„ChatGPT“ ir generuojančio dirbtinio imtelekto mokymosi ir tyrimų įrankiai

Abstraktas

 

 

 

 "Daugelis sudėtingų mašininio mokymosi (ML) produktų pastaruoju metu buvo pristatyti, kaip bendrosios paskirties turinio kūrimo įrankiai. Daugiausia dėmesio sulaukė ChatGPT, pokalbių robotas, veikiantis didelės kalbos modelio (LLM) GPT-3.5 pagrindu. LLM yra ML modelis, kuris atlieka įvairias natūralios kalbos apdorojimo užduotis, pvz., atpažįsta, apibendrina, verčia ir atsako į klausimus bei tęsia pokalbį. Jo tinklams reikalingas didžiulis duomenų kiekis, o ML yra dirbtinio intelekto (AI) polaukis, nes „ChatGPT“ išveda naują turinį, kaip atsaką į vartotojo užklausą, todėl jis laikomas generatyvaus AI įrankiu.

 

 

 

 Pilnas tekstas

 

 

 

 Daugelis sudėtingų mašininio mokymosi (ML) produktų neseniai buvo pristatyti, kaip bendrosios paskirties turinio kūrimo įrankiai. Daugiausia dėmesio sulaukė „ChatGPT“ – pokalbių robotas, veikiantis didelio kalbos modelio (LLM) GPT-3.5.

 

 

 

 LLM yra ML modelio tipas, kuris atlieka įvairias natūralios kalbos apdorojimo užduotis, tokias, kaip teksto atpažinimas, apibendrinimas, vertimas ir generavimas; atsakymas į klausimus; ir tęsia pokalbį. LLM, sukurtas, naudojant gilaus mokymosi metodus, o jo dirbtinių neuroninių tinklų mokymui reikia didžiulio duomenų kiekio. Gilus mokymasis yra ML tipas, o ML yra AI polaukis. Kadangi „ChatGPT“ pateikia naują turinį kaip atsakymą į vartotojo užklausą, jis laikomas įrankiu generatyvaus AI srityje.

 

 

 

 GENERATYVUS AI TURINIUI KURTI

 

 

 

 „ChatGPT“ pristatė „OpenAI“ 2022 m. lapkričio 30 d. ir greitai tapo žymiu reiškiniu. Per 5 dienas daugiau, nei milijonas, žmonių užsiregistravo išbandyti šį produktą. Netrukus po to, 2023 m. vasario 7 d., „Google“ pristatė jos „ChatGPT“ tipo pokalbių robotą „Bard“. „Bard“ sukurta remiantis „Google“ natūralios kalbos apdorojimo modeliu, vadinamu LaMDA, kuris reiškia dialogo taikomųjų programų kalbos modelį. Maždaug tuo pačiu metu „Microsoft“ pristatė naują „Bing“ pokalbių robotą, kaip „ChatGPT“ ir „Bard“ konkurentą.

 

 

 

 „ChatGPT“ ir kiti panašūs AI valdomi pokalbių robotai ne tik sukuria į žmogų panašų pokalbį, bet ir gali rašyti esė, kompiuterio kodus, receptus, maisto prekių sąrašus ir net eilėraščius. Nors netrukus įvairių pokalbių robotų atsakymuose buvo rasta netikslumų ir nenuoseklumo (Bobby Allyn, „Microsoft's New AI Chatbot Has Been Saying Some 'Crazy and Unhinged Things“, NPR, 2023 m. kovo 2 d.; npr.org/2023/03/ 02/1159895892/ai-micro soft-bing-chatbot), bendrai sutariama, kad šie AI powered pokalbių robotai veikia žymiai geriau, nei bet kurie ankstesni, ne AI pokalbių robotai.

 

 

 

 Nors „ChatGPT“, „Bard“ ir „Bing“ pokalbių robotai generuoja tekstus, kaip atsakymą, DALL-E, „Midjourney“ ir „Imagen“ sukuria vaizdus, kaip išvestį, kai vartotojas įveda tekstą. „Make-A-Video“ sukuria vaizdo įrašą, atitinkantį tekste pateiktą aprašymą, o „MusicLM“ sukuria muzikos kūrinį. 

 

 

„GitHub Copilot“ išveda kompiuterio kodą ir yra naudojamas, kaip programavimo įrankis.

 

 

 Šie AI įrankiai vis sparčiau pristato generatyvųjį AI visuomenei.

 

 

 

 KAS YRA GENERATYVUS AI?

 

 

 

 Generatyvusis dirbtinis intelektas reiškia gilaus mokymosi algoritmus, kurie generuoja naują turinį įvairiomis formomis, pavyzdžiui, tekstu, vaizdu, vaizdo įrašu, garsu ir kompiuterio kodu. Taip sukurtas naujas turinys gali būti atsakymas į orientacinį klausimą, žingsnis po žingsnio iškeltos problemos sprendimas arba mašininiu būdu sukurtas meno kūrinys, jei būtų galima paminėti keletą galimybių.

 

 

 

 Kaip ir bet kuriam gilaus mokymosi modeliui, kuriant generatyvųjį AI modelį reikia daug duomenų, skirtų mokymui, daug parametrų ir didelės apdorojimo galios. Didžiausias GPT-3 modelis buvo parengtas, naudojant 499 milijardus duomenų žetonų, gautų iš maždaug 45 terabaitų suglaudinto paprasto teksto, o tai atitinka maždaug 1 milijoną pėdų knygų lentynos ploto arba ketvirtadalį visos Kongreso bibliotekos kolekcijos ( Tomas B. Brownas ir kt., „Kalbos modeliai mažai mokosi“, arXiv, 2020 m. liepos 22 d. doi.org/10.48550/ arXiv.2005.14165). Didžiausias GPT-3 modelis turi 175 milijardus parametrų ir jį apmokyti prireiktų 355 metų ir 4,6 milijono JAV dolerių, net ir naudojant pigiausią GPU debesį rinkoje ir jei tam naudotumėte vieną GPU (Chuan Li, „OpenAI GPT- 3 kalbos modelis: techninė apžvalga“, „The Lambda Deep Learning Blog“, 2020 m. birželio 3 d.; lambdalabs.com/blog/demystify ing-gpt-3). Šie pavyzdžiai rodo, kad generatyvaus AI modelio, pvz., GPT-3, kūrimas reikalauja daug išteklių ir brangiai kainuoja.

 

 

 

 AI MOKSLINIAMS TYRIMAMS

 

 

 

 AI ir ML paskatino labai galingų bendrosios paskirties turinio kūrimo įrankių atsiradimą. Kita sritis, kuri aktyviai pritaikė ML, yra moksliniai tyrimai. Puikus pavyzdys šioje srityje yra „DeepMind“ sukurta AI programa „AlphaFold“. „DeepMind“ yra įmonė, sukūrusi „AlphaGo“, kuri 2016 m. atsidūrė antraštėse „Go“ rungtynėse su 18 kartų pasaulio čempionu Lee Sedolu. („Google“ priklauso „DeepMind“ nuo 2014 m.)

 

 

 

 „AlphaFold“ naudoja baltymo genetinę seką, kaip įvestį ir įspūdingai tiksliai numato jo 3D baltymo struktūrą. 2021 m. liepą DeepMind paskelbė, kad naudojo AlphaFold, kad nuspėtų beveik kiekvieno žmogaus organizmo pagaminto baltymo struktūrą, taip pat visus 20 kitų plačiai ištirtų organizmų, tokių, kaip pelės ir bakterija E. coli (Ewen Callaway), „proteomas“. , „DeepMind's AI Predicts Structures for a Vast Trove of Proteins“, Nature vol. 595, Nr. 7869, 2021 m. liepos 22 d. Proteomas reiškia visą baltymų rinkinį, kurį gamina organizmas, rūšis ar tam tikras organas.

 

 

 

 Bendradarbiaudama su Europos molekulinės biologijos laboratorijos Europos bioinformatikos institutu (EMBL-EBI; ebi.ac. uk), „DeepMind“ išleido daugiau nei 200 milijonų AlphaFold baltymų struktūros prognozių ir padarė jas laisvai prieinamas mokslo bendruomenei. Tai apėmė beveik visus mokslui žinomus kataloguotus baltymus. Tai, ką daro AlphaFold, yra reikšminga, nes baltymai dažnai susilanksto į sudėtingas 3D struktūras ir netgi sudaro kompleksus vienas su kitu, kad atliktų tam tikras funkcijas ląstelėje. Dėl šios priežasties gebėjimas numatyti 3D proteomų formą yra gana vertingas gyvybės mokslų tyrimams, juo labiau vaistų atradimams.

 

 

 

 Kaip dar vieną AI ir ML taikymo moksliniams tyrimams pavyzdį, evoliucijos biologai taikė veido atpažinimą, vieną iš plačiausiai naudojamų ML metodų, kad galėtų sekti šimpanzes gamtoje, o tai nėra lengvai pasiekiama kitomis priemonėmis (Daniel Schofield ir kt. Šimpanzės veidų atpažinimas iš vaizdo įrašų laukinėje gamtoje, naudojant gilųjį mokymąsi“, „Science Advances, 5 tomas, nr. 9, 2019 m. rugsėjo 4 d.; doi.org/10.1126/sciadv.aaw0736). Be gyvybės mokslų ir evoliucinės biologijos, ML metodai taip pat taikomi daugelyje kitų disciplinų, tokių kaip antropologija, astronomija, astrofizika, chemija, evoliucinė biologija, inžinerija ir meteorologija.

 

 

 

 GENERATYVUS AI BIBLIOTEKŲ VARTOTOJUI

 

 

 

 Ką šie ML ir generatyvaus AI pokyčiai reiškia bibliotekoms ir bibliotekų vartotojams? Pirma, užklausos dėl neegzistuojančių citatų patenka į mano bibliotekos bibliotekininkus, nes studentai bando gauti ChatGPT cituojamus straipsnius, nesuvokdami, kad jie buvo tiesiog sugalvoti. Tačiau studentai nėra vieninteliai, kurie tampa ChatGPT vadinamųjų „haliucinacijų“ aukomis (Karen Weise ir Cade Metz, „When A.I. Chatbots Hallucinate“, „The New York Times“, 2023 m. gegužės 1 d.; nytimes.com/2023/ 05/01/business/ ai-chatbots-hallucination.html). Neseniai vykusioje teismo byloje Roberto Mata prieš Avianca Inc. teisininkas citavo neegzistuojančias bylas, kurias gavo iš ChatGPT (Benjamin Weiser, „Štai kas atsitinka, kai jūsų advokatas naudojasi ChatGPT“, „The New York“). Times, 2023 m. gegužės 27 d.; nytimes.com/2023/05/27/ny region/avianca-airline-lawsuit-chatgpt.html).

 

 

 

 Kaip generatyvus AI modelis, „ChatGPT“ savo atsakymus sudaro remdamasi statistine tikimybe iš duomenų, kuriais remdamasi yra mokomas. Šia prasme „ChatGPT“ iš esmės yra automatinio užbaigimo programa, nors ir labai sudėtinga. 

 

 

 

Tai reiškia, kad „ChatGPT“ negali atskirti to, kas atrodo tikra, nuo to, kas tikra. 

 

 

 

Nepaisant to, atrodo, kad studentai jau naudoja ChatGPT savo akademinėms užduotims, o instruktoriai, tokie, kaip Siva Vaidhyanathan, puikiai žino šią tendenciją („My Students Use AI to Cheat. Here's Why It's a Teachable Moment“, „The Guardian“, gegužės mėn. 19, 2023; theguardian.com/technology/2023/may/18/ai-cheatingteaching-chatgpt-students-college-universitv).

 

 

 

 Neseniai „Educause“ atliktoje apklausoje apie generatyvųjį dirbtinį intelektą, į kurią gauta 1 070 išsamių atsakymų, 54 % respondentų nurodė, kad generatyvusis AI daro įtaką aukštajam mokslui, o mokymosi ir mokymo pagalbą pasirinko, kaip labiausiai paveiktas sritis (Nicole Muscanell ir Jenay Robert, „EDUCAUSE QuickPoll“. Rezultatai: ar ChatGPT parašė šią ataskaitą?). Kadangi šaltinių patikrinimas ir originalus bei nepriklausomas mąstymas yra labai svarbūs akademiniam ir mokslinių tyrimų vientisumui, reikėtų atidžiai apsvarstyti nekritišką ChatGPT ir kitų panašių generuojamųjų AI įrankių naudojimą mokymosi, mokymo ir tyrimų tikslais.

 

 

 

 Galbūt, kaip atsakymą į netikrus šaltinius, kuriais išviliojo generatyvūs AI pokalbių robotai, JK projektas CORE (Connecting Repositories) (core.ac.uk) išleido CORE-GPT, kuris atsako į vartotojo klausimą remiantis informacija iš CORE korpuso, kurio 34 mln. yra 34 mln. atviro priėjimo mokslinių straipsnių kartu su jų citatomis. Kaip ir COREGPT, scite (scite.ai) taip pat pateikia atsakymą su aiškiomis nuorodomis į paskelbtus mokslinius tyrimus.

 

 

 

 Kiti AI produktų, kuriais siekiama palengvinti mokymąsi ir tyrimus, pavyzdžiai yra Consensusas,  „Elicit“ ir „Librari“. „Consensusas“ (consensus.app) yra dirbtinio intelekto sukurtas paieškos įrankis, kuris sprendžia tyrimo klausimus ir randa atitinkamus atsakymus, ištraukdamas ir distiliuodamas išvadas iš mokslinių tyrimų darbų Semantic Scholar duomenų bazėje. Elicit (elicit.org) yra AI tyrimo pagalbos įrankis, kuriuo siekiama paspartinti literatūros peržiūros procesą, pateikiant atitinkamų straipsnių sąrašą ir jų santraukų santraukas, būdingas vartotojo užklausai. „Librari“ (librari.app) žada atsakyti į faktinius klausimus, padėti atlikti mokyklinius darbus, teikti skaitytojų konsultavimo paslaugas ir atlikti kūrybines užduotis, pagrįstas atsakymais, surinktais daugiau, nei 300 000, žmonių sukurtų raginimų.

 

 

 

 Nors generatyvūs dirbtinio intelekto produktai iki šiol pasiekė puikių rezultatų, jie dar nėra subrendę. Kaip aiškiai nurodyta Elicit DUK puslapyje (elicit.org/faq), LLM gali nepastebėti straipsnio niuansų arba neteisingai suprasti, ką reiškia skaičius. Nepaisant to, didžiulis susidomėjimas šiomis priemonėmis rodo, kad jos bus gana greitai pritaikytos ir panaudotos įvairiai mokslinei ir mokslinių tyrimų veiklai. Tikėtina, kad sužinosime daugiau apie tai, kam šie generatyvieji dirbtinio intelekto įrankiai yra tinkami ir kame mes, žmonės, esame geresni.

 

 

 

 Bohyunas Kimas (bhkim@umich.edu) yra Mičigano universiteto bibliotekos asocijuotasis universiteto bibliotekininkas, atsakingas už bibliotekų informacines technologijas." [1]

 

 

 

 

1. ChatGPT and Generative AI Tools for Learning and Research. Kim, Bohyun. Computers in Libraries; Westport Vol. 43, Iss. 6,  (Jul/Aug 2023): 41-42.

 

ChatGPT and Generative AI Tools for Learning and Research

Abstract

 

"Many sophisticated machine learning (ML) products recently have been introduced as general-purpose content- creation tools. The one that has garnered the most attention was ChatGPT, a chatbot powered by the large language model (LLM) GPT-3.5. An LLM is a type of ML model that performs various natural language processing tasks--such as recognizing, summarizing, translating, and generating text; answering questions; and carrying on a conversation. An LLM is developed by deep learning techniques, and training its artificial neural networks requires a massive amount of data. Deep learning is a type of ML, and ML is a subfield of AI. Since ChatGPT outputs new content as a response to a user's inquiry, it is considered a tool in the realm of generative AI.

 

Full Text

 

Many sophisticated machine learning (ML) products recently have been introduced as general-purpose content-creation tools. The one that has garnered the most attention was ChatGPT, a chatbot powered by the large language model (LLM) GPT-3.5.

 

An LLM is a type of ML model that performs various natural language processing tasks-such as recognizing, summarizing, translating, and generating text; answering questions; and carrying on a conversation. An LLM is developed by deep learning techniques, and training its artificial neural networks requires a massive amount of data. Deep learning is a type of ML, and ML is a subfield of AI. Since ChatGPT outputs new content as a response to a user's inquiry, it is considered a tool in the realm of generative AI.

 

GENERATIVE AI FOR CONTENT CREATION

 

ChatGPT was launched by OpenAI on Nov. 30, 2022, and it quickly became a phenomenon. In 5 days, more than a million people signed up to try this product. Shortly thereafter, on Feb. 7, 2023, Google unveiled Bard, its own ChatGPT-like chatbot. Bard is built on top of Google's natural language processing model, called LaMDA, which stands for Language Model for Dialogue Applications. Around the same time, Microsoft debuted a new Bing chatbot as a competitor to ChatGPT and Bard.

 

In addition to generating a human-like conversation, ChatGPT and other similar AI-powered chatbots can write essays, computer code, recipes, grocery lists, and even poems. While some inaccuracies and incoherence were soon found in the responses of various chatbots (Bobby Allyn, "Microsoft's New AI Chatbot Has Been Saying Some 'Crazy and Unhinged Things,'" NPR, March 2, 2023; npr.org/2023/03/02/1159895892/ai-micro soft-bing-chatbot), there is general agreement that these AIpowered chatbots perform noticeably better than any past, non-AI chatbots.

 

While ChatGPT, Bard, and Bing chatbots generate texts as a response, DALL-E, Midjourney, and Imagen create images as an output upon receiving a user input in text. Make-A-Video generates a video that fits the description given in text, and MusicLM generates a piece of music. GitHub Copilot outputs computer code and is used as a pair programming tool. These AI tools are introducing generative AI to the public at an increasing speed.

 

WHAT IS GENERATIVE AI?

 

Generative AI refers to deep-learning algorithms that generate novel content in a variety of forms-such as text, image, video, audio, and computer code. New content thus generated can be an answer to a reference question, a step-by-step solution to a problem posed, or a machine-generated artwork, just to name a few possibilities.

 

As with any deep-learning model, developing a generative AI model requires a large volume of data for training, a large number of parameters, and a large amount of processing power. The largest model of GPT-3 was trained on 499 billion tokens of data that came from approximately 45 terabytes of compressed plain text, which is equivalent to about 1 million feet of bookshelf space or a quarter of the entire collection of the Library of Congress (Tom B. Brown et al, "Language Models Are Few-Shot Learners," arXiv, July 22, 2020; doi.org/10.48550/ arXiv.2005.14165). The largest model of GPT-3 has 175 billion parameters and would require 355 years and $4.6 million to train, even with the lowest-priced GPU cloud on the market and if you used a single GPU for it (Chuan Li, "OpenAI's GPT-3 Language Model: A Technical Overview," The Lambda Deep Learning Blog, June 3, 2020; lambdalabs.com/blog/demystify ing-gpt-3). These examples show that developing a generative AI model such as GPT-3 is resource-intensive and costly.

 

AI FOR SCIENTIFIC RESEARCH

 

AI and ML led to the rise of very powerful general-purpose content-creation tools. Another field that has actively adopted ML is scientific research. A great example in this area is AlphaFold, an AI program developed by DeepMind. DeepMind is the company that built AlphaGo, which made headlines back in 2016 by winning a game of Go in its match with the 18-time world champion Lee Sedol. (Google has owned DeepMind since 2014.)

 

AlphaFold takes a protein's genetic sequence as an input and outputs the prediction of its 3D protein structure with impressive accuracy. In July 2021, DeepMind announced that it had used AlphaFold to predict the structure of nearly every protein made by humans, as well as the entire "proteomes" of 20 other widely studied organisms, such as mice and the bacterium E. coli (Ewen Callaway, "DeepMind's AI Predicts Structures for a Vast Trove of Proteins," Nature vol. 595, no. 7869, July 22, 2021; doi.org/10.1038/d41586-021-02025-4). A proteome refers to the complete set of proteins made by an organism, such as a species or a particular organ.

 

Working in partnership with European Molecular Biology Laboratory's European Bioinformatics Institute (EMBL-EBI; ebi.ac. uk), DeepMind released more than 200 million protein structure-predictions by AlphaFold and made them freely available to the scientific community. These included nearly all cataloged proteins known to science. What AlphaFold does is significant because proteins often fold into elaborate 3D structures and even form complexes with each other to perform certain functions in a cell. For this reason, being able to predict the 3D shape of proteomes is quite valuable in life science research, even more so in drug discovery.

 

As another example of applying AI and ML to scientific research, evolutionary biologists employed facial recognition, one of the most widely used ML techniques, to track chimpanzees in the wild, which is not easily achievable by other means (Daniel Schofield et al., "Chimpanzee Face Recognition From Videos in the Wild Using Deep Learning," Science Advances vol. 5, no. 9, Sept. 4, 2019; doi.org/10.1126/sciadv.aaw0736). Beyond life sciences and evolutional biology, ML techniques are also being applied in many other disciplines such as anthropology, astronomy, astrophysics, chemistry, evolutionary biology, engineering, and meteorology.

 

GENERATIVE AI FOR LIBRARY USERS

 

What do these developments in ML and generative AI mean to libraries and library users? For one, requests for non-existing citations are finding their way to librarians at my library as students try to obtain articles cited by ChatGPT without realizing that they were simply made up. However, students are not the only ones who are falling prey to ChatGPT's so-called "hallucinations" (Karen Weise and Cade Metz, "When A.I. Chatbots Hallucinate," The New York Times, May 1, 2023; nytimes.com/2023/05/01/business/ ai-chatbots-hallucination.html). In the recent court case Roberto Mata v. Avianca Inc., a lawyer cited and quoted nonexistent cases, which he had gotten from ChatGPT, in his legal brief (Benjamin Weiser, "Here's What Happens When Your Lawyer Uses ChatGPT," The New York Times, May 27, 2023; nytimes.com/2023/05/27/ny region/avianca-airline-lawsuit-chatgpt.html).

 

As a generative AI model, ChatGPT composes its responses based upon statistical probability from the data on which it is trained. In that sense, ChatGPT is basically an autocomplete program, albeit a highly sophisticated one. What this means is that ChatGPT cannot differentiate what looks real from what is real. Nevertheless, students already seem to be using ChatGPT for their academic assignments, and instructors, such as Siva Vaidhyanathan, are well aware of this trend ("My Students Are Using AI to Cheat. Here's Why It's a Teachable Moment," The Guardian, May 19, 2023; theguardian.com/technology/2023/may/18/ai-cheatingteaching-chatgpt-students-college-universitv).

 

In the recent poll about generative AI conducted by Educause, which received 1,070 complete responses, 54% of respondents indicated that generative AI is impacting higher education and selected teaching and instructional support as the most impacted areas (Nicole Muscanell and Jenay Robert, "EDUCAUSE QuickPoll Results: Did ChatGPT Write This Report?" EDUCAUSE Review Online, Feb. 14, 2023; er.educause.edu/articles/2023/2/educausequickpoll-results-did-chatgpt-write-this-report). Since the verification of sources and original and independent thinking are essential to academic and research integrity, the uncritical use of ChatGPT and other similar generative AI tools for learning, teaching, and research purposes should be carefully considered.

 

Perhaps as an answer to spurious sources conjured up by generative AI chatbots, the U.K.'s CORE (Connecting Repositories) project (core.ac.uk) released CORE-GPT, which answers a user's question based upon information from CORE's corpus of 34 million OA scientific articles along with their citations. Like COREGPT, scite (scite.ai) also provides an answer with explicit references to published scientific research papers.

 

Other examples of AI products that aim to facilitate learning and research include Consensus, Elicit, and Librari. Consensus (consensus.app) is an AI-powered search tool that takes in research questions and finds relevant answers by extracting and distilling findings from scientific research papers in the Semantic Scholar database. Elicit (elicit.org) is an AI research assistance tool that aims to expedite the literature review process by providing a list of relevant articles and the summaries of their abstracts specific to a user's query. Librari (librari.app) promises the answering of factual questions, helping with schoolwork, providing reader advisory services, and performing creative tasks based upon its answers curated with more than 300,000 human-engineered prompts.

 

While generative AI products have achieved some remarkable feats in their performance so far, they are hardly mature yet. As Elicit's FAQ page (elicit.org/faq) explicitly states, an LLM may miss the nuance of a paper or misunderstand what a number refers to. Nevertheless, the overwhelming amount of interest in these tools suggests that they will be rather quickly adopted and utilized for a wide variety of scholarly and research activities. We are likely to learn more about what these generative AI tools are well-suited for and what we humans are better at.

 

Bohyun Kim (bhkim@umich.edu) is the associate university librarian for library information technology at the University of Michigan Library." [1]

 

1. ChatGPT and Generative AI Tools for Learning and Research. Kim, Bohyun. Computers in Libraries; Westport Vol. 43, Iss. 6,  (Jul/Aug 2023): 41-42.

 

Kai jūsų pastato prižiūrėtojas yra dirbtinio intelekto botas

„Dirbtinis intelektas (A.I.) daro viską – nuo ​​pagalbos savininkams bendrauti su nuomininkais iki energijos naudojimo valdymo.

 

 Naujasis techninės priežiūros koordinatorius daugiabučių komplekse Dalase sulaukė padėkų iš nuomininkų ir kolegų už gerą darbą ir pagalbą vėlyvą vakarą. Anksčiau aštuoni nekilnojamojo turto darbuotojai, valdantys 814 pastatų butų ir miesto namų, būdavo pervargę ir sugaišdavo daugiau valandų, nei norėjo.

 

 Be darbo viršvalandžių, naujasis komplekso darbuotojas, Cypress Waters rajonas, yra pasiekiamas 24 valandas per parą, 7 dienas per savaitę, suplanuodamas remonto užklausas ir nenaudoja jokio poilsio.

 

 Taip yra todėl, kad priežiūros koordinatorius yra dirbtinio intelekto robotas, kurį nekilnojamojo turto valdytojas Jasonas Busboomas pradėjo naudoti praėjusiais metais. Botas, siunčiantis tekstinius pranešimus, naudodamas Matto vardą, priima užklausas ir tvarko susitikimus.

 

 Komanda taip pat turi Lisa, lizingo robotą, kuris atsako į būsimų nuomininkų klausimus, ir Hunter, robotą, primenantį žmonėms mokėti nuomą.

 

 P. Busboomas pasirinko tokias asmenybes, kokių norėjo kiekvienam A.I. asistentui: Lisa yra profesionali ir informatyvi; Mattas yra draugiškas ir paslaugus; o Hunteris yra griežtas, primindamas nuomininkams mokėti nuomą, turi atrodyti autoritetingas.

 

 Pasak jo, ši technologija atlaisvino brangaus laiko p. Busboomo personalui, ir dabar visi yra daug laimingesni jų darbu. Anksčiau „kai kas nors atostogavo, tai buvo labai įtempta“, - pridūrė jis.

 

 Pokalbių robotai – taip pat kiti A.I. įrankiai, galintys sekti bendrų patalpų naudojimą ir stebėti energijos suvartojimą, padėti valdyti statybas ir atlikti kitas užduotis – nekilnojamojo turto valdyme tampa vis įprastesniu dalyku. Remiantis 2023 m. McKinsey Global Institute paskelbta ataskaita, dėl naujų technologijų sutaupyti pinigai ir laikas nekilnojamojo turto pramonei gali atnešti 110 milijardų dolerių ar daugiau. Tačiau A.I. pažanga ir jos katapultavimas į visuomenės sąmonę taip pat sukėlė klausimų, ar nuomininkai turėtų būti informuojami, kai jie bendrauja su A.I. botais.

 

 Programinės įrangos programuotojas Ray'us Wengas sužinojo, kad turi reikalų su A.I. išperkamosios nuomos agentais, ieškodamas buto Niujorke pernai, kai agentai dviejuose pastatuose naudojo tą patį vardą ir į jo klausimus atsakė tuos pačius atsakymus.

 

 „Geriau bendrauju su žmogumi“, – sakė jis. "Tai didelis įsipareigojimas pasirašyti nuomos sutartį."

 

 Ponas Wengas sakė, kad kai kurios ekskursijos po apartamentus vyko savarankiškai, o jei viskas automatizuota, atrodo, kad jiems nepakankamai rūpi, kad su manimi kalbėtų tikras žmogus.

 

 „EliseAI“, programinės įrangos įmonė, įsikūrusi Niujorke, kurios virtualiais padėjėjais naudojasi beveik 2,5 milijono butų savininkai Jungtinėse Valstijose, įskaitant kai kuriuos valdomus nekilnojamojo turto valdymo įmonės „Greystar“, siekia, kad jos padėjėjai būtų kuo žmogiškesni, sakė Minna Song, „EliseAI“ generalinis direktorius. Be to, kad robotai yra pasiekiami per pokalbius, tekstinius pranešimus ir el. paštą, jie gali bendrauti su nuomininkais balsu ir gali turėti skirtingus akcentus.

 

 Virtualūs padėjėjai, padedantys atlikti techninės priežiūros užklausas, gali užduoti tolesnius klausimus, pvz., patikrinti, kurią kriauklę reikia taisyti, jei remonto metu nuomininkas yra nepasiekiamas, sakė ponia Song, o kai kurie pradeda padėti nuomininkams pašalinti triktis priežiūros klausimais patiems. Pavyzdžiui, nuomininkai su nesandariu tualetu gali gauti pranešimą su vaizdo įrašu, kuriame parodyta, kur yra vandens uždarymo vožtuvas ir kaip juo naudotis, kol jie laukia santechniko.

 

 Ši technologija taip gerai palaiko pokalbį ir užduoda tolesnius klausimus, kad nuomininkai dažnai klysta, laikydami A.I. asistentą žmogumi. „Žmonės ateina į lizingo biurą ir klausia Elisos vardu“, – sakė ponia Song ir pridūrė, kad nuomininkai susirašinėjo žinute, siūlydami pokalbių robotui susitikti kavos, sakė vadovams, kad Elise nusipelnė atlyginimo ir netgi atnešdavo dovanų kortelių pokalbių robotui.

 

 Nesakyti klientams, kad jie bendravo su robotu, yra rizikinga. Šiaurės Vakarų universiteto komunikacijos studijų docentas Duri Longas teigė, kad dėl to kai kurie žmonės gali prarasti pasitikėjimą technologiją naudojančia įmone.

 

 Carnegie Mellon universiteto etikos ir skaičiavimo technologijų profesorius Alexas Johnas Londonas sakė, kad žmonės gali įvertinti apgaulę, kaip nepagarbą.

 

 „Atsižvelgiant į viską, geriau, kad jūsų robotas praneštų, kad jis yra kompiuteris - asistentas“, – sakė daktaras Londonas.

 

 Ponia Song teigė, kad kiekviena įmonė turi stebėti besikeičiančius teisinius standartus ir apgalvoti, ką ji sako vartotojams. Didžioji dauguma valstijų neturi įstatymų, reikalaujančių atskleisti, A.I. bendraujant su žmogumi, o egzistuojantys įstatymai pirmiausia yra susiję su balsavimo ir pardavimo įtaka, todėl robotas, naudojamas techninei priežiūrai planuoti ar priminti apie nuomos mokėjimus, neturėtų būti atskleistas klientams. (Cypress Waters rajonas nesako nuomininkams ir būsimiems nuomininkams, kad jie bendrauja su A.I. botu.)

 

Kita rizika susijusi su informacija, kad A.I. generuoja. Milena Petrova, docentė, dėstanti nekilnojamąjo turto ir įmonių finansus Sirakūzų universitete, sakė, kad žmonės turi būti „įtraukti, kad galėtų kritiškai išanalizuoti bet kokius rezultatus“, ypač kai sąveikaujama dėl paprasčiausių ir įprasčiausių problemų.

 

 Sandeep Dave, nekilnojamojo turto paslaugų įmonės CBRE vyriausiasis skaitmeninių ir technologijų pareigūnas, teigė, kad tai nepadėjo, kad A.I. „labai pasitiki savimi, todėl žmonės linkę tuo patikėti“.

 

 Maršalas Davisas, valdantis nekilnojamąjį turtą ir nekilnojamojo turto technologijų konsultavimo įmonę, stebi A.I. sistemą, kurią jis sukūrė, kad padėtų jo dviem biuro darbuotojams atsiliepti į 30–50 kasdienių skambučių 160 butų komplekse Hiustone. Pokalbių robotas puikiai tinka, atsakant į paprastus klausimus, pavyzdžiui, apie nuomos mokėjimo procedūras ar duodant išsamią informaciją apie turimus butus, sakė J. Davisas. Tačiau sudėtingesniais klausimais sistema gali „atsakyti taip, kaip, jos manymu, turėtų ir nebūtinai taip, kaip jūs to norite“, – sakė jis.

 

 J. Davis įrašo daugumą skambučių, paleidžia juos per kitą A.I. įrankį, kad juos apibendrintų ir tada klausosi tų, kurie atrodo problemiški, pavyzdžiui, „kai A.I. sako: „Klientas išreiškė nusivylimą“, – sakė jis, kad suprastų, kaip patobulinti sistemą.

 

 Kai kurie nuomininkai nėra visiškai parduoti. Jillian Pendergast bendravo su robotais praėjusiais metais, ieškodama buto San Diege. „Jiems gerai susitarti dėl susitikimų“, – sakė ji, bet bendraudama su A.I. asistentais, o ne žmonėmis, gali nusivilti, kai pradeda kartoti atsakymus.

 

 „Aš matau potencialą, bet jaučiu, kad jie vis dar yra bandymų ir klaidų fazėje“, – sakė p. Pendergast." [1]

1. When Your Building Super Is an A.I. Bot: square feet. Weed, Julie.  New York Times (Online) New York Times Company. Jun 26, 2024.