В Кремниевой долине 9-10 марта прошел GPT Party 3.0 — самый масштабный русскоязычный нетворкинг-ивент, посвященный искусственному интеллекту. Более 450 человек собрались в Plug and Play, чтобы встретиться с ведущими экспертами, предпринимателями и инвесторами, обсудить последние тенденции в области искусственного интеллекта и получить практические знания.
На GPT Party Эндрю Гри, основатель компании HyperC, занимающейся торговлей на Amazon с использованием ИИ, выступил на тему «Old AI vs. New AI: Boosting profits and hiring bots with two practical cases». Эндрю рассказал, в чем разница между классическим и современным искусственным интеллектом, а также поделился кейсами использования ИИ в своих проектах.
В настоящее время мой основной бизнес — это инвестирование в товары с использованием искусственного интеллекта. Например, мы используем автоматические системы принятия решений для того, чтобы определить, что стоит покупать на площадке Amazon. Конечно же, я не могу не уделить внимание развитию ассистентов — это моя страсть. Поэтому вторая часть моей презентации будет посвящена применению современных чат-бот технологий для решения бизнес-задач в реальном времени. Рассмотрим, как все это можно собрать и автоматизировать.
Про сравнение старого и нового искусственного интеллекта посмотрим на конкретных кейсах. Старый ИИ был сложен в использовании, в то время как современный ИИ может быть применен к индивидуальным случаям с минимальными усилиями, хотя с собственными особенностями. Я продемонстрирую это на двух примерах. Первый пример — это использование ИИ для арбитража товаров на Amazon. Второй пример — это кейс конвейерной обработки с использованием нескольких чат-ботов, передающих друг другу информацию для создания контента.
Для начала разберем классический AI на примере модели для спекуляции на Amazon. Арбитраж на Amazon — это стратегия, при которой мы покупаем товары у дистрибьютора за 10 долларов, продаем их под своим брендом за 100 долларов и зарабатываем на разнице, в данном случае 90 долларов. Это выглядит просто, пока мы не сталкиваемся с ситуацией, что товары могут быть уже проданы на Amazon за меньшую цену, чем мы их покупали, и мы рискуем потерять деньги. Вот тут на помощь приходит искусственный интеллект.
ИИ позволяет нам спекулировать товарами, предсказывая, когда они будут стоить 10 долларов и принесут прибыль. Мы недавно перешли к разработке более продвинутой модели, которую назвали Moonshot. Эта модель предсказывает прибыль сразу после инвестиции денег и автоматически реинвестирует ее.
Это применимо не только к Amazon, но и к любому типу бизнеса, где можно управлять решениями с помощью инвестирования в определенные активы или торговлей в розничном секторе. ИИ максимизирует нашу прибыль, определяя, куда сейчас лучше всего инвестировать деньги. Он анализирует текущее состояние рынка и говорит нам, сколько товара нужно заказать сегодня и сколько прибыли это принесет.
Для этого мы просто создаем таблицу, где отображены наши предыдущие операции и количество товара, заказанного на текущий месяц, и цена на сегодняшний и вчерашний день. Искусственный интеллект анализирует эту таблицу и предсказывает прибыль. И вся эта процедура становится очень простой с помощью ChatGPT 4. Мы можем просто запросить у него создание модели на Python, а затем получить прогноз прибыли на основе данных из таблицы. Такие задачи решаются стандартным образом благодаря искусственному интеллекту, и это должен делать каждый, кто хочет быть конкурентоспособным на рынке.
Давайте немного поговорим о реальном опыте внедрения модели, которую мы назвали Moonshot. Наша идея заключалась в том, чтобы взять 1000+ колонок данных, Gradient Boosting 2000+ rounds, 1+ трлн записей, разреженных до 100 ГБ, 2 месяца имплементации, 600 ГБ памяти, 10 ТБ 20+ГБ/с дисков, только на GPU, API с обработкой более 100ГБ. Однако, когда прошли две недели, мы поняли, что ошиблись в 10 раз. Мы узнали, чтобы создать модель, которая превзойдет все существующие на текущем рынке, нужно большое количество данных. Из этого я сделал вывод: начинать стоит с чего-то простого, понятного, что это приносит пользу, затем мы постепенно усложнять процесс.
Сейчас в розничном секторе искусственный интеллект практически отсутствует. Наша модель позволяет нам собирать данные из огромного каталога, состоящего примерно из миллиона товаров. Например, мы можем анализировать индексы по интересам и предсказывать прибыльность товаров на Amazon. Это уже работает, и самый простой продукт позволяет заработать от 0.3% до 1% от вложенной суммы в неделю. Мы планируем развивать эту идею дальше и создать биржу, основанную на розничной торговле, подобную фондовой бирже. Однако сейчас чат-боты не могут обработать такое количество товаров, чтобы предсказать результаты.
Перейдем к еще одному кейсу, с которым уже сейчас ChatGPT хорошо справляется, к работе с контентом в конвейерном режиме. Я глубокий поклонник этой идеи и вижу, что скоро у нас будет работать 1000 искусственных сотрудников. Управление ими, обучение и работа в режиме конвейера будет обязательным. Один из кейсов, который мы рассматриваем, — это создание разнообразного контента, например, из транскриптов интервью или выступлений.
Идея заключается в использовании нескольких ChatGPT в режиме конвейера. Когда текст транскрипта публикуется в Интернете, его забирает один робот, который обрабатывает его и передает другим роботам задачу создать контент для определенного формата и направления. Затем готовый контент отправляется конкретным людям для верификации, но основная часть работы по созданию контента выполняется автоматически.
Чтобы создать подобный механизм, нам нужны роботы, способные общаться между собой, и мы разработали технологию, позволяющую нескольким ChatGPT общаться в общем чате. Они должны уметь помнить контекст и взаимодействовать с неискусственными сотрудниками. Кроме того, нам нужен технический бот, который собирает кусочки текста с веб-сайта и саммаризирует их. После завершения задачи он передает результат в общий чат, где следующие боты выполняют дальнейшие инструкции и пересылают сообщения людям для финальной верификации и публикации.
В ходе активного тестирования мы выявили несколько основных проблем, которые возникают при работе с конвейерным режимом и которые нам предстоит решить.
- Забывчивость. При большом количестве задач роботы могут забыть о некоторых из них. Это можно решить, разбивая задачи на маленькие компоненты.
- Потеря сообщений. Решение заключается в том, чтобы повторно переспросить, если задача не выполнена. Важно также учить менеджеров эффективно общаться с ботами и следить за выполнением задач.
- Исключения, которые возникают в отлаженных процессах. В таких случаях ботам важно объяснять, что делать в таким случае, а также менеджеры должны знать, как общаться с ботами в таком случае.
- Самодеятельность. Боты могут начать действовать самостоятельно или отказывать выполнять задачи. Для решения этой проблемы необходимо четко разделять задачи и обязанности между ботами, а также следить за их действиями. Также существуют такие проблемы, как галлюцинации ботов и количеством времени, необходимым для объяснения объемной задачи боту.
Постоянное обновление алгоритмов также является важным аспектом работы с ботами. Необходимо постоянно мониторить и тестировать систему, чтобы быть уверенными в ее надежности.
Мы разработали систему управления конвейером сотрудников, которая находится в тестовом режиме. Это поможет нам более эффективно управлять процессом и решать возникающие проблемы.
