Генеративный искусственный интеллект. Как ИИ меняет нашу жизнь и работу - Нума Дхамани

лишь одним из примеров новых возможностей LLM (см. http://mng.bz/MBNm). Она принимает на вход данные или описание их структуры [81], текстовое описание какой-либо системы/процесса или фрагмент программного кода и создает их визуальную диаграмму, чтобы человек, незнакомый с кодом, схемой или системой, мог легко представить, что происходит.

Рис. 6.4. Документационная строка, созданная с помощью ChatGPT, правильно описывает данную функцию и ее аргументы

Если мы продолжим говорить о выполнении рутинных задач с помощью LLM, то есть еще одно применение, связанное с программированием, в котором эти модели преуспевают, – это написание документации. С точки зрения простых соображений конфиденциальности нецелесообразно вставлять проприетарный код во внешний API, но для неконфиденциальных функций мы можем ввести промпт с кодом в Copilot или другую LLM и запросить, чтобы модель создала комментарии, объясняющие работу функции, добавила документационную строку, описание типов аргументов, а также другие улучшения, которые сделают готовый код более читабельным. На рис. 6.4 показан пример документационной строки, сгенерированной с помощью ИИ.

Некоторые LLM, которые не были созданы специально для целей программирования, тоже могут быть хорошими помощниками в написании кода. Например, регулярные выражения (regex) – это, как известно, сложная, но важная парадигма в программировании. С помощью регулярного выражения можно задать определенный шаблон, а затем искать фрагменты текста, соответствующие шаблону или отдельным его частям. Различные символы могут указывать, какие буквы и цифры нужно искать, сколько их должно быть и какие части строки игнорировать. Регулярные выражения часто используются для извлечения из текста таких данных, как адреса электронной почты или номера телефонов. Для наглядности приведем пример регулярного выражения для извлечения адресов электронной почты: /^([a-z0–9_.-]+)@([da-z.-]+).([a-z.]{2,63})$/. Недавно одной из нас понадобилось довольно сложное регулярное выражение, и мы попросили GPT‐4 написать его. GPT‐4 не только выдал правильное регулярное выражение, но и смог пояснить, что означает каждый символ в его ответе. На рис. 6.5 показано более простое регулярное выражение, созданное ChatGPT. Другие пользователи сообщали о применении ChatGPT для написания аналогичным образом макросов Excel14.

Написание кода – это область коллективных усилий, в которой люди всегда делились кодом, повторно его использовали и адаптировали для других целей. Давайте вспомним платформу Stack Exchange, популярный источник данных для обучения LLM, упомянутый в главе 2. Stack Overflow – самый популярный сайт экосистемы Stack Exchange, где люди задают друг другу вопросы по программированию: обычно те, кто спрашивает, описывают свою задачу, показывают несколько строк кода, выдающих ошибку, и просят совета знающих людей. Лучшие ответы на Stack Overflow содержат не только исправленные фрагменты кода, но и подробные объяснения причины возникновения ошибки в первоначальном коде, возможно, из-за неверного понимания концепций или из-за особенностей определенных языков программирования. LLM могли бы выполнять ту же функцию, что и сообщество из миллионов людей, и предоставлять ответы быстрее, чем самый быстрый из пользователей Stack Overflow.

Рис. 6.5. Фрагмент ответа ChatGPT на запрос создать регулярное выражение для извлечения идентификаторов пользователей в социальных сетях. В полном ответе были приведены регулярные выражения для идентификаторов в X (Twitter), Instagram [82], Facebook* и LinkedIn. Здесь мы видим, что регулярное выражение описано правильно, но имя пользователя X на самом деле варьируется от 4 до 15 символов

В мире LLM-помощников в программировании по-прежнему имеет значение опыт. Copilot может писать программы как человек, поскольку был обучен на коде, написанном людьми. Однако, как и созданный человеком код, его решения могут быть неэффективными или не учитывать крайние случаи. LLM – специалисты по воспроизведению шаблонов и стилей программирования, и разработчикам все равно нужно критически подходить к их ответам, учитывая состав и требования своей программы. Знание основных концепций информатики и передовых практик в области разработки программного обеспечения, пожалуй, может стать еще более важным теперь, когда LLM научились писать большую часть простейшего кода. Мы считаем, что в ближайшем будущем наибольшую пользу принесут не LLM, полностью заменяющие программистов, а специалисты, которые смогут с помощью LLM быстро осваивать и применять на практике различные специфические синтаксисы или библиотеки.

6.3. LLM в повседневной жизни

Хотя мы уже подробно обсудили возможные варианты использования генеративных моделей, лучше всего открывать для себя области их применения с помощью экспериментирования. Помимо использования LLM для ускорения или замены части рабочих процессов в профессии, люди нашли множество способов, как эти модели могут быть полезны для хобби, проектов, самосовершенствования, образования и развлечений. Мы ожидаем, что по мере того, как пользователи будут осваивать эти инструменты и делиться своим опытом, а также по мере развития технологий и возможностей генеративных моделей, появятся новые варианты их использования в повседневной жизни.

Коллективное создание промптов

На онлайн-ресурсах можно в изобилии найти интересные или особенно продуктивные промпты для LLM. Структурирование и уточнение промптов для получения ответов определенного содержания от LLM называется промпт-инжиниринг. PromptHero позиционирует себя как «Веб-сайт № 1 для промпт-инжиниринга» и показывает миллионы примеров изображений и текстов, сгенерированных с помощью ИИ, вместе с их промптами (см. https://prompthero.com/). PromptHero и другие подобные сайты удовлетворяют реальную потребность: содержание промпта, введенного в LLM и модели для генерации изображений, довольно сильно влияет на результат и иногда неожиданным образом. В сообществах пользователей публикуются лучшие промпты, которые можно повторно использовать, не тратя время на их создание, и получать удачные результаты, что особенно актуально, поскольку промпты – мощный, но пока не до конца понятный инструмент. В этом разделе мы рассмотрим, как люди используют генеративные модели в своей повседневной жизни.

Stack Overflow – только один из множества сервисов, которые, по мнению людей, могут быть полностью заменены LLM. Возможно, что некоторые из этих сервисов либо интегрируют LLM, либо просто продолжат существовать в качестве альтернативы. Мы знаем, что LLM могут выполнять перевод, поэтому Google Translate может оказаться ненужным, а вот приложение для изучения языка Duolingo уже запустило интеграцию с GPT‐4. Большая языковая модель в Duolingo Max объясняет неправильные ответы и позволяет пользователям разыгрывать свои сценарии общения, а не просто участвовать в заранее написанных разговорах15.

Одной из областей, где LLM может иметь наибольшее потенциальное влияние, является образование, включая изучение языка. В следующем разделе мы более подробно рассмотрим глубокое влияние генеративного ИИ на образование, а также поговорим о том, как можно использовать LLM в новых подходах к самообразованию. В главе 1 мы сравнили успехи различных LLM в выполнении задач по обобщению и ответам на вопросы. Люди, которые хотели бы освежить в памяти свои знания по истории, следить за последними достижениями в какой-либо научной области или событиями