Mnoge zablude oko umjetne inteligencije proizlaze iz korištenja riječi koje imaju specifično značenje kada se primjenjuju na ljude, kao što je učenje. Znamo kako ljudi uče – kroz iskustva, pogreške, susrete s novim stvarima, čitanje nečeg iznenađujućeg; sve to oblikuje naš način ponašanja i pamćenja. Međutim, sustavi umjetne inteligencije ne uče na taj način. Postoje dvije ključne razlike.
Prvo, AI sustavi ne uče iz pojedinačnih iskustava koja bi im omogućila razumijevanje svijeta onako kako to čine ljudi. Umjesto toga, oni „uče“ kodiranjem obrazaca iz ogromnih količina podataka – isključivo uz pomoć matematike. Tijekom procesa treniranja, sustavi se „uče“ kroz analizu matematičkih odnosa između riječi (ili, preciznije, tokena) s ciljem predviđanja povezanosti teksta. Ovi matematički odnosi se izvlače iz golemih skupova podataka tijekom intenzivnog računalnog procesa treniranja.
Ovakav način „učenja“ znatno se razlikuje od ljudskog načina učenja. Upravo zbog toga AI često ima problema s osnovnim znanjem o svijetu koje ljudi stječu jednostavnim životom.
Ipak, treniranje AI sustava nosi i ogromne prednosti – veliki jezični modeli „vidjeli“ su tekstualne podatke u mjerilu daleko većem nego što bi to ikada mogao obuhvatiti ljudski mozak. Upravo ta činjenica čini ih izvanrednim u zadacima vezanim uz jezik, kao što su pisanje, sažimanje, kodiranje ili vođenje razgovora. Iako sustavi ne uče poput nas, njihova sposobnost obrade podataka u velikoj mjeri čini ih izuzetnim alatima u području na kojem se specijaliziraju, javlja TechXplore.
Jednom kad se sustav obuči, učenje prestaje
Većina AI sustava koje danas koristimo, poput ChatGPT-a, ne nastavlja učiti nakon što su jednom istrenirani. Možemo reći da ti sustavi uopće ne uče – proces treniranja je način na koji su izgrađeni, a ne način na koji funkcioniraju u praksi. "P" u nazivu GPT zapravo znači "prethodno treniran".
Tehnički gledano, AI sustavi poput ChatGPT-a sudjeluju samo u tzv. "učenju tijekom treniranja", odnosno u fazi razvoja, a ne u "učenju tijekom izvođenja". Postoje sustavi koji uče tijekom rada, no oni su obično ograničeni na jedan specifičan zadatak, primjerice algoritam Netflixa koji preporučuje što gledati. Jednom kada završe svoj zadatak, nema daljnjeg učenja – kao što stara poslovica kaže.
Biti "prethodno treniran" znači da su veliki jezični modeli uvijek zamrznuti u vremenu. Svaka promjena u podacima o kojima su trenirani zahtijeva vrlo skupu ponovnu obradu ili barem tzv. fino podešavanje za manje prilagodbe.
To znači da ChatGPT ne uči iz vaših upita tijekom vremena. U osnovi, veliki jezični model ne pamti ništa – zabilježi samo informacije iz jedne sesije razgovora. Zatvorite prozor ili započnite novu sesiju i sve je ponovno od početka.
Iako postoje načini da se zaobiđe ovo ograničenje, primjerice čuvanjem informacija o korisniku, to se radi na razini aplikacije. Sam AI model ostaje nepromijenjen sve dok se ne prođe kroz novi ciklus treniranja.
Što to znači za korisnike?
Prije svega, budite svjesni što zapravo dobivate od svog AI asistenta. Učenje iz tekstualnih podataka znači da su sustavi poput ChatGPT-a prvenstveno jezični modeli, a ne modeli znanja. Iako je zaista nevjerojatno koliko znanja se može kodirati tijekom procesa treniranja, ovi modeli nisu uvijek pouzdani kada im se postavljaju pitanja koja zahtijevaju precizne informacije.
Njihova prava snaga leži u radu s jezikom. Stoga nemojte se iznenaditi ako odgovori sadrže zastarjele informacije, s obzirom na to da su trenirani na podatcima iz određenog vremenskog perioda, ili ako ChatGPT ne pamti činjenice koje ste mu rekli.
Dobra vijest je da su programeri umjetne inteligencije osmislili nekoliko pametnih rješenja. Na primjer, neke verzije ChatGPT-a sada su povezane s internetom. Kako bi vam pružili ažurirane informacije, mogu izvršiti pretraživanje na webu i uključiti pronađene rezultate u svoj odgovor.
Drugo rješenje je personalizacija – AI sustavi mogu zapamtiti određene informacije o vama kako bi prilagodili svoje odgovore. Međutim, to se ne događa tako što se veliki jezični model samostalno ažurira u stvarnom vremenu. Informacije o vama pohranjuju se u zasebnoj bazi podataka i uključuju u upit na način koji ostaje nevidljiv.
Ipak, to znači da ne možete ispraviti model kad pogriješi ili ga naučiti nekoj novoj činjenici, koju bi zatim primjenjivao za sve korisnike. Model se može donekle personalizirati, ali on i dalje ne uči „u letu“.
Korisnici koji shvate kako umjetna inteligencija točno uči – ili ne uči – moći će razviti učinkovitije strategije za postavljanje upita te AI koristiti kao pomoćnika koji uvijek zahtijeva provjeru.
Dozvolite AI da vam pomogne, ali zapamtite: učenje je uvijek na vama, upit po upit.
