Анализ и комплексная оценка развития и применения нейросетевой диалоговой системы ChatGPT
https://doi.org/10.21822/2073-6185-2023-50-3-110-117
Аннотация
Цель. На сегодняшний день значимые и во многом сенсационные результаты достигаются в области систем искусственного интеллекта, а бот ChatGPT, в основе которого лежит нейронная сеть GPT-3, называют настоящей революцией в мире технологий.
Цель. Целью исследования является анализ и оценка особенностей применения, преимуществ и ограничений, а также факторов развития и причин необычайной популярности нейросетевой диалоговой системы ChatGPT.
Методы. Проведен обзор отечественных и зарубежных источников, систематизация данных, анализ архитектуры и механизма действия нейронной сети. Результат. Обобщены и оценены функции, возможности, сферы и риски применения ChatGPT.
Вывод. Основная функция ChatGPT – генерация текста на основе заданных входных данных – позволяет эффективно решать широкий спектр задач, ранее не поддававшихся автоматизации, причем качество решения сопоставимо с работой человека. Важно избегать рисков, связанных с возможностью злоупотребления и получения некорректных и вредоносных ответов от искусственного интеллекта. Для этого необходимы меры контроля, разработка и введение стандартов и норм.
Об авторах
Д. А. Мачуева
Грозненский государственный нефтяной технический университет имени академика М.Д. Миллионщикова
Россия
Россия
Мачуева Дина Алуевна, кандидат технических наук, доцент, кафедра «Информационные технологии»,
364061, г. Грозный, пр. Х. Исаева, 100
Д. Р. Бараев
Грозненский государственный нефтяной технический университет имени академика М.Д. Миллионщикова
Россия
Россия
Бараев Дени Рамзанович, студент, кафедра «Информационные технологии»,
364061, г. Грозный, пр. Х. Исаева, 100
Т. М.-А. Бечуркаев
Грозненский государственный нефтяной технический университет имени академика М.Д. Миллионщикова
Россия
Россия
Бечуркаев Тимур Магомед-Алиевич, студент, кафедра «Информационные технологии»,
364061, г. Грозный, пр. Х. Исаева, 100
Список литературы
1. Гринин И.Л. Работа модели генерации текста с помощью нейронных сетей как составной системы: модульный анализ модуль первый. Языковая модель: работа с текстовыми вхождениями // Инновации и инвестиции. – 2020. – № 7. – С. 118-122.
2. Харламов А.А., Ле Мань Ха. Нейросетевые подходы к классификации текстов на основе морфологического анализа // Труды МФТИ. – 2017. – № 2(34). – С. 143-150.
3. Богомолов Ю.А. Обзор моделей нейронных сетей для обработки естественного языка // Научно-образовательный журнал для студентов и преподавателей «StudNet». – 2020. – № 4. – С. 203-217.
4. Кручинин В.В., Кузовкин В.В. Обзор существующих методов автоматической генерации задач с условиями на естественном языке // Компьютерные инструменты в образовании. – 2022. – № 1. – С. 85-96. DOI: 10.32603/2071-2340-2022-1-85-96.
5. Прошина М.В. Современные методы обработки естественного языка: нейронные сети // Экономика строительства. – 2022. – № 5. – С. 27-42.
6. Курейчик В.В., Родзин С.И., Бова В.В. Методы глубокого обучения для обработки текстов на естественном языке // Известия ЮФУ. Технические науки. – 2022. – № 2(226). – С. 189-199. DOI: 10.18522/2311-3103-2022-2-189-199.
7. Маслова М.А. Методы определения целевого предложения для автоматизированной генерации тестовых вопросов // Инженерный вестник Дона. – 2022. – № 5(89). – Режим доступа: http://ivdon.ru/ru/magazine/archive/n5y2022/7673
8. Митренина О.В. Нейронные сети и компьютерная обработка языка // Journal of Applied Linguistics. – 2019. – № 2. – С. 399-408.
9. Козловский А.В., Мельник Я.Э., Волощук В.И. О подходе для автоматической генерации сюжетно связанного текста // Известия ТулГУ. Технические науки. – 2022. – № 9. – С. 160-167. DOI: 10.24412/2071-6168-2022-9-160-168.
10. Хазеев Д.Р. Приложение нейронных сетей к определению стиля текста // Новые информационные технологии в автоматизированных системах. – 2019. – № 22. – С. 121-124.
11. Черкасов А.Н., Туркин Е.А. Выбор оптимальной архитектуры искусственной нейронной сети для задачи классификации текстов // Вестник Адыгейского государственного университета. Серия 4: Естественно-математические и технические науки. – 2021. – № 1(276). – С. 62-66.
12. Generative pre-trained transformer [Электронный ресурс]. – Режим доступа: https://en.m.wikipedia.org/wiki/Generative_pre-trained_transformer (дата обращения 24.04.2023).
13. GPT-1, GPT-2 and GPT-3 models explained [Электронный ресурс]. – Режим доступа: https://360digitmg.com/blog/types-of-gpt-in-artificial-intelligence (дата обращения 24.04.2023).
14. Статистика чат-бота ChatGPT в 2023 году [Электронный ресурс]. – Режим доступа: https://inclient.ru/chatgpt-stats/ (дата обращения 20.04.2023).
15. 91 Important ChatGPT Statistics & User Numbers in April 2023 (GPT-4, Plugins Update) [Электронный ресурс]. – Режим доступа: https://nerdynav.com/chatgpt-statistics/ (дата обращения 20.04.2023)
16. ChatGPT Statistics 2023All the latest statistics about OpenAI’s chatbot [Электронный ресурс]. – Режим доступа: https://www.tooltester.com/en/blog/chatgpt-statistics/ (дата обращения 20.04.2023).
17. How does ChatGPT work? [Электронный ресурс]. – Режим доступа: https://zapier.com/blog/how-doeschatgpt-work/ (дата обращения 25.04.2023).
18. What Is ChatGPT Doing … and Why Does It Work? [Электронный ресурс]. – Режим доступа: https://writings.stephenwolfram.com/2023/02/what-is-chatgpt-doing-and-why-does-it-work/ (дата обращения 25.04.2023).
19. How ChatGPT actually works [Электронный ресурс]. – Режим доступа: https://www.assemblyai.com/blog/how-chatgpt-actually-works/ (дата обращения 20.04.2023).
20. How ChatGPT Works: The Model Behind The Bot [Электронный ресурс]. – Режим доступа: https://towardsdatascience.com/how-chatgpt-works-the-models-behind-the-bot-1ce5fca96286 (дата обращения 20.04.2023).
21. Elgohary H.K. A., Al-Dossary H.K. The effectiveness of an educational environment based on artificial intelligence techniques using virtual classrooms on training development // International Journal of Instruction. – 2022. – № 15(4). – pp. 1133-1150. DOI: 10.29333/iji.2022.15460a.
22. Обзор чат-бота ChatGPT: что это, возможности и примеры использования [Электронный ресурс]. – Режим доступа: https://habr.com/ru/companies/mtt/articles/711052/ (дата обращения 20.04.2023).
23. Наркевич А.Н., Виноградов К.А., Параскевопуло К.М., Мамедов Т.Х. Интеллектуальные методы анализа данных в биомедицинских исследованиях: сверточные нейронные сети // Экология человека. – 2021. – № 5. – С. 53-64.
24. Almazaydeh L., Abuhelaleh M., Tawil A., Elleithy K. Clinical text classification with word representation features and machine learning algorithms // International Journal of Online and Biomedical Engineering (iJOE). – 2023. – № 19(04). – pp. 65-76. DOI: 10.3991/ijoe.v19i04.36099.
25. Казанцев Т. ChatGPT и революция искусственного интеллекта / Т. Казанцев. – Серия: Технологии, 2023. – 190 с.
26. Ермоленко Т.В. Классификация ошибок в тексте на основе глубокого обучения // Проблемы искусственного интеллекта. – 2019. – № 3(14). – С. 47-57.
27. Gates Notes. The Age of AI has begun [Электронный ресурс]. – Режим доступа: https://www.gatesnotes.com/The-Age-of-AI-Has-Begun (дата обращения 25.03.2023).
28. Pause Giant AI Experiments: An Open Letter [Электронный ресурс]. – Режим доступа: https://futureoflife.org/open-letter/pause-giant-ai-experiments/ (дата обращения 25.03.2023).
Рецензия
Для цитирования:
Мачуева Д.А., Бараев Д.Р., Бечуркаев Т.М. Анализ и комплексная оценка развития и применения нейросетевой диалоговой системы ChatGPT. Вестник Дагестанского государственного технического университета. Технические науки. 2023;50(3):110-117. https://doi.org/10.21822/2073-6185-2023-50-3-110-117
For citation:
Machueva D.A., Baraev D.R., Bechurkaev T.M. Analysis and comprehensive assessment of the development and application of the neural network dialogue system ChatGPT. Herald of Dagestan State Technical University. Technical Sciences. 2023;50(3):110-117. (In Russ.) https://doi.org/10.21822/2073-6185-2023-50-3-110-117
Просмотров:
419
Послать статью по эл. почте 
