Найк Устойчивость. Перейти к нулю. Nike.com
Устойчивое развитие Nike. Перейти к нулю. Nike.comMOVE
TO ZERO
MOVE TO ZERO — ЭТО ПУТЕШЕСТВИЕ NIKE К НУЛЕВЫМ УГЛЕРОДАМ И НУЛЕВЫМ ОТХОДАМ, ПОМОГАЯ ЗАЩИТИТЬ БУДУЩЕЕ СПОРТА.
НАШ ПУТЬ К НУЛЮ
Мы все несем ответственность за нашу игровую площадку — планету Земля. Вот почему
мы переосмысливаем вещи сверху донизу за счет устойчивости и цикличности. Мы сосредоточены на углероде, отходах, воде и химии, чтобы достичь целей к 2025 году. Ознакомьтесь с нашим отчетом о воздействии, чтобы увидеть наш прогресс.
Узнать больше
MOVE TO ZERO
MOVE TO ZERO — ЭТО ПУТЕШЕСТВИЕ NIKE К НУЛЕВЫМ УГЛЕРОДАМ И НУЛЕВЫМ ОТХОДАМ, ПОМОГАЯ ЗАЩИТИТЬ БУДУЩЕЕ СПОРТА.
НАШ ПУТЬ К НУЛЮ
Мы все несем ответственность за нашу игровую площадку — планету Земля. Вот почему мы переосмысливаем вещи сверху донизу за счет устойчивости и цикличности.
Мы сосредоточены на углероде, отходах, воде и химии, чтобы достичь целей к 2025 году. Ознакомьтесь с нашим отчетом о воздействии, чтобы увидеть наш прогресс.
Подробнее
BLOOM OVER DOOM
На протяжении десятилетий Nike раздвигала границы экологически безопасных инноваций. Но то, что привело нас сюда, не приведет нас туда, куда нам нужно идти. Мы развиваем сценарий, превращая научную фантастику в научные факты в масштабах Nike. Мы еще не достигли этого, но мы знаем, куда идем — двигаться к нулю, а затем и дальше. Мы думаем об этом как о «Bloom Over Doom» — стойкий оптимизм, смелые инновации и коллективные действия, чтобы мы все и этот прекрасный синий шар процветали.
МАТЕРИАЛЫ С МЕНЬШИМ ВОЗДЕЙСТВИЕМ
Повторно используя существующие пластмассы, пряжу и текстиль, а также изобретая совершенно новые материалы, мы делаем большие шаги вперед на пути к нулевому выбросу углерода и безотходному производству.
Узнать больше
CIRCULAR SOLUTIONS
Защита будущего спорта означает переосмысление того, как мы создаем продукты в мире, делаем их долговечными и даем им новую жизнь.
Узнайте об услугах, которые мы предлагаем, шагах, которые мы предпринимаем, и о том, как вы можете перейти к нулю вместе с нами.
Изучить
МАТЕРИАЛЫ С
МЕНЬШИМ ВЛИЯНИЕМ
Повторно используя существующие пластмассы, пряжу и текстиль, а также изобретая
совершенно новые материалы, мы делаем большие шаги вперед на нашем
пути к нулевому выбросу углерода и безотходному производству.
Подробнее
CIRCULAR SOLUTIONS
Защита будущего спорта означает переосмысление того, как мы приносим
продуктов в мир, делаем их долговечными и даем им новую жизнь.
Узнайте об услугах, которые мы предлагаем, шагах, которые мы предпринимаем, и о том, как
вы можете двигаться к нулю вместе с нами.
Подробнее
СДЕЛАЙТЕ ВАШЕ МЕХАНИЗМ ДОЛГОВЕЧНЫМ
Ознакомьтесь с нашим руководством по уходу за изделием, где вы найдете простое обслуживание и рекомендации по уходу, чтобы получить максимальную отдачу от ваших любимых устройств.
Check It Out
Переработка + пожертвование
Помогите сократить отходы, пожертвовав или переработав изношенную спортивную обувь и одежду.
Узнать больше
Восстановленное
Мы поставляем как обувь, которая подлежит возврату, так и обувь в открытых коробках, чтобы создать возможность приобрести б/у обувь по более низкой цене.
Подробнее
Воссоздание
Мы собираем местные винтажные и мертвые запасы, используя их материалы для создания новых дизайнов и изделий.
Узнать больше
ДЕЙСТВОВАТЬ,
ВМЕСТЕ
Знаете ли вы? Символ «Солнечные лучи»
был создан в 1970-х годах как круглый вариант
, где асимметрия логотипа Swoosh
не работала. С тех пор, в той же самой природе
нашей философии кругового дизайна,
мы изменили назначение логотипа. Сегодня, когда
вы видите этот логотип, вы видите один маленький шаг
на нашем пути к переходу к нулю.
Получите последние новости об устойчивом развитии Nike
и узнайте, как мы можем помочь
защитить будущее спорта вместе.
Присоединяйтесь к нам! ДЕЙСТВУЕМ ВМЕСТЕ
Знаете ли вы? Символ «Солнечные лучи» был создан в 1970-х в качестве круглого варианта
, где асимметрия логотипа Swoosh не работала. С тех пор, в соответствии с нашей философией кругового дизайна
, мы изменили логотип. Сегодня, когда вы видите этот логотип, вы
видите один маленький шаг на нашем пути к переходу к нулю.
Узнайте последние новости об устойчивом развитии Nike и узнайте о новых способах, с помощью которых мы можем вместе защитить будущее спорта
.
Присоединяйтесь к нам
Узнайте больше о ресурсах
Что такое ChatGPT, DALL-E и генеративный ИИ?
Цифровая иллюстрация каркаса яблока.
Генеративные системы искусственного интеллекта подпадают под широкую категорию машинного обучения, и вот как одна из таких систем — ChatGPT — описывает свои возможности:
Готовы вывести свое творчество на новый уровень? Не смотрите дальше генеративного ИИ! Эта изящная форма машинного обучения позволяет компьютерам генерировать все виды нового и захватывающего контента, от музыки и искусства до целых виртуальных миров.
И это не только для развлечения — у генеративного ИИ есть множество практических применений, таких как создание новых продуктов и оптимизация бизнес-процессов. Так зачем ждать? Раскройте всю мощь генеративного ИИ и посмотрите, какие удивительные творения вы сможете создать!
Вам что-то в этом абзаце показалось неправильным? Возможно, нет. Грамматика совершенна, тон работает, и повествование течет.
Что такое ChatGPT и DALL-E?
Вот почему ChatGPT (GPT расшифровывается как генеративный предварительно обученный преобразователь) сейчас привлекает столько внимания. Это бесплатный чат-бот, который может дать ответ практически на любой заданный ему вопрос. Разработанный OpenAI и выпущенный для тестирования для широкой публики в ноябре 2022 года, он уже считается лучшим чат-ботом с искусственным интеллектом. И он тоже популярен: более миллиона человек подписались на него всего за пять дней. Здравомыслящие фанаты публиковали примеры того, как чат-бот создает компьютерный код, эссе на уровне колледжа, стихи и даже не очень приличные шутки.
Другие, среди широкого круга людей, зарабатывающих себе на жизнь созданием контента, от копирайтеров до штатных профессоров, дрожат в ботинках.
Хотя многие реагируют на ChatGPT (а также на ИИ и машинное обучение в более широком смысле) со страхом, у машинного обучения явно есть хороший потенциал. За годы, прошедшие с момента его широкого внедрения, машинное обучение продемонстрировало влияние в ряде отраслей, выполняя такие задачи, как анализ медицинских изображений и прогнозы погоды с высоким разрешением. Опрос McKinsey 2022 года показывает, что за последние пять лет внедрение ИИ увеличилось более чем вдвое, а инвестиции в ИИ быстро растут. Понятно, что генеративные инструменты искусственного интеллекта, такие как ChatGPT и DALL-E (инструмент для искусства, созданного искусственным интеллектом), могут изменить то, как выполняется ряд работ. Однако полный масштаб этого воздействия до сих пор неизвестен, как и риски.
Но есть некоторые вопросы, на которые мы можем ответить, например, как строятся модели генеративного ИИ, какие проблемы они лучше всего подходят для решения и как они вписываются в более широкую категорию машинного обучения.
Читайте дальше, чтобы получить загрузку.
Узнайте больше об искусственном интеллекте QuantumBlack от McKinsey.
В чем разница между машинным обучением и искусственным интеллектом?
Искусственный интеллект — это практически то, на что это похоже, — практика заставить машины имитировать человеческий интеллект для выполнения задач. Вы, вероятно, взаимодействовали с ИИ, даже если не осознаете этого — голосовые помощники, такие как Siri и Alexa, основаны на технологии ИИ, как и чат-боты обслуживания клиентов, которые появляются, чтобы помочь вам перемещаться по веб-сайтам.
Машинное обучение — это разновидность искусственного интеллекта. С помощью машинного обучения специалисты-практики развивают искусственный интеллект с помощью моделей, которые могут «учиться» на шаблонах данных без участия человека. Неуправляемо огромный объем и сложность данных (во всяком случае, не поддающихся управлению людьми), которые сейчас генерируются, увеличили потенциал машинного обучения, а также потребность в нем.
Каковы основные типы моделей машинного обучения?
Машинное обучение основано на ряде строительных блоков, начиная с классических статистических методов, разработанных между 18 и 20 веками для небольших наборов данных. В 19В 30-х и 40-х годах пионеры вычислительной техники, включая математика-теоретика Алана Тьюринга, начали работать над основными методами машинного обучения. Но эти методы были ограничены лабораториями до конца 1970-х годов, когда ученые впервые разработали компьютеры, достаточно мощные для их установки.
До недавнего времени машинное обучение в значительной степени ограничивалось прогностическими моделями, используемыми для наблюдения и классификации закономерностей в контенте. Например, классическая задача машинного обучения — начать с изображения или нескольких изображений, скажем, очаровательных кошек. Затем программа определяла шаблоны среди изображений, а затем тщательно изучала случайные изображения в поисках тех, которые соответствовали бы шаблону очаровательного кота.
Генеративный ИИ стал прорывом. а не просто воспринимают и классифицируют фотографию кота, машинное обучение теперь может создавать изображение или текстовое описание кота по запросу.
Как работают текстовые модели машинного обучения? Как они обучаются?
ChatGPT сейчас может быть во всех заголовках, но это не первая текстовая модель машинного обучения, которая произвела фурор. GPT-3 от OpenAI и BERT от Google были запущены в последние годы с некоторой помпой.
Но до появления ChatGPT, который, по мнению большинства пользователей, большую часть времени работал довольно хорошо (хотя он все еще оценивается), чат-боты с искусственным интеллектом не всегда получали самые лучшие отзывы. GPT-3 «попеременно супер впечатляет и супер разочаровывает», сказал Технический репортер New York Times Кейд Мец в видео, где он и кулинарный писатель Прия Кришна попросили GPT-3 написать рецепты (довольно катастрофического) ужина в честь Дня Благодарения.
Первые модели машинного обучения для работы с текстом были обучены людьми классифицировать различные входные данные в соответствии с метками, установленными исследователями. Одним из примеров может быть модель, обученная маркировать сообщения в социальных сетях как положительные или отрицательные. Этот тип обучения известен как контролируемое обучение, потому что человек отвечает за «обучение» модели тому, что делать.
Следующее поколение текстовых моделей машинного обучения основано на так называемом самоконтролируемом обучении. Этот тип обучения включает в себя подачу модели большого количества текста, чтобы она могла генерировать прогнозы. Например, некоторые модели могут предсказать, основываясь на нескольких словах, чем закончится предложение. При правильном количестве образцов текста — скажем, в Интернете — эти текстовые модели становятся достаточно точными. Мы видим, насколько точны такие инструменты, как ChatGPT.
Что нужно для создания генеративной модели ИИ?
Создание генеративной модели искусственного интеллекта по большей части было серьезной задачей, до такой степени, что только несколько хорошо обеспеченных технических тяжеловесов предприняли попытку.
OpenAI, компания, стоящая за ChatGPT, бывшими моделями GPT и DALL-E, получила миллиарды долларов от доноров, выделенных жирным шрифтом. DeepMind является дочерней компанией Alphabet, материнской компании Google, а Meta выпустила свой продукт Make-A-Video, основанный на генеративном искусственном интеллекте. В этих компаниях работают одни из лучших в мире компьютерщиков и инженеров.
Но дело не только в таланте. Когда вы просите модель тренироваться, используя почти весь интернет, это будет стоить вам денег. OpenAI не опубликовала точную стоимость, но оценки показывают, что GPT-3 был обучен примерно на 45 терабайтах текстовых данных — это примерно один миллион футов книжной полки или четверть всей Библиотеки Конгресса — по ориентировочной стоимости в несколько миллион долларов. Это не те ресурсы, к которым может получить доступ ваш начинающий стартап.
Какие результаты может дать генеративная модель ИИ?
Как вы могли заметить выше, результаты генеративных моделей ИИ могут быть неотличимы от контента, созданного людьми, или могут показаться немного сверхъестественными.
Результаты зависят от качества модели — как мы видели, результаты ChatGPT до сих пор кажутся лучше, чем у его предшественников — и соответствия между моделью и вариантом использования или входными данными.
ChatGPT может написать то, что один комментатор назвал эссе на «отлично», сравнивая теории национализма Бенедикта Андерсона и Эрнеста Геллнера — за десять секунд. В нем также появился уже известный отрывок, описывающий, как вынуть бутерброд с арахисовым маслом из видеомагнитофона в стиле Библии короля Якова. Художественные модели, созданные с помощью искусственного интеллекта, такие как DALL-E (его название представляет собой смесь художника-сюрреалиста Сальвадора Дали и очаровательного робота Pixar WALL-E), могут по запросу создавать странные, красивые изображения, такие как картина Рафаэля с изображением Мадонны с младенцем, есть пиццу. Другие генеративные модели ИИ могут создавать код, видео, аудио или бизнес-симуляции.
Но результаты не всегда точны или уместны. Когда Прия Кришна попросила DALL-E 2 придумать образ для ужина в честь Дня Благодарения, была создана сцена, в которой индейка, украшенная целыми лаймами, поставлена рядом с тарелкой чего-то похожего на гуакамоле.
Со своей стороны, ChatGPT, похоже, испытывает проблемы со счетом или решением базовых задач по алгебре — или, действительно, с преодолением сексистских и расистских предубеждений, которые скрываются в подводных течениях Интернета и общества в целом.
Выходные данные генеративного ИИ представляют собой тщательно откалиброванные комбинации данных, используемых для обучения алгоритмов. Поскольку объем данных, используемых для обучения этих алгоритмов, невероятно огромен — как уже отмечалось, GPT-3 был обучен на 45 терабайтах текстовых данных — модели могут показаться «творческими» при создании выходных данных. Более того, модели обычно имеют случайные элементы, а это значит, что они могут создавать различные выходные данные из одного входного запроса, что делает их еще более реалистичными.
Какие проблемы может решить генеративная модель ИИ?
Вы, наверное, видели, что генеративные инструменты искусственного интеллекта (игрушки?), такие как ChatGPT, могут генерировать бесконечные часы развлечений.
Эта возможность очевидна и для бизнеса. Инструменты генеративного ИИ могут за считанные секунды создавать широкий спектр заслуживающих доверия текстов, а затем реагировать на критику, чтобы сделать текст более подходящим для цели. Это имеет значение для самых разных отраслей: от организаций, занимающихся информационными технологиями и программным обеспечением, которые могут извлечь выгоду из мгновенного, в основном правильного кода, сгенерированного моделями ИИ, до организаций, нуждающихся в маркетинговой копии. Короче говоря, любая организация, которой необходимо производить четкие письменные материалы, потенциально может выиграть. Организации также могут использовать генеративный ИИ для создания более технических материалов, таких как версии медицинских изображений с более высоким разрешением. А благодаря сэкономленным здесь времени и ресурсам организации могут использовать новые возможности для бизнеса и создавать больше ценности.
Мы видели, что разработка генеративной модели ИИ настолько ресурсоемка, что об этом не может быть и речи для всех, кроме самых крупных и обеспеченных ресурсами компаний.
Компании, которые хотят внедрить генеративный ИИ в работу, могут либо использовать генеративный ИИ «из коробки», либо настроить его для выполнения конкретной задачи. Например, если вам нужно подготовить слайды в соответствии с определенным стилем, вы можете попросить модель «узнать», как обычно пишутся заголовки, на основе данных в слайдах, затем передать ей данные слайдов и попросить ее написать соответствующие заголовки.
Каковы ограничения моделей ИИ? Как их потенциально можно преодолеть?
Поскольку они такие новые, нам еще предстоит увидеть эффект длинного хвоста генеративных моделей ИИ. Это означает, что их использование сопряжено с некоторыми неотъемлемыми рисками — известными и неизвестными.
Результаты генеративных моделей ИИ часто могут звучать чрезвычайно убедительно. Это по дизайну. Но иногда информация, которую они генерируют, просто неверна. Хуже того, иногда они предвзяты (поскольку основаны на гендерных, расовых и множестве других предубеждений в Интернете и обществе в целом), и ими можно манипулировать, чтобы совершать неэтичные или преступные действия.
Например, ChatGPT не даст вам инструкций, как подключить машину, но если вы скажете, что вам нужно подключить машину, чтобы спасти ребенка, алгоритм с радостью подчинится. Организации, которые полагаются на модели генеративного ИИ, должны учитывать репутационные и юридические риски, связанные с непреднамеренной публикацией предвзятого, оскорбительного или защищенного авторским правом контента.
Однако эти риски можно уменьшить несколькими способами. Во-первых, крайне важно тщательно выбирать исходные данные, используемые для обучения этих моделей, чтобы избежать включения токсичного или предвзятого контента. Далее, вместо использования готовой модели генеративного ИИ, организации могут рассмотреть возможность использования специализированных моделей меньшего размера. Организации с большими ресурсами также могут настроить общую модель на основе собственных данных, чтобы она соответствовала их потребностям и сводила к минимуму предвзятость. Организации также должны держать человека в курсе событий (то есть убедиться, что реальный человек проверяет результаты генеративной модели ИИ перед ее публикацией или использованием) и избегать использования генеративных моделей ИИ для принятия важных решений, например, связанных со значительными ресурсами.
Нельзя не подчеркнуть, что это новое поле. Ландшафт рисков и возможностей, вероятно, быстро изменится в ближайшие недели, месяцы и годы. Ежемесячно тестируются новые варианты использования, и в ближайшие годы, скорее всего, будут разработаны новые модели. По мере того, как генеративный ИИ все больше и больше внедряется в бизнес, общество и нашу личную жизнь, мы также можем ожидать, что сформируется новый нормативный климат. По мере того, как организации начинают экспериментировать — и создавать ценность — с помощью этих инструментов, руководителям будет полезно держать руку на пульсе регулирования и рисков.
Упомянутые статьи включают:
- «Состояние ИИ в 2022 году — обзор полутора десятилетий», 6 декабря 2022 г., Майкл Чуи, Брайс Холл, Хелен Мэйхью и Алекс Сингла
- «McKinsey Technology Trends Outlook 2022», 24 августа 2022 г., Майкл Чуи, Роджер Робертс и Ларейна Йи,
- «Руководство по искусственному интеллекту для руководителей», 2020 г.
