מהי בינה מלאכותית גנרטיבית (GenAI)? כיצד היא עובדת?

בינה מלאכותית גנרטיבית היא צורה חדשה יחסית של בינה מלאכותית, שבניגוד לקודמותיה יכולה ליצור תוכן חדש באמצעות אקסטרפולציה מנתוני האימון שלה. היכולת יוצאת הדופן שלה ליצור טקסט, תמונות, קטעי שמע וסרטוני וידאו ברמה אנושית שבו את דמיון העולם, כאשר צ'אטבוט ה-AI הראשון פורסם לשוק הרחב בסתיו 2022. דוח McKinsey & Company מיוני 2023 העריך כי ל-AI גנרטיבית יש פוטנציאל להוסיף בין 6.1 ל-7.9 טריליון דולר לכלכלה העולמית בשנה על ידי הגדלת פרודוקטיביות העובדים. לצורך השוואה, אותו מחקר מעריך את הפוטנציאל הכלכלי השנתי של הגדלת הפרודוקטיביות בכל טכנולוגיות הבינה המלאכותית בין 17.1 ל-25.6 טריליון דולר. אז למרות שבינה מלאכותית גנרטיבית היא הדבר החם ביותר כרגע, באמצע 2023, היא עדיין רק קצה הקרחון של הבינה המלאכותית.

לכל פעולה יש תגובה שווה והפוכה. לכן, יחד עם אפשרויות הפרודוקטיביות המדהימות שלה, AI גנרטיבית מביאה עימה סיכונים עסקיים פוטנציאליים חדשים – כגון חוסר דיוק, הפרות פרטיות וחשיפה של קניין רוחני – כמו גם את היכולת לשיבוש כלכלי וחברתי בקנה מידה גדול. לדוגמה, לא סביר שיתרונות הפרודוקטיביות של AI גנרטיבית יתממשו ללא מאמצים משמעותיים להכשרה מחדש של עובדים, ועדיין אין ספק שעובדים רבים יאבדו את העבודה הנוכחית שלהם. עקב כך, קובעי מדיניות ממשלתיים ברחבי העולם, ואפילו כמה מנהלים מתעשיית הטכנולוגיה, תומכים באימוץ מהיר של תקנות AI.

מאמר זה הוא מחקר מעמיק של הפוטנציאל והסכנות של AI גנרטיבית: איך היא עובדת; היישומים המיידיים ביותר שלה, מקרי שימוש ודוגמאות; המגבלות שלה; היתרונות העסקיים והסיכונים הפוטנציאליים הגלומים בה; שיטות עבודה מומלצות לשימוש בה; והצצה לעתיד שלה.

מהי בינה מלאכותית גנרטיבית (GenAI)?

AI גנרטיבית (GAI) הוא השם שניתן לתת-קבוצה של טכנולוגיות למידת מכונה באמצעות בינה מלאכותית, אשר פיתחו לאחרונה את היכולת ליצור במהירות תכנים בתגובה למנחי טקסט, אשר יכולים לנוע בין טקסטים קצרים ופשוטים לטקסטים ארוכים ומורכבים. כלי בינה מלאכותית גנרטיבית שונים יכולים לייצר קטעי שמע, תמונות ותכני וידאו חדשים, אבל דווקא הבינה המלאכותית השיחתית המוכוונת-טקסט היא המלהיבה ביותר. למעשה, אנשים יכולים לשוחח עם מודלי AI גנרטיבית המאומנים בעזרת טקסט וללמוד מהם באותה דרך שבה הם משוחחים עם בני אדם.

AI גנרטיבית כבשה את העולם בסערה בחודשים שלאחר פרסום ChatGPT, צ'אטבוט המבוסס על מודל הרשת העצבית GPT-3.5 של OpenAI, ב-30 בנובמבר 2022. משמעות הקיצור GPT הוא generative pretrained transformer, מונח המתאר את ארכיטקטורת הרשת העצבית הבסיסית של המודל.

קיימים מקרים קודמים רבים של צ'אטבוטים שיחתיים, החל ב-ELIZA של המכון הטכנולוגי של מסצ'וסטס מאמצע שנות השישים. אבל רוב הצ'אטבוטים הקודמים, כולל ELIZA, היו מבוססים בעיקר על כללים, ולכן הייתה חסרה להם הבנה הקשרית. התשובות שלהם היו מוגבלות לסל מוגדר מראש של כללים ותבניות. לעומת זאת, למודלים החדשים של בינה מלאכותית גנרטיבית אין כללים או תבניות מוגדרים מראש כאלה. אפשר לדמות אותם למוחות (רשתות עצביות) פרימיטיביים וריקים, שנחשפים לעולם באמצעות אימון המבוסס על נתונים מהעולם האמיתי. לאחר מכן, הם מפתחים אינטליגנציה עצמאית – מודל מייצג של האופן שבו העולם פועל – שבה הם משתמשים כדי ליצור תוכן חדש בתגובה למנחים. אפילו מומחי AI לא יודעים בדיוק איך זה קורה, שכן האלגוריתמים מפותחים באופן עצמאי ומתעדכנים בזמן שהמערכת ממשיכה להתאמן.

עסקים גדולים וקטנים ודאי יהיו שמחים לגבי הפוטנציאל של AI גנרטיבית ליישום היתרונות של אוטומציית טכנולוגיה לתחום עבודת הידע, אשר עד כה התנגד ברובו לאוטומציה. כלי AI גנרטיביים משנים את פני התמונה בתחום האוטומציה של עבודת ידע; המשמעות של היכולת שלהם לייצר טקסט, תמונות, קטעי שמע וסרטוני וידאו ברמה אנושית כתגובה למנחה טקסט פשוט באנגלית היא שהם יכולים לשתף פעולה עם בני אדם כדי ליצור תוכן המייצג עבודה מעשית.

"בשנים הקרובות, חברות רבות יאמנו מודלי שפה גדולים מיוחדים משלהן," אמר לארי אליסון, יו"ר וסמנכ"ל טכנולוגיות ב-Oracle, במהלך שיחת ההכנסות של החברה ביוני 2023.

סרטון: מהי בינה מלאכותית גנרטיבית?

AI גנרטיבית לעומת AI

בינה מלאכותית היא תחום נרחב במדעי המחשב, ובינה מלאכותית גנרטיבית היא רק חלק קטן ממנו – נכון לעכשיו. באופן טבעי, לבינה מלאכותית גנרטיבית יש תכונות רבות במשותף עם בינה מלאכותית מסורתית. אבל יש גם כמה הבדלים ברורים.

• תכונות משותפות: שתיהן תלויות בכמויות גדולות של נתונים לאימון וקבלת החלטות (אם כי נתוני האימון של בינה מלאכותית גנרטיבית יכולים להיות גדולים בהרבה). שתיהן מחלצות תבניות מנתונים ומשתמשות ב"ידע" הזה כדי לבצע תחזיות ולהתאים את ההתנהגות שלהן. כאופציה, שתיהן ניתנות לשיפור לאורך זמן על ידי עדכון הפרמטרים שלהן בהתבסס על משוב או מידע חדש.
• הבדלים: מערכות AI מסורתיות מתוכננות בדרך כלל לבצע משימה ספציפית באופן טוב יותר או בעלות נמוכה יותר בהשוואה לבני אדם, כגון זיהוי הונאות בכרטיסי אשראי, חישוב הוראות נסיעה או – כפי שבוודאי נראה בקרוב – לנהוג ברכב. בינה מלאכותית גנרטיבית היא רחבה יותר; היא יוצרת תוכן חדש ומקורי הדומה לנתוני האימון שלה אך אינו נמצא ביניהם. בנוסף, מערכות בינה מלאכותית מסורתיות, כגון מערכות למידת מכונה, מאומנות בעיקר עם נתונים ספציפיים לתפקוד המיועד שלהן, ואילו מודלים של בינה מלאכותית גנרטיבית מאומנים עם ערכות נתונים גדולות ומגוונות (ולפעמים גם על נתונים ספציפיים בנפח קטן בהרבה הקשורים לפונקציה מסוימת). לבסוף, בינה מלאכותית מסורתית כמעט תמיד מאומנת על נתונים המשויכים לתוויות/קטגוריות באמצעות טכניקות למידה מונחית, בעוד שבינה מלאכותית גנרטיבית חייבת תמיד להיות מאומנת, לפחות בהתחלה, תוך שימוש בלמידה ללא הנחיה (שבה לנתונים לא משויכות תוויות, ותוכנת הבינה המלאכותית לא מקבלת הדרכה מפורשת).

הבדל נוסף שראוי לציין הוא שאימון מודלים יסודיים לבינה מלאכותית גנרטיבית הוא "יקר באופן מחריד," אם לצטט חוקר AI מסוים. מדובר, לצורך הדוגמה, ב-100 מיליון דולר רק עבור החומרה הראשונית הנדרשת, בנוסף להוצאה דומה על שירותי ענן, שכן שם מתרחש רוב הפיתוח של הבינה המלאכותית. בנוסף, יש את העלות הגבוהה של נפחי הנתונים העצומים הדרושים.

תובנות מרכזיות

• הבינה המלאכותית הגנרטיבית הפכה לתופעה ויראלית בנובמבר 2022, ובקרוב היא צפויה להוסיף טריליוני דולרים לכלכלה העולמית – מדי שנה.
• AI היא סוג של למידת מוכנה מבוססת-רשת עצבית המאומנת על ערכות נתונים עצומות, אשר יכולה ליצור טקסט, תמונות וקטעי וידאו או שמע בתגובה למנחים המתקבלים ממשתמשים בשפה טבעית.
• חוקרי שוק מנבאים כי הטכנולוגיה תספק דחיפה כלכלית על ידי האצה דרמטית של שיעור צמיחת הפרודוקטיביות עבור עובדי ידע, שמשימותיהם התנגדו לאוטומציה עד כה.
• בינה מלאכותית גנרטיבית מביאה עימה סיכונים ומגבלות שארגונים חייבים להתמודד עימם, כגון "הזיית" מידע שגוי או שקרי והפרה לא-מכוונת של זכויות יוצרים.
• היא גם צפויה לגרום לשינויים משמעותיים באופי העבודה, כולל אובדן עבודה וארגון מחדש של תפקידים.

כל מה שצריך לדעת על בינה מלאכותית גנרטיבית

עבור עסקים גדולים וקטנים, ההבטחה הקסומה של הבינה המלאכותית הגנרטיבית היא ביכולת להביא את היתרונות של אוטומציית הטכנולוגיה לתחום עבודת הידע. או, כפי שצוין בדוח McKinsey, "פעילויות הכרוכות בקבלת החלטות ושיתוף פעולה, שבעבר היו בעלות הפוטנציאל הנמוך ביותר לאוטומציה."

מבחינה היסטורית, טכנולוגיה תמיד הייתה יעילה באוטומציה של משימות שגרתיות או חוזרות, שעבורן ההחלטות כבר ידועות או ניתנות לקביעה ברמת ודאות גבוהה בהתבסס על כללים ספציפיים ומובנים היטב. חשבו על תעשיית הייצור, המתאפיינת בפעולות חוזרות ומדויקות בפס הייצור, או על תחום החשבונאות, בעל העקרונות המוסדרים הנקבעים על ידי אגודות בתעשייה. אבל לבינה מלאכותית גנרטיבית יש פוטנציאל לבצע עבודה שכלית מתוחכמת בהרבה. כדי לתת דוגמה קיצונית, AI גנרטיבית עשויה לסייע ביצירת האסטרטגיה של הארגון בתגובה למנחים המבקשים רעיונות ותרחישים חלופיים ממנהלי העסק במהלך הפרעה עסקית.

בדוח שלה, McKinsey העריכה 63 תרחישי שימוש על פני 16 פונקציות עסקיות והגיעה למסקנה כי 75% מהערך הפוטנציאלי בשווי טריליוני דולרים שניתן לממש מ-AI גנרטיבית יגיעו מתת-קבוצה של תרחישי שימוש בארבע פונקציות בלבד: פעולות לקוחות, שיווק ומכירות, הנדסת תוכנה, ומחקר ופיתוח. הצפי לגיוס הכנסות התחלק בין התעשיות באופן שווה יותר, אם כי היו כמה תעשיות שהתבלטו במיוחד: תחום ההיי-טק עמד בראש הרשימה מבחינת הזינוק האפשרי כאחוז מההכנסות בתעשייה, ואחריו תעשיות הבנקאות, התרופות והמוצרים הרפואיים, החינוך, הטלקומוניקציה והבריאות.

דוח נפרד של Gartner תאם לתחזיות של McKinsey: לדוגמה, יותר מ-30% מהתרופות והחומרים החדשים יתגלו באמצעות טכניקות AI גנרטיביות עד 2025 בהשוואה לאפס כיום, ו-30% מהודעות השיווק היוצאות מארגונים גדולים יווצרו באופן מלאכותי בשנת 2025, בהשוואה ל-2% בשנת 2022. בסקר מקוון, Gartner מצאה שחוויית הלקוחות ושימורם הם התשובה המובילה (38%) בקרב 2,500 מנהלים שנשאלו באילו אזורים הארגונים שלהם משקיעים בבינה מלאכותית גנרטיבית.

מה שמאפשר לכל זה לקרות כל כך מהר הוא העובדה שבניגוד לבינה מלאכותית מסורתית, אשר פעלה בשקט והוסיפה אוטומציה וערך לתהליכים מסחריים במשך עשרות שנים, הבינה המלאכותית הגנרטיבית התשפטה בתודעה העולמית בן רגע, הודות ליכולות השיחה האנושיות של ChatGPT. התופעה שפכה אור על טכנולוגיות AI גנרטיביות שמתמקדות בפונקציות אחרות ומשכה אליהן קהלים חדשים; נראה שכולם מתנסים בכתיבת טקסט או יצירת מוזיקה, תמונות וסרטונים באמצעות אחד או יותר מהמודלים השונים המתמחים בכל תחום. לכן, בעוד ארגונים רבים כבר מתנסים בבינה מלאכותית גנרטיבית, ההשפעה שלה על עסקים ועל החברה בכלל צפויה להיות עצומה – והיא תקרה מהר מאוד.

החיסרון המובהק הוא שתחום עבודת הידע ישתנה. תפקידים מסוימים ישתנו, לפעמים באופן משמעותי, באופן שיצריך את העובדים ללמוד מיומנויות חדשות. חלק מבעלי התפקידים יאבדו את עבודתם. עם זאת, מבחינה היסטורית, שינויים טכנולוגיים גדולים, כמו AI גנרטיבית, תמיד הוסיפו לכלכלה משרות רבות יותר (ובעלות ערך רב יותר) מאשר שהם העלימו. אבל זו נחמה מועטה עבור אלה שעבודתם תפסיק להתקיים.

איך בינה מלאכותית גנרטיבית עובדת?

לשאלה כיצד פועלים מודלים של בינה מלאכותית גנרטיבית יש שתי תשובות. באופן אמפירי, אנחנו יודעים איך הם עובדים לפרטי פרטים, משום שבני האדם הם אלה שתכננו את יישומי הרשת העצבית השונים שמאפשרים להם לעשות את מה שהם עושים, שכללו אותם במשך עשרות שנים והפכו אותם לטובים יותר ויותר. מפתחי בינה מלאכותית יודעים בדיוק איך הנוירונים מחוברים; הם תכננו כל תהליך אימון למודל. עם זאת, בפועל, אף אחד לא יודע בדיוק איך מודלים של בינה מלאכותית גנרטיבית עושים את מה שהם עושים – זו האמת המביכה.

"אנחנו לא יודעים איך הם מבצעים את הפעולות היצירתיות בפועל, כי מה שקורה בתוך שכבות הרשת העצבית הוא מורכב מדי לפיענוח, לפחות כיום," אמר דין תומפסון, מנהל טכנולוגיות ראשי לשעבר של כמה חברות סטארט-אפ שנרכשו במשך השנים, כולל LinkedIn ו-Yelp, שבה הוא עובד כיום כמהנדס תוכנה בכיר האחראי על מודלי שפה גדולים (LLMs). היכולת של בינה מלאכותית לייצר תוכן מקורי וחדש היא כנראה פועל יוצא של מה שידוע לגביה – כלומר, המבנה ונתוני האימון שלה. אז בעוד שאפשר לדבר רבות על מה שאנחנו כן יודעים, מה שמתרחש במודל כמו GPT-3.5 באופן פנימי – מה עובר לו בראש, אם תרצו – עדיין לא מובן לנו. חלק מחוקרי הבינה המלאכותית בטוחים שהדבר יהיה ידוע תוך 5–10 שנים; אחרים לא בטוחים אם אי פעם נבין אותו במלואו.

הנה סקירה כללית של מה שאנחנו כן יודעים על איך AI גנרטיבית עובדת:

• התחילו במוח האנושי. נקודת התחלה טובה להבנת מודלים של בינה מלאכותית גנרטיבית היא במוח האנושי, אומר ג'ף הוקינס בספרו "על אינטליגנציה" משנת 2004. הוקינס, מדען מחשב, מדען מוח ויזם, הציג את עבודתו בהרצאה ב-PC Forum ב-2005, ועידה שנתית של מנהלי טכנולוגיה מובילים בראשות משקיענית ההיי-טק אסתר דייסון. הוקינס העלה את ההשערה שברמת הנוירון, המוח עובד על ידי חיזוי מתמשך של מה שעומד לקרות ולמידה מההבדלים בין התחזיות שלו לבין המציאות שקרתה בפועל. כדי לשפר את יכולת החיזוי שלו, המוח בונה ייצוג פנימי של העולם. לפי התיאוריה שלו, הבינה האנושית נובעת מתהליך זה. בין שהיא מושפעת מהוקינס או לא, בינה מלאכותית גנרטיבית עובדת בדיוק כך. ובאופן מרתיע, היא מתנהגת כאילו היא בעלת בינה אמיתית.

• בנו רשת עצבית מלאכותית. כל דגמי הבינה המלאכותית מתחילים ברשת עצבית מלאכותית המקודדת בתוכנה. תומפסון אומר שכדי להבין איך נראית רשת עצבית, יש לדמיין גיליון אלקטרוני רגיל, אבל בשלושה ממדים – מכיוון שהנוירונים המלאכותיים מסודרים בשכבות, בדומה לאופן שבו הנוירונים האמיתיים מסודרים במוח. חוקרי AI אפילו קוראים לכל נוירון "תא", מציין תומפסון, וכל תא מכיל נוסחה המתייחסת לתאים אחרים ברשת – רעיון המחקה את האופן שבו החיבורים בין הנוירונים במוח הם בעלי דרגות חוזק שונות.

  כל שכבה יכולה לכלול עשרות, מאות או אלפי נוירונים מלאכותיים, אך מספר הנוירונים אינו הדבר שחוקרי AI מתמקדים בו. במקום, הם מודדים מודלים לפי מספר הקשרים שבין הנוירונים. דרגות החוזק של קשרים אלה משתנות בהתאם למקדמי משוואות התא שלהם, אשר נקראים בדרך כלל "משקלים" או "פרמטרים". מקדמי קשרים אלה הם מה שמתכוונים אליו כשאומרים, למשל, שלמודל GPT-3 יש 175 מיליארד פרמטרים. השמועות אומרות שלגרסה האחרונה, GPT-4, יש טריליוני פרמטרים, אך הדבר לא אושר רשמית. ישנו קומץ של ארכיטקטורות רשת עצבית עם מאפיינים שונים המצטיינות בהפקת סוגים מסוימים של תכנים – ארכיטקטורת ה-transformer, למשל, מסתמנת כטובה ביותר עבור מודלי שפה גדולים.

• למדו את מודל הרשת העצבית החדש והטרי. מודלי שפה גדולים מקבלים כמויות עצומות של טקסט לעיבוד ונדרשים לבצע תחזיות פשוטות, כגון המילה הבאה ברצף או הסדר הנכון של משפטים. למעשה, מודלים של רשת עצבית עובדים לפי יחידות הנקראות 'אסימונים' ולא 'מילים'.

  "מילה נפוצה עשויה להיות בעלת אסימון משלה, מילים לא נפוצות בהחלט יהיו מורכבות מאסימונים מרובים, וייתכן שחלק מהאסימונים יהיו רק רווח בודד ואחריו הצירוף 'th' – כי הרצף של שלושת התווים האלה הוא כל כך נפוץ," אמר תומפסון. כדי לבצע חיזוי, המודל מזין אסימון בשכבה התחתונה של ערמה מסוימת של נוירונים מלאכותיים; השכבה מעבדת אותו ומעבירה את הפלט שלה לשכבה הבאה, המעבדת ומעבירה את הפלט שלה, וכן הלאה עד לפלט הסופי המופיע בראש הערמה. מספר השכבות בערמה עשוי להשתנות באופן משמעותי, אך הוא בדרך כלל בסדר גודל של עשרות, לא אלפים או מיליונים.

  בשלב האימון המוקדם, התחזיות של המודל לא טובות במיוחד. אבל בכל פעם שהמודל חוזה אסימון, הוא בודק את נכונות נתוני האימון. בין אם הם נכונים או לא, אלגוריתם הפצה לאחור (backpropagation) מעדכן את הפרמטרים – כלומר, את מקדמי הנוסחאות – בכל תא של הערמה שביצעה את התחזית. מטרת העדכונים היא להגביר את הסבירות של תחזית נכונה.

  "התהליך קורה גם לתשובות הנכונות, כי יכול להיות שלתחזית הנכונה הייתה ודאות של רק 30%, למשל, אבל 30% האלה היו הכי גבוהים מבין כל התשובות האפשריות האחרות," אמר תומפסון. לכן, אלגוריתם ההפצה לאחור הופך את ה-30% ל-30.001%, או משהו בסגנון.

  אחרי שהמודל חוזר על התהליך הזה עבור טריליוני אסימוני טקסט, הוא הופך לטוב מאוד בחיזוי האסימון הבא – או המילה הבאה. לאחר האימון הראשוני, מודלים של AI גנרטיבית יכולים להיות מכווננים היטב באמצעות טכניקת למידה מונחית, כגון למידה באמצעות משוב חיובי אנושי (RLHF). ב-RLHF, פלט המודל ניתן לבוחנים אנושיים המבצעים הערכה חיובית או שלילית בינארית – ציון 'טוב' או 'לא טוב' – המוזנת בחזרה אל המודל. RLHF היא השיטה שבעזרתה כווננו את מודל GPT 3.5 של OpenAI כדי ליצור את הצ'אטבוט ChatGPT שהפך ויראלי.

• אבל איך המודל יודע לענות על השאלה שלי? זאת תעלומה. כך מסביר תומפסון את ההבנה הנוכחית שלנו: "יש חוסר-ידיעה ענק באמצע ההסבר שלי. מה שאנחנו כן יודעים זה שהוא לוקח את כל השאלה כרצף של אסימונים ומעבד את כולם בו-זמנית בשכבה הראשונה. ואנחנו יודעים שלאחר מכן הוא מעבד את הפלט מהשכבה הראשונה בשכבה הבאה, וכך הלאה במעלה הערמה. וידוע לנו שאז שהוא משתמש בשכבה העליונה כדי לחזות – כלומר, לייצר אסימון ראשון – ושהאסימון הראשון מיוצג כנתון במערכת כולה כדי לייצר את האסימון הבא, וכן הלאה.

  "עכשיו השאלה המתבקשת היא, על מה הוא חשב בכל התהליך הזה – ואיך? מה קרה בכל השכבות האלה? התשובה היא שאנחנו לא יודעים. אנחנו… לא… יודעים. אפשר לחקור את זה. אפשר לבחון את זה. אבל זה תהליך מורכב מעבר ליכולות הניתוח שלנו. זה בדיוק כמו F-MRI (דימות תהודה מגנטית תפקודי) במוח של בני אדם. זו הסקיצה הגסה ביותר של מה שהמודל עושה בפועל. אנחנו לא יודעים."

  למרות שהדבר שנוי במחלוקת, קבוצה של יותר מתריסר חוקרים שהייתה להם גישה מוקדמת ל-GPT-4 הסיקה בסתיו 2022 כי האינטליגנציה שהמודל מפגין בתגובה לאתגרים מורכבים שהוצבו לו והטווח הרחב של מומחיות שהוא מציג מעידים על כך ש-GPT-4 השיג סוג של בינה כללית. במילים אחרות, הוא בנה מודל פנימי של האופן שבו העולם עובד, בדיוק כמו שעושה המוח האנושי, והוא משתמש במודל הזה כדי למצוא תשובות הגיוניות לשאלות שהוא נשאל. אחד החוקרים סיפר בפודקאסט This American Life שהוא חווה רגע של "לא יכול להיות!" כאשר ביקש מ-GPT-4, "תן לי מתכון לעוגיות שוקולד צ'יפס, אבל כתוב בסגנון של אדם מדוכא מאוד," והדגם הגיב: "מרכיבים: 1 כוס חמאה רכה, אם יש לך בכלל אנרגיה לרכך אותה. 1 כפית תמצית וניל, הטעם של האושר המלאכותי והמזויף. 1 כוס שבבי שוקולד חצי-מתוק, טיפות זעירות של שמחה שבסופו של דבר ימסו וייעלמו."

מהי החשיבות של בינה מלאכותית גנרטיבית?

דרך שימושית להבנת החשיבות של AI גנרטיבית היא לחשוב עליה כעל מחשבון עבור תוכן יצירתי פתוח. כמו שמחשבון הופך מתמטיקה רגילה ומשעממת לאוטומטית ומאפשר לבני אדם להתמקד במשימות ברמה גבוהה יותר, לבינה מלאכותית גנרטיבית יש את הפוטנציאל לקחת את משימות המשנה השגרתיות והיום-יומיות יותר, המרכיבות את רוב עבודת הידע, ולהפוך אותן לאוטומטיות – ולאפשר לבני אדם להתמקד בעבודה ברמה גבוהה יותר.

חשבו על האתגרים העומדים בפני אנשי שיווק הרוצים להפיק תובנות מעשיות מהנתונים שלהם, שהם לרוב לא-מובנים, לא-עקביים ומנותקים זה מזה. לפי השיטה המסורתית, הם יצטרכו לאחד את הנתונים לפני הכול, מה שידרוש כמות לא מועטה של הנדסת תוכנה בהתאמה אישית כדי לספק מבנה משותף למקורות נתונים שונים, כגון רשתות חברתיות, חדשות ומשוב מלקוחות.

"אבל עם LLMs, אפשר פשוט להזין מידע ממקורות שונים ישירות לתוך המנחה ולאחר מכן לבקש תובנות מפתח, או לשאול איזה משוב כדאי לתעדף, או לבקש ניתוח רגשי – וזה פשוט יעבוד," אמר באסם באיג, מנהל הנדסה בכיר המתמחה בבינה מלאכותית ובביטחון ב-Duolingo. "היתרון של ה-LLM כאן הוא שהוא מאפשר לדלג על הצעד ההנדסי המסיבי והיקר הזה."

בהמשך לדבריו, תומפסון מציע שאנשי שיווק מוצר יכולים להשתמש ב-LLMs כדי לתייג טקסט חופשי למטרות ניתוח. לדוגמה, נניח שיש לכם מסד נתונים ענק של אזכורים של המוצר שלכם במדיה החברתית. אפשר לכתוב תוכנה המשתמשת ב-LLM וטכנולוגיות אחרות כדי:

• לחלץ את הנושאים העיקריים מכל פוסט במדיה החברתית.
• לקבץ נושאים ייחודיים המופיעים בפרסומים אקראיים לכדי קבוצות של נושאים חוזרים.
• לזהות אילו פוסטים תומכים בכל נושא חוזר.

לאחר מכן, תוכלו להשתמש בתוצאות כדי:

• ללמוד את הנושאים שחוזרים בתדירות הגבוהה ביותר, כולל דוגמאות.
• לעקוב אחר העלייה והירידה בתדירות הופעתם של נושאים חוזרים.
• לבקש מה-LLM לחפור לעומק לתוך נושא חוזר מסוים ולמצוא אזכורים חוזרים של מאפייני המוצר.

מודלים של בינה מלאכותית גנרטיבית

בינה מלאכותית גנרטיבית מייצגת קטגוריה רחבה של יישומים, המבוססת על מאגר עשיר יותר ויותר של וריאציות רשת עצבית. למרות שכל בינה מלאכותית גנרטיבית מתאימה לתיאור הכולל בפרק 'איך בינה מלאכותית גנרטיבית עובדת?', טכניקות ההטמעה עשויות להשתנות כדי לתמוך במדיה שונה, כגון תמונות לעומת טקסט, וכדי לשלב פיתוחים חדשים במחקר ובתעשייה כאשר הם הופכים לזמינים.

מודלים של רשתות עצביות משתמשים בדפוסים חוזרים של נוירונים מלאכותיים ובחיבורים ההדדיים ביניהם. עיצוב הרשת העצבית – עבור כל יישום שהוא, כולל AI גנרטיבית – חוזר לעיתים קרובות על אותה תבנית של נוירונים מאות או אלפי פעמים, בדרך כלל באמצעות אותם פרמטרים. זהו חלק חיוני של מה שנקרא "ארכיטקטורת רשת עצבית". גילוי ארכיטקטורות חדשות היה פן חשוב בפיתוח הבינה המלאכותית מאז 1980, אשר מונע לרוב על ידי הרצון לתמוך במדיום חדש. אבל ברגע שממציאים ארכיטקטורה חדשה, החידוש הבא מושג בדרך כלל מתוך השימוש בה בדרכים בלתי צפויות. חדשנות נוספת נוצרת משילוב אלמנטים של ארכיטקטורות שונות.

שתיים מהארכיטקטורות המוקדמות ביותר הנפוצות גם כיום הן:

• רשתות עצביות חוזרות (RNNs) , שהופיעו באמצע שנות ה-80' ונמצאות בשימוש עד היום. RNNs הוכיחו כיצד AI יכולה ללמוד ולבצע אוטומציה של משימות התלויות בנתונים רציפים – כלומר, מידע שהרצף שלו מכיל משמעות, כגון שפה, תנודות בשוק המניות וזרמי קליקים באינטרנט. ארכיטקטורות RNN נמצאות בליבם של מודלים רבים של AI ליצירת קטעי שמע, כגון אפליקציות ליצירת מוזיקה; חשבו על אופייה הרציף של המוזיקה ועל יחסי תלות מבוססי-זמן. אבל הן טובות גם בעיבוד שפה טבעית (NLP). RNNs מיושמות גם בפונקציות AI מסורתיות, כגון זיהוי דיבור, ניתוח כתב יד, חיזוי פיננסי ומזג אוויר, וכדי לחזות שינויים בביקוש אנרגיה, בין שימושים רבים אחרים.
• רשתות עצביות מתקפלות (CNNs) הגיעו כ-10 שנים מאוחר יותר. הן מתמקדות בנתונים הפרוסים על גבי גריד, ולכן הן מצטיינות בייצוגים של נתונים מרחביים ובהפקת תמונות. אפליקציות AI פופולריות, כגון Midjourney ו-DALL-E, משתמשות ב-CNNs כדי ליצור את התמונה הסופית.

למרות ש-RNNs עדיין נפוצות בשימוש, מאמצים מאוחרים יותר לשיפור RNNs היו אלה שהובילו לפריצת דרך:

• מודלים מסוג transformer הפכו לדרך הרבה יותר גמישה ועוצמתית לייצוג רצפים בהשוואה ל-RNN. יש להם מאפיינים מסוימים המאפשרים להם לעבד נתונים רציפים, כגון טקסט, באופן מקבילי מסיבי מבלי לאבד את הבנת הרצפים שלהם. עיבוד מקבילי של נתונים רציפים הוא בין המאפיינים העיקריים שנותנים ל-ChatGPT את היכולת להגיב בצורה טובה ומהירה כל כך למנחים בשפה מדוברת.

מחקר, תעשייה פרטית ומאמצי קוד פתוח יצרו מודלים חדשניים ובעלי עוצמה עם רמות גבוהות יותר של ארכיטקטורות רשת עצבית ודרכים ליישומן. לדוגמה, חידושים מכריעים התרחשו בתהליך האימון, באופן שבו המשוב מהאימון מיושם לצורך שיפור המודל ובאופן שבו ניתן לשלב מספר מודלים ליצירת יישומי בינה מלאכותית גנרטיבית. הינה רשימה של כמה מהחידושים הגדולים ביותר במודלים של AI:

• מקודדים אוטומטיים משתנים (VAEs) משתמשים בחידושים בארכיטקטורת רשת עצבית ובתהליכי אימון, והם מיושמים לעיתים קרובות ביישומים ליצירת תמונות. הם מורכבים מרשתות של מקודדים ומפענחים, שכל אחת מהן עשויה להשתמש בארכיטקטורה בסיסית אחרת, כגון RNN, CNN או transformer. המקודד לומד את התכונות והמאפיינים החשובים ביותר של התמונה, דוחס את המידע ושומר אותו כייצוג בזיכרון. לאחר מכן, המפענח משתמש במידע הדחוס כדי לנסות ליצור מחדש את המקור. בסופו של דבר, ה-VAEs לומדים ליצור תמונות חדשות הדומות לנתוני האימון שלהם.
• רשתות יריבות כלליות (GANs) מיושמות במגוון שיטות, אך נראה שיש להן כישרון מיוחד לסרטוני וידאו וליישומים אחרים הקשורים לתמונה. מה שמבדיל בין GANs למודלים אחרים הוא שהם מורכבים משתי רשתות עצביות המתחרות זו בזו תוך כדי האימון. במקרה של תמונות, לדוגמה, ה'גנרטור' יוצר תמונה וה'דיסקרימינטור' מחליט אם התמונה אמיתית או שהיא נוצרה באופן מלאכותי. הגנרטור מנסה כל הזמן לרמות את הדיסקרימינטור, שמנסה לתפוס את הגנרטור 'על חם'. ברוב המקרים, שתי הרשתות העצביות המתחרות מבוססות על ארכיטקטורות CNN, אך יכולות להיות גם וריאציות המבוססות על RNN או transformer.
• מודלי דיפוזיה משלבים רשתות עצביות מרובות במסגרת כוללת, ולפעמים משלבים ארכיטקטורות שונות כגון CNNs, transformers ו-VAEs. מודלי דיפוזיה לומדים על ידי כך שהם דוחסים נתונים, מוסיפים להם רעש, מנקים את הרעש ואז מנסים ליצור מחדש את המקור. כלי ה-Stable Diffusion הפופולרי משתמש במקודד ומפענח מסוג VAE עבור השלבים הראשונים והאחרונים, בהתאמה, ובשתי וריאציות של CNN בשלבים של הוספת/ניקוי הרעש.

מהם היישומים של בינה מלאכותית גנרטיבית?

העולם רק התחיל לגרד את פני השטח של השימושים הפוטנציאליים של AI גנרטיבית, אך קל לראות איך עסקים יכולים להפיק תועלת מיישום הטכנולוגיה בפעילות שלהם. חשבו כיצד בינה מלאכותית גנרטיבית עשויה לשנות את היבטים מרכזיים באינטראקציות עם לקוחות, מכירות ושיווק, הנדסת תוכנה ומחקר ופיתוח.

בתחום שירות הלקוחות, טכנולוגיית AI מוקדמת הפכה תהליכים לאוטומטיים והציגה אפשרויות שירות עצמי, אך הדבר הביא גם לתסכול רב בקרב לקוחות. AI גנרטיבית מבטיחה לספק יתרונות הן ללקוחות והן לנציגי השירות, עם צ'אטבוטים הניתנים להתאמה לשפות ואזורים שונים, דבר היוצר חוויית לקוחות אישית ונגישה יותר. כאשר נדרשת התערבות אנושית כדי לפתור את בעיית הלקוח, נציגי שירות הלקוחות יכולים לשתף פעולה עם כלי בינה מלאכותית גנרטיביים בזמן אמת כדי למצוא אסטרטגיות מעשיות, תוך שיפור המהירות והדיוק של האינטראקציות. המהירות שבה AI גנרטיבית יכולה להתחבר למאגר ידע ארגוני גדול ולסנתז פתרונות חדשים לתלונות של לקוחות מעניקה לצוות השירות יכולת מוגברת לפתור ביעילות בעיות ספציפיות, במקום להסתמך על תרשימי שיחות מיושנים והעברת השיחה עד שתימצא תשובה – או עד שללקוחות תפקע הסבלנות.

בתחום השיווק, בינה מלאכותית גנרטיבית יכולה להפוך את עבודת השילוב והניתוח של נתונים ממקורות שונים לאוטומטית, מה שיכול להאיץ באופן דרמטי את הפקת התובנות ולהוביל באופן ישיר לקבלת החלטות מושכלות יותר ופיתוח מהיר יותר של אסטרטגיות השקה. אנשי שיווק יכולים להשתמש במידע זה לצד תובנות אחרות שהופקו על ידי בינה מלאכותית כדי ליצור קמפיינים חדשים וממוקדים יותר. הדבר מקצר את הזמן שהצוות משקיע באיסוף נתונים דמוגרפיים ונתוני התנהגות צרכנית ונותן להם יותר זמן לנתח תוצאות ולחשוב על רעיונות חדשים.

טום שטיין, יו"ר ומנכ"ל סוכנות השיווק לעסקים Stein IAS, אומר שכל סוכנות שיווק, כולל זו שלו, בוחנת הזדמנויות שכאלה במהירות. עם זאת, שטיין מציין, ישנם גם הישגים פשוטים ומהירים יותר עבור התהליכים העורפיים של הסוכנות.

"כשאנחנו מקבלים בקשה למידע (RFI), בדרך כלל, 70% עד 80% מהבקשה היא לאותו המידע כמו כל בקשה למידע אחרת, אולי עם כמה הבדלים הקשריים הספציפיים למצב החברה," אומר שטיין, שהיה גם נשיא חבר המושבעים של פרסי Cannes Lions Creative B2B Awards לשנת 2023. זה לא כל כך מסובך להביא את עצמנו למצב שבו כלי AI שונים עושים את העבודה בשבילנו… אז אם נקבל בחזרה את אותם 80% מהזמן שלנו, ונוכל לבלות את הזמן הזה בהוספת ערך לבקשה למידע ובאמת ללטש ולחדד אותה , אז כולם מנצחים. וישנם תהליכים רבים כאלה".

מפתחי תוכנה העובדים יחד עם בינה מלאכותית גנרטיבית יכולים לייעל ולהאיץ תהליכים בכל שלב, מהתכנון הראשוני ועד לתחזוקה. במהלך שלב היצירה הראשוני, כלי AI גנרטיביים יכולים לנתח ולארגן כמויות גדולות של נתונים ולהציע תצורות תוכנית מרובות. כשמגיע הזמן להתחיל לקודד, AI יכולה לבדוק ולפתור בעיות בקוד, לזהות שגיאות, להריץ אבחון ולהציע תיקונים – הן לפני והן אחרי ההשקה. תומפסון מציין כי מאחר שכל כך הרבה פרויקטי תוכנה ארגוניים משלבים שפות תכנות ודיסציפלינות שונות, הוא ומהנדסי תוכנה אחרים השתמשו בבינה מלאכותית כדי להתמקצע בתחומים לא מוכרים במהירות גבוהה בהרבה מאשר בעבר. הוא גם השתמש בכלי AI גנרטיביים כדי להסביר קטעי קוד לא מוכרים ולזהות בעיות ספציפיות.

במחקר ופיתוח, בינה מלאכותית גנרטיבית יכולה להגדיל את המהירות והעומק של מחקרי השוק בשלבים הראשונים של עיצוב המוצר. בהמשך, תוכניות AI, ובמיוחד אלה עם יכולות יצירת תמונות, יכולות ליצור עיצובים מפורטים של מוצרים פוטנציאליים לצורך הדמיה ובדיקה, באופן שנותן לעובדים את הכלים שהם צריכים כדי לבצע שינויים במהירות וביעילות לאורך מחזור המחקר והפיתוח.

אליסון, מייסד Oracle, ציין בשיחת ההכנסות של החברה ביוני 2023 כי "LLMs יאיצו את הגילוי של תרופות חדשות ומצילות חיים." גילוי תרופות הוא יישום מו"פ המנצל את הנטייה של מודלים גנרטיביים "להזות" מידע שגוי או בלתי ניתן לאימות – אבל בצורה חיובית, בזיהוי של מולקולות ורצפי חלבון חדשים התומכים בחיפוש אחר טיפולים רפואיים חדשים. בנפרד, Cerner Enviza, חברת בת של Oracle, שיתפה פעולה עם מנהל המזון והתרופות האמריקאי (FDA) ו-John Snow Labs כדי ליישם כלי בינה מלאכותית לפתרון האתגר של "הבנת ההשפעה של תרופות על אוכלוסיות גדולות". אסטרטגיית הבינה המלאכותית של Oracle היא לשלב בינה מלאכותית בכל יישומי הענן ותשתית הענן שלה.

מקרי שימוש בבינה מלאכותית גנרטיבית

לבינה מלאכותית גנרטיבית יש פוטנציאל עצום להאיץ סוגים שונים של משימות או להפוך אותן לאוטומטיות. עסקים צריכים לתכנן דרכים מכוונות וספציפיות למיצוי היתרונות התפעוליים שהיא יכולה להעניק להם. להלן מספר תרחישי שימוש ספציפיים:

• גישור פערי ידע: הודות לממשקי השימוש הפשוטים ומבוססי-הצ'אט שלהם, כלי AI גנרטיביים יכולים לענות על שאלות כלליות או ספציפיות של עובדים ולהכווין אותם כשהם נתקעים, החל בשאילתות הפשוטות ביותר ועד לפעולות מורכבות. אנשי מכירות, למשל, יכולים לבקש תובנות על חשבון ספציפי; מתכנתים יכולים ללמוד שפות תכנות חדשות.
• בדיקת שגיאות: כלי AI גנרטיביים יכולים לחפש שגיאות בכל טקסט, מהודעות דואר אלקטרוני בלתי-פורמליות ועד קטעי כתיבה מקצועית. והם לא רק מתקנים את הטעויות: הם יכולים גם להסביר את הסיבה מאחוריהן ולעזור למשתמשים ללמוד ולשפר את עבודתם.
• שיפור תקשורת: כלי AI גנרטיביים יכולים לתרגם טקסט לשפות שונות, לשנות טון ומשלב, ליצור הודעות ייחודיות המבוססות על קבוצות נתונים שונות ועוד. צוותי שיווק יכולים להשתמש בכלי AI גנרטיביים כדי ליצור מסעות פרסום רלוונטיים יותר, בעוד צוותי פנים יכולים להשתמש בהם כדי לחפש בהתקשרויות קודמות ולמצוא במהירות מידע רלוונטי ותשובות לשאלות מבלי להפריע לעובדים אחרים. תומפסון מאמין כי יכולת זו לסנתז ידע מוסדי בכל שאלה או רעיון שיכולים להיות לעובדים עשויה לשנות באופן מהותי את האופן שבו אנשים מתקשרים בתוך ארגונים גדולים, ובכך לשפר במידה רבה את גילוי הידע.
• הקלה על העומס המנהלי: עסקים עם עבודה מנהלית כבדה, כגון קידוד/חיוב רפואי, יכולים להשתמש בבינה מלאכותית גנרטיבית כדי להפוך משימות מורכבות לאוטומטיות, כולל מילוי והגשת מסמכים וניתוח הערות הרופאים. כך יוכל הצוות להתפנות לעבודה מעשית יותר, כגון טיפול בחולים או שירות לקוחות.
• סריקת תמונות רפואיות לזיהוי חריגות: ספקי שירותים רפואיים יכולים להשתמש בבינה מלאכותית גנרטיבית כדי לסרוק רשומות ותמונות רפואיות, לסמן בעיות הדורשות התייחסות ולתת לרופאים המלצות לטיפול, כולל תופעות לוואי אפשריות המותאמות להיסטוריית המטופלים.
• פתרון בעיות בקוד: מהנדסי תוכנה יכולים להשתמש במודלים של בינה מלאכותית גנרטיבית כדי לפתור בעיות ולשפר את הקוד שלהם באופן מהיר ואמין יותר מאשר אם יעברו על הקוד בעצמם שורה אחר שורה. לאחר מכן, הם יכולים מבקש מהכלי הסבר מעמיק שילמד אותם לקודד טוב יותר בעתיד וישפר את תהליכי העבודה שלהם.

היתרונות של בינה מלאכותית גנרטיבית

היתרונות שבינה מלאכותית גנרטיבית יכולה להביא לעסק נובעים בעיקר משלש תכונות כלליות: סינתזת ידע, שיתוף פעולה בין AI ובני אדם ומהירות. בעוד שרבים מהיתרונות המפורטים להלן דומים לאלה שהובטחו בעבר על ידי מודלי AI וכלי אוטומציה קודמים, הנוכחות של אחת או יותר משלוש תכונות אלה יכולה לעזור לעסקים לממש את היתרונות בקלות, במהירות וביעילות.

בעזרת בינה מלאכותית גנרטיבית, ארגונים יכולים לבנות מודלים מותאמים אישית שעברו אימון בעזרת הידע המוסדי והקניין הרוחני (IP) שלהם, ולאחר מכן עובדי ידע יכולים לבקש מהתוכנה עזרה בביצוע משימות, באותה שפה פשוטה שבה הם משתמשים כשהם מדברים עם עמיתיהם לעבודה. מודל AI גנרטיבי מתמחה שכזה יכול להגיב על ידי סינתזה של מידע מכל מאגר הידע התאגידי במהירות מרשימה. גישה זו לא רק מפחיתה או מבטלת את הצורך במומחיות בהנדסת תוכנה מורכבת – שהיא לרוב גם יעילה פחות ויקרה יותר – כדי ליצור תוכניות ספציפיות עבור משימות אלה, אלא סביר להניח שהיא אף תעלה רעיונות ותצביע על קשרים באופן שגישות קודמות לא יכלו לעשות.

• פרודוקטיביות מוגברת: עובדי ידע יכולים להשתמש ב-AI גנרטיבית כדי לצמצם את הזמן המושקע במשימות שגרתיות ויום-יומיות, כגון למידת דיסציפלינה חדשה הנחוצה פתאום לפרויקט קרוב, ארגון או סיווג נתונים, שילוב האינטרנט עבור מחקרים ישימים או ניסוח הודעות דוא"ל. על ידי מינוף בינה מלאכותית גנרטיבית, מספר קטן יותר של עובדים יכול לבצע משימות שבעבר דרשו צוותים גדולים או שעות עבודה רבות, תוך זמן קצר בהרבה. צוות של מתכנתים, למשל, יכול לבזבז שעות בעיון בקוד פגום כדי לפתור בעיות, אבל כלי אינטליגנציה מלאכותית גנרטיבית יוכל למצוא שגיאות תוך רגע ולדווח עליהן יחד עם התיקונים המומלצים. מכיוון שלמודלים מסוימים של בינה מלאכותית גנרטיבית יש כישורים ממוצעים ומעלה במגוון רחב של יכולות עבודת ידע, שיתוף הפעולה עם מערכת בינה מלאכותית גנרטיבית יכול לשפר באופן דרמטי את הפרודוקטיביות של השותפים האנושיים שלה. לדוגמה, מנהלת מוצר זוטרה יכולה להפוך למנהלת פרויקט ממוצעת לפחות כשהיא נעזרת בבינה מלאכותית. כל היכולות הללו יאיצו באופן דרמטי את יכולתם של עובדי ידע להשלים פרויקטים.

• הפחתת עלויות: בגלל המהירות הרבה שלהם, כלי בינה מלאכותית גנרטיביים מפחיתים את העלות הנדרשת להשלמת תהליכים – ואם המשימה לוקחת חצי מהזמן, היא גם עולה חצי מהעלות. בנוסף, בינה מלאכותית גנרטיבית יכולה למזער שגיאות, להפחית זמני השבתה ולזהות יתירויות וחוסרי-יעילות יקרים אחרים. עם זאת, יש קיזוז מסוים: בגלל הנטייה של AI גנרטיבית להזיות, עדיין יש צורך בפיקוח ובקרת איכות אנושיים. אבל שיתופי פעולה בין AI ובני אדם צפויים להשלים עבודה רבה יותר בפחות זמן מאשר בני אדם בלבד – ובצורה טובה ומדויקת יותר מאשר בינה מלאכותית בלבד – ובכך להפחית את העלויות. בעת בדיקת מוצרים חדשים, לדוגמה, בינה מלאכותית גנרטיבית יכולה לסייע ביצירת הדמיות מתקדמות ומפורטות יותר בהשוואה לכלים ישנים. בסופו של עניין, הדבר מפחית את הזמן והעלויות הכרוכות בבדיקת מוצרים חדשים.

• שביעות רצון משופרת בקרב לקוחות: לקוחות יכולים ליהנות מחוויה איכותית ואישית יותר באמצעות כלי בינה מלאכותית גנרטיביים ש" לוחשים באוזניהם" של נציגי שירות הלקוחות ומוסרים להם מידע בזמן אמת. בעוד שהצ'אטבוטים הקיימים כיום המשתמשים ב-AI לשירות לקוחות יכולים לפעמים להרגיש מוגבלים באופן מתסכל, קל לדמיין חוויית לקוח טובה בהרבה המופעלת על ידי מודל AI גנרטיבי שהוכשר במיוחד על ידי החברה, אם לשפוט לפי אמות המידה של השיחות עם ChatGPT כיום.

• קבלת החלטות מושכלת יותר: מודלים של בינה מלאכותית שעברו אימון ספציפי לארגון יכולים לספק תובנות מפורטות בעזרת מידול תרחישים, הערכת סיכונים וגישות מתוחכמות אחרות לניתוח חיזויי. מקבלי החלטות יכולים למנף כלים אלה כדי להשיג הבנה מעמיקה יותר של התעשייה שלהם ושל מיצוב העסק, באמצעות המלצות מותאמות אישית ואסטרטגיות מעשיות, המסתמכות על נתונים מעמיקים יותר וניתוח מהיר יותר מאשר שאנליסטים אנושיים או טכנולוגיות ישנות יותר יכולים ליצור בכוחות עצמם.

  לדוגמה, מקבלי החלטות יכולים לתכנן טוב יותר את הקצאת המלאי לפני עונה עמוסה, באמצעות תחזיות ביקוש מדויקות יותר המאפשרות שילוב של נתונים פנימיים שנאספו על ידי מערכת תכנון המשאבים הארגוניים (ERP) ומחקר שוק חיצוני מקיף, אשר מנותח לאחר מכן על ידי מודל AI גנרטיבי מתמחה. במקרה כזה, החלטות הקצאה טובות יותר ממזערות את הסיכוי לרכישת-יתר וחוסרים במלאי ועוזרות למקסם את המכירות הפוטנציאליות.

• השקות מוצר מהירות יותר: בינה מלאכותית גנרטיבית יכולה לייצר במהירות אבות טיפוס של מוצרים וטיוטות ראשוניות, לסייע בכוונון עדין של עבודות בתהליך ולבדוק/לפתור בעיות בפרויקטים קיימים כדי למצוא שיפורים מהר יותר מאי פעם.

• בקרת איכות: מודל AI גנרטיבי מתמחה וספציפי לארגון צפוי לחשוף פערים וחוסר-עקביות במדריכי השימוש, בסרטוני הווידאו ובתכנים אחרים שהעסק מציג לציבור.

המגבלות של בינה מלאכותית גנרטיבית

כל מי שהשתמש בכלי AI גנרטיביים לחינוך ו/או מחקר כנראה חווה את המגבלה הידועה ביותר שלהם: הם ממציאים דברים. מכיוון שהמודל מנבא רק את המילה הבאה, האקסטרפולציה של נתוני האימון שלו עלולה לגרום לו לומר שקרים באותו ביטחון שבו הוא אומר אמת. לזה חוקרי בינה מלאכותית מתכוונים כשהם מדברים על 'הזיות', וזו הסיבה המרכזית שבגללה ההיצע הנוכחי של כלי הבינה המלאכותית הגנרטיביים דורש משתפי פעולה אנושיים. עסקים חייבים להתכונן לקראת המגבלות האלה ואחרות ולנהל אותן בעת יישום בינה מלאכותית גנרטיבית. אם העסק מציב ציפיות לא מציאותיות או לא מנהל את הטכנולוגיה ביעילות, ההשלכות עלולות לפגוע בביצועים ובמוניטין של החברה.

• דורשת פיקוח: מודלים של בינה מלאכותית גנרטיבית יכולים לספק מידע כוזב או מטעה, לעיתים קרובות ברמת פירוט ועם ביטחון כה גבוהים שאפילו מומחים עלולים ליפול בפח. באופן דומה, הפלט שלהם עשוי להכיל שפה מוטה או פוגענית שנלמדה מסל הנתונים שעליו המודל אומן. בני אדם הם עדיין חלק קריטי מתהליך העבודה, כדי למנוע מפלט פגום שכזה להתפשט ולהגיע ללקוחות או להשפיע על מדיניות החברה.
• עוצמת מחשוב והשקעה ראשונית: מודלים של בינה מלאכותית גנרטיבית דורשים כמויות אדירות של עוצמת מחשוב לשם אימון והרצה. לחברות רבות אין את המשאבים והמומחיות הדרושים כדי לבנות ולתחזק מערכות כאלה בכוחות עצמן. זו אחת הסיבות שבגללן חלק ניכר מעבודת הפיתוח של AI גנרטיבית נעשה באמצעות תשתית ענן.
• פוטנציאל להיטמעות במקום היבדלות: ארגונים שלא בונים מודלים ספציפיים משלהם ומסתמכים במקום על כלי AI גנרטיביים ציבוריים עשויים להיות נידונים לבינוניות. לעיתים קרובות הם ימצאו שהמסקנות שלהם זהות לאלה של אחרים, מכיוון שהן מבוססות על אותם נתוני אימון. אם חברות אלה לא ישלבו בעבודתן מידה של חדשנות אנושית, הן עשויות לגלות שהן אומנם מסתגלות ביעילות לשיטות העבודה המקובלות, אך מתקשות להשיג בידול תחרותי.
• התנגדות מצד עובדים ולקוחות: לעובדי הארגון, ובמיוחד עובדים ותיקים הרגילים לשיטות עבודה ונוהלים מסוימים, עלול להיות קושי להסתגל לבינה מלאכותית גנרטיבית, מה שיוביל לירידה בפרודוקטיביות בתקופת ההסתגלות. באופן דומה, העובדים עלולים להתנגד לטכנולוגיה מחשש שיאבדו את עבודתם. מנהלים ומנהיגים עסקיים חייבים לשכך את הפחדים האלה ולהיות פתוחים ושקופים לגבי האופן שבו הטכנולוגיה תשנה – או לא תשנה – את מבנה העסק.

סיכונים וחששות בעבודה עם בינה מלאכותית גנרטיבית

הבינה המלאכותית הגנרטיבית עוררה תגובות קיצוניות משני קצותיה של קשת הסיכונים. ישנן קבוצות שמאמינות שהיא תוביל להכחדת האנושות, בעוד אחרים מתעקשים שהיא תציל את העולם. תרחישי הקיצון האלה הם מחוץ להיקף של מאמר זה. עם זאת, הינה כמה סיכונים וחששות חשובים שמובילים עסקיים המיישמים את טכנולוגיית הבינה המלאכותית חייבים להבין, כדי שיוכלו לנקוט צעדים כדי להפחית את ההשלכות השליליות הפוטנציאליות.

• אמון ואמינות: מודלים של בינה מלאכותית גנרטיבית מספקים טענות לא מדויקות, ולפעמים הוזים מידע מפוברק לחלוטין. באופן דומה, דגמים רבים מאומנים באמצעות נתונים ישנים יותר ובדרך כלל מסתכלים רק על מידע שפורסם עד תאריך מסוים, כך שמה שהיה מתאים לשוק בשנה שעברה עלול לא להיות רלוונטי או שימושי יותר. לדוגמה, עסקים המעוניינים לשפר את תפעול שרשרת האספקה שלהם עשויים לגלות שההצעות המתקבלות מהמודלים שלהם מיושנות ולא רלוונטיות לכלכלה הגלובלית המשתנה ללא הרף. המשתמשים חייבים לאמת את כל הטענות לפני שיפעלו על פיהן כדי להבטיח דיוק ורלוונטיות.

• פרטיות/קניין רוחני: לרוב, מודלים של בינה מלאכותית גנרטיבית ממשיכים ללמוד מקלטי מידע המסופקים כחלק ממנחים. עסקים מסוימים, ובמיוחד אלה שאוספים מידע אישי רגיש מלקוחותיהם, כגון מרפאות, חייבים לוודא שהם לא חושפים קניין רוחני מוגן או נתונים סודיים. אם למודל יש גישה למידע כזה, הוא עשוי להגדיל את הסבירות לחשיפה.

• הנדסה חברתית בקנה מידה רחב: שחקנים זדוניים כבר משתמשים ב-AI גנרטיבית כדי לעזור להם בהתאמה אישית של מתקפות הנדסה חברתית ומתקפות סייבר אחרות, בכך שהם גורמים להן להיראות אותנטיות יותר.

  "כבר עכשיו, קשה מאוד להבחין אם אתה מדבר עם בוט או עם בן אדם באינטרנט," אמר באיג, מהנדס הבינה המלאכותית של Duolingo. "כיום, הרבה יותר קל לפושעים שמחפשים לעשות כסף ליצור תכנים שונים שיכולים לשטות באנשים."

• ירידה באיכות ומקוריות הפלט: AI בינה מלאכותית גנרטיבית יכולה להפוך את בניית המוצרים והתכנים לקלה ומהירה יותר, אך היא לא מבטיחה תוצאות באיכות גבוהה יותר. הסתמכות על מודלים של בינה מלאכותית ללא שיתוף פעולה אנושי משמעותי עלולה להוביל למוצרים אחידים וחסרי יצירתיות.

• דעה מוטה: אם מודל AI גנרטיבי מסוים מאומן על נתונים מוטים, החל מפערים בייצוג נקודות מבט ועד תכנים מזיקים ופוגעניים, נטיות אלה ישתקפו בפלט שלו. לדוגמה, אם עסק מסוים נהג להעסיק רק סוג אחד של עובדים, המודל עשוי להשוות מועמדים חדשים עם המועמד ה'אידאלי' ולהתעלם ממועמדים בעלי כישורים רק כי הם לא מתאימים לתבנית, גם אם הארגון התכוון לשבור את התבנית הזאת.

• בינה מלאכותית לא מאושרת: שימוש של עובדים בבינה מלאכותית גנרטיבית ללא אישור רשמי מהארגון או ללא ידיעתו עלול לגרום לעסק, שלא במתכוון, לפרסם מידע שגוי או להפר את זכויות היוצרים של ארגון אחר.

• התמוטטות מודלים: חוקרי בינה מלאכותית זיהו תופעה שנקראת 'התמוטטות מודלים', שיכולה להפוך מודלים של בינה מלאכותית גנרטיבית לפחות שימושיים לאורך זמן. בעיקרון, כאשר תוכן שנוצר על ידי AI מתרבה, מודלים שהוכשרו על נתונים מלאכותיים אלה – אשר באופן בלתי נמנע מכילים שגיאות – בסופו של דבר "שוכחים" את המאפיינים של הנתונים האנושיים שבעזרתם הם אומנו במקור. דאגה זו עשויה להגיע לנקודת שבירה, בעוד האינטרנט מאוכלס יותר ויותר בתכני AI היוצרים לולאת משוב ששוחקת את המודל.

• רגולציית AI: כיוון שבינה מלאכותית גנרטיבית היא חדשה כל כך, היא לא נתונה לרגולציה רבה. עם זאת, ממשלות בכל רחבי העולם שוקלות כיצד להסדיר את הנושא. כמה מדינות, כמו סין, כבר הציעו אמצעים רגולטוריים על באופן שבו ניתן לאמן מודלים ועל התכנים שהם מורשים לייצר. ככל שמדינות נוספות מפרסמות תקנות חדשות, עסקים – ובמיוחד חברות בין-לאומיות – חייבים להתעדכן בחוקים חדשים ומשתנים כדי להבטיח שהם עומדים בהם ולהימנע מקנסות או אישומים פליליים עקב שימוש לרעה בטכנולוגיה.

אתיקה ובינה מלאכותית גנרטיבית

הופעתם של ניתוחי מידע בעזרת ביג דאטה לפני יותר מעשור עוררה שאלות ודיונים אתיים חדשים, כי כלים חדשים אלה אפשרו להסיק מידע פרטי או רגיש על אנשים שאותו הם לא פרסמו ואינם מעוניינים לחשוף. איך חברות צריכות להתמודד עם היכולת לאחוז במידע שכזה?

בהתחשב בפוטנציאל שלה להעצים ניתוחי נתונים, AI גנרטיבית מעלה שאלות אתיות חדשות לצד שאלות ישנות יותר.

• כיצד תשפיע בינה מלאכותית גנרטיבית על העובדים? בינה מלאכותית גנרטיבית כבר גורמת לעובדים רבים להרגיש לא בנוח לגבי סיכויי התעסוקה לטווח הארוך שלהם – ובצדק. בעוד שההיסטוריה מראה כי התקדמות הטכנולוגיה תמיד הובילה למשרות רבות יותר ובעלות ערך גבוה יותר מאשר אלה שנעלמו, התפקידים שהבינה מלאכותית עשויה להפוך למיושנים משלמים את החשבונות עבור אנשים רבים כיום.
• כיצד ניתן למנוע הטיה פוטנציאלית? אנחנו יודעים שלכל מודל בינה מלאכותית יש פוטנציאל לייצר תוצאות מוטות. ארגונים חייבים לבחור מראש כיצד לנהל את האתגר הזה, הן מנקודת המבט של סיכון ארגוני והן מנקודת המבט האתית.
• איך שחקנים זדוניים יכולים להשתמש בדגמי GAI כדי לזרוע נזק והרס בציבור? אינספור השימושים הפוטנציאליים של בינה מלאכותית גנרטיבית כוללים, למרבה הצער, מעשים פליליים ומזיקים, במיוחד כאשר מודלים גנרטיביים הופכים לנגישים יותר לציבור. קטעי וידאו מזויפים המחקים את הקול והחזות של אדם מסוים, כלי פריצה משופרים להתקפות סייבר, הפצה של מידע שגוי וקמפיינים של הנדסה חברתית הן רק כמה מהדרכים שבהן שחקנים זדוניים יכולים להשתמש בבינה מלאכותית גנרטיבית. נכון לעכשיו, דגמים רבים כוללים אמצעי הגנה, אבל ההגנות האלה רחוקות מלהיות מושלמות. עסקים המיישמים מודלים משלהם חייבים להבין בדיוק מה המערכות שלהם מסוגלות לבצע ולנקוט בצעדים כדי להבטיח שנעשה בהן שימוש באופן אחראי.
• מי הבעלים של תכנים שנוצרו על ידי AI? גם אם עסק מבצע כוונון עדין של המודל בעזרת נתונים משלו, מודלים של בינה מלאכותית גנרטיבית מאומנים בעזרת כמויות עצומות של נתונים חיצוניים. הפלט של המודל, אם כן, עשוי לכלול אלמנטים מעבודות של ארגונים אחרים, מה שמוביל לסוגיות אתיות ומשפטיות פוטנציאליות, כגון גנבה ספרותית והפרת זכויות יוצרים. הדבר נכון במיוחד עבור מודלים של AI ליצירת תמונות; אומנים בכל השדות היצירתיים בוחנים דרכים לשמור על עבודתם כדי שלא תוזן לתוך תוכניות מסוג זה. גופים רגולטוריים עשויים ליצור כללים חדשים בטווח הארוך, כך שכל מי שמשתמש ב-AI גנרטיבית יהיה חייב לשקול מהיכן מגיע התוכן וכיצד ייעשה בו שימוש לפני שיפורסם.

דוגמאות לבינה מלאכותית גנרטיבית

ארגונים בכל הגדלים ומכל התעשיות, מצבא ארצות הברית ועד קוקה קולה, מתנסים באופן נרחב בבינה מלאכותית גנרטיבית. הינה קבוצה קטנה של דוגמאות שמדגימות את הפוטנציאל הרחב של הטכנולוגיה ואימוצה המהיר.

Snap Inc., החברה שמאחורי Snapchat, הוציאה צ'אטבוט בשם My AI המופעל על ידי גרסה של טכנולוגיית GPT של OpenAI. הצ'אטבוט, המותאם לטון ולסגנון הייחודי של Snapchat, מתוכנת להיות אדיב וידידותי. המשתמשים יכולים לשנות את המראה שלו בעזרת יצגנים, רקעים ושמות, והם יכולים להשתמש בו כדי לשוחח אחד על אחד או עם משתמשים מרובים, באופן המדמה את הדרך הרגילה שבה שמשתמשי Snapchat מתקשרים עם החברים שלהם. משתמשים יכולים לבקש ייעוץ אישי או לקיים שיחות חולין על נושאים כגון אוכל, תחביבים או מוסיקה – הבוט יכול אפילו לספר בדיחות. Snapchat משתמשת ב-MyAI כדי להכווין את המשתמשים לתכונות שונות של היישום, כגון מצלמות מציאות רבודה, וכדי לעזור להם לקבל מידע שהם בדרך כלל לא מחפשים ב-Snapchat, כגון חיפוש מקומות מומלצים על גבי מפה מקומית.

בלומברג הכריזה על BloombergGPT, צ'אטבוט שחצי מנתוני האימון שלו הם נתונים כלליים על העולם והחצי השני מורכב מנתונים קנייניים של בלומברג או נתונים כספיים שנוקו. הוא יכול לבצע משימות פשוטות, כגון כתיבת כותרות טובות למאמרים, וכן טריקים קנייניים, כמו תרגום מנחים באנגלית פשוטה לשפת Bloomberg Query Language הנדרשת על ידי מסופי הנתונים של החברה, שהם מרכיב חיוני בחברות רבות בתעשיית הפיננסים.

Oracle שיתפה פעולה עם מפתחת הבינה המלאכותית Cohere כדי לעזור לעסקים לבנות מודלים פנימיים המכווננים בעזרת נתונים תאגידיים פרטיים, בצעד שמטרתו להפיץ את השימוש בכלי בינה מלאכותית גנרטיביים ייחודיים בקרב חברות.

"Cohere ו-Oracle עובדות יחד כדי להקל מאוד על לקוחות ארגוניים לאמן מודלי שפה גדולים ייעודיים משלהם, ובו-בזמן להגן על פרטיות נתוני האימון שלהם," אמר אליסון לאנליסטים פיננסיים במהלך שיחת ההכנסות של Oracle לשנת 2023. Oracle מתכננת לשבץ שירותי בינה מלאכותית גנרטיבית בפלטפורמות עסקיות כדי להגביר את הפרודוקטיביות והיעילות בכל התהליכים הקיימים בעסק, ובכך לעקוף את הצורך של חברות רבות לבנות ולאמן מודלים משלהן מהיסוד. לשם כך, החברה גם הודיעה לאחרונה על שילוב יכולות AI גנרטיביות בתוכנת משאבי האנוש שלה, Oracle Fusion Cloud Human Capital Management (HCM).

בנוסף:

• קוקה קולה משתמשת במחוללי טקסט ותמונות כדי להתאים אישית את מודעות הפרסומת שלה וליצור חוויות לקוח אישיות במיוחד.
• American Express, המובילה כבר זמן רב את השימוש ב-AI לזיהוי הונאות בכרטיסי אשראי, מפתחת יכולות לעסקים וצרכנים פרטיים באמצעות חברת הבת שלה, Amex Digital Labs.
• מחלקת הדיגיטל והבינה המלאכותית של הפנטגון מתנסה בחמישה מודלים של בינה מלאכותית גנרטיבית, שאליהם מוזנים נתונים מסווגים הנבדקים כדי לבחון איך אפשר להשתמש בהם כדי להציע אפשרויות יצירתיות חדשות שמנהיגים צבאיים בני אנוש מעולם לא חשבו עליהן בעבר.
• Duolingo משתמשת בבוט המופעל על ידי ChatGPT כדי לסייע ללומדי שפות זרות. הוא מספק הסברים מעמיקים על הסיבה שבגללה התשובות שהם נותנים לתרגילים הן נכונות או שגויות, באופן המחקה אינטראקציה עם מורה אנושי.
• Slack פרסמה צ'אטבוט שמטרתו לסייע לעובדי הלקוחות להפיק תובנות והמלצות ממאגר הידע המוסדי הנמצא בערוצי Slack של כל לקוח.

כלי בינה מלאכותית גנרטיבית

ChatGPT אומנם הפך לתופעה ויראלית, אבל ישנם שפע של כלי AI גנרטיביים הזמינים עבור כל מטרה. רק לכתיבה, לדוגמה, יש את Jasper, Lex, AI-Writer, Writer ורבים אחרים. בתחום יצירת התמונות, Midjourney, Stable Diffusion ו-Dall-E הם הפופולריים ביותר כיום.

בין עשרות מחוללי המוזיקה: AIVA, Soundful, Boomy, Amper, Dadabots ו-MuseNet. למרות שמתכנתים תמיד עבדו בשיתוף עם ChatGPT, יש גם שפע של כלים מיוחדים ליצירת קוד, כולל Codex, codeStarter, Tabnine, PolyCoder, Cogram ו-CodeT5.

ההיסטוריה של הבינה המלאכותית הגנרטיבית

אולי באופן מפתיע, הצעד הראשון בדרך למודלי הבינה המלאכותית הגנרטיביים שנמצאים בשימוש היום הגיע ב-1943, אותה שנה שבה הוצג המחשב החשמלי הניתן לתכנות הראשון – ה'קולוסוס', ששימש אז את בריטניה לפענוח מסרים מוצפנים במהלך מלחמת העולם השנייה. הצעד לקראת בינה מלאכותית היה מאמר מחקר שכותרתו "A Logical Calculus of Ideas Immanent in Nervous Activity", מאת וורן מק'קאלוק, פסיכיאטר ופרופסור באוניברסיטה הרפואית באילינוי , ווולטר פיטס, חוקר מוח חישובי שרכש את השכלתו באופן עצמאי.

פיטס, שהתברר כגאון מתמטי, ברח מהבית בגיל 15 והיה חסר בית כאשר פגש את מק'קאלוק, שהזמין את פיטס לגור עם משפחתו. התואר היחיד של פיטס היה תואר ראשון באומנויות שהוענק על ידי אוניברסיטת שיקגו לאחר שפרסם את המאמר רב-ההשפעה, שקבע את המתמטיקה הבסיסית שבאמצעותה נוירון מלאכותי "מחליט" אם לפלוט ערך של אחת או אפס.

הצעד השני מרחיק צפונה ומזרחה, לבאפלו, ניו יורק, ולפסיכולוג חוקר במעבדה האווירית קורנל בשם פרנק רוזנבלט. בפעילותו במסגרת מענק מטעם משרד המחקר הימי במחלקת חיל הים של ארצות הברית כחלק מפרויקט PARA של קורנל (Perceiving and Recognizing Automaton), רוזנבלט המשיך את הרעיונות המתמטיים של מק'קאלוק ופיטס ופיתח את ה'פרספטרון', רשת עצבית עם שכבה "נסתרת" אחת בין שכבות הקלט והפלט. לפני שבנה את גרסה 1 של הפרספטרון, שנמצאת כיום במכון סמית'סוניאן, רוזנבלט וחיל הים ביצעו הדמיה שלו במחשב IBM 704 לצורך הדגמה לציבור ביולי 1958. אבל הפרספטרון היה רשת עצבית כל כך פשוטה שהיא עוררה ביקורת מצד מדען המחשב של המכון הטכנולוגי של מסצ'וסטס, מרווין מינסקי, מייסד מעבדת הבינה המלאכותית של MIT. על פי הדיווחים, מינסקי ורוזנבלט התווכחו ביניהם בפומבי לגבי הכיוונים הפוטנציאלים של הפרספטרון בטווח הארוך, מה שגרם לרוב קהילת הבינה המלאכותית לנטוש את מחקר הרשת העצבית משנות ה-60' עד שנות ה-80'.

תקופה זו נודעה כ"חורף הבינה המלאכותית".

שדה המחקר על הרשת העצבית הפשיר בשנות ה-80' הודות לתרומתם של מספר חוקרים, ובעיקר פול ורבוס, שעבודתו הראשונית גילתה מחדש את הפרספטרון; ג'פרי הינטון; יהושע בנג'יו ויאן לה-קון. עבודתם המשולבת הדגימה את התועלת של רשתות עצביות גדולות ורב-שכבתיות והראתה כיצד רשתות כאלה יכולות ללמוד מהתשובות הנכונות והשגויות שלהן על ידי חלוקת ציונים באמצעות אלגוריתם הפצה לאחור. זאת הייתה ראשיתן של ארכיטקטורות RNN ו-CNN. אבל המגבלות של רשתות עצביות ראשוניות אלה, בשילוב עם ציפיות מוקדמות גבוהות מדי שלא ניתן היה לעמוד בהן בשל אותן מגבלות ובשל זמינות הכוח החישובי באותה תקופה, הובילו לחורף שני בתחום הבינה המלאכותית בשנות ה-90' ובתחילת שנות ה-00'.

אך הפעם, חוקרי רשתות עצביות רבים המשיכו בפועלם, כולל הינטון, בנג'יו ולה-קון. השלישייה, המכונה לעתים "הסנדקים של הבינה המלאכותית", זכו יחד בפרס טיורינג 2018 על עבודתם בשנות ה-80', על ההתמדה שלהם ועל תרומתם המתמשכת. עד אמצע שנות ה-10' נוצרו וריאציות חדשות ומגוונות של רשתות עצביות, כפי שתואר בסעיף על מודלים של בינה מלאכותית גנרטיבית.

עתידה של הבינה המלאכותית הגנרטיבית

ההשפעה שתהיה לבינה מלאכותית גנרטיבית על עסקים ועל האופן שבו אנשים עובדים עוד לא ידועה במלואה. אבל דבר אחד ברור: AI גנרטיבית זוכה להשקעות מאסיביות על פני ממדים רבים של מאמץ אנושי. קרנות הון סיכון, תאגידים מבוססים וכמעט כל עסק שביניהם משקיעים בסטארט-אפים של בינה מלאכותית גנרטיבית במהירות עצומה. ה"קסם" האוניברסלי של LLMs הוא היכולת המופלאה לתווך בין אינטראקציות אנושיות וביג דאטה, כדי לעזור לאנשים להבין מידע בעזרת הסברים פשוטים, ברורים ומהירים להפליא. הדבר מצביע על כך שבינה מלאכותית גנרטיבית תהיה מוטבעת במספר רב של יישומים קיימים ותגרום להמצאת גל שני של יישומים חדשים.

Gartner, למשל, צופה כי בינה מלאכותית שיחתית תשובץ ב-40% מהיישומים הארגוניים עד 2024, 30% מהארגונים יישמו אסטרטגיות פיתוח ובדיקה בעזרת בינה מלאכותית עד 2025 ויותר מ-100 מיליון עובדים יעבדו לצד "עמיתים רובוטיים" עד 2026.

כמובן, ייתכן שהסיכונים והמגבלות של בינה מלאכותית גנרטיבית יסכלו את התחזיות האלה. כוונון מודלים גנרטיביים כדי שילמדו את הניואנסים של מה שמייחד את העסק עשוי להתגלות כמשימה מסובכת מדי; הפעלת מודלים אלה, הדורשים יכולות מחשוב עצומות, עלולה להיות יקרה מדי; וייתכן שחברות רבות ייבהלו מהחשש לחשיפה בלתי-מכוונת של סודות מסחריים.

או שכל התחזיות יתממשו, אבל בקצב איטי בהרבה מהמצופה. חשוב לזכור שגם התחזיות המבטיחות לגבי האינטרנט התגשמו בסופו של דבר. אבל זה לקח עשר שנים יותר מכפי שניבא הדור הראשון של חובבי רשת, שבמהלכן נבנו או הומצאו התשתיות המתאימות ובני אדם התאימו את התנהגותם לאפשרויות שנבעו מהמדיום החדש. במובנים רבים, אינטליגנציה מלאכותית גנרטיבית גם היא מדיום חדש.

מובילי דעה רבים חושבים באופן מעמיק על העתיד של בינה מלאכותית גנרטיבית בעסקים.

"משמעות הדבר היא שיכול להיות שבעתיד נבנה חברות באופן שונה," אומר שון אמירטי, בעל קרן הון סיכון המכהן גם כפרופסור היזמות של בית הספר לעסקים ע"ש טפר באוניברסיטת קרנגי מלון והמייסד השותף של ה-Corporate Startup Lab באוניברסיטה. באותו אופן שבו לחברות "דיגיטליות" היה יתרון לאחר עליית האינטרנט, אמירטי צופה שחברות עתידיות שנבנו מהיסוד על אוטומציה המונעת על ידי בינה מלאכותית גנרטיבית יהיו המובילות בשוק.

"החברות האלה יהיו מוכוונות אוטומציה, אז הן לא יצטרכו ללמוד מחדש איך להפסיק לעשות באופן ידני דברים שעדיף לעשות באופן אוטומטי," הוא אומר. זה יכול להוביל לסוג חדש לגמרי של חברות."

אמצו בינה מלאכותית גנרטיבית בקלות עם Oracle

ל-Oracle יש לא רק היסטוריה ארוכה בעבודה עם יכולות בינה מלאכותית ושילובה במוצרים שלה – היא גם בחזית הפיתוח והפעילות של בינה מלאכותית גנרטיבית. Oracle Cloud Infrastructure משמש חברות מובילות המתמחות ב-AI גנרטיבית. ענן הדור הבא הזה יכול לספק את הפלטפורמה המושלמת לארגונים לצורך בנייה ופריסה של מודלים מתמחים של בינה מלאכותית הספציפיים לארגון ולתחומי הפעילות הפרטניים של העסק. כפי שהסביר אליסון מ-Oracle, "לכל מרכזי הנתונים של Oracle יש רשת RDMA (גישה ישירה לזיכרון מרחוק) עם רוחב פס גבוה וזמן השהיה קצר, הממוטבת באופן מושלם לבניית אשכולות GPU בקנה מידה גדול המשמשים לאימון מודלי שפה גדולים. הביצועים הגבוהים באופן קיצוני והחיסכון בעלויות כתוצאה מהפעלת עומסי העבודה של הבינה המלאכותית הגנרטיבית בענן הדור השני שלנו הפכו את Oracle לבחירה הטובה ביותר מכל החברות שמפתחות בינה מלאכותית ברמה מתקדמת."

השותפות של Oracle עם Cohere הובילה לקו חדש של מוצרי שירותי ענן עם בינה מלאכותית גנרטיבית. "שירות חדש זה מגן על פרטיותם של נתוני האימון של הלקוחות הארגוניים שלנו, ומאפשר ללקוחות אלה להשתמש בבטחה בנתונים הפרטיים שלהם כדי לאמן מודלי שפה גדולים מיוחדים," אמר אליסון.

סיפורה של הבינה המלאכותית הגנרטיבית התחיל לפני 80 שנה עם המתמטיקה של נער שברח מהבית והפך לתופעה ויראלית בסוף השנה שעברה, עם פרסומו של ChatGPT. החדשנות בתחום הבינה המלאכותית הגנרטיבית מאיצה במהירות, ועסקים בכל הגדלים ומכל התעשיות מתנסים ביכולות שלה ומשקיעים בהן. אבל לצד יכולותיה לשפר רבות את העבודה ואת החיים, בינה מלאכותית גנרטיבית מביאה עימה סיכונים גדולים, החל בהפסד בעבודה ועד – למי שמאמין לנבואות הזעם – לפוטנציאל להכחדה אנושית. מה שאנחנו יודעים בוודאות הוא שהשד יצא מהבקבוק – והוא לא חוזר פנימה.

שאלות נפוצות בנושא בינה מלאכותית גנרטיבית

מהי טכנולוגיית בינה מלאכותית גנרטיבית?

טכנולוגיית בינה מלאכותית גנרטיבית בנויה על תוכנות בארכיטקטורת רשת עצבית, המחקות את האופן שבו המוח האנושי עובד. רשתות עצביות אלה מאומנות על ידי הזנת כמות עצומה של נתונים בדגימות קטנות יחסית, שלאחריה מבקשים מהבינה המלאכותית לבצע תחזיות פשוטות, כגון המילה הבאה ברצף או הסדר הנכון של רצף משפטים. הרשת העצבית מקבלת משוב חיובי או שלילי על תשובות נכונות או שגויות, כך שהיא לומדת מהתהליך עד שהיא מסוגלת לבצע תחזיות טובות. בסופו של דבר, הטכנולוגיה מתבססת על נתוני האימון שלה ועל הלמידה שלה כדי להגיב בדרכים דמויות-אנוש לשאלות ומנחים אחרים.

מהי דוגמה לבינה מלאכותית גנרטיבית?

הדוגמה הידועה ביותר של בינה מלאכותית גנרטיבית כיום היא ChatGPT, המסוגל לקיים שיחות ברמה אנושית ולכתוב על מגוון רחב של נושאים. דוגמאות אחרות כוללות את Midjourney ו-Dall-E, היוצרים תמונות, וכן כלים רבים אחרים שיכולים להפיק טקסט, תמונות או קטעי וידאו ושמע.

מה ההבדל בין בינה מלאכותית לבינה מלאכותית גנרטיבית?

חשוב לציין שבינה מלאכותית גנרטיבית אינה טכנולוגיה שונה ביסודה מבינה מלאכותית מסורתית; הן קיימות בנקודות שונות על אותו הספקטרום. מערכות AI מסורתיות בדרך כלל מבצעות משימה ספציפית, כגון זיהוי הונאת כרטיסי אשראי. בדרך כלל, בינה מלאכותית גנרטיבית היא רחבה יותר ויכולה ליצור תכנים חדשים. חלק מהסיבה לכך היא שכלי הבינה המלאכותית הגנרטיביים מאומנים בערכות נתונים גדולות ומגוונות יותר בהשוואה לבינה מלאכותית מסורתית. בנוסף על כך, AI מסורתית מאומנת בדרך כלל באמצעות טכניקות למידה מונחית, בעוד AI גנרטיבית מאומנת באמצעות למידה ללא הנחיה.

מהי הסכנה שבבינה מלאכותית גנרטיבית?

בעולם ישנו שיח נרחב על הסיכונים האפשריים של AI גנרטיבית. בעלי דעות קיצוניות בצדדים מנוגדים של הדיון טוענים שהטכנולוגיה עלולה להוביל להכחדת האנושות מצד אחד, או להציל את העולם מצד שני. מה שיותר סביר הוא שבינה מלאכותית תוביל להיעלמותן של עבודות קיימות רבות. ארגונים צריכים להיות מודאגים לגבי האופן שבו בינה מלאכותית גנרטיבית תוביל לשינויים בתהליכי העבודה ובתפקידים בעבודה, כמו גם לגבי הפוטנציאל שלה לחשוף מידע פרטי או רגיש שלא במתכוון או להפר זכויות יוצרים.

מהם השימושים של בינה מלאכותית גנרטיבית?

בינה מלאכותית גנרטיבית יכולה להיות שימושית ביותר כשהיא פועלת לצד משתפי פעולה אנושיים – למשל, כדי לסייע בסיעור מוחות ומציאת רעיונות חדשים ובהכשרת עובדים על דיסציפלינות דומות. היא גם יכולה לשמש ככלי נהדר המסייע לאנשים לנתח נתונים לא-מובנים במהירות רבה יותר . באופן כללי יותר, היא יכולה להועיל לעסקים על ידי שיפור הפרודוקטיביות, הפחתת העלויות, שיפור שביעות רצון הלקוחות, מתן מידע טוב יותר לקבלת החלטות והאצת קצב פיתוח המוצרים.

מה בינה מלאכותית גנרטיבית אינה יכולה לעשות?

בינה מלאכותית גנרטיבית לא יכולה להמציא רעיונות חדשים שלא באו לידי ביטוי קודם לכן בנתוני האימון שלה, או לפחות נוצרו תוך כדי אקסטרפולציה של הנתונים האלה. בנוסף, אסור להשאיר אותה לבד. בינה מלאכותית גנרטיבית דורשת פיקוח אנושי, והיא פועלת באופן מיטבי רק במסגרת שיתופי פעולה בין AI ובני אדם.

אילו תעשיות משתמשות בבינה מלאכותית גנרטיבית?

הודות ליכולות הרחבות שלה, בינה מלאכותית גנרטיבית יכולה להיות שימושית כמעט בכל תעשייה.

כיצד תשפיע בינה מלאכותית גנרטיבית על אופי העבודה בעתיד?

לבינה מלאכותית גנרטיבית יש השפעה גדולה על עבודת הידע, פעילויות שבהן בני אדם עובדים יחד ו/או מקבלים החלטות עסקיות. לכל הפחות, עובדי הידע יצטרכו להסתגל לעבודה בשיתוף פעולה עם כלי AI גנרטיביים, וחלק מהעבודות ייעלמו. עם זאת, ההיסטוריה מוכיחה כי שינויים טכנולוגיים כמו זה הצפוי להתרחש עקב בינה מלאכותית גנרטיבית מובילים תמיד ליצירת יותר מקומות עבודה ממה שהם מעלימים.