Генеративный ИИ: что он создаёт и как применяется в работе
На этой странице
Генеративный искусственный интеллект (GenAI) — это класс методов ИИ, которые создают текст, изображения, код, звук и другой контент. Модели используют закономерности, освоенные при обучении, и входной контекст, чтобы сформировать результат по запросу.
Примерами могут быть черновик инструкции, краткое изложение документа или программный код. Новый текст может содержать как точные сведения, так и ошибки. Способность создать связный материал сама по себе не подтверждает его достоверность.
Как работает генеративная модель
При обучении модель настраивается на большом количестве примеров. В её параметрах отражаются закономерности данных: связи между элементами текста, особенности изображений или структура других сигналов. Конкретная процедура зависит от типа модели.
Во время применения система получает запрос и доступный контекст. Генеративная языковая модель обычно формирует текст последовательно, выбирая очередные токены с учётом уже полученной последовательности. Для изображений и звука используются и другие способы генерации, поэтому объяснять весь GenAI только принципом следующего слова неправильно.
Ответ зависит от модели, переданных материалов, инструкции и настроек генерации. Один и тот же запрос может приводить к разным формулировкам. Там, где требуется строго заданная структура, её дополнительно проверяет приложение.
Чем GenAI отличается от прогнозной аналитики
В прогнозной задаче компания оценивает будущее значение или вероятность события, например объём продаж на следующую неделю. Генеративная задача может состоять в подготовке пояснительной записки по рассчитанному прогнозу. В первом случае главным результатом служит оценка показателя, во втором появляется содержание на естественном языке.
Граница определяется назначением и способом использования результата, а не наличием слова «модель». В некоторых системах генеративные методы применяют и для временных рядов. Однако умение языковой модели написать число в чате ещё не подтверждает качество прогноза или пригодность для планирования.
Где генерация помогает сотруднику
Генеративный ИИ используют для подготовки черновиков, извлечения сведений, обобщения документов, преобразования текста в заданный формат и помощи с кодом. Для повторяемой операции полезно заранее определить входы, ожидаемый результат и способ проверки.
Например, сотрудник передаёт согласованный протокол встречи и просит выделить решения, ответственных и сроки. Если срок не указан, правильным поведением будет отметить отсутствие данных. Подстановка правдоподобной даты создаст новый факт, которого не было в протоколе.
Подготовка текста и выполнение действия требуют разных полномочий. Сформировать предложение о корректировке плана можно без права записывать изменения в систему. Если генерация включена в автоматический процесс, эти границы необходимо задавать отдельно.
Как подключают знания компании
Модель не получает актуальные внутренние документы только потому, что её используют в корпоративном приложении. Материалы передают в контекст или подключают через поиск, например с помощью RAG. Источники должны соответствовать задаче, правам сотрудника и нужной редакции документа.
Дообучение решает другую задачу: оно изменяет параметры модели на подготовленных примерах. Обновление поискового индекса и дообучение нельзя считать одним процессом. Если изменилась инструкция компании, сначала нужно проверить, как новая версия попадёт в ответы приложения.
Условный пример в планировании
Аналитик получает рассчитанный прогноз и таблицу корректировок. Генеративная модель может подготовить краткую записку: где изменились значения, какие комментарии указаны ответственными и какие вопросы остались без ответа. Для этого ей передают именно выбранную версию данных.
Причину изменения нельзя выводить только из совпадения чисел. Если в таблице нет связи с промо или сменой цены, такую связь следует обозначить как гипотезу для проверки. Фактические значения, расчёт и интерпретация должны оставаться различимыми для читателя.
Какие ограничения учитывать
Модель может придумать источник, неверно обобщить документ или пропустить условие. Поэтому для справочного ответа проверяют соответствие источнику, для извлечения данных оценивают пропуски и искажения, а для кода отдельно проверяют работоспособность.
Передача материалов также требует понятных правил доступа и обработки данных. Выбор внешнего сервиса или локальной модели не отменяет проверки: нужно выяснить, какие сведения передаются, кто их видит и как результат входит в рабочий процесс. Обещание полностью исключить ошибки одной инструкцией не заменяет этих решений.
Применение в Knowledge Space
В Knowledge Space опубликованы сценарии ИИ-помощи при работе с документацией и обучении моделированию. Их удобно рассматривать отдельно от числового прогнозирования в DP: справочный ответ и рассчитанный прогноз требуют разных источников и критериев проверки. Состав возможностей помощников описан в новости KS.
Справочные ИИ-помощники Knowledge Space
FAQ
Генеративный ИИ и большая языковая модель — одно и то же?
Нет. GenAI охватывает создание разных видов контента. Большая языковая модель работает прежде всего с языком и может быть одним из компонентов генеративного приложения.
GenAI только копирует готовые тексты?
Модель может создавать новые последовательности на основе освоенных закономерностей. При этом совпадения с обучающими материалами возможны, поэтому оригинальность конкретного результата нельзя гарантировать самим способом генерации.
Можно ли поручить GenAI прогноз продаж?
Такую возможность нужно подтверждать проверкой на исторических данных и сравнением с базовым прогнозом. Убедительный ответ с числом в чате не является оценкой качества прогнозирования.
Нужно ли дообучение для работы с документами компании?
Не всегда. Сведения можно передавать в контекст или получать через поиск. Выбор способа зависит от задачи, объёма материалов и результатов проверки.
Смежные термины
- Большая языковая модель (LLM): Объясняет работу языковой модели.
- Промпт (Prompt): Показывает, как задать модели задачу.
- Галлюцинации ИИ: Разбирает неподтверждённые ответы и их проверку.
- RAG (Retrieval-Augmented Generation): Объясняет получение контекста через поиск.