- OpenAI yangi «LifeVal» metodologiyasini taqdim etdi: u modellarning shaxsiy byudjet tuzish, ta’lim dasturlarini rejalashtirish va kundalik xizmatlar bilan ishlash samaradorligini o‘lchaydi.
- An’anaviy MMLU yoki GSM8K kabi akademik testlar sun’iy intellektning real hayotda insonga qanchalik foyda keltirishini to‘liq aks ettira olmayotgani tan olindi.
- Ushbu standart ChatGPT tizimini oddiy javob beruvchi chatbotdan mustaqil harakatlanuvchi shaxsiy AI agentga aylantirish yo‘lidagi asosiy sinov maydonchasi hisoblanadi.
Sun’iy intellekt sanoatida ko‘p yillardan buyon modellarning «aqllilik» darajasi MMLU (ko‘p tarmoqli bilimlar), GSM8K (matematika) yoki HumanEval (dasturlash) kabi akademik benchmarklar orqali o‘lchab kelinar edi. Biroq OpenAI tahlilchilarining fikricha, ushbu testlar modellarning real hayotda oddiy foydalanuvchiga qanchalik amaliy foyda keltirayotganini aniqlashda o‘z ahamiyatini yo‘qotmoqda. Shu sababli, OpenAI «LifeVal» nomli yangi amaliy baholash tizimini taqdim etdi.
«LifeVal» nimani o‘lchaydi?
Yangi mezon sun’iy intellektning nazariy bilimlarini emas, balki real insoniy vazifalarni ko‘p bosqichli tarzda bajarish qobiliyatini tekshiradi. Asosiy e’tibor quyidagi amaliy sohalarga qaratilgan:
- Shaxsiy moliya va xarajatlarni boshqarish: Kirim-chiqim kvitansiyalarini tahlil qilish, tejamkor xaridlar strategiyasini ishlab chiqish va oilaviy byudjetni taqsimlash;
- Davlat va ijtimoiy xizmatlar bilan ishlash: Hujjatlar to‘plash tartibini tushuntirish, shakllarni to‘g‘ri to‘ldirish va huquqiy me’yorlarni amalda qo‘llash;
- Ta’lim va rivojlanish rejalarini tuzish: Foydalanuvchining bo‘sh vaqti va tayyorgarlik darajasiga moslashtirilgan o‘quv grafigini ishlab chiqish;
- Kundalik logistika va rejalashtirish: Turli manbalardan (pochta, taqvim, eslatmalar) ma’lumotlarni umumlashtirib, uzluksiz harakatlar rejasini tuzish.
Chatbotdan shaxsiy agentlik sari qadam
OpenAI tadqiqotchilarining qayd etishicha, sun’iy intellektning kelajagi faqat savol-javob berish bilan cheklanmaydi. Foydalanuvchilar o‘z vaqtini tejaydigan, topshiriqlarni mustaqil bajaruvchi va real hayotdagi to‘siqlarni hal qiluvchi avtonom agentlarga ehtiyoj sezmoqda.
LifeVal standarti kompaniya ishlab chiquvchilariga modellarning xatolik darajasi, qaror qabul qilish mantiqi va foydali natija berish samaradorligini o‘lchash imkonini beradi. Ushbu yangilik OpenAI modellarining keyingi avlodlarida ko‘proq amaliy yordamchi funksiyalar paydo bo‘lishidan dalolat beradi.