Был я, значит, на этой вашей «Тюльпаномании», слушал интересных спикеров, вкусно кушал, даже цветы ел, но что я вам рассказываю, вы и сами всё без меня знаете. Я тут, чтобы поделиться с вами эмоциями от увиденного, хочу рассказать о выступлении, которое больше всего меня поразило.
Началось всё спокойно, нам рассказывали о том, как работает ChatGPT, базовые концепции его устройства, немного присыпанные мемами.
Помимо базовых вещей, мне открыли тайны. Я узнал много нового, связанного с искусственным интеллектом и торговлей. К примеру, какие бывают подходы для прогнозирования цен с помощью GPT (странный и спорный), почему не так просто запихнуть в модель OpenAl числовые данные, но всё это не так важно, по сравнению с тем, что происходило потом.
А дальше началась настоящая магия.
В один момент Тихон надевает шляпу и начинает колдовать. Он раскрывает секреты, как внести биржевые данные в ChatGPT путём выдумывания несуществующих слов. Рассказывает максимальный объём токенов, который может принять GPT в обработку. Говорит о том, что им удалось достигнуть точности прогнозов в 68%, что меня крайне сильно впечатляет. Ну а также о том, сколько это стоит и сколько времени занимает.
1. Ткацкие станки оставили без работы ткачей, копировальные аппараты оставили без работы машинисток. Количество рабочих мест, однако, в итоге только увеличилось — вчерашние ткачи и машинистки нашли себе новые оплачиваемые занятия. Проблема текущей волны уничтожения рабочих мест в том, что неясно, где именно средний человек может надёжно превзойти по эффективности нейросеть.
Искины уже с грехом пополам способны выполнять практически всю «умственную» работу: как техническую, так и гуманитарную. Как это ни забавно, люди безусловно превосходят роботов только в физическом труде — в установке кондиционеров или в ремонте автомобилей, например…
Мы пока что плохо чувствуем проблему, так как находимся в отчасти изолированном сегменте интернета, однако на Западе народ уже в панике. Kvisaz указывает на историю массового сокращения, опубликованную на Би-Би-Си (ссылка 1, ссылка 2):
Писатель Бенджамин Миллер (имя изменено) в начале 2023 года процветал.
На фотографии к посту советская игра «Морской бой». Обратите внимание на отличное состояние комплекта — несмотря на почтенный возраст, игра выглядит как новенькая. Причина очевидна: в неё никто не играл. Попробовали сыграть пару раз, упаковали обратно в коробку и закинули пылиться на антресоли. Оно и неудивительно: нет смысла возиться со сложным устройством, если можно взять два листка в клетку и немедленно начать игру. Устройство на фото не создаёт дополнительного удовольствия, только делает старт игры более муторным.
Аналогичным образом бесполезна и глубокая роботизация на большинстве производств. Японцы ещё 50 лет назад могли заменить цех с тысячей рабочих на цех с сотней промышленных роботов, которых обслуживали три с половиной инженера-наладчика. Однако даже в Японии таких безлюдных цехов появилось относительно немного, так как практика показала, что двуногие рабочие эффективнее. Живые токари и фрезеровщики делают хвосторезы по 1000 иен за штуку, а если заменить их на роботов, себестоимость хвосторезов вырастет до 2000 иен, так как роботы дико дорогие, равно как и запчасти к ним.
Японская SoftBank намерена создать «искусственный суперинтеллект», который будет в 10 тыс. раз умнее человека, заявил глава компании Масаёси Сон в ходе годового собрания акционеров.
В центре этих усилий, скорее всего, будет чипмейкер Arm, в котором японской компании принадлежит около 90% акций, пишет Barron's.
Сон ранее заявлял, что SoftBank намерена предельно долго владеть максимально крупным пакетом бумаг Arm. Он надеется задействовать Arm в освоении сегментов робототехники, центров обработки данных и беспилотных автомобилей.
SoftBank купила Arm за $32 млрд в 2016 году, а в прошлом году вывела его на биржу Nasdaq. На закрытие торгов в четверг его капитализация составляла $168 млрд.
После покупки Arm японская компания пыталась включить в свой портфель американскую Nvidia Corp., сказал Сон в ходе собрания акционеров.
«Была одна тема: „Я купил Arm. А теперь я хочу купить вас, Nvidia“, — заявил Сон.
Сделка оказалась безуспешной, и в 2019 году SoftBank продала долю в Nvidia. Японская компания могла бы заработать более $150 млрд, если бы ее сохранила.
Нейросети также можно применять для скрининга — то есть,
для предварительной оценки разработчиков при приёме на работу.
Но при этом стоит учитывать уровень специалиста,
которого мы хотим получить.
Чем выше грейд, тем более высокого класса задачи может решать разработчик,
и тем более сложные вопросы нужно ему задавать.
Пока ИИ с этим не справляется,
так как необходим мыслительный процесс.
Нейросеть же пока не может формировать сложные задачи и анализировать подходы к их решению
— она лишь просчитывает возможные варианты решений и
проводит базовую проверку кандидата в виде чек-листа.
Например, она может понять, какой паттерн реализует тот или иной программный код.
То есть сформулировать простую задачу, получить ответ и
сравнить его с ожидаемым результатом.
Но такой уровень проверки подходит только для работы с джунами или младшими мидлами.
В области программирования уровень ChatGPT сейчас
— это уровень между junior и junior+.
В последние 3-4 года мы наблюдаем стремительное развитие нейросетей.
Математические алгоритмы для их создания были придуманы ещё несколько десятилетий назад.
Но отрасль долго ждала соответствующей инфраструктуры, такой как облачные сервера и хостинги,
чтобы сосредоточиться на создании нейросетевых моделей.
Многие видят в нейросетях панацею для бизнес-задач и повседневных вопросов,
поэтому их пытаются использовать повсеместно.
По нашим расчётам, уже лет через пять-семь станет ясно, в каких сферах без нейросетей не обойтись,
а где они преждевременны или вообще не нужны.
Сейчас нейросети активно используются для работы с языковыми моделями,
так как они взаимодействуют с «человеческим языком» — английским, русским и другими.
Однако пока ИИ не слишком хорошо справляется с языками техники и бизнес-задач из-за узкой специализации.
При разработке ПО опытные программисты переводят требования заказчика в конкретные задачи.
Инструменты искусственного интеллекта могут быть использованы для классификации торговых сессий по паттернам. Для этого можно использовать среду программирования Python. Здесь мы изложим концепцию.
Вы когда-нибудь думали о торговой сессии как о… цветке?"
Когда я впервые предложил такую тему своим менеджерам хедж-фондов, то увидел, как они растерялись. Уверен, что некоторые из них начали бормотать и интересоваться, не курил ли я и не ел ли каких-нибудь необычных цветов! Тем не менее, я был серъезен, и позвольте мне объяснить почему.
Давайте вернемся в 1936 год, когда британский ученый по имени Рональд Фишер разработал «алгоритм» для распознавания видов радужных оболочек по нескольким числовым характеристикам. Набор данных по радужной оболочке глаза — это «Hello world» науки о данных, то есть он широко используется для отработки основных алгоритмов машинного обучения (ML). Он состоит из пяти столбцов: длина лепестка, ширина лепестка, длина чашелистика, ширина чашелистика и тип вида. Исследователи измерили различные характеристики цветков ириса и записали их в цифровом виде. Фишер использовал четыре признака — длину чашелистика, ширину чашелистика, длину и ширину лепестка — для классификации трех видов ирисов (названных setosa, versicolor и virginica).