ChatGPT та розширена інженерія запитів: рухаємо еволюцію штучного інтелекту

OpenAI відіграла важливу роль у розробці революційних інструментів, таких як OpenAI Gym, призначений для навчання алгоритмів підкріплення, та моделей GPT-n. Також увагу привертає DALL-E, модель штучного інтелекту, яка створює зображення з текстових вхідних даних. Однією з таких моделей, яка привернула значну увагу, є ChatGPT від OpenAI, яскравий приклад у сфері великих мовних моделей.

GPT-4: інженерія запитів

ChatGPT змінив ландшафт чат-ботів, пропонуючи людські відповіді на вхідні дані користувача та розширюючи свої застосування в різних галузях – від розробки та тестування програмного забезпечення до бізнес-комунікації та навіть створення поезії.

У руках бізнесу та окремих осіб GPT-4, наприклад, міг би служити безмежним резервуаром знань, який володіє знаннями з різних предметів, від математики та біології до юридичних студій. Такі розвинені та доступні моделі штучного інтелекту готові змінити майбутнє праці, навчання та творчості.

Генеративні моделі, такі як GPT-4, можуть створювати нові дані на основі існуючих вхідних даних. Ця відмінна властивість дозволяє їм виконувати різні завдання, включаючи генерацію тексту, зображень, музики та відео.

У контексті ChatGPT та моделей OpenAI запит є вхідними даними, які користувачі надають моделям, зазвичай у вигляді тексту. Запити служать основним засобом контролю виводу, згенерованого цими моделями, роблячи їх важливими для успішних та значимих розмов.

Вплив якості запиту

Використання добре визначених запитів є ключем до участі у корисних та значимих розмовах з системами штучного інтелекту. Погано визначені запити можуть привести до виводу, який не є корисним для користувача та навіть може привести до вводу в оману змісту.

Щоб продемонструвати вплив якості запиту, порівняємо два різні запити, надані ChatGPT. Перший запит, погано визначений і припускає попередні знання, генерує потенційно некорисну відповідь для користувача. З іншого боку, другий запит надає більше контексту та прикладів, забезпечуючи більш актуальну та зрозумілу відповідь.

Запит 1: “Розкажіть про нейронні мережі з卷ненням.”

Відповідь 1: “Нейронні мережі з卷ненням (CNN) – це багатошарові мережі, які складаються з повністю зв’язаних шарів та шарів пулінгу. Вони зазвичай використовуються для завдань розпізнавання зображень. Процес включає застосування фільтрів до вхідних зображень та зниження їх розміру за допомогою шарів пулінгу.”

Запит 2: “Я хочу дізнатися про нейронні мережі з卷ненням, але не маю попередніх знань про штучний інтелект. Будь ласка, надайте мені початкове пояснення та приклад того, як CNN використовуються для розпізнавання зображень.”

Відповідь 2: “Нейронні мережі з卷ненням (CNN) – це тип нейронної мережі, що в основному використовується для завдань розпізнавання зображень. На відміну від інших нейронних мереж, вони використовують卷ненняні шари та шари пулінгу для обробки зображень. Припустимо, у вас є зображення кота. CNN можуть ідентифікувати різні особливості на зображенні, такі як вуса, вуха та хвіст, застосовуючи фільтри та знижуючи розмір зображення за допомогою шарів пулінгу. Цей процес робить CNN дуже ефективними для розпізнавання об’єктів на зображеннях.”

Порівнюючи дві відповіді, очевидно, що добре визначений запит призводить до більш актуальної та зрозумілої відповіді. Проектування запиту та інженерія стають все більш важливими дисциплінами, які спрямовані на оптимізацію якості виводу моделей штучного інтелекту, таких як ChatGPT.

У наступних розділах цієї статті ми глибше розглянемо область розвинених методологій, спрямованих на вдосконалення великих мовних моделей (LLM), таких як техніки інженерії запитів та тактики. Ці техніки включають навчання з少шими даними, ReAct, ланцюг мислення, RAG та інші.

Розвинені інженерні техніки

Перед тим, як продовжити, важливо зрозуміти одну з ключових проблем LLM, яку називають “галюцинація”. У контексті LLM “галюцинація” означає схильність цих моделей генерувати вивід, який може здаватися правдоподібним, але не базується на фактичній реальності чи вхідному контексті.

Ця проблема була яскраво підкреслена в недавньому судовому процесі, де адвокат захисту використовував ChatGPT для юридичних досліджень. Інструмент штучного інтелекту, який спотворився через свою проблему галюцинації, посилався на неіснуючі юридичні випадки. Ця помилка мала значні наслідки, викликаючи плутанину та підірвання довіри під час слухань. Цей інцидент служить яскравим нагадуванням про термінову необхідність вирішення проблеми “галюцинації” в системах штучного інтелекту.

Наше дослідження технік інженерії запитів спрямоване на поліпшення цих аспектів LLM. Покращуючи їхню ефективність та безпеку, ми відкриваємо двері до інноваційних застосунків, таких як видобування інформації. Крім того, це дозволяє нам безшовно інтегрувати LLM з зовнішніми інструментами та джерелами даних, розширюючи діапазон їхніх потенційних застосунків.

Навчання з нуля та з少шими даними: оптимізація за допомогою прикладів

Генеративні попередньо навчені трансформатори (GPT-3) стали важливим етапом у розвитку генеративних моделей штучного інтелекту, оскільки вони ввели концепцію “навчання з少шими даними“. Цей метод став революційним через свою здатність ефективно працювати без потреби у всебічному донастроюванні. Рамка GPT-3 обговорюється в статті “Моделі мови – це навчальні з少шими даними“, де автори демонструють, як модель успішно працює в різних випадках без потреби у спеціальних наборах даних чи коді.

На відміну від донастроювання, яке вимагає постійного зусилля для розв’язання різних завдань, моделі навчання з少шими даними демонструють легшу адаптивність до широкого спектра застосунків. Хоча донастроювання може забезпечити надійні рішення в деяких випадках, воно може бути дорогим у масштабі, роблячи використання моделей навчання з少шими даними більш практичним підходом, особливо коли вони інтегруються з інженерією запитів.

Припустимо, ви намагаєтеся перекласти англійську мову на французьку. У навчанні з少шими даними ви надаєте GPT-3 кілька прикладів перекладів, таких як “морська видра -> лутра де мер”. GPT-3, будучи розвиненою моделлю, потім здатна продовжувати забезпечувати точні переклади. У навчанні з нуля ви не надаєте жодних прикладів, і GPT-3 все одно здатна перекладати англійську мову на французьку ефективно.

Термін “навчання з少шими даними” походить від ідеї, що модель отримує обмежену кількість прикладів для “навчання”. Важливо зауважити, що “навчання” в цьому контексті не означає оновлення параметрів чи ваг моделі, а радше впливає на її продуктивність.

Навчання з少шими даними, як показано в папері GPT-3

Навчання з нуля розширює цю концепцію на一步 далі. У навчанні з нуля жодних прикладів виконання завдання не надаються моделі. Модель очікується працювати добре на основі свого початкового навчання, роблячи цей метод ідеальним для відкритих завдань питання-відповідь, таких як ChatGPT.

У багатьох випадках модель, яка володіє навичками навчання з нуля, може працювати добре, коли надано кілька прикладів або навіть один приклад. Ця здатність перемикатися між навчанням з нуля, одним прикладом та少шими даними підкреслює адаптивність великих моделей, підвищуючи їхні потенційні застосування в різних галузях.

Методи навчання з нуля стають все більш популярними. Ці методи характеризуються своєю здатністю розпізнавати об’єкти, яких не бачили під час навчання. Ось практичний приклад запиту навчання з少шими даними:

Перекладіть наступні англійські фрази на французьку:

'морська видра' перекладає на 'лутра де мер'
'небо' перекладає на 'ciel'
Як перекладаєте 'хмара' на французькій мові?"

Надавши моделі кілька прикладів та поставивши питання, ми можемо ефективно направити модель на генерацію бажаного виводу. У цьому випадку GPT-3, ймовірно, правильно перекладає “хмара” на “nuage” французькою.

Ми глибше розглянемо різні нюанси технік інженерії запитів у моделях GPT та їхню важливу роль у оптимізації продуктивності моделі під час висновку. Ми також розглянемо, як їх можна ефективно використовувати для створення економічних та масштабованих рішень у широкому спектрі застосунків.

Як ми далі досліджуємо складність технік інженерії запитів у великих мовних моделях, важливо підкреслити наш попередній пост ‘Есенціальний гід по інженерії запитів у ChatGPT‘. Цей гід надає уявлення про стратегії інструктування моделей штучного інтелекту ефективно у різних випадках.

У наших попередніх обговореннях ми розглянули фундаментальні методи запитів для великих мовних моделей (LLM), такі як навчання з нуля та навчання з少шими даними, а також інструктування запитів. Освоєння цих технік є важливим для подолання більш складних викликів інженерії запитів, які ми розглянемо тут.

Навчання з少шими даними може бути обмеженим через обмежений контекстний вікно більшості LLM. Крім того, без належних заходів LLM можуть бути введені в оману та надавати потенційно шкідливий вивід. Крім того, багато моделей борються з завданнями rozumіння чи виконання багаторівневих інструкцій.

Ураховуючи ці обмеження, виклик полягає у використанні LLM для розв’язання складних завдань. Очевидним рішенням може бути розробка більш розвинених LLM або вдосконалення існуючих, але це може вимагати суттєвого зусилля. Тому питання виникає: як можна оптимізувати існуючі моделі для покращення розв’язання проблем?

Найбільше цікаво дослідження того, як ця техніка взаємодіє з творчими застосунками в Unite AI’s ‘Освоєння штучного інтелекту у мистецтві: Конденсований гід по Midjourney та інженерії запитів‘, який описує, як злиття мистецтва та штучного інтелекту може привести до вражаючого мистецтва.

Ланцюг мислення

Ланцюг мислення використовує властивості великих мовних моделей (LLM), які добре передбачають наступне слово у даній послідовності. Надавши моделі завдання пояснити свій процес мислення, вона індукує більш повний та методичний процес генерації ідей, який схожий на той, яким користується людина, коли пояснює складну концепцію. Проста фраза, such як “проведіть мене через кроки…”, часто достатня для активації цього більш розгорнутого та детального виводу.

Навчання з нуля у ланцюгу мислення

Хоча традиційний ланцюг мислення вимагає попереднього навчання з демонстраціями, нова галузь – це навчання з нуля у ланцюгу мислення. Цей підхід, представлений Kojima et al. (2022), інноваційно додає фразу “Давайте подумаємо крок за кроком” до оригінального запиту.

Створимо розвинений запит, у якому ChatGPT доручено підсумувати ключові висновки з досліджень штучного інтелекту та обробки природної мови.

У цьому демонстрації ми використовуємо здатність моделі зрозуміти та підсумувати складну інформацію з академічних текстів. Використовуючи підхід навчання з少шими даними, давайте навчимо ChatGPT підсумувати ключові висновки з досліджень штучного інтелекту та обробки природної мови:

1. Назва статті: "Увага - це все, що тобі потрібно"
Ключовий висновок: Введено модель трансформера, підкресливши важливість механізмів уваги для завдань послідовної трансдукції.

2. Назва статті: "BERT: попереднє навчання глибоких двонаправлених трансформерів для розуміння мови"
Ключовий висновок: Введено BERT, демонструючи ефективність попереднього навчання глибоких двонаправлених моделей, досягнувши найкращих результатів у різних завданнях обробки природної мови.

Тепер, з контекстом цих прикладів, підсумуйте ключові висновки з наступної статті:

Назва статті: "Інженерія запитів у великих мовних моделях: дослідження"

Цей запит не тільки підтримує чіткий ланцюг мислення, але також використовує підхід навчання з少шими даними для направлення моделі. Він пов’язаний з нашими ключовими словами, фокусуючись на галузях штучного інтелекту та обробки природної мови, особливо доручаючи ChatGPT виконати складну операцію, пов’язану з інженерією запитів: підсумування досліджень.

ReAct Запит

ReAct, або “Розуміння та дія”, був представлений Google (GOOGL ) у статті “ReAct: синергія розуміння та дії у мовних моделях“, і революціонізував те, як мовні моделі взаємодіють із завданням, надавши моделі завдання динамічно генерувати як вербальне розуміння, так і завдання-орієнтовані дії.

Припустимо, людина-шеф у кухні: вони не тільки виконують серію дій (нарізання овочів, кип’ятіння води, перемішування інгредієнтів), але також займаються вербальним розумінням або внутрішньою мовою (“тепер, коли овочі нарізані, я повинен поставити горщик на плиту”). Ця постійна внутрішня мова допомагає у стратегуванні процесу, адаптації до раптових змін (“у мене немає оливкової олії, я використаю масло замість неї”) та запам’ятовуванні послідовності завдань. ReAct імітує цю людську здатність, дозволяючи моделі швидко вивчати нові завдання та приймати надійні рішення, як людина у нових чи невизначених умовах.

ReAct може подолати галюцинацію, загальну проблему систем ланцюга мислення. Ланцюг мислення, хоча й ефективна техніка, не має можливості взаємодіяти з зовнішнім світом, що потенційно може привести до галюцинації фактів та розповсюдження помилок. ReAct, однак, компенсує це взаємодією з зовнішніми джерелами інформації. Ця взаємодія дозволяє системі не тільки перевірити своє розуміння, але й оновити свої знання на основі найсвіжішої інформації з зовнішнього світу.

Фундаментальна робота ReAct можна пояснити за допомогою прикладу з HotpotQA, завдання, яке вимагає вищого порядку розуміння. При отриманні питання ReAct модель розбиває питання на керованні частини та створює план дії. Модель генерує слід розуміння (думка) та ідентифікує відповідну дію. Вона може вирішити шукати інформацію про Apple (AAPL ) Remote на зовнішньому джерелі, such як Вікіпедія (дія), та оновлює своє розуміння на основі отриманої інформації (спостереження). Через кілька кроків думки-дії-спостереження ReAct може отримувати інформацію для підтримки свого розуміння, одночасно уточнюючи, що їй потрібно отримати наступним.

Примітка:

HotpotQA – це набір даних, отриманий з Вікіпедії, який складається з 113 тисяч пар питань-відповідей, призначений для навчання систем штучного інтелекту складному розумінню, оскільки питання вимагають розуміння над кількома документами для відповіді. З іншого боку, CommonsenseQA 2.0, створений за допомогою гейміфікації, включає 14 343 питання з відповідями “так” чи “ні” та призначений для випробування розуміння штучного інтелекту загального смислу, оскільки питання спеціально створені для введення в оману моделей штучного інтелекту.

Процес міг би виглядати наступним чином:

1. Думка: “Мені потрібно шукати інформацію про Apple Remote та сумісні з ним пристрої.”
2. Дія: Шукає “сумісні пристрої Apple Remote” на зовнішньому джерелі.
3. Спостереження: Отримує список пристроїв, сумісних з Apple Remote, з результатів пошуку.
4. Думка: “На основі результатів пошуку декілька пристроїв, окрім Apple Remote, можуть керувати програмою, з якою вона була спочатку розроблена для взаємодії.”

Результатом є динамічний, заснований на розумінні процес, який може розвиватися на основі інформації, з якою він взаємодіє, що призводить до більш точних та надійних відповідей.

Сравняльна візуалізація чотирьох методів запиту – Стандарт, Ланцюг мислення, Act-Only та ReAct, для розв’язання HotpotQA та AlfWorld (https://arxiv.org/pdf/2210.03629.pdf)

Розробка агентів ReAct – це спеціалізоване завдання, враховуючи її здатність досягати складних цілей. Наприклад, конверсаційний агент, побудований на основі базової моделі ReAct, включає конверсаційну пам’ять для забезпечення більш багатих взаємодій. Однак складність цього завдання спрощується інструментами, такими як Langchain, який став стандартом для проектування цих агентів.

Контекстно-вірна інженерія запитів

Стаття ‘Контекстно-вірна інженерія запитів для великих мовних моделей‘ підкреслює, що хоча великі мовні моделі (LLM) показали суттєчий успіх у завданнях, пов’язаних із знаннями, їхня надмірна залежність від параметричних знань може привести їх у бік у контекстно-чутливих завданнях. Наприклад, коли мовна модель навчена на застарілих фактах, вона може генерувати неправильні відповіді, якщо вона нехтує контекстними підказками.

Ця проблема очевидна у випадках конфлікту знань, коли контекст містить факти, які відрізняються від попередніх знань LLM. Розгляньте випадок, коли велика мовна модель (LLM), підготовлена на даних до чемпіонату світу 2022 року, отримує контекст, який вказує на те, що Франція виграла турнір. Однак LLM, спираючись на свої попередні знання, продовжує стверджувати, що попередній переможець, тобто команда, яка виграла у 2018 році, все ще є чинним чемпіоном. Це демонструє класичний випадок “конфлікту знань”.

У суті, конфлікт знань у LLM виникає, коли нова інформація, надана у контексті, суперечить попереднім знанням, на яких була навчена модель. Спілка моделі до її попереднього навчання, а не до нової інформації, наданої у контексті, може призвести до неправильних виводів. З іншого боку, галюцинація у LLM – це генерація відповідей, які можуть здаватися правдоподібними, але не базуються на даних навчання моделі чи наданому контексті.

Інша проблема виникає, коли наданий контекст не містить достатньої інформації для надання точної відповіді, ситуація, відома як передбачення з утриманням. Наприклад, якщо LLM запитано про засновника Microsoft (MSFT ) на основі контексту, який не містить цієї інформації, вона повинна ідеально утриматися від здогадок.

Більше прикладів конфлікту знань та сили утримання

Щоб покращити контекстну вірність LLM у цих сценаріях, дослідники запропонували ряд стратегій інженерії запитів. Ці стратегії спрямовані на те, щоб зробити відповіді LLM більш чутливими до контексту, а не спираються на їхнє попереднє навчання.

Одна з таких стратегій полягає у формуванні запитів як запитів щодо думки, де контекст інтерпретується як висловлювання оповідача, а питання стосується думки цього оповідача. Цій підхід перенаправляє увагу LLM на представлений контекст, а не на її попереднє навчання.

Додавання контрфактичних демонстрацій до запитів також було визнано ефективним способом підвищення вірності у випадках конфлікту знань. Ці демонстрації представляють сценарії з фальшивими фактами, які спрямовують модель на те, щоб звернути більшу увагу на контекст для надання точних відповідей.

Інструкційна настройка

Інструкційна настройка – це фаза нагляданого навчання, яка використовує надання моделі конкретних інструкцій, наприклад “Викажіть різницю між сходом та заходом сонця”. Інструкція поєднується з відповідною відповіддю, наприклад “Схід сонця відноситься до моменту, коли сонце з’являється над горизонтом у ранковий час, тоді як захід сонця позначає момент, коли сонце зникає нижче горизонту у вечірній час”. Через цей підхід модель фактично вчиться виконувати інструкції.

Цей підхід суттєво впливає на процес запиту LLM, що призводить до радикальної зміни стилю запиту. Інструкційно настроєна LLM дозволяє негайно виконувати завдання з нуля, забезпечуючи безшовне виконання завдань. Якщо LLM ще не настроєна, підхід навчання з少шими даними може бути необхідним, включаючи кілька прикладів у свій запит для направлення моделі до бажаної відповіді.

“Інструкційна настройка з GPT-4′ обговорює спробу використовувати GPT-4 для генерації даних виконання інструкцій для настройки LLM. Вони використали багате набори даних, що складається з 52 тисяч унікальних записів виконання інструкцій англійською та китайською мовами.

Набір даних грає важливу роль у інструкційній настройці моделей LLaMA, відкритої серії LLM, що призводить до покращення нульового виконання завдань на нових завданнях. Видатні проекти, такі як Stanford Alpaca, ефективно використали самонастроювання інструкцій, ефективний метод вирівнювання LLM з людським наміром, використовуючи дані, згенеровані інструкційно настроєними вчительськими моделями.

Основна мета досліджень інструкційної настройки полягає у підвищенні нульового та少шого виконання завдань LLM. Додаткові дані та масштабування моделей можуть надати цінні знання. З поточним розміром даних GPT-4 у 52 тисячі та базовим розміром моделі LLaMA у 7 мільярдів параметрів існує величезний потенціал для збору більшої кількості даних GPT-4 та їхнього поєднання з іншими джерелами даних для навчання більших моделей LLaMA для кращої продуктивності.

STaR: самонастроювання розуміння з розумінням

Потенціал LLM особливо помітний у складних завданнях розуміння, таких як математика чи питання загального смислу. Однак процес індукції мовної моделі до генерації раціоналів – серії крок за кроком виправдань або “ланцюга мислення” – має свої власні виклики. Це часто вимагає створення великих наборів даних раціоналів чи жертвування точністю через залежність лише від少шого висновку.

“Самоучитель розуміння” (STaR) пропонує інноваційне рішення цих проблем. Він використовує простий цикл для постійного покращення здатності моделі до розуміння. Цей ітеративний процес починається з генерації раціоналів для відповіді на кілька питань за допомогою кількох раціоналів. Якщо згенеровані відповіді неправильні, модель намагається знову згенерувати раціонал, цього разу даючи правильну відповідь. Модель потім настроюється на всіх раціоналах, які призвели до правильних відповідей, і процес повторюється.

STaR методологія, демонструючи її цикл настройки та зразок генерації раціоналів на наборі даних CommonsenseQA (https://arxiv.org/pdf/2203.14465.pdf)

Щоб проілюструвати це практичним прикладом, розгляньте питання “Що можна використовувати для перенесення маленької собаки?” з варіантами відповідей, що включають басейн, кошик та інші предмети. Модель STaR генерує раціонал, ідентифікуючи, що відповідь повинна бути чимось, що може нести маленьку собаку, і приходячи до висновку, що кошик, призначений для тримання речей, є правильною відповіддю.

Підхід STaR унікальний тим, що він використовує попередню здатність мовної моделі до розуміння. Він використовує процес самогенерації та уточнення раціоналів, ітеративно самонастроюючи здатність моделі до розуміння. Однак цикл STaR має свої обмеження. Модель може не змігти розв’язати нові завдання у наборі даних для навчання, оскільки вона не отримує прямого сигналу для завдань, які вона не може розв’язати. Щоб вирішити цю проблему, STaR вводить раціоналізацію. Для кожного завдання, яке модель не може розв’язати, вона генерує новий раціонал, надавши моделі правильну відповідь, що дозволяє їй розуміти у зворотному напрямку.

STaR, таким чином, стає масштабованим методом самонастроювання, який дозволяє моделям вивчати генерацію своїх власних раціоналів, одночасно вивчаючи розв’язання все більш складних завдань. Застосування STaR показало перспективні результати у завданнях, пов’язаних з арифметикою, математичними завданнями з словесним описом та розумінням загального смислу. На наборі даних CommonsenseQA STaR покращив результати як для少шого базового варіанту, так і для моделі, настроєної для прямого передбачення відповідей, і показав результати, порівнянні з моделлю, у 30 разів більшим.

Позначені контекстні запити

Концепція “Позначених контекстних запиту” полягає у наданні моделі штучного інтелекту додаткового шару контексту шляхом позначення певної інформації у вхідних даних. Ці позначки діють як орієнтири для штучного інтелекту, спрямовуючи його на правильну інтерпретацію контексту та генерацію відповіді, яка є як актуальною, так і фактичною.

Припустимо, ви ведете розмову з другом про певну тему, скажімо, “шахи”. Ви робите заяву, а потім позначаєте її джерелом, наприклад “(джерело: Вікіпедія)”. Тепер ваш друг, який у цьому випадку є моделлю штучного інтелекту, знає точно, звідки взята інформація. Цій підхід спрямований на те, щоб зробити відповіді штучного інтелекту більш надійними, зменшуючи ризик галюцинацій чи генерації фальшивих фактів.

Унікальним аспектом позначених контекстних запиту є їхній потенціал для покращення “контекстного інтелекту” моделей штучного інтелекту. Наприклад, стаття демонструє це, використовуючи різноманітний набір питань, витягнутих з різних джерел, таких як статті Вікіпедії на різні теми та розділи з недавно опублікованої книги. Питання позначаються, надавши моделі штучного інтелекту додатковий контекст про джерело інформації.

Цей додатковий контекст може бути надзвичайно корисним для генерації відповідей, які не тільки точні, але й відповідають контексту, роблячи вивід штучного інтелекту більш надійним та достовірним.

Висновок: погляд на перспективні техніки та майбутні напрямки

ChatGPT від OpenAI демонструє невідкритий потенціал великих мовних моделей (LLM) у розв’язанні складних завдань з вражаючою ефективністю. Розширені техніки, такі як навчання з нуля, ReAct, ланцюг мислення та STaR, дозволяють нам використовувати цей потенціал у широкому спектрі застосунків. Коли ми глибше вивчаємо нюанси цих методологій, ми відкриваємо, як вони формують ландшафт штучного інтелекту, пропонуючи багатші та безпечніші взаємодії між людьми та машинами.

Незважаючи на виклики, такі як конфлікт знань, надмірна залежність від параметричних знань та потенціал галюцинації, ці моделі штучного інтелекту, з правильною інженерією запитів, довели себе трансформаційними інструментами. Інструкційна настройка, контекстно-вірна інженерія запитів та інтеграція з зовнішніми джерелами даних ще більше посилюють їхню здатність rozumіти, вивчати та адаптуватися.