Տասնամյակներ շարունակ արհեստական ընդհանուր բանականության (AGI) որոնումներն ընթացել են մարդկային խաղերի դիտանկյունից։ 1959 թվականին Արթուր Սեմյուելի շաշկի խաղի ոլորտում կատարած հայտնագործություններից մինչև DeepMind-ի AlphaGo-ի ցնցող ազդեցությունը՝ խաղերը ծառայել են որպես հաշվողական տրամաբանության փորձարկման լավագույն հարթակ։ Սակայն այժմ, երբ նեղ, մասնագիտացված մոդելների դարաշրջանից անցնում ենք Խոշոր լեզվական մոդելների (LLM) դարաշրջան, մեր փորձարկման մեթոդաբանությունը պետք է էվոլյուցիա ապրի։ Այսօր մարտահրավերը միայն այն չէ, թե արդյոք մեքենան կարող է հաղթել շախմատային պարտիայում, այլ այն, թե արդյոք այն կարող է կողմնորոշվել այն նուրբ, ոչ գծային տրամաբանության մեջ, որը բնորոշ է ժամանակակից բիզնես գործընթացներին։

Թեև ժամանակակից LLM-ները, ինչպիսիք են GPT-4o-ն, Claude 3.5 Sonnet-ը և Gemini 1.5 Pro-ն, գերազանց են լեզվական ճկունության հարցում, դրանք հաճախ «տրամաբանական թակարդների» առաջ կանգնելիս թերանում են. դրանք այն հանելուկներն են կամ խնդիրները, որոնք պահանջում են հետևողական տարածական մտածողություն կամ երկարաժամկետ պլանավորում։ Բիզնես առաջնորդների համար այս կատարողական բացը պարզապես հետաքրքրություն չէ. այն ընդգծում է պատասխանատու միջավայրերում ավտոմատացված տրամաբանության ընթացիկ սահմանափակումները։

Ճանաչողական բացը. որտեղ են LLM-ները դեռ սայթաքում

«Խաղային փորձությունը»՝ տրամաբանական հանելուկների և ռազմավարական խաղերի հավաքածուն, որն օգտագործվում է մոդելների արդյունավետությունը չափելու համար, բացահայտում է մի կարևոր պարադոքս։ AI-ը կարող է վայրկյանների ընթացքում կազմել բարդ իրավաբանական պայմանագիր, սակայն կարող է դժվարանալ մի պարզ տարածական հանելուկի դեպքում, որը դպրոցականը բնազդաբար կլուծեր։ Սա տեղի է ունենում այն պատճառով, որ LLM-ները հավանականության վրա հիմնված, կանխատեսող շարժիչներ են և ոչ թե խորհրդանշական տրամաբանական մեքենաներ։ Նրանք գերազանց են օրինաչափությունների ճանաչման մեջ, բայց հաճախ «հալյուցինացիաներ» են ունենում տրամաբանության մեջ, երբ բախվում են բազմաստիճան սահմանափակումներ պահանջող խնդիրների։

Ձեռնարկությունների համար սա խորը նշանակություն ունի Թվային փոխակերպման (Digital Transformation) գործընթացում։ Մինչ ընկերությունները շտապում են գեներատիվ AI-ը ներառել իրենց աշխատանքային հոսքերում, նրանք պետք է տարբերակեն այն խնդիրները, որտեղ ընդունելի է «հավանականային» արդյունքը, և այն խնդիրները, որտեղ անհրաժեշտ է «դետերմինիստական» (հստակ) տրամաբանություն։

  • Օրինաչափությունների վրա հիմնված խնդիրներ. որտեղ AI-ը հաջողակ է (օրինակ՝ շուկայի մասին հաշվետվությունների ամփոփում, մարքեթինգային տեքստերի կազմում կամ էլեկտրոնային նամակների դասակարգում):
  • Տրամաբանական սահմանափակումներով խնդիրներ. որտեղ AI-ը ձախողման ռիսկ ունի (օրինակ՝ ռեսուրսների բարդ բաշխում, բազմագործոնային լոգիստիկ պլանավորում կամ ֆինանսական մոդելավորման նրբություններ):

Երբ մոդելը «սխալվում է» տրամաբանական խնդիր լուծելիս, դա սովորաբար նշանակում է, որ այն վիճակագրորեն առավել հավանական հաջորդ բառին ավելի մեծ նշանակություն է տվել, քան խնդրի կառուցվածքային ճշմարտությանը։ Բիզնես համատեքստում՝ առանց «մարդու մասնակցության» (human-in-the-loop) կամ վերահսկողության հուսալի շերտի, որոշումների կայացման համար նման մոդելների վրա ապավինելը կարող է հանգեցնել ռազմավարության և կատարման թանկարժեք սխալների։

Բանականության մասշտաբայնացում. հանելուկներից մինչև բիզնեսի ROI

AI-ի փորձարկումից դեպի ձեռնարկությունների գործունեություն անցումը պահանջում է փոխել Ներդրումների եկամտաբերության (ROI) չափման ձևը։ Եթե AI գործակալը չի կարողանում պահպանել տրամաբանական հետևողականությունը մատակարարման շղթայի տասը քայլից բաղկացած գործընթացում, ապա մարդկային վերահսկողության ծախսերը արագորեն կչեզոքացնեն այն արդյունավետության աճը, որը պետք է ապահովեր AI-ը։

Ներկայումս որդեգրման միտումները նախապատվությունը տալիս են բանականության «շերտավոր» մոտեցմանը։ Փոխանակ ակնկալելու, որ մեկ մոդելը կլինի ունիվերսալ լուծող, ոլորտի առաջատարները կիրառում են AI գործակալներ, որոնք գործում են հստակ սահմանված շրջանակներում։ Այս գործակալները նախագծված են աշխատանքի առօրյա, հավանականային ասպեկտները վերցնելու համար՝ միաժամանակ բարդ, բարձր պատասխանատվություն պահանջող որոշումները ուղղորդելով մարդ-փորձագետներին կամ հատուկ, խորհրդանշական տրամաբանական մոդուլներին։

Այս միջավայրում հաջողության հասնող բիզնեսներն այն ընկերություններն են, որոնք AI-ի ներդրումը դիտարկում են որպես ճարտարապետական մարտահրավեր, այլ ոչ թե պարզ ծրագրային ապահովման տեղադրում։ Առաջնորդների համար կարևորագույն նկատառումներն են.

  • Ներքին տրամաբանության ստուգում (Benchmarking). Մի՛ վստահեք միայն արդյունաբերական ստանդարտներին. ստուգեք մոդելները ձեր սեփական աշխատանքային հոսքերի հատուկ տրամաբանական սահմանափակումների համատեքստում։
  • Հիբրիդային ավտոմատացում. Կիրառեք համակարգեր, որոնք համատեղում են բնական լեզվի մշակման (NLP) LLM-ները մաթեմատիկայի և լոգիստիկայի համար նախատեսված ավանդական, դետերմինիստական ալգորիթմական գործիքների հետ։
  • Հետադարձ կապի շարունակական օղակներ. Ստեղծեք համակարգ, որտեղ յուրաքանչյուր «ձախողված» AI առաջադրանք նշվում և օգտագործվում է գործակալի համակարգային հրահանգները (system prompts) վերապատրաստելու կամ կարգավորելու համար՝ ապահովելով մոդելի էվոլյուցիան ձեր բիզնեսի կարիքների բարդությանը համահունչ։

Նպատակն այնպիսի էկոհամակարգի կառուցումն է, որտեղ AI-ը ոչ միայն ընդօրինակում է մարդկային բանական