ChatGPT:n ulkopuolella; AI-välittäjä: Uusi työntekijöiden maailma

Syvän oppimisen, luonnollisen kielen prosessoinnin (NLP) ja tekoälyn edistymisen ansiosta olemme aikakaudella, jossa tekoälyvälittäjät voivat muodostaa merkittävän osan maailmanlaajuisesta työvoimasta. Nämä tekoälyvälittäjät, jotka ylittävät chatbotit ja ääniohjaimet, muokkaavat uuden paradigman sekä teollisuuden että päivittäisen elämämme kannalta. Mutta mitä se todella tarkoittaa elää maailmassa, jota tämänkaltaiset “työntekijät” täydentävät? Tämä artikkeli syventyy tähän kehittyvään maisemaan, arvioiden vaikutukset, mahdollisuudet ja haasteet, jotka ovat edessä.

Lyhyt katsaus: Tekoälytyöntekijöiden evoluutio

Ennen kuin ymmärrämme tulossa olevan vallankumouksen, on tärkeää tunnistaa tekoälyajohtainen evoluutio, joka on jo tapahtunut.

• Perinteiset tietokonesysteemit: Peruslaskentalgoritmeista matka alkoi. Nämä systeemit voivat ratkaista ennalta määritettyjä tehtäviä kiinteän sääntöjoukon avulla.
• Chatbotit ja varhaiset ääniohjaimet: Teknologian edetessä myös ihmisten ja tekoälyn välinen vuorovaikutus kehittyi. Työkalut kuten Siri, Cortana ja varhaiset chatbotit yksinkertaistivat käyttäjän ja tekoälyn välistä vuorovaikutusta, mutta niiden ymmärrys ja kyky olivat rajoitetut.
• Neuroverkot ja syvä oppiminen: Neuroverkot merkitsivät käännekohtaa, jossa ne jäljittelevät ihmisaivojen toimintaa ja kehittyvät kokemusten kautta. Syvä oppimismenetelmät paransivat tätä edelleen, mahdollistaen monimutkaisten kuvien ja puheen tunnistamisen.
• Transformer-arkkitehtuuri ja edistyneet NLP-mallit: Transformer-arkkitehtuurin esittely vallankumosi NLP-maailman. Järjestelmät kuten ChatGPT OpenAI:sta, BERT ja T5 ovat mahdollistaneet läpimurron ihmisten ja tekoälyn välisessä viestinnässä. Niiden syvän kielen ja kontekstin ymmärryksen ansiosta nämä mallit voivat pitää merkityksellisiä keskusteluja, kirjoittaa sisältöä ja vastata monimutkaisiin kysymyksiin ennennäkemättömällä tarkkuudella.

AI-välittäjän saapuminen: Enemmän kuin vain keskustelu

Nykyinen tekoälymaisema viittaa johonkin laajempaan kuin vain keskustelutyökaluihin. Tekoälyvälittäjät, jotka ylittävät pelkän keskustelun, voivat nyt suorittaa tehtäviä, oppia ympäristöstään, tehdä päätöksiä ja jopa osoittaa luovuutta. Ne eivät vain vastaa kysymyksiin; ne ratkaisevat ongelmia.

Perinteiset ohjelmistomallit toimivat selkeän polun mukaan. Sidosryhmät ilmaisivat tavoitteen ohjelmistopäälliköille, jotka suunnittelivat sitten tietyn suunnitelman. Insinöörit toteuttivat tämän suunnitelman koodiriveillä. Tämä “perinteinen paradigma” ohjelmistofunktioista oli selkeä, ja se sisälsi paljon ihmisten väliintuloja.

Tekoälyvälittäjät toimivat kuitenkin toisin. Välittäjällä on:

1. Tavoitteita, joita se pyrkii saavuttamaan.
2. Se voi vastata ympäristöönsä.
3. Se muodostaa suunnitelman havaintojensa perusteella tavoitteidensa saavuttamiseksi.
4. Se toteuttaa tarvittavat toimet, sopeuttaen lähestymistapaansa ympäristön muuttuvan tilan mukaan.

Se, mikä erottaa tekoälyvälittäjiä perinteisistä malleista, on heidän kykynsä luoda itsenäisesti askelkohtainen suunnitelma tavoitteensa saavuttamiseksi. Olennaisesti, kun aiemmin ohjelmoija tarjosi suunnitelman, nykyiset tekoälyvälittäjät piirtävät oman reittinsä.

Käytännön esimerkkinä voidaan mainita se, että perinteisessä ohjelmistosuunnittelussa ohjelma ilmoittaisi käyttäjille myöhästyneistä tehtävistä ennalta määritettyjen ehtojen perusteella. Kehittäjät asettivat nämä ehdot tuotejohtajan toimittamien määritysten perusteella.

Tehtävävälittäjäparadigmassa välittäjä itse määrittää, milloin ja miten ilmoittaa käyttäjälle. Se arvioi ympäristöä (käyttäjän tapoja, sovelluksen tilaa) ja päättää parhaan toimintatavan. Prosessi muuttuu näin ollen dynaamisemmaksi, enemmän hetkessä.

ChatGPT merkitsi poikkeusta perinteisestä käytöstä liittymällä laajennuksiin, mikä mahdollisti sen käytön useiden pyyntöjen suorittamiseen. Se oli varhainen ilmentymä välittäjäkonseptista. Jos tarkastelemme yksinkertaista esimerkkiä: käyttäjä tiedustelee New Yorkin säätä, ChatGPT liittyy ulkoiseen sää-API:hin, tulkkaa tiedot ja jopa korjaa kurssiaan saadun vastauksen perusteella.

Nykyinen tekoälyvälittäjien maisema

Tekoälyvälittäjät, mukaan lukien Auto-GPT, AgentGPT ja BabyAGI, ovat merkitsemässä uuden aikakauden laajassa tekoälymaailmassa. Vaikka ChatGPT popularisoi generatiivisen tekoälyn vaatimalla ihmisten syötettä, tekoälyvälittäjien visio on mahdollistaa tekoälyjen toimiminen itsenäisesti, suunnaten kohti tavoitteita vähäisen tai olemattoman ihmisen väliintulon kanssa. Tämä muodonmuutos on korostettu Auto-GPT:n meteorisen nousun myötä, joka on kerännyt yli 107 000 tähteä GitHubissa vain kuuden viikon kuluessa sen syntymästä, mikä on ennennäkemätön kasvu verrattuna vakiintuneisiin projekteihin kuten data science -pakettiin “pandas”.

Tehtävävälittäjät vs. ChatGPT

Monet edistyneet tekoälyvälittäjät, kuten Auto-GPT ja BabyAGI, käyttävät GPT-arkkitehtuuria. Heidän pääasiallinen tavoitteensa on minimoida ihmisten väliintulon tarve tekoälytehtävien suorittamisessa. Kuvailevat termit kuten “GPT silmukassa” kuvaavat mallien toimintaa, kuten AgentGPT ja BabyAGI. Ne toimivat iteraatioissa parantaakseen ymmärrystään käyttäjän pyynnöistä ja viimeisteltyäkseen tuloksiaan. Samaan aikaan Auto-GPT puskee rajoja eteenpäin sisällyttämällä internet-yhteyden ja koodin suorittamisen, laajentaen merkittävästi ongelmanratkaisukykyään.

Uudet kehityssuunnat tekoälyvälittäjissä

1. Pitkäaikainen muisti: Perinteiset LLM:t ovat rajoittuneet muistissaan, säilyttäen vain viimeaikaiset vuorovaikutusjaksot. Laajojen tehtävien osalta on tärkeää muistaa koko keskustelun tai jopa aiempia keskusteluja. Tekoälyvälittäjät ovat omaksuneet upotusprosessit, muuttaen tekstiviestintää numeerisiin taulukoihin, tarjoamalla ratkaisun muistirajoituksille.
2. Verkkoselainominaisuudet: Pysyäkseen ajan tasalla uusimmista tapahtumista Auto-GPT on varustettu verkkoselainominaisuuksilla, jotka hyödyntävät Google-hakujen API:ta. Tämä on herättänyt keskustelua tekoälyyhteisössä tekoälyn tietojen laajuudesta.
3. Koodin suorittaminen: Auto-GPT voi suorittaa sekä shell- että Python-koodia. Tämä poikkeuksellinen kyky mahdollistaa sen vuorovaikutuksen muiden ohjelmistojen kanssa, laajentaen toiminta-aluettaan.

Kuva visualisoi tekoälyjärjestelmän arkkitehtuurin, joka perustuu suurelle kielen mallille ja -välittäjille.

• Syötteet: Järjestelmä vastaanottaa tietoja moninaisista lähteistä: suorista käyttäjän komennoista, rakenteellisista tietokannoista, verkkosisällöstä ja reaaliaikaisista ympäristön anturien havainnoista.
• LLM & Välittäjät: Ytimessä LLM prosessoi nämä syötteet yhteistyössä erikoistuneiden välittäjien kanssa, kuten Auto-GPT ajatusketjujen, AgentGPT verkkokohtaisille tehtäville ja BabyAGI tehtäväkohtaisille toimille sekä HuggingGPT joukkuepohjaiselle prosessoinnille.
• Tulokset: Kun tiedot on prosessoitu, ne muunnetaan käyttäjäystävälliseen muotoon ja välitetään laitteille, jotka voivat toimia tai vaikuttaa ulkoiseen ympäristöön.
• Muistiosat: Järjestelmä säilyttää tietoja sekä tilapäisesti että pysyvästi, lyhytaikaisissa välimuisteissa ja pitkäaikaisissa tietokannoissa.
• Ympäristö: Tämä on ulkoinen valtakunta, joka vaikuttaa antureihin ja johon järjestelmän toimet vaikuttavat.

Edistyneet tekoälyvälittäjät: Auto-GPT, BabyAGI ja muut

AutoGPT ja AgentGPT

AutoGPT, joka julkaistiin GitHubissa maaliskuussa 2023, on älykäs Python-pohjainen sovellus, joka hyödyntää GPT:n voimaa, OpenAI:n muodonmuuttuvaa generatiivista mallia. Se, mikä erottaa Auto-GPT:n sen edeltäjistä, on sen autonomia – se on suunniteltu suorittamaan tehtäviä vähäisen ihmisen ohjauksen kanssa ja sillä on ainutlaatuinen kyky itse käynnistää pyynnöt. Käyttäjien tarvitsee vain määritellä yleinen tavoite, ja Auto-GPT luo tarvittavat pyynnöt tämän tavoitteen saavuttamiseksi, mikä tekee siitä mahdollisesti vallankumouksellisen askeleen kohti todellista tekoälyä (AGI).

Auto-GPT:n ominaisuuksilla, jotka kattavat internet-yhteyden, muistin hallinnan ja tiedostovarastojen, se on taitava monenlaisiin tehtäviin, aina perinteisistä tehtävistä, kuten sähköpostin kirjoittamisesta, monimutkaisiin tehtäviin, jotka vaatisivat aiemmin paljon enemmän ihmisten osallistumista.

Toisaalta AgentGPT, joka on myös rakennettu GPT-pohjalle, on käyttäjälähtöinen käyttöliittymä, joka ei vaadi laajaa koodaustaitoja asennettaessa ja käytettäessä. AgentGPT sallii käyttäjien määritellä tekoälytavoitteita, jotka se sitten jakaa hallitettaviin tehtäviin.

AgentGPT:n Käyttöliittymä

Lisäksi AgentGPT erottuu joustavuudellaan. Se ei ole rajoitettu pelkästään chatbottien luomiseen. Alusta laajentaa kykyjään luomaan erilaisia sovelluksia, kuten Discord-botteja, ja se integroituu saumattomasti Auto-GPT:hen. Tämä lähestymistapa varmistaa, että myös ne, joilla ei ole laajaa koodaustausta, voivat suorittaa tehtäviä, kuten täysin itsenäistä koodaamista, tekstin luomista, kielentulkkausta ja ongelmanratkaisua.

LangChain on kehys, joka yhdistää suuret kielen mallit (LLM) erilaisiin työkaluihin ja käyttää agenteja, usein kutsuttuna “boteiksi”, määrittämään ja suorittamaan tiettyjä tehtäviä valitsemalla sopivan työkalun. Nämä agentit integroida LangChainiin, jossa vektortietokanta tallentaa rakentelemattoman tiedon, helpottaen nopeaa tiedon hakua LLM:lle.

BabyAGI

Sitten on BabyAGI, yksinkertainen mutta voimakas agentti. Ymmärtääkseen BabyAGI:n kyvyt, kuvittele digitaalinen projektipäällikkö, joka luonut, järjestänyt ja suorittanut tehtäviä tarkasti määritellyillä tavoitteilla. Vaikka useimmat tekoälyohjelmat ovat rajoitettuja ennalta määritellyn tiedon mukaisesti, BabyAGI erottuu kyvystään sopeutua ja oppia kokemuksista. Se kykenee havainnoimaan palautetta ja perustaa päätöksensä kokeiden ja virheiden perusteella, aivan kuin ihmiset.

Huomionarvoista on, että BabyAGI:n perustava voima ei ole vain sen sopeutumiskyky, vaan myös sen taituruus suorittaa koodia tiettyjen tavoitteiden saavuttamiseksi. Se loistaa monimutkaisilla aloilla, kuten kryptovaluutan kaupankäynnissä, robotiikassa ja itseohjautuvissa ajoneuvoissa, mikä tekee siitä monikäyttöisen työkalun monissa sovelluksissa.

https://yoheinakajima.com/task-driven-autonomous-agent-utilizing-gpt-4-pinecone-and-langchain-for-diverse-applications/

Prosessi voidaan jakaa kolmeen agenttiin:

1. Suoritusagentti: Järjestelmän sydän, tämä agentti hyödyntää OpenAI:n API:ta tehtävien prosessoinnissa. Saatuinaan tavoite ja tehtävä, se luo pyynnön OpenAI:n API:lle ja hakee tehtävän tulokset.
2. Tehtävänluontiagentti: Tämä toiminto luo uusia tehtäviä aiempien tuloksien ja nykyisten tavoitteiden perusteella. Pyynnön lähetettyä OpenAI:n API:lle, se palauttaa mahdollisia tehtäviä, jotka on järjestetty sanastolistana.
3. Tehtävän priorisointiagentti: Viimeinen vaihe käsittää tehtävien järjestyksen määrittämisen prioriteetin perusteella. Tämä agentti käyttää OpenAI:n API:ta järjestelemään tehtäviä, varmistaen, että tärkeimmät tehtävät suoritetaan ensin.

Yhteistyössä OpenAI:n kielen mallin kanssa BabyAGI hyödyntää Pineconen ominaisuuksia kontekstikeskeisten tehtävän tulosten tallentamiseen ja hakemiseen.

Alhaalla on esimerkki BabyAGI:stä tästä linkistä.

Alkuun tarvitset voimassa olevan OpenAPI-avaimen. Helppokäyttöisyyden vuoksi UI:ssa on asetussivu, jossa OpenAPI-avain voidaan syöttää. Lisäksi, jos haluat hallita kustannuksia, muista asettaa raja suoritettavien iteraatioiden määrälle.

Kun sovellus on konfiguroitu, tein pienen kokeen. Lähetin pyynnön BabyAGI:lle: “Luo tiivis tweet-lanka, joka keskittyy henkilökohtaiseen kasvuun, koskien merkittäviä tapahtumia, haasteita ja jatkuvaan oppimiseen liittyvää muodonmuutosta.”

BabyAGI vastasi harkitulla suunnitelman. Se ei ollut vain yleinen malli, vaan kattava tiekartta, joka osoitti, että taustalla oleva tekoäly oli todella ymmärtänyt pyynnön nuansseja.

Deepnote AI Copilot

Deepnote AI Copilot muuttaa data-eksploroinnin dynamiikkaa muistikirjoissa. Mitä siinä on erityistä?

Sen ydin on tehostaa data- tutkijoiden työnkulkua. Kun annat perustiedon, AI ryhtyy toimeen, suunnittelemalla strategioita, suorittamalla SQL-kyselyjä, visualisoimalla dataa Pythonilla ja esittämällä löydöksensä selkeästi.

Yksi Deepnote AI:n vahvuuksista on sen kattava ymmärrys työtilastasi. Ymmärtämällä integraatiokuviot ja tiedostojärjestelmät, se sovittaa suoritusasuvelansa täydellisesti organisaation kontekstiin, varmistaen, että sen havainnot ovat aina relevantteja.

AI:n integraatio muistikirjatyökaluihin luo ainutlaatuisen palautekehän. Se arvioi aktiivisesti koodin tuloksia, mikä tekee siitä taitavan itsesäätelyn ja varmistaa, että tulokset ovat aina yhdenmukaisia asetettujen tavoitteiden kanssa.

Deepnote AI erottuu avoimilla toimintatavoillaan, tarjoamalla selkeää näkyvyyttä prosesseihin. Koodin ja tulosten yhdistäminen varmistaa, että sen toimet ovat aina vastuullisia ja toistettavissa.

CAMEL

CAMEL on kehys, joka pyrkii edistämään tekoälyagenttien välistä yhteistyötä, tavoitteena tehokas tehtävien suorittaminen vähäisen ihmisen valvonnalla.

https://github.com/camel-ai/camel

Se jakaa toimintansa kahteen pääasialliseen agenttityyppiin:

• AI-käyttäjäagentti määrittää ohjeet.
• AI-avustajaagentti suorittaa tehtäviä annettujen ohjeiden perusteella.

Yksi CAMEL:n tavoitteista on avata tekoälyajattelun monimutkaisuudet, pyrkien optimoimaan useiden agenttien synergiaa. Ominaisuuksilla, kuten roolien mukauttaminen ja aloitteen vihje, se varmistaa, että tekoälytehtävät ovat täysin linjassa ihmisten tavoitteiden kanssa.

Westworld-simulaatio: Elämä tekoälyyn

Unity-ohjelmistosta saatujen vaikutteiden ja Pythoniin sovelletun Westworld-simulaation avulla voidaan tehdä askel simuloimiseen ja optimointiin ympäristössä, jossa useat tekoälyagentit vuorovaikuttavat, melkein kuin digitaalinen yhteiskunta.

Generatiiviset agentit

Nämä agentit eivät ole vain digitaalisia olennoita. Ne simuloivat uskottavia ihmismäisiä käyttäytymisiä, päivittäisistä rutiineista monimutkaisiin sosiaalisiin vuorovaikutuksiin. Niiden arkkitehtuuri laajentaa suuren kielen mallin tallentamaan kokemuksia, heijastamaan niihin ja käyttämään dynaamista käyttäytymisen suunnittelua.

Westworldin interaktiivinen hiekkalaatikko, joka muistuttaa The Sims -peliä, herättää eloon kylän, jota asuttavat generatiiviset agentit. Tässä käyttäjät voivat vuorovaikuttaa, tarkkailla ja johdattaa näitä agenteja heidän päivittäisissä askareissaan, havainnoimalla emergenttiä käyttäytymistä ja monimutkaista sosiaalista dynamiikkaa.

Westworld-simulaatio edustaa laskennallisen voiman ja ihmismäisen monimutkaisuuden harmonista yhdistymistä. Yhdistämällä laajat kielen mallit dynaamisiin agenttisimulointeihin, se piirtää tien kohti tekoälykokemuksia, jotka ovat hämmästyttävän erottamattomia todellisuudesta.

Johtopäätös