Технологии искусственного интеллекта в работе модельера, дизайнера, конструктора.

Нейронная сеть - это математическая модель, один из способов реализации искусственного интеллекта.
Основа сети - особым образом скомпонованная совокупность  простейших элементов сети (нейронов). Нейронные сети не программируются в привычном смысле этого слова, они обучаются.  С точки зрения математики, обучение нейронных сетей — это многопараметрическая задача нелинейной оптимизации. Обучение сети - это нахождение коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными и выходными данными. В случае успешного обучения сеть сможет вернуть верный результат для отсутствовавших данных в обучающей выборке, или прогнозировать поведение системы в ближайшем будущем.

Нейронные сети учатся на примерах. Пользователь нейронной сети выбирают приемлемую топологию, временной интервал исторических данных, а затем запускает алгоритм обучения, который автоматически анализирует структуру и взаимосвязи во входных  данных. При этом от пользователя, конечно, требуется набор знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем, например, при использовании традиционных методов статистики. С точки зрения математики, обучение нейронных сетей — это многопараметрическая задача нелинейной оптимизации.

GPT расшифровывается как (generative pretrained transformer) генеративный, предварительно обученный преобразователь, большая языковая модель, для тренировки которой использовались различные методы обучения с учителем, обучение с подкреплением и т д.

Используя текстовые запросы, пользователи могут выполнять большое разнообразие задач с помощью ChatGPT, включая написание уникальных академических эссе, учебных программ, сценариев фильмов и телепередач, создание и трансформацию текста, создавать программные коды, организовывать мозговой штурм бизнес-​идей перевод текстов.

ChatGPT способен работать в диалоговом режиме, вести беседы, похожие на человеческие, поддерживать запросы на естественных языках. Это мощный инструмент искусственного интеллекта.

Другие технологические гиганты тоже не будут просто стоять в стороне. Google представил своего конкурента ChatGPT под названием Bard AI, который будет запущен в Google Search в ближайшие недели.

Baidu, доминирующая поисковая система в Китае, объявила, что ее бот Ernie, или Wenxin Yiyan, будет запущен в марте 2023г. Alibaba подтвердила, что у нее также есть конкурирующий с ChatGPT продукт, который в настоящее время тестируется внутри компании. В арсенале Tencent также есть аналогичная генеративная технология искусственного интеллекта. 

На Amazon начали массово появляться книги, написанные с помощью нейросети ChatGPT. Было найдено более 200 таких экземпляров, но не исключено, что масштабы могут быть больше.

Практическое значение решений задач оптимизации прямо зависит от того, насколько хороша исходная математическая модель. В сложных системах математическое моделирование является затруднительным, приблизительным, неточным. Чем сложнее система, тем осторожнее следует относиться к ее оптимизации. Это замечание относится и к системам с искусственным интеллектом.
С позиций системного анализа отношение к оптимизации можно сформулировать следующим образом: это мощное средство повышения эффективности, но использовать его следует все более осторожно по мере возрастания сложности проблемы:

1. Оптимальное решение часто оказывается неустойчивым: незначительные на первый взгляд изменения в условиях задачи могут привести к выбору существенно отличающихся альтернатив.

2. Рассматриваемая система является частью некоторой большей системы, и тогда локальная оптимизация совсем не обязательно приведет к тому же результату, который потребуется от подсистемы при оптимизации системы в целом. Это приводит к необходимости увязывать критерии подсистем с критериями системы, часто делая ненужной локальную оптимизацию.

3. Критерии характеризуют цель лишь косвенно, иногда лучше, иногда хуже, но всегда приближенно. Максимизация критерия оптимальности часто отождествляется с целью, а на самом деле это разные вещи. Фактически критерий и цель относятся друг к другу как модель и оригинал, со всеми вытекающими отсюда особенностями. Многие цели трудно или даже невозможно количественно описать.

4. Не задав всех необходимых ограничений, мы можем одновременно с максимизацией основного критерия получить непредвиденные и нежелательные сопутствуюшие эффекты.

5 . С целью минимизировать нежелательные эффекты переоптимизации, и создания более устойчивой модели, систему упрощают, уменьшают количество параметров оптимизации.

Несмотря на упомянутые здесь проблемы использования нейросетей, это быстро и успешно развивающееся направление, которое уже сейчас показывает положительные результаты, а возможные недостатки метода  в дизайне могут привести к созданию моделей с "изюминкой".