Считается, что первые новогодние обещания, как и само празднование Нового года, были изобретены в Вавилоне около 4000 лет назад: в ходе торжеств в честь начала года и весеннего сева обитатели древнего города давали богам обещание выплатить оставшиеся у них долги.

Перед началом нового года мысль поставить перед собой важные цели, изменить себя и свою жизнь к лучшему приходит людям в голову чаще, чем обычно. Однако судьбу многих новогодних обещаний можно описать словами персонажа Оскара Уайлда, лорда Генри Уоттона, заметившего, что благие намерения – всего лишь «чеки, которые люди выписывают на банк, где у них нет текущего счета».

Поведенческая экономика дает три главных объяснения, почему обещания изменить себя в большинстве случаев терпят неудачу. Все три причины связаны с когнитивными искажениями – ловушками мышления. Знание о них поможет их избежать – хотя и не сделает процесс достижения целей, поставленных перед самим собой, легким.

🔴 Подробнее читайте в статье на сайте «Эконс».

Общее впечатление от работы с LLM за последние два года

Я отношусь к очень небольшой группе людей, которые не только знакомы со всеми современными LLM (тестирую их практически сразу после релиза), но и активно пытаются внедрять их в рабочие и научно-исследовательские проекты

До этого на протяжении многих лет была теоретическая подготовка. Этот тот случай, когда был отслежен весь путь созревания технологии от момента зарождения и внедрения технологии до текущего состояния.

Прогресс есть, как с точки зрения качества генерации данных, так и в расширении спектра инструментов для взаимодействия с LLM.

Можно ли сказать, что «научно-исследовательские проекты разделились на эпоху ДО внедрения технологии и новую эпоху ПОСЛЕ внедрения»?

Нет, ничего качественно не изменилось. Наличие или отсутствие LLM не оказало никакого влияния ни на R&D процессы, ни на сам канал Spydell_finance. Глубина внедрения пока около нуля процентов.

Почему так плохо? Нет стабильности и предсказуемости в выходных данных/результатах. Наука тем и отличается, что эксперименты при повторяемости опытов в изолированных условиях при статичных параметрам должны давать идентичные и прогнозируемые результаты. Это как работа калькулятора.

На практике LLM генерируют слишком много ошибок, на проверку и верификацию которых требуется несоизмеримо много времени и ресурсов, что делает применение ГИИ нерентабельным.

LLM генерируют широкий спектр непредсказуемых результатов, что категорически не подходит для расчетов, где необходима точность. Однако, не сказать, что это плохо.

🔘Вариативность выходных результатов может быть полезна не в расчетах, а в «мозговых штурмах», где как раз требуется расширение границы допустимых векторов и траекторий результатов. Условно говоря, в выработке направлений и идей для исследований.

🔘LLM очень полезны для неструктурированных массивов данных, для категоризации/каталогизации неструктурированных наборов данных в разных форматах.

🔘LLM могут быть применимы для генерации отчетов по шаблонам.

🔘LLM более, чем полезны для формирования гранд нарратива в огромных массивах текстовой информации. Например, анализ новостного потока и вычленение основной концепции, которую пытаются продвинуть СМИ. Нарративы «экономика прекрасна, а будет еще лучше» и «ИИ спасет мир», которые я часто публиковал во второй половине 2024 в контексте тональности западных СМИ были получены частично с использованием ГИИ.

Попытка оценить тональность и «болевые точки» корпоративного сектора через анализ пресс-конференций по итогам корпоративных отчетов, это же применимо к анализу комментариев общественности.

Это в теории. На практике ограничения контекстного окна, блокировка поисковых роботов ГИИ в ведущих СМИ и высокая стоимость обработки токенов не позволяют использовать этот ресурс на полную мощность.

Автоматический анализ новостного потока – хорошая идея и уже технически реализуема, но на практике пока нет.

Как экспертная система ГИИ очень слаб. Проверял в направлениях, в которых имею высокую квалификацию. На запрос о факторах роста рынка или причинах возникновения инфляции, - LLM создадут весьма примитивную блеватню на уровне среднестатистических новостных экстрактов, что совершенно не соответствует уровню Spydell_finance.

Сейчас все LLM генерируют низкое качество «экспертного контента», где требуется понимание причинно-следственных связей в условиях противоречивой среды с недостатком входных данных и многоуровневой конструкции параметров. Писать материалы в канале уровня Spydell_finance с помощью ГИИ не получится еще очень долго.

Где применимы LLM в научной среде? Очень ограниченные локальные задачи с точки зрения помощи в программировании, решении математических и статистических задач, помощь в адаптации информационных комплексов на уровне проводника по мануалам.

Еще неплохой потенциал есть в умном поиске информации в сети, хотя сейчас реализация на 4 из 10.

Инструмент полезный, но на чудеса пока не тянет, хотя потенциал очень серьезный. Я указал не все применения, а только в рамках собственных рабочих задач.

Поисковые системы на основе ИИ

Еще одним преобразующим направлением в развитии ГИИ – являются поисковые системы с использованием LLM, что в значительной степени трансформирует все поисковые системы.

В чем заключается принцип работы?

🔘LLM анализирует пользовательский запрос, учитывая контекст и намерения, что позволяет точнее интерпретировать сложные или неоднозначные формулировки.

🔘На основе анализа запроса система определяет релевантные источники данных, используя как внутренние базы знаний, так и внешние ресурсы, обеспечивая доступ к актуальной информации.

Обычно происходит сканирование 3-7 внешних источников информации так, как если бы это делал человек, далее на основе парсинга данных или информации формируется экстракт/сжатое конспектирование в соответствии с запросом, объединяя информацию из разных источников к «усреднённому показателю».

🔘LLM синтезирует полученную информацию, формируя связный и информативный ответ, адаптированный под стиль и тональность запроса.

По сути, это умный поиск. Цель очень простая – быстрое получение информации без необходимости самостоятельного изучения множества внешних ссылок так, как мы это делали последние 25 лет.

Я, очевидно, не буду устраивать обзоры на каждую систему, а приведу краткий опыт использования.

Умный поиск – это то, что я пытался выжать с LLM с первых дней их появления задолго до того, как это стало мейнстримом. Об этом писал в канале год назад, по факту не получилось ничего хорошего. Результат был очень посредственным.

Есть множество ограничений.

🔘Прямой парсинг данных поисковыми ботами с большинства медиа ресурсов заблокирован. Прямых дата провайдеров нет.

🔘Использование автоматизированного поиска с переходом на первые 10-15 ссылок в поисковых запросах через веб шлюзы не дает желаемого ресурса, т.к. каждый сайт имеет свою структуру, а автоматическую интеллектуальную навигацию по рандомным сайтам не удалось реализовать, что затрудняет качественное получение информации.

Есть множество развитых сервисов интеллектуального поиска. У всех на слуху раскрученный Perplexity, но на самом деле результаты достаточно посредственные.

Что сейчас есть на рынке?

1. ChatGPT Search (OpenAI)
2. Perplexity AI
3. Genspark AI (один из самых мощных и эффективных аналогов Perplexity)
4. DeepSeek (встроенный поиск)
5. Mistral AI (встроенный поиск)
6. Google Gemini (встроенный поиск)
7. Felo AI
8. You com AI
9. Komo AI
10. Phind AI (в основном для поиска технической информации)
11. Yandex Нейро-поиск через сервисы Яндекс (приоритетный формат для поиска в русскоязычном сегменте).
12. Hix AI
13. Bing AI с использованием Copilot.

Какие впечатления? Для поиска прямых источников данных – бесполезны, все также Google поиск. Для проведения научно-исследовательских работ – бесполезны, т.к. упускают все важные детали, только ручной поиск и последовательное изучение.

Где могут быть полезны? Краткие справки по событиям, процессам, плюс новостные дайджесты по конкретной теме или инфо поводу, но вновь упускают много важных дателей. Поиск почти всегда неполный, вот именно поэтому нужно иметь буквально десяток резервных каналов/сервисов. Полезны для подбора товаров и услуг, выступая в роли консультанта/советника.

Где бы хотел видеть прогресс, которого пока нет? Подготовка аналитических сюжетов по выбранному направлению. К этому ближе всех подошел не распиаренный Perplexity AI, а никому неизвестный Genspark.ai.

Подготовка сведенных таблиц, сводок по указанному сценарию. Например, сведенная таблица основных технических характеристик всех топовых смартфонов в категории от 700 долларов, выпущенных с 2022 по 2025 года. В этом направлении прогресс есть, но до идеала очень далеко.

По новостям сейчас работают на 4-5 баллов из 10, по сведенной информации на 2-3 балла, по аналитическим сюжетам примерно также.

ChatGPT Search сейчас лучше Perplexity, а Genspark демонстрирует интересные показатели. На удивление хорош DeepSeek, даже не ожидал, часто лучше ChatGPT и Perplexity. Google мне не нравится, хотя кому, как не им делать умный поиск.

По русскоязычному сегменту неплох Яндекс.

ИА «Интерфакс» продолжает обозревать ежегодный прогноз ИМЭМО РАН «Россия и мир: 2025».

В очередном материале агентства рассматриваются проблемы, стоящие перед российской экономикой в предыдущие годы.

🏢