А это значит, что впереди нас ждут большие изменения в том, что может делать программное обеспечение.
Если вы когда-либо работали на придурка, вы, вероятно, знакомы с электронным письмом в 21:00 с заголовком «Пожалуйста, исправьте». Ваш босс, занятый поездкой между домиком у озера и домиком на пляже, не может дать вам отзыв о результате. Он просто хочет, чтобы вы «сделали это лучше». Я получил это письмо. Вы получили это письмо. И мы, низкообразованные трудовые крепостные, объединенные своей нищетой и ужасом, вероятно, задали один и тот же вопрос: «Что исправить?»
По сути, ваш начальник просит вас понять его намерения, исходя из исторического контекста и ваших личных способностей. Хороший начальник выделит предложения, которые он хочет изменить, значки, которые он хочет изменить, компании, в которые он хочет, чтобы вы инвестировали. Он точно скажет вам, чего он хочет, и вы сможете отреагировать соответствующим образом. К сожалению, число плохих начальников превышает число хороших ровно в 2,2 миллиарда к одному, поэтому большинство людей никогда не испытают эйфории удовлетворения на рабочем месте.
Однако, если вы когда-либо были менеджером, вы знаете, что «хороший» непосредственный подчиненный способен волшебным образом превратить вашу смутную идею в действительно отличный результат. Вы можете сказать: «Найдите мне акции для инвестиций», и хороший сотрудник вернется с чем-то потрясающим. Чем меньше времени вы тратите на уточнение того, что ищете, тем более ценным становится этот сотрудник.
Эта динамика обратной связи и результатов ввода/вывода не ограничивается переутомленными фанатиками финансов. В программировании компьютер — это сотрудник, а пользователь программного обеспечения — менеджер. Однако компьютер — довольно своеобразный и разочаровывающий прямой подчиненный — он понимает только невероятно точные команды. Взамен вы получаете невероятно точные результаты. Никаких сюрпризов, только неизбежность.
Однако что делает большие языковые модели интересными, так это то, что они представляют собой первый случай, когда вы можете дать компьютерам общий ввод подсказки на естественном языке и получить направленно точный, но редко в точности то, о чем вы думали. Раньше при программировании компьютера приходилось думать шаг за шагом. Теперь вы можете указать компьютеру отправную точку и конечную цель, и он выполнит за вас шаги — это очень важно.
Это фундаментальное улучшение в том, как мы взаимодействуем с технологиями. Точно так же, как C++ — это уровень абстракции поверх двоичного кода, ИИ — это уровень абстракции над мышлением более низкого уровня. Другими словами, с ИИ вам не нужно быть таким конкретным, как программирование, или таким точным, как формула Excel. Вместо этого вы можете дать несколько общий запрос и при этом получить полезный результат. Вы можете быть плохим менеджером и при этом получать от своего робота-сотрудника нужные результаты.
Это становится еще более впечатляющим, если принять во внимание широту и глубину возможностей этих систем. В своих экспериментах я использовал GPT-4 для создания финансовых моделей с подсказками типа «давайте сделаем dcf» (дисконтированный денежный поток). Я поручил ему проверить качество данных во время аудита с подсказкой (и я обещаю, что именно так я ее напечатал): «Эй, это хорошие данные?» В обоих случаях ИИ смог воплотить мои плохо изложенные намерения в качественный анализ.
Теперь использование программного обеспечения для повышения производительности для выполнения большего объема работы с информацией не является новой практикой. За последние десять лет такие платформы, как ServiceNow (платформы рабочих процессов) или UIPath (роботизированная автоматизация процессов), популяризировали автоматизацию рабочих процессов, но все они полагались на некоторую ручную настройку. Инструменты мощные, но они сбивают с толку. Чтобы заставить их работать, вам придется столкнуться с той же проблемой, что и программирование: очень специфические входные данные для получения очень конкретных выходных данных.
Однако ИИ может все это изменить. Предыдущие парадигмы программного обеспечения далеко не такие гибкие, мощные и творческие, как системы искусственного интеллекта. Как только LLM будет полностью внедрено в программное обеспечение для повышения производительности, произойдет фундаментальное переосмысление того, что такое труд и как он выглядит. Между основными базами данных и работой, выполняемой над ними, будет гораздо более тесная связь.
Я перепробовал десятки и десятки инструментов, пытаясь получить пример, подтверждающий этот тезис, и наконец нашел его. Мое доказательство — Composer . Он делает две вещи:
- Используйте LLM, чтобы легко автоматизировать рабочие процессы инвестирования
- Используйте LLM для автоматизации мышления более низкого уровня и подскажите, какие рабочие процессы следует построить.
Автоматизация рабочих процессов
Composer — инструмент для инвестирования.
Среднестатистический розничный трейдер не имеет доступа к технологии, позволяющей совершать действительно сложные сделки. Composer решил эту проблему, создав программное обеспечение, которое позволяет потребителям создавать, тестировать и затем совершать сделки. Если Robinhood предназначен для пускающих слюни леммингов, пристрастившихся к приливу адреналина, вызванному азартными играми на свои сбережения, то Composer предназначен для докторов наук по физике, пытающихся заработать достаточно дополнительных денег, чтобы оправдать 15 лет обучения в университете. Компания существует уже три года, ее объем торгов превышает 1 миллиард долларов и заключено более 900 тысяч сделок.
До того, как они интегрировали ИИ, если вы хотели построить сделку в Composer, вашим основным инструментом была блок-схема.
Затем эта сделка компилировалась в набор инструкций по программированию. Допустим, вы хотите построить сделку, которая будет приносить прибыль независимо от того, растет или падает инфляция. Код выглядит примерно так:
Затем вы можете протестировать сделки, чтобы увидеть, как бы они работали за последние несколько лет:
Вот это действительно круто! До появления Composer было очень сложно сделать что-либо из этого, если ты не работал на Уолл-стрит. Однако научиться пользоваться этим инструментом непросто. Трейдер вряд ли заработает больше денег, будучи превосходным создателем блок-схем — деньги приходят от результатов, а не от самого рабочего процесса.
Здесь мы посыпаем волшебной пылью ИИ: вы можете использовать естественный язык для автоматизации построения блок-схем. Просто нажмите кнопку «Создать с помощью AI» в Composer и спросите: «Можете ли вы построить стратегию, которая будет хорошо работать как при повышении, так и при падении процентных ставок?» А потом красиво, легко и внезапно происходит полноценная работающая торговля с биржевыми символами и всем остальным.
Другими словами, ИИ автоматизирует весь рабочий процесс, который раньше выполнялся вручную.
Чтобы добиться этого, они получили ранний доступ к API GPT-4. Они отправляют исходный запрос от пользователя плюс подсказку из примерно 3000 слов, которая инструктирует ИИ, как преобразовать этот запрос в код. Да, Вы прочли это правильно. Им удалось создать полную автоматизацию рабочего процесса, включая вывод данных на специальном языке кодирования, и все это в одном (хотя и очень длинном) приглашении.
Это был довольно большой сдвиг в моем понимании того, что возможно при оперативном проектировании. В своих предыдущих экспериментах я был воодушевлен тем, что мог выполнять диалоговый анализ данных в отдельных файлах, не полагаясь на вызовы API или быстрое проектирование. Система Composer показала мне, что можно сделать, если подсказка будет достаточно подробной.
Пожалуй, самым удивительным был график запуска продукта. Создание сервиса заняло три года, а добавление ИИ заняло две недели. Они не создавали Composer с учетом степени магистратуры, но он оказался идеальным. GPT-4 не мог сделать это сам по себе, но в сочетании с Composer что-то щелкнуло. Самое сложное было не в интеграции ИИ! Он создавал всю серверную часть, чтобы обрабатывать то, что возвращал ИИ.
Однако более интересен второй пункт магии — автоматизация мышления.
Автоматизация мышления
Если вы запустите подсказку с просьбой разработать стратегию, которая защитит вас при любом развитии инфляции, вы получите небольшие вариации способов торговли, основанных на одной и той же идее. Например, будет добавлен ETF индексного фонда недвижимости, тогда как более ранние версии его не включали.
Если вы, как и я, думаете, что мультипликаторы ПО могут восстановиться в течение следующих 6 месяцев, вы можете задаться вопросом, как торговать, основываясь на этой идее. Перед получением LLM вам нужно будет вывести несколько индексных фондов, ориентированных на программное обеспечение, или, если вы чувствуете риск, начните выбирать отдельные имена для инвестиций.
Или вы можете просто рассказать ИИ о своих чувствах.
Если я скажу ИИ: «Я думаю, что в ближайшие несколько месяцев мультипликаторы ПО вырастут», он создаст для меня простую сделку:
Затем, как и в случае со стажером, я даю ему дополнительную обратную связь. «Удалите ETF и дайте мне отдельные акции с микро-капитализацией». И вдруг появляется сделка. Рабочий процесс автоматизирован. О легком мышлении позаботятся. Магия.
Критики, скорее всего, возразят, что это на самом деле заводит автоматизацию слишком далеко. Это вовсе не должно быть «легкомыслием». Выбор акций и исследование ETF — важнейшие части процесса, которые нельзя пропускать. И я бы с этим согласился: не следует слепо строить сделку на основе того, что предлагает ИИ.
Однако что действительно важно, так это сочетание специального программного обеспечения для рабочих процессов и искусственного интеллекта, которое позволяет мне думать на 50% быстрее. Я могу продвигаться по торговым сценариям и идеям гораздо быстрее, чем если бы я занимался построением, тестированием и выбором акций самостоятельно.
Легко представить себе будущее Composer, в котором они будут сбрасывать все публичные отчеты, выступления руководителей, дни аналитиков и т. д. публичных компаний в графовую базу данных. Вы можете совместить фундаментальные исследования с автоматизацией торговли, и внезапно вы станете хедж-фондом, состоящим из одного человека.
Критики искусственного интеллекта сразу же заявят, что это доказывает, что GPT-4 — не что иное, как стохастический попугай, и что его результаты следует сразу отбросить. Но они ошибаются. Его производительность резко улучшается, как только он получает доступ к нужной информации.
Например, у меня есть доступ к версии ChatGPT, которая может использовать веб-поиск, чтобы сопоставить свои ответы с тем, что он находит в Интернете.
Другими словами, вместо того, чтобы использовать свои способности к рассуждению для получения теоретически правдоподобного ответа, он проводит веб-исследования, чтобы создать для себя базу знаний. Затем он анализирует собранную информацию и дает более точный ответ.
Знания и рассуждения в моделях GPT
Вот пример, иллюстрирующий этот момент. GPT-4 — самая совершенная модель на рынке сегодня. Его способности к рассуждению настолько хороши, что он может получить 5 на экзамене AP Bio. Но если я спрошу его, кто я, он скажет следующее:
Это почти так, если бы не одна большая проблема… Я являюсь соучредителем нескольких компаний, но ни одна из них не является Superhuman или Reify.
Критики искусственного интеллекта сразу же заявят, что это доказывает, что GPT-4 — не что иное, как стохастический попугай, и что его результаты следует сразу отбросить. Но они ошибаются. Его производительность резко улучшается, как только он получает доступ к нужной информации.
Например, у меня есть доступ к версии ChatGPT, которая может использовать веб-поиск, чтобы сопоставить свои ответы с тем, что он находит в Интернете.
Другими словами, вместо того, чтобы использовать свои способности к рассуждению для получения теоретически правдоподобного ответа, он проводит веб-исследования, чтобы создать для себя базу знаний. Затем он анализирует собранную информацию и дает более точный ответ.
Это очень хорошо! Базовая модель та же самая, но ответ значительно улучшается, поскольку она содержит правильную информацию для размышления.
Что тут происходит? Архитектура GPT-4 не разглашается, но мы можем сделать некоторые обоснованные предположения на основе предыдущих выпущенных моделей.
Когда GPT-4 обучался, ему была предоставлена большая часть доступного материала в Интернете. Обучение превратило эти данные в статистическую модель, которая очень хорошо справляется с заданной строкой слов, зная, какие слова должны следовать из нее — это называется предсказанием следующего токена.
Однако вид «знаний», содержащихся в этой статистической модели, является нечетким и неявным. У модели нет никакой долговременной памяти или способа поиска увиденной информации — она помнит только то, с чем столкнулась в обучающем наборе, в форме статистической модели.
Когда он встречает мое имя, он использует эту модель, чтобы сделать обоснованное предположение о том, кто я. Он делает вывод, который близок к правильному, но совершенно неверен в деталях, поскольку у него нет явного способа найти ответ.
Но когда GPT-4 подключен к Интернету (или к чему-то, что действует как база данных), ему не нужно полагаться на свое нечеткое статистическое понимание. Вместо этого он может получить явные факты, такие как «Москва — столица России», и использовать их для создания ответа.
Итак, что это значит для будущего? Я думаю, есть как минимум два интересных вывода:
- Базы данных знаний так же важны для прогресса ИИ, как и фундаментальные модели.
- Люди, которые систематизируют, хранят и каталогизируют свои собственные мысли и чтения, получат преимущество в мире, управляемом искусственным интеллектом. Они могут сделать эти ресурсы доступными для модели и использовать их для повышения информативности и актуальности ее ответов.
Как использовать ИИ в 2024 году
Когда я говорю людям, что изучаю, как использовать ИИ на фондовом рынке, неизбежным ответом является: «Пусть GPT4 скажет мне, какие акции покупать». Если вы поместите это в Composer, результат будет общим и бесполезным.
Этот понятный инстинкт совершенно ошибочен.
Мы далеки, далеки, далеки от тотальной автоматизации интеллектуального труда. Но мы находимся на пороге автоматизации обучения на уровне стажеров.
- Рабочие процессы могут создаваться автоматически.
- Результаты можно корректировать на лету.
- Рабочие места начального уровня в финансовой и других областях будут существенно отличаться.
Они по-прежнему будут существовать, но результат будет намного лучше и быстрее.
Абстракция означает сокрытие рутинной сложности и сосредоточение внимания на мышлении более высокого порядка. ИИ — это абстракция мышления, основанная на технологиях. Composer смог абстрагировать все свое программное обеспечение для рабочих процессов за две недели работы по интеграции. Это серверное программное обеспечение все еще должно существовать, но в основном для того, чтобы ИИ мог его использовать. Имейте в виду, что API GPT-4 еще даже не доступен публично. Что произойдет, если вся программа сможет это сделать? Существует реальная вероятность того, что каждый аспект работы в области знаний может стать лучше, и для стартапов потребуется совершенно новый набор возможностей, чтобы победить гигантов. Не могу дождаться, чтобы увидеть, что вы все построите.
Курирование и адаптация: Онтограф
