Μετά την κατανόηση του τι είναι μία πλατφόρμα GenAI και πώς ένα LLM είναι ο βασικός μηχανισμός λειτουργίας της, το επόμενο κρίσιμο ερώτημα είναι πιο πρακτικό: τι μπορούμε ρεαλιστικά να περιμένουμε από αυτό; Η δημόσια συζήτηση κινείται συχνά ανάμεσα σε δύο άκρα. Από τη μία, ο ενθουσιασμός που παρουσιάζει τα LLMs ως καθολική λύση για κάθε γνωστικό πρόβλημα. Από την άλλη, η καχυποψία που τα απορρίπτει ως αναξιόπιστα και επικίνδυνα.

Η πραγματικότητα, όπως συμβαίνει συνήθως, βρίσκεται κάπου στη μέση.

Εκεί όπου τα LLMs αποδίδουν πραγματικά

Τα LLMs είναι εξαιρετικά ικανά σε εργασίες που σχετίζονται με τη γλώσσα και τη δομή της πληροφορίας. Μπορούν να συνοψίσουν μεγάλα κείμενα, να αναδιατυπώσουν σύνθετες ιδέες με απλούστερο τρόπο, να οργανώσουν σκέψεις, να προτείνουν δομές, να υποστηρίξουν τη συγγραφή ή την παραγωγή κώδικα. Σε περιβάλλοντα όπου η παραγωγή και η επεξεργασία λόγου αποτελούν καθημερινή δραστηριότητα, η συμβολή τους είναι άμεση και μετρήσιμη.

Η αξία τους προκύπτει από την ικανότητά τους να επιταχύνουν γνωστικές διαδικασίες ρουτίνας. Δεν αντικαθιστούν την κρίση, αλλά μειώνουν τον χρόνο που απαιτείται για έρευνα και οργάνωση της πληροφορίας. Δεν λαμβάνουν αποφάσεις, αλλά διευκολύνουν την ανάλυση. Με αυτή την έννοια, λειτουργούν ως πολλαπλασιαστές παραγωγικότητας.

Η υπερ-απόδοση, όμως, σε γλωσσικές εργασίες δεν συνεπάγεται κατανόηση.

Εκεί όπου τα LLMs αποτυγχάνουν. Και γιατί

Ένα από τα πιο συζητημένα φαινόμενα γύρω από τα LLMs είναι τα λεγόμενα hallucinations: η παραγωγή πειστικών αλλά λανθασμένων πληροφοριών. Το μοντέλο μπορεί να δημιουργήσει μια φαινομενικά τεκμηριωμένη απάντηση, με αναφορές και λεπτομέρειες, οι οποίες όμως δεν αντιστοιχούν στην πραγματικότητα.

Αυτό δεν είναι ένα «σφάλμα» με την κλασική έννοια. Είναι συνέπεια του τρόπου λειτουργίας του συστήματος. Εφόσον ο στόχος του είναι η πρόβλεψη της πιθανότερης συνέχειας ενός κειμένου, το πιθανότερο δεν ταυτίζεται απαραίτητα με το αληθές ή το επιθυμητό. Ένα απλό παράδειγμα είναι η λέξη «ομπρέλα», η οποία συχνότερα συσχετίζεται με τη «βροχή», αλλά μπορεί εξίσου να συνδεθεί με την «παραλία», ανάλογα με το πλαίσιο. Το μοντέλο δεν διαθέτει μηχανισμό εσωτερικής επαλήθευσης του σωστού, ανάλογα με το πλαίσιο, ή της αλήθειας γενικότερα. Παράγει αυτό που είναι στατιστικά πειστικό, όχι απαραίτητα αυτό που είναι πραγματικό.

Το ίδιο ισχύει και για τα φαινόμενα μεροληψίας. Εφόσον τα μοντέλα εκπαιδεύονται σε δεδομένα που αντικατοπτρίζουν τον ανθρώπινο λόγο και την κοινωνική πραγματικότητα, αναπαράγουν και τις ανισορροπίες ή τις προκαταλήψεις που υπάρχουν σε αυτά. Η τεχνολογία δεν είναι ουδέτερη, αλλά αποτελεί την αντανάκλαση των δεδομένων της.

Επιπλέον, τα LLMs δυσκολεύονται σε εργασίες που απαιτούν βαθιά λογική συνέπεια, αυστηρή αριθμητική ακρίβεια και επαληθεύσιμες πληροφορίες. Μπορούν να διατυπώσουν πειστικά επιχειρήματα, αλλά δεν διαθέτουν εσωτερικό μηχανισμό κατανόησης του κόσμου που να εγγυάται ορθότητα.

Η επίγνωση αυτών των ορίων δεν μειώνει τη σημασία τους. Την τοποθετεί στο σωστό πλαίσιο.

Από τον πειραματισμό στην ενσωμάτωση

Στο επίπεδο των οργανισμών, η διαφορά ανάμεσα στον ενθουσιασμό και στην πραγματική αξία είναι ουσιαστική. Η χρήση ενός εργαλείου τεχνητής νοημοσύνης από μεμονωμένους εργαζομένους μπορεί μεν να προσφέρει βελτίωση της της προσωπικής παραγωγικότητάς τους, δεν συνιστά, όμως, απαραίτητα, στρατηγική αξιοποίηση για όλο τον οργανισμό.

Πραγματική αξία δημιουργείται όταν τα LLMs ενσωματώνονται σε συγκεκριμένες διαδικασίες, με σαφή στόχο, μετρήσιμα κριτήρια και ανθρώπινη επίβλεψη. Όταν συνδέονται με εσωτερικά δεδομένα, όταν εντάσσονται σε ροές εργασίας, όταν επανασχεδιάζονται ρόλοι και ευθύνες γύρω από τις δυνατότητές τους.

Η μετάβαση αυτή απαιτεί κάτι περισσότερο από τεχνολογική υιοθέτηση. Απαιτεί οργανωσιακή ωριμότητα. Απαιτεί κατανόηση του πού βρίσκεται η πραγματική προστιθέμενη αξία και πού απλώς δημιουργείται εντυπωσιασμός.

Ρεαλιστικές προσδοκίες, μετρήσιμο αποτέλεσμα

Η ώριμη προσέγγιση στα LLMs δεν είναι ούτε η άκριτη αποδοχή ούτε η απόρριψη. Είναι η διαμόρφωση ρεαλιστικών προσδοκιών. Τα LLMs δεν είναι αυτόνομα συστήματα λήψης αποφάσεων. Είναι εργαλεία σύνθεσης γλώσσας και επεξεργασίας της πληροφορίας που μπορούν να υποστηρίξουν σημαντικά την ανθρώπινη σκέψη. Μπορούν να ενισχύσουν σημαντικά ανθρώπινες ομάδες και να αναλάβουν μέρος των εργασιών τους. Όχι απαραίτητα όμως να τις  υποκαταστήσουν καθολικά.

Η πρόκληση για τις επιχειρήσεις και τους οργανισμούς δεν είναι να χρησιμοποιήσουν, απλώς, το AI, αλλά να επαναπροσδιορίσουν διαδικασίες και ροές εργασίας με βάση τις δυνατότητες που προσφέρει. Η διαφορά ανάμεσα στον πειραματισμό και στη στρατηγική αξιοποίηση είναι η ύπαρξη στόχου, πλαισίου και μέτρησης του αποτελέσματος.

Μόνο όταν γνωρίζουμε τι δεν μπορεί να κάνει ένα LLM, μπορούμε να αξιοποιήσουμε με ακρίβεια αυτό που μπορεί.

Το παρόν άρθρο αποτελεί μέρος της σειράς «Τι είναι τελικά τα LLMs: μια ψύχραιμη προσέγγιση» του Φίλιππου Ζακόπουλου, Managing Partner του Found.ation.

Διαβάστε ακόμη: