Сучасні агентні моделі штучного інтелекту продовжують демонструвати можливості, які ще кілька років тому вимагали б багатьох днів ручної роботи.
Під час одного з експериментів із використанням OpenAI Codex було поставлено практичне завдання: проаналізувати існуючу електронну таблицю UAP_Release04_Complete_v3.xlsx Гарі Нолана, вивчити її структуру, після чого автоматично зібрати всі опубліковані матеріали з офіційного каталогу Департаменту війни США (Department of War), перенести їх до єдиного формату та сформувати новий файл Excel.
Для виконання роботи ШІ не обмежився простим виконанням текстової інструкції. Під час роботи система самостійно: проаналізувала структуру вихідної таблиці; визначила призначення кожної колонки; сформувала власний покроковий план виконання; створила проміжні службові файли та скрипти; автоматично перевірила правильність заповнення таблиці; виконала контроль цілісності архіву; перевірила відсутність помилок у формулах; зробила всі посилання клікабельними.
У результаті було сформовано файл UAP_PURSUE_All_Releases_Complete.xlsx, який містить:
-334 офіційні записи PURSUE із релізів 01–04;
-341 запис у головній таблиці MASTER;
-збережену структуру з 42 аркушів;
-інтерактивний індекс із можливістю фільтрації;
-активні гіперпосилання на офіційні документи;
-службові примітки для полів, інформація щодо яких ще не була оприлюднена.
Особливо цікавим виявився сам процес роботи сучасної агентної моделі. Замість буквального виконання короткої інструкції вона фактично будує власний внутрішній план розв’язання задачі. Наприклад, із простого запиту: «Repeat this table and add all other cases» система самостійно сформувала низку допоміжних етапів: окремо описала структуру таблиці, проаналізувала призначення кожної колонки, створила проміжні інструкції для перевірки даних, після чого послідовно виконала всі етапи, регулярно перевіряючи власні результати.
При використанні Codex із робочим каталогом проєкту ШІ також автоматично зберігав проміжні файли, допоміжні JavaScript-скрипти та результати окремих етапів роботи. У цьому випадку були створені, зокрема: inspect_source.mjs; extract_source.mjs; build_all_releases.mjs; help_hyperlink.mjs.
Подібний підхід дозволяє значно підвищити якість виконання складних завдань. Якщо надалі виконуються схожі проєкти, система може повторно використовувати вже створені скрипти, проміжні алгоритми та напрацьовані стратегії, що скорочує час роботи й зменшує ризик пропуску важливої інформації.
Варто зазначити, що мова не йде про «самонавчання» моделі у класичному розумінні, тобто без зміни ваг нейронної мережі. Натомість сучасні агентні системи будують динамічний робочий процес: створюють допоміжні інструкції, уточнюють власний план дій, перевіряють проміжні результати та адаптують алгоритм виконання відповідно до отриманого зворотного зв’язку.
За словами авторки початкового запиту Оксани Лобко (м.Київ), саме така організація роботи дозволяє навіть із короткого формулювання задачі отримувати результат, який за якістю наближається до роботи досвідченого аналітика даних.
Станьте нашим подписчиком и получайте новости уфологии на почту!
Рубрика: 
Метки: 
