Comienza una esperada evolución con nuevos modelos ChatGPT. El chat se basa en texto con entradas y salidas lógicas basadas en palabras.
La forma de IA que he estado esperando usaría esa lógica y potencia informática para invocar entradas como parte del proceso de negocio y salidas según sea necesario para la toma de decisiones y el seguimiento de resultados. El ejemplo al que vuelvo continuamente es el de una solicitud de hipoteca.
Solicitud de hipoteca (nivel alto):
Aporte
- datos de los clientes
- datos de solicitud de crédito
- referencias de ingresos y crédito
- política y estándares bancarios
Producción
- Decisión de crédito
- tasa de interés y condiciones del préstamo
- informes internos según estándares, Basilea, política del Banco
El elemento que falta es el aprovechamiento de ChatGPT como motor lógico que produce tipos de resultados diferentes al texto sin formato.
He estado siguiendo al Dr. Jim Fan en Nvidia. Es científico investigador en NVIDIA AI.
Mi enfoque principal es desarrollar agentes autónomos generalmente capaces”
Los agentes se ejecutan de forma autónoma aprovechando la lógica de decisión de ChatGPT en el enfoque de Fan.
Esta mañana veo un nuevo documento que intenta procesarse pero falla. Sin embargo, se está intentando. (ver resumen a continuación)
Esto es prometedor. Esperaba y sigo esperando un artículo que se acerque a la magnitud de “Todo lo que necesito es atención”. Hasta ahora, el camino seguido es atacar progresivamente el problema. Lo seguiré con interés.
Abstracto
Presentamos HandMeThat, un punto de referencia para una evaluación holística de la comprensión y el seguimiento de la instrucción en entornos físicos y sociales. Mientras que los conjuntos de datos anteriores se centraban principalmente en la planificación y la base del lenguaje, HandMeThat considera la resolución de instrucciones humanas con ambigüedades basado en la información física (estados y relaciones de los objetos) y social (acciones y objetivos humanos). HandMeThat contiene 10.000 episodios de interacciones entre humanos y robots. En cada episodio, el robot primero observa una trayectoria de acciones humanas hacia su objetivo interno. A continuación, el robot recibe una instrucción humana y debe tomar acciones para lograr el subobjetivo establecido a través de la instrucción. En este artículo, presentamos una interfaz textual para nuestro punto de referencia, donde el robot interactúa con un entorno virtual a través de comandos textuales. Evaluamos varios modelos de referencia en HandMeThat y mostramos que los algoritmos de aprendizaje por refuerzo tanto en línea como fuera de línea funcionan mal en HandMeThat, lo que sugiere un espacio importante para el trabajo futuro en comunicaciones e interacciones físicas y sociales entre humanos y robots.