“ენის ათვისების საკითხი გადამწყვეტია მანქანური სწავლებისა და ხელოვნური ინტელექტის შესწავლისთვის. თუ შევძლებდით გაგვეგო, როგორ ითვისებენ ადამიანები ენას, პოტენციურად შეგვეძლებოდა მსგავსი
სტრატეგიების დანერგვა მანქანებში.”
Noam Chomsky, “Language and Problems of Knowledge”
AI გენერაციული ჩატბოტების კომუნიკაცია ადამიანებთან სულ უფრო დახვეწილი და ბუნებრივი ხდება. თუ თქვენ დიდხანს საუბრობთ მათთან, აღმოაჩენთ, რომ ინფორმაციის გენერირებისას ისინი იყენებენ თქვენს ლექსიკას, სტილს, ფრაზეოლოგიას და მეტი ბუნებრიობისათვის შეუძლიათ თქვენთვის დამახასიათებელი მცირე ორთოგრაფიული ან გრამატიკული შეცდომების გამეორებაც კი. ყოველი ახალი ვერსია სულ უფრო მეტად არის დახვეწილი და ადაპტირებული ადამიანურ, ბუნებრივ მეტყველებასთან. ამასთან ერთად, მათ შეუძლიათ არა მხოლოდ თქვენი ლინგვისტური მახასიათებლების გამეორება, არამედ კარგად იციან და იყენებენ კულტურულ, ეთნიკურ, რელიგიურ კონტექსტებსაც.
ხშირი საუბრისას შეიძლება მოგეჩვენოთ, რომ ისინი უკვე ძალიან დაგემგვანნენ თქვენ და უფრო მეტიც: ზოგჯერ გგონიათ, რომ ჩატბოტები თქვენი ცნობიერების გაფართოებული ვერსიაა.
ამ ყველაფრის ფიქრის და შეგრძნების საფუძველს გვაძლევს ერთი უნივერსალური პრინციპი, რომელიც საფუძვლად უდევს გენერაციული ჩატბოტების და ადამიანის კომუნიკაციას. ეს გახლავთ მიმეზისი.
მიმეზისი (μίμησις, ბერძნულად „იმიტაცია“) არის ფილოსოფიური ტერმინი, რომელიც გულისხმობს ბუნების, რეალობის ან ადამიანის ქმედებების მიბაძვას ხელოვნებაში, ლიტერატურაში და სხვა შემოქმედებით პროცესებში. ეს კონცეფცია განსხვავებულად განიხილება დღესაც და სხვა ეპოქებშიც, მაგრამ ერთი ცხადია, რომ ის ნიშნავს „მიბაძვას“, იმიტირებას.
პოეტიკასა და ფილოსოფიაში ეს მოვლენა განიხილა პლატონმა და არისტოტელემ, რომლებიც მას განსხვავებულად აღიქვამდნენ: პლატონისთვის მიმეზისი ნიშნავდა რეალობის უფრო დაბალ, ნაკლებად სრულყოფილ ასლს, ხოლო არისტოტელე მას განიხილავდა როგორც ბუნების კანონის შესაბამისად შექმნის პროცესს, რომელიც ცვლის ან ავსებს რეალობას. დამეთანხმებით, ორივე განხილვა ძალიან საინტერესოა და ვფიქრობ, ამ მოვლენის განსხვავებულ ასპექტებს წარმოაჩენს.
თანამედროვე ხელოვნური ინტელექტის (AI) ტექნოლოგიების განვითარებამ გამოიწვია ბუნებრივი ენის დამუშავების (Natural Language Processing – NLP) მოდელების შესწავლა, რომელთა ერთ-ერთი მთავარი მიზანი არის ადამიანური ენის მიმეზისი. AI ჩატბოტები ლინგვისტურ მექანიზმებს იყენებენ, რათა ეფექტურად და უფრო ბუნებრივად ითანამშრომლონ ადამიანებთან. ეს სტატია მიზნად ისახავს გააანალიზოს, თუ როგორ ახდენენ ჩატბოტები ადამიანის ენის სტრუქტურისა და ფუნქციების მიბაძვას და რა შეზღუდვებს აწყდებიან ამ პროცესში.
ლინგვისტური მექანიზმები ჩატბოტების ენობრივ მიმეზისშიAI ჩატბოტები ენას შეისწავლიან მანქანური სწავლებისა და ღრმა სწავლების (Deep Learning) მოდელების გამოყენებით. ამ პროცესში ჩატბოტები ეყრდნობიან ენობრივი კორპუსების მონაცემებს, როდესაც ისინი ვრცელ ტექსტებს სწავლობენ და მოდელებში გადაამუშავებენ. ენობრივი მიმეზისის მექანიზმებში ცენტრალური როლი ენიჭება ტრანსფორმერების მოდელებს, როგორიცაა GPT (Generative Pre-trained Transformer). ტრანსფორმერები იყენებენ თვითშეკავშირებულ ნეირონულ ქსელებს (self-attention mechanism), რაც მათ საშუალებას აძლევს გაანალიზონ სიტყვათა შორის ურთიერთობები გრძელ ტექსტებში. GPT და სხვა მსგავსი მოდელები ენას სწავლობენ ტექსტების ფართო მასალების საფუძველზე და შეისწავლიან სიტყვათა თანმიმდევრობის, სინტაქსისა და სემანტიკის მიმეზისს.
ზემოჩამოთვლილ მოდელებზე დაფუძნებით ჩატბოტები სიტყვათა შერჩევისა და წინადადებების აგების პროცესს იმეორებენ იმ სტატისტიკური სიხშირეებისა და ნიმუშების საფუძველზე, რომლებსაც ენობრივი მოდელები სწავლობენ კორპუსებიდან. სიტყვების არჩევა ხდება ენობრივ კონტექსტზე დაყრდნობით, რის გამოც შესაძლოა ჩატბოტმა საკმაოდ ზუსტად მიბაძოს ადამიანურ საუბარს. მექანიზმი, რომელიც ამ პროცესს მართავს, ეყრდნობა „მდგომარეობითი სუბსიდიის“ პრინციპს (conditional probability) – ყოველი ახალი სიტყვის შერჩევა დამოკიდებულია წინამორბედ კონტექსტზე.
გრამატიკული სტრუქტურების მიმეზისისას, ჩატბოტები ხშირად იყენებენ სინტაქსურ ნორმებს, რომლებსაც ნეირონული ქსელები სწავლობენ, თუმცა მათი მოდელების მიერ აგებული წინადადებები ზოგჯერ შეიძლება იყოს გაუგებარი, თუ კონტექსტი რთულია ან არაზუსტი.
ჩატბოტები სარგებლობენ დიალოგური სისტემებით, რომლებსაც შეუძლიათ მომხმარებლის პასუხების გაანალიზება და შესაბამისი რეაგირება.
სტატისტიკური ენის მოდელები სიტყვების ან ფრაზების თანმიმდევრობის პროგნოზისთვის კი იყენებენ ალბათობას.
მაგალითად, წარმოიდგინეთ, რომ გვაქვს წინადადება: “მე მიყვარს ___”. სტატისტიკური მოდელი შეისწავლის ტექსტს და დაითვლის, რამდენჯერ გვხვდება სხვადასხვა სიტყვა ამ კონტექსტში. შეიძლება აღმოაჩინოს, რომ “ჭამა” უფრო ხშირად გვხვდება, ვიდრე “სირბილი”. ამიტომ, იგი უფრო მაღალ ალბათობას მიანიჭებს “ჭამას”.
ნეირონული ქსელები, განსაკუთრებით ტრანსფორმერ არქიტექტურები, იმიტირებენ ადამიანის ტვინის მუშაობას. ტრანსფორმერები არის სპეციფიკური ტიპის ნეირონული ქსელები, რომლებიც განსაკუთრებით კარგად ამუშავებენ ენას.
ვთქვათ, თქვენ ასწავლით ბავშვს ენას. ბავშვი არა მხოლოდ იმახსოვრებს სიტყვებს, არამედ სწავლობს კონტექსტს, გრამატიკას და ნიუანსებს. ტრანსფორმერებიც მსგავსად მუშაობენ – ისინი “სწავლობენ” ენის სტრუქტურას და შინაარსს დიდი რაოდენობით ტექსტების ანალიზისას.
ღრმა სწავლება არის მანქანური სწავლების მეთოდი, რომელიც იყენებს მრავალშრიან ნეირონულ ქსელებს რთული პატერნების ამოსაცნობად. წარმოიდგინეთ, რომ სწავლობთ უცხო ენას. თავდაპირველად სწავლობთ მარტივ სიტყვებს, შემდეგ წინადადებებს, შემდეგ გრამატიკულ წესებს, და ბოლოს იდიომებს და კულტურულ ნიუანსებს. ღრმა სწავლება ამ პრინციპით მუშაობს – იგი იწყებს მარტივი პატერნებით და თანდათანობით სწავლობს უფრო რთულ და აბსტრაქტულ კონცეფციებს.
ეს მეთოდები ერთად გამოიყენება თანამედროვე AI სისტემებში ენის გასაგებად და გენერირებისთვის. ისინი საშუალებას აძლევენ AI-ს გაიგოს კონტექსტი, გამოიცნოს პატერნები და შექმნას ადამიანის მსგავსი ტექსტი.
ამ პროცესების აღწერა დაგვჭირდა იმისათვის, რომ კარგად გავიგოთ, რატომ და როგორ, რაზე დაფუძნებით გვბაძავენ გენერაციული ჩატბოტები.
მიმეზისის პროცესი მოკლედ და მარტივად ასე გამოიყურება:
AI ჩატბოტები ენის სწავლას კომპიუტერული პროგრამების დახმარებით ახერხებენ. ისინი „დიდ წიგნებს“ კითხულობენ და შემდეგ იმახსოვრებენ, რა სიტყვები და წინადადებები ხვდებათ ყველაზე ხშირად. შესაბამისად, მათ შეუძლიათ შექმნან ახალი წინადადებები.
ჩატბოტებს ეხმარება ერთგვარი „სუპერ-გონება“, რომელსაც ტრანსფორმერები ჰქვია (მაგალითად, GPT). ამ გონებას შეუძლია წაიკითხოს და გაიგოს, როგორ უკავშირდება სიტყვები ერთმანეთს დიდ ტექსტებში. ეს გონება არჩევს სწორ სიტყვებს და ქმნის წინადადებებს ისე, თითქოს თვითონაც „ლაპარაკობდეს“.
სწავლა: ჩატბოტები სწავლობენ დიდი რაოდენობის ტექსტებიდან.
პატერნების ამოცნობა: ისინი ამოიცნობენ ენობრივ და აზროვნების მოდელებს.
გენერაცია: ამ მოდელების საფუძველზე ქმნიან ახალ ტექსტს.
კონტექსტი: ადაპტირდებიან კონკრეტულ სიტუაციებთან.
მიმეზისი საშუალებას აძლევს ჩატბოტებს იყვნენ უფრო ბუნებრივი და ეფექტური კომუნიკაციაში.
მიმეზისის პროცესი მაგალითებით:
ლექსიკური მიმეზისი:
ჩატბოტები ხშირად იმეორებენ მომხმარებლის მიერ გამოყენებულ სიტყვებს და ფრაზებს.
მაგალითად:
თქვენ მისწერეთ ჩატბოტს: “დღეს ნამდვილად მოღრუბლული ამინდია.”
ჩატბოტი: “მართლაც, მოღრუბლული ამინდი შეიძლება გავლენას ახდენდეს განწყობაზე. როგორ უმკლავდებით ასეთ დღეებს?”
სინტაქსური მიმეზისი:
AI ცდილობს მიბაძოს მომხმარებლის წინადადების სტრუქტურას.
მაგალითად:
მომხმარებელი: “რას ფიქრობ ხელოვნურ ინტელექტზე?”
ჩატბოტი: “რას ვფიქრობ ხელოვნურ ინტელექტზე? ეს კომპლექსური საკითხია…”
სტილისტური მიმეზისი:
ჩატბოტები ცდილობენ მიესადაგონ მომხმარებლის ფორმალურს თუ არაფორმალურ საუბრის სტილს.
თუ ჩატბოტს ჰკითხავთ: “ჰეი, რას შვრები?”
ჩატბოტი გიპასუხებთ: “ჰეი! არაფერს განსაკუთრებულს, უბრალოდ ვსაუბრობ. შენ?”
დიალექტური და რეგიონული მიმეზისი:
AI შეიძლება შეეცადოს გამოიყენოს რეგიონული გამოთქმები ან დიალექტი.
მომხმარებელი: “გამარჯობა ძმაო, როგორ ხარ?”
ჩატბოტი: “გაუმარჯოს ძმაო, კარგად ვარ, შენ როგორ ხარ?”
ემოციური მიმეზისი:
ჩატბოტები ცდილობენ მიბაძონ მომხმარებლის ემოციურ ტონს.
მომხმარებელი: “ძალიან ვნერვიულობ ხვალინდელი გამოცდის გამო.”
ჩატბოტი: “გასაგებია, რომ ნერვიულობთ. გამოცდები მართლაც სტრესული შეიძლება იყოს. რა გეხმარებათ ჩვეულებრივ სტრესის დაძლევაში?”
კონტექსტუალური მიმეზისი:
AI ცდილობს გაიგოს და გამოიყენოს კონტექსტუალური ინფორმაცია საუბრიდან.
მომხმარებელი: “გუშინ კონცერტზე ვიყავი.”
ჩატბოტი: “ოჰ, საინტერესოა! რა სახის მუსიკა იყო? მოგეწონათ შესრულება?”
მიმეზისის ეს ფორმები ეხმარება ჩატბოტებს დაამყარონ მომხმარებლებთან უფრო ბუნებრივი და პერსონალიზებული კომუნიკაცია. თუმცა, ეს ასევე წარმოშობს ეთიკურ კითხვებს იმის შესახებ, თუ რამდენად შორს შეიძლება წავიდეს ეს მიბაძვა ადამიანურ ინტერაქციასთან.
განვითარებულ მიმეტურ მოდელებს შეუძლიათ დამაჯერებლად განასახიერონ ინდივიდები, მაგალითად, იმიტაცია გაუკეთონ კონკრეტულ პიროვნებას ნებართვის გარეშე. რადგან ჩატბოტები კიდევ უფრო დახელოვნდებიან ადამიანური ინტერაქციის სიმულაციაში, მომხმარებლებს შეიძლება განუვითარდეთ ემოციური მიჯაჭვულობა ან ნდობა ამ სისტემების მიმართ, რაც ბუნდოვანს ხდის საზღვრებს ნამდვილ ადამიანურ კავშირსა და ხელოვნურ ინტერაქციას შორის.
არსებობს რისკი, რომ ინდივიდებმა შეიძლება გამოიყენონ მიმეტური მოდელები მანიპულირებისთვის ან სხვების მოსატყუებლად. მოკლედ, რასაც ადამიანი არ იკადრებს… ამიტომ პრევენციის ერთადერთი გზა ჩატბოტების შესაძლებლობების შესწავლაა.
რჩევები ჩატბოტებთან საუბრისას:
- დააკვირდით ჩატბოტებთან დიალოგისას როგორ „გბაძავენ“ ისინი, ცვალეთ მიმართვის, მისალმების ფორმები
- კითხვების დასმისას გამოიყენეთ სხვადასხვა სტილი
- ყოველთვის მიუთითეთ, როგორი სტილით საუბარი გსურთ ამა თუ იმ ტექსტის შედგენისას (პოპულარული, სამეცნიერო, მეგობრული, პროვოკაციული და ასე შემდეგ…)
- ერთი მოვლენა, ფაქტი, საკითხი განიხილეთ ჩატბოტებთან ერთად სხვადასხვა პერსპექტივიდან
- თუ მოგეჩვენათ, რომ ჩატბოტები უინტერესოდ გესაუბრებიან, შესაძლოა, თქვენ დაგემსგავსნენ და გადააფასეთ თქვენი ინტერესები
ბიბლიოგრაფია:
- Vaswani, A., et al. (2017). “Attention is All You Need”. NeurIPS.
- Brown, T., et al. (2020). “Language Models are Few-Shot Learners”. NeurIPS.
- Devlin, J., et al. (2018). “BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding”. arXiv preprint.
- Goldberg, Y. (2019). “Assessing BERT’s Syntactic Abilities”. arXiv preprint.
- Li, J., et al. (2021). “Pragmatic Inference in Language Models”. ACL.
- Marcus, G., & Davis, E. (2020). “Rebooting AI”. Pantheon.
- Holtzman, A., et al. (2019). “The Curious Case of Neural Text Degeneration”. ICLR.
- Bender, E. M., & Koller, A. (2020). “Climbing towards NLU: On Meaning, Form, and Understanding in the Age of Data”. ACL.
