Комп’ютерний розум: генеративний штучний інтелект у рішеннях AWS

Штучний інтелект поступово проникає в наше життя майже в усіх сферах. Новий виток його розвитку – генеративний штучний інтелект (GenAI), який дає змогу не просто систематизувати та обробляти інформацію, а й створювати контент. Давайте розберемося, що ж таке GenAI і що може запропонувати компанія Amazon Web Services у цьому напрямі вже зараз.

Будучи наступним кроком у розробці штучного інтелекту, генеративний ШІ дає можливість створювати різноманітний контент, включно із зображеннями, відео, музикою тощо. Він може вивчити людську мову, мову програмування, різні предмети, такі як хімія або біологія. Тому GenAI можна використовувати з різною метою, наприклад, для розробки та дизайну продуктів, створення чат-ботів або мультимедіа. Одним із найяскравіших прикладів використання генеративного штучного інтелекту є популярний в усьому світі застосунок ChatGPT – чат-бот, здатний у діалоговому режимі відповідати на запитання, які стосуються різних предметних галузей.

Ось лише кілька прикладів того, як генеративний штучний інтелект може допомогти компаніям:

• Прискорення досліджень;
• Підвищення якості обслуговування клієнтів;
• Оптимізація бізнеспроцесів;
• Збільшення продуктивності роботи персоналу.

GenAI: моделі та принципи роботи

Генеративний штучний інтелект працює на основі моделей машинного навчання, які пройшли попереднє навчання на величезних наборах даних. Розділяють базові моделі (FM) і великі мовні моделі (LLM).

Запит користувача до нейронної мережі з точки зору моделі ШІ

Базові моделі – навчені на широкому спектрі узагальнених і немаркованих даних і здатні виконувати цілу низку завдань загального характеру. Як правило, вони використовують вивчені закономірності та взаємозв’язки для прогнозування наступного елемента послідовності. Наприклад, при створенні зображення модель його аналізує і створює більш різку та чітку версію або пророкує наступне слово в текстовому рядку на основі попередніх слів та їхнього контексту.

Великі мовні моделі є одним із класів базових моделей. Їхньою особливістю є те, що вони здатні виконувати кілька завдань завдяки визначеним властивостям, які дають змогу освоювати складні концепції. LLM може враховувати безліч параметрів і створювати контент навіть за невеликої кількості вхідних даних, навчаючись застосовувати отримані знання в найрізноманітніших контекстах.

Якщо традиційні моделі машинного навчання намагалися визначити взаємозв'язок між відомими і невідомими факторами, розглядаючи відомі дані (наприклад, зображення, що входять до навчального набору) і зіставляючи їх із невідомими (словами), то генеративні моделі спрощують ці процеси. Вони вивчають розподіл різних характеристик даних і їхній взаємозв’язок. Наприклад, генеративні моделі аналізують зображення тварин і реєструють такі змінні, як різні форми вух, очей, хвостів і шкіри. Вони вивчають ознаки та їхні взаємозв'язки, щоб зрозуміти, який вигляд мають різні тварини загалом. Потім вони можуть створювати нові зображення тварин, яких не було в наборі навчальних даних.

Далі розглянемо кілька категорій моделей генеративного штучного інтелекту.

Моделі дифузії створюють нові дані шляхом ітеративного внесення контрольованих випадкових змін у вихідну вибірку даних. Вони починають із вихідних даних і поступово зменшують їхню схожість з оригіналом, додаючи незначні зміни, так званий шум. Цей шум ретельно контролюється, щоб генеровані дані зберігали цілісність і реалістичність. Потім протягом кількох ітерацій модель дифузії змінює процес на зворотний, поступово видаляючи шум, у результаті чого виходить новий зразок даних, схожий на вихідний.

Технічні характеристики продуктів, що входять до категорії рішень GenAi

Генеративні змагальні мережі (GAN) також розвивають концепцію моделі дифузії. GAN навчають дві нейронні мережі в змагальному режимі. Перша, так званий генератор, створює підроблені зразки даних, додаючи в них випадковий шум. Друга, так званий дискримінатор, намагається відрізнити реальні дані від підроблених, створюваних генератором. У процесі навчання генератор постійно вдосконалює здатність створювати реалістичні дані, а дискримінатор дедалі краще відрізняє реальні дані від підроблених. Цей процес триває доти, доки генератор не видасть настільки переконливі дані, що дискримінатор не зможе відрізнити їх від реальних. Такі моделі широко використовуються в задачах генерації реалістичних зображень.

Варіаційні автокодувальники (VAE) навчаються математичній подачі даних, що зветься прихованим простором. Його можна розглядати як унікальний код, що представляє дані на основі всіх їхніх атрибутів. Наприклад, під час вивчення облич у прихованому просторі присутні числа, що представляють форму очей, носа, вилиць і вух. VAE використовують дві нейронні мережі – кодувальник і дешифратор. Кодувальник зіставляє вхідні дані із середнім значенням і дисперсією для кожного виміру прихованого простору. Він генерує випадкову вибірку з гаусівського розподілу. Ця вибірка є точкою в прихованому просторі і являє собою стислу спрощену версію вхідних даних. Дешифратор отримує цю вибірку з прихованого простору і перетворює її на дані, що нагадують вихідний сигнал. Для вимірювання ступеня відповідності реконструйованих даних вихідним використовуються математичні функції.

Модель генеративного штучного інтелекту на основі трансформера спирається на концепцію кодувальника і дешифратора VAE. Моделі, засновані на трансформерах, додають нові рівні до кодувальника, щоб підвищити продуктивність при виконанні текстових завдань, зокрема при розумінні, перекладі та написанні творчих робіт. Моделі на основі трансформерів оцінюють важливість різних частин послідовності вхідних даних під час обробки кожного елемента цієї послідовності. Також важливою особливістю цих моделей є реалізація контекстного вбудовування. Кодування елемента послідовності залежить не тільки від самого елемента, а й від його контексту в послідовності.

Генеративний ШІ в рішеннях AWS

Для організацій усіх розмірів і типів, які планують впровадження та розвиток штучного інтелекту, Amazon Web Services пропонує інструменти, що дають змогу створювати і масштабувати додатки на базі GenAI. Генеративний штучний інтелект AWS – це безпека і конфіденційність корпоративного рівня, доступ до провідних у галузі базових моделей, застосунків на базі генеративного ШІ та підхід, заснований на використанні даних.

Одним із найперспективніших для генеративного ШІ є додаток для генерації коду – Amazon CodeWhisperer, помічник із програмування, що дає змогу досягти максимальної продуктивності розробників. CodeWhisperer генерує пропозиції для коду в режимі реального часу, починаючи від фрагментів і закінчуючи повноцінними функціями в інтегрованому середовищі розроблення на основі коментарів та вже наявного коду. Додаток також підтримує заповнення інтерфейсу командного рядка і переклад у ньому з природної мови на bash. CodeWhisperer дає змогу перевіряти код та виявляти важкодоступні вразливості безпеки, отримуючи рекомендації щодо їх усунення. Сервіс підтримує 15 мов програмування, серед яких є Python, Java і JavaScript, бажані інтегровані середовища розробки, як-от VS Code, IntelliJ IDEA, Visual Studio, AWS Cloud9, консоль AWS Lambda, JupyterLab і Студію Amazon SageMaker, а також командні рядки, зокрема термінал macOS, iTerm2 і термінал, вбудований у VS Code.

Продукти, включені в категорію GenAi Solutions від Amazon Web Services

Ще один повністю керований сервіс, який пропонує широкий вибір високопродуктивних базових моделей від провідних компаній, що займаються штучним інтелектом – Amazon Bedrock. Він має численні можливості, необхідні для створення додатків із генеративним штучним інтелектом, гарантуючи безпеку та конфіденційність. Amazon Bedrock дає змогу експериментувати й оцінювати найкращі базові моделі для свого сценарію використання, налаштовувати їх відповідно до своїх даних, використовуючи такі методи, як тонке налаштування та генерація відповідей, доповнена результатами пошуку (RAG), а також створювати агенти, що виконують завдання з використанням корпоративних систем і джерел даних. Варто також зазначити, що сервіс є безсерверним і не вимагає від користувача управління будь-якою інфраструктурою.

Для пошуку, вивчення та розгортання або навіть для створення власних базових моделей можна використовувати Amazon SageMaker JumpStart. Сервіс є центром машинного навчання з базовими моделями, вбудованими алгоритмами і готовими рішеннями, які можна розгорнути лише кількома клацаннями миші. З його допомогою можна швидко оцінювати, порівнювати і вибирати моделі на основі заздалегідь визначених показників якості. Попередньо навчені моделі повністю налаштовуються для сценарію використання даних користувача, і їх легко розгорнути в робочому середовищі за допомогою користувацького інтерфейсу або SDK. Крім того, є можливість отримати доступ до готових рішень для поширених випадків використання і поділитися ними всередині організації, щоб прискорити створення та розгортання моделей машинного навчання.

WS HealthScribe – це сервіс, що відповідає вимогам HIPAA, який дає змогу виробникам програмного забезпечення для охорони здоров'я створювати додатки, здатні автоматично генерувати клінічні нотатки на основі аналізу розмов між пацієнтом і лікарем. AWS HealthScribe поєднує розпізнавання мови і генеративний штучний інтелект, щоб знизити обсяг медичної документації завдяки розшифровці розмов між пацієнтом та лікарем і створенню більш зручних для перегляду клінічних записів. Цей сервіс на базі Amazon Bedrock дає змогу швидше та простіше інтегрувати можливості генеративного штучного інтелекту без необхідності керувати базовою інфраструктурою машинного навчання або навчати великі мовні моделі для охорони здоров’я.

Сервіс Amazon Q у QuickSight підвищує продуктивність бізнесу завдяки можливостям генеративної бізнесаналітики, які допомагають прискорити ухвалення рішень. Він дає можливість бізнесаналітикам легко створювати і налаштовувати візуальні ефекти за допомогою команд природною мовою, а також спрощує сприйняття даних для користувачів.