Ko var paveikt ar ģeneratīvo mākslīgo intelektu bez cilvēka iejaukšanās?

Kopsavilkums

Ģeneratīvais mākslīgais intelekts (MI) – tehnoloģija, kas ļauj mašīnām radīt tekstu, attēlus, kodu un citus elementus – pēdējos gados ir piedzīvojusi strauju izaugsmi. Šajā informatīvajā dokumentā sniegts viegli uztverams pārskats par to, ko ģeneratīvais MI var droši paveikt šodien bez cilvēka iejaukšanās un ko tas, domājams, paveiks nākamajā desmitgadē. Mēs aplūkojam tā izmantošanu rakstīšanā, mākslā, kodēšanā, klientu apkalpošanā, veselības aprūpē, izglītībā, loģistikā un finansēs, izceļot jomas, kurās MI darbojas autonomi un kurās cilvēka uzraudzība joprojām ir izšķiroša. Ir iekļauti reālās pasaules piemēri, lai ilustrētu gan panākumus, gan ierobežojumus. Galvenie secinājumi ir šādi:

• Plaša ieviešana: 2024. gadā 65% aptaujāto uzņēmumu ziņoja, ka regulāri izmanto ģeneratīvo mākslīgo intelektu — gandrīz divreiz vairāk nekā iepriekšējā gadā ( Mākslīgā intelekta stāvoklis 2024. gada sākumā | McKinsey ). Lietojumprogrammas aptver mārketinga satura veidošanu, klientu atbalsta tērzēšanas robotus, koda ģenerēšanu un citas.

• Pašreizējās autonomās iespējas: Mūsdienu ģeneratīvais mākslīgais intelekts (MI) droši apstrādā strukturētus, atkārtotus uzdevumus ar minimālu uzraudzību. Piemēri ietver automātisku formulētu ziņu ziņojumu ģenerēšanu (piemēram, uzņēmumu peļņas kopsavilkumus) ( Filana Patersone – ONA kopienas profils ), produktu aprakstu un apskatu izcelšanu e-komercijas vietnēs un koda automātisku pabeigšanu. Šajās jomās MI bieži papildina cilvēku darbiniekus, pārņemot ikdienas satura ģenerēšanu.

• Cilvēka iesaistīšana sarežģītu uzdevumu veikšanai: Sarežģītākiem vai atvērtākiem uzdevumiem, piemēram, radošai rakstīšanai, detalizētai analīzei vai medicīnisku padomu sniegšanai, parasti joprojām ir nepieciešama cilvēka uzraudzība, lai nodrošinātu faktu precizitāti, ētisku spriedumu un kvalitāti. Mūsdienās daudzos mākslīgā intelekta ieviešanas gadījumos tiek izmantots “cilvēka iesaistīšanās” modelis, kurā mākslīgais intelekts izstrādā satura melnrakstu un cilvēki to pārskata.

• Tuvākā termiņa uzlabojumi: Tiek prognozēts, ka nākamo 5–10 gadu laikā ģeneratīvais mākslīgais intelekts (MI) kļūs daudz uzticamāks un autonomāks . Modeļu precizitātes un aizsargbarjeru mehānismu attīstība varētu ļaut MI apstrādāt lielāku daļu radošo un lēmumu pieņemšanas uzdevumu ar minimālu cilvēka ieguldījumu. Piemēram, eksperti prognozē, ka līdz 2030. gadam MI reāllaikā apstrādās lielāko daļu klientu apkalpošanas mijiedarbību un lēmumu ( Lai atkārtoti iztēlotos pāreju uz klientu pieredzi, tirgotājiem ir jādara šīs 2 lietas ), un lielu filmu varētu veidot ar 90% MI ģenerēta satura ( Ģeneratīvā MI lietošanas gadījumi nozarēm un uzņēmumiem ).

• Līdz 2035. gadam: Pēc desmit gadiem mēs sagaidām, ka autonomi mākslīgā intelekta aģenti kļūs par ikdienišķu parādību daudzās jomās. Mākslīgā intelekta pasniedzēji varētu sniegt personalizētu izglītību plašā mērogā, mākslīgā intelekta asistenti varētu uzticami sagatavot juridiskus līgumus vai medicīniskos ziņojumus ekspertu apstiprināšanai, un pašbraucošas sistēmas (ar ģeneratīvās simulācijas palīdzību) varētu vadīt loģistikas operācijas no sākuma līdz beigām. Tomēr noteiktās jutīgās jomās (piemēram, svarīgu medicīnisko diagnozju, galīgo juridisko lēmumu pieņemšanā) drošības un atbildības labad, visticamāk, joprojām būs nepieciešama cilvēka spriestspēja.

• Ētiskās un uzticamības problēmas: Līdz ar mākslīgā intelekta autonomijas pieaugumu pieaug arī bažas. Mūsdienu problēmas ietver halucinācijas (mākslīgais intelekts izdomā faktus), neobjektivitāti ģenerētajā saturā, pārredzamības trūkumu un iespējamu ļaunprātīgu izmantošanu dezinformācijas nolūkos. Ir ārkārtīgi svarīgi nodrošināt, lai mākslīgajam intelektam varētu uzticēties , ja tas darbojas bez uzraudzības. Tiek gūti panākumi, piemēram, organizācijas vairāk iegulda risku mazināšanā (risinot precizitātes, kiberdrošības un intelektuālā īpašuma jautājumus) ( Mākslīgā intelekta stāvokļa globālā aptauja | McKinsey ), taču ir nepieciešamas stabilas pārvaldības un ētikas sistēmas.

• Šī raksta struktūra: Mēs sākam ar ievadu ģeneratīvajā mākslīgajā intelektā un autonomas un uzraudzītas lietošanas koncepcijā. Pēc tam katrā galvenajā jomā (rakstīšana, māksla, kodēšana utt.) mēs apspriežam, ko mākslīgais intelekts var droši paveikt šodien, salīdzinot ar to, kas ir nākotnē. Noslēgumā mēs aplūkojam starpnozaru izaicinājumus, nākotnes prognozes un ieteikumus ģeneratīvā mākslīgā intelekta atbildīgai izmantošanai.

Kopumā ģeneratīvais mākslīgais intelekts jau ir pierādījis spēju tikt galā ar pārsteidzoši plašu uzdevumu klāstu bez pastāvīgas cilvēka vadības. Izprotot tā pašreizējos ierobežojumus un nākotnes potenciālu, organizācijas un sabiedrība var labāk sagatavoties laikmetam, kurā mākslīgais intelekts nav tikai instruments, bet gan autonoms līdzstrādnieks darbā un radošumā.

Ievads

Mākslīgais intelekts jau sen spēj analizēt datus, taču tikai nesen AI sistēmas ir iemācījušās radīt – rakstīt prozu, veidot attēlus, programmēt programmatūru un veikt citas darbības. Šie ģeneratīvie AI modeļi (piemēram, GPT-4 tekstam vai DALL·E attēliem) tiek apmācīti, izmantojot milzīgus datu kopumus, lai radītu jaunu saturu, reaģējot uz norādēm. Šis sasniegums ir izraisījis inovāciju vilni dažādās nozarēs. Tomēr rodas kritisks jautājums: ko mēs patiesībā varam uzticēt AI paveikt pašam, bez cilvēka dubultas tā izvades pārbaudes?

Lai atbildētu uz šo jautājumu, ir svarīgi nošķirt uzraudzītu un autonomu mākslīgā intelekta lietojumu:

• Cilvēka uzraudzīts mākslīgais intelekts attiecas uz scenārijiem, kuros mākslīgā intelekta rezultātus pirms to pabeigšanas pārskata vai atlasa cilvēki. Piemēram, žurnālists var izmantot mākslīgā intelekta rakstīšanas palīgu, lai uzrakstītu rakstu, bet redaktors to rediģē un apstiprina.

• Autonoms mākslīgais intelekts (MI bez cilvēka iejaukšanās) attiecas uz MI sistēmām, kas veic uzdevumus vai ģenerē saturu, kas tiek tieši izmantots, ar minimālu vai bez cilvēka iejaukšanās. Piemērs ir automatizēts tērzēšanas robots, kas atrisina klienta vaicājumu bez cilvēka iejaukšanās, vai ziņu aģentūra, kas automātiski publicē MI ģenerētu sporta rezultātu kopsavilkumu.

Ģeneratīvais mākslīgais intelekts (MI) jau tiek ieviests abos režīmos. Laikā no 2023. līdz 2025. gadam tā ieviešana ir strauji pieaugusi , un organizācijas labprāt eksperimentē. Vienā globālā aptaujā 2024. gadā tika konstatēts, ka 65% uzņēmumu regulāri izmanto ģeneratīvo MI, salīdzinot ar aptuveni vienu trešdaļu tikai gadu iepriekš ( MI stāvoklis 2024. gada sākumā | McKinsey ). Arī privātpersonas ir pieņēmušas tādus rīkus kā ChatGPT – tiek lēsts, ka 79% profesionāļu līdz 2023. gada vidum bija vismaz kaut kāda saskarsme ar ģeneratīvo MI ( MI stāvoklis 2023. gadā: Ģeneratīvā MI izrāviena gads | McKinsey ). Šo straujo ieviešanu veicina efektivitātes un radošuma pieauguma solījums. Tomēr tas joprojām ir "sākumposmā", un daudzi uzņēmumi joprojām formulē politikas par to, kā atbildīgi izmantot MI ( MI stāvoklis 2023. gadā: Ģeneratīvā MI izrāviena gads | McKinsey ).

Kāpēc autonomija ir svarīga: Ļaujot mākslīgajam intelektam darboties bez cilvēka uzraudzības, var panākt milzīgus efektivitātes ieguvumus — pilnībā automatizēt garlaicīgus uzdevumus —, taču tas arī paaugstina uzticamības līmeni. Autonomam mākslīgā intelekta aģentam ir jāizpilda visas darbības pareizi (vai jāzina savas robežas), jo reāllaikā var nebūt cilvēka, kas pamanītu kļūdas. Daži uzdevumi to spēj labāk nekā citi. Parasti mākslīgais intelekts vislabāk darbojas autonomi, ja:

• Uzdevumam ir skaidra struktūra vai modelis (piemēram, rutīnas pārskatu ģenerēšana no datiem).

• Kļūdas ir ar zemu risku vai viegli panesamas (piemēram, attēla ģenerēšana, ko var atmest, ja tā ir neapmierinoša, salīdzinot ar medicīnisku diagnozi).

• Ir pieejams daudz apmācības datu , kas aptver scenārijus, tāpēc mākslīgā intelekta izvade ir balstīta uz reāliem piemēriem (samazinot minējumus).

Turpretī uzdevumi, kas ir atvērta tipa , ar augstām likmēm vai prasa niansētu spriedumu, mūsdienās ir mazāk piemēroti nekādai uzraudzībai.

Turpmākajās sadaļās mēs aplūkosim dažādas jomas, lai noskaidrotu, ko ģeneratīvais mākslīgais intelekts dara pašlaik un kas gaidāms tālāk. Mēs aplūkosim konkrētus piemērus – sākot ar mākslīgā intelekta rakstītiem ziņu rakstiem un mākslīgā intelekta ģenerētiem mākslas darbiem, beidzot ar koda rakstīšanas asistentiem un virtuāliem klientu apkalpošanas aģentiem –, izceļot, kurus uzdevumus mākslīgais intelekts var veikt no sākuma līdz beigām un kuriem joprojām ir nepieciešams cilvēks. Katrā jomā mēs skaidri nodalām pašreizējās iespējas (aptuveni 2025. gadā) no reālistiskām prognozēm par to, kas varētu būt uzticams līdz 2035. gadam.

Kartējot autonomā mākslīgā intelekta tagadni un nākotni dažādās jomās, mūsu mērķis ir sniegt lasītājiem līdzsvarotu izpratni: ne pārspīlējot mākslīgā intelekta kā maģiski nekļūdīga elementa uzskatīšanu, ne arī nenovērtējot tā ļoti reālās un augošās kompetences. Balstoties uz šo pamatu, mēs pēc tam apspriežam galvenās problēmas, kas saistītas ar uzticēšanos mākslīgajam intelektam bez uzraudzības, tostarp ētiskos apsvērumus un riska pārvaldību, pirms noslēdzam ar galvenajiem secinājumiem.

Ģeneratīvais mākslīgais intelekts rakstīšanā un satura veidošanā

Viena no pirmajām jomām, kurā ģeneratīvā mākslīgā intelekta ieviešana guva lielu popularitāti, bija teksta ģenerēšana. Lieli valodu modeļi var radīt visu, sākot no ziņu rakstiem un mārketinga tekstiem līdz sociālo mediju ierakstiem un dokumentu kopsavilkumiem. Bet cik daudz no šī rakstīšanas var paveikt bez cilvēka redaktora?

Pašreizējās iespējas (2025. gads): mākslīgais intelekts kā ikdienas satura automātiskais rakstītājs

Mūsdienās ģeneratīvais mākslīgais intelekts (AI) droši apstrādā dažādus ikdienas rakstīšanas uzdevumus ar minimālu vai bez cilvēka iejaukšanās. Spilgts piemērs ir žurnālistika: Associated Press gadiem ilgi izmanto automatizāciju, lai katru ceturksni ģenerētu tūkstošiem uzņēmumu peļņas pārskatu tieši no finanšu datu plūsmām ( Filana Patersone – ONA kopienas profils ). Šīs īsās ziņas atbilst veidnei (piemēram, “Uzņēmums X ziņoja par peļņu Y apmērā, pieaugums Z%...”), un AI (izmantojot dabiskās valodas ģenerēšanas programmatūru) var aizpildīt skaitļus un vārdus ātrāk nekā jebkurš cilvēks. AP sistēma publicē šos pārskatus automātiski, ievērojami paplašinot to aptvērumu (vairāk nekā 3000 stāstu ceturksnī), neizmantojot cilvēku rakstniekus ( Automatizētie peļņas pārskati vairojas | The Associated Press ).

Līdzīgi ir paplašināta arī sporta žurnālistika: mākslīgā intelekta sistēmas var ņemt sporta spēļu statistiku un ģenerēt kopsavilkumus. Tā kā šīs jomas ir balstītas uz datiem un veidotas pēc formulām, kļūdas ir reti sastopamas, ja vien dati ir pareizi. Šādos gadījumos mēs redzam patiesu autonomiju – mākslīgais intelekts raksta, un saturs tiek nekavējoties publicēts.

Uzņēmumi izmanto arī ģeneratīvo mākslīgo intelektu (AI), lai izstrādātu produktu aprakstus, e-pasta jaunumus un citu mārketinga saturu. Piemēram, e-komercijas gigants Amazon tagad izmanto AI, lai apkopotu klientu atsauksmes par produktiem. AI skenē daudzu individuālu atsauksmju tekstu un izveido kodolīgu izcēluma rindkopu par to, kas cilvēkiem patīk vai nepatīk par preci, kas pēc tam tiek parādīta produkta lapā bez manuālas rediģēšanas ( Amazon uzlabo klientu atsauksmju pieredzi, izmantojot AI ). Zemāk ir redzams šīs funkcijas attēlojums Amazon mobilajā lietotnē, kur sadaļu “Klientu atsauksmes” pilnībā ģenerē AI no atsauksmju datiem:

( Amazon uzlabo klientu atsauksmju pieredzi, izmantojot mākslīgo intelektu ) Mākslīgā intelekta ģenerēts atsauksmju kopsavilkums e-komercijas produkta lapā. Amazon sistēma apkopo lietotāju atsauksmju kopīgos punktus (piemēram, lietošanas ērtumu, veiktspēju) īsā rindkopā, kas pircējiem tiek parādīta kā “mākslīgā intelekta ģenerēts no klientu atsauksmju teksta”.

Šādi lietošanas gadījumi parāda, ka, ja saturs atbilst paredzamam modelim vai tiek apkopots no esošajiem datiem, mākslīgais intelekts bieži vien var to apstrādāt patstāvīgi . Citi pašreizējie piemēri ir šādi:

• Laika apstākļu un satiksmes atjauninājumi: plašsaziņas līdzekļi izmanto mākslīgo intelektu, lai apkopotu ikdienas laika apstākļu ziņojumus vai satiksmes ziņojumus, pamatojoties uz sensoru datiem.

• Finanšu pārskati: Uzņēmumi automātiski ģenerē vienkāršus finanšu kopsavilkumus (ceturkšņa rezultātus, akciju tirgus apskatus). Kopš 2014. gada Bloomberg un citi ziņu avoti ir izmantojuši mākslīgo intelektu (AI), lai palīdzētu rakstīt ziņu aprakstus par uzņēmumu peļņu — process, kas lielākoties notiek automātiski, tiklīdz dati ir ievadīti ( AP "robotžurnālisti" tagad raksta savus stāstus | The Verge ) ( Vaiomingas reportieris pieķerts, izmantojot mākslīgo intelektu, lai izveidotu viltotus citātus un stāstus ).

• Tulkošana un transkripcija: Transkripcijas pakalpojumi tagad izmanto mākslīgo intelektu, lai izveidotu sanāksmju transkriptus vai parakstus bez cilvēku mašīnrakstītāju klātbūtnes. Lai gan šie valodas uzdevumi nav ģeneratīvi radošā nozīmē, tie darbojas autonomi ar augstu precizitāti, nodrošinot skaidru audio.

• Melnrakstu ģenerēšana: daudzi profesionāļi izmanto tādus rīkus kā ChatGPT, lai veidotu e-pasta ziņojumu melnrakstus vai dokumentu pirmās versijas, dažkārt nosūtot tos ar nelielām vai bez rediģēšanas, ja saturam ir zems risks.

Tomēr sarežģītākai prozai cilvēka uzraudzība joprojām ir norma 2025. gadā . Ziņu organizācijas reti publicē pētnieciskus vai analītiskus rakstus tieši no mākslīgā intelekta (MI) – redaktori pārbauda faktus un uzlabo MI rakstītus melnrakstus. MI var atdarināt stilu un struktūru , taču var ieviest faktu kļūdas (bieži sauktas par “halucinācijām”) vai neveiklas frāzes, kas cilvēkam ir jāpamana. Piemēram, vācu laikraksts Express ieviesa MI “digitālo kolēģi” vārdā Klara, lai palīdzētu rakstīt sākotnējos ziņu rakstus. Klara var efektīvi sagatavot sporta ziņojumus un pat rakstīt virsrakstus, kas piesaista lasītājus, veidojot 11% no Express rakstiem, taču cilvēku redaktori joprojām pārskata katru rakstu, lai pārliecinātos par precizitāti un žurnālistisko integritāti, īpaši sarežģītos stāstos ( 12 veidi, kā žurnālisti izmanto MI rīkus ziņu telpā – Twipe ). Šī cilvēka un MI partnerība mūsdienās ir izplatīta: MI veic smago teksta ģenerēšanas darbu, un cilvēki veic atlasi un labojumus pēc nepieciešamības.

Perspektīva 2030.–2035. gadam: ceļā uz uzticamu autonomu rakstīšanu

Nākamās desmitgades laikā mēs sagaidām, ka ģeneratīvais mākslīgais intelekts kļūs daudz uzticamāks augstas kvalitātes, faktiski pareiza teksta ģenerēšanā, kas paplašinās rakstīšanas uzdevumu klāstu, ko tas var veikt autonomi. To apstiprina vairākas tendences:

• Uzlabota precizitāte: Pastāvīgie pētījumi strauji samazina mākslīgā intelekta tieksmi radīt nepatiesu vai neatbilstošu informāciju. Līdz 2030. gadam uzlaboti valodu modeļi ar labāku apmācību (tostarp metodēm faktu pārbaudei datubāzēs reāllaikā) varētu panākt gandrīz cilvēka līmeņa faktu pārbaudi iekšēji. Tas nozīmē, ka mākslīgais intelekts varētu automātiski izveidot pilnu ziņu rakstu ar pareiziem citātiem un statistiku, kas iegūta no avota materiāla, un tam nepieciešama neliela rediģēšana.

• Konkrētām jomām specifiski mākslīgie intelekti: Mēs redzēsim specializētākus ģeneratīvos modeļus, kas ir pielāgoti noteiktām jomām (juridiskajai, medicīniskajai, tehniskajai rakstīšanai). 2030. gada juridiskais mākslīgā intelekta modelis varētu uzticami izstrādāt standarta līgumus vai apkopot tiesu praksi — uzdevumus, kuru struktūra ir formula, bet pašlaik prasa jurista laiku. Ja mākslīgais intelekts ir apmācīts darbā ar apstiprinātiem juridiskiem dokumentiem, tā melnraksti varētu būt pietiekami uzticami, lai jurists uz tiem varētu paskatīties tikai ātri un galīgi.

• Dabisks stils un saskaņotība: Modeļi arvien labāk saglabā kontekstu garos dokumentos, kā rezultātā tiek panākts saskaņotāks un precīzāks garās formas saturs. Līdz 2035. gadam ir ticams, ka mākslīgais intelekts pats varētu izveidot pienācīgu dokumentālās grāmatas vai tehniskās rokasgrāmatas pirmo melnrakstu, cilvēkiem galvenokārt veicot konsultatīvu lomu (lai noteiktu mērķus vai sniegtu specializētas zināšanas).

Kā tas varētu izskatīties praksē? Rutīnas žurnālistika noteiktos laikos varētu kļūt gandrīz pilnībā automatizēta. Mēs varētu redzēt ziņu aģentūru 2030. gadā, kurā mākslīgā intelekta sistēma raksta katra peļņas pārskata, sporta stāsta vai vēlēšanu rezultātu atjauninājuma pirmo versiju, un redaktors kvalitātes nodrošināšanai atlasa tikai dažus. Patiešām, eksperti prognozē, ka arvien pieaugoša tiešsaistes satura daļa tiks ģenerēta ar mašīnām – viena no nozares analītiķu drosmīgajām prognozēm liecina, ka līdz 2026. gadam līdz pat 90% tiešsaistes satura varētu būt ģenerēts ar mākslīgā intelekta palīdzību ( By 2026, Online Content Generated by Non-humans Will Vastly Outnumber Human Generated Content — OODAloop ), lai gan šis skaitlis ir diskutabls. Pat konservatīvāks rezultāts nozīmētu, ka līdz 2030. gadu vidum lielāko daļu ikdienas tīmekļa rakstu, produktu tekstu un varbūt pat personalizētu ziņu plūsmu veido mākslīgais intelekts.

Mārketinga un korporatīvajā komunikācijā ģeneratīvajam mākslīgajam intelektam, visticamāk, tiks uzticēta veselu kampaņu autonoma vadīšana. Tas varētu ģenerēt un nosūtīt personalizētus mārketinga e-pastus, ierakstus sociālajos medijos un reklāmas tekstu variācijas, pastāvīgi pielāgojot vēstījumu, pamatojoties uz klientu reakcijām, — un tas viss bez cilvēka-tekstu autora līdzdalības. Gartner analītiķi prognozē, ka līdz 2025. gadam vismaz 30% lielo uzņēmumu izejošo mārketinga ziņojumu tiks sintētiski ģenerēti ar mākslīgā intelekta palīdzību ( Ģeneratīvā mākslīgā intelekta lietošanas gadījumi nozarēm un uzņēmumiem ), un šis procentuālais daudzums līdz 2030. gadam tikai pieaugs.

Tomēr ir svarīgi atzīmēt, ka cilvēka radošumam un spriestspējai joprojām būs nozīme, īpaši attiecībā uz saturu ar augstām likmēm . Līdz 2035. gadam mākslīgais intelekts varētu pats apstrādāt preses relīzi vai emuāra ierakstu, bet pētnieciskajā žurnālistikā, kas saistīta ar atbildību vai sensitīvām tēmām, plašsaziņas līdzekļi joprojām varētu uzstāt uz cilvēka uzraudzību. Nākotnē, visticamāk, tiks ieviesta daudzpakāpju pieeja: mākslīgais intelekts autonomi rada lielāko daļu ikdienas satura, savukārt cilvēki koncentrēsies uz stratēģisko vai sensitīvo daļu rediģēšanu un izveidi. Būtībā, pieaugot mākslīgā intelekta prasmēm, "rutīnas" robeža paplašināsies.

Turklāt var parādīties jaunas satura formas, piemēram, mākslīgā intelekta ģenerēti interaktīvi stāstījumi vai personalizēti ziņojumi . Piemēram, uzņēmuma gada pārskatu mākslīgais intelekts varētu ģenerēt vairākos stilos — īsu aprakstu vadītājiem, stāstījuma versiju darbiniekiem, ar datiem bagātu versiju analītiķiem —, katru automātiski izveidojot no vieniem un tiem pašiem pamatā esošajiem datiem. Izglītībā mācību grāmatas mākslīgais intelekts varētu dinamiski rakstīt, lai tās atbilstu dažādiem lasīšanas līmeņiem. Šīs lietojumprogrammas varētu būt lielā mērā autonomas, bet balstītas uz pārbaudītu informāciju.

Rakstīšanas tendences liecina, ka līdz 2030. gadu vidum mākslīgais intelekts (MI) kļūs par ražīgu rakstnieku . Patiesi autonomas darbības atslēga būs uzticības veidošana tā rezultātiem. Ja MI spēs konsekventi demonstrēt faktu precizitāti, stilistisko kvalitāti un atbilstību ētikas standartiem, nepieciešamība pēc cilvēka veiktas pārskatīšanas katrā rindā samazināsies. Pašas šī informatīvā dokumenta sadaļas līdz 2035. gadam, iespējams, izstrādās MI pētnieks bez redaktora palīdzības — iespēja, par kuru mēs esam piesardzīgi optimistiski, ja vien būs ieviesti atbilstoši drošības pasākumi.

Ģeneratīvais mākslīgais intelekts vizuālajā mākslā un dizainā

Ģeneratīvā mākslīgā intelekta spēja radīt attēlus un mākslas darbus ir iekarojusi sabiedrības iztēli, sākot no mākslīgā intelekta ģenerētām gleznām, kas uzvar mākslas konkursos, līdz pat dziļviltojumiem, kas nav atšķirami no reāliem kadriem. Vizuālajā jomā tādi mākslīgā intelekta modeļi kā ģeneratīvie adversarial networks (GAN) un difūzijas modeļi (piemēram, Stable Diffusion, Midjourney) var radīt oriģinālus attēlus, pamatojoties uz teksta uzvednēm. Tātad, vai mākslīgais intelekts tagad var darboties kā autonoms mākslinieks vai dizaineris?

Pašreizējās iespējas (2025. gads): mākslīgais intelekts kā radošs asistents

Sākot ar 2025. gadu, ģeneratīvie modeļi ir prasmīgi attēlu radīšanā pēc pieprasījuma ar iespaidīgu precizitāti. Lietotāji var lūgt attēlu mākslīgajam intelektam uzzīmēt “viduslaiku pilsētu saulrietā Van Goga stilā” un dažu sekunžu laikā saņemt pārliecinoši māksliniecisku attēlu. Tas ir novedis pie plašas mākslīgā intelekta izmantošanas grafiskajā dizainā, mārketingā un izklaidē konceptuālās mākslas, prototipu un dažos gadījumos pat galīgo vizuālo materiālu veidošanā. Jāatzīmē:

• Grafikas dizains un attēlu krājumi: Uzņēmumi ģenerē tīmekļa vietņu grafiku, ilustrācijas vai attēlu krājumus, izmantojot mākslīgo intelektu (AI), tādējādi samazinot nepieciešamību pasūtīt katru darbu no mākslinieka. Daudzas mārketinga komandas izmanto AI rīkus, lai izveidotu reklāmu vai produktu attēlu variācijas un pārbaudītu, kas piesaista patērētājus.

• Māksla un ilustrācijas: Atsevišķi mākslinieki sadarbojas ar mākslīgo intelektu (AI), lai ģenerētu idejas vai aizpildītu detaļas. Piemēram, ilustrators var izmantot AI, lai ģenerētu fona ainavu, ko pēc tam integrē ar cilvēka zīmētiem tēliem. Daži komiksu veidotāji ir eksperimentējuši ar AI ģenerētiem paneļiem vai krāsošanu.

• Mediji un izklaide: Mākslīgā intelekta ģenerēti mākslas darbi ir parādījušies uz žurnālu un grāmatu vākiem. Slavens piemērs ir 2022. gada augusta Cosmopolitan vāks, uz kura bija attēlots astronauts — ziņots, ka tas ir pirmais žurnāla vāka attēls, ko pēc mākslas direktora norādījumiem radījis mākslīgais intelekts (OpenAI DALL·E). Lai gan tas ietvēra cilvēka pamudinājumus un atlasi, pats mākslas darbs tika atveidots ar mašīnu.

Svarīgi ir tas, ka lielākā daļa šo pašreizējo lietojumu joprojām ietver cilvēka veiktu atlasi un iterāciju . Mākslīgais intelekts (MI) var izveidot desmitiem attēlu, un cilvēks izvēlas labāko un, iespējams, to pielabo. Šajā ziņā MI strādā autonomi, lai radītu iespējas, bet cilvēki vada radošo virzienu un izdara galīgo izvēli. Tas ir uzticams, lai ātri ģenerētu lielu daudzumu satura, taču negarantē, ka tas atbildīs visām prasībām pirmajā mēģinājumā. Problēmas, piemēram, nepareizas detaļas (piemēram, MI zīmē rokas ar nepareizu pirkstu skaitu, zināma īpatnība) vai neparedzēti rezultāti, nozīmē, ka cilvēkam-māksliniekam parasti ir jāuzrauga izvades kvalitāte.

Tomēr ir jomas, kurās mākslīgais intelekts tuvojas pilnīgai autonomijai:

• Ģeneratīvais dizains: tādās jomās kā arhitektūra un produktu dizains, mākslīgā intelekta rīki var autonomi izveidot dizaina prototipus, kas atbilst noteiktiem ierobežojumiem. Piemēram, ņemot vērā vēlamos mēbeļu izmērus un funkcijas, ģeneratīvs algoritms var izvadīt vairākus dzīvotspējīgus dizainus (daži diezgan netradicionālus) bez cilvēka iejaukšanās, pārsniedzot sākotnējās specifikācijas. Šos dizainus cilvēki var tieši izmantot vai pilnveidot. Līdzīgi inženierzinātnēs ģeneratīvais mākslīgais intelekts var izstrādāt detaļas (piemēram, lidmašīnas komponentu), kas ir optimizētas svaram un izturībai, radot jaunas formas, kuras cilvēks, iespējams, nebūtu iedomājies.

• Videospēļu resursi: mākslīgais intelekts var automātiski ģenerēt tekstūras, 3D modeļus vai pat veselus līmeņus videospēlēm. Izstrādātāji tos izmanto, lai paātrinātu satura izveidi. Dažas neatkarīgās spēles ir sākušas iekļaut procedurāli ģenerētus mākslas darbus un pat dialogus (izmantojot valodas modeļus), lai izveidotu plašas, dinamiskas spēļu pasaules ar minimāliem cilvēka radītiem resursiem.

• Animācija un video (jaunā attīstība): Lai gan ģeneratīvā mākslīgā intelekta (AI) tehnoloģija video jomā ir mazāk attīstīta nekā statiskie attēli, tā attīstās. Mākslīgais intelekts jau var ģenerēt īsus videoklipus vai animācijas no uzvednēm, taču kvalitāte ir nepastāvīga. Ģeneratīvā dziļviltošanas tehnoloģija var radīt reālistiskas sejas maiņas vai balss klonus. Kontrolētā vidē studija varētu izmantot AI, lai automātiski ģenerētu fona ainu vai pūļa animāciju.

Jāatzīmē, ka Gartner prognozēja, ka līdz 2030. gadam mēs redzēsim lielu grāvējfilmu, kurā 90% satura (sākot no scenārija līdz vizuālajiem materiāliem) ģenerēs mākslīgais intelekts ( Ģeneratīvie mākslīgā intelekta lietošanas gadījumi nozarēm un uzņēmumiem ). 2025. gadā mēs vēl neesam tur nonākuši – mākslīgais intelekts nevar patstāvīgi izveidot pilnmetrāžas filmu. Taču šīs puzles gabaliņi attīstās: scenārija ģenerēšana (teksta mākslīgais intelekts), varoņu un ainu ģenerēšana (attēlu/video mākslīgais intelekts), balss aktiermāksla (mākslīgā intelekta balss kloni) un montāžas palīdzība (mākslīgais intelekts jau var palīdzēt ar saīsinājumiem un pārejām).

Perspektīva 2030.–2035. gadam: mākslīgā intelekta ģenerēti mediji plašā mērogā

Raugoties nākotnē, ģeneratīvā mākslīgā intelekta loma vizuālajā mākslā un dizainā, visticamāk, ievērojami pieaugs. Mēs paredzam, ka līdz 2035. gadam mākslīgais intelekts būs galvenais satura veidotājs daudzos vizuālajos medijos, bieži vien darbojoties ar minimālu cilvēka ieguldījumu, pārsniedzot sākotnējos norādījumus. Dažas cerības:

• Pilnībā mākslīgā intelekta ģenerētas filmas un video: Nākamo desmit gadu laikā ir pilnīgi iespējams, ka mēs redzēsim pirmās filmas vai seriālus, kas lielā mērā ir producēti ar mākslīgā intelekta palīdzību. Cilvēki varētu nodrošināt augsta līmeņa režiju (piemēram, scenārija izklāstu vai vēlamo stilu), un mākslīgais intelekts atveidos ainas, radīs aktieru līdzības un animēs visu. Pirmie eksperimenti ar īsfilmām, visticamāk, notiks dažu gadu laikā, bet pilnmetrāžas mēģinājumi – līdz 2030. gadiem. Šīs mākslīgā intelekta filmas varētu sākt nišas filmās (eksperimentālā animācija utt.), taču, uzlabojoties kvalitātei, tās varētu kļūt par plaši izplatītām filmām. Gartnera prognoze par 90% filmu līdz 2030. gadam ( Ģeneratīvie mākslīgā intelekta lietošanas gadījumi nozarēm un uzņēmumiem ), lai gan ambicioza, uzsver nozares pārliecību, ka mākslīgā intelekta satura veidošana būs pietiekami sarežģīta, lai uzņemtos lielāko daļu filmu veidošanas slodzes.

• Dizaina automatizācija: tādās jomās kā mode vai arhitektūra ģeneratīvais mākslīgais intelekts (AI), visticamāk, tiks izmantots, lai autonomi izstrādātu simtiem dizaina koncepciju, pamatojoties uz tādiem parametriem kā “izmaksas, materiāli, stils X”, atstājot cilvēkiem iespēju izvēlēties galīgo dizainu. Tas maina pašreizējo dinamiku: tā vietā, lai dizaineri radītu no nulles un, iespējams, izmantotu AI iedvesmai, nākotnes dizaineri varētu vairāk darboties kā kuratori, izvēloties labāko AI ģenerēto dizainu un, iespējams, to pielāgojot. Līdz 2035. gadam arhitekts varētu ievadīt ēkas prasības un saņemt pilnīgus rasējumus kā AI ieteikumus (visi strukturāli pareizi, pateicoties iegultajiem inženiertehniskajiem noteikumiem).

• Personalizēta satura veidošana: Mēs varam redzēt, kā mākslīgais intelekts acumirklī veido vizuālus materiālus atsevišķiem lietotājiem. Iedomājieties videospēli vai virtuālās realitātes pieredzi 2035. gadā, kur ainava un tēli pielāgojas spēlētāja vēlmēm, ko reāllaikā ģenerē mākslīgais intelekts. Vai arī personalizētas komiksu joslas, kas ģenerētas, pamatojoties uz lietotāja dienu – autonoms “ikdienas dienasgrāmatas komikss” mākslīgais intelekts, kas katru vakaru automātiski pārvērš jūsu teksta dienasgrāmatu ilustrācijās.

• Multimodāla radošums: Ģeneratīvās mākslīgā intelekta sistēmas arvien vairāk kļūst multimodālas – tas nozīmē, ka tās var vienlaikus apstrādāt tekstu, attēlus, audio utt. Apvienojot šos elementus, mākslīgais intelekts varētu, piemēram, “Izveidojiet man mārketinga kampaņu produktam X”, ģenerēt ne tikai rakstisku tekstu, bet arī atbilstošu grafiku un varbūt pat īsus reklāmas videoklipus, kas visi ir vienotā stilā. Šāda veida satura komplekts ar vienu klikšķi, visticamāk, būs pieejams līdz 2030. gadu sākumam.

Vai mākslīgais intelekts (MI) aizstās cilvēku māksliniekus ? Šis jautājums rodas bieži. Visticamāk, MI pārņems lielu daļu producēšanas darba (īpaši atkārtotas vai ātri apgrozāmas mākslas, kas nepieciešama uzņēmējdarbībai), taču cilvēku mākslinieciskums paliks oriģinalitātes un inovāciju jomā. Līdz 2035. gadam autonoms MI varētu droši uzzīmēt gleznu slavena mākslinieka stilā, taču jauna stila vai dziļi kulturāli rezonējošas mākslas radīšana joprojām varētu būt cilvēka stiprā puse (potenciāli ar MI kā līdzstrādnieku). Mēs paredzam nākotni, kurā cilvēku mākslinieki strādās līdzās autonomiem MI "līdzmāksliniekiem". Piemēram, varētu pasūtīt personīgo MI, lai tas nepārtraukti ģenerētu mākslas darbus digitālajai galerijai savās mājās, radot pastāvīgi mainīgu radošu atmosfēru.

No uzticamības viedokļa vizuāli ģeneratīvajam mākslīgajam intelektam dažos aspektos ir vieglāk panākt autonomiju nekā tekstam: attēls subjektīvi var būt “pietiekami labs”, pat ja tas nav perfekts, savukārt faktu kļūda tekstā rada lielākas problēmas. Tādējādi mēs jau redzam relatīvi zema riska ieviešanu — ja mākslīgā intelekta ģenerēts dizains ir neglīts vai nepareizs, jūs to vienkārši neizmantojat, bet tas pats par sevi nerada nekādu kaitējumu. Tas nozīmē, ka līdz 2030. gadiem uzņēmumi varētu justies ērti, ļaujot mākslīgajam intelektam bez uzraudzības izstrādāt dizainus un iesaistot cilvēkus tikai tad, ja ir nepieciešams kaut kas patiesi jauns vai riskants.

Rezumējot, tiek prognozēts, ka līdz 2035. gadam ģeneratīvais mākslīgais intelekts (AI) kļūs par ietekmīgu satura veidotāju vizuālo materiālu jomā, visticamāk, atbildot par ievērojamu daļu no mums apkārt esošajiem attēliem un multivides materiāliem. Tas uzticami ģenerēs saturu izklaidei, dizainam un ikdienas komunikācijai. Autonoms mākslinieks ir tepat aiz stūra, lai gan diskusijas par to, vai AI tiek uzskatīts par radošu vai tikai par ļoti viedu rīku, attīstīsies, jo tā rezultāti kļūs neatšķirami no cilvēku radītajiem.

Ģeneratīvais mākslīgais intelekts programmatūras izstrādē (kodēšana)

Programmatūras izstrāde var šķist ļoti analītisks uzdevums, taču tai ir arī radošs elements – koda rakstīšana būtībā ir teksta veidošana strukturētā valodā. Mūsdienu ģeneratīvais mākslīgais intelekts, īpaši lielie valodu modeļi, ir pierādījuši savu spēju kodēšanā. Tādi rīki kā GitHub Copilot, Amazon CodeWhisperer un citi darbojas kā mākslīgā intelekta pāru programmētāji, iesakot koda fragmentus vai pat veselas funkcijas, izstrādātājiem rakstot. Cik tālu tas var aizvest autonomas programmēšanas virzienā?

Pašreizējās iespējas (2025. gads): mākslīgais intelekts kā kodēšanas otrais pilots

Līdz 2025. gadam mākslīgā intelekta koda ģeneratori ir kļuvuši par ierastu sastāvdaļu daudzu izstrādātāju darbplūsmās. Šie rīki var automātiski pabeigt koda rindiņas, ģenerēt standarta funkcijas vai testus un pat rakstīt vienkāršas programmas, ņemot vērā dabiskās valodas aprakstu. Tomēr svarīgi ir tas, ka tie darbojas izstrādātāja uzraudzībā — izstrādātājs pārskata un integrē mākslīgā intelekta ieteikumus.

Daži aktuāli fakti un skaitļi:

• Līdz 2023. gada beigām vairāk nekā puse profesionālo izstrādātāju bija ieviesuši mākslīgā intelekta kodēšanas asistentus ( Coding on Copilot: 2023. gada dati liecina par lejupvērstu spiedienu uz koda kvalitāti (ieskaitot 2024. gada prognozes) - GitClear ), kas liecina par strauju ieviešanu. Tiek ziņots, ka GitHub Copilot, viens no pirmajiem plaši pieejamajiem rīkiem, projektos, kuros tas tiek izmantots, ģenerē vidēji 30–40% koda ( kodēšana vairs nav MOAT. 46% kodu vietnē GitHub jau ir... ). Tas nozīmē, ka mākslīgais intelekts jau raksta ievērojamas koda daļas, lai gan cilvēks to vada un validē.

• Šie mākslīgā intelekta rīki izceļas ar tādiem uzdevumiem kā atkārtota koda rakstīšana (piemēram, datu modeļu klases, getter/setter metodes), vienas programmēšanas valodas konvertēšana uz citu vai vienkāršu algoritmu izveide, kas atgādina apmācības piemērus. Piemēram, izstrādātājs var komentēt “// funkcija, lai kārtotu lietotāju sarakstu pēc vārda”, un mākslīgais intelekts gandrīz acumirklī ģenerēs atbilstošu kārtošanas funkciju.

• Tie arī palīdz kļūdu labošanā un skaidrošanā : izstrādātāji var ielīmēt kļūdas ziņojumu, un mākslīgais intelekts var ieteikt labojumu vai jautāt: "Ko šis kods dara?" un saņemt skaidrojumu dabiskā valodā. Tas savā ziņā ir autonomi (mākslīgais intelekts var pats diagnosticēt problēmas), bet cilvēks izlemj, vai lietot labojumu.

• Svarīgi ir tas, ka pašreizējie mākslīgā intelekta kodēšanas asistenti nav nekļūdīgi. Tie var ieteikt nedrošu kodu vai kodu, kas gandrīz atrisina problēmu, bet satur smalkas kļūdas. Tādēļ mūsdienās labākā prakse ir uzturēt cilvēku informētu — izstrādātājs testē un atkļūdo mākslīgā intelekta rakstītu kodu tāpat kā cilvēka rakstītu kodu. Regulētās nozarēs vai kritiskā programmatūrā (piemēram, medicīnas vai aviācijas sistēmās) jebkurš mākslīgā intelekta ieguldījums tiek stingri pārskatīts.

Neviena mūsdienās plaši izplatīta programmatūras sistēma netiek ieviesta pilnībā ar mākslīgā intelekta palīdzību no nulles bez izstrādātāja uzraudzības. Tomēr parādās daži autonomi vai daļēji autonomi lietojumi:

• Automātiski ģenerēti vienības testi: mākslīgais intelekts var analizēt kodu un izveidot vienības testus dažādiem gadījumiem. Testēšanas ietvars var autonomi ģenerēt un palaist šos mākslīgā intelekta rakstītos testus, lai atklātu kļūdas, tādējādi papildinot cilvēku rakstītos testus.

• Platformas ar zemu koda/bez koda saturu un mākslīgo intelektu (MI): Dažas platformas ļauj neprogrammētājiem aprakstīt to, ko viņi vēlas (piemēram, “izveidot tīmekļa lapu ar kontaktformu un datubāzi ierakstu saglabāšanai”), un sistēma ģenerē kodu. Lai gan tas vēl ir agrīnā stadijā, tas norāda uz nākotni, kurā MI varētu autonomi veidot programmatūru standarta lietošanas gadījumiem.

• Skriptēšana un līmēšanas kods: IT automatizācija bieži ietver skriptu rakstīšanu sistēmu savienošanai. Mākslīgā intelekta rīki bieži vien var automātiski ģenerēt šos mazos skriptus. Piemēram, rakstot skriptu žurnālfaila parsēšanai un e-pasta brīdinājuma nosūtīšanai, mākslīgais intelekts var izveidot darbojošos skriptu ar minimālām vai bez rediģēšanas.

Perspektīvas 2030.–2035. gadam: virzība uz “pašattīstošu” programmatūru

Paredzams, ka nākamajā desmitgadē ģeneratīvais mākslīgais intelekts uzņemsies lielāku kodēšanas sloga daļu, noteiktām projektu klasēm tuvojoties pilnībā autonomai programmatūras izstrādei. Dažas prognozētās norises:

• Pilnīga funkciju ieviešana: Mēs paredzam, ka līdz 2030. gadam mākslīgais intelekts (MI) spēs ieviest vienkāršas lietojumprogrammu funkcijas no sākuma līdz beigām. Produkta vadītājs varētu aprakstīt funkciju vienkāršā valodā (“Lietotājiem vajadzētu būt iespējai atiestatīt paroli, izmantojot e-pasta saiti”), un MI varētu ģenerēt nepieciešamo kodu (priekšpuses veidlapu, aizmugures loģiku, datubāzes atjaunināšanu, e-pasta nosūtīšanu) un integrēt to koda bāzē. MI efektīvi darbotos kā jaunākais izstrādātājs, kas var ievērot specifikācijas. Cilvēks-inženieris varētu vienkārši veikt koda pārskatīšanu un testus. Uzlabojoties MI uzticamībai, koda pārskatīšana varētu kļūt par ātru pārskatīšanu, ja vispār tāda būs.

• Autonomā koda uzturēšana: Liela daļa programmatūras inženierijas nav tikai jauna koda rakstīšana, bet arī esošā koda atjaunināšana – kļūdu labošana, veiktspējas uzlabošana, pielāgošanās jaunām prasībām. Nākotnes mākslīgā intelekta izstrādātāji, visticamāk, gūs panākumus šajā jomā. Ņemot vērā koda bāzi un direktīvu (“mūsu lietotne avarē, kad vienlaikus piesakās pārāk daudz lietotāju”), mākslīgais intelekts varētu atrast problēmu (piemēram, vienlaicības kļūdu) un to labot. Līdz 2035. gadam mākslīgā intelekta sistēmas varētu automātiski apstrādāt ikdienas apkopes pieprasījumus vienas nakts laikā, kalpojot kā nenogurstoša programmatūras sistēmu apkopes komanda.

• Integrācija un API izmantošana: Tā kā arvien vairāk programmatūras sistēmu un API ir aprīkotas ar mākslīgā intelekta lasāmu dokumentāciju, mākslīgā intelekta aģents varētu patstāvīgi izdomāt, kā savienot A sistēmu ar B pakalpojumu, uzrakstot savienojošo kodu. Piemēram, ja uzņēmums vēlas, lai tā iekšējā HR sistēma sinhronizētos ar jaunu algas aprēķinu API, tas varētu uzdot mākslīgajam intelektam "likt šīm sistēmām sazināties savā starpā", un tas uzrakstīs integrācijas kodu pēc abu sistēmu specifikāciju izlasīšanas.

• Kvalitāte un optimizācija: Nākotnes koda ģenerēšanas modeļos, visticamāk, tiks iekļautas atgriezeniskās saites cilpas, lai pārbaudītu koda darbību (piemēram, testu vai simulāciju veikšana smilškastē). Tas nozīmē, ka mākslīgais intelekts varētu ne tikai rakstīt kodu, bet arī veikt pašlabošanu, to testējot. Līdz 2035. gadam mēs varētu iedomāties mākslīgo intelektu, kas, saņemot uzdevumu, turpina iterēt savu kodu, līdz visi testi ir veiksmīgi, – process, kas cilvēkam, iespējams, nebūtu jāuzrauga rindiņa pa rindiņai. Tas ievērojami palielinātu uzticēšanos autonomi ģenerētajam kodam.

Var iedomāties scenāriju līdz 2035. gadam, kurā nelielu programmatūras projektu, piemēram, pielāgotu mobilo lietotni uzņēmumam, lielākoties varētu izstrādāt mākslīgā intelekta aģents, kam doti augsta līmeņa norādījumi. Cilvēks-"izstrādātājs" šādā scenārijā drīzāk ir projekta vadītājs vai validētājs, kas nosaka prasības un ierobežojumus (drošību, stila vadlīnijas) un ļauj mākslīgajam intelektam veikt smago faktiskās kodēšanas darbu.

Tomēr sarežģītas, liela mēroga programmatūras (operētājsistēmu, pašu progresīvu mākslīgā intelekta algoritmu utt.) gadījumā cilvēku eksperti joprojām būs dziļi iesaistīti. Radošā problēmu risināšana un arhitektūras dizains programmatūrā, visticamāk, kādu laiku paliks cilvēku vadīts. Mākslīgais intelekts varētu tikt galā ar daudziem kodēšanas uzdevumiem, taču izlemt, ko veidot, un izstrādāt kopējo struktūru ir cits izaicinājums. Tomēr, tā kā ģeneratīvais mākslīgais intelekts sāk sadarboties – vairāki mākslīgā intelekta aģenti apstrādā dažādus sistēmas komponentus –, ir iedomājams, ka viņi zināmā mērā varētu kopīgi izstrādāt arhitektūras (piemēram, viens mākslīgais intelekts ierosina sistēmas dizainu, cits to kritizē un atkārto, cilvēkam pārraugot procesu).

Viens no galvenajiem paredzamajiem mākslīgā intelekta ieguvumiem kodēšanā ir produktivitātes palielināšana . Gartner prognozē, ka līdz 2028. gadam pilnībā 90% programmatūras inženieru izmantos mākslīgā intelekta koda palīgus (salīdzinājumā ar mazāk nekā 15% 2024. gadā) ( GitHub Copilot Tops Research Report on AI Code Assistants -- Visual Studio Magazine ). Tas liecina, ka izņēmumu — to, kas neizmanto mākslīgo intelektu — būs maz. Mēs varētu arī piedzīvot cilvēku izstrādātāju trūkumu noteiktās jomās, ko mazinātu mākslīgā intelekta radītās nepilnības; būtībā katrs izstrādātājs var paveikt daudz vairāk ar mākslīgā intelekta palīgu, kas var autonomi veidot koda melnrakstu.

Uzticēšanās joprojām būs centrālais jautājums. Pat 2035. gadā organizācijām būs jānodrošina, ka autonomi ģenerēts kods ir drošs (mākslīgais intelekts nedrīkst radīt ievainojamības) un atbilst juridiskajām/ētiskajām normām (piemēram, mākslīgais intelekts neietver plaģiātu kodu no atvērtā pirmkoda bibliotēkas bez atbilstošas ​​licences). Mēs sagaidām uzlabotus mākslīgā intelekta pārvaldības rīkus, kas var pārbaudīt un izsekot mākslīgā intelekta rakstītā koda izcelsmi, lai palīdzētu nodrošināt autonomāku kodēšanu bez riska.

Rezumējot, līdz 2030. gadu vidum ģeneratīvais mākslīgais intelekts (AI), visticamāk, veiks lauvas tiesu kodēšanas ikdienas programmatūras uzdevumiem un ievērojami palīdzēs sarežģītos uzdevumos. Programmatūras izstrādes dzīves cikls būs daudz automatizētāks — no prasībām līdz ieviešanai —, un AI, iespējams, automātiski ģenerēs un ieviesīs koda izmaiņas. Cilvēkiem paredzētiem izstrādātājiem būs lielāka uzmanība jāpievērš augsta līmeņa loģikai, lietotāja pieredzei un uzraudzībai, savukārt AI aģenti rūpīgi pārstrādās ieviešanas detaļas.

Ģeneratīvais mākslīgais intelekts klientu apkalpošanā un atbalstā

Ja pēdējā laikā esat sazinājies ar tiešsaistes klientu atbalsta tērzēšanu, pastāv liela iespēja, ka vismaz daļu no tā otrā galā atradās mākslīgais intelekts. Klientu apkalpošana ir joma, kas ir piemērota mākslīgā intelekta automatizācijai: tā ietver atbildēšanu uz lietotāju jautājumiem, ko ģeneratīvais mākslīgais intelekts (īpaši sarunu modeļi) var paveikt diezgan labi, un tā bieži seko skriptiem vai zināšanu bāzes rakstiem, kurus mākslīgais intelekts var apgūt. Cik autonomi mākslīgais intelekts var apkalpot klientus?

Pašreizējās iespējas (2025. gads): tērzēšanas roboti un virtuālie aģenti ieņem pirmo vietu

Mūsdienās daudzas organizācijas izmanto mākslīgā intelekta tērzēšanas robotus kā pirmos klientu apkalpošanas kontaktpunktus . Tie ir gan vienkārši, uz noteikumiem balstīti roboti (“Nospiediet 1, lai saņemtu rēķinu, 2, lai saņemtu atbalstu…”), gan progresīvi ģeneratīvi mākslīgā intelekta tērzēšanas roboti, kas var interpretēt brīvas formas jautājumus un atbildēt sarunvalodas veidā. Galvenie punkti:

• Bieži uzdoto jautājumu risināšana: Mākslīgā intelekta aģenti izceļas ar bieži uzdoto jautājumu atbildēšanu, informācijas sniegšanu (veikala darba laiks, atmaksas politika, zināmu problēmu novēršanas darbības) un lietotāju vadīšanu standarta procedūrās. Piemēram, bankas mākslīgā intelekta tērzēšanas robots var autonomi palīdzēt lietotājam pārbaudīt konta atlikumu, atiestatīt paroli vai paskaidrot, kā pieteikties aizdevumam, bez cilvēka palīdzības.

• Dabiskās valodas izpratne: Mūsdienu ģeneratīvie modeļi nodrošina plūstošāku un “cilvēciskāku” mijiedarbību. Klienti var ierakstīt jautājumu saviem vārdiem, un mākslīgais intelekts parasti var saprast tā nolūku. Uzņēmumi ziņo, ka mūsdienu mākslīgā intelekta aģenti klientiem sniedz daudz lielāku gandarījumu nekā neveiklie roboti pirms dažiem gadiem – gandrīz puse klientu tagad uzskata, ka mākslīgā intelekta aģenti var būt empātiski un efektīvi, risinot problēmas ( 59 mākslīgā intelekta klientu apkalpošanas statistikas dati par 2025. gadu ), kas liecina par pieaugošu uzticēšanos mākslīgā intelekta vadītam pakalpojumam.

• Daudzkanālu atbalsts: Mākslīgais intelekts nav paredzēts tikai tērzēšanai. Balss asistenti (piemēram, tālruņa IVR sistēmas ar mākslīgo intelektu) sāk apstrādāt zvanus, un mākslīgais intelekts var arī sagatavot e-pasta atbilžu melnrakstus uz klientu jautājumiem, kas var tikt nosūtītas automātiski, ja tiek uzskatītas par precīzām.

• Kad iejaucas cilvēki: Parasti, ja mākslīgais intelekts (MI) apjūk vai jautājums ir pārāk sarežģīts, tas nodod jautājumu cilvēkam. Pašreizējās sistēmas daudzos gadījumos labi zina savas robežas . Piemēram, ja klients uzdod kaut ko neparastu vai izrāda neapmierinātību (“Šī ir trešā reize, kad sazinos ar jums, un esmu ļoti sarūgtināts…”), MI var to atzīmēt, lai cilvēks pārņemtu vadību. Nodošanas slieksni nosaka uzņēmumi, lai līdzsvarotu efektivitāti ar klientu apmierinātību.

Daudzi uzņēmumi ir ziņojuši, ka ievērojama daļa mijiedarbību tiek atrisināta tikai ar mākslīgā intelekta palīdzību. Saskaņā ar nozares aptaujām, aptuveni 70–80 % ikdienas klientu pieprasījumu mūsdienās var apstrādāt mākslīgā intelekta tērzēšanas roboti, un aptuveni 40 % uzņēmumu klientu mijiedarbības dažādos kanālos jau ir automatizēta vai ar mākslīgā intelekta palīdzību ( 52 mākslīgā intelekta klientu apkalpošanas statistikas dati, kas jums jāzina — Plivo ). IBM globālais mākslīgā intelekta ieviešanas indekss (2022. gads) norādīja, ka 80 % uzņēmumu līdz 2025. gadam izmanto vai plāno izmantot mākslīgā intelekta tērzēšanas robotus klientu apkalpošanai.

Interesanta attīstība ir tā, ka mākslīgais intelekts ne tikai reaģē uz klientu pieprasījumiem, bet arī proaktīvi palīdz cilvēkiem-aģentiem reāllaikā. Piemēram, tiešsaistes tērzēšanas vai zvana laikā mākslīgais intelekts var uzklausīt un nekavējoties sniegt cilvēkam-aģentam ieteiktas atbildes vai atbilstošu informāciju. Tas sapludina autonomijas robežu – mākslīgais intelekts nesaskaras ar klientu viens pats, bet gan aktīvi iesaistās bez tieša cilvēka jautājuma. Tas efektīvi darbojas kā autonoms aģenta padomdevējs.

Perspektīva 2030.–2035. gadam: lielā mērā mākslīgā intelekta vadīta klientu mijiedarbība

Paredzams, ka līdz 2030. gadam lielākajā daļā klientu apkalpošanas mijiedarbību būs iesaistīta mākslīgā intelekta izmantošana, un daudzas no tām no sākuma līdz beigām tiks pilnībā apstrādātas ar mākslīgā intelekta palīdzību. Prognozes un tendences, kas to apstiprina:

• Atrisināti sarežģītāki vaicājumi: Tā kā mākslīgā intelekta modeļi integrēs plašas zināšanas un uzlabos spriešanas spējas, tie spēs apstrādāt sarežģītākus klientu pieprasījumus. Tā vietā, lai vienkārši atbildētu uz jautājumu "Kā atgriezt preci?", nākotnes mākslīgais intelekts varētu risināt daudzpakāpju problēmas, piemēram, "Mans internets nedarbojas, esmu mēģinājis pārstartēt, vai varat palīdzēt?", diagnosticējot problēmu, izmantojot dialoglodziņu, vadot klientu cauri papildu problēmu novēršanai un tikai tad, ja nekas cits neizdodas, ieplānojot tehniķa apmeklējumu – uzdevumus, kuriem mūsdienās, visticamāk, būtu nepieciešams cilvēka atbalsta tehniķis. Veselības aprūpes klientu apkalpošanā mākslīgais intelekts varētu apstrādāt pacientu tikšanās pierakstus vai apdrošināšanas jautājumus no sākuma līdz beigām.

• Pilnīgs pakalpojumu risinājums: mēs varam redzēt, kā mākslīgais intelekts ne tikai pasaka klientam, kas jādara, bet arī faktiski dara to klienta vārdā iekšējās sistēmās. Piemēram, ja klients saka: "Es vēlos mainīt savu lidojumu uz nākamo pirmdienu un pievienot vēl vienu bagāžas vienību", mākslīgā intelekta aģents 2030. gadā varētu tieši mijiedarboties ar aviokompānijas rezervēšanas sistēmu, veikt izmaiņas, apstrādāt maksājumu par bagāžu un apstiprināt to klientam — visu autonomi. Mākslīgais intelekts kļūst par pilnvērtīgu aģentu, ne tikai par informācijas avotu.

• Visuresoši mākslīgā intelekta aģenti: Uzņēmumi, visticamāk, ieviesīs mākslīgo intelektu visos klientu saskares punktos — tālrunī, tērzēšanā, e-pastā, sociālajos tīklos. Daudzi klienti, iespējams, pat neapzinās, vai viņi runā ar mākslīgo intelektu vai cilvēku, jo īpaši tāpēc, ka mākslīgā intelekta balsis kļūst dabiskākas un tērzēšanas atbildes — kontekstatkarīgākas. Līdz 2035. gadam saziņa ar klientu apkalpošanas dienestu bieži vien varētu nozīmēt mijiedarbību ar viedu mākslīgo intelektu, kas atceras jūsu iepriekšējās mijiedarbības, saprot jūsu vēlmes un pielāgojas jūsu tonim — būtībā personalizēts virtuāls aģents katram klientam.

• Mākslīgā intelekta lēmumu pieņemšana mijiedarbībā: Papildus jautājumu atbildēšanai mākslīgais intelekts sāks pieņemt lēmumus, kuriem pašlaik nepieciešams vadības apstiprinājums. Piemēram, mūsdienās cilvēkam-aģentam var būt nepieciešams vadītāja apstiprinājums, lai piedāvātu atmaksu vai īpašu atlaidi, lai nomierinātu dusmīgu klientu. Nākotnē šos lēmumus varētu uzticēt mākslīgajam intelektam noteiktos ierobežojumos, pamatojoties uz aprēķinātu klienta dzīves cikla vērtību un noskaņojuma analīzi. Futurum/IBM pētījumā tika prognozēts, ka līdz 2030. gadam aptuveni 69% lēmumu, kas tiek pieņemti reāllaika klientu mijiedarbības laikā, pieņems viedās mašīnas ( Lai atkārtoti iztēlotos pāreju uz klientu pieredzi, tirgotājiem ir jādara šīs 2 lietas ) – faktiski mākslīgais intelekts izlems par labāko rīcību mijiedarbībā.

• 100% mākslīgā intelekta iesaiste: Vienā ziņojumā ir norādīts, ka mākslīgais intelekts galu galā spēlēs lomu katrā klienta mijiedarbībā ( 59 mākslīgā intelekta klientu apkalpošanas statistikas dati par 2025. gadu ), neatkarīgi no tā, vai tas notiek iepriekš vai fonā. Tas varētu nozīmēt, ka pat tad, ja cilvēks mijiedarbojas ar klientu, viņam palīdzēs mākslīgais intelekts (sniegs ieteikumus, iegūs informāciju). Alternatīvi, interpretācija ir tāda, ka neviens klienta jautājums nepaliek neatbildēts – ja cilvēki ir bezsaistē, mākslīgais intelekts vienmēr ir klāt.

Līdz 2035. gadam mēs varētu atklāt, ka cilvēku klientu apkalpošanas aģenti būs specializējušies tikai visjutīgākajiem vai visbiežāk skartajiem scenārijiem (piemēram, VIP klientiem vai sarežģītu sūdzību risināšanai, kam nepieciešama cilvēciska empātija). Regulārus vaicājumus – sākot no banku un mazumtirdzniecības līdz tehniskajam atbalstam – varētu apkalpot mākslīgā intelekta aģentu flote, kas strādā visu diennakti, nepārtraukti mācoties no katras mijiedarbības. Šīs pārmaiņas varētu padarīt klientu apkalpošanu konsekventāku un tūlītējāku, jo mākslīgais intelekts neliek cilvēkiem gaidīt un teorētiski var veikt vairākus uzdevumus vienlaikus, lai apkalpotu neierobežotu skaitu klientu.

Šīs vīzijas īstenošanai ir jāpārvar izaicinājumi: mākslīgajam intelektam ir jābūt ļoti noturīgam, lai tiktu galā ar cilvēku klientu neparedzamību. Tam jāspēj tikt galā ar slengu, dusmām, apjukumu un bezgalīgo cilvēku saziņas veidu daudzveidību. Tam ir nepieciešamas arī aktuālas zināšanas (nav jēgas, ja mākslīgā intelekta informācija ir novecojusi). Ieguldot līdzekļus mākslīgā intelekta un uzņēmumu datubāzu integrācijā (lai iegūtu reāllaika informāciju par pasūtījumiem, piegādes pārtraukumiem utt.), šos šķēršļus var pārvarēt.

Ētiski uzņēmumiem būs jāizlemj, kad atklāt “jūs runājat ar mākslīgo intelektu” un jānodrošina taisnīgums (mākslīgais intelekts neizturas pret noteiktiem klientiem atšķirīgi negatīvi neobjektīvas apmācības dēļ). Pieņemot, ka šīs problēmas tiek pārvaldītas, biznesa pamatojums ir spēcīgs: mākslīgā intelekta klientu apkalpošana var ievērojami samazināt izmaksas un gaidīšanas laikus. Paredzams, ka mākslīgā intelekta tirgus klientu apkalpošanā līdz 2030. gadam pieaugs līdz desmitiem miljardu dolāru ( AI klientu apkalpošanas tirgus ziņojums 2025.–2030. gadam: gadījums ) ( How Generative AI is Boosting Logistics | Ryder ), organizācijām ieguldot šajās iespējās.

Rezumējot, sagaidāma nākotne, kurā autonoma mākslīgā intelekta klientu apkalpošana ir norma . Palīdzības saņemšana bieži vien nozīmēs mijiedarbību ar viedierīci, kas var ātri atrisināt jūsu problēmu. Cilvēki joprojām būs iesaistīti uzraudzībā un ārkārtas situāciju risināšanā, bet vairāk kā mākslīgā intelekta darbaspēka uzraugi. Rezultāts varētu būt ātrāks un personalizētāks pakalpojums patērētājiem, ja vien mākslīgais intelekts tiek pienācīgi apmācīts un uzraudzīts, lai novērstu pagātnes "robotu palīdzības līniju" pieredzes radītās neapmierinātības.

Ģeneratīvais mākslīgais intelekts veselības aprūpē un medicīnā

Veselības aprūpe ir joma, kurā likmes ir augstas. Ideja par mākslīgā intelekta darbību bez cilvēka uzraudzības medicīnā izraisa gan sajūsmu (efektivitātes un sasniedzamības dēļ), gan piesardzību (drošības un empātijas apsvērumu dēļ). Ģeneratīvais mākslīgais intelekts ir sācis gūt panākumus tādās jomās kā medicīniskās attēlveidošanas analīze, klīniskā dokumentācija un pat zāļu atklāšana. Ko tas var atbildīgi paveikt pats par sevi?

Pašreizējās iespējas (2025. gads): palīdzēt klīnicistiem, nevis aizstāt viņus

Pašlaik ģeneratīvais mākslīgais intelekts veselības aprūpē galvenokārt kalpo kā spēcīgs palīgs medicīnas speciālistiem, nevis kā autonoms lēmumu pieņēmējs. Piemēram:

• Medicīniskā dokumentācija: Viens no veiksmīgākajiem mākslīgā intelekta ieviešanas veidiem veselības aprūpē ir palīdzība ārstiem ar dokumentu kārtošanu. Dabiskās valodas modeļi var pārrakstīt pacientu vizītes un ģenerēt klīniskās piezīmes vai izrakstu kopsavilkumus. Uzņēmumiem ir “mākslīgā intelekta rakstveži”, kas klausās izmeklējuma laikā (izmantojot mikrofonu) un automātiski izveido vizītes piezīmju melnrakstu, ko ārsts var pārskatīt. Tas ietaupa ārstiem laiku, ko prasa rakstīšana. Dažas sistēmas pat automātiski aizpilda daļas elektronisko veselības ierakstu. To var izdarīt ar minimālu iejaukšanos – ārsts tikai izlabo visas nelielās kļūdas melnrakstā, kas nozīmē, ka piezīmju rakstīšana lielā mērā ir autonoma.

• Radioloģija un attēlveidošana: Mākslīgais intelekts, tostarp ģeneratīvie modeļi, var analizēt rentgena uzņēmumus, MRI un DT skenējumus, lai atklātu anomālijas (piemēram, audzējus vai lūzumus). 2018. gadā Pārtikas un zāļu pārvalde (FDA) apstiprināja mākslīgā intelekta sistēmu diabētiskās retinopātijas (acu slimības) autonomai noteikšanai tīklenes attēlos – jo īpaši tas, ka šajā konkrētajā skrīninga kontekstā tai tika atļauts veikt šo zvanu bez speciālista ieskatiem. Šī sistēma nebija ģeneratīvais mākslīgais intelekts, taču tā parāda, ka regulatori ierobežotos gadījumos ir atļāvuši autonomu mākslīgā intelekta diagnozi. Ģeneratīvie modeļi tiek izmantoti visaptverošu ziņojumu izveidei. Piemēram, mākslīgais intelekts var pārbaudīt krūškurvja rentgenu un sagatavot radiologa ziņojumu, kurā teikts: "Nav akūtu atradņu. Plaušas ir tīras. Sirds normāla izmēra." Pēc tam radiologs vienkārši apstiprina un paraksta. Dažos ikdienas gadījumos šos ziņojumus varētu iedomājami izdot bez rediģēšanas, ja radiologs uzticas mākslīgajam intelektam un veic tikai ātru pārbaudi.

• Simptomu pārbaudītāji un virtuālās medmāsas: Ģeneratīvie mākslīgā intelekta tērzēšanas roboti tiek izmantoti kā simptomu pārbaudītāji pirmajās rindās. Pacienti var ievadīt savus simptomus un saņemt padomus (piemēram, “Tā varētu būt parasta saaukstēšanās; atpūtieties un lietojiet šķidrumus, bet apmeklējiet ārstu, ja rodas X vai Y.”). Tādas lietotnes kā Babylon Health izmanto mākslīgo intelektu, lai sniegtu ieteikumus. Pašlaik tie parasti tiek formulēti kā informatīvi, nevis galīgi medicīniski padomi, un tie mudina nopietnu problēmu gadījumā konsultēties ar cilvēku-klīnicistu.

• Zāļu atklāšana (ģeneratīvā ķīmija): ģeneratīvie mākslīgā intelekta modeļi var piedāvāt jaunas zāļu molekulārās struktūras. Tas vairāk attiecas uz pētniecību, nevis pacientu aprūpi. Šie mākslīgie intelekti darbojas autonomi, lai ieteiktu tūkstošiem kandidātu savienojumu ar vēlamajām īpašībām, kurus cilvēku ķīmiķi pēc tam pārskata un testē laboratorijā. Uzņēmumi, piemēram, Insilico Medicine, ir izmantojuši mākslīgo intelektu, lai ievērojami īsākā laikā ģenerētu jaunus zāļu kandidātus. Lai gan tas tieši nemijiedarbojas ar pacientiem, tas ir piemērs tam, kā mākslīgais intelekts autonomi rada risinājumus (molekulu dizainus), kuru atrašanai cilvēkiem būtu nepieciešams daudz ilgāks laiks.

• Veselības aprūpes operācijas: Mākslīgais intelekts palīdz optimizēt plānošanu, piegāžu pārvaldību un citu loģistiku slimnīcās. Piemēram, ģeneratīvs modelis varētu simulēt pacientu plūsmu un ieteikt plānošanas korekcijas, lai samazinātu gaidīšanas laikus. Lai gan tie nav tik redzami, tie ir lēmumi, ko mākslīgais intelekts var pieņemt ar minimālām manuālām izmaiņām.

Ir svarīgi norādīt, ka no 2025. gada neviena slimnīca vairs neļauj mākslīgajam intelektam (MI) patstāvīgi pieņemt svarīgus medicīniskus lēmumus vai noteikt ārstēšanu bez cilvēka apstiprinājuma. Diagnoze un ārstēšanas plānošana joprojām ir stingri cilvēku rokās, un MI sniedz ievadi. Uzticība, kas nepieciešama, lai MI varētu pilnībā autonomi pateikt pacientam "Jums ir vēzis" vai izrakstīt zāles, vēl nav panākta, un tai nevajadzētu būt bez plašas validācijas. Medicīnas speciālisti izmanto MI kā otru acu pāri vai kā laika taupīšanas rīku, taču tie pārbauda kritiski svarīgus rezultātus.

Perspektīva 2030.–2035. gadam: mākslīgais intelekts kā ārsta kolēģis (un varbūt arī medmāsa vai farmaceits)

Nākamajā desmitgadē mēs sagaidām, ka ģeneratīvais mākslīgais intelekts autonomi uzņemsies vairāk ikdienas klīnisko uzdevumu un uzlabos veselības aprūpes pakalpojumu pieejamību:

• Automatizētas sākotnējās diagnozes: Līdz 2030. gadam mākslīgais intelekts varētu droši veikt sākotnējo analīzi daudzām izplatītām slimībām. Iztēlojieties mākslīgā intelekta sistēmu klīnikā, kas ar kameras palīdzību nolasa pacienta simptomus, slimības vēsturi, pat viņa toni un sejas izteiksmes, un sniedz diagnostikas ieteikumus un ieteicamos testus – visu pirms ārsts vispār apskata pacientu. Pēc tam ārsts var koncentrēties uz diagnozes apstiprināšanu un apspriešanu. Telemedicīnā pacients vispirms varētu sarunāties ar mākslīgo intelektu, kas sašaurina problēmas loku (piemēram, iespējama deguna blakusdobumu infekcija salīdzinājumā ar kaut ko nopietnāku) un pēc tam nepieciešamības gadījumā savieno pacientu ar klīnicistu. Regulatori varētu atļaut mākslīgajam intelektam oficiāli diagnosticēt noteiktas nelielas slimības bez cilvēka uzraudzības, ja tās izrādās ārkārtīgi precīzas – piemēram, mākslīgais intelekts varētu diagnosticēt vienkāršu auss infekciju no otoskopa attēla.

• Personīgie veselības monitori: Līdz ar valkājamo ierīču (viedpulksteņu, veselības sensoru) izplatību mākslīgais intelekts (MI) nepārtraukti uzraudzīs pacientus un automātiski brīdinās par problēmām. Piemēram, līdz 2035. gadam jūsu valkājamās ierīces MI varētu noteikt sirds ritma traucējumus un automātiski ieplānot jums steidzamu virtuālu konsultāciju vai pat izsaukt neatliekamo medicīnisko palīdzību, ja tā konstatē sirdslēkmes vai insulta pazīmes. Tas nonāk autonomas lēmumu pieņemšanas teritorijā – izlemjot, ka situācija ir ārkārtas situācija, un rīkojoties –, kas ir iespējams un dzīvību glābjošs MI izmantošanas veids.

• Ārstēšanas ieteikumi: Ģeneratīvais mākslīgais intelekts, kas apmācīts medicīnas literatūrā un pacientu datos, varētu ieteikt personalizētus ārstēšanas plānus. Līdz 2030. gadam sarežģītu slimību, piemēram, vēža, gadījumā mākslīgā intelekta audzēju padomes varētu analizēt pacienta ģenētisko uzbūvi un slimības vēsturi un patstāvīgi izstrādāt ieteicamo ārstēšanas shēmu (ķīmijterapijas plānu, zāļu izvēli). Ārsti to pārskatītu, bet laika gaitā, pieaugot pārliecībai, viņi varētu sākt pieņemt mākslīgā intelekta ģenerētus plānus, īpaši ikdienas gadījumos, pielāgojot tos tikai nepieciešamības gadījumā.

• Virtuālās medmāsas un aprūpe mājās: Mākslīgais intelekts (MI), kas var sarunāties un sniegt medicīniskus norādījumus, varētu veikt daudzus turpmākus pasākumus un hronisku slimību uzraudzību. Piemēram, pacienti mājās ar hroniskām slimībām varētu ziņot par ikdienas rādītājiem MI medmāsas palīgam, kas sniedz padomus (“Jūsu cukura līmenis asinīs ir nedaudz paaugstināts, apsveriet iespēju pielāgot vakara uzkodas”) un ziņo cilvēkam tikai tad, ja rādījumi ir ārpus diapazona vai rodas problēmas. Šis MI varētu darboties lielā mērā autonomi ārsta attālinātā uzraudzībā.

• Medicīniskā attēlveidošana un laboratorijas analīze — pilnībā automatizēti procesi: Līdz 2035. gadam medicīnisko skenējumu nolasīšanu dažās jomās galvenokārt varētu veikt mākslīgais intelekts. Radiologi pārraudzītu mākslīgā intelekta sistēmas un risinātu sarežģītus gadījumus, taču lielāko daļu parasto skenējumu (kas patiešām ir normāli) varētu “nolasīt” un apstiprināt mākslīgais intelekts tieši. Līdzīgi patoloģisko preparātu analīzi (piemēram, vēža šūnu noteikšanu biopsijā) sākotnējās skrīninga veikšanai varētu veikt autonomi, ievērojami paātrinot laboratorijas rezultātus.

• Zāļu atklāšana un klīniskie pētījumi: mākslīgais intelekts, visticamāk, ne tikai izstrādās zāļu molekulas, bet arī ģenerēs sintētiskus pacientu datus pētījumiem vai atradīs optimālus pētījumu kandidātus. Tas varētu autonomi veikt virtuālus pētījumus (simulējot pacientu reakciju), lai sašaurinātu iespējas pirms reāliem pētījumiem. Tas varētu ātrāk novest zāles tirgū ar mazāku skaitu cilvēku vadītu eksperimentu.

Vīzija par mākslīgā intelekta ārstu, kas pilnībā aizstātu cilvēku ārstu, joprojām ir diezgan tāla un joprojām pretrunīga. Pat līdz 2035. gadam tiek sagaidīts, ka mākslīgais intelekts kalpos ārstiem kā kolēģis , nevis kā cilvēka pieskāriena aizstājējs. Sarežģītas diagnozes noteikšanai bieži vien ir nepieciešama intuīcija, ētika un sarunas, lai izprastu pacienta kontekstu – jomas, kurās cilvēku ārsti izceļas. Tomēr mākslīgais intelekts varētu tikt galā, piemēram, ar 80% no ikdienas darba slodzes: dokumentu kārtošanu, vienkāršām lietām, uzraudzību utt., ļaujot cilvēku klīnicistiem koncentrēties uz sarežģītajiem 20% un attiecībām ar pacientiem.

Pastāv ievērojami šķēršļi: regulatīvā apstiprināšana autonomam mākslīgajam intelektam veselības aprūpē ir stingra (un atbilstoši). Mākslīgā intelekta sistēmām būs nepieciešama plaša klīniskā validācija. Mēs varētu piedzīvot pakāpenisku pieņemšanu, piemēram, mākslīgajam intelektam ir atļauts autonomi diagnosticēt vai ārstēt nepietiekami apkalpotās teritorijās, kur nav pieejami ārsti, lai paplašinātu piekļuvi veselības aprūpei (iedomājieties "mākslīgā intelekta klīniku" attālā ciematā līdz 2030. gadam, kas darbosies ar periodisku attālinātu uzraudzību no pilsētas ārsta).

Ētiskie apsvērumi ir ļoti svarīgi. Atbildība (ja autonoms mākslīgais intelekts kļūdās diagnozē, kurš ir atbildīgs?), informēta piekrišana (pacientiem ir jāzina, vai mākslīgais intelekts ir iesaistīts viņu aprūpē) un vienlīdzības nodrošināšana (mākslīgais intelekts labi darbojas visām iedzīvotāju grupām, izvairoties no aizspriedumiem) ir izaicinājumi, ar kuriem jāpārvar. Pieņemot, ka šie jautājumi tiks risināti, līdz 2030. gadu vidum ģeneratīvais mākslīgais intelekts varētu tikt ieausts veselības aprūpes sniegšanas struktūrā, veicot daudzus uzdevumus, kas atbrīvo cilvēku pakalpojumu sniedzējus un potenciāli sasniedz pacientus, kuriem pašlaik ir ierobežota piekļuve.

Rezumējot, līdz 2035. gadam veselības aprūpē, visticamāk, mākslīgais intelekts būs dziļi integrēts, bet galvenokārt zem pārsega vai atbalsta lomās. Mēs uzticēsimies mākslīgajam intelektam daudz ko paveikt patstāvīgi – nolasīt skenējumus, uzraudzīt dzīvības rādītājus, izstrādāt plānus –, taču kritisku lēmumu pieņemšanai joprojām pastāvēs cilvēka uzraudzības drošības tīkls. Rezultāts varētu būt efektīvāka un atsaucīgāka veselības aprūpes sistēma, kurā mākslīgais intelekts veic smago darbu, bet cilvēki sniedz empātiju un galīgo spriedumu.

Ģeneratīvais mākslīgais intelekts izglītībā

Izglītība ir vēl viena joma, kurā ģeneratīvais mākslīgais intelekts (MI) rada popularitāti, sākot no MI darbinātiem mācību robotiem līdz automatizētai vērtēšanai un satura veidošanai. Mācīšana un mācīšanās ietver komunikāciju un radošumu, kas ir ģeneratīvo modeļu stiprās puses. Bet vai MI var uzticēties izglītošanā bez skolotāja uzraudzības?

Pašreizējās iespējas (2025. g.): Pasniedzēji un satura ģeneratori uz pavadas

Pašlaik mākslīgais intelekts izglītībā tiek izmantots galvenokārt kā papildu rīks, nevis atsevišķs skolotājs. Pašreizējā lietojuma piemēri:

• Mākslīgā intelekta pasniedzēju asistenti: tādi rīki kā Khan Academy “Khanmigo” (darbina GPT-4) vai dažādas valodu apguves lietotnes izmanto mākslīgo intelektu, lai simulētu individuālu pasniedzēju vai sarunu partneri. Skolēni var uzdot jautājumus dabiskā valodā un saņemt atbildes vai skaidrojumus. Mākslīgais intelekts var sniegt padomus par mājasdarbu problēmām, dažādos veidos izskaidrot jēdzienus vai pat iejusties vēsturiskas personas lomā interaktīvā vēstures stundā. Tomēr šie mākslīgā intelekta pasniedzēji parasti tiek izmantoti ar uzraudzību; skolotāji vai lietotnes uzturētāji bieži uzrauga dialogus vai nosaka robežas tam, ko mākslīgais intelekts var apspriest (lai izvairītos no dezinformācijas vai nepiemērota satura).

• Satura veidošana skolotājiem: Ģeneratīvais mākslīgais intelekts palīdz skolotājiem, veidojot viktorīnas jautājumus, lasāmvielas kopsavilkumus, stundu plānu izklāstus utt. Skolotājs varētu lūgt mākslīgajam intelektam: “Ģenerēt 5 praktiskus uzdevumus par kvadrātvienādojumiem ar atbildēm”, ietaupot laiku sagatavošanās laikā. Šī ir autonoma satura ģenerēšana, taču skolotājs parasti pārskata izvadi, lai pārliecinātos par precizitāti un atbilstību mācību programmai. Tātad tā drīzāk ir darbietilpības taupīšanas ierīce, nevis pilnībā neatkarīga.

• Vērtēšana un atgriezeniskā saite: mākslīgais intelekts var automātiski vērtēt eksāmenus ar atbilžu variantiem (nekas jauns tur nav) un arvien vairāk var novērtēt īsās atbildes vai esejas. Dažas skolu sistēmas izmanto mākslīgo intelektu, lai vērtētu rakstiskas atbildes un sniegtu skolēniem atgriezenisko saiti (piemēram, gramatikas labojumus, ieteikumus argumenta paplašināšanai). Lai gan tas pats par sevi nav ģeneratīvs uzdevums, jaunie mākslīgie intelekti var pat ģenerēt personalizētu atsauksmju ziņojumu skolēnam, pamatojoties uz viņa sniegumu, izceļot jomas, kurās nepieciešams uzlabojums. Skolotāji šajā posmā bieži vien vēlreiz pārbauda mākslīgā intelekta novērtētās esejas, jo baidās no niansēm.

• Adaptīvās mācību sistēmas: tās ir platformas, kas pielāgo mācību materiāla grūtības pakāpi vai stilu, pamatojoties uz studenta sniegumu. Ģeneratīvais mākslīgais intelekts to uzlabo, radot jaunas problēmas vai piemērus, kas pielāgoti studenta vajadzībām. Piemēram, ja studentam ir grūtības ar kādu jēdzienu, mākslīgais intelekts var ģenerēt citu analoģiju vai praktisku jautājumu, kas koncentrējas uz šo jēdzienu. Tas ir zināmā mērā autonomi, bet pedagogu izstrādātas sistēmas ietvaros.

• Studentu izmantošana mācībās: Studenti paši izmanto tādus rīkus kā ChatGPT, lai palīdzētu mācībās — lūdzot skaidrojumus, tulkojumus vai pat izmantojot mākslīgo intelektu, lai saņemtu atsauksmes par esejas melnrakstu (“uzlabot manu ievada rindkopu”). Tas ir patstāvīgs process, un to var veikt bez skolotāja zināšanām. Šajā scenārijā mākslīgais intelekts darbojas kā pasniedzējs vai korektors pēc pieprasījuma. Izaicinājums ir nodrošināt, lai studenti to izmantotu mācībām, nevis tikai atbilžu saņemšanai (akadēmiskā integritāte).

Ir skaidrs, ka no 2025. gada mākslīgais intelekts izglītībā ir spēcīgs, taču parasti darbojas ar cilvēku pedagogu, kurš vada mākslīgā intelekta ieguldījumu. Ir saprotama piesardzība: mēs nevēlamies uzticēties mākslīgajam intelektam, lai tas mācītu nepareizu informāciju vai apstrādātu sensitīvas studentu mijiedarbības vakuumā. Skolotāji uzskata mākslīgā intelekta pasniedzējus par noderīgiem palīgiem, kas var sniegt studentiem vairāk prakses un tūlītējas atbildes uz ikdienas jautājumiem, atbrīvojot skolotājus, lai viņi varētu koncentrēties uz dziļāku mentorēšanu.

Perspektīva 2030.–2035. gadam: personalizēti mākslīgā intelekta pasniedzēji un automatizēti mācību palīgi

Nākamajā desmitgadē mēs paredzam, ka ģeneratīvais mākslīgais intelekts nodrošinās personalizētāku un autonomāku mācību pieredzi , vienlaikus attīstoties skolotāju lomām:

• Personīgie pasniedzēji ar mākslīgo intelektu katram skolēnam: Līdz 2030. gadam vīzija (ko atbalsta tādi eksperti kā Sals Hans no Hana akadēmijas) ir tāda, ka katram skolēnam varētu būt pieejams mākslīgā intelekta pasniedzējs, kas daudzējādā ziņā ir tikpat efektīvs kā cilvēks-pasniedzējs ( šis mākslīgā intelekta pasniedzējs varētu padarīt cilvēkus 10 reizes gudrākus, saka tā veidotājs ). Šie mākslīgā intelekta pasniedzēji būtu pieejami visu diennakti, precīzi zinātu skolēna mācību vēsturi un attiecīgi pielāgotu savu mācību stilu. Piemēram, ja skolēns ir vizuāls skolēns, kuram ir grūtības ar algebras jēdzienu, mākslīgais intelekts varētu dinamiski izveidot vizuālu skaidrojumu vai interaktīvu simulāciju, lai palīdzētu. Tā kā mākslīgais intelekts var izsekot skolēna progresam laika gaitā, tas var autonomi izlemt, kuru tēmu pārskatīt tālāk vai kad pāriet uz jaunu prasmi, tādējādi mikro līmenī efektīvi pārvaldot šī skolēna mācību plānu

• Samazināta skolotāja darba slodze ikdienas uzdevumos: vērtēšana, darba lapu veidošana, mācību materiālu izstrāde — šos uzdevumus līdz 2030. gadam varētu gandrīz pilnībā uzticēt mākslīgajam intelektam. Mākslīgais intelekts varētu ģenerēt pielāgotus mājasdarbus klasei visai nedēļai, novērtēt visus iepriekšējās nedēļas uzdevumus (pat atvērta tipa) ar atgriezenisko saiti un norādīt skolotājam, kuriem skolēniem varētu būt nepieciešama papildu palīdzība par kuriem tematiem. Tas varētu notikt ar minimālu skolotāja ieguldījumu, varbūt tikai ar ātru skatienu, lai pārliecinātos, ka mākslīgā intelekta atzīmes šķiet godīgas.

• Autonomās adaptīvās mācību platformas: Iespējams, ka atsevišķiem priekšmetiem mēs redzēsim pilnībā mākslīgā intelekta vadītus kursus. Iedomājieties tiešsaistes kursu bez cilvēka instruktora, kur mākslīgā intelekta aģents iepazīstina ar materiālu, sniedz piemērus, atbild uz jautājumiem un pielāgo tempu atkarībā no studenta. Studenta pieredze varētu būt unikāla, ģenerēta reāllaikā. Dažas korporatīvās apmācības un pieaugušo izglītības programmas varētu pāriet uz šo modeli ātrāk, kur līdz 2035. gadam darbinieks varētu teikt: "Es vēlos apgūt padziļinātas Excel makro", un mākslīgā intelekta pasniedzējs mācīs viņam personalizētu mācību programmu, tostarp ģenerēs vingrinājumus un novērtēs viņu risinājumus, bez cilvēka instruktora klātbūtnes.

• Mākslīgā intelekta asistenti klasē: fiziskās vai virtuālās klasēs mākslīgais intelekts varētu klausīties klases diskusijas un nekavējoties palīdzēt skolotājam (piemēram, čukstot ieteikumus caur austiņu: “Vairāki skolēni izskatās apjukuši par šo koncepciju, varbūt minēsiet citu piemēru”). Tas varētu arī vadīt tiešsaistes klases forumus, atbildēt uz tiešiem skolēnu uzdotajiem jautājumiem (“Kad jāiesniedz uzdevums?” vai pat precizēt lekcijas jautājumu), lai skolotājs netiktu pārslogots ar e-pastiem. Līdz 2035. gadam mākslīgā intelekta līdzskolotāja klātbūtne telpā, kamēr cilvēks-skolotājs koncentrējas uz augstāka līmeņa vadību un motivācijas aspektiem, varētu kļūt par standartu.

• Globāla piekļuve izglītībai: autonomi mākslīgā intelekta pasniedzēji varētu palīdzēt izglītot skolēnus apgabalos, kuros trūkst skolotāju. Planšetdators ar mākslīgā intelekta pasniedzēju varētu kalpot par galveno instruktoru skolēniem, kuriem citādi būtu ierobežotas zināšanas skolā, aptverot pamata lasītprasmi un matemātiku. Līdz 2035. gadam šis varētu būt viens no ietekmīgākajiem pielietojumiem – mākslīgais intelekts varētu pārvarēt nepilnības vietās, kur cilvēku skolotāji nav pieejami. Tomēr būs svarīgi nodrošināt mākslīgā intelekta izglītības kvalitāti un kultūras atbilstību dažādos kontekstos.

Vai mākslīgais intelekts aizstās skolotājus? Maz ticams, ka pilnībā. Mācīšana ir kas vairāk nekā tikai satura sniegšana – tā ir mentorings, iedvesma, sociāli emocionāls atbalsts. Šos cilvēciskos elementus mākslīgajam intelektam ir grūti atkārtot. Taču mākslīgais intelekts var kļūt par otro skolotāju klasē vai pat par pirmo skolotāju zināšanu nodošanā, atstājot cilvēku pedagogiem koncentrēties uz to, ko cilvēki prot vislabāk: just līdzi, motivēt un veicināt kritisko domāšanu.

Ir jārisina šādi jautājumi: nodrošināt, lai mākslīgais intelekts sniegtu precīzu informāciju (bez izglītojošām halucinācijām par nepatiesiem faktiem), izvairīties no aizspriedumiem izglītības saturā, saglabāt studentu datu privātumu un noturēt studentu iesaisti (mākslīgajam intelektam ir jābūt motivējošam, ne tikai pareizam). Visticamāk, mēs redzēsim mākslīgā intelekta izglītības sistēmu akreditāciju vai sertifikāciju – līdzīgi kā tiek apstiprinātas mācību grāmatas –, lai nodrošinātu to atbilstību standartiem.

Vēl viens izaicinājums ir pārmērīga paļaušanās: ja mākslīgā intelekta pasniedzējs sniedz atbildes pārāk viegli, skolēni var neiemācīties neatlaidību vai problēmu risināšanas prasmes. Lai to mazinātu, nākotnes mākslīgā intelekta pasniedzēji varētu tikt veidoti tā, lai dažkārt ļautu skolēniem cīnīties (tāpat kā cilvēka pasniedzējs) vai mudinātu viņus risināt problēmas ar mājieniem, nevis sniegt risinājumus.

Līdz 2035. gadam mācību vide varētu tikt pārveidota: katram skolēnam būs ar mākslīgo intelektu savienota ierīce, kas vadīs viņu savā tempā, savukārt skolotājs vada grupas aktivitātes un sniedz cilvēcisku ieskatu. Izglītība varētu kļūt efektīvāka un pielāgotāka. Tiek solīts, ka katrs skolēns saņems nepieciešamo palīdzību, kad tā viņam būs nepieciešama – patiesa “personīgā pasniedzēja” pieredze plašā mērogā. Pastāv risks zaudēt cilvēcisko pieskārienu vai ļaunprātīgi izmantot mākslīgo intelektu (piemēram, skolēni krāpjas, izmantojot mākslīgo intelektu). Taču kopumā, ja tas tiek labi pārvaldīts, ģeneratīvais mākslīgais intelekts var demokratizēt un uzlabot mācīšanos, būdams vienmēr pieejams, zinošs pavadonis skolēna izglītības ceļojumā.

Ģeneratīvais mākslīgais intelekts loģistikā un piegādes ķēdē

Loģistika — preču pārvietošanas un piegādes ķēžu pārvaldības māksla un zinātne — var nešķist tradicionāla “ģeneratīvā” mākslīgā intelekta joma, taču radoša problēmu risināšana un plānošana šajā jomā ir ļoti svarīga. Ģeneratīvais mākslīgais intelekts var palīdzēt, simulējot scenārijus, optimizējot plānus un pat kontrolējot robotizētas sistēmas. Loģistikas mērķis ir efektivitāte un izmaksu ietaupījums, kas labi saskan ar mākslīgā intelekta stiprajām pusēm datu analīzē un risinājumu piedāvāšanā. Tātad, cik autonomu mākslīgais intelekts var kļūt piegādes ķēžu un loģistikas operāciju vadīšanā?

Pašreizējās iespējas (2025. gads): optimizācija un racionalizācija ar cilvēka uzraudzību

Mūsdienās mākslīgais intelekts (tostarp dažas ģeneratīvās pieejas) loģistikā tiek izmantots galvenokārt kā lēmumu atbalsta rīks :

• Maršruta optimizācija: Uzņēmumi, piemēram, UPS un FedEx, jau izmanto mākslīgā intelekta algoritmus, lai optimizētu piegādes maršrutus, nodrošinot, ka autovadītāji izvēlas visefektīvāko ceļu. Tradicionāli tie bija operāciju izpētes algoritmi, taču tagad ģeneratīvās pieejas var palīdzēt izpētīt alternatīvas maršrutēšanas stratēģijas dažādos apstākļos (satiksmes sastrēgumi, laika apstākļi). Kamēr mākslīgais intelekts iesaka maršrutus, cilvēku dispečeri vai vadītāji nosaka parametrus (piemēram, prioritātes) un var tos ignorēt, ja nepieciešams.

• Iekraušanas un telpas plānošana: Kravas automašīnu vai kuģniecības konteineru iepakošanai mākslīgais intelekts var ģenerēt optimālus iekraušanas plānus (kura kaste kur jānovieto). Ģeneratīvais mākslīgais intelekts var ģenerēt vairākas iepakošanas konfigurācijas, lai maksimāli izmantotu telpu, būtībā “radot” risinājumus, no kuriem cilvēki var izvēlēties. To uzsvēra pētījums, kurā norādīts, ka ASV kravas automašīnas bieži vien ir par 30 % tukšas, un labāka plānošana – ar mākslīgā intelekta palīdzību – var samazināt šos atkritumus ( Galvenie Ģeneratīvā mākslīgā intelekta lietošanas gadījumi loģistikā ). Šo mākslīgā intelekta ģenerēto iekraušanas plānu mērķis ir samazināt degvielas izmaksas un emisijas, un dažās noliktavās tie tiek izpildīti ar minimālām manuālām izmaiņām.

• Pieprasījuma prognozēšana un krājumu pārvaldība: mākslīgā intelekta modeļi var prognozēt produktu pieprasījumu un ģenerēt krājumu papildināšanas plānus. Ģeneratīvais modelis varētu simulēt dažādus pieprasījuma scenārijus (piemēram, mākslīgais intelekts “iztēlojas” pieprasījuma pieaugumu gaidāmo svētku dēļ) un attiecīgi plānot krājumus. Tas palīdz piegādes ķēdes vadītājiem sagatavoties. Pašlaik mākslīgais intelekts sniedz prognozes un ieteikumus, taču galīgo lēmumu par ražošanas līmeņiem vai pasūtījumiem parasti pieņem cilvēki.

• Riska novērtējums: Globālā piegādes ķēde saskaras ar traucējumiem (dabas katastrofām, ostu kavējumiem, politiskiem jautājumiem). Mākslīgā intelekta sistēmas tagad pārskata ziņas un datus, lai identificētu iespējamos riskus. Piemēram, viens loģistikas uzņēmums izmanto ģeneratīvo mākslīgo intelektu, lai skenētu internetu un atzīmētu riskantus transporta koridorus (apgabalus, kuros, iespējams, radīsies problēmas, piemēram, tuvojošās viesuļvētras vai nemieru dēļ) ( Galvenie ģeneratīvā mākslīgā intelekta lietošanas gadījumi loģistikā ). Izmantojot šo informāciju, plānotāji var autonomi novirzīt sūtījumus ap problemātiskajām vietām. Dažos gadījumos mākslīgais intelekts var automātiski ieteikt maršruta izmaiņas vai transporta veida izmaiņas, kuras pēc tam apstiprina cilvēki.

• Noliktavu automatizācija: Daudzas noliktavas ir daļēji automatizētas ar robotiem preču komplektēšanai un iesaiņošanai. Ģeneratīvais mākslīgais intelekts var dinamiski piešķirt uzdevumus robotiem un cilvēkiem, lai nodrošinātu optimālu plūsmu. Piemēram, mākslīgais intelekts katru rītu var ģenerēt darba rindu robotizētajiem komplektētājiem, pamatojoties uz pasūtījumiem. Tas bieži vien ir pilnībā autonoms izpildē, vadītājiem tikai uzraugot KPI — ja pasūtījumu skaits negaidīti pieaug, mākslīgais intelekts pats pielāgo darbības.

• Autoparka pārvaldība: mākslīgais intelekts palīdz plānot transportlīdzekļu apkopi, analizējot modeļus un ģenerējot optimālus apkopes grafikus, kas samazina dīkstāves laiku. Tas var arī grupēt sūtījumus, lai samazinātu braucienu skaitu. Šos lēmumus mākslīgā intelekta programmatūra var pieņemt automātiski, ja vien tā atbilst apkopes prasībām.

Kopumā, sākot ar 2025. gadu, mērķus nosaka cilvēki (piemēram, "samazināt izmaksas, bet nodrošināt piegādi 2 dienu laikā"), un mākslīgais intelekts (MI) izstrādā risinājumus vai grafikus, lai tos sasniegtu. Sistēmas var darboties katru dienu bez iejaukšanās, līdz notiek kaut kas neparasts. Liela daļa loģistikas ietver atkārtotus lēmumus (kad šai piegādei vajadzētu aiziet? no kuras noliktavas izpildīt šo pasūtījumu?), kurus MI var iemācīties pieņemt konsekventi. Uzņēmumi pakāpeniski uzticas MI šo mikrolēmumu pieņemšanā un brīdina vadītājus tikai izņēmumu gadījumā.

Perspektīvas 2030.–2035. gadam: pašvadošas piegādes ķēdes

Nākamajā desmitgadē mēs varam iedomāties daudz autonomāku loģistikas koordināciju , ko virza mākslīgais intelekts:

• Autonomie transportlīdzekļi un droni: Pašbraucošas kravas automašīnas un piegādes droni, lai gan plašāka mākslīgā intelekta/robotizācijas tēma, tieši ietekmē loģistiku. Ja tiks pārvarētas regulējošās un tehniskās problēmas, līdz 2030. gadam mākslīgais intelekts varētu regulāri vadīt kravas automašīnas pa automaģistrālēm vai droni apkalpot pēdējās jūdzes piegādes pilsētās. Šie mākslīgie intelekti pieņems reāllaika lēmumus (maršruta izmaiņas, šķēršļu apiešana) bez cilvēku vadītājiem. Ģeneratīvais aspekts ir tajā, kā šie transportlīdzekļu mākslīgie intelekti mācās no plašiem datiem un simulācijām, efektīvi "apmācoties" neskaitāmos scenārijos. Pilnībā autonoms autoparks varētu darboties visu diennakti, cilvēkiem veicot tikai attālinātu uzraudzību. Tas no loģistikas darbībām izslēdz milzīgu cilvēcisko elementu (vadītājus), ievērojami palielinot autonomiju.

• Pašdziedinošas piegādes ķēdes: Ģeneratīvais mākslīgais intelekts, visticamāk, tiks izmantots, lai pastāvīgi simulētu piegādes ķēdes scenārijus un sagatavotu ārkārtas rīcības plānus. Līdz 2035. gadam mākslīgais intelekts varētu automātiski noteikt, kad piegādātāja rūpnīca ir slēgta (izmantojot ziņas vai datu plūsmas), un nekavējoties pārslēgt iepirkumus uz alternatīviem piegādātājiem, kurus tas jau ir pārbaudījis simulācijā. Tas nozīmē, ka piegādes ķēde "dziedē" sevi no traucējumiem, mākslīgajam intelektam uzņemoties iniciatīvu. Cilvēki-vadītāji tiktu informēti par mākslīgā intelekta rīcību, nevis tie, kas uzsāktu risinājumu.

• Pilnīga krājumu optimizācija: mākslīgais intelekts varētu autonomi pārvaldīt krājumus visā noliktavu un veikalu tīklā. Tas izlemtu, kad un kur pārvietot krājumus (iespējams, izmantojot robotus vai automatizētus transportlīdzekļus), katrā vietā uzturot tieši tik daudz krājumu. Mākslīgais intelekts būtībā vada piegādes ķēdes vadības torni: redzot visas plūsmas un veicot korekcijas reāllaikā. Līdz 2035. gadam "pašbraucošas" piegādes ķēdes ideja varētu nozīmēt, ka sistēma katru dienu pati izdomā labāko izplatīšanas plānu, pasūta produktus, plāno rūpnīcas darbības un organizē transportu. Cilvēki pārraudzītu vispārējo stratēģiju un risinātu izņēmumus, kas pārsniedz mākslīgā intelekta pašreizējās izpratnes robežas.

• Ģeneratīvais dizains loģistikā: Mēs varētu redzēt mākslīgo intelektu (MI) projektējam jaunus piegādes ķēdes tīklus. Pieņemsim, ka uzņēmums paplašinās uz jaunu reģionu; MI, ņemot vērā datus, varētu ģenerēt optimālas noliktavu atrašanās vietas, transporta savienojumus un krājumu politikas šim reģionam – to jau šodien dara konsultanti un analītiķi. Līdz 2030. gadam uzņēmumi varētu paļauties uz MI ieteikumiem piegādes ķēdes dizaina izvēlē, uzticoties tam ātrāk izvērtēt faktorus un, iespējams, atrast radošus risinājumus (piemēram, neacīmredzamus izplatīšanas centrus), ko cilvēki nepamana.

• Integrācija ar ražošanu (Industrija 4.0): Loģistika nav patstāvīga; tā ir saistīta ar ražošanu. Nākotnes rūpnīcās varētu būt ģeneratīvais mākslīgais intelekts, kas plāno ražošanas apjomus, pasūta izejvielas tieši laikā un pēc tam dod norādījumus loģistikas tīklam nekavējoties nosūtīt produktus. Šis integrētais mākslīgais intelekts varētu nozīmēt mazāku cilvēcisko plānošanu kopumā — netraucētu ķēdi no ražošanas līdz piegādei, ko vada algoritmi, kas optimizē izmaksas, ātrumu un ilgtspējību. Jau tagad līdz 2025. gadam augstas veiktspējas piegādes ķēdes ir balstītas uz datiem; līdz 2035. gadam tās varētu būt lielā mērā balstītas uz mākslīgo intelektu.

• Dinamisks klientu apkalpošanas serviss loģistikā: Balstoties uz klientu apkalpošanas mākslīgo intelektu (MI), piegādes ķēdes MI varētu tieši mijiedarboties ar klientiem. Piemēram, ja liels klients vēlas pēdējā brīdī mainīt savu vairumtirdzniecības pasūtījumu, MI aģents varētu vienoties par iespējamām alternatīvām (piemēram, "Puse varam piegādāt tagad, puse nākamnedēļ ierobežojumu dēļ"), negaidot cilvēku vadītāju. Tas ietver ģeneratīvo MI izpratni par abām pusēm (klientu vajadzības pret operatīvajām iespējām) un lēmumu pieņemšanu, kas nodrošina darbības raitu norisi, vienlaikus apmierinot klientus.

Paredzamais ieguvums ir efektīvāka , noturīgāka un atsaucīgāka loģistikas sistēma. Uzņēmumi paredz milzīgus ietaupījumus – McKinsey lēš, ka mākslīgā intelekta vadīta piegādes ķēdes optimizācija varētu ievērojami samazināt izmaksas un uzlabot pakalpojumu līmeni, potenciāli pievienojot triljonus vērtības dažādās nozarēs ( Mākslīgā intelekta stāvoklis 2023. gadā: Ģeneratīvā mākslīgā intelekta izrāviena gads | McKinsey ).

Tomēr lielākas kontroles nodošana mākslīgajam intelektam ir saistīta arī ar riskiem, piemēram, kaskādes kļūdām, ja mākslīgā intelekta loģika ir kļūdaina (piemēram, bēdīgi slavenais scenārijs, kad mākslīgā intelekta piegādes ķēde modelēšanas kļūdas dēļ netīšām izbeidz uzņēmuma krājumus). Tādi drošības pasākumi kā “cilvēka iesaistīšanās lielu lēmumu pieņemšanā” vai vismaz informācijas paneļi, kas ļauj ātri mainīt lēmumus, visticamāk, saglabāsies līdz 2035. gadam. Laika gaitā, pierādot mākslīgā intelekta lēmumiem, cilvēki jutīsies ērtāk atkāpties.

Interesanti, ka, optimizējot efektivitāti, mākslīgais intelekts dažkārt var izdarīt izvēles, kas ir pretrunā ar cilvēku vēlmēm vai tradicionālajām praksēm. Piemēram, tīra optimizācija varētu novest pie ļoti liesām krājumu sistēmām, kas ir efektīvi, bet var šķist riskanti. Piegādes ķēdes speciālistiem 2030. gadā, iespējams, būs jāpielāgo sava intuīcija, jo mākslīgais intelekts, apstrādājot milzīgus datus, varētu pierādīt, ka tā neparastā stratēģija patiesībā darbojas labāk.

Visbeidzot, mums jāņem vērā, ka fiziski ierobežojumi (infrastruktūra, fizisko procesu ātrums) ierobežo loģistikas izmaiņu ātrumu, tāpēc revolūcija šeit ir par gudrāku plānošanu un resursu izmantošanu, nevis pilnīgi jaunu fizisko realitāti. Taču pat šajās robežās ģeneratīvā mākslīgā intelekta radošie risinājumi un nežēlīgā optimizācija varētu ievērojami uzlabot preču pārvietošanos visā pasaulē ar minimālu manuālu plānošanu.

Rezumējot, loģistika līdz 2035. gadam varētu darboties līdzīgi kā labi ieeļļota automatizēta mašīna: preces plūst efektīvi, maršruti reāllaikā pielāgojas traucējumiem, noliktavas pašas sevi pārvalda ar robotu palīdzību, un visa sistēma nepārtraukti mācās un uzlabojas, izmantojot datus – visu to organizē ģeneratīvais mākslīgais intelekts, kas darbojas kā operācijas smadzenes.

Ģeneratīvais mākslīgais intelekts finansēs un biznesā

Finanšu nozare lielā mērā nodarbojas ar informāciju – ziņojumiem, analīzi, klientu komunikāciju –, padarot to par auglīgu augsni ģeneratīvajam mākslīgajam intelektam. Sākot ar banku darbību un beidzot ar ieguldījumu pārvaldību un apdrošināšanu, organizācijas pēta mākslīgā intelekta izmantošanu automatizācijai un ieskatu ģenerēšanai. Jautājums ir, kādus finanšu uzdevumus mākslīgais intelekts var droši veikt bez cilvēka uzraudzības, ņemot vērā precizitātes un uzticēšanās nozīmi šajā jomā?

Pašreizējās iespējas (2025. g.): Automatizētas atskaites un lēmumu atbalsts

Šobrīd ģeneratīvais mākslīgais intelekts sniedz ieguldījumu finanšu jomā vairākos veidos, bieži vien cilvēka uzraudzībā:

• Ziņojumu ģenerēšana: Bankas un finanšu uzņēmumi sagatavo daudzus ziņojumus — peļņas kopsavilkumus, tirgus komentārus, portfeļa analīzi utt. Mākslīgais intelekts jau tiek izmantots šo ziņojumu sagatavošanai. Piemēram, Bloomberg ir izstrādājis BloombergGPT — lielu valodas modeli, kas apmācīts finanšu datiem, lai palīdzētu termināļu lietotājiem veikt tādus uzdevumus kā ziņu klasifikācija un jautājumu un atbilžu sadaļa ( ģeneratīvais mākslīgais intelekts ienāk finanšu jomā ). Lai gan tā galvenais mērķis ir palīdzēt cilvēkiem atrast informāciju, tas parāda mākslīgā intelekta pieaugošo lomu. Automated Insights (uzņēmums, ar kuru sadarbojās AP) arī ģenerēja finanšu rakstus. Daudzi investīciju informatīvie biļeteni izmanto mākslīgo intelektu, lai apkopotu ikdienas tirgus kustības vai ekonomiskos rādītājus. Parasti cilvēki tos pārskata pirms nosūtīšanas klientiem, taču tā ir ātra rediģēšana, nevis rakstīšana no nulles.

• Klientu komunikācija: Mazumtirdzniecības banku pakalpojumu jomā mākslīgā intelekta tērzēšanas roboti apstrādā klientu jautājumus par kontu atlikumiem, darījumiem vai produktu informāciju (iekļaujoties klientu apkalpošanas jomā). Mākslīgais intelekts var arī ģenerēt personalizētas finanšu konsultāciju vēstules vai atgādinājumus. Piemēram, mākslīgais intelekts var noteikt, ka klients varētu ietaupīt uz komisijas maksām, un automātiski izveidot ziņojumu ar ieteikumu pāriet uz cita veida kontu, kas pēc tam tiek nosūtīts ar minimālu cilvēka iejaukšanos. Šāda veida personalizēta komunikācija plašā mērogā ir pašreizējais mākslīgā intelekta pielietojums finanšu jomā.

• Krāpšanas atklāšana un brīdinājumi: Ģeneratīvais mākslīgais intelekts var palīdzēt izveidot naratīvus vai skaidrojumus par krāpšanas sistēmu atklātajām anomālijām. Piemēram, ja tiek atzīmēta aizdomīga darbība, mākslīgais intelekts var ģenerēt klientam skaidrojošu ziņojumu (“Mēs pamanījām pieteikšanos no jaunas ierīces…”) vai ziņojumu analītiķiem. Atklāšana ir automatizēta (izmantojot mākslīgā intelekta/mašīnu mācīšanās anomāliju atklāšanu), un saziņa arvien vairāk tiek automatizēta, lai gan pēdējās darbības (konta bloķēšana) bieži vien tiek pārbaudītas ar cilvēka palīdzību.

• Finanšu konsultācijas (ierobežotas): Daži robotizētie konsultanti (automatizētas investīciju platformas) izmanto algoritmus (ne obligāti ģeneratīvo mākslīgo intelektu), lai pārvaldītu portfeļus bez cilvēku konsultantiem. Ģeneratīvais mākslīgais intelekts ienāk, piemēram, ģenerējot komentārus par to, kāpēc tika veikti noteikti darījumi, vai klientam pielāgotu portfeļa snieguma kopsavilkumu. Tomēr tīras finanšu konsultācijas (piemēram, sarežģīta finanšu plānošana) joprojām lielākoties ir cilvēku vai uz noteikumiem balstītas algoritmiskas; brīvas formas ģeneratīvas konsultācijas bez uzraudzības ir riskantas atbildības dēļ, ja tās ir nepareizas.

• Riska novērtējumi un parakstīšana: Apdrošināšanas kompānijas testē mākslīgo intelektu (AI), lai automātiski rakstītu riska novērtējuma ziņojumus vai pat polises dokumentu projektus. Piemēram, ņemot vērā datus par īpašumu, mākslīgais intelekts varētu ģenerēt apdrošināšanas polises projektu vai parakstītāja ziņojumu, kurā aprakstīti riska faktori. Pašlaik šos rezultātus pārskata cilvēki, jo jebkura kļūda līgumā var būt dārga.

• Datu analīze un ieskati: mākslīgais intelekts var pārskatīt finanšu pārskatus vai ziņas un ģenerēt kopsavilkumus. Analītiķi izmanto rīkus, kas var acumirklī apkopot 100 lappušu gada pārskatu galvenajos punktos vai iegūt galvenos secinājumus no peļņas paziņojuma transkripta. Šie kopsavilkumi ietaupa laiku un tos var izmantot tieši lēmumu pieņemšanā vai nodot tālāk, taču apdomīgi analītiķi divreiz pārbauda svarīgākās detaļas.

Būtībā pašreizējais mākslīgais intelekts finanšu jomā darbojas kā nenogurstošs analītiķis/rakstnieks , ģenerējot saturu, ko cilvēki pilnveido. Pilnībā autonoma izmantošana galvenokārt notiek precīzi definētās jomās, piemēram, uz datiem balstītās ziņās (nav nepieciešams subjektīvs spriedums) vai klientu apkalpošanas atbildēs. Tieša uzticēšanās mākslīgajam intelektam lēmumu pieņemšanā par naudu (piemēram, līdzekļu pārvietošana, darījumu veikšana ārpus iepriekš noteiktiem algoritmiem) ir reta augsto likmju un regulatīvās kontroles dēļ.

Perspektīva 2030.–2035. gadam: mākslīgā intelekta analītiķi un autonomas finanšu operācijas

Raugoties nākotnē, līdz 2035. gadam ģeneratīvais mākslīgais intelekts varētu būt dziļi integrēts finanšu operācijās, potenciāli autonomi veicot daudzus uzdevumus:

• Mākslīgais intelekts (MI) finanšu analītiķi: Mēs varētu redzēt MI sistēmas, kas var analizēt uzņēmumus un tirgus un sniegt ieteikumus vai ziņojumus cilvēkkapitāla pētījumu analītiķa līmenī. Līdz 2030. gadam MI varētu iedomājami nolasīt visus uzņēmuma finanšu dokumentus, salīdzināt tos ar nozares datiem un patstāvīgi sagatavot ieguldījumu ieteikumu ziņojumu (“Pirkt/Pārdot” ar pamatojumu). Daži riska ieguldījumu fondi jau izmanto MI, lai ģenerētu tirdzniecības signālus; līdz 2030. gadiem MI pētījumu ziņojumi varētu kļūt par izplatītu parādību. Cilvēku portfeļu pārvaldnieki varētu sākt uzticēties MI ģenerētai analīzei kā vienam no ievades datiem. MI pat varētu autonomi pārvaldīt portfeļus: nepārtraukti uzraugot un pārbalansējot ieguldījumus saskaņā ar iepriekš noteiktu stratēģiju. Faktiski algoritmiskā tirdzniecība jau ir lielā mērā automatizēta – ģeneratīvais MI varētu padarīt stratēģijas pielāgojamākas, pats ģenerējot un testējot jaunus tirdzniecības modeļus.

• Automatizēta finanšu plānošana: Patērētājiem paredzēti mākslīgā intelekta konsultanti varētu veikt ikdienas finanšu plānošanu privātpersonu vārdā. Līdz 2030. gadam jūs varētu pastāstīt mākslīgajam intelektam savus mērķus (mājas iegāde, ietaupījumi studijām), un tas varētu ģenerēt pilnīgu finanšu plānu (budžetu, ieguldījumu sadalījumu, apdrošināšanas ieteikumus), kas pielāgots tieši jums. Sākotnēji to varētu pārskatīt finanšu plānotājs, kas ir cilvēks, bet, pieaugot pārliecībai, šādus padomus varētu sniegt tieši patērētājiem ar atbilstošām atrunām. Galvenais būs nodrošināt, lai mākslīgā intelekta padomi atbilstu noteikumiem un būtu klienta interesēs. Ja šī problēma tiktu atrisināta, mākslīgais intelekts varētu padarīt pamata finanšu konsultācijas daudz pieejamākas par zemām izmaksām.

• Administratīvo procesu automatizācija: Ģeneratīvais mākslīgais intelekts varētu autonomi apstrādāt daudzus administratīvās darbības dokumentus — aizdevumu pieteikumus, atbilstības pārskatus, audita kopsavilkumus. Piemēram, mākslīgais intelekts varētu apkopot visus darījumu datus un ģenerēt audita ziņojumu, kurā atzīmētas visas bažas. 2035. gadā auditori varētu vairāk laika veltīt mākslīgā intelekta atzīmēto izņēmumu pārskatīšanai, nevis paši visu pārskatīt. Līdzīgi atbilstības jomā mākslīgais intelekts varētu ģenerēt regulatoriem aizdomīgu darbību pārskatus (SAR), analītiķim tos nerakstot no nulles. Šo ikdienas dokumentu autonoma ģenerēšana, cilvēka uzraudzībā pārejot uz izņēmumu pamata, varētu kļūt par standartu.

• Apdrošināšanas prasības un riska novērtēšana: Mākslīgais intelekts varētu apstrādāt apdrošināšanas prasību (ar foto pierādījumiem utt.), noteikt segumu un automātiski ģenerēt izmaksas lēmuma vēstuli. Mēs varētu nonākt līdz brīdim, kad vienkāršas prasības (piemēram, autoavārijas ar skaidriem datiem) pilnībā nokārtos mākslīgais intelekts dažu minūšu laikā pēc iesniegšanas. Jaunu polišu riska novērtēšana varētu būt līdzīga: mākslīgais intelekts novērtē risku un ģenerē polises noteikumus. Līdz 2035. gadam, iespējams, tikai sarežģīti vai robežgadījumi tiks nodoti cilvēku apdrošinātājiem.

• Krāpšana un drošība: mākslīgais intelekts, visticamāk, būs vēl svarīgāks krāpšanas vai kiberdraudu atklāšanā un reaģēšanā uz tiem finanšu jomā. Autonomie mākslīgā intelekta aģenti varētu uzraudzīt darījumus reāllaikā un veikt tūlītējas darbības (bloķēt kontus, iesaldēt darījumus), kad tiek sasniegti noteikti kritēriji, un pēc tam sniegt pamatojumu. Šeit ātrums ir izšķirošs, tāpēc vēlama minimāla cilvēka iesaistīšanās. Ģeneratīvā daļa varētu izpausties, skaidri paziņojot par šīm darbībām klientiem vai regulatoriem.

• Vadības atbalsts: Iedomājieties mākslīgā intelekta “personāla vadītāju”, kas var acumirklī ģenerēt biznesa pārskatus vadītājiem. Pajautājiet: “Kā mūsu Eiropas nodaļai veicās šajā ceturksnī un kādi bija galvenie virzītājspēki salīdzinājumā ar pagājušo gadu?”, un mākslīgais intelekts sagatavos kodolīgu pārskatu ar precīzām diagrammām, kas balstītas uz datiem. Šāda veida dinamiska, autonoma pārskatu veidošana un analīze varētu kļūt tikpat vienkārša kā saruna. Līdz 2030. gadam biznesa informācijas vaicājumu veikšana no mākslīgā intelekta un uzticēšanās tam, lai tas sniegtu pareizas atbildes, lielā mērā varētu aizstāt statiskos pārskatus un varbūt pat dažas analītiķu lomas.

Viena interesanta prognoze: līdz 2030. gadam lielāko daļu finanšu satura (ziņu, ziņojumu utt.) varētu ģenerēt mākslīgais intelekts . Jau tagad tādi mediji kā Dow Jones un Reuters izmanto automatizāciju noteiktām ziņu daļām. Ja šī tendence turpināsies un ņemot vērā finanšu datu eksploziju, mākslīgais intelekts varētu būt atbildīgs par lielākās daļas no tā filtrēšanu un paziņošanu.

Tomēr uzticēšanās un verifikācija būs centrā. Finanšu nozare ir stingri regulēta, un jebkurai autonomi darbojošai mākslīgajai intelektai būs jāatbilst stingriem standartiem:

• Nodrošināt, lai nerastos halucinācijas (nevar likt mākslīgā intelekta analītiķim izgudrot finanšu rādītāju, kas nav reāls — tas varētu maldināt tirgus).

• Izvairīšanās no neobjektivitātes vai nelikumīgas prakses (piemēram, netīšas novirzīšanas aizdošanas lēmumos neobjektīvu apmācības datu dēļ).

• Auditējamība: regulatori, visticamāk, pieprasīs, lai mākslīgā intelekta lēmumi būtu izskaidrojami. Ja mākslīgais intelekts noraida aizdevumu vai pieņem tirdzniecības lēmumu, ir jābūt pamatojumam, ko var pārbaudīt. Ģeneratīvie modeļi var būt nedaudz kā melnā kaste, tāpēc sagaidiet izskaidrojamu mākslīgā intelekta metožu izstrādi, lai padarītu to lēmumus caurspīdīgus.

Nākamajos 10 gados, visticamāk, būs cieša sadarbība starp mākslīgo intelektu (MI) un finanšu speciālistiem, pakāpeniski mainot autonomijas robežu, pieaugot uzticībai. Pirmie panākumi būs zema riska automatizācijā (piemēram, pārskatu ģenerēšanā). Grūtāk būs pieņemt būtiskus lēmumus, piemēram, lēmumus par kredītiem vai investīciju izvēli, taču pat tur, MI sasniegumiem attīstoties, uzņēmumi varētu piešķirt tam lielāku autonomiju. Piemēram, MI fondu varētu vadīt cilvēks, kurš iejauksies tikai tad, ja sniegums atšķiras vai ja MI norāda uz nenoteiktību.

Ekonomiski McKinsey lēsa, ka mākslīgais intelekts (īpaši ģeneratīvais mākslīgais intelekts) banku nozarei ik gadu varētu pievienot aptuveni 200–340 miljardus dolāru, kā arī līdzīgi lielu ietekmi uz apdrošināšanas un kapitāla tirgiem ( Mākslīgā intelekta stāvoklis 2023. gadā: ģeneratīvā mākslīgā intelekta izrāviena gads | McKinsey ) ( Kāda ir ģeneratīvā mākslīgā intelekta nākotne? | McKinsey ). Tas notiek, pateicoties efektivitātei un labākiem lēmumu rezultātiem. Lai gūtu šo vērtību, liela daļa ikdienas finanšu analīzes un komunikācijas, visticamāk, tiks nodota mākslīgā intelekta sistēmām.

Rezumējot, līdz 2035. gadam ģeneratīvais mākslīgais intelekts varētu būt kā jaunāko analītiķu, konsultantu un ierēdņu armija, kas strādā visā finanšu sektorā, veicot lielu daļu pamatdarba un daļu sarežģītas analīzes autonomi. Cilvēki joprojām noteiks mērķus un veiks augsta līmeņa stratēģiju, klientu attiecības un uzraudzību. Finanšu pasaule, būdama piesardzīga, pakāpeniski paplašinās autonomiju, taču virziens ir skaidrs, ka arvien vairāk informācijas apstrādes un pat lēmumu ieteikumu nāks no mākslīgā intelekta. Ideālā gadījumā tas novedīs pie ātrāka pakalpojuma (tūlītēji aizdevumi, konsultācijas visu diennakti), zemākām izmaksām un, iespējams, lielākas objektivitātes (lēmumi, kas balstīti uz datu modeļiem). Taču uzticības saglabāšana būs izšķiroša; viena skaļa mākslīgā intelekta kļūda finanšu jomā varētu radīt pārmērīgus zaudējumus (iedomājieties mākslīgā intelekta izraisītu pēkšņu avāriju vai kļūdaini atteiktu labumu tūkstošiem cilvēku). Tādēļ, visticamāk, saglabāsies barjeras un cilvēku pārbaudes, jo īpaši attiecībā uz darbībām, kas vērstas pret patērētājiem, pat ja administratīvās sistēmas procesi kļūst ļoti autonomi.

Izaicinājumi un ētiskie apsvērumi

Visās šajās jomās, ģeneratīvajam mākslīgajam intelektam uzņemoties arvien autonomākus pienākumus, rodas virkne kopīgu izaicinājumu un ētisku jautājumu. Nodrošināt, lai mākslīgais intelekts būtu uzticams un noderīgs autonoms aģents, nav tikai tehnisks, bet arī sabiedrisks uzdevums. Šeit mēs izklāstām galvenās bažas un to, kā tās tiek risinātas (vai būs jārisina):

Uzticamība un precizitāte

Halucināciju problēma: Ģeneratīvie mākslīgā intelekta modeļi var radīt nepareizus vai pilnībā safabricētus rezultātus, kas izskatās pārliecinoši. Tas ir īpaši bīstami, ja nav cilvēka, kas varētu pamanīt kļūdas. Tērzēšanas robots var sniegt klientam nepareizus norādījumus, vai arī mākslīgā intelekta rakstīts ziņojums var saturēt izdomātu statistiku. Sākot ar 2025. gadu, organizācijas par galveno ģeneratīvā mākslīgā intelekta risku atzīst neprecizitāti (Mākslīgā intelekta stāvoklis 2023. gadā: Ģeneratīvā mākslīgā intelekta izrāviena gads | McKinsey ) ( Mākslīgā intelekta stāvoklis: globāla aptauja | McKinsey ). Turpmāk halucināciju mazināšanai tiek izmantotas tādas metodes kā faktu pārbaude datubāzēs, modeļu arhitektūras uzlabojumi un pastiprinājuma mācīšanās ar atgriezenisko saiti. Autonomām mākslīgā intelekta sistēmām, visticamāk, būs nepieciešama stingra testēšana un, iespējams, oficiāla verifikācija kritiskiem uzdevumiem (piemēram, koda ģenerēšanai, kas nepareizas darbības gadījumā varētu radīt kļūdas/drošības trūkumus).

Konsekvence: Mākslīgā intelekta sistēmām ir jādarbojas uzticami laika gaitā un dažādos scenārijos. Piemēram, mākslīgais intelekts var labi atbildēt uz standarta jautājumiem, bet paklupt uz nestandarta gadījumiem. Lai nodrošinātu nemainīgu veiktspēju, būs nepieciešami plaši apmācības dati, kas aptver dažādas situācijas, un nepārtraukta uzraudzība. Daudzas organizācijas plāno izmantot hibrīdas pieejas — mākslīgais intelekts darbojas, bet nejaušus paraugus pārbauda cilvēki —, lai novērtētu pastāvīgos precizitātes rādītājus.

Drošība pret atteici: Kad mākslīgais intelekts ir autonoms, ir ļoti svarīgi, lai tas atpazītu savu nenoteiktību. Sistēmai jābūt izstrādātai tā, lai tā “zinātu, kad tā nezina”. Piemēram, ja mākslīgā intelekta ārsts nav pārliecināts par diagnozi, tam vajadzētu signalizēt cilvēkam pārskatīšanai, nevis sniegt nejaušu minējumu. Nenoteiktības novērtējuma iestrādāšana mākslīgā intelekta izvades datos (un sliekšņu noteikšana automātiskai cilvēka datu pārsūtīšanai) ir aktīva izstrādes joma.

Aizspriedumi un taisnīgums

Ģeneratīvais mākslīgais intelekts mācās no vēsturiskiem datiem, kas var saturēt aizspriedumus (rases, dzimuma utt.). Autonoms mākslīgais intelekts varētu saglabāt vai pat pastiprināt šos aizspriedumus:

• Pieņemot darbā vai uzņemot darbiniekus, mākslīgā intelekta lēmumu pieņēmējs varētu negodīgi diskriminēt, ja tā apmācības datos būtu neobjektivitāte.

• Klientu apkalpošanas jomā mākslīgais intelekts var reaģēt atšķirīgi uz lietotājiem, pamatojoties uz dialektu vai citiem faktoriem, ja vien tas nav rūpīgi pārbaudīts.

• Radošajās jomās mākslīgais intelekts varētu nepietiekami pārstāvēt noteiktas kultūras vai stilus, ja apmācību kopa būtu nelīdzsvarota.

Lai to risinātu, ir nepieciešama rūpīga datu kopu apstrāde, neobjektivitātes testēšana un, iespējams, algoritmiskas korekcijas, lai nodrošinātu taisnīgumu. Pārredzamība ir ļoti svarīga: uzņēmumiem būs jāatklāj mākslīgā intelekta lēmumu pieņemšanas kritēriji, īpaši, ja autonoms mākslīgais intelekts ietekmē kāda cilvēka iespējas vai tiesības (piemēram, aizdevuma vai darba saņemšanu). Regulatori jau pievērš uzmanību; piemēram, ES Mākslīgā intelekta likums (kas tiks izstrādāts no 2020. gadu vidus) visticamāk, pieprasīs neobjektivitātes novērtējumus augsta riska mākslīgā intelekta sistēmām.

Atbildība un juridiskā atbildība

Kad autonomi darbojoša mākslīgā intelekta sistēma nodara kaitējumu vai pieļauj kļūdu, kurš ir atbildīgs? Tiesiskais regulējums panāk:

• Uzņēmumi, kas ievieš mākslīgo intelektu (MI), visticamāk, būs atbildīgi, līdzīgi kā darbinieki. Piemēram, ja MI sniedz sliktu finanšu padomu, kā rezultātā rodas zaudējumi, uzņēmumam, iespējams, būs jākompensē klientam.

• Pastāv debates par mākslīgā intelekta “personību” vai to, vai attīstītais mākslīgais intelekts varētu būt daļēji atbildīgs, taču pagaidām tas ir vairāk teorētiski. Praktiski vaina tiks meklēta izstrādātāju vai operatoru rokās.

• Varētu parādīties jauni apdrošināšanas produkti mākslīgā intelekta kļūmēm. Ja pašbraucoša kravas automašīna izraisa negadījumu, to varētu segt ražotāja apdrošināšana, līdzīgi kā produkta atbildības gadījumā.

• Mākslīgā intelekta lēmumu dokumentēšana un reģistrēšana būs svarīga pēcnāves izmeklēšanai. Ja kaut kas noiet greizi, mums ir jāpārbauda mākslīgā intelekta lēmumu pieņemšanas process, lai no tā mācītos un noteiktu atbildību. Tieši šī iemesla dēļ regulatori var noteikt nepieciešamību reģistrēt mākslīgā intelekta autonomās darbības.

Caurspīdīgums un izskaidrojamība

Autonomam mākslīgajam intelektam ideālā gadījumā vajadzētu būt spējīgam izskaidrot savu spriešanu cilvēkam saprotamā valodā, īpaši būtiskās jomās (finanses, veselības aprūpe, tieslietu sistēma). Izskaidrojamais mākslīgais intelekts ir joma, kas cenšas atvērt melno kasti:

• Lai mākslīgais intelekts (MI) atteiktu aizdevumu, noteikumi (piemēram, ASV, ECOA) var pieprasīt pieteikuma iesniedzējam norādīt iemeslu. Tāpēc MI ir jānorāda faktori (piemēram, "augsta parāda un ienākumu attiecība") kā skaidrojums.

• Lietotājiem, kas mijiedarbojas ar mākslīgo intelektu (piemēram, studentiem ar mākslīgā intelekta pasniedzēju vai pacientiem ar mākslīgā intelekta veselības lietotni), ir jāzina, kā tas nonāk pie padomiem. Tiek pieliktas pūles, lai mākslīgā intelekta spriešanu padarītu izsekojamāku, vai nu vienkāršojot modeļus, vai izmantojot paralēlus skaidrojošus modeļus.

• Caurspīdīgums nozīmē arī to, ka lietotājiem ir jāzina, kad viņiem ir darīšana ar mākslīgo intelektu (MI), nevis ar cilvēku. Ētikas vadlīnijas (un, iespējams, arī daži likumi) sliecas uz informācijas atklāšanu, ja klients sarunājas ar robotu. Tas novērš maldināšanu un ļauj lietotājam sniegt piekrišanu. Daži uzņēmumi tagad skaidri atzīmē MI rakstītu saturu (piemēram, "Šo rakstu ģenerēja MI"), lai saglabātu uzticību.

Privātums un datu aizsardzība

Ģeneratīvajam mākslīgajam intelektam (MI) bieži vien ir nepieciešami dati, tostarp potenciāli sensitīvi personas dati, lai darbotos vai mācītos. Autonomām darbībām ir jāievēro privātums:

• Mākslīgā intelekta klientu apkalpošanas aģents piekļūs konta informācijai, lai palīdzētu klientam; šie dati ir jāaizsargā un jāizmanto tikai uzdevuma veikšanai.

• Ja mākslīgā intelekta pasniedzējiem ir piekļuve studentu profiliem, ir jāņem vērā tādi likumi kā FERPA (ASV), lai nodrošinātu izglītības datu privātumu.

• Lieli modeļi var netīšām atcerēties specifiskas detaļas no saviem apmācības datiem (piemēram, atkārtoti iegaumējot personas adresi, kas redzēta apmācības laikā). Tādas metodes kā diferenciālā privātuma aizsardzība un datu anonimizācija apmācībā ir svarīgas, lai novērstu personas informācijas noplūdi ģenerētajos rezultātos.

• Tādi noteikumi kā GDPR piešķir indivīdiem tiesības attiecībā uz automatizētiem lēmumiem, kas viņus ietekmē. Cilvēki var pieprasīt cilvēka veiktu pārskatīšanu vai lēmumu neautomatizāciju, ja tie viņus būtiski ietekmē. Līdz 2030. gadam šie noteikumi varētu mainīties, mākslīgajam intelektam kļūstot arvien izplatītākam, iespējams, ieviešot tiesības uz paskaidrojumu vai atteikšanos no mākslīgā intelekta apstrādes.

Drošība un ļaunprātīga izmantošana

Autonomās mākslīgā intelekta sistēmas varētu kļūt par uzlaušanas mērķiem vai arī tās varētu izmantot ļaunprātīgu darbību veikšanai:

• Mākslīgā intelekta satura ģeneratoru varētu ļaunprātīgi izmantot, lai radītu dezinformāciju plašā mērogā (dziļviltojumu video, viltus ziņu raksti), kas rada sabiedrības risku. Ļoti spēcīgu ģeneratīvo modeļu publicēšanas ētika ir karstu diskusiju objekts (piemēram, OpenAI sākotnēji bija piesardzīgs attiecībā uz GPT-4 attēlu iespējām). Risinājumi ietver mākslīgā intelekta ģenerēta satura ūdenszīmju pievienošanu, lai palīdzētu atklāt viltojumus, un mākslīgā intelekta izmantošanu cīņai pret mākslīgo intelektu (tāpat kā dziļviltojumu noteikšanas algoritmi).

• Ja mākslīgais intelekts kontrolē fiziskus procesus (dronus, automašīnas, rūpniecisko vadību), tā aizsardzība pret kiberuzbrukumiem ir kritiski svarīga. Uzlauzta autonomā sistēma var radīt reālu kaitējumu. Tas nozīmē stabilu šifrēšanu, drošības pasākumus un iespēju cilvēkam ignorēt vai izslēgt sistēmu, ja kaut kas šķiet apdraudēts.

• Pastāv arī bažas par to, ka mākslīgais intelekts varētu pārsniegt paredzētās robežas (“negodīgā mākslīgā intelekta” scenārijs). Lai gan pašreizējiem mākslīgajiem intelektiem nav rīcībspējas vai nolūka, ja nākotnes autonomās sistēmas būs rīcībspējīgākas, ir nepieciešami stingri ierobežojumi un uzraudzība, lai nodrošinātu, ka tie, piemēram, neveic neatļautas tirdzniecības vai nepārkāpj likumus nepareizi definēta mērķa dēļ.

Ētiska izmantošana un ietekme uz cilvēkiem

Visbeidzot, plašāki ētiski apsvērumi:

• Darbavietu zaudēšana: ja mākslīgais intelekts var veikt uzdevumus bez cilvēka iejaukšanās, kas notiek ar šīm darbavietām? Vēsturiski tehnoloģijas automatizē dažas darbavietas, bet rada citas. Pāreja var būt sāpīga darbiniekiem, kuru prasmes ir saistītas ar uzdevumiem, kas kļūst automatizēti. Sabiedrībai tas būs jāpārvalda, pārkvalificējoties, izglītojot un, iespējams, pārdomājot ekonomisko atbalstu (daži norāda, ka mākslīgajam intelektam varētu būt nepieciešamas tādas idejas kā universāls pamata ienākums, ja liela daļa darba tiek automatizēts). Jau tagad aptaujas liecina par jauktām sajūtām – vienā pētījumā atklājās, ka trešdaļa darbinieku uztraucas par to, ka mākslīgais intelekts aizstās darbavietas, savukārt citi uzskata, ka tas atvieglos smagnējo darbu.

• Cilvēku prasmju erozija: ja mākslīgā intelekta pasniedzēji māca, mākslīgais intelekts vada automašīnu automātiski un mākslīgais intelekts raksta kodu, vai cilvēki zaudēs šīs prasmes? Pārmērīga paļaušanās uz mākslīgo intelektu sliktākajā gadījumā varētu mazināt kompetenci; tas ir kaut kas, kam izglītības un apmācības programmām būs jāpielāgojas, nodrošinot, ka cilvēki joprojām apgūst pamatus pat tad, ja mākslīgais intelekts palīdz.

• Ētiska lēmumu pieņemšana: mākslīgajam intelektam trūkst cilvēciskas morālas spriestspējas. Veselības aprūpē vai tieslietās pilnībā uz datiem balstīti lēmumi atsevišķos gadījumos varētu būt pretrunā ar līdzjūtību vai taisnīgumu. Mums, iespējams, būs jāiekodē ētikas pamatprincipi mākslīgajā intelektā (mākslīgā intelekta ētikas pētījumu joma, piemēram, mākslīgā intelekta lēmumu saskaņošana ar cilvēciskajām vērtībām). Vismaz ieteicams informēt cilvēkus par ētiski pamatotiem lēmumiem.

• Iekļaušana: ētisks mērķis ir nodrošināt, lai mākslīgā intelekta sniegtie ieguvumi tiktu plaši izplatīti. Ja tikai lielie uzņēmumi var atļauties modernu mākslīgo intelektu, mazāki uzņēmumi vai nabadzīgāki reģioni var palikt novārtā. Atvērtā pirmkoda centieni un pieejami mākslīgā intelekta risinājumi var palīdzēt demokratizēt piekļuvi. Turklāt saskarnes jāprojektē tā, lai ikviens varētu izmantot mākslīgā intelekta rīkus (dažādas valodas, pieejamība cilvēkiem ar invaliditāti utt.), lai neradītu jaunu digitālo plaisu "kam ir mākslīgā intelekta palīgs un kam nav".

Pašreizējā risku mazināšana: No pozitīvās puses, uzņēmumiem ieviešot ģenerālo mākslīgo intelektu (AI), pieaug izpratne un rīcība attiecībā uz šiem jautājumiem. Līdz 2023. gada beigām gandrīz puse uzņēmumu, kas izmantoja AI, aktīvi strādāja, lai mazinātu tādus riskus kā neprecizitāte ( AI stāvoklis 2023. gadā: Ģeneratīvā AI izrāviena gads | McKinsey ) ( AI stāvoklis: globālā aptauja | McKinsey ), un šis skaitlis pieaug. Tehnoloģiju uzņēmumi ir izveidojuši AI ētikas padomes; valdības izstrādā noteikumus. Galvenais ir integrēt ētiku AI izstrādē jau no paša sākuma ("Ētika pēc ieceres"), nevis reaģēt vēlāk.

Noslēgumā par izaicinājumiem: lielākas autonomijas piešķiršana mākslīgajam intelektam ir divvirzienu zobens. Tas var nodrošināt efektivitāti un inovācijas, taču tas prasa augstu atbildības latiņu. Turpmākajos gados, visticamāk, tiks ieviesti dažādi tehnoloģiski risinājumi (lai uzlabotu mākslīgā intelekta darbību), procesu risinājumi (politikas un uzraudzības sistēmas) un, iespējams, jauni standarti vai sertifikācijas (mākslīgā intelekta sistēmas varētu tikt auditētas un sertificētas tāpat kā mūsdienās dzinēji vai elektronika). Veiksmīga šo izaicinājumu pārvarēšana noteiks, cik vienmērīgi mēs varēsim integrēt autonomu mākslīgo intelektu sabiedrībā tā, lai tas palielinātu cilvēku labklājību un uzticēšanos.

Secinājums

Ģeneratīvais mākslīgais intelekts (MI) ir strauji attīstījies no jauna eksperimenta par pārveidojošu universālu tehnoloģiju, kas skar ikvienu mūsu dzīves jomu. Šajā informatīvajā dokumentā ir pētīts, kā līdz 2025. gadam MI sistēmas jau raksta rakstus, veido grafiku, kodē programmatūru, tērzē ar klientiem, apkopo medicīniskās piezīmes, apmāca studentus, optimizē piegādes ķēdes un izstrādā finanšu pārskatus. Svarīgi ir tas, ka daudzos no šiem uzdevumiem MI var darboties ar nelielu vai bez cilvēka iejaukšanās , īpaši precīzi definētos, atkārtojamos darbos. Uzņēmumi un privātpersonas sāk uzticēties MI, lai tas šos pienākumus veiktu autonomi, gūstot priekšrocības ātruma un mēroga ziņā.

Raugoties uz 2035. gadu, mēs stāvam uz laikmeta sliekšņa, kurā mākslīgais intelekts (MI) būs vēl visuresošāks līdzstrādnieks — bieži vien neredzams digitālais darbaspēks , kas apstrādā ikdienas darbus, lai cilvēki varētu koncentrēties uz izņēmuma lietām. Mēs paredzam, ka ģeneratīvais MI uzticami vadīs automašīnas un kravas automašīnas pa mūsu ceļiem, pārvaldīs krājumus noliktavās nakts laikā, atbildēs uz mūsu jautājumiem kā zinoši personīgie asistenti, sniegs individuālas instrukcijas studentiem visā pasaulē un pat palīdzēs atklāt jaunas zāles medicīnā — tas viss ar arvien mazāku tiešu uzraudzību. Robeža starp rīku un aģentu izplūdīs, MI pārejot no pasīvas norādījumu izpildes uz proaktīvu risinājumu ģenerēšanu.

Tomēr ceļš uz šo autonomo mākslīgā intelekta nākotni ir jāveic uzmanīgi. Kā jau esam norādījuši, katrai jomai ir savi ierobežojumi un pienākumi:

• Šodienas realitātes pārbaude: mākslīgais intelekts nav nekļūdīgs. Tas izceļas ar modeļu atpazīšanu un satura ģenerēšanu, taču tam trūkst patiesas izpratnes un veselā saprāta cilvēciskā izpratnē. Tādēļ pagaidām cilvēka uzraudzība joprojām ir drošības tīkls. Ir ļoti svarīgi atzīt, kad mākslīgais intelekts ir gatavs lidot patstāvīgi (un kad nē). Daudzi panākumi mūsdienās rodas no cilvēka un mākslīgā intelekta komandas modeļa, un šī hibrīdpieeja arī turpmāk būs vērtīga tur, kur pilnīga autonomija vēl nav saprātīga.

• Rītdienas solījums: Līdz ar modeļu arhitektūras, apmācības metožu un uzraudzības mehānismu attīstību mākslīgā intelekta (MI) iespējas turpinās paplašināties. Nākamā desmitgade pētniecības un attīstības jomā varētu atrisināt daudzas pašreizējās problēmas (samazināt halucinācijas, uzlabot interpretējamību, saskaņot MI ar cilvēciskajām vērtībām). Ja tā notiks, MI sistēmas līdz 2035. gadam varētu būt pietiekami stabilas, lai tām uzticētu daudz lielāku autonomiju. Šajā rakstā sniegtās prognozes – no MI skolotājiem līdz lielākoties pašvadītiem uzņēmumiem – varētu būt mūsu realitāte vai pat pārspēt inovācijas, kuras mūsdienās ir grūti iedomāties.

• Cilvēka loma un adaptācija: Tā vietā, lai mākslīgais intelekts pilnībā aizstātu cilvēkus, mēs paredzam, ka lomas mainīsies. Visu jomu speciālistiem, visticamāk, būs jāprot strādāt ar mākslīgo intelektu – vadīt to, pārbaudīt to un koncentrēties uz darba aspektiem, kas prasa izteikti cilvēciskas stiprās puses, piemēram, empātiju, stratēģisko domāšanu un sarežģītu problēmu risināšanu. Izglītībai un darbaspēka apmācībai vajadzētu pievērsties tam, lai uzsvērtu šīs unikālās cilvēciskās prasmes, kā arī mākslīgā intelekta pratību ikvienam. Politikas veidotājiem un uzņēmumu vadītājiem vajadzētu plānot pārejas darba tirgū un nodrošināt atbalsta sistēmas tiem, kurus skar automatizācija.

• Ētika un pārvaldība: Iespējams, vissvarīgākais ir tas, ka šīs tehnoloģiskās izaugsmes pamatā ir jābūt ētiskas mākslīgā intelekta izmantošanas un pārvaldības sistēmai. Uzticēšanās ir ieviešanas valūta – cilvēki ļaus mākslīgajam intelektam vadīt automašīnu vai palīdzēt operācijās tikai tad, ja viņi uzticēsies tā drošībai. Šīs uzticēšanās veidošana ietver stingru testēšanu, pārredzamību, ieinteresēto personu iesaistīšanu (piemēram, ārstu iesaistīšanu medicīnisko mākslīgo intelektu izstrādē, skolotāju iesaistīšanu mākslīgā intelekta apmācības rīkos) un atbilstošu regulējumu. Lai risinātu tādus izaicinājumus kā dziļviltojumi vai mākslīgais intelekts karadarbībā, var būt nepieciešama starptautiska sadarbība, nodrošinot globālas normas atbildīgai lietošanai.

Noslēgumā jāsaka, ka ģeneratīvais mākslīgais intelekts (MI) ir spēcīgs progresa dzinējspēks. Gudri izmantots, tas var atbrīvot cilvēkus no smaga darba, atbrīvot radošumu, personalizēt pakalpojumus un novērst nepilnības (nodrošinot zināšanas tur, kur trūkst ekspertu). Galvenais ir to izmantot tā, lai tas pastiprinātu cilvēka potenciālu, nevis to ierobežotu . Tuvākajā laikā tas nozīmē cilvēku informēšanu par MI vadīšanu. Ilgākā termiņā tas nozīmē humānistisko vērtību iekodēšanu MI sistēmu kodolā, lai pat tad, kad tās darbojas neatkarīgi, tās darbotos mūsu kopīgajās interesēs.

Domēns	Uzticama autonomija šodien (2025)	Paredzamā uzticamā autonomija līdz 2035. gadam
Rakstīšana un saturs	- Automātiski ģenerētas regulāras ziņas (sports, ieņēmumi). - Produktu atsauksmes, ko apkopo mākslīgais intelekts. - Rakstu vai e-pasta ziņojumu melnraksti cilvēku rediģēšanai. ( Filana Patersone – ONA kopienas profils ) ( Amazon uzlabo klientu atsauksmju pieredzi, izmantojot mākslīgo intelektu ).	- Lielākā daļa ziņu un mārketinga satura tiek automātiski rakstīts ar faktu precizitāti. - Mākslīgais intelekts ģenerē pilnīgus rakstus un preses relīzes ar minimālu uzraudzību. - Pēc pieprasījuma ģenerēts ļoti personalizēts saturs.
Vizuālā māksla un dizains	- Mākslīgais intelekts ģenerē attēlus no uzvednēm (cilvēks izvēlas labāko). - Autonomīgi izveidotas koncepcijas mākslas un dizaina variācijas.	- Mākslīgais intelekts ģenerē pilnas video/filmu ainas un sarežģītu grafiku. - Specifikācijām atbilstošu produktu/arhitektūras ģeneratīvais dizains. - Pēc pieprasījuma izveidoti personalizēti multivides materiāli (attēli, video).
Programmatūras kodēšana	- Mākslīgais intelekts automātiski pabeidz kodu un raksta vienkāršas funkcijas (izstrādātāju pārskatīts). - Automatizēta testu ģenerēšana un kļūdu ieteikumi. ( Kodēšana Copilot platformā: 2023. gada dati liecina par lejupvērstu spiedienu uz koda kvalitāti (ieskaitot 2024. gada prognozes) - GitClear ) ( GitHub Copilot ieņem pirmo vietu pētījuma ziņojumā par mākslīgā intelekta koda asistentiem -- Visual Studio Magazine )	- Mākslīgais intelekts uzticami ievieš visas funkcijas no specifikācijām. - Autonoma atkļūdošana un koda uzturēšana zināmiem modeļiem. - Lietotņu izveide ar mazu koda apjomu un nelielu cilvēka ieguldījumu.
Klientu apkalpošana	- Čatboti atbild uz bieži uzdotajiem jautājumiem, risina vienkāršas problēmas (nodod sarežģītas lietas). - Mākslīgais intelekts apstrādā ~70 % no ikdienas jautājumiem dažos kanālos. ( 59 MI klientu apkalpošanas statistikas dati par 2025. gadu ) ( Līdz 2030. gadam 69 % lēmumu klientu mijiedarbības laikā tiks pieņemti... )	- Mākslīgais intelekts apstrādā lielāko daļu klientu mijiedarbības no sākuma līdz beigām, tostarp sarežģītus vaicājumus. - Reāllaika mākslīgā intelekta lēmumu pieņemšana pakalpojumu koncesijām (atmaksas, jauninājumi). - Cilvēku aģenti tikai eskalācijas vai īpašos gadījumos.
Veselības aprūpe	- Mākslīgais intelekts sastāda medicīniskās piezīmes; iesaka diagnozes, kuras ārsti pārbauda. - Mākslīgais intelekts nolasa dažus skenējumus (radioloģijas) ar uzraudzību; triāžas vienkāršus gadījumus. ( Mākslīgā intelekta medicīniskās attēlveidošanas produktu skaits līdz 2035. gadam varētu pieaugt piecas reizes .)	- Mākslīgais intelekts droši diagnosticē bieži sastopamas slimības un interpretē lielāko daļu medicīnisko attēlu. - Mākslīgais intelekts uzrauga pacientus un uzsāk aprūpi (piemēram, atgādinājumus par medikamentiem, ārkārtas brīdinājumus). - Virtuālās mākslīgā intelekta "medmāsas" veic regulāras novērošanas; ārsti koncentrējas uz sarežģītu aprūpi.
Izglītība	- Mākslīgā intelekta pasniedzēji atbild uz skolēnu jautājumiem, ģenerē praktiskus uzdevumus (skolotājs uzrauga). - Mākslīgais intelekts palīdz vērtēšanā (ar skolotāja pārskatu). ([Ģeneratīvais mākslīgais intelekts K-12 izglītībai]	Applify pētījuma ziņojums]( https://www.applify.co/research-report/gen-ai-for-k12#:~:text=AI%20tutors%3A%20Virtual%20AI,individual%20learning%20styles%20and%20paces ))
Loģistika	- Mākslīgais intelekts optimizē piegādes maršrutus un iepakošanu (cilvēki nosaka mērķus). - Mākslīgais intelekts atzīmē piegādes ķēdes riskus un iesaka to mazināšanas pasākumus. ( Galvenie ģeneratīvā mākslīgā intelekta lietošanas gadījumi loģistikā )	- Lielākoties pašbraucošas piegādes (kravas automašīnas, droni), ko uzrauga mākslīgā intelekta dispečeri. - Mākslīgais intelekts autonomi novirza sūtījumus, apejot traucējumus, un pielāgo krājumus. - Pilnīga piegādes ķēdes koordinācija (pasūtīšana, izplatīšana), ko pārvalda mākslīgais intelekts.
Finanses	- Mākslīgais intelekts ģenerē finanšu pārskatus/ziņu kopsavilkumus (cilvēku pārskatītus). - Robo-konsultanti pārvalda vienkāršus portfeļus; Mākslīgā intelekta tērzēšana apstrādā klientu jautājumus. ( Ģeneratīvais mākslīgais intelekts ienāk finanšu jomā .)	- Mākslīgā intelekta analītiķi sniedz ieguldījumu ieteikumus un riska pārskatus ar augstu precizitāti. - Autonoma tirdzniecība un portfeļa līdzsvarošana noteikto limitu ietvaros. - Mākslīgais intelekts automātiski apstiprina standarta aizdevumus/prasības; izņēmumus apstrādā cilvēki.

Atsauces:

1. Patterson, Filana. Automatizēti peļņas ziņojumi vairojas . The Associated Press (2015) – Apraksta AP automatizēto tūkstošiem peļņas ziņojumu ģenerēšanu bez cilvēka rakstītāja ( Automatizēti peļņas ziņojumi vairojas | The Associated Press ).

2. McKinsey & Company. Mākslīgā intelekta stāvoklis 2024. gada sākumā: paaudzes mākslīgā intelekta ieviešana strauji pieaug un sāk radīt vērtību . (2024. gads) — ziņo, ka 65 % organizāciju regulāri izmanto ģeneratīvo mākslīgo intelektu, kas ir gandrīz divreiz vairāk nekā 2023. gadā ( Mākslīgā intelekta stāvoklis 2024. gada sākumā | McKinsey ), un apspriež riska mazināšanas pasākumus ( Mākslīgā intelekta stāvoklis: globālā aptauja | McKinsey ).

3. Gartner. Vairāk nekā ChatGPT: Ģeneratīvā mākslīgā intelekta nākotne uzņēmumiem . (2023) – prognozē, ka līdz 2030. gadam 90% no grāvējfilmas varētu būt ģenerēti ar mākslīgā intelekta palīdzību ( Ģeneratīvā mākslīgā intelekta lietošanas gadījumi nozarēm un uzņēmumiem ), un izceļ ģeneratīvā mākslīgā intelekta lietošanas gadījumus, piemēram, zāļu izstrādi ( Ģeneratīvā mākslīgā intelekta lietošanas gadījumi nozarēm un uzņēmumiem ).

4. Twipe. 12 veidi, kā žurnālisti izmanto mākslīgā intelekta rīkus ziņu telpās . (2024. g.) — piemērs, kur ziņu izdevumā 11 % rakstu raksta mākslīgais intelekts (MI), un visu MI saturu pārskata cilvēki redaktori ( 12 veidi, kā žurnālisti izmanto MI rīkus ziņu telpās — Twipe ).

5. Amazon.com jaunumi. Amazon uzlabo klientu atsauksmju pieredzi, izmantojot mākslīgo intelektu . (2023. gads) — paziņo par mākslīgā intelekta ģenerētiem atsauksmju kopsavilkumiem produktu lapās, lai palīdzētu pircējiem ( Amazon uzlabo klientu atsauksmju pieredzi, izmantojot mākslīgo intelektu ).

6. Zendesk. 59. gads, izmantojot mākslīgo intelektu (AI), klientu apkalpošanas statistika 2025. gadam . (2023. gads) — norāda, ka vairāk nekā divas trešdaļas klientu pieredzes organizāciju uzskata, ka ģeneratīvais AI piešķirs “siltumu” apkalpošanai ( 59. gads, izmantojot AI ), un prognozē, ka AI galu galā būs izmantots 100 % klientu mijiedarbības gadījumu ( 59. gads, izmantojot AI), klientu apkalpošanas statistika 2025. gadam .

7. Futurum Research un SAS. Pieredze 2030. gadā: klientu pieredzes nākotne . (2019. gads) — aptauja, kurā secināts, ka zīmoli sagaida, ka līdz 2030. gadam ~69 % lēmumu klientu mijiedarbības laikā pieņems viedierīces ( lai no jauna iztēlotos pāreju uz klientu pieredzi, tirgotājiem ir jāizdara šīs divas lietas ).

8. Dataiku. Galvenie ģeneratīvā mākslīgā intelekta lietošanas gadījumi loģistikā . (2023. g.) — apraksta, kā GenAI optimizē iekraušanu (samazinot ~30 % tukšas kravas automašīnu vietas) ( Galvenie ģeneratīvā mākslīgā intelekta lietošanas gadījumi loģistikā ) un norāda uz piegādes ķēdes riskiem, skenējot ziņas.

9. Visual Studio Magazine. GitHub Copilot ieņem pirmo vietu pētījuma ziņojumā par mākslīgā intelekta koda asistentiem . (2024. gads) — Gartner stratēģiskās plānošanas pieņēmumi: līdz 2028. gadam 90 % uzņēmumu izstrādātāju izmantos mākslīgā intelekta koda asistentus (salīdzinājumā ar 14 % 2024. gadā) ( GitHub Copilot ieņem pirmo vietu pētījuma ziņojumā par mākslīgā intelekta koda asistentiem — Visual Studio Magazine ).

10. Bloomberg News. Iepazīstinām ar BloombergGPT . (2023. g.) — detalizēti aprakstīts Bloomberg 50 B parametru modelis, kas paredzēts finanšu uzdevumiem un iebūvēts terminālī jautājumu un atbilžu, kā arī analīzes atbalstam ( ģeneratīvais mākslīgais intelekts ienāk finanšu jomā ).

Raksti, kurus jūs varētu vēlēties izlasīt pēc šī raksta:

🔗 Darbi, kurus mākslīgais intelekts nevar aizstāt – un kādus darbus aizstās mākslīgais intelekts?
Globāls skatījums uz mainīgo darba vidi, pētot, kuras darba vietas ir pasargātas no mākslīgā intelekta radītajiem traucējumiem un kuras ir visvairāk apdraudētas.

🔗 Vai mākslīgais intelekts var paredzēt akciju tirgu?
Padziļināta ieskata mākslīgā intelekta izmantošanas iespējās, ierobežojumos un ētiskajos apsvērumos akciju tirgus prognozēšanā.

🔗 Kā ģeneratīvo mākslīgo intelektu var izmantot kiberdrošībā?
Uzziniet, kā ģeneratīvais mākslīgais intelekts tiek izmantots aizsardzībai pret kiberdraudiem, sākot no anomāliju atklāšanas līdz draudu modelēšanai.