00:00:00 Введение в шоу и влияние ИИ на должности белых воротничков
00:02:20 Введение в Большие Языковые Модели (БЯМ)
00:03:27 Осознание Жоаннесом потенциала генеративного ИИ и GPT-4
00:05:44 БЯМ как универсальная система шаблонов
00:07:05 Жоаннес о потенциале автоматизации и смене его взгляда
00:10:38 Проблемы автоматизации коммуникации с поставщиками
00:12:24 Краткое изложение влияния БЯМ
00:14:11 Повседневные проблемы в автоматизации
00:15:59 Масштаб события вымирания
00:17:48 Понимание ИИ отраслевого жаргона
00:19:34 Под вопросом влияние ИИ на рабочие места
00:21:52 Автоматизированная система откликов и важность сквозной автоматизации
00:28:08 Компании уже автоматизируют процессы
00:30:36 Повышение эффективности и получение конкурентных преимуществ с помощью ИИ
00:34:28 Готовность рынка к ИИ
00:36:27 Истоки развития ИИ
00:38:55 Автоматизация сложных задач в цепочке поставок
00:41:36 Общество обогащается благодаря автоматизации рабочих мест
00:44:23 Будущее изучения науки о цепочках поставок
00:46:54 Переход к вопросам аудитории
00:50:12 Переосмысление технологической стратегии Lokad
00:52:29 Начало сессии вопросов и ответов
00:55:00 Финансовая перспектива в цепочке поставок
00:58:46 Вопрос о ценовой политике и влиянии на прибыль
01:01:00 БЯМ для мелких, рутинных задач
01:07:17 Общий интеллект и события вымирания
01:09:49 Влияние ИИ на малый и средний бизнес
01:13:02 Преимущества автоматизации в Lokad
01:17:55 Прогнозирование событий вымирания для неадаптирующихся
01:20:32 Париж как пример прогресса благодаря автоматизации
01:22:20 Вопрос о успешном сотрудничестве ИИ и человека
01:26:19 Ограничения высокого уровня человеческого интеллекта
01:28:31 Вопрос об использовании ИИ в цепочках поставок небольших стран
01:32:25 ИИ как уравнитель для развивающихся стран
01:34:05 Простота швейной машины и её влияние
01:35:31 Эволюция, а не революция
01:36:19 Заключительные мысли
Резюме
В разговоре между Конором Дохерти и Жоаннесом Верморелем из Lokad, Верморел предсказывает, что искусственный интеллект (ИИ) приведёт к массовому вымиранию офисных должностей белых воротничков к 2030 году, гораздо раньше, чем предсказывали ранее. Он объясняет это успехом Больших Языковых Моделей (БЯМ), которые, по его мнению, повлияют на все офисные должности, особенно в цепочках поставок. Верморел утверждает, что целью должна быть полная автоматизация повторяющихся задач, что откроет значительные повышения производительности. Он предсказывает, что многие компании начнут устранять сотрудников с этих позиций в течение нескольких месяцев. Верморел предполагает, что задачи, требующие высокого уровня человеческого интеллекта, такие как стратегические решения, всё ещё остаются за пределами возможностей БЯМ.
Расширенное резюме
В недавнем разговоре между Конором Дохерти, руководителем отдела коммуникаций в Lokad, и Жоаннесом Верморелем, генеральным директором и основателем той же компании, обсуждались последствия использования искусственного интеллекта (ИИ) и оптимизации цепочек поставок. Верморел выразил уверенность, что ИИ приведёт к событию массового вымирания для офисных работников с белыми воротничками. Он ссылался на предыдущие прогнозы, согласно которым ИИ устранит 90% белых воротничковых должностей к 2050 году, но он считает, что это произойдёт гораздо раньше, к 2030 году.
Ключевым моментом, по мнению Вермореля, стал успех Больших Языковых Моделей (БЯМ), которые повлияют на все офисные должности, особенно в цепочках поставок. Верморел признался, что сначала он не заметил революцию БЯМ и осознал их потенциал лишь около 18 месяцев назад, когда начал работать с генеративным ИИ. Он поделился своим опытом работы с GPT-4, моделью от OpenAI, и тем, как это заставило его понять производственный потенциал этой технологии. Он объяснил, что GPT-4 в разы умнее GPT-3.5, и как только вы поймёте, как она работает, вы сможете адаптировать её для работы с GPT-3.5.
Верморел описал БЯМ как универсальную систему шаблонов, которая обладает невероятной мощью и устойчивостью к шуму. Он поделился, что полностью переписал дорожную карту Lokad более года назад, и за последние 12 месяцев они автоматизировали одну задачу за другой. Он выразил своё изумление масштабами того, что можно достичь с помощью автоматизации, и трудностью нахождения задач, которые невозможно автоматизировать. Он рассказал, что Lokad автоматизировала самую сложную часть – количественные решения – ещё десятилетие назад, а остальное было автоматизировано за последние 12 месяцев с помощью современных БЯМ.
Верморел пояснил, что автоматизация, особенно в лингвистических задачах, уже превзошла человеческие навыки и интеллект по скорости и точности. Он привёл пример того, как Большие Языковые Модели хорошо избегают распространённых ошибок, например, неверно интерпретируя цвет в названии продукта как его фактический цвет. Верморел сравнил БЯМ с помощником, знакомым с терминологией и жаргоном каждой отрасли, что делает их превосходными по сравнению со среднестатистическим человеком, который может не знать специфических технических терминов. Он заявил, что настоящий вопрос заключается в том, что невозможно автоматизировать, поскольку до сих пор всё, что они пробовали, работало.
Верморел не согласился с мнением, что ИИ будет выступать в роли помощника для принятия решений человеком, утверждая, что цель должна заключаться в полной сквозной автоматизации повторяющихся задач, что позволит достичь значительного повышения производительности. Он ответил, что нерутинные задачи сохранятся, но многие задачи, которые кажутся нерутинными на ежедневной основе, на самом деле являются повторяющимися в течение года. Он подтвердил, что сроки автоматизации будут весьма сжаты, и многие компании уже быстро движутся в сторону автоматизации.
Верморел пояснил, что предыдущие технологические революции были ограничены определёнными отраслями, а Большие Языковые Модели применимы почти ко всем офисным должностям, особенно в бэк-офисе. Он объяснил, что рынок будет двигаться медленнее, чем бэк-офис в плане автоматизации, поскольку ожидания широкой аудитории определяют темп изменений. Он подчеркнул, что клиентам безразлично, осуществляется ли производство полностью автоматически или выполняется клерками.
Верморел предсказал, что автоматизация офисных должностей станет неожиданностью, но он отметил, что рабочие профессии претерпевают подобные изменения уже последние 150 лет. Он привёл пример носильщиков воды в Париже – профессия, которая исчезла с введением водопровода. Он рассказал, как автоматизация уже сделала некоторые задачи устаревшими, например, сравнение черновиков контрактов построчно, что теперь делает Microsoft Word. Он описал скорость этих изменений как постепенную до внедрения БЯМ, благодаря которым, по его словам, кажется, что можно шагнуть на 20 лет в будущее за один год.
В ответ на вопрос о будущем науки о цепочках поставок Верморел заявил, что основы, преподаваемые на его лекциях по цепям поставок, не будут автоматизированы. Он призвал сосредоточиться на этих фундаментальных вопросах, а не на мелочах, которые будут автоматизированы с помощью БЯМ. Он подытожил, что БЯМ представляют собой событие, приводящее к вымиранию корпоративных функций бэк-офиса, предсказывая, что многие компании начнут сокращать сотрудников с этих позиций. Он описал это как вопрос нескольких месяцев и призвал к быстрым действиям.
В ответ на вопрос о том, какие должности могут устареть, Верморел назвал планировщика спроса и предложения, аналитика запасов и менеджера по категориям. Он предположил, что такие роли, как специалист по цепям поставок, которые включают составление числовых рецептов и стратегическое мышление, не будут автоматизированы. Верморел пояснил, что Lokad автоматизировала не только фундаментальные решения, такие как планирование, составление расписаний, закупки, производство, распределение и обновление цен, но и сопутствующие процессы, такие как управление основными данными, коммуникация и уведомления клиентам и поставщикам.
В ответ на вопрос о совете для молодых людей, начинающих карьеру в сфере цепочек поставок, Верморел предложил сосредоточиться на стратегическом понимании, критическом мышлении и навыках программирования. Он считает, что БЯМ не заменят эти навыки, а повысят производительность. Верморел предсказал, что решения для цепочек поставок на базе ИИ окажут более выраженное влияние на малые компании, чем на крупные. Он объяснил, что высокая производительность этих инструментов делает автоматизацию доступной для небольших компаний, позволяя им конкурировать с крупными организациями.
Верморел поделился, что автоматизация в Lokad улучшила качество и повысила производительность. Он отметил, что пока рано оценивать влияние на уровни подписок и другие метрики из-за медленно протекающих циклов продаж enterprise software. Он предостерег от слепого доверия цифрам, приводя в пример неспособность Kodak адаптироваться к цифровой фотографии. Он предсказал, что компании, которые смогут автоматизировать свои процессы, будут более гибкими и надёжными, а те, кто этого не сделает, не выживут. Он сравнил это с событием массового вымирания.
Верморел подчеркнул важность освобождения людей от рутинной работы для улучшения цепочек поставок и общего роста компании. Он считает, что это позволит людям мыслить стратегически и не отвлекаться на незначительные задачи. Он объяснил, что сотрудничество между человеком и машиной происходит не так, как ожидалось. Речь идёт о полной автоматизации задач, таких как перевод сайта Lokad и временные метки видео Lokad TV, которые теперь выполняются автоматически. Он предположил, что настоящий вопрос заключается в том, что не может быть автоматизировано.
Верморел предположил, что задачи, требующие высокого уровня человеческого интеллекта, такие как стратегические решения и макровопросы для компании, всё ещё остаются за пределами возможностей БЯМ. Он объяснил, что БЯМ невероятно доступны и не требуют суперталантливого персонала или высокоскоростного интернет-соединения. Он подчеркнул, что эта технология дешевая и может стать отличным уравнителем для стран с ограниченными ресурсами.
Верморел согласился с сравнением Коннора и предупредил компании, чтобы они не упустили эту эволюцию. Он предположил, что компании, не принявшие эту технологию сейчас, могут не суметь наверстать упущенное в будущем.
Полная транскрипция
Конор Дохерти: Добро пожаловать на Lokad Live. Меня зовут Конор. Я руководитель отдела коммуникаций в Lokad. В студии со мной основатель Lokad, Жоаннес Верморел. Тема сегодняшней передачи, возможно, самая серьёзная, которую мы когда-либо обсуждали. Искреннее, беспристрастное обсуждение современного состояния ИИ и цепочек поставок, а также его влияния на людей в этой сфере. Это интерактивная дискуссия, поэтому, если у вас есть вопросы, пожалуйста, задавайте их в чате, и мы ответим на столько, сколько сможем за отведённое время. Итак, Жоаннес, давайте не будем скрывать суть. Почему мы здесь?
Жоаннес Верморел: Я считаю, что мы сталкиваемся с явлением, которое можно охарактеризовать как событие массового вымирания для офисных работников бэк-офиса. Пять лет назад многие консультанты проводили исследования и утверждали, что к 2050 году ИИ уничтожит 90% офисных рабочих мест. Причины и технологии, приводимые в тех отчётах, были совершенно надуманными, и оказалось, что и сроки были полностью вымышлены. Но единственное, что оказалось правдой, — это 90%. И сроки, как я вижу сейчас, будут значительно сжаты. Это произойдёт не в 2050 году, а в 2030. То, что изменило всё, — это успех БЯМ (Больших Языковых Моделей). Это затронет практически все должности бэк-офиса, особенно в цепочках поставок. Изменения происходят сверхбыстро, намного быстрее, чем я думал 18 месяцев назад.
Конор Дохерти: Вы ранее упоминали консультантов, размышляющих о траектории этой эволюции или, как вы выразились, вымирания. Что же именно произошло в прошлом году с появлением БЯМ, ускорившим этот процесс?
Жоаннес Верморел: Настоящая революция произошла около трёх лет назад. Я её упустил. Я осознал, что происходит, только около 18 месяцев назад. В то время я начал экспериментировать с генеративным ИИ. Мы брали интервью об этом почти полтора года назад. Тогда я изучал эти технологии. Генеративный ИИ существует уже 20 лет и делает успехи каждый год. Я начал понимать, что его можно использовать в производстве, пусть это и были небольшие задачи, такие как создание нескольких иллюстраций для лекций.
Потом появились БЯМ и чат-боты. Они были довольно неплохими, но я думал, что это всего лишь модный гаджет. Я не осознавал, для чего их можно использовать. Затем я пришёл в себя, когда начал работать с бета-версией GPT-4, чуть более года назад. Я понял, что эта технология уже готова для производства. Произошёл скачок, который был абсолютно огромным. Я осознал, с помощью GPT-4, модели от OpenAI, как предполагалось использовать GPT-3.5, которая существовала уже несколько лет. Забавно то, что мне понадобился второй прорыв — GPT-4, чтобы всё понять. GPT-4 умнее GPT-3.5 в разы.
Но как только вы начинаете понимать, как это работает, и с GPT-4 гораздо проще, потому что GPT-4 намного лучше, вы можете адаптировать то, что работает, и сделать всё гладким, чтобы оно заработало и с GPT-3.5. Осознание заключалось в том, что LLM невероятно мощен, но если вы хотите использовать его в производственных целях, для предприятия, для корпоративных нужд, дело не в наличии чат-бота. Интересно то, что у вас есть универсальная машина шаблонов. Это действительно невероятно. Она очень устойчива к шуму. Немного больше года назад я понял, что это готово для производства. Мы упустили нечто, что стало поразительным прорывом 18 месяцев назад. Я полностью переписал дорожную карту Lokad более года назад. Последний год мы лихорадочно обновляли практически всё. Мы были достаточно сдержанны в плане коммуникаций по этому поводу, но за последние 12 месяцев мы автоматизировали одну задачу за другой. Те вещи, которые несколько лет назад казались почти невозможными для автоматизации, теперь автоматизированы.
Когда я наблюдаю за работой в цепочках поставок, я вижу, что масштабы того, что можно предоставить в полностью роботизированном виде, просто ошеломляют. Сейчас даже трудно найти проблемы, которые нельзя автоматизировать. Раньше автоматизация каждой отдельной задачи была вызовом. В Lokad мы автоматизировали ещё десять лет назад самую сложную часть – те количественные решения. Количественные решения заключались в том, чтобы определить, сколько единиц нужно приобрести или произвести, стоит ли повышать или понижать цену. Эти количественные ответы были автоматизированы десятилетие назад. Но всё остальное, что произошло за последние 12 месяцев, – это всё остальное. Всё остальное стало дешевым, сверхбыстрым и простым с помощью современных LLM.
Conor Doherty: Я не хочу всё перевернуть с ног на голову, потому что следующий вопрос, вероятно, будет: “Ну, какие рабочие места исчезнут?” Но на самом деле я бы хотел сделать шаг назад. Как вы прямо сказали год назад, мы сидели здесь, и вы назвали GPT-3.5 мастером BS, сравнив его с кошкой. Так в чем же дело? Когда вы описываете это чувство головокружения, что заставило вас перейти от “это всего лишь кошка” к “мы переживаем событие вымирания”?
Joannes Vermorel: Это всё еще довольно глупо, но это не то, что вам нужно. Дело в том, что LLM не предназначены для ведения по-настоящему интеллектуальных бесед. Это приятно, и GPT-4 идет довольно далеко в этом направлении. Это было по-настоящему поразительно. Но снова, сила заключается в этих универсальных машинах шаблонов, о которых я говорил. Возьмем, к примеру, ситуацию: вы хотите передать заказ поставщику и понимаете, что у вас нет MOQ. Вам следует отправить поставщику электронное письмо с вопросом: “Кстати, для этих продуктов каков ваш MOQ, минимальное количество заказа? Назовите цифру.” Затем человек ответит, и вам останется лишь внести это значение куда-нибудь в вашу систему, чтобы можно было это вычислить. Это часть процесса принятия решений.
Lokad автоматизировал это. То, что мы делали, заключалось в следующем: если мы знаем MOQ, то, предоставив вам и всевозможные другие данные, мы давали вам правильный ответ на вопрос, сколько нужно заказать. Но само получение значения MOQ было похоже на звонок по телефону: как с этим справиться? Это несложная задача. Безусловно, можно создать автоматизированную систему со стандартным шаблоном письма, и тогда необходимо будет передать ответ, что бывает затруднительно, потому что поставщик может написать так, что получится два разных значения MOQ. Для этого продукта одно, для того – другое. Как с этим справиться? Это не принципиально сложная проблема. Это не какой-то изощренный расчет. Но именно это, без сомнения, мешало нам роботизировать выполнение всего процесса от начала до конца.
Мы могли автоматизировать часть, связанную с принятием решений, но не выполнение процесса от начала до конца с учетом того, что должно происходить до этапа принятия решения и после него. А теперь с LLM, где у вас есть эти универсальные машины шаблонов, если вы получаете электронное письмо, в котором, скажем, указывается MOQ, ба-ла-ла, вы буквально можете автоматизировать всё это очень, очень быстро.
Так что, если вы попросите GPT, LLM, изобрести что-нибудь, он начнет галлюцинировать. Вот что он и делает. Но если использовать его правильно – то есть дать ему вход, попросить преобразование и извлечь информацию из преобразованного ввода – вы получите нечто невероятно надежное и промышленного уровня. Это просто, и оказывается, что если посмотреть, чем занимаются офисные работники, белые воротнички, то почти 90% их времени уходит на подбор мелких кусочков информации здесь и там, немного переписываясь с окружением. А теперь у вас есть универсальная машина, чтобы автоматизировать всё это, и это очень, очень просто и дешево.
Conor Doherty: Итак, подытожим всё до этого момента: и к тому же Lokad занимается этим уже годами, – более количественная часть принятия решений была автоматизирована с помощью других форм ИИ. Сегодня же вы говорите о более качественных, межличностных элементах, которые также подлежат автоматизации через LLM.
Joannes Vermorel: Да, представьте, что вы хотите передать ваши закупочные заказы. Вы вычисляете количество – этим Lokad занимается вот уже более десяти лет. Но затем появляется масса мелких деталей, которые необходимо выполнить. Что если оказывается, что два продукта являются дубликатами? То есть у вас есть два продукта с одинаковой ссылкой. Как с этим быть? Раньше ответ был таков: это было сложно. Можно было разработать немного машинного обучения и специальные техники NLP (обработки естественного языка) для автоматической дедупликации вашего каталога. Да, раньше это могло занимать, скажем, 50 часов программирования, чтобы создать нечто работающее.
Теперь же с LLM эта дедупликация, о которой я говорю, занимает буквально 20 минут, и у вас появляется решение промышленного уровня для дедупликации. Видите, масштаб этого – просто ошеломляющий. И есть ещё куча мелких деталей, которые мешали, и поэтому компаниям требовались все эти люди, ведь это не грандиозная проблема, отнимающая много времени. Грандиозная задача, как вычисление количества, уже была отчасти механизирована, а вот мелкие, сверхобычные проблемы – небольшие проблемы с качеством данных, дублирование элементов, отсутствие какого-либо значения, например, MOQ.
Иногда поставщик опаздывает, и вы хотите отправить письмо, чтобы получить обновлённое ожидаемое время прибытия, и затем получить ответ. Такие вещи не являются сверхсложными, но раньше автоматизация каждой такой мелкой задачи требовала, скажем, 50 часов программирования, и это много, ведь если таких задач у вас около 100, то речь идет о тысячах человеко-часов, а в итоге вы получаете проект, о котором я упоминал в лекциях, что стоимость управления программным продуктом не растет линейно, а сверхлинейно.
Так что если вы удваиваете сложность, то, как правило, стоимость поддержки этого продукта растет не в два раза, а в четыре. Так что, добавляя все эти мелочи, вы создавали чудовищное программное обеспечение, которое было очень сложно управлять, обновлять и расширять. Если же вы можете использовать LLM как строительный блок, где всё централизовано, то не только эти задачи можно решить за 20 минут, но и общая сложность вашего программного продукта растет гораздо медленнее, чем раньше, потому что он остается очень, очень простым продуктом, и то же самое решение – этот LLM – используется на каждом этапе для решения всех мелких проблем, которые встречаются по пути.
Conor Doherty: Каков же масштаб этого, когда вы говорите о событии вымирания? Можете ли вы разобрать его последствия?
Joannes Vermorel: Я работаю с LLM уже некоторое время, и мы автоматизируем задачи справа и слева. Я вижу, как это делают и другие компании, особенно в лингвистических задачах – перестановке информации, суммировании, извлечении информации из электронных писем и так далее. Поразительно то, что мы уже превзошли человеческие навыки, превзошли человеческий интеллект.
Когда я говорю “превзошли человеческий интеллект”, я имею в виду в ограниченные сроки. Если я дам вам входное письмо и попрошу за 20 секунд выделить основную информацию, вы как человек иногда ошибётесь. Если я дам вам тысячу писем и попрошу за 20–30 секунд извлечь ключевую информацию из каждого, у вас будет точность, скажем, 98%, и иногда вы допустите ошибку.
Однако LLM не только справляются с этим за секунду вместо 30, но и их точность значительно выше, чем у среднего человека, даже у обученного специалиста. Вот почему я говорю, что мы буквально превосходим человеческие возможности.
Во многих аспектах, например, чтобы не допускать новичковых ошибок, LLM невероятно хороши. Например, если в названии продукта фигурирует цвет, возможно, он не означает, что продукт имеет именно этот цвет. Возможно, это способ проверки, и цвет в названии не имеет никакого отношения к фактическому цвету продукта. Именно в таких случаях LLM работают просто потрясающе.
Это как иметь помощника, который отлично знаком с терминологией и жаргоном практически каждой области, существующей на Земле. И вот вдруг вы получаете нечто, что немного превосходит человеческие возможности, потому что если взять случайного человека, ему не сразу понятны специфические технические термины вашей отрасли, и ему может потребоваться месяцы, если не годы, чтобы допустить ошибку из-за невежества и незнания того, что этот термин вводит в заблуждение – например, этот термин обозначает цвет, но в данном контексте не относится к цвету, а скорее характеризует продукт – и таких примеров масса.
А в Lokad мы буквально механизируем тонны вещей, и настоящий вопрос звучит так: “Что мы не можем автоматизировать?” И это сложный вопрос, ведь пока что практически всё, что мы пробовали, работало из коробки. Вот что действительно поражает: как только вы начинаете понимать, для чего нужны эти LLM, вы можете автоматизировать так много, действительно так много.
Conor Doherty: Если принять позицию потенциального скептика, то при противопоставлении офисной и производственной работы в течение десятилетий говорили о том, что роботы, машины и другие технологии отнимут инструменты у механиков. Но в таких секторах, как MRO, есть регионы, где критически не хватает специалистов для обслуживания самолётов. Это событие вымирания оказалось неправильным. Насколько вы уверены в том, что говорите сегодня, учитывая похожие заявления, которые звучали раньше? Что вас так убеждает?
Joannes Vermorel: Во-первых, моя уверенность заключается в том, что мы занимаемся этим уже год, и, буквально, чтобы привести пример того, что мы механизировали в Lokad – RFP, то есть запросы предложений. Мы получаем гигантские Excel-документы от крупных компаний с безумным количеством вопросов, порядка 600 вопросов. И в начале этого года, кажется, в мае, я сказал: “Ладно, у нас очередной RFP с 600 вопросами. На то, чтобы ответить на всё это, уходит буквально неделя, 10 дней, целые дни. Это такая головная боль – разбирать эти огромные документы.” Извините.
А затем я решил: “Ладно, я просто механизирую это и использую всю базу знаний, которая у нас уже есть в Lokad, чтобы создать автоответчик.” Знаете, автоответчик. У нас уже есть документы, у нас уже есть масса информации, и задача машины заключалась просто в том, чтобы “написать ответ на вопрос так, как писал бы Lokad. Использовать ту базу знаний, которая у нас есть. А если в базе знаний есть пробел, просто ответить ‘не получилось’, и потом мы сделаем это вручную.”
И буквально, выполнение одного RFP занимало больше недели, а автоматизация RFP заняла у меня неделю. Так что, буквально, к тому моменту, когда я настроил роботов, у меня уже был положительный возврат инвестиций. Знаете, когда я завершил автоматизацию, ответы генерировались, и лишь менее чем в 10% вопросов мне всё ещё приходилось вмешиваться вручную и дополнять базу знаний Lokad.
Но самое интересное было то, что когда мы отправляли наши ответы через систему онлайн, у нас был процесс подачи: вы отправляете, и затем, допустим, у вас 600 вопросов, и система генерирует автоматический ответ на основе ваших ответов и выбранных параметров. Потом появляется еще 100 дополнительных вопросов, которые были сгенерированы. И мы снова применяли наш инструмент. Так что мы думали: о, мы уже ответили на 600 вопросов.
Кстати, в итоге это было более 100 страниц ответов, то есть очень, очень длинный документ для подачи. И когда вы это отправляете, система управления RFP-процессом просто возвращает вам еще 100 вопросов. И снова мы использовали те же инструменты, и в течение нескольких часов, наконец, всё было готово. А затем все последующие RFP, которые мы выполняли, мы просто делали с помощью этого инструмента – и это всего лишь один пример среди буквально десятков.
Conor Doherty: Есть компании, у которых отношение кардинально отличается от вашего. Они считают, что генеративный ИИ, те большие языковые модели, о которых мы говорим, в основном станут чем-то вроде второго пилота для людей, работающих в этой сфере, таких как специалисты по планированию спроса и логистики. Они считают, что вас не заменит ИИ, а он будет поддерживать вас, станет вторым пилотом, который поможет принимать все решения, как количественные, так и качественные, которые, по вашему мнению, исчезнут. Почему это неверно?
Joannes Vermorel: Так, между прочим, это было то, что я представлял до моего озарения, знаете, 18 месяцев назад. Если вы думаете так, то нет, LLM окажутся полным отстоем. Они станут игрушкой, и вы совершенно не уловите суть. Вы полностью теряете суть. Почему? Эмм, вот в чем дело. Если вам нужна разговорная система интерфейса пользователя, это игрушка. Это не то, что нужно – приятно иметь GPT в качестве дополнения к вашему поисковику, типа “ладно, это нормально”. Но если вам нужно выполнять повторяющуюся работу, вам нужна полная автоматизация от начала до конца.
Итак, в данном случае LLM должен стать программным компонентом вашего программного обеспечения. И, как я уже сказал, давайте вернёмся к этой автоматизированной системе ответа на запрос предложений (RFP). Цель не в том, чтобы иметь копилота, с которым можно беседовать для ответа на этот RFP из 600 вопросов. Нам нужна машина, которая принимает документ, извлекает из него все вопросы, и на этом дело заканчивается, понимаете? И просто составляет короткий список вопросов, по которым нужно расширить раздел FAQ, и на этом всё. Речь не о том, чтобы иметь копилота для взаимодействия и тому подобное. Это полная трата времени. Это не то, что подразумевает настоящая автоматизация.
Итак, я считаю, что люди, которые думают таким образом, не думают ясно. Они воспринимают всё постепенно, думая лишь о добавлении новой технологии для незначительного улучшения существующего способа выполнения работы, вместо того чтобы полностью переосмыслить процесс и добиться 100-кратного увеличения производительности.
Conor Doherty: Какие именно рабочие места, по вашему мнению, переживут описываемое вами событие вымирания? Что останется, если исчезнут как количественные, так и качественные аспекты, и всё будет автоматизировано?
Joannes Vermorel: Итак, всё, что останется, – это строго нерепетативные задачи, хорошо. Но если взглянуть поверхностно, например, на офисного работника с белым воротничком, люди скажут: «О, это не рутинно. Посмотрите, мне нужно отправить электронное письмо, спросить коллегу, сделать кучу разных неоднородных вещей». Да, но в течение года всё повторяется снова и снова. И, кстати, это всегда было предрешено. Я имею в виду, что за последние четыре десятилетия в индустрии программного обеспечения я всегда был убеждён, что автоматизация всех этих обыденных задач неизбежна – не вопрос «если», а вопрос «когда».
А в 80‑х годах было несколько «зим» ИИ, когда люди строили грандиозные прогнозы, но экспертные системы и data mining не оправдали ожиданий. Экспертные системы появились в конце 80‑х – начале 90‑х, data mining – в 2000‑м году и так далее. Это была серия волн, но разница в том, что теперь всё работает. То есть, действительно работает, и буквально, спустя год Lokad мы автоматизировали то, что я и представить не мог, что можно сделать так легко и так быстро. И я видел, как другие компании делают то же самое, и конечный результат просто ошеломляющий – и это работает. Более того, всё это работает без, я бы сказал, особых специализированных навыков или значительных технических накладных расходов. Эти технологии, как и LLM, очень просто внедрить.
Conor Doherty: Я просто хочу уточнить одну фразу, которую вы только что сказали. Вы сказали, что видели, как многие компании это делают. Вы намекаете, что за кулисами это уже происходит?
Joannes Vermorel: Да, и именно поэтому я считаю, что временные рамки будут очень сжаты. Вот почему я назвал 2030 годом конечной точки, а не 2050. Достаточное число компаний уже движется на максимальной скорости. Если вы следите за новостями, то увидите, как некоторые компании объявляют о сокращении около 5000 человек то ли здесь, то ли там. Всё происходит очень быстро, и скорость рынка определяется не скоростью типичной или средней компании, а самой быстрой. Потому что, как видите, экономия так велика, что если вы опоздаете, этот технологический поворот погубит вас.
И я считаю, что ИИ менее значим с точки зрения технологических достижений, чем сам Интернет. Знаете, сам Интернет больше. Но с точки зрения конкурентоспособности, создание Интернета заняло около двух десятилетий. Это был медленный процесс: прокладывание кабелей, обеспечение быстрого и надёжного интернет-соединения повсюду, постепенное обновление операционных систем, максимальное использование электронной почты и тому подобное.
Таким образом, это был медленный процесс, при котором, даже если вы отставали, немедленных приростов производительности не наблюдалось. Если вы опоздали на интернет-вечеринку, и вместо того чтобы начать пользоваться электронной почтой в 1995 году, вы сделали это только в 2002-м, вы опоздали на семь лет, но это было приемлемо. Ваши конкуренты не сокращали свои затраты в 10 раз благодаря Интернету.
И, кстати, Интернет также породил массу бюрократии, поскольку требовалось значительное системное администрирование. Это создало тонны проблем. Поэтому компаниям потребовалось буквально два десятилетия, чтобы освоиться и действительно улучшить свои процессы с его помощью. Здесь же всё иначе: чтобы добиться улучшения, нужно всего несколько месяцев. И вы можете сократить количество рабочей силы для многих задач, практически для каждой задачи в бэк-офисе, например, связанные с цепочками поставок, за считанные месяцы. И, я уверен, в этот раз всё будет совершенно по-другому.
Conor Doherty: Когда вы упомянули разные отделы, вы не включаете IT, а специально сосредоточены на активностях, связанных с управлением цепочками поставок?
Joannes Vermorel: Каждый отдел требует отдельного обсуждения. IT, в значительной степени, будет сложнее автоматизировать. Во-первых, потому что роботизация системного администрирования порождает всевозможные потенциальные проблемы с безопасностью. Это будет сложно. Оно придёт, но, я полагаю, это займёт больше времени. И большинство решений, принимаемых в IT, уже довольно сложны. Поэтому я предполагаю, что для IT экономия производительности составит порядка 50%. А здесь будет выступать в роли копилота. Кстати, так и происходит в Lokad.
Теперь у вас возникает вопрос о чем-то вроде малоизвестного программного обеспечения. Раньше вы тратили полчаса в интернете, чтобы вникнуть в техническую документацию поставщика. А теперь, с ChatGPT, вы можете сделать это намного быстрее. Отлично, речь идёт о том самом копилоте-ассистенте, о котором мы говорим. Да, это относится к IT. Но я считаю, что для других функций всё может идти гораздо быстрее и в значительно большем масштабе.
Conor Doherty: То есть, по сути, кажется, что окупаемость инвестиций при внедрении этой технологии сейчас определяет разницу между получением реальной прибыли и полным вымиранием.
Joannes Vermorel: Да, именно. Я считаю, что это резкий технологический поворот. Думаю, неправильно рассматривать это через призму ROI, потому что ROI настолько велик, что если не сделать поворот, конкуренты вас уничтожат. Видите, хватит думать об этом. Представьте, что вы работаете в швейной промышленности, и кто-то изобрёл швейную машину. Раньше люди, работающие с иглами, шили одежду, и на одну рубашку уходили почти три дня. А затем появляется кто-то с швейной машиной, и рубашку шьёт за 5 минут. Вот масштаб разницы. Так что, какова окупаемость швейной машины? Ответ: либо у вас есть швейная машина, либо вы закрываете бизнес.
Conor Doherty: Ранее, на Lokad TV, вы приводили примеры про Kodak. Вы упоминали Kodak. Они изобрели цифровую камеру, но не приняли её, и в результате обанкротились.
Joannes Vermorel: Да, и дело в том, что те революции были ограничены одной отраслью. Знаете, было цифровая камера, да, около 90% участников рынка аналогового фотооборудования просто обанкротились. Но, опять же, это было событие, ограниченное определённой вертикалью.
А теперь интересное в LLM заключается в том, что они применимы практически ко всем профессиям с белым воротничком и, более конкретно, к офисным (бэк-офисным) задачам. Потому что, понимаете, во фронт-офисе, когда вы разговариваете с кем-то и нужен личный подход, даже если теоретически можно механизировать процесс, неясно, готов ли рынок на это.
Например, Amazon, ещё в, скажем, 2000 году, технически позволял покупать мебель онлайн. Но люди не были к этому готовы. Электронная коммерция всё ещё не пользовалась достаточным доверием, чтобы купить диван за 3000 долларов через интернет. Это изменилось лишь спустя десятилетие. Таким образом, спустя десятилетие, люди стали говорить: «Да, диван можно купить онлайн. Вы даже можете купить автомобиль онлайн». Это стало частью культуры.
Технически, уже в 2000 году можно было продавать автомобили и мебель онлайн. Проблема была не в технологии, а в том, готовы ли люди к этому или нет, или нужно время. Поэтому я считаю, что для фронт-офиса всё пойдёт немного медленнее, ведь даже если автоматизация была возможна, как Amazon мог продавать мебель в 2000 году, этот сегмент начал развиваться только через десятилетие.
Рынок, я бы сказал, будет двигаться медленнее, потому что он подстраивается под темп ожиданий широкой аудитории. Так что всё будет идти немного медленнее. Но для бэк-офиса таких ограничений вообще нет. Никто нисколько не заботится о том, что выполнение вашего производства и его график полностью автоматизированы или же для этого у вас есть целая армия клерков. Вашим клиентам это безразлично, никто не обращает на это внимания, за исключением внутреннего контроля.
Conor Doherty: Кроме клерков, которые, как вы утверждаете, будут сокращены?
Joannes Vermorel: Снова повторюсь, Lokad не изобретал LLM. Это сделали другие люди. Думаю, что его изобрели такие компании, как OpenAI. Они занялись этим, и, кстати, сами толком не понимали, что делают. Это очень забавно, потому что были интервью с Сэмом Альтманом, который сейчас говорит: если бы мы знали тогда, мы бы не основали OpenAI как некоммерческую организацию. Мы бы не раскрыли каждый трюк, который выяснили по ходу работы.
Так что, понимаете, они действительно увлеклись идеей LLM – просто продолжения последовательности. У вас есть кусок текста – и вы его продолжаете. Думаю, я проведу лекцию на эту тему. Была серия инноваций, которые сделали LLM поистине, можно сказать, технологическим чудом нашего времени. Но в конечном итоге, это оказалось неожиданным даже для тех компаний, которые его изобрели. Архитектура Transformer возникла в Google, но именно Google не смогли раскрыть весь её потенциал – это сделала другая компания. Короче говоря, всё произошло почти случайно. Очевидно, что удача улыбнулась тем, кто был хорошо подготовлен, кто действительно смотрел в правильном направлении и делал очень умные вещи. Но последствия оказались невероятно удивительными.
Это очень интересно, потому что даже исследователи в области ИИ, например, Янн ЛеКун из Facebook, весьма скептически относятся к возможностям LLM. Мой личный опыт работы с ними показывает, что они действительно работают. И вот что удивительно: даже люди, ставшие пионерами в этой области, не осознают всю значимость этого рубежа.
Conor Doherty: Стоит здесь отметить, что, если говорить мета-комментарием, роль Lokad в этом – просто наблюдатель. Как вы описали, мы использовали ИИ для решения как количественных, так и качественных задач.
Joannes Vermorel: Lokad не занимается исследованиями по улучшению LMS. Это суперспециализированная тема, и есть компании, которые справляются с этим очень хорошо.
Во Франции, у нас есть, например, Mistral AI, у которых очень сильная команда, и они теперь составляют конкуренцию OpenAI. Так что, да, я хочу видеть много конкуренции в этой сфере. Но для Lokad это имеет множество последствий. Мы автоматизировали самую сложную часть в цепочке поставок – количественные решения: прогнозирование, заказы, распределение, ценообразование, всё, что связано с количественными задачами. Но теперь весь процесс от начала до конца, с учётом всех мелких деталей, которые нужно сделать заранее – например, получить недостающие данные, проверить, если чего-то не хватает, найти информацию, отправить письмо или поискать её в интернете и т.д. – всё это можно автоматизировать.
Раньше мы говорили клиентам: «Если у вас такая проблема, решайте её». Мы могли автоматизировать это, и иногда делали, но это было довольно дорого. Теперь же мы можем действительно роботизировать этот процесс, и то же самое относится к тому, что происходит после принятия решения – связь с поставщиками, решение мелких вопросов и тому подобное. Всё это рутинные, повторяющиеся задачи, которые тоже можно автоматизировать.
Поскольку это уже существует, мы не можем позволить себе не использовать это. Именно это требуют от нас наши крайне требовательные клиенты. Ведь, если у вас есть швейная машина, не использовать её – просто не вариант. Вы не можете сказать: «Знаете что, мы просто сделаем вид, что о швейных машинах никогда не слышали, и будем продолжать шить рубашки иглами». Нет, её нужно использовать.
Conor Doherty: Вы говорите о том, что это вопрос выживания на всех уровнях. Это касается сотрудников, компаний, целой индустрии, рыночного сектора – всего. Всё, что можно автоматизировать, будет автоматизировано.
Joannes Vermorel: Да, и, кстати, это, думаю, станет неожиданностью для беловоротничковых работников. Но если посмотреть на рабочих с синей формой за последние 150 лет, то они переживали одну революцию за другой. Введение электричества стало событием массового вымирания. Было около тысячи различных профессий, которые внезапно были автоматизированы. Опять же, 150 лет назад в Париже самой распространённой профессией, составлявшей почти 10% населения, были разносчики воды. То есть примерно 10% людей несли ведра с водой, и это была самая распространённая профессия, которая затем исчезла.
Таким образом, положительный момент заключается в том, что каждый раз, когда исчезают эти рабочие места, общество в целом становится богаче, поскольку люди начинают заниматься более интересными и ценными делами, и всё само собой упорядочивается. Всё улаживается, как это происходило на протяжении последних 150 лет во всех промышленных революциях. Единственное, что удивительно, так это то, что это затрагивает класс людей – беловоротничковых работников, которые до сих пор были, скажем, относительно защищены. Так что теперь, ну, это случилось здесь, но, знаете, это повторится снова.
Conor Doherty: Вам даже не нужно возвращаться на 150 лет назад. За последние несколько десятилетий большинство людей пережили несколько случаев вымирания в определённых областях – например, VHS вытеснили DVD, а электронная почта сделала факс устаревшим.
Joannes Vermorel: Например, мои родители, которые начали работать в Procter & Gamble более 40 лет назад, рассказывали мне, что на начальных должностях одна из задач заключалась в следующем: во время переговоров по контракту молодой сотрудник должен был построчно сравнить два документа — один являлся черновиком, а другой — встречным предложением поставщика, партнёра или кого-либо ещё, — и просто помечать ручкой те разделы, в которых были различия. Это занимало часы.
Итак, они платили множеству людей лишь за то, чтобы найти разницу. А теперь, когда Microsoft Word просто сравнивает документы или вы используете функцию отслеживания изменений, дело делается само собой. Таким образом, буквально уже исчезло довольно много задач. Но это произошло, я бы сказал, постепенно. Дело в том, что эти процессы развивались медленно. Интересно, что с большими языковыми моделями (LLMs) произошёл настоящий скачок — будто мы буквально шагнули вперёд на 20 лет всего за один год. Именно так это ощущается после внедрения этих технологий в производство за последний год.
Conor Doherty: Lokad часто сотрудничает с университетами, обучая людей входить в сферу цепочек поставок. Значит ли это, что мы просто откажемся от всего этого? Не зря ли тратить время на изучение науки управления цепями поставок, если она исчезает?
Joannes Vermorel: Нет, я так не думаю. Мы не обучаем рутинным задачам, например, как отправить электронное письмо поставщику для получения последнего MOQ. Если вы взглянете на содержание лекции, то увидите, что речь идёт о понимании затрат в долларах при дефиците запасов и о том, как к этому подходить.
Если вы спросите у Chat GPT, он будет фантазировать ерунду. Даже если это GPT-4, мы ещё не дошли до такого уровня, не совсем. Те темы, которые я затрагиваю в лекциях, — это не те задачи, которые поддаются автоматизации. Но если посмотреть на компании в сфере цепочек поставок, то доля времени, которую специалисты тратят на глубокое размышление о фундаментальных вопросах, таких как, что вообще означает качество обслуживания в глазах наших клиентов, крайне мала.
Большинство тем, которые я затрагиваю в лекциях, — это фундаментальные вопросы, часто обманчиво простые, например: что означает слово «будущее»? Что значит правильно или адекватно предвидеть будущее? Это действительно сложные вопросы, и если вы размышляете над ними и можете дать компании ценные ответы, вы не на пороге автоматизации. Именно поэтому я говорю, и по-прежнему придерживаюсь этой позиции: большие языковые модели до сих пор невероятные болтуны.
Так что если вы хотите достигнуть такого уровня понимания, мы ещё не на том этапе. Вы столкнётесь с галлюцинациями и прочими недочётами. Но если ваша цель — автоматически устранить всю эту рутину, тогда дело решено. Именно поэтому я говорю: сосредоточьтесь на фундаментальных вопросах, на тех, которые требуют глубокого осмысления. Это не исчезнет. То, что исчезнет, — это фон, бесконечные мелочи. Это будет решено с помощью больших языковых моделей (LLMs).
Conor Doherty: Ладно, у нас есть вопросы из аудитории, и мы уже 50 минут в эфире. Многие из этих вопросов фактически касаются того, чем я и закончил бы своё выступление. Поэтому, прежде чем перейти к вопросам аудитории, я бы хотел, если это возможно, дать краткое резюме для тех, кто пропустил первые несколько минут. И, что важно, призыв к действию для всех — для сотрудников бэк-офиса, для CEO, для представителей различных секторов.
Joannes Vermorel: Краткий ответ таков: большие языковые модели (LLMs) представляют собой событие, приводящее к исчезновению корпоративных бэк-офисных функций, работающих исключительно на белых воротничках, когда сотрудники просто принимают данные, преобразуют их, перемешивают и отправляют дальше. Посмотрите на свою организацию на всех уровнях — у вас буквально армии людей, которые занимаются именно этим. Они берут электронные письма и, возможно, около 20 различных небольших, разрозненных источников данных, немного анализируют их и переводят дело на следующий этап.
Суть в том, что всё это уже можно автоматизировать. И немало компаний уже движется полным ходом, делая это. Вы уже можете увидеть в новостях, что не только эти системы находятся в производстве, но и начали сокращать сотрудников на этих позициях. И я говорю не о нескольких людях то и дело, а о крупных компаниях, которые объявляют: раньше у нас было 6000 человек для выполнения этой задачи, а теперь 50. Произошло гигантское увольнение, и они работают на полных оборотах, и я ожидаю, что это только усилится.
Опять же, бэк-офисные рабочие места для белых воротничков станут целью. Цепочки поставок — одна из таких функций. Я подозреваю, что ещё около полудюжины других областей будут затронуты. Бухгалтерия, вероятно, также будет сильно затронута, ведь в бухгалтерии требуется умное, высокоуровневое мышление для организации структуры и тому подобного. Но есть и рутина: кто-то отправляет мне PDF, и мне нужно извлечь полдюжины релевантной информации, чтобы составить бухгалтерскую запись, соответствующую этому PDF-документу. Ладно, это сделано. Всё это можно полностью автоматизировать.
Таким образом, всё это исчезнет очень быстро. Для некоторых компаний это уже не будущее — это настоящее. И речь идёт о месяцах. Итак, краткое резюме: событие вымирания — это всего несколько месяцев. Да, нужно действовать быстро. Кстати, в Lokad, когда я это осознал, я потратил первые три месяца 2023 года на переосмысление всей технологической дорожной карты, потому что всё, что я представлял раньше, оказалось тленью.
Для нас это стало довольно резким поворотом. Внутри Lokad мы автоматизировали довольно многое. И буквально, мы были настолько заняты этим, что почти не сообщали об этом. Но так выглядит мое ежедневное расписание уже в течение года.
Conor Doherty: Прежде чем перейти к вопросам аудитории, стоит отметить, что традиционно мы много говорили о вероятностном прогнозировании, стохастической оптимизации и тому подобном. Это даже не было частью этого разговора, поскольку это уже решено. Это было на уровне передового опыта уже много лет. То есть, такие количественные решения, как управление запасами, заказы на покупку, распределение, ценообразование — по крайней мере, для Lokad, были решены много лет назад. Это уже сделано. Люди хотя бы частично или интуитивно это понимают. Суть сегодняшнего обсуждения в том, что речь идёт обо всём остальном.
Joannes Vermorel: Да, именно так. Речь идёт о рутине, шуме, мелких повседневных задачах, о тех тысячах мелких инцидентов, на которые не нужно было бы тратить 10 лет в цепочке поставок. Подумайте: если задать случайный вопрос партнёру, транспортной компании, поставщику и так далее. И, кстати, компании регулярно нанимали сотни сотрудников, которым требовался всего месяц обучения, и они могли работать. Но если речь идёт о том, что требует менее шести месяцев обучения, то, скорее всего, это то, что может выполнить или автоматизировать LLM.
Знаете, если что-то можно освоить всего за несколько месяцев, то это можно автоматизировать. Если же на это уходит десять лет навыков, преданности делу и терпения, то нет. А простые задачи, вероятно, окажутся более стратегическими — вот в чём разница. Да.
Conor Doherty: Ладно. Советую сделать глоток воды, так как нам предстоит ответить на несколько вопросов. Всем огромное спасибо за ваши вопросы. Наш продюсер собрал их. У меня нет доступа к чату YouTube, так что я не знаю, сколько их было, но похожие уже сгруппированы. На те вопросы, на которые мы не ответим сегодня, мы дадим более подробные ответы либо в последующем видео, либо на LinkedIn.
Первый вопрос от Константина. Он спрашивает: “Какие должности могут устареть? Видите ли вы будущее для ролей, связанных с прогнозированием и планированием?”
Joannes Vermorel: Такие роли, как планировщик спроса и предложения, аналитик запасов, менеджеры по категориям — я бы сказал, что они утратили свою актуальность. Они буквально уже устарели. Возможно, зрители не согласятся, но вы просто передаёте информацию. Например, компонент прогнозирования в Lokad был автоматизирован почти десять лет назад. То, что не было автоматизировано, обычно — это мелкие ошибки данных, такие как дублирование продуктов или определение, какой продукт является потомком другого. Допустим, берёшь два описания продукта и говоришь: «О, это поколение четыре устройства, а это — поколение пять», то есть, по сути, они схожи, только немного улучшены. Такой тип задач LLM определённо может автоматизировать. Так что всё это полностью поддаётся автоматизации и уже ушло.
То, что нельзя автоматизировать, — это нечто вроде специалиста по цепям поставок, который разрабатывает числовые алгоритмы для автоматизации всего, что под силу автоматизировать. Вы можете автоматизировать работу, но пока не можете автоматизировать создание числовых алгоритмов и стратегическое мышление, превращающее всё в ошибки или прибыль в долларах. Необходимо обладать финансовой перспективой, которой LLM ещё не хватает. Но все эти рутинные управленческие задачи с множеством повторений уже ушли. И в прогнозировании всё обстоит так же. Такова позиция Lokad на протяжении последнего десятилетия. То есть, новизны нет.
Conor Doherty: Ну, я уверен, все останутся довольны этим ответом. Переходим к следующему. Спасибо. Следующий вопрос от Шеара: “Joannes, не могли бы вы подробнее рассказать о преимуществах ИИ и цепей поставок на конкретных примерах в реальном времени?”
Joannes Vermorel: Сначала давайте определимся с понятием «реальное время». В цепях поставок речь не идёт о режиме реального времени так, как, например, о поддержании полёта самолёта, требующем отклика за миллисекунды. В цепях поставок, даже если вы хотите дать указания водителю грузовика для регулирования движения, задержка в минуту — не критична. Реальное время в цепочках поставок может означать робота на складе, осуществляющего автоматизированный сбор товаров. Большинство задач в цепях поставок не требуют работы в реальном времени. Подавляющему большинству проблем можно позволить себе часовую задержку. Очень немногие вопросы требуют ответа менее чем за час.
Таким образом, с помощью LLM вы можете получать информацию, выполнять поиск в интернете, извлекать результаты и возвращать их обратно. Вы хотите знать адрес поставщика и автоматически его получать. Очень просто создать логику, которая сделает это автоматически. Это легко. Речь идёт обо всех фундаментальных решениях: планирование, составление графиков, закупки, производство, распределение, ценообразование, обновление. А затем мы добавили весь «обрамляющий» процесс — управление мастер-данными, коммуникацию с сетью, уведомление клиентов о задержках, оповещение поставщиков о возникших проблемах и тому подобное. Всё это теперь можно автоматизировать. Это не требует сверхинтеллекта, но представляет второй слой автоматизации.
Conor Doherty: Но суть в том, что это не требует обязательно нестандартного мышления. Если, как вы говорите, это шаблонизация, если дело сводится к поиску определённого типа, это почти булева логика: если это, то…
Joannes Vermorel: Да, именно так. И главное отличие от экспертных систем 90-х годов в том, что, когда я говорю, что LLM — универсальные шаблонизаторы, устойчивые к шуму, это означает, что не имеет значения, если электронное письмо сформулировано неудачно. Это не важно. Более того, не имеет значения, написано ли письмо на русском или японском. Они могут читать практически любой язык. Если только кто-то не отправит сообщение, написанное на редком языке, например, на диалекте зулу. Если оно написано на любом языке, на котором говорят 100 миллионов человек по всему миру, — дело сделано. И можно сказать, что 100 миллионов — это много. Любой язык, на котором говорят как минимум 10 миллионов человек, вам подходит.
Conor Doherty: Следующий вопрос от Тамита. “Разве ценообразование само по себе не отражает воспринимаемое влияние на чистую прибыль, особенно ценообразование Chat GPT по сравнению с Gurobi или CPLEX?”
Joannes Vermorel: Gurobi и CPLEX — это математические решатели, поэтому они даже не относятся к одной категории продуктов. Это совершенно разные инструменты, и они даже отдалённо не решают одни и те же задачи. Проще говоря, для аудитории: Gurobi и CPLEX позволяют задать проблему в виде набора ограничений и целевой функции, после чего они дают ответ. Это математический компонент.
И я не уверен, что эпизод уже опубликован, но мы только что сняли один про стохастическую оптимизацию. Нет, он выйдет скоро. Суть в том, что причина, по которой Gurobi и CPLEX не подходят для цепей поставок, заключается в том, что они не работают со стохастичностью. Мы обсудим это в другом эпизоде, но это совершенно иная категория инструментов. LLM занимаются шаблонизацией текста, проведением различных текстовых переработок, извлечением данных и быстрой аналитикой текстовой информации. И когда я говорю «текст», я имею в виду простой текст — последовательность букв, цифр и символов. Так что задачи совершенно разные, и они даже отдалённо не решают одни и те же проблемы.
Conor Doherty: Как и моя предыдущая попытка заявить об этом, многие до сих пор не до конца понимают влияние ИИ. Это событие, приводящее к вымиранию почти всех профессий, за исключением тех, кто находится на самом высоком уровне.
Joannes Vermorel: Причина в том, что, например, Gurobi и CPLEX — это незначительные инструменты. Они существуют уже около четырех десятилетий, и проблема в том, что, как я уже говорил — мы обсудим это в другом эпизоде — они не решают основной стохастический аспект. Так что это не вариант. И даже если они могли бы решить такую проблему, всё равно нужен кто-то вроде специалиста по цепям поставок для их использования. Это не быстрый успех, это не то, что может произойти за несколько часов. LLM, для очень рутинных, мелких задач — это тот тип вещей, для которого можно получить решение буквально за несколько минут.
Конор Дохерти: Может ли увеличение числа судебных исков по поводу авторских гонораров или финансовой компенсации от лиц, данные которых использовались для обучения LLM, потенциально затруднить прогресс и внедрение, поднимая цены?
Йоаннес Верморель: Забудьте об этом. Некоторые компании показывают, что могут иметь LLM, чья производительность близка к Open AI, используя гораздо меньший корпус, например, только Википедию. Так что ответ — нет. Мы не говорим о генеративном ИИ для изображений, который мог бы нарушать интеллектуальную собственность Disney или чего-либо еще. Мы говорим о чем-то совершенно обыденном, типа: вот кусок текста, скажите мне, кто отправил это письмо, каков минимальный объем заказа (MOQ), дал ли этот человек определенный ответ или расплывчатый, или уверен ли он в точности предоставленной информации. Именно такие задачи можно автоматизировать, получая правильный ответ прямо из письма. Вот о чем мы говорим. Так что это будет совершенно незначительная проблема.
Даже если людям придется перенастраивать свои LLM, потому что им нужно отбросить 3% входной базы данных, это не проблема. Это доказало французская компания Mistral, что можно перенастроить LLM производственного уровня, скажем, уровня Open AI, потратив всего несколько сотен тысяч евро. Так что это уже сделано. Обратно пути нет. Решения для этих проблем в лучшем случае будут представлять собой незначительный шум, но дело уже завершено и это не изменит ничего.
Конор Дохерти: И в конечном итоге, вы используете его как машину для шаблонов. Снова, вы говорите ему точно, что нужно найти, и предоставляете ему ввод, типа: “Найди в этом письме информацию.”
Йоаннес Верморель: И опять, мы говорим о рутинных офисных задачах. Мы не говорим о написании следующего «Гарри Поттера» и о том, что вас могут засудить юристы J.K. Роулинг, потому что ваш продукт просто галлюцинирует близкую копию «Гарри Поттера». Мы говорим о том, что подумайте о тех письмах — просто подумайте о последних 100 письмах, которые вы написали, и о том, сколько изобретательности, оригинальности и, я бы сказал, человеческого интеллекта вкладывается в них. И, скорее всего, их не так много. Я имею в виду, даже если я взгляну на то, что пишу ежедневно, большая часть этого — не что иное, как обыденность. И именно это автоматизируется с невероятной скоростью.
Конор Дохерти: Стоит добавить немного комментария: если создается впечатление, что речь идёт именно о ChatGPT, то нет, мы говорим об LLM как о технологии сами по себе, а не конкретно при взаимодействии онлайн.
Йоаннес Верморель: И более конкретно, LLM в качестве компонента программирования. Точно так же, как у вас есть реляционная база данных, у вас есть подсистемы в вашем программном обеспечении, есть подсистемы транзакционной базы данных, веб-сервер и т.д., а здесь у вас LLM, который просто выполняет определенные шаги в вашей программе. Не думайте о LLM как о чем-то, что поставляется в комплекте с чат-интерфейсом. Почти все, что я автоматизировал за последний год, не имеет интерфейса. Это буквально скрипт, который выполняет задачу от начала до конца, без пользовательского интерфейса. Иными словами, это элемент общей технологической стека.
Конор Дохерти: Джеймс спрашивает: какой совет вы бы дали молодому человеку, желающему войти в сферу цепочек поставок, в плане повышения квалификации, и как им лучше всего продать это умение в контексте описанного вами вымирания?
Йоаннес Верморель: LLM заставляют вас поднимать свою игру в плане стратегического понимания. Осваивать простые шаблоны, такие как ABC-анализ, или что-то подобное — это не вариант. Оснастите себя теми конечными инструментами, которых всё ещё недостает GPT-4, например, способностью к глубокому мышлению. Продумывая проблемы долго и тщательно, вы приходите к выводам, которые, как правило, верны. Умейте создавать синтез проблемы, превосходящий тот, который генерирует GPT-4. Это очень важные навыки, которые останутся востребованными для вашего высшего уровня интеллектуальных возможностей, опережающих машину.
И такие навыки, как я считаю, мы всё ещё не близки к автоматизации. Даже, например, если обратить внимание на критические голоса в научном сообществе, можно взглянуть на высказывания Яна Лекуна. Он говорит, что LLM, знаете, это не ответ на вопрос общего интеллекта, и в этом вопросе я согласен с Яном Лекуном. С чем я не согласен, так это с тем, что, по моему мнению, нам не нужен общий интеллект, чтобы столкнуться с вымиранием офисных работ. Нам просто нужны LLM, и LLM представляют собой более низкий уровень интеллекта, но его вполне достаточно, чтобы заменить примерно 90% рабочей силы, и это будет довольно радикально. Что касается оставшихся 10% — посмотрим.
Так что для молодого специалиста, начинающего карьеру, например, посетите мои лекции, и вы увидите, что большинство материала не о банальном, не о рутине, не о мелочах, а о фундаментальных вопросах, таких как “В чем же на самом деле заключается проблема, которую мы пытаемся решить?” У меня есть целая глава о персонах, где говорится: “Какова проблема, которую мы пытаемся решить для данной цепочки поставок?” — и ответ варьируется в зависимости от отрасли. Это сложно.
Какие парадигмы программирования являются актуальными? Потому что, как я уже сказал, LLM могут автоматизировать массу вещей, но числовые рецепты они не пишут самостоятельно. Да, LLM могут помогать, но им недостает более высокого уровня суждения, чтобы определить соответствие. Даже если код написан при помощи машины, вам по-прежнему в значительной степени потребуется человеческое суждение, которое, как я думаю, сохранится, чтобы действительно оценить, адекватен ли он.
Таким образом, здесь LLM будут ускорителем, но не заменят навыки программирования. Так что если у вас есть навыки программирования, они станут ещё более ценными, потому что теперь вы будете действительно более продуктивны с технологиями LLM. Мой акцент — это основы, критическое мышление, стратегический анализ и затем все сложные темы, такие как парадигмы программирования и даже соответствующие математические инструменты. Например, для вероятностного прогноза всё ещё требуется, если вы хотите правильно рассуждать об этом, высококачественное понимание этих математических инструментов, и это не исчезнет. GPT-4 это не автоматизирует.
Конор Дохерти: Лионель спрашивает: как AI-решения для цепочек поставок влияют на малые и средние предприятия по сравнению с крупными компаниями или корпорациями?
Йоаннес Верморель: Я считаю, что эффект будет еще более заметным для небольших компаний. Почему? Потому что крупные компании могут позволить себе создавать большие специализированные бюрократические структуры, а небольшие — нет. Малые компании знали, что не смогут конкурировать с крупными, так как они не могут иметь отдел с 200 сотрудниками и 10 различными специализациями и так далее.
Но интересное то, что производительность с такими инструментами настолько высока, что стремление к автоматизации становится сверхдоступным даже для небольших компаний. Кстати, Lokad сейчас — компания с около 60 сотрудниками, и я автоматизирую массу вещей туда-сюда, и это можно сделать очень быстро.
Интересно то, что для выполнения задач не требуется проект с 20 программистами. Достижения, которых можно добиться за считанные часы, поразительны, если вы делаете все правильно.
Мое мнение таково, что для компаний среднего размера, возможно, не очень маленьких, но скажем, компаний с оборотом от 50 миллионов долларов и выше, они смогут механизировать процессы с невероятной скоростью и соперничать с тем, что делают сверхкрупные компании, потому что скоро узким местом станут только LLM, а у вас будет доступ к тем же LLM, что, скажем, у Samsung или Apple или другой гигантской компании, о которой вы думаете.
У вас есть доступ к тем же инструментам. Так что, если сравнивать, например, аналитиков, да, у Apple, вероятно, гораздо талантливее аналитики спроса, чем у вас, но у них, как и у вас, есть доступ к тем же LLM. Поэтому это своего рода великий уравнитель возможностей автоматизации.
Конор Дохерти: Следующий вопрос от Ника: как использование LLM, как одного из передовых методов в Lokad, повлияло на показатели эффективности бизнеса, такие как уровень оттока, количество новых подписок и удовлетворенность клиентов?
Йоаннес Верморель: В целом, я бы сказал, что мы все еще через 12 месяцев после достижения производственного уровня. То, что мы автоматизировали сейчас, обладает качеством, превосходящим человеческие возможности. Вы буквально можете увидеть всё то, что мы автоматизировали. Это делается лучше, чем раньше, и очень часто с в 100 раз меньшими трудозатратами, чем раньше.
Для аудитории, незнакомой с нашим делом, в Lokad, как поставщике корпоративного программного обеспечения, циклы продаж довольно длинные. Я бы хотел заключать сделки с клиентами за три недели, но, к сожалению, это процесс скорее длится три года. Простите, с 18-месячным процессом RFP, который сводил меня с ума. И это с ИИ, и это с ИИ для проведения RFP. То есть, это медленно. Но, опять же, поэтому я говорю, что клиентские процессы, такие как продажи и прочее, идут медленно, но отзывы наших клиентов оказались невероятно положительными.
Это могут быть простые задачи, например, автоматическая генерация отчета по двухчасовой встрече с клиентом. Отчет оформлен очень аккуратно и охватывает все ключевые моменты, обсужденные на встрече. У нас есть собственная внутренняя технология создания этих высококачественных протоколов после встреч. Это работает великолепно, и мы получили очень положительные отзывы от наших клиентов по этому поводу.
Мое восприятие таково, что задачи, которые мы автоматизировали, выполняются лучше, чем раньше, и, как минимум, мы достигли чего-то вроде 20-кратного повышения продуктивности. Это абсолютно поразительно.
Что касается уровня подписок и других показателей, пока слишком рано говорить. Будучи поставщиком корпоративного ПО, мои циклы продаж невероятно медленные. Мы обсудим это через несколько лет.
Я считаю, что неправильно полагаться на цифры. Цифры приходят слишком мало и слишком поздно. Просто подумайте о Kodak. К тому времени, как цифровая фотография из ничего превратилась во всё, если бы Kodak был как человек в свободном падении и говорил, что пока все в порядке, то нет, вы падаете, и удар будет жестким. Вы не правы.
К тому времени, как люди увидят цифры, у компаний уже будут роботизированные армии. Мой прогноз: появятся компании, которые будут двигаться вперед, и я вижу их как Amazon следующего десятилетия.
Таким образом, суть в том, что они движутся на полной скорости, и если я загляну в будущее на пять лет, то уже вижу, что эти компании смогут перегнать всех своих конкурентов, предлагая цены, с которыми их соперники просто не смогут соперничать. А что касается гибкости, то проблема в том, что когда у вас целая армия людей, то по определению, если у вас своя организация — я говорю о крупной компании, где сотни людей задействованы в планировании, S&OP, прогнозировании и так далее, вы становитесь медленными.
Вы — большая бюрократия. По определению, если у вас около 200 человек, вы не можете быть гибкими. Просто у вас слишком много людей. Если вам удастся сократить число до 20 человек, то тогда вы сможете быть как тигр — сверхгибкими, сверхбыстрыми. И опять же, это означает, что эти компании в массовом порядке обойдут конкурентов по затратам, по гибкости — это действительно многое, действительно многое.
Помимо человеческого интеллекта, они будут превосходить по качеству исполнения. Существует поговорка в IT-индустрии: все, что зависит от ручного вмешательства, ненадежно. Вы не можете обеспечить надёжность, если где-то посередине происходит ручное вмешательство.
Таким образом, я вижу, что даже с точки зрения качества исполнения, надёжность превзойдет всё по сравнению с ручными процессами. Это означает, что гибкость, стоимость, надёжность, производительность — вот почему я говорю о вымирании. Те компании, которые адаптируются, выживут, а те, которые не справятся, исчезнут в течение десятилетия.
Так что это будет медленно разворачиваться, потому что, опять же, существовала определенная инерция. Например, во Франции я обсуждал с множеством ритейлеров, и я отчетливо помню, это было до основания Lokad. Я говорил им, и это было в 2004 году, я был студентом, я вернулся из Штатов, провел два года в США, и я говорил ритейлерам во Франции: “Amazon вас уничтожит”. А люди говорили мне: “О, электронная коммерция — это всего лишь мода. Это просто, знаете, у них доля рынка 0,1%, нам все равно, это ничего”.
А для меня это было уже предопределено. Вопроса не было, это было, опять же, вопросом времени. Это было записано заранее. Либо вы, как ритейлер, пойдете по пути электронной коммерции, либо Amazon и их коллеги просто уничтожат вас. И это уже произошло, кстати. Я видел, как несколько таких компаний просто банкротились. Это разворачивалось в течение десятилетия, но случилось. И то же самое произойдет с множеством других компаний.
И самое интересное в использовании LLM заключается в том, что это не специфично для какой-либо отрасли. Некоторые направления будут затронуты сильнее, но в конечном итоге все, у кого есть функции поддержки бэк-офиса, будут подвергнуты массовому влиянию.
Конор Дохерти: Важно также добавить к вашему замечанию, в примере Lokad, что функции, которые вы описали, автоматизированные с помощью LLM, превышают все, что было сделано с ИИ ранее. Так что, опять же, речь идет не просто о том, что “о, у нас есть несколько вещей”. Речь идет об высококвалифицированной рабочей силе, где все обыденные, рутинные задачи, как количественные, так и качественные, автоматизированы настолько, насколько это возможно для человека, что освобождает умственных сотрудников для концентрации на действительно важных вопросах. И если у вас есть компания, которая это делает, по сравнению с той, которая этого не делает, то это, по сути, дарвинизм.
Йоаннес Верморель: Именно. Прелесть в том, что здесь действует шумпетеровское разрушение. Это на благо, чтобы компании становились богаче. Например, если бы в Париже 10% населения по-прежнему таскали воду, Париж был бы очень бедным городом.
Париж стал городом первого мира, только потому, что, ну, по нашим современным стандартам, только потому что 10% населения не занимаются глупостями. Именно освобождая людей от невероятно скучной работы, мы можем позволить себе заниматься искусством, быть креативными, изобретательными.
В тех компаниях, которые управляют цепочками поставок, если все время тушат пожары, разбираясь с мелкими, незначительными проблемами, словно песчинки в механизме, которые просто выбивают весь процесс из колеи, но не в грандиозном, эпическом смысле, а просто глупыми, и это поглощает весь кислород.
Так что подумайте об этом: все эти мелочи просто поглощают весь кислород, и люди не могут даже думать, потому что их ум занимают эти мелочи. Поэтому я верю, что это действительно улучшит цепочки поставок, потому что внезапно люди смогут мыслить стратегически, не запутываясь в этой мозаике крошечных отвлекающих факторов, которые не заслуживают их внимания.
Давайте представим миллион полуглупых ассистентов, потому что именно этим и являются LLM — миллион полуглупых ассистентов, которые занимаются тем, чем не должна заниматься человеческая интеллигенция.
Conor Doherty: Последние два вопроса. Этот от Лайонеля. Какие примеры успешного сотрудничества ИИ и человека в операциях цепочек поставок мы можем изучить?
Joannes Vermorel: Не думайте в терминах сотрудничества. Это ошибка. Не будет никакого универсального второго пилота.
В конечном итоге, это всегда люди, очевидно, и машины. Так что да, существует форма сотрудничества, но она не выглядит так, как вы себе представляете. Это не второй пилот. Когда я автоматизировал систему ответов на запросы RFP, как выглядело сотрудничество? Я сел за свой стол, провёл неделю, пиша код для этой системы, и затем у меня появилась машина для ответов.
Каждый раз, когда поступает запрос RFP, мы запускаем систему и получаем ответы. Вот как выглядит сотрудничество. А когда OpenAI выпускает, например, GPT-4 Turbo или какую-то новую модель, я немного обновляю свой код, чтобы воспользоваться последними достижениями, и мы снова в деле.
Это сотрудничество в том смысле, что я пишу код, а когда что-то меняется, я немного его корректирую. Вот о каком сотрудничестве мы говорим. Это не значит, что я веду диалог с машиной. Я не общаюсь с GPT или чем-то подобным. Это не так работает. Игра не идёт таким путём.
Так что не думайте о LLM как о чём-то сотрудничающем с вами. Большую часть того, что мы автоматизируем, мы просто полностью автоматизируем, и тогда никто больше не задействован. Это просто делается.
Чтобы привести пример, сайт Lokad полностью переводится автоматически, и красота в том, что, как можно увидеть в интернете, мы переводим не английский текст, а непосредственно HTML. Это как взять сырой HTML и перевести его заново, и мы экономим 90% усилий, потому что внезапно можем всё итеративно обновлять, а LLM достаточно умны, чтобы понять, какой HTML не трогать, поскольку это тег, а что — настоящий английский текст, требующий перевода. Прекрасно.
Так что это уже сделано. Для аудитории: все страницы видео Lokad TV, где были временные метки, раньше, например, мы делали их вручную, теперь делаются автоматически. Я сделал, теперь это делается автоматически.
Так вот, суть в том, что вы хотите взять часовое обсуждение, автоматически создать временные метки — и готово. Мог бы упомянуть и более архаичные вещи, потому что там, где мы получаем наибольшие преимущества, это бэк-офис Lokad, так что это не то, что работает с клиентами, но всё же, это архаичные вещи.
Суть в том, что мне бы потребовалось слишком много времени, чтобы объяснить, зачем всё это нужно, но итог таков: примеров предостаточно. Обычно мы стараемся автоматизировать всё в течение дня. Вот как это выглядит. И да, иногда требуется немного поиграться с запросами, но опять же, вопрос в том, что нельзя автоматизировать? Сейчас ответ на вопрос, что можно автоматизировать, становится всё сложнее найти.
Conor Doherty: Интересно, что вы упомянули это, ведь когда вы приводили пример суммирования обсуждения, и это говорит о том, насколько дальше можно идти? То есть, в бэк-офисе обсуждение сводится к тому, как мы можем взять резюме обсуждения, скажем, с клиентами или потенциальными клиентами, и на основе сказанного автоматически искать информацию на сайте, вставлять соответствующие ссылки в нужные места — просто, что мы не можем сделать? Оказывается, мы можем. Мы над этим работаем. Ведь трудно определить, что невозможно сделать. Трудно сузить список того, что LLM не способны сделать.
Joannes Vermorel: Сейчас всё, что действительно находится на высоком уровне, я немного приукрашиваю словами, потому что нам не хватает слов, но я бы сказал: речь идёт о высокоуровневом человеческом интеллекте, или высших формах интеллекта, о вопросах, для решения которых нужно долго и упорно думать, возможно, часами, чтобы получить ответ, а не о том, на что можно инстинктивно ответить — LLM справятся с такими вопросами тоже.
Но что-то, опять же, эм… подумайте только о очень сложных вопросах, таких как: что означает качество обслуживания для наших клиентов? Это очень сложный вопрос. Какие должны быть наши приоритетные целевые сегменты? Макро-вопросы для компании — это такие вопросы, на ответы на которые можно потратить недели, и вот здесь LLM пока не дотягивают.
Если у вас есть вопрос, настолько важный, что на него можно потратить недели, высокоуровневый человеческий интеллект даст лучший ответ, чем GPT-4. Но если это вопрос, на который у вас есть всего 60 секунд на размышления, то ответ, который даст человек, будет не очень хорошим. Время идёт. Если вы дадите мне 60 секунд на ответ, он не будет качественным.
Conor Doherty: Смысл в том, что, возможно, один раз, но не каждые 60 секунд, не каждый час, семь или восемь часов в день, 300 дней в году, 50 лет. Вот в чем разница.
Joannes Vermorel: Вот в чем разница. Конечно, если я отдохну 30 минут, то да. Но LLM не устают. Вы можете запускать их, и они буквально автоматизируют миллионы операций в день, и это не кажется сложным.
Conor Doherty: Это последний вопрос от Лайонеля. Как маленьким странам использовать ИИ в управлении цепочками поставок, чтобы преодолеть их уникальные географические и экономические вызовы, и как это скажется на местном рынке труда?
Joannes Vermorel: Прелесть в том, что LLM невероятно доступны. Требования к пропускной способности для их использования ничтожно малы. Вы можете буквально отправить килобайты данных, и это сработает. LLM работают удаленно, так что если вы находитесь в бедной стране, и у вас есть хоть какая-то приемлемая низкоскоростная интернет-связь, вы в порядке.
Этим системам не нужна высокоскоростная связь. Так что всё нормально. Им не требуется суперталантливая рабочая сила. Вот в чем прелесть: настройка запросов — наверное, самая простая из всех квазииинженерных задач, которые мне пришлось освоить за последние два десятилетия, это самая простая вещь. Это буквально то, что вы понимаете за считанные часы.
Вот почему теперь есть дети, которые делают всю свою домашнюю работу с помощью Chat GPT. То есть, это действительно просто, на уровне детской простоты. И поэтому я говорю: принятие произойдет быстро, потому что не стоит верить тому, кто говорит: «У меня есть диплом по настройке запросов». О чем вы говорите? Это такие вещи, что если вы немного потренируетесь, чтобы вникнуть, то поймете буквально за несколько дней. Это не сложно — освоить Excel сложнее, чем освоить настройку запросов.
Таким образом, если вы находитесь в бедной, удаленной стране, это супер доступно. Кстати, я упоминал, что эта технология дешева? Она стоит буквально копейки. Бесценно дёшево. Просто подумайте: для аудитории, чтобы представить, посмотрите наш сайт — он гигантский. Мы говорим о тысяче страниц, тысяче веб-страниц. Если бы мы его распечатали, это было бы примерно 3000 страниц A4. Эти FAQ настолько велики, что даже больше.
Так что мы говорим о чем-то большом, массивном сайте. Мы переводим его на семь языков. Стоимость перевода одной партии с английского на все эти языки, и речь идет, опять же, о 3000 страницах текста, составляет $150 через OpenAI. Вот что я плачу. И, кстати, стоимость того, чтобы сделать это с помощью фрилансеров, как мы делали раньше, была около $50,000 за язык.
Таким образом, стоимость снизилась от суммы, которая раньше составляла почти четверть миллиона долларов или больше за перевод, до $150. И, кстати, стоимость станет ещё ниже, потому что OpenAI недавно снизила цены. Причём для этого мы даже не используем GPT-4, мы всё ещё работаем с GPT-3.5. А с Mistral мы планируем попробовать, но Mistral ещё дешевле.
Так что, вероятнее всего, через три года перевод этих огромных 3000 страниц будет стоить около $50. Прелесть в том, что я считаю: для развитых стран это огромная возможность, настоящий уравнитель. Просто подумайте: за не копейки, а за доллары, вы можете пользоваться теми же инструментами, что и крупные игроки, и вы будете на том же уровне, что и люди, у которых в руках миллионы, как в Apple. Вы играете по одним правилам.
Так что это будет невероятный уравнитель возможностей. И если вы умны и полны энтузиазма, вы научитесь по ходу дела. И это, опять же, не так уж сложно. Это, наверное, одна из самых доступных революций. И я верю, что даже бедные страны, теперь с плохим интернет-соединением, смогут извлечь выгоду из LLM. Вам даже не нужен широкополосный интернет; если у вас есть 20 килобайт в обе стороны в секунду, надежное соединение — вы в порядке.
Conor Doherty: Думаю, мы говорили больше полутора часов. Так что, если подытожить всё это, Скайнет?
Joannes Vermorel: Нет, не Скайнет. Это были мои ложные ожидания 18 месяцев назад. Я говорил: «О, это так же глупо, как всегда», так что ничего особенного. Нет, это универсальная машина шаблонов, и это меняет правила игры. Это швейная машинка для офисных работников, то же самое, что швейные машинки сделали для швейной промышленности.
Прелесть в том, что она проста. Даже в своё время швейная машинка была на порядки проще, чем часы. По меркам XIX века, это не была сложная машина. Уже существовали машины, которые были значительно сложнее. Однако она была обманчиво простой и, практически за одну ночь, ускорила швейную промышленность в 100 раз. Если вы думаете, что швейные машинки не были революцией, потому что вы всё ещё можете шить одежду от начала до конца, вы упускаете суть. С швейной машинкой вы всё равно можете шить одежду в 100 раз быстрее.
У нас нет Скайнета. GPT-4 не заменит качественное стратегическое мышление. Но всю рутинную работу — да, заменит. Это эволюция. Мое послание для аудитории: не упустите поезд. Многие компании уже сели в поезд. Некоторые люди, к моему стыду, сделали это раньше. Но в поезде много людей, и результаты настолько быстры, что если вы не начнёте действовать сейчас, через четыре года вы не сможете наверстать упущенное. Разрыв будет настолько велик, что это будет как эффект Кодак, когда вы будете в пролёте, даже если изначально ваша компания была неплохой.
Conor Doherty: Ладно, у меня больше нет вопросов, Жоаннес. Большое спасибо за ваше время и большое спасибо за просмотр. До встречи в следующий раз.
