Ключові слова
Як цитувати
Анотація
Метою роботи є філософська експозиція концептуальних меж та відповідної їм епістемічної цінності застосувань діалогових великих мовних моделей (ВММ) архітектури Transformer як раціональних [спів-]агентів у контексті практичної пізнавально опосередкованої діяльності людини. Для цього у роботі виконуються такі дослідницькі завдання: 1) філософський огляд основоположних інтуїцій, загальної природи і функціональної механіки передових реалізацій ВММ; 2) визначення меж інструментальної епістемічної цінності ВММ як продуктів специфічного ланцюга процедур машинного навчання, що включає безпо-середню експертну участь людей. Практичне значення дослідження полягає в інтуїтивно-наочній кристалізації гума-нітарного розуміння ВММ через теоретико-філософську експлікацію їхньої природи й улаштування, що спирається на такі нові результати дослідження: ВММ представлено як функціоналістський механістичний проєкт статистичного моделювання мови і мовлення як моделі знання як смислової моделі дійсності – 1) модель 2) моделі 3) моделі дійсності; показано, що через значну дистанцію опосередкування дій-сності внутрішньомодельні зв’язки втрачають свій фактологічний потенціал; продемонстровано, що ВММ є продуктом машинного навчання певній мовній поведінці з метою і цінностями, кардинально відмінними від мети і цінності людського пізнання, що робить принципово сум-нівною виправданість їх застосування як компонентів будь-яких систем підтримки прийняття високоризикованих рішень
Посилання
Bender, E. М., Gebru, T., McMillan-Major, A., & Shmitchell, Sh. (2021). On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? In Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency. FAccT '21 (pp. 610-623). New York: Association for Computing Machinery. https://doi.org/10.1145/3442188.3445922
Kaelbling, L. P., Littman, M. L., & Moore, A. W. (1996). Reinforcement Learning: A Survey. Journal of Artificial Intelligence Research, 4, 237-285. https://doi.org/10.48550/arXiv.cs/9605103
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.
Long, O., Jeff, Wu, Xu J., Diogo, A., Carroll, L., Wainwright, P., & Ryan, L. (2022). Training language models to follow instructions with human feedback. In arXiv:2203.02155 [cs.CL]. https://doi.org/10.48550/arXiv.2203.02155
Mayevsky, A. (2022). Communicative Rationality in Contemporary Intel-ligent Automata. In Communicative Transformations in Contemporary Sci-ences (p. 219-278). IF NANU Retrieved from https://www.filosof.com.ua/elektronna_biblioteka [Іn Ukrainian].
OpenAI (2023). GPT-4 Technical Report. In arXiv:2303.08774 [cs.CL]. https://doi.org/10.48550/arXiv.2303.08774
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. … Polosukhin, I. (2017). Attention is all you need. In Proceedings of Neural Information Processing Systems (NeurIPS). https://doi.org/10.48550/arXiv.1706.03762
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.