In de vorige submit besprak ik de rol van AI in nieuwe mobiliteit. Ik identificeerde de drie rollen die AI kan spelen als facilitator, differentiator of geldschieter. De recente explosie van belangstelling voor generatieve AI roept de vraag op: kan generatieve AI bijdragen aan nieuwe mobiliteit en zo ja, in welke van de drie rollen? Dit bericht probeert deze vraag te beantwoorden door enkele ideeën te presenteren en problemen te identificeren die het brede gebruik van generatieve AI in nieuwe mobiliteit kunnen belemmeren.
De afgelopen weken hebben verschillende zakelijke companions van ons bedrijf vragen gesteld over generatieve AI en de implicaties ervan voor hun bedrijfsvoering. Verschillende van hen zijn gaan experimenteren met ChatGPT. Generatieve AI is het deel van AI dat algoritmen gebruikt om nieuwe inhoud te creëren. Dergelijke inhoud kan de vorm hebben van tekst, afbeeldingen, spraak, video of zelfs computercode. Als veld is het ongeveer zestig jaar geleden ontstaan en sindsdien zijn er verschillende systemen met generatief gedrag gepresenteerd. IBM’s Watson-systeem dat rond 2011 werd geïntroduceerd, was zo’n systeem. Maar pas toen generatieve vijandige netwerken en transformatoren werden geïntroduceerd, en meer recentelijk Foundation Models en Large Language Models (LLM’s), werd de interesse in het veld weer aangewakkerd. Door de manier waarop ze zijn gestructureerd en hoe ze trainingsgegevens gebruiken, hebben generatieve AI-systemen twee eigenschappen. Ze vertonen “opkomend” gedrag dat als nieuw kan worden beschouwd, en ze kunnen zich over domeinen veralgemenen. We bevinden ons in de zeer vroege stadia van het begrijpen van de impression van dit gedrag in bedrijfs- en consumententoepassingen.
In de vorige submit, stelde ik dat AI in nieuwe mobiliteit een rol speelt als een enabler, een differentiator of een monetizer. Nieuwe mobiliteit gaat over het clever verplaatsen van mensen en goederen. Het benadrukt het gebruik van multimodaal transport omdat het streeft naar veilig, betaalbaar, gemakkelijk en milieuvriendelijk transport voor een bevolking. Nieuwe mobiliteit heeft vier basiscomponenten: slimme voertuigen die geautomatiseerd of autonoom kunnen zijn, intelligente digitale platforms die worden gebruikt bij het leveren van mobiliteitsgerelateerde diensten, intelligente vervoersinfrastructuren en nieuwe bedrijfsmodellen. De vraag is of generatieve AI zal bijdragen aan alle drie de rollen.
Een zakelijke collega vertelde me over zijn experimenten met ChatGPT en Tweede piloot. Met behulp van een reeks ondubbelzinnige vragen (de algehele kwaliteit van de vragen hangt rechtstreeks samen met de kwaliteit van de antwoorden die gegenereerde AI-systemen produceren), werkte hij met deze systemen samen aan een klantsegmentatieprobleem. De interactie resulteerde in softwarefragmenten die uiteindelijk werden georganiseerd in een lopend programma, compleet met documentatie. Volgens mijn collega. Het interactieve onderzoek en de interactieve analyse die het resultaat waren van de samenwerking tussen mens en machine, bespaarde hem veel tijd, stelde hem in staat om alternatieven te overwegen die hij anders niet zou evalueren, en het probleem zelf op te lossen in plaats van een group in te schakelen. In een tijd waarin de auto- en transportindustrie software program en AI-ingenieurs nodig hebben, toonde dit experiment aan dat generatieve AI-tools zoals ChatGPT en CoPilot zinvolle hulp kunnen bieden bij het versnellen van de implementatie, acceptatie en het genereren van inkomsten met nieuwe mobiliteit, evenals coaching, of omscholing, software-engineers.
Omdat ik graag wilde onderzoeken of ChatGPT kan worden gebruikt in een bepaald facet van het genereren van inkomsten met nieuwe mobiliteit, besloot ik een paar dagen later om het te gebruiken om een vertrouwde reis te plannen. Ik heb de volgende question gemaakt: Dinsdag wil ik van Palo Alto naar het Kabuki Hotel in San Francisco reizen. Ik kan om 07.30 uur vertrekken en moet uiterlijk om 8.30 uur aanwezig zijn. Ik kan zowel gebruik maken van het openbaar vervoer als van taxivervoer, maar ik kan niet meer dan $ 10 uitgeven om op mijn bestemming te komen. Wat zijn mijn opties? Een autofabrikant wil misschien tegen betaling een dergelijke service aanbieden als reactie op het detecteren van grote verkeersopstoppingen op de snelwegen van een stad. Op abonnementen gebaseerde reisplanners zoals Transit of Citymapper kunnen dergelijke problemen eenvoudig oplossen. Een goede reisplanner zal meteen laten zien dat dit probleem onoplosbaar is, tenzij ik de tijd- of budgetbeperkingen kan ontspannen. Maar by way of een reeks vragen gaf ChatGPT me uiteindelijk drie opties. Ze waren allemaal ongeldig op foundation van de timingbeperkingen die ik had vastgesteld, maar de modaliteitscombinaties die in deze opties werden gebruikt, waren right en constant met de opties die werden gegenereerd door de Transit- en Citymapper-applicaties. Als onderdeel van de opties die het genereerde, bracht ChatGPT ook de metriek naar voren van de totale tijd doorgebracht in het openbaar vervoersysteem in vergelijking met de tijd doorgebracht in het rijdende voertuig. Dat is iets dat ik niet had overwogen als criterium voor het selecteren tussen opties. Met andere woorden, de totale prijs van de reis, de totale reisduur en de tijd besteed aan elke gebruikte modaliteit moeten de maatstaven zijn die in aanmerking worden genomen bij het selecteren van de beste van de beschikbare opties.
Deze zij het eenvoudige experimenten brachten vijf kwesties naar voren die we moeten aanpakken als generatieve AI een rol wil spelen in nieuwe mobiliteit.
Eerst, rekening houden met beperkingen en omgaan met verouderde gegevens. ChatGPT begreep niet dat er niet kon worden voldaan aan de tijd- en kostenbeperkingen die ik in eerste instantie oplegde, gezien de dienstregelingen van het openbaar vervoer, de duur van de reizen en de kosten van elk reissegment dat het voorstelde. Het gebruikte ook verouderde dienstregelingen voor het openbaar vervoer. In sommige gevallen kan de recentheid van gegevens worden aangepakt met hertraining van het mannequin. Het is nog niet duidelijk hoe vaak Foundation-modellen, inclusief Large Language Models (LLM’s), moeten worden omgeschoold om bijgewerkte informatie op te nemen, en wat hun omscholing zou moeten activeren. Gezien de omvang van deze modellen en de middelen die nodig zijn om ze te trainen, is elke omscholingsoperatie duur. Een andere benadering is om dergelijke systemen te voorzien van real-time gegevens die tijdens inferentie kunnen worden gebruikt. Bijvoorbeeld real-time gegevens van openbaarvervoersystemen, verkeersinfrastructuursensoren, enz. We zullen moeten bepalen hoeveel dit kind toegang de reacties van de LLM zal beïnvloeden en onder welke omstandigheden toegang tot dergelijke gegevens modelherscholing noodzakelijk zal maken.
Ten tweede, het controleren van de geldigheid van de geretourneerde resultaten. Feitelijke juistheid is erkend als een probleem in verband met Foundation Models. In mijn kleine experiment kon ik de geldigheid van de ChatGPT-opties controleren door mijn persoonlijke kennis en de Transit- en Citymapper-applicaties te gebruiken. Mijn zakelijke collega gebruikte zijn persoonlijke kennis om de door het systeem gegenereerde code te valideren. In veel gevallen is dit onmogelijk of te duur.
Ten derde raken generatieve AI-systemen in de warfare. In een paar gevallen tijdens deze twee experimenten raakte ChatGPT in de warfare over wat de gebruiker vroeg om te doen. Zou ChatGPT het beter kunnen doen als het toegang had tot een domeinspecifiek mannequin of zelfs een kennisbank zoals Wolfram Alpha? Hoe een dergelijk mannequin of een dergelijke kennisbank in een LLM kan worden geïntegreerd zonder de functionaliteit van de LLM te onderbreken en andere soorten foutieve antwoorden te creëren, is iets dat nog moet worden onderzocht.
Ten vierde, het opnemen van een mannequin voor de kosten van foutieve beslissingen. Tegenwoordig hebben generatieve AI-systemen zo’n mannequin niet. Het is één ding om een multimodale reis aan te bevelen die niet kan worden volbracht, maar een ander om een fout te maken medische diagnose of de optimalisatie van een proces genereren met onbetaalbare implementatiekosten. Het opnemen van dergelijke kostenmodellen vereist een duidelijk begrip van hoe generatieve AI-systemen tot een beslissing komen. Vandaag wij begrijpen het niet helemaal (En hier) dit proces. De enorme omvang van Foundation-modellen en de ondoorzichtigheid die gepaard gaat met op neurale netwerken gebaseerde systemen, maakt dit een bijzonder moeilijk probleem om aan te pakken.
Ten vijfde, het opnemen van context over individuen. Om right te functioneren als een nieuwe monetizer voor mobiliteit, moet een generatief AI-systeem gegevens over de reiziger hebben. Dergelijke gegevens moeten zowel een beschrijving bevatten van de huidige situatie van de reiziger, wat ik heb verstrekt in mijn reisplanningsverklaring, maar ook eerder vastgelegde gegevens die inzicht geven in de voorkeuren van reizigers en andere kenmerken. Misschien kunnen LLM’s worden gebruikt om eerder vastgelegde klantgegevens samen te vatten en dergelijke samenvattingen te gebruiken in combinatie met de beschrijving van een nieuwe situatie, maar dit is nog steeds een niet-geteste hypothese. De toepassing van generatieve AI in de medische diagnostiek zal dezelfde eisen stellen. Inzicht in de geschiedenis van een patiënt, naast een beschrijving van het probleem dat moet worden opgelost, is noodzakelijk. Toegang tot dergelijke gegevens zal privacy- en andere problemen met zich meebrengen, inclusief problemen die van invloed zijn op het functioneren van dergelijke systemen.
Waar laat dit alles ons met betrekking tot de toepassing van generatieve AI op nieuwe mobiliteit? We kunnen toepassingen als het samenvatten van klantdata, het creëren van verschillende soorten synthetische knowledge, het optimaliseren van operaties, of het op- of omscholen van medewerkers die onder de categorie generatieve AI vallen, bekijken als enabler voor nieuwe mobiliteit. Het gebruik van chatbots in verschillende op werknemers gerichte applicaties, het samenvatten van suggestions van klanten om de levertijd en/of prijzen te optimaliseren, applicaties voor het maken van ontwerpen voor eerste onderdelen of full voertuigen, het maken van nieuwe softwarecode of het vertalen van bestaande code van verschillende complexiteit van de ene computertaal naar de andere die vallen onder de categorie generatieve AI als differentiator. Stel je bijvoorbeeld de tijd voor dat een voertuigontwerper samenwerkt met een generatief AI-systeem zoals DALL-E of Stable Diffusion dat tekst naar afbeeldingen vertaalt om snel nieuwe ontwerpideeën te creëren om de kenmerken van een voertuig te verbeteren. Bijvoorbeeld ontwerpen die de luchtweerstandscoëfficiënt van de Toyota Prius verlagen van 0,25 die het nu is tot 0,23 (Tesla’s Model 3 luchtweerstandscoëfficiënt), of zelfs lager. En vervolgens automatisch de code genereren voor Catia of Siemens NX, zodat de ontwerper de laatste hand aan het ontwerp kan leggen en de prestaties automatisch kan simuleren. Het automatiseren van zo’n lus, waardoor de tijd die nodig is om elke iteratie uit te voeren aanzienlijk wordt verkort, zal het ontwerpproces van het voertuig radicaal veranderen. Naast reisplanningsdiensten kan males zich voorstellen dat generatieve AI-systemen worden gebruikt in klantgerichte toepassingen en in andere diensten die de mobiliteitsgerelateerde klantervaring waarvan vele geldelijk kunnen worden gemaakt.
De generatieve AI-systemen die worden geïntroduceerd, maken soms indruk op ons, andere stellen ons teleur, maar wat nog belangrijker is, ze zetten ons aan het denken over onze rol in de verschillende processen en activiteiten waarbij we betrokken zijn. Zijn dit de juiste technologieën en architecturen om te gebruiken? Moeten we open-source combineren met propriëtaire modellen om de gewenste resultaten te bereiken? Zo ja, hoe en tegen welke prijs? In het bedrijfsleven in het algemeen en nieuwe mobiliteit in het bijzonder weten we niet welke applicaties uiteindelijk kunnen worden geïmplementeerd met behulp van generatieve AI-systemen, maar we kunnen ons voorstellen dat ze de kosten verlagen, meer inkomsten genereren en de productiviteit verbeteren. Maar we moeten ze voorzichtig benaderen. We moeten de problemen aanpakken die ik heb geschetst en vele andere die ik heb gemist of die zullen opduiken. Het zal geweldig zijn om deze systemen als assistenten en medewerkers te zien. Als we ze als regelrechte vervangers zien, zal dit leiden tot problemen en raadsels die we nog niet kunnen aanpakken.
Source: corporate-innovation.co