skip to main |
skip to sidebar
Perplexity – це сучасна ШІ-платформа для пошуку та навігації в інформації, яка поєднує мовну модель і пошукову систему. Головна ідея сервісу – замість традиційного пошуку, де ви отримуєте список гіперпосилань, Perplexity одразу формує узагальнену відповідь, додаючи при цьому посилання на джерела. Відповідно це дозволяє не лише швидше знаходити релевантну інформацію, але й перевіряти факти. Perplexity Academic – спеціальний режим цієї платформи, створений саме для наукових цілей. Такий собі інтелектуальний фільтр, який перебудовує логіку пошуку так, щоб на перший план виходили саме наукові статті, рецензовані журнали, препринти, технічні документи й інші академічні матеріали.
Пошук наукової літератури дедалі частіше схожий на блукання нескінченними кролячими норами: сотні релевантних статей, десятки пов’язаних тем і постійний страх пропустити щось важливе. Саме для полегшення такої складної роботи була створена пошукова система для дослідників ResearchRabbit, яка поєднує класичний літературний пошук із мережевим аналізом наукових публікацій. За логікою ResearchRabbit, щоб провести хороший літературний огляд – мало виконати одноразовий запит у базі даних. Це комплексний дослідницький процес, який розвивається разом із вашим розумінням теми.
За останній рік з’явилося багато інструментів на базі генеративного ШІ, але більшість із них доволі одноманітні: користувач ставить запитання – система генерує відповідь, часто спрощену, узагальнену й не завжди прозору щодо використаних джерел. NotebookLM (інструмент, розроблений Google Labs) пропонує інший підхід, який, на мій погляд, значно корисніший для академічної та аналітичної роботи. Головна відмінність NotebookLM полягає в тому, що він працює виключно з тими матеріалами, які ви самі завантажили. Це можуть бути наукові статті, препринти, навчальні конспекти чи навіть власні чернетки текстів. Інструмент не звертається до “зовнішніх знань” і нічого не вигадує – він аналізує лише конкретний, чітко окреслений корпус документів.
Команда Google DeepMind спільно з істориками з університетів Оксфорду, Ноттінгема й Уоріка, презентували Aeneas (Еней) – генеративну нейромережу, створену для того, щоб допомогти вченим відновлювати пошкоджені тексти, визначати їх географічне та хронологічне походження й знаходити паралелі між написами. Автори на сторінках журналу Nature запевняють, що результати роботи цього ШІ-інструмента просто дивовижні: 90% істориків визнали знайдені паралелі корисними для подальших досліджень, похибка датування скоротилася з 31 до 14 років, точність географічного визначення зросла з 27% до 68%, а помилка при відновленні текстів знизилася з 39% до 21%.
Поки ChatGPT і його родичі пишуть “унікальні” курсові та дипломні, у світі намагаються розв'язати просте питання: як чесно сказати, що до вашої наукової роботи доклав руку штучний інтелект? Генеративний ШІ уже став повсякденним інструментом для науковців, авторів, редакторів, бібліотекарів. Він допомагає планувати дослідження, аналізувати дані, писати тексти, редагувати та створювати візуалізації. Але як зрозуміти, хто, коли та для чого застосовував ШІ? Як забезпечити прозорість і чесність наукових публікацій?
Світ наукової інформації стрімко змінюється. Те, що раніше зберігалося у вигляді MARC-полів у бібліотечних каталогах, сьогодні дедалі частіше перетворюється на графи знань. Knowledge Graph – це спосіб представлення інформації у вигляді пов’язаних між собою сутностей: понять, людей, публікацій, організацій, методів. Основу такого представлення становлять триплети: наприклад, [Автор] – [написав] – [Публікація]. Кожен елемент у цій структурі має унікальний ідентифікатор, зрозумілий як для комп’ютера, так і для глобальних інформаційних систем. Це відкриває нам двері у прекрасний світ зв’язності, машинної обробки, багатомовності та інтеграції з різними джерелами (Linked Open Data).
Писати наукову статтю – це до біса складно. Від вибору теми, огляду літератури, структурування результатів – і аж до формулювання висновків і оформлення списків використаної літератури. ChatGPT не напише за вас наукову статтю, але може стати потужним помічником, який допоможе: сформулювати вдалу назву, тему та дослідницьке питання, підібрати оптимальну структуру роботи, покращити мову, перевірити текст на ляпи, переписати речення так, щоб пояснити складні й заплутані ідеї простими словами.
Recent correspondence in Nature highlights the growing integration of large language models (LLMs) in scientific work. However, the issue of addressing academic misconduct in this context demands a more critical approach. The use of LLMs to generate texts that researchers then sign with their own names, without proper disclosure, violates fundamental principles of academic integrity. This is not genuine scientific inquiry but its mere imitation, and appeals to fears of “stigmatization” should not excuse such practices. If a researcher shifts their core intellectual activities onto AI without meaningful contributions of their own, it raises a pressing question: why allocate grants or retain such individuals in academic positions when their work could just as well be performed by a machine?
«Моделі штучного інтелекту руйнуються при тренуванні на рекурсивно згенерованих даних». Так вважає Ілля Шумайлов разом з колегами, які на сторінках Nature досліджують явище "колапсу моделі" – процес, під час якого поступово знижується якість моделей ШІ, що треновані на даних, згенерованих попередніми версіями моделей ШІ. Автори дослідження демонструють, що моделі втрачають інформацію у кожному новому поколінні та наводять приклади колапсу для різних типів, зокрема великих мовних моделей, варіаційних автокодувальників та моделей суміші Гауса.
Штучний інтелект вже змінив сучасну науку, питання тільки – чи хакне ШІ саму науку? Тобто остаточно відкине дослідницькі принципи та техніки якими повільні малоефективні люди користувалися протягом століть. Чи знайде ШІ, що наукового можна доручити цим повільним недосконалим білковим істотам, а тим паче чи варто витрачати час на людей і намагатися їм щось пояснювати про світ навколо? Проблема навіть не в цілком реальній “когнітивній атрофії”, а загалом в можливостях людського пізнання.
24 жовтня 79 року відбулося виверження Везувію. Помпеї, Геркуланум та ще кілька містечок Римської імперії накрило шаром попелу та лави. Жахлива трагедія і скарб для істориків. На початку XVIII століття археологи відкопали в Геркуланумі палац у якому знайшли приблизно 2 тисячі обвуглених сувоїв. Це поки єдина бібліотека античного світу, що збереглася дотепер. З одного боку – виверження вулкана законсервувало сувої (місто вкрив вулканічний попіл, який охолонув і застиг). З іншого – після вибуху вулканічного газу сувої папірусу обвуглилися так, що перші копачі помилково вважали, що це не сувої, а шматки вугілля.
Скриньку Пандори остаточно відкрито, несправедливість виправлено і чат-бот зі штучним інтелектом ChatGPT від компанії OpenAI вже офіційно доступний для користувачів в Україні. Тепер наші наукові керівники, члени спеціалізованих вчених рад, працівники редакцій наукових журналів… повинні навчитися розрізняти маячню білкових ректорів і здобувачів від маячні бездушних залізяк. Якщо хтось сподівається на так звані “антиплагіатні” програми, які всього лиш показують відсоток збігів символів у тексті, то я вас розчарую – ChatGPT генерує цілковито унікальний текст. Так нещодавно у Мордорі студент успішно захистив дипломну роботу, яку він згенерував протягом 23 годин.
Оригінальна робота від дослідників з Берлінського університету імені Гумбольдта – автори запитали штучний інтелект Philosopher AI, що використовує GPT-3, про природу, цінність і майбутнє бібліотекознавства й отримали кілька банальностей, пародій, а також цікаві та тривожні відповіді. Зрозуміло, що сучасні технології штучного інтелекту (поки?) не дають людству абсолютних істин, можуть генерувати кліше та беззмістовні тексти, проте можуть створювати й оригінальні коментарі та прогнози, що здатні підкинути нам кілька хороших ідей. Не переказуватиму суперечки про природу та цінність бібліотечної науки, а відразу перейдімо до машинних порад і прогнозів як бібліотеки служитимуть майбутнім поколінням.
Ролан Барт нервово палить в стороні, але рано чи пізно це мало статися. Видавництво Springer Nature опублікувало свою першу книгу, яку згенерувала машина. Springer Nature разом з дослідниками Франкфуртського університету розробило алгоритм Beta Writer, що працює з рецензованим контентом платформи SpringerLink, кластеризує інформацію, упорядковує її в глави і розділи, створює стислі резюме та списки використаної літератури. Написана комп’ютером електронна книга містить огляд найновіших досліджень про літій-іонні акумулятори і вільно доступна для завантаження на SpringerLink. Компанія вже заявила, що планує розширити цей пілотний проект і на інші предметні області.
Наприкінці року мені чомусь завжди кортить побавитись у футурологію. Прочитав у новому номері «Бібліотечного вісника», що постійне використання персоналізованих веб-сервісів призводить до того, що користувачі отримують щораз менше різнопланової інформації, яка суперечить їх суб’єктивним переконанням, адже несолодка інфа може не сподобатися користувачу і йому захочеться змінити сервіс на більш поступливий та розуміючий. Як наслідок – «подібна інформація не здатна розширити світогляд користувача, не сприяє його зростанню як особистості, гальмує розвиток його пізнавального та творчого потенціалу».
