Ціна помилки зростає: як мовні моделі змінюють авіацію.

Про великі мовні моделі

Великі мовні моделі — це нейронні мережі, спеціально розроблені для обробки та генерації людської мови. Ці моделі навчаються на величезній кількості текстів і використовують складні алгоритми для аналізу та розуміння мовних патернів. Завдяки цьому LLM здатні прогнозувати наступний токен (слово або символ) у тексті на основі попередніх.

Перші кроки в галузі обробки природної мови робилися ще в середині XX століття, коли були створені примітивні алгоритми для синтаксичного аналізу та генерації тексту. Проте значний прогрес був досягнутий лише з розвитком машинного навчання та штучних нейронних мереж. Найвідоміший приклад великої мовної моделі — OpenAI GPT, представлений у 2020 році.

Однією з ключових характеристик LLM є підвищення якості їхніх відповідей зі збільшенням обсягу тексту, який вони «прочитали» під час навчання. Сучасні моделі, такі як GPT-3, містять сотні мільярдів параметрів і навчені на трильйонах слів. Це дозволяє їм генерувати рішення навіть для досить складних завдань.

Великі мовні моделі активно використовуються в маркетингу, економіці, роботі з текстами та складанні інструкцій для чат-ботів. Однак у сферах, де вартість помилки висока, їх інтеграція відбувається повільніше. До таких сфер, зокрема, належить авіація. Як пояснив Юрій Чайников, рішення з ключових питань тут досі приймає людина. Проте частина процесів LLM вже допомогла спростити.

Великі мовні моделі в авіації

Зокрема, великі мовні моделі допомогли оптимізувати роботу розробників програмного забезпечення літаків. Спеціальна система Copilot (так званий другий пілот) взаємодіє з людиною-розробником, аналізує його код і пропонує покращення та доповнення до поточного проекту. Завдяки цьому програмісти можуть значно зекономити час і зусилля на монотонних і рутинних завданнях.

— Продуктивність праці навіть висококласного розробника завдяки цій технології зростає на 10-15 відсотків. І це вже не майбутнє, а безперечне сьогодення, — пояснив Юрій Чайников.

За словами експерта, нейронні мережі також надали великі переваги проектувальникам, частиною роботи яких є відстеження трендів на основі відкритих публікацій.

— Щороку виходять тисячі статей, і всі їх потрібно читати, обдумувати і оцінювати, наскільки корисна ця інформація для поточних завдань. Це важка робота, яка цілком під силу мовній моделі: завантажуємо в неї тексти, вона їх читає, реферує, розкладає, тематизує. Можна доручити великій мовній моделі і пошук інформації в інтернеті: у патентних джерелах, популярних новинах і спеціалізованих виданнях. Таким чином вона зможе сформувати певне бачення за нашим запитом, — додав експерт.

Юрій Чайников уточнив, що нейронні мережі можуть також проаналізувати список вимог щодо сумісності запчастин і запропонувати інженеру-проектувальнику варіанти зборки, які дозволять вирішити поставлені перед ним завдання.

— Остаточне рішення все одно залишається за проектувальником. Але велику кількість рутинної роботи з підбору і взаємної перевірки можна доручити машині,— розповів Чайников і додав, що великі мовні моделі здатні обчислити навіть вартість різних видів зборки і визначити серед них найбільш вигідні варіанти.

Крім того, використання LLM стає все більш ефективним у сфері маркетингу та копірайтингу, які необхідні і для авіаційної галузі. Нейронні мережі прекрасно справляються з написанням рекламних текстів, аналізують і вловлюють потреби аудиторії, дотримуються заданої стилістики і з легкістю змінюють її залежно від вимог. Завдання, на які людині може знадобитися кілька годин, штучний інтелект виконує за кілька секунд і тому вже частково замінює фахівців у цих сферах.

Також великі мовні моделі допомагають аналізувати дані з звітів з технічного обслуговування, виявляти закономірності та прогнозувати можливі несправності. Наприклад, AI може допомогти в розшифровці та аналізі текстових звітів, які надходять від інженерів і техніків. Причому LLM здатні піти ще далі і запропонувати рекомендації щодо усунення проблем, що дозволяє підвищити точність діагностики та зменшити ймовірність людських помилок.

Мовні моделі знаходять застосування і в навчанні пілотів, інженерів та інших співробітників авіакомпаній. AI-платформи можуть адаптувати навчальні матеріали під рівень знань кожного конкретного спеціаліста, а також створювати інтерактивні тренажери. Наприклад, система на основі мовних моделей може імітувати складні ситуації і пропонувати можливі дії залежно від рішень, які приймає співробітник.

Великі мовні моделі також використовуються для покращення обслуговування пасажирів. Наприклад, чат-боти та голосові помічники на базі LLM допомагають відповідати на запитання клієнтів, знаходити інформацію про рейси, зміни в розкладі або затримки. Моделі можуть обробляти запити на кількох мовах, що особливо важливо для міжнародних авіакомпаній. Це дозволяє скоротити час очікування на лінії та підвищити рівень задоволеності пасажирів.

Ймовірність помилки

Однак навіть у зазначених сферах великі мовні моделі на даному етапі свого розвитку не можуть повністю замінити людську працю, оскільки іноді використовують вигадані факти. Тому над LLM зараз необхідний постійний контроль.

— Помилки завжди будуть. Питання в тому, як організоване оптимальне поводження системи і її взаємодія з людиною. Наприклад, візьмемо роботу проектувальника: нейронна мережа зробила якусь підбірку, якісь висновки, але все одно людині вирішувати, буде він використовувати той чи інший підхід чи ні, — розповів директор департаменту цифрової трансформації в компанії BetBoom.

За його словами, з часом все більше рішень будуть приймати нейронні мережі, а ймовірність помилки з їхнього боку стане меншою. У майбутньому можна очікувати появи ще більш потужних і адаптивних моделей, які зможуть глибше інтегруватися в операційні процеси. Наприклад, LLM можуть стати частиною «розумних» систем управління повітряним рухом, здатних в реальному часі обробляти величезні обсяги даних і допомагати операторам приймати оптимальні рішення. Ще одним перспективним напрямком є створення повністю автономних систем технічного обслуговування, які зможуть прогнозувати несправності та пропонувати рішення без втручання людини.