- Инновации
Традиционный ИИ против генеративного ИИ: понимание их различий
Последнее десятилетие стало свидетелем беспрецедентного технологического ускорения. То, что начиналось как инструмент автоматизации рутинных процессов, превратилось в двигатель созидания, бросающий вызов нашему восприятию технологий. Сегодня искусственный интеллект (ИИ) — это уже не обещание будущего или концепция, ограниченная исследовательскими лабораториями или крупными компаниями в Силиконовой долине. Это осязаемая реальность, присутствующая в нашей повседневной жизни и, все более решительно, в стратегиях трансформации государственных и частных организаций.
Однако под общим термином «искусственный интеллект» сосуществуют различные парадигмы, которые часто путают. Появление таких революционных моделей, как ChatGPT, поставило генеративный ИИ в центр всех дискуссий, но нельзя забывать и о традиционном, или предиктивном, ИИ, который уже много лет поддерживает важнейшие инфраструктуры нашего общества. Для государственных администраций понимание различия между ними — это не просто академический вопрос; это стратегическая необходимость — решить, какой инструмент применять для решения каждой задачи, чтобы улучшить обслуживание граждан.
Что такое традиционный ИИ: ценность точности и исторических данных.
Традиционный искусственный интеллект, часто называемый предиктивным или дискриминативным ИИ, — это технология, которая наиболее постоянно сопровождает нас в последние годы. Его работа основана на анализе больших объемов прошлых данных с четкой целью: выявление закономерностей, классификация информации или прогнозирование будущего поведения.
Эта технология не «создает» ничего нового. Ее ценность заключается в аналитических возможностях и принятии решений на основе фактических данных. Когда традиционная система искусственного интеллекта получает входные данные, она использует статистические правила и алгоритмы машинного обучения для определения вероятности или категории. По сути, это инструмент оптимизации и классификации.
В деловом мире примеры традиционного искусственного интеллекта встречаются повсюду. Наиболее известный пример — системы рекомендаций таких платформ, как Spotify или Netflix: они анализируют то, что вы слушали или смотрели ранее, чтобы с удивительной точностью предложить следующий контент. В сфере логистики и энергетики такие компании, как Walmart или Red Eléctrica de España, используют его для прогнозирования спроса на основе погодных условий или местных событий, обеспечивая соответствие предложения реальным условиям. Даже в сфере кибербезопасности системы Visa и Mastercard обнаруживают мошенничество в режиме реального времени, выявляя транзакции, отклоняющиеся от привычного поведения пользователя.
Такая надежность делает традиционный ИИ незаменимым в критически важных средах, где точность является вопросом безопасности, например, при медицинской диагностике по изображениям или управлении электрическими сетями.
Генеративный ИИ: скачок к синтезу нового контента.
Если традиционный ИИ анализирует мир, то генеративный ИИ, похоже, стремится описать, изобразить или запрограммировать его. Этот подход стал предметом недавнего медийного и технологического взрыва благодаря своей способности создавать оригинальный контент — будь то текст, изображения, музыка, видео или компьютерный код — на основе простых запросов на естественном языке.
Однако необходимо развеять мифы о понятии «творчество» в генеративном искусственном интеллекте. В отличие от человеческого разума, эти модели не обладают искрами вдохновения или сознанием. Это чрезвычайно сложные статистические модели, обученные на огромных массивах существующей информации. Они изучают распределение вероятностей элементов, составляющих набор данных (например, какое слово обычно следует за другим в данном контексте), чтобы генерировать результаты, которые кажутся человечными и правдоподобными.
Применение этой технологии революционно. В области текстовой обработки чат-боты на основе языковых моделей (LLM) могут писать сложные отчеты, обобщать объемные документы или выступать в качестве гораздо более сложных виртуальных помощников, чем традиционные. В дизайне такие инструменты, как DALL·E или Midjourney, создают иллюстрации на основе текстовых описаний, а в технической сфере такие инструменты, как GitHub Copilot, совершают революцию в программировании, предлагая фрагменты кода и автоматически исправляя ошибки.
По мнению ведущих консалтинговых компаний, таких как Gartner, генеративный ИИ потенциально может обеспечить значительную окупаемость инвестиций (ROI), но они предупреждают, что его успех зависит от надежного управления. В отличие от традиционного ИИ, генеративный ИИ несет в себе риски, которыми сложнее управлять, такие как алгоритмические искажения (воспроизведение предрассудков, присутствующих в обучающих данных), так называемые «галлюцинации» (генерация ложной информации, выдающей себя за правду) и открытые дискуссии о конфиденциальности и авторском праве.
Принципиальные различия: как выбрать подходящую технологию
Для любого государственного служащего или менеджера по цифровой трансформации крайне важно знать, когда следует использовать тот или иной тип ИИ. Речь идет не о выборе самого современного, а о выборе наиболее подходящего для конкретной цели.
Традиционный ИИ — это выигрышный вариант, когда цель состоит в прогнозировании и оптимизации. Если администрация хочет спрогнозировать рабочую нагрузку в офисе по обслуживанию граждан на следующий месяц или выявить закономерности рисков в сфере общественного здравоохранения, ей необходима точность исторических данных. Он также идеально подходит для обнаружения аномалий, таких как выявление возможных ошибок в обработке файлов или обнаружение несанкционированного доступа к критически важным системам.
С другой стороны, генеративный ИИ — идеальный инструмент, когда нам нужно создавать, синтезировать или персонализировать. Он непревзойден в быстром прототипировании идей, в создании образовательного контента, адаптированного к разным уровням, или в упрощении административного языка, чтобы сделать его более понятным для граждан.
Одна из новых тенденций, отмеченных Gartner, — это так называемый «композитный ИИ». Эта стратегия не выбирает один из двух вариантов, а интегрирует несколько моделей для решения сложных задач. Например, традиционный ИИ может анализировать данные о потреблении энергии в общественном здании, и как только будет обнаружена неэффективность, генеративный ИИ сможет автоматически составить персонализированный отчет с рекомендациями для управляющих этим зданием.
Влияние на государственный сектор: опыт AOC.
В системе открытого управления Каталонии (AOC) искусственный интеллект перестал быть экспериментом и стал реальностью, интегрируемой в повседневную работу наших решений. На государственный сектор возложена дополнительная ответственность: обеспечить использование этих технологий для создания общественной ценности, всегда с соблюдением основных прав граждан.
В области традиционного искусственного интеллекта AOC и другие администрации уже изучают автоматизированные системы принятия решений для оптимизации процедур, которые ранее требовали недель ручной проверки. Прогнозирование рабочей нагрузки позволяет лучше планировать человеческие ресурсы, обеспечивая бесперебойную работу служб в пиковые периоды.
Что касается генеративного ИИ, потенциал огромен. Разрабатываются чат-боты для обслуживания граждан, которые не только предоставляют заранее заданные ответы, но и способны понимать намерения пользователя, направлять его по процедуре и упрощать сложные действия. Недавние европейские исследования показывают, что внедрение этих инструментов может сэкономить миллионы часов в год для государственных служащих, позволяя им посвятить себя задачам с большей добавленной стоимостью и более прямым вниманием, в то время как ИИ возьмет на себя самую обременительную бюрократию. По оценкам, производительность труда в целом в административном секторе может повыситься до 9%.
Однако этот путь не лишен трудностей. Администрации сталкиваются с фрагментацией данных (данные хранятся в разных организациях и часто не обсуждаются друг с другом) и необходимостью строгого соблюдения Общего регламента по защите данных (GDPR) и Закона о защите персональных данных (LOPDGDD). Кроме того, существует юридическая и демократическая обязанность обеспечения алгоритмической прозрачности: граждане имеют право знать, когда они взаимодействуют с ИИ и какие критерии были соблюдены при принятии решения, затрагивающего их интересы.
На пути к этичному и ответственному управлению
Для того чтобы революция в области ИИ принесла реальную пользу, необходимо выйти за рамки простой технической реализации. AOC придерживается стратегии, основанной на четырех фундаментальных столпах:
- Управление и этика: Необходимо установить четкие нормативно-правовые и процедурные рамки. Мы не можем допустить развития технологий без человеческого контроля, который обеспечит справедливость и исключит предвзятость.
- Обучение: Технология сама по себе не является ни хорошей, ни плохой; её влияние зависит от того, как люди её используют, проектируют и управляют ею. Именно поэтому крайне важно обучать государственных служащих не только использованию инструментов, но и важнейшим цифровым навыкам, таким как... быстрый инжиниринг (искусство задавать правильные вопросы искусственному интеллекту) и критическая интерпретация результатов.
- Стратегия постепенного развития: Наилучший путь — начать с конкретных, контролируемых сценариев использования, учиться на ошибках и масштабировать успешные решения с помощью комбинированного ИИ.
- Приоритет общественной ценности: Вопрос должен звучать не «что может сделать ИИ?», а «как ИИ может помочь нам предоставлять более качественные услуги, сокращать неравенство и гарантировать права граждан?».
Заключение: Общее будущее
Короче говоря, традиционный ИИ и генеративный ИИ не являются конкурентами в технологической гонке; это два взаимодополняющих инструмента в одном и том же пространстве. В то время как первый обеспечивает нам стабильность, точность и память данных, второй предлагает универсальность, синтез и более естественное взаимодействие — например, голос или повседневный письменный язык — которое облегчает человеку работу со сложными системами.
В AOC четко определена цель: использовать преимущества обоих подходов для построения более гибкой, интеллектуальной и, прежде всего, более ориентированной на потребности людей системы управления. Цифровая трансформация — это уже не вариант, а путь к обеспечению устойчивости и качества государственных услуг в XXI веке.