Архив статей журнала
Данная работа задает два вопроса: 1. Может ли художник внедрить свои знания в большую языковую модель? 2. Может ли большая языковая модель генерировать изображения по запросу неквалифицированного пользователя на уровне, который бы удовлетворил художника? Для получения ответов на поставленные вопросы автор работы - художник - создает “креативного ИИ-агента” и проводит эксперимент под названием “Тест Гутенберга”. В широком смысле, “Тест Гутенберга” представляет собой новый методологический подход к тестированию и оценке творческих способностей искусственного интеллекта. В практическом плане “Тест Гутенберга” предоставляет методологический каркас, который заставляет художника оценивать художественные артефакты, созданные ИИ-агентом, которого разработал сам художник. В отличие от других тестов на творчество ИИ, “Тест Гутенберга” ориентирован не только на анализ артефактов (output), но в большей степени на гибкость взаимодействия с моделями на входе (input). Таким образом, “Тест Гутенберга” предоставляет возможность наблюдать за внедрением творческих процессов в нейросетевую модель в более широком контексте. Методологическая новизна и научная ценность “Теста Гутенберга” заключаются в подходе к оценке творческой способности ИИ, основанном не на объективных недостижимых критериях, а на субъективном суждений самого художника - автора ИИ агента. Первая часть работы посвящена исследованию процесса создания инструкций и базы знаний, а также рассмотрению широкого спектра вопросов, связанных с внедрением творческих знаний и реалиями больших языковых моделей. Вторая часть работы сосредоточена на тестировании агента и анализе полученных результатов.
Данная работа является второй частью “Теста Гутенберга”, в которой исследуется способность созданного художником ИИ-агента воспроизводить творческие процессы. В первой части эксперимента автор-художник создавал “творческого ИИ-агента”, состоящего из трех “искусственных личностей”, каждая из которых обладает своими уникальными специализациями, знаниями и биографическими деталями. В этой работе рассматривается практическая часть “Теста Гутенберга”, в ходе которой креативный ИИ-агент проходит испытание на способность воспроизводить творческие процессы, заложенные художником. «ИИ-агент» передаётся пользователю, не обладающему творческими навыками, который использует его для создания генеративных изображений. Помимо тестирования в различных сценариях, агент проверяется на способность генерировать артефакты в “оригинальном” художественном образе. В заключительной части эксперимента сгенерированные изображения передаются художнику, создателю ИИ-агента, для анализа и оценки. Заключительная часть статьи посвящена анализу и интерпретации механизмов, задействованных в процессе создания и оценки творческих работ, а также возможностям воспроизведения сгенерированных артефактов нецифровыми способами. Эксперимент демонстрирует как возможности, так и ограничения больших языковых моделей в области творчества, предоставляя совокупную оценку «воспроизводимости» творческих процессов в рамках нейросетевых моделей.
Начиная с 2023 года команда «РОСМИМ» занимается просветительской и образовательной деятельностью, популяризируя имитационное моделирование для всех желающих, преимущественно обучая данному методу исследований школьников и студентов. Помимо теоретической базы, которая преподносится в уникальной форме с применением авторской методики, авторы проекта демонстрируют практические кейсы и разрабатывают учебные модели для знакомства с инструментарием. Описанная в данной работе агентная модель «Эпидемия» дает возможность учащимся на практике исследовать, как распространяются инфекционные болезни, и оценивать результативность различных подходов к их контролю. В модели действуют 5 видов агентов: люди, города, самолеты, заболевание и вакцина. Целью создания такого «симулятора эпидемии» является обучение созданию имитационных моделей школьников и студентов, демонстрация различных сценариев развития чрезвычайных ситуаций, а также демонстрация возможностей ПО AnyLogic. Используя разработанную авторским коллективом модель, студенты овладевают умениями анализа комплексных систем, работы с агент-ориентированным моделированием и принятия решений в ситуациях непредсказуемости. Модель представляет собой симулятор, который позволяет не только наблюдать за развитием событий при различных сценариях распространения инфекции, но и активно принимать решения в режиме реального времени: пользователь может закрывать аэропорты и вводить карантин в отдельных городах, запускать разработку вакцины. В зависимости от выбранной стратегии и скорости реагирования возможны различные исходы - от масштабного распространения вируса с тяжелыми последствиями для населения до успешной вакцинации и эффективного применения ограничительных мер, минимизирующих ущерб. Такой подход обеспечивает более глубокое понимание потенциальных последствий и эффективности принимаемых решений. По итогам симуляции за счет визуализации статистических данных по ключевым агентам модель дает полную картину событий, которые произошли при принятии пользователем тех или иных решений в момент симуляции. Благодаря такому интерактивному подходу учебный материал усваивается эффективнее, а возможность проведения компьютерных экспериментов и анализа их итогов улучшает уровень практической подготовки.