Investoři rizikového kapitálu vložili v posledních třech letech (než nastalo aktuální pozdvižení kolem ChatGPT) do generativních řešení umělé inteligence více než 1,7 miliardy dolarů, přičemž nejvíce finan­čních prostředků směřovalo do oblasti zkoumání a objevování nových léků s využitím umělé inteligence či programování s využitím AI.

„Rané základní modely, jako je ChatGPT, se zaměřují na schopnost generativní umělé inteligence rozšířit či urychlit kreativní práci, očekáváme ale, že do roku 2025 bude více než 30 % nových léků a materiálů systematicky objevováno pomocí technik generativní umělé inteligence,“ říká Brian Burke, viceprezident pro výzkum technologických inovací ve společnosti Gartner. „A to je jen jeden z mnoha případů využití v jednom konkrétním odvětví.“

Pět způsobů využití generativní AI v praxi

Generativní umělá inteligence může prozkoumat mnoho možných řešení určitého zadání, aby našla to správné nebo nejvhodnější. Nejenže tak v mnoha oborech rozšíří a urychlí designovou či kreativní fázi, ale má také potenciál „vymýšlet“ neotřelé návrhy nebo objekty, které by jinak lidé mohli opomenout.

První, kdo pocítí (respektive již pociťují) dopady generativní umělé inteligence, budou oblasti marketingu a médií, analytici Gartneru očekávají, že:

• Do roku 2025 bude 30 % odchozích marketingových sdělení velkých společností generováno synteticky, přičemž v roce 2022 to byla necelá 2 %.
• Do roku 2030 bude uveden první velký filmový trhák, jehož 90 % bude generováno AI (od textu/scénáře po konečné video), přičemž v roce 2022 bylo takových filmů 0 %.

Inovace v oblasti AI se navíc postupně zrychlují, a objevují se tak další a další příklady nasazení generativní AI v různých odvětvích včetně pěti následujících.

1. Generativní AI navrhující nové léky

Podle studie z roku 2010 činí průměrné náklady na zavedení nového léku od fáze prvotního objevu do fáze uvedení léčivého přípravku na trh přibližně 1,8 miliardy dolarů, přičemž na samotné hledání léčivé látky připadá asi třetina prostředků a jen tato fáze trvá tři až šest let. Generativní AI již byla při návrhu nových léků vyzkoušena a podařilo se jí potřebný čas zkrátit na několik měsíců, což pochopitelně představuje značné finanční i časové úspory.

2. Generativní AI v oblasti materiálových věd

Generativní umělá inteligence již dnes zásadně ovlivňuje automobilový, letecký, obranný, lékařský, elektronický a energetický průmysl tím, že navrhuje zcela nové materiály zaměřené na specifické fyzikální vlastnosti. Tento proces, nazývaný inverzní design, začíná definicí požadovaných vlastností a objevuje či navrhuje materiály, které tyto vlastnosti pravděpodobně mají, místo aby se spoléhal při jejich hledání na náhodu či štěstí. Cílem je například nalezení materiálů, které jsou vodivější nebo mají větší magnetickou přitažlivost než ty, jež se v současnosti používají v energetice a dopravě – nebo například hledání materiálů, které jsou odolnější proti korozi než ty dnes používané.

3. Generativní AI navrhující čipy

GAI může využívat metody tzv. posilujícího učení (reinforcement learning) pro optimalizaci rozmístění součástek při návrhu polovodičových čipů (floorplanning), čímž se doba vývoje produktů zkrátí z týdnů, které potřebují zkušení specialisté, na hodiny.

4. Zapojení generativní AI do tvorby syntetických dat

Jedním ze způsobů, jak vytvářet kvalitní syntetická data, je zapojit do procesu generativní AI. Syntetická data se získávají z přímého pozorování reálného světa bez určení konkrétních zdrojů těchto dat. Například údaje o zdravotní péči lze uměle generovat pro účely výzkumu a analýzy, aniž je odhalena identita pacientů, jejichž zdravotní záznamy byly použity k zajištění soukromí.

5. Generativní návrh dílů a součástek

Generativní umělá inteligence může v průmyslových odvětvích včet­ně zpracovatelského, automobilového, leteckého a obranného prů­mys­lu, navrhovat díly a součástky optimalizované tak, aby splňovaly konkrétní cíle a omezení, jako je výkon či odolnost, použité materiály a výrobní metody. Například výrobci automobilů mohou generativní návrh využít k tvorbě odlehčených konstrukcí – a snížit tak hmot­nost i spotřebu svých automobilů při zachování tuhosti či odolnosti.

Klíčové technologie pro využití generativní AI

Většina dnešních systémů AI spadá tím či oním způsobem do kategorie „klasifikátorů“, lze je tedy například vycvičit pro rozpoznávání obrázků psů a koček (nebo zmetků na výrobní lince apod.). Generativní AI tento koncept posouvají o krok dál – lze je vycvičit tak, aby vygenerovaly obrázek psa či kočky, který ve skutečném světě neexistuje. Je to právě tato „kreativní“ schopnost, jež (z)mění pravidla hry. Generativní AI umožňuje vytvářet pomocí výpočetních systémů hodnotné artefakty, jako jsou videa, příběhy, tréninková data, a dokonce i návrhy a schémata (pozn. red.: jejich použitelnost je ale do značné míry dána tolerancí k nepřesnostem, nicméně i v tomto směru se GAI poměrně rychle zlepšují).

Například v posledních týdnech tolik diskutovaný Generative Pre-trained Transformer (GPT) je rozsáhlá technologie přirozeného jazyka, která využívá hluboké učení k vytváření textu podobného či takřka nerozlišitelného od textu vytvořeného člověkem. Třetí generace (GPT-3), která na základě dalšího akumulovaného tréninku předpovídá nejpravděpodobnější další slovo ve větě, dokáže psát příběhy, písně a poezii, a dokonce i počítačový kód – ChatGPT tak zvládne sepsat domácí úkol teenagera během několika vteřin a podklady pro kratší vysokoškolskou seminárku „vyplivne“ během pár minut „diskuse“ s uživatelem. Kromě textu mohou generátory jako jsou DALL-E 2, Stable Diffusion a Midjourney, generovat z textu obrázky. (Pozn. red.: z vlastních zkušeností musíme opět dodat, že je zásadní, jak přesný, kompletní či bezchybný výstup očekáváte – pro psaní kódu i domácích úkolů nebo generované vizuální výstupy platí, že pokud dané problematice nerozumíte (respektive obrazový výstup příliš podrobně nezkoumáte), přijde vám výstup AI takřka perfektní, při hlubších znalostech a podrobnějším zkoumání ale (prozatím) naleznete mnohé mezery či nedostatky – což nemění nic na skutečnosti, že výstupy nejlepších generativních AI jsou často doslova dechberoucí.)

Nástroje GAI používají řadu technik, v poslední době se nicméně do popředí zájmu dostaly zejména tzv. „foundation models“. Ty jsou předem natrénovány na obecných zdrojích dat samoučícím se způsobem, který lze následně přizpůsobit k řešení nových problémů. Jejich základem jsou především transformační architektury, tedy architektury hlubokých neuronových sítí, jež pracují s číselnou reprezentací tréninkových dat.

Transformační architektury jsou schopné se naučit kontext, a tedy i význam, sledováním vztahů v posloupných datech. Pracují s rozvíjející se sadou matematických technik nazývaných pozornost či sebepozornost, s jejichž pomocí mohou odhalit nenápadné způsoby, jimiž se i vzdálené datové prvky v dané řadě navzájem ovlivňují či na sobě závisejí.

Pamatujte na rizika generativní AI

Než se naplno pustíte do hledání způsobů, jak využít, nebo dokonce vytvořit generativní AI, mějte na paměti, že s ní může být spojena řada reálných hrozeb – včetně deepfakes, potenciálně nákladných problémů s autorskými právy nebo rizik souvisejících s jejím zlovol­ným použitím, jež se může snadno obrátit přímo proti vám (vaší organizaci).

Do projektů využití či vyvíjení generativní AI by proto měli být zapo­jeni také lídři odpovědní za bezpečnost a řízení rizik, tak abyste po­kry­li a minimalizovali rizika reputační, padělání, podvodů, či dokonce rizika politická, která mohou v případě GAI zasáhnout jak její tvůrce, tak uživatele – jednotlivce, podniky či organizace z veřejné a státní sféry. Zvažte také zavedení pravidel pro odpovědné využívání generativní AI – zahrnující například seznam schválených dodavatelů a služeb, v němž upřednostněte ty, které se snaží o transparentnost u tréninkových datových sad a vhodného použití modelů a/nebo nabízejí své modely jako otevřený zdrojový kód.

Jackie Wiles Autorka článku je Content Marketing Director společnosti Gartner. Překlad a úpravy textu provedla společnost KPC Group, zastoupení Gartneru pro ČR, SR a Rumunsko. Při přípravě textu byla využita studie viceprezidenta technologického výzkumu Gartneru Briana Burkeho.