі оплати для постачальників високоякісних даних.
Синтетичні дані: двосмислива зброя?
Наступним контроверсійним кроком у галузі штучного інтелекту є потенційне використання синтетичних даних. Хоча цей підхід може дозволити компаніям генерувати свіжі набори даних, що імітують оригінальні, зберігаючи при цьому конфіденційність, практика ризикує спровокувати ‘колапс моделі’. Незважаючи на інноваційність, використання лише синтетичних даних може призвести до зупинки, оскільки моделі повторно виводитимуть схожі патерни та відповіді, втрачаючи свою унікальність.
Незважаючи на невизначеності, компанії зі штучним інтелектом залишаються оптимістичними щодо потенціалу синтетичних даних виправдати їх навчальні потреби, за умови, що вони зможуть пом’якшити пов’язані ризики. Можливість використання синтетичних даних без порушення цілісності системи пропонує промінь надії в пошуку способів підтримки прогресу технологій штучного інтелекту.
Ключові виклики у забезпеченні спровадженнялиж поживи AI високоякісними даними
Один з ключових викликів, пов’язаних із попитом на високоякісні дані, є етичні й правові наслідки збору даних. Високоякісні дані часто означають дані, що є детальними, точними та відображають різноманітні сценарії та мови, але отримання таких даних у достатніх кількостях часто включає використання особистих або приватних даних. Проблеми конфіденційності та потенціал для зловживання даними є серйозними проблемами, які породжують питання про згоду та права осіб, чиї дані можуть використовуватися для навчання систем штучного інтелекту. Балансування потреб комплексних наборів даних і потреби захисту особистої конфіденціальності є складною рівномірною доріжкою.
Іншим викликом є потенційність для прикрощенності та дезінформації. Технологія вибору високоякісних даних означає фільтрацію місцевих, невірних або низькоякісних вмісту. Проте, під час процесу фільтрації можуть невідомо вводитися упередження, що призводить до створення моделей штучного інтелекту, які можуть посилювати ці упередження.
Переваги та недоліки потенційних рішень
Альтернативні джерела даних
Переваги:
– Диверсифікація джерел даних може збагатити моделі штучного інтелекту, пропонуючи більш широку перспективу та більш витончене розуміння.
– Використання даних, які перебувають у громадському доступі або даних з чіткою згодою, може полегшити етичні та конфіденційністьі уникати проблем.
Недоліки:
– Дані, які перебувають у громадському доступі або дані, для яких надано згоду, можуть бути обмеженими або менш різноманітними.
– За потребиотримання згоди на використання даних може суттєво сповільнити процес збору.
Синтетичні дані
Переваги:
– Синтетичні дані можуть бути згенеровані великими кількостями та адаптовані до конкретних потреб, що робить їх масштабним рішенням.
– Вони можуть допомогти уникнути проблем конфіденційності, оскільки вони не включають реальних даних користувачів.
Недоліки:
– Синтетичні дані можуть вводити штучні упередження та не мати складності змісту, створеного людьми.
– Покладення на синтетичні дані може призвести до стагнації та злому моделі, і коли дані не достатньо різноманітні.
Контроверзії
Використання особистих даних без явної згоди — гаряча проблема. Наприклад, компанії, як Reddit, яка продала вміст користувачів фірмам зі штучним інтелектом, викликують дебати про власність даних та етичне використання. Іншою контроверсією є синтетичні дані, де можливість для колапсу моделі та турбота про “натуральний” характер даних відтворюють страхи про якість та надійність вихідних даних.
Пов’язані посилання
OpenAI – OpenAI – це дослідницька та розгортальна компанія зі штучного інтелекту, що перебуває на передньому краї розробки та навчання великої кількості моделей штучного інтелекту.
Google – Google – це міжнародна корпорація, яка займається дослідженням у сфері штучного інтелекту та розробляє різні моделі та інструменти машинного навчання.
Загалом виклики забезпечення потреб AI в високоякісних даних мають неоднозначний характер, включаючи технічні, етичні та юридичні аспекти. Досліжувані рішення мають потенціал подолати ці виклики, але вони не обходять без власного набору компромісів. Знаходження балансу, який сприяє розвитку штучного інтелекту, захищаючи при цьому конфіденційність і уникання упереджень, є основною турботою для компаній з області штучного інтелекту та суспільства в цілому.