Գիտական հետազոտությունների էկոհամակարգը վաղուց ի վեր բնորոշվում է մի պարադոքսով. մինչ հրապարակված գիտելիքի ծավալը էքսպոնենցիալ աճում է, այն արագությունը, որով այդ գիտելիքը կարող է վավերացվել, կրկնօրինակվել և կիրառվել կոմերցիոն նորարարությունների մեջ, մնում է հիասթափեցնող դանդաղ: Տասնամյակներ շարունակ գիտական աշխատանքի ստուգման գործընթացը՝ մեթոդաբանության վերստեղծումը, պարամետրերի կարգավորումը և արդյունքների վերարտադրումը, եղել է ձեռքի աշխատանք պահանջող, ծանրաբեռնված գործընթաց: Այսօր այդ «շշի պարանոցը» սկսում է կոտրվել։

Inherent-ը՝ բրիտանական AI լաբորատորիան, որը հիմնադրվել է հանրահայտ DeepMind-ի նախկին աշխատակիցների կողմից, վերջերս ներկայացրել է Faraday-ը՝ արհեստական բանականության գործակալ, որը հատուկ նախագծված է գիտական կրկնօրինակման բարդ աշխատանքը կատարելու համար: Ցուցադրելով Anthropic-ի և OpenAI-ի առաջատար մոդելներից ավելի բարձր արդյունավետություն հետազոտությունների վերակառուցման բարդ առաջադրանքներում՝ Inherent-ը ազդարարել է առանցքային տեղաշարժ. մենք հեռանում ենք այն AI-ից, որը պարզապես «զրուցում» է, դեպի այնպիսի AI, որն ինքնուրույն իրականացնում է բարդ, բազմափուլ աշխատանքային հոսքեր:

Գեներատիվ տեքստից դեպի գործակալային կատարում

Ստանդարտ լեզվական մեծ մոդելի (LLM) և Faraday-ի նման գործակալի տարբերությունը խորն է: Եթե LLM-ը տրամադրում է առկա գրականության ամփոփում կամ համադրում, ապա գործակալը նախագծված է գործիքների հետ փոխգործակցելու, ծրագրային միջավայրերում կողմնորոշվելու և ֆունկցիոնալ արդյունքի հասնելու համար անհրաժեշտ իտերատիվ (կրկնվող) ճշգրտումներ կատարելու համար: Հետազոտությունների համատեքստում սա նշանակում է, որ գործակալը ոչ միայն «կարդում» է հոդվածը, այլև արդյունավետորեն փորձում է վերամշակել կոդը և տվյալների փոխանցման ուղիները՝ հայտարարված արդյունքներին հասնելու համար:

Բիզնեսի ղեկավարների համար սա նշանակում է անցում «AI-ը՝ որպես խորհրդատու» մոդելից «AI-ը՝ որպես թիմակից» մոդելին: Երբ AI-ը կարող է ինքնուրույն կամրջել տեսական հետազոտության և շոշափելի արդյունքների միջև եղած բացը, դրա նշանակությունը R&D (հետազոտությունների և զարգացման) բաժինների համար հսկայական է: Faraday-ի առանձնահատկությունները, որոնք այն գրավիչ են դարձնում, ներառում են.

  • Ինքնավար իտերացիա. Ի տարբերություն ստատիկ մոդելների, գործակալը կարող է շրջանցել անհաջող փորձերը, կարգավորել փոփոխականները և կատարելագործել իր մոտեցումը՝ հիմնվելով սխալների վերաբերյալ հետադարձ կապի վրա:
  • Մեթոդաբանական հավատարմություն. Խստորեն հետևելով գրախոսվող գրականության մեջ սահմանված տրամաբանությանը՝ գործակալը նվազեցնում է մարդկային սխալի ազդեցությունը թեստավորման փուլում:
  • Բարձր ճշգրտության կրկնօրինակում. Փորձագիտական մակարդակի հետազոտական արդյունքներին հավասարվելու ունակությունը երաշխավորում է, որ կորպորատիվ նորարարության համար օգտագործվող հիմնարար տվյալները վավերացված են և հուսալի:

Գործակալային AI-ի այս տեղաշարժը թվային փոխակերպման հաջորդ տրամաբանական քայլն է: Ճիշտ այնպես, ինչպես մենք անցանք էլեկտրոնային աղյուսակներից դեպի ամպային CRM համակարգեր, այժմ մենք անցնում ենք ձեռքի աշխատանքային հոսքերից դեպի ինքնավար կատարման միջավայրեր, որտեղ գործակալները զբաղվում են «ինչպե՞ս»-ով, իսկ մարդկային փորձագետները կենտրոնանում են «ինչո՞ւ»-ի վրա:

Արագացված նորարարության ներդրումների եկամտաբերությունը (ROI)

Ձեռնարկությունների համար հետազոտությունների և զարգացման համար ինքնավար գործակալների ընդունումը ոչ թե պարզապես տեխնիկական արդիականացում է, այլ ռազմավարական քայլ՝ ROI-ն օպտիմալացնելու համար: Պատմականորեն, նոր արտադրանքի, դեղամիջոցի կամ ալգորիթմի շուկա դուրս գալու ժամանակը մեծապես կախված է R&D վավերացման փուլից: Ակադեմիական բացահայտումների կրկնօրինակումը և թեստավորումն ավտոմատացնելու համար գործակալներ տեղակայելով՝ ընկերությունները կարող են կտրուկ կրճատել այդ ցիկլերը:

Դիտարկենք ժամանակակից կորպորատիվ նորարարության լանդշաֆտը: Շատ ընկերություններ միլիոններ են ծախսում ակադեմիական բեկումներին հետևելու վրա, միայն թե հետո ամիսներ կամ տարիներ ծախսեն՝ ապացուցելու համար, որ այդ բացահայտումներն աշխատում են իրենց կոնկրետ բիզնես ճարտարապետության մեջ: Եթե գործակալը կարող է կրճատել վավերացման ժամանակը 60%-ից 80%-ով, ապա նորարարության արագության վրա դրա ազդեցությունը ապշեցուցիչ կլինի: Ավելին, գործակալային աշխատանքային հոսքերի կողմից ապահովված ստանդարտացումը երաշխավորում է, որ մտավոր սեփականությունը կառուցված է կրկնվող, վավերացված գիտության, այլ ոչ թե «սև արկղի» (black box) փորձարկումների հիմքի վրա:

Այնուամենայնիվ, ղեկավարները պետք է այս ընդունմանը մոտենան հստակ ռազմավարությամբ: Գործակալներին առկա գործընթացների վրա պարզապես ավելացնելը արդյունք չի տա, եթե հիմքում ընկած ենթակառուցվածքը մասնատված է: Կազմակերպությունները պետք է առաջնահերթություն տան հետևյալին.

  • Տվյալների պատրաստվածություն. Գործակալները պահանջում են մաքուր, կառուցվածքային մուտք դեպի պատմական հետազոտություններ և սեփական տվյալների հավաքածուներ:
  • Կառավարման շրջանակներ. Քանի որ AI գործակալները սկսում են կատարել բարդ առաջադրանքներ, բիզնեսները պետք է սահմանեն անվտանգության մեխանիզմներ՝ գործակալի որոշումների կայացման տրամաբանությունը վերահսկելու և աուդիտի ենթարկելու համար:
  • Մարդը՝ համակարգում (Human-in-the-loop). Չնայած այս գործակալների անկախությանը, վերջնական ռազմավարական հաստատումը՝ որոշումն այն մասին, թ