Цена ошибки растет: как языковые модели меняют авиационную индустрию.

О больших языковых моделях

Большие языковые модели — это нейронные сети, созданные для обработки и генерации человеческого языка. Эти модели обучаются на обширных текстовых корпусах и применяют сложные алгоритмы для анализа и понимания языковых структур. Благодаря этому LLM могут предсказывать следующий токен (слово или символ) в тексте, основываясь на предыдущих.

Первые шаги в области обработки естественного языка были сделаны еще в середине XX века, когда появились простые алгоритмы для синтаксического анализа и генерации текста. Тем не менее, значительный прогресс стал возможен только с развитием машинного обучения и искусственных нейронных сетей. Наиболее известным примером большой языковой модели является OpenAI GPT, выпущенный в 2020 году.

Одной из основных характеристик LLM является улучшение качества их ответов по мере увеличения объема текстов, которые они «прочитали» во время обучения. Современные модели, такие как GPT-3, содержат сотни миллиардов параметров и обучены на триллионах слов, что позволяет им находить решения даже для очень сложных задач.

Большие языковые модели активно используются в маркетинге, экономике, обработке текстов и создании инструкций для чат-ботов. В сферах, где высокая цена ошибки, их интеграция происходит медленнее. К таким областям относится, например, авиация. Как отметил Юрий Чайников, решения по ключевым вопросам здесь по-прежнему принимаются человеком, хотя LLM уже помогают упростить некоторые процессы.

Большие языковые модели в авиации

В частности, большие языковые модели способствовали оптимизации работы разработчиков программного обеспечения для самолетов. Специальная система Copilot (так называемый второй пилот) взаимодействует с человеком-разработчиком, анализирует его код и предлагает улучшения и дополнения к текущему проекту. Это позволяет программистам существенно экономить время и усилия на рутинных задачах.

— Производительность труда даже высококлассного разработчика благодаря этой технологии увеличивается на 10-15 процентов. Это уже не будущее, а безусловное настоящее, — пояснил Юрий Чайников.

По словам эксперта, нейросети также принесли значительные преимущества проектировщикам, которые должны отслеживать тренды на основе открытых публикаций.

— Каждый год публикуются тысячи статей, которые необходимо читать, анализировать и оценивать на предмет их полезности для текущих задач. Это трудоемкая работа, которую языковая модель может выполнять: загружаем в нее тексты, она их читает, реферирует, структурирует и тематизирует. Также можно поручить языковой модели поиск информации в интернете: в патентных источниках, популярных новостях и специализированных изданиях. Это позволит ей сформировать представление по нашему запросу, — добавил эксперт.

Юрий Чайников уточнил, что нейросети могут также проанализировать список требований по совместимости запчастей и предложить инженеру-проектировщику варианты сборки, которые помогут решить поставленные задачи.

— Окончательное решение все равно остается за проектировщиком. Но значительное количество рутинной работы по подбору и сверке можно доверить машине,— рассказал Чайников, добавив, что большие языковые модели способны вычислить даже стоимость различных видов сборки и определить среди них наиболее выгодные варианты.

Использование LLM также становится все более эффективным в области маркетинга и копирайтинга, которые необходимы и для авиаотрасли. Нейросети успешно справляются с написанием рекламных текстов, анализируют и улавливают потребности аудитории, следуют заданной стилистике и легко меняют ее в зависимости от требований. Задачи, на выполнение которых человеку может потребоваться несколько часов, искусственный интеллект решает за считанные секунды, что уже частично заменяет специалистов в этих областях.

Кроме того, большие языковые модели помогают анализировать данные из отчетов по техническому обслуживанию, выявлять закономерности и прогнозировать возможные неисправности. Например, AI может помочь в расшифровке и анализе текстовых отчетов, поступающих от инженеров и техников. Более того, LLM способны предложить рекомендации по устранению проблем, что позволяет повысить точность диагностики и снизить вероятность человеческих ошибок.

Языковые модели также находят применение в обучении пилотов, инженеров и других сотрудников авиакомпаний. AI-платформы могут адаптировать учебные материалы под уровень знаний каждого специалиста, а также создавать интерактивные тренажеры. Например, система на основе языковых моделей может имитировать сложные ситуации и предлагать возможные действия в зависимости от решений, принимаемых сотрудником.

Большие языковые модели также используются для улучшения обслуживания пассажиров. Чат-боты и голосовые помощники на базе LLM помогают отвечать на вопросы клиентов, находить информацию о рейсах, изменениях в расписании или задержках. Модели могут обрабатывать запросы на нескольких языках, что особенно важно для международных авиакомпаний. Это позволяет сократить время ожидания на линии и повысить уровень удовлетворенности пассажиров.

Вероятность ошибки

Однако даже в указанных областях большие языковые модели на текущем этапе своего развития не способны полностью заменить человеческий труд, так как иногда они используют вымышленные факты. Поэтому необходим постоянный контроль над LLM.

— Ошибки будут всегда. Важно, как организовано оптимальное поведение системы и ее взаимодействие с человеком. Например, возьмем работу проектировщика: нейросеть сделала какую-то подборку, какие-то выводы, но в конечном итоге человеку решать, использовать ли тот или иной подход, — рассказал директор департамента цифровой трансформации в компании BetBoom.

По его словам, со временем все больше решений будут приниматься нейросетями, а вероятность ошибок с их стороны будет снижаться. В будущем можно ожидать появления еще более мощных и адаптивных моделей, которые смогут глубже интегрироваться в операционные процессы. Например, LLM могут стать частью «умных» систем управления воздушным движением, способных в реальном времени обрабатывать большие объемы данных и помогать операторам принимать оптимальные решения. Еще одним перспективным направлением является создание полностью автономных систем технического обслуживания, которые смогут предсказывать неисправности и предлагать решения без вмешательства человека.

Новые LLM также помогут в разработке систем коммуникации между авиакомпаниями и аэропортами, чтобы улучшить координацию рейсов и оптимизировать использование воздушного пространства. Такие технологии будут способствовать увеличению пропускной способности воздушных маршрутов и снижению задержек, что особенно актуально в условиях роста пассажиропотока.

Расширение применения больших языковых моделей в авиации позволит ускорить обработку данных, сократить затраты, повысить производительность труда и при этом снизить риск человеческих ошибок. Однако более широкое внедрение технологий в повседневную жизнь приведет к новой проблеме. Некому будет нести ответственность за совершенные ошибки и некому — нести наказание за причиненный ущерб, считает Юрий Чайников. Это одна из задач, которую в будущем предстоит решить, чтобы активно использовать большие языковые модели в авиационной отрасли. Если удастся найти правильный подход к этой проблеме, новые технологии смогут повысить эффективность, безопасность и качество обслуживания пассажиров, а также сделать перелеты более комфортными и доступными.

Материал подготовлен при поддержке Минобрнауки России.