UA: Від мурашиних стежок до штучного інтелекту

UA: Від мурашиних стежок до штучного інтелекту
Шлях мурашок до шоколаду

Поки ми доїдаємо шоколад після Дня Всіх Закоханих, пропоную розкрити тему феромонів у незвичному контексті. Вам цікаво, як феромони, мурахи і штучний інтелект можуть опинитися в одному реченні? Ні, це не галюцинації штучного інтелекту. Скромний феромон, мова природи між живими істотами, має відношення також до алгоритмів оптимізації мурашиних колоній у комп'ютерних науках.

audio-thumbnail
Від мурашиних стежок до штучного інтелекту
0:00
/713.0601360544217

Щасливі мурашині родини                                

Мурахи живуть великими, дружніми родинами – колоніями, і вони із задоволенням спілкуються. Коли мурахи шукають шлях до їжі, вони залишають феромони. Знайшовши їжу, повертаються додому, позначаючи свій шлях цими хімічними сигналами. Що коротший шлях між їжею та домівкою, то більше феромонів там відкладається (бо більше мурах можуть пройти туди й назад!). Тож наступним мурахам не треба починати пошук з нуля – вони можуть іти за феромонними стежками. Довші шляхи стають менш популярними, і, нажаль, або на щастя, феромони з них випаровуються. Чудово! Розумні мурахи знаходять найкращий шлях до їжі, і тепер уся родина може користуватися цим оптимальним маршрутом. Їхня система доставки їжі стає супер-ефективною! Це як знайти найшвидший шлях від дому до "Сільпо" чи до лавки з екологічними продуктами, якщо хочеться чогось особливого.

Родина ШІ

Поки мурахи використовують хімічні сигнали для побудови колективного інтелекту колонії, ШІ розвинувся у власну родину інноваційних технологій. На найширшому рівні ШІ описує системи, які можуть виконувати завдання, для виконання яких зазвичай потрібен інтелект людини. У родині ШІ живе машинне навчання, яке дозволяє системам вчитися на основі даних, а не просто виконувати запрограмовані правила. Глибоке навчання – це ще більш спеціалізована гілка, яка використовує цифрові мережі, схожі на мозок, для пошуку закономірностей. А в самому серці сидить Генеративний ШІ, наймолодший член родини, який вміє створювати новий контент – від тексту до зображень.

Метаевристика допомагає знайти оптимальний шлях

Ця чудова паралель між природою та технологіями набула форми, коли дослідник Марко Доріго розробив алгоритм оптимізації мурашиних колоній у 1990-х роках. Ця метаевристична техніка допомогає знайти оптимальне рішень для задач оптимізації. Проблема мурах – знайти оптимальний, достатньо хороший шлях до їжі, і їхнє прийняття рішень базується на феромонному сліді. Колективний розум мурашиної колонії дає зрозумілий спосіб побачити базові концепції в ШІ, як-от оптимізація та розпізнавання патернів. Великі мовні моделі використовують нейронні мережі та механізми уваги, які, все ж таки, працюють за набагато складнішими принципами, але як і мурахи, так і системи ШІ спираються на одну головну ідею: окремі агенти – чи то мурахи, чи то параметри моделі – працюють разом для розв'язання складних задач.

В алгоритмі мурашиної колонії, штучні мурахи використовують "цифровий феромон" для позначення перспективних шляхів, ніби залишають хлібні крихти на стежці. Мовні моделі покладаються на пошук оптимальних зв'язків між словами. Вони представляють слова в математичному просторі, який називається векторним простором, де слова розташовані залежно від того, як їх використовують у навчальних даних. Модель обчислює ймовірності на основі цих математичних зв'язків при передбаченні наступного слова. Тож модель обчислює вищі ймовірності для комбінацій слів, які осмислено з'являються разом у навчальних даних, так само як "сіль" і "перець" природно пов'язані у вашій голові, а "сіль" і "телескоп" – ні. 

Тепер погляньте знову на шлях мурах:

Солодкий шлях мурах

Вони знайшли ефективний маршрут, але він не обов'язково найкоротший. Зрештою, якась допитлива мураха забреде кудись, знайде трохи кращий шлях до цукерок і залишить феромони, щоб скерувати решту родини, яка застосує нові знання і використає нові маршрути. Моделі глибокого навчання адаптуються, як ця колонія, щоб покращити передбачення для створення точнішого тексту.

Медуза пече енциклопедії

Розгляньмо приклад. У великій мовній моделі відстань або зв'язок між токенами "мурахи" → "відкладають" → "феромон" набагато менша, ніж між "медуза" → "пече" → "енциклопедії". Перша послідовність природніше пов'язана, тому модель призначає їй вищу ймовірність, так само як мурахи підсилюють своїми феромонами найкращий шлях. Це видно і в генерації зображень. Я попросла DALL-E, інструмент для генерації зображень, створити дві картинки з підказками "медуза пече енциклопедії" та "мурахи відкладають феромон". Він створив гарні, природні сцени з медузами в глибокій синій воді. Це сталося тому, що плавання медуз – це поширений, добре "проторений" шлях токенів, на відміну від випікання енциклопедій. Цей інструмент краще впорався з другою підказкою і зобразив феромонні стежки, які створюють мурахи, трішки зрозуміліше, але все ж таки, не дуже добре. Генеративний ШІ трішки краще зрозумів другу комбінацію, бо ці токени частіше з'являються разом у його навчальних даних, створюючи сильніший зв'язок. Я також спробувала кілька інших інструментів генерації зображень зі своєю медузою, але жоден не спік мені енциклопедій.

Створено за допомогою DALL-E і Magic Studio

А тепер уявіть такий сценарій: Netflix випускає хітовий серіал під назвою "Медуза пече енциклопедії". Він стає світовим феноменом – півроку очолює стрімінгові чарти, виграє престижні нагороди, породжує бестселери, і заповнює медіа-простір, коли його зірка одружується з членом королівської родини. За наступні два роки ця культурна сенсація генерує незліченну кількість статей, дописів у соцмережах, мемів та похідного контенту. Коли майбутні мовні моделі навчатимуться на даних цього періоду, раптом фраза "медуза пече енциклопедії" матиме високу ймовірність появи разом – ідеальний приклад того, як ці моделі вчаться з патернів у своїх навчальних даних, незалежно від того, наскільки незвичною могла здаватися комбінація спочатку.

Використання і дослідження

Говорячи про дослідження та використання, є ще одне гарне застосування, яке не прямо пов'язане з ШІ, але все одно потужне. Це контекст інновацій. З точки зору екосистеми мурашиної родини, та допитлива мураха на картинці, яка поставила під сумнів найоптимальніший доступний маршрут, балансувала між дослідженням та використанням. Цей самий принцип працює в бізнесі - компанії прагнуть інновацій, досліджуючи нові можливості, але все ще використовуючи свою поточну конкурентну перевагу.

Ця сама концепція чудово працює і для людей. Коли ШІ адаптується до нашого світу, ми теж адаптуємося до нього. Він вже змінює нас, як ми мислимо і творимо.  Тому варто використовувати як те, що вже працює, так і досліджувати нові способи застосування ШІ в нашому повсякденному житті. Наприклад, замість просто спілкування з ШІ щодо ідей для рецептів, сфотографуйте вміст свого холодильника і попросіть перелічити продукти та запропонувати п'ять простих рецептів для вечері. Будьте тією мурахою.

Наступного разу, коли помітите мурашину стежку у своєму саду чи на кухні, зупиніться на мить, щоб поспостерігати за роботою цих крихітних інженерів. Те, що здається простим шляхом комах, які йдуть одна за одною, насправді є складною системою оптимізації, яка допомагає формувати наше технологічне майбутнє. Ті невидимі хімічні сліди, які вони залишають, надихнули ефективні алгоритми маршрутизації та те, як сучасні системи ШІ вчаться, обробляють та генерують інформацію. Це нагадування, що природа скромно пропонувала рішення складних проблем весь цей час – нам просто треба було навчитися спостерігати та адаптувати її мудрість.


Сьогодні, коли я пишу про те, як мурахи працюють разом над пошуком оптимальних шляхів через співпрацю та мирну взаємодію, я не можу не думати про вирішальну важливість миру в нашому світі. Думками, я постійно повертаюся до моєї альма-матер – Національного технічного університету України "Київський політехнічний інститут імені Ігоря Сікорського", де я вивчала Kомп'ютерне моделювання на Приладобудівному факультеті під керівництвом доцента, кандидата технічних наук -  Сергія Петровича Вислоуха. Ця подорож розуміння природних алгоритмів продовжилася через кордони до Оксфорда, де я згадую розробку алгоритмів з Цзяньцяном Ху, доктором прикладної математики.

Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського" (ліворуч) та Jesus-коледж Оксфордського університету (праворуч)

Інструменти ШІ, використані у цій статті

У процесі навчання в Оксфорді я працюю з величезною кількістю інформаційних джерел: від академічних статей, підручників та монографій до спеціалізованої літератури з навчальної програми, матеріалів лекцій, галузевих звітів, аналітичних оглядів та дослідницьких публікацій.  Під час підготовки кожної статті я опрацьовую десятки різноманітних джерел, щоб забезпечити всебічний аналіз теми та глибоке розуміння предмету. Опрацювання такого масиву даних вимагає ефективного підходу, і саме тому я активно використовую інструменти штучного інтелекту, які допомагають мені адаптувати складну інформацію та зробити її більш доступною для читачів.

З власного досвіду я переконана, що в сьогоднішньому світі, насиченому інформацією, уникати інструментів ШІ через страх перед "штучністю" означає свідомо себе обмежувати. Я активно інтегрую ці інструменти у свою щоденну роботу, і це допомагає підвищити мою ефективність та продуктивність:

  • NotebookLM — для опрацювання дослідницьких матеріалів та першоджерел, це допомагає мені виділити головне та створити ґрунтовні огляди;
  • Claude (ШІ від Anthropic), Perplexity.ai, GhatGPT (OpenAI) — допомагають мені зі структуруванням статей, аналогіями і перекладом;
  • Grammarly Premium — використовую для вичитки матеріалу;
  • DELL-E, Magic Studio — для створення зображень за допомогою ШІ;
  • ElevenLabs — для створення аудіоверсії англійською мовою з використанням штучного голосу, створеного на базі мого голосу.

Read more

UA: Нові навички керування

UA: Нові навички керування

Останнім часом, ми чуємо багато розмов на тему, чи спричинить штучний інтелект масове безробіття. Але нещодавній аналіз The Economist розкриває зовсім іншу картину: ШІ насправді не витісняє "білих комірців" з ринку, безробіття тримається на низькому рівні 4,2%, а показники зайнятості досягли історичних максимумів у 2024 році. Коли