Kiek pasitikėjimo turėtume suteikti generuojamajam AI? – FleetTakes

Ar generatyvusis AI jus gąsdina, jaudina, ar šiek tiek abu? Apie tai jau buvo daug kalbama laivyno leidiniuose, internetiniuose seminaruose ir konferencijose.

Automobilių parko vadovai pradeda su juo eksperimentuoti, prašydami pateikti našumo metriką, surūšiuotą pagal transporto priemonės tipą, darbo ciklą, vairavimo stilių, regioną ir saugos balus.

„Generative AI“ patrauklumas slypi gebėjime kurti. Nors nuspėjamasis AI nurodo, kas gali nutikti remiantis esamais duomenimis, generatyvus AI gali sukurti visiškai naujus sprendimus, modelius ar turinį.

Per pokalbius su programa generatyvus AI gali gauti duomenis iš kelių šaltinių – techninės priežiūros įrašų, degalų kainų, transporto priemonės nusidėvėjimo normų – ir sukurti išsamią sąnaudų analizę. Taip, galėjote tai padaryti anksčiau, bet laikas iki užbaigimo sumažės nuo valandų iki minučių.

Pernelyg didelio pasikliovimo dirbtiniu intelektu rizika

Tačiau nors generatyvusis dirbtinis intelektas ateityje galės padaryti dar daugiau nuostabių dalykų, kyla per daug pasitikėjimo ir pagunda per daug pasitikėti jo rezultatais rizika.

Pateiksiu nedidelį asmeninį pavyzdį: „Grammarly“ man pasirodė viena geriausių darbo įrankių, kuriuos naudoju daugelį metų. „Grammarly“ iš esmės užėmė žmogiškojo kopijavimo redaktoriaus vietą, kuri reikalauja ilgų mainų pirmyn ir atgal. Gramatika tikrai sutvarko mano gramatiką ir sakinius. Tačiau tai nepadaro teksto aiškesnio ar patrauklesnio.

Kitas dalykas: Grammarly pateiks AI pasiūlymus dėl sakinių taisymo, o aš priimu taisymus. Tai, ką sako Grammarly, atrodo teisinga. Ar iš tikrųjų ketinu atlikti darbą, kad užginčytų pataisymus? Tiesa, ne.

Bet kada turėtume pradėti rūpintis tuo, kaip AI programa renka duomenis ir generuoja atsakymus? Gramatika yra pakankamai geras pavyzdys. Tačiau jau dabar matome, kad skirtingos AI programos pakrypsta link tam tikros politinės juostos rezultatų, remiantis duomenimis, kuriais jos buvo apmokytos.

Nepatikrinti AI duomenys gali sukelti didelių problemų

Negalime leisti, kad AI vykdytų laidą nekontroliuojamai. Jei įvesties duomenys yra šališki, neišsamūs arba netikslūs, dirbtinio intelekto išvestis gali būti tokia pat ydinga. Štai pavyzdys, pagrįstas straipsniu, kurį skaitote:

Paprašiau „ChatGPT“ parašyti straipsnį, skirtą transporto parko vadovams, apie AI naudą ir galimus spąstus. Paprašiau ChatGPT tai padaryti, remdamasis mano paskelbtu raštu internete.

Išspjovė tai:

„Viename iš savo straipsnių ištyriau, kaip generatyvusis AI naudojamas dinamiškai generuojant efektyviausius maršrutus vairuotojams. Šios priemonės remiasi ne tik istoriniais duomenimis; jie aktyviai kuria naujus maršruto modelius, reaguodami į tiesioginius eismo modelius, oro sąlygas ir kitus kintamuosius.

Tai ne visai tiesa. Nors tame straipsnyje minimas generacinis AI, iš aukščiau pateikto teiginio atrodo, kad generatyvusis AI kuria maršrutus. Tiesą sakant, dinaminis maršruto parinkimas, pagrįstas eismu ir oru, yra mašininio mokymosi ir pirmojo lygio nuspėjamojo AI funkcija, o ne generuojantis AI.

Jei įdėčiau šį teiginį į šį straipsnį, išmanantiems skaitytojams atrodyčiau kvaila.

Ilgas kelias į tikrai protingą AI

Vis dažniau girdžiu: „AI yra kvailiausias, koks tik gali būti“. Tam tikra prasme tai jaudinantis teiginys, o tai reiškia, kad dirbtiniu intelektu tampant išmanesniam, turime daug daugiau naudos. Tačiau norint pasiekti išmanumą nuo 85 % iki 99,9 %, prireiks daug laiko, o tas galimas 14,9 % klaidų skirtumas bus didelė valdymo problema.

Šis gebėjimas generuoti įžvalgas iš didžiulių, skirtingų duomenų šaltinių yra galingas, taupantis automobilių parkų laiką ir išteklius. Bet tai nėra „plug-and-play“. Ar organizacijos yra pasirengusios investuoti į reikalingus mokymus ir infrastruktūrą, kad tai veiktų, kad transporto priemonių parko darbuotojai būtų pasirengę jais efektyviai naudotis?

Atsakymus į šį klausimą gausime greičiau, nei manome.

Šis tinklaraščio įrašas pirmą kartą pasirodė naujienlaiškis tik nariams už Automobilių parko nuomos asociacija (AFLA).