ГЕНЕРАТИВНАЯ МОДЕЛЬ КАК ИНДИВИДУАЛЬНЫЙ КОНСУЛЬТАНТ В УСЛОВИЯХ РИСКА

ГЕНЕРАТИВНАЯ МОДЕЛЬ КАК ИНДИВИДУАЛЬНЫЙ КОНСУЛЬТАНТ В УСЛОВИЯХ РИСКА

Авторы публикации

Журнал

Журнал «Научный лидер» выпуск # 48 (146), декабрь ‘23

Дата публикации 09.12.2023

Поделиться

В статье рассматривается вопрос о возможности использования современных генеративных нейросетевых моделей в качестве персональных консультантов по ведению бизнеса и оценке рисков.

Прогресс – вещь не всегда однозначная, но всегда стремительно движущаяся вперёд, покоряющая новые вершины и не дающая опомниться ещё от старых. Возможно, будущие поколения даже будут называть нынешние двадцатые годы «нейросетевыми», поскольку именно на текущий момент выпал шанс увидеть самый рассвет так называемых генеративных моделей. Если изначально они представляли из себя простенький набор алгоритмов, способный впечатлить от силы пару сотен людей, то сейчас всего одна проработанная нейросеть способна соревноваться с некоторыми соискателями работы на рынке труда [3, с. 1]. С каждым днём влияние нейросетей на мир людей возрастает, а сами генеративные модели совершенствуются, отчего подобный цикл, кажется, будет неразрывным ещё очень долго.

Тем не менее, нельзя не отметить, что нынешние модели генерации контента несовершенны настолько, что могут ввести в заблуждение обычного пользователя при самом банальном запросе: например, посчитать количество символов в предложении - есть вещи, которые нейросетям даются ещё тяжело (рис. 1):

изображение

Рисунок 1. ChatGPT не может правильно сосчитать количество символов в предложении [9]

Именно поэтому не стоит слепо верить каждому совету машины – лучше тщательно перепроверить любую полученную информацию.

Не стоит забывать, что любой прогресс также сопряжен с новыми рисками, и это при том, что старые риски никуда не деваются. Ведение бизнеса в постоянно изменяющемся мире неизбежно сталкивает человека с чередой ситуаций, когда крайне трудно принять взвешенное решение, что спасёт организацию от надвигающейся угрозы с какой-либо стороны. В эпоху, когда человеческий интеллект постепенно покоряется перед искусственным, появляется вполне закономерный вопрос: «Могут ли генеративные модели стать персональным консультантом в условиях ведения бизнеса и рисков?» Чтобы ответить на данный вопрос, необходимо углубиться в принципы работы нейросетей: как в теории, так и на практике – это позволит сделать выводы более объективными.

«Нейронная сеть — это математическая модель, одна из разновидностей искусственного интеллекта, главной целью которой является моделирование аналитических механизмов, которые осуществляются человеческим мозгом». [2, с. 6]. Если копнуть глубже, то выяснится, что в основе работы нейросетей лежат две основные модели обучения – машинное (Machine Learning) и глубокое (Deep Learning) [4, с. 12]. Машинное обучение является процессом, в котором компьютер обучается посредством использования математических представлений данных, не имея при этом точных инструкций [5, с. 202]. Что касается глубокого обучения, то оно есть «подраздел машинного обучения, использующий искусственные нейронные сети для анализа данных» [1, с. 9]. По сути, Deep Learning напоминает нейронные связи, которые имеются в человеческом мозге. Если упростить вышеописанное, то для генеративной модели, основанной на машинном обучении, потребуются только структурированные, маркированные данные, чтобы алгоритм был сформирован корректно, в то время как глубокое обучение подразумевает наличие хоть каких-нибудь данных, которые нейросеть обработает сама и определит схожие и отличающиеся части.

Получается, возможно создать собственную генеративную модель, способную работать с узким набором данных, позволяя владельцу настроить машину полностью под себя. В теории, конечно же, это возможно, но стоит учитывать тот факт, что создание индивидуальной нейросети – это вопрос компетенции, наличия необходимых знаний. Далеко не все способны в целом осознать алгоритм генеративных моделей, а написание этих самых алгоритмов – ещё более титанический труд. Существующие модели, доступные массам уже сейчас – ChatGPT, Claude2, YandexGPT 2 можно адаптировать под собственные нужды.

Попробуем выяснить, на что способны бесплатные генеративные модели, через грамотно сформированные запросы (далее – «промты»). Каждой нейросети будет выдан один и тот же промт, позволяющий получить конкретное решение для определённой задачи. Задача звучит следующим образом: «Я хочу открыть собственное дело на территории Санкт-Петербурга. Пускай это будет парикмахерская. На основе имеющихся у тебя данных расскажи мне о возможных рисках, предоставь информацию о предполагаемых расходах, непредвиденных убытках и потенциальной прибыли. Предоставь максимум объективных цифр и самый полный список рисков, а также варианты решения, как этих рисков можно было бы избежать».

Получив промт, ChatGPT [7] «ответил» следующим образом: «Открытие парикмахерской в Санкт-Петербурге может быть перспективным деловым предприятием, однако, как и в любом бизнесе, существуют определенные риски, расходы и потенциальные убытки, которые стоит учитывать. Вот несколько аспектов, которые следует учесть:

  • Риски:
  1. Конкуренция: рынок парикмахерских в Санкт-Петербурге достаточно насыщен, что может создать конкурентное давление.
  2. Изменение модных тенденций: в парикмахерском бизнесе важно следить за трендами в прическах и стилях, так как их изменение может повлиять на спрос.
  3. Затраты на оборудование и аренду помещения: начальные затраты на оборудование и аренду помещения могут быть значительными.
  4. Персонал и обучение: найм и обучение квалифицированных специалистов может быть сложной задачей. Качество работы зависит от профессионализма персонала.
  5. Сезонность и экономические колебания: парикмахерский бизнес может подвергаться сезонным колебаниям спроса и влиянию экономической ситуации.
  • Предполагаемые расходы:
  1. Аренда помещения: в зависимости от местоположения стоимость аренды может варьироваться.
  2. Оборудование: инструменты для стрижки, мебель, продукты для ухода за волосами и другие расходы на оборудование.
  3. Зарплата сотрудникам: Оплата труда персонала.
  4. Маркетинг и реклама: Рекламные кампании для привлечения клиентов.
  5. Налоги и лицензии: Различные налоговые обязательства и необходимые лицензии для ведения бизнеса.
  • Непредвиденные убытки:
  1. Отсутствие клиентов: Может потребоваться время для привлечения постоянной клиентуры.
  2. Технические проблемы: Выход оборудования из строя может привести к временной приостановке работы и потере клиентов.
  3. Изменения законодательства: Новые законы и правила могут повлиять на бизнес и потребовать дополнительных расходов.
  • Потенциальная прибыль:

Потенциальная прибыль зависит от многих факторов, включая количество клиентов, средний чек, эффективность маркетинга и качество предоставляемых услуг. Реальная прибыль может стать явной лишь после анализа финансовых показателей в течение нескольких месяцев или лет работы.

Решения и способы снижения рисков:

  1. Изучение рынка: Проведите исследование рынка и анализ конкурентов для выработки стратегии.
  2. Эффективное управление финансами: Подготовьте детальный бизнес-план, включающий начальные затраты и прогнозируемые расходы.
  3. Инвестиции в маркетинг: Проводите рекламные кампании для привлечения новых клиентов и удержания постоянной аудитории.
  4. Обучение персонала: Инвестируйте в обучение персонала для обеспечения высокого качества услуг.
  5. Резервирование финансов: Сохраняйте финансовую подушку безопасности для покрытия непредвиденных расходов».

Claude 2 [8], в свою очередь, представил иной взгляд на ситуацию: «Открытие собственного бизнеса, в частности парикмахерской, в Санкт-Петербурге сопряжено с определенными рисками и расходами:

  • Риски:
  1. Высокая конкуренция в сфере красоты и парикмахерских услуг в Санкт-Петербурге. Необходимо предложить что-то уникальное, чтобы привлечь клиентов.
  2. Сезонность спроса. Обычно весной и осенью спрос выше, летом и зимой - ниже. Нужно это учитывать при планировании.
  3. Трудности с поиском квалифицированного персонала. Возможна текучка кадров.
  4. Уход постоянных клиентов к конкурентам из-за более привлекательных цен или акций.
  5. Риск проверок контролирующих органов, штрафов при нарушении требований.
  • Расходы:
  1. Аренда помещения от 30 000 рублей в месяц.
  2. Ремонт и обустройство помещения: от 500 000 рублей.
  3. Покупка оборудования, мебели: от 300 000 рублей.
  4. Подключение коммуникаций, рекламных вывесок: от 150 000 рублей
  5. Зарплата мастерам и административному персоналу: от 60 000 рублей в месяц.
  6. Расходные материалы: от 20 000 рублей в месяц.

Непредвиденные убытки могут быть связаны с поломками оборудования, увольнением ключевых сотрудников, снижением клиентского потока. Их размер трудно оценить заранее.

Потенциальная прибыль зависит от многих факторов, но при эффективной работе может составлять от 30% дохода.

Чтобы минимизировать риски, важно грамотно провести маркетинг, установить оптимальные цены после анализа цен конкурентов, нанять профессиональный персонал, следить за изменениями спроса и быстро реагировать. Резервный фонд поможет пережить трудные времена.

Наиболее кратко ответила генеративная модель от Яндекса – YandexGPT 2 [6]: «Риск отсутствия клиентов. Решение: проведение качественной рекламной кампании, предоставление качественных услуг, создание комфортных условий для клиентов, рекомендации существующих клиентов.

Риск появления конкурентов. Решение: предложение клиентам качественных услуг по доступным ценам, индивидуальный подход к каждому клиенту, гибкая система скидок и акций.

Риск потери квалифицированных сотрудников. Решение: создание комфортных условий работы, обеспечение карьерного роста, обучение и развитие сотрудников.

Риск изменения законодательства, регулирующего деятельность парикмахерских. Решение: постоянное отслеживание изменений в законодательстве, своевременное реагирование на эти изменения.

Риск возникновения непредвиденных расходов (например, на ремонт оборудования). Решение: составление бюджета с учетом возможных непредвиденных расходов, поиск дополнительных источников финансирования.

Риск снижения спроса на услуги парикмахерской из-за экономических факторов. Решение: анализ рынка и определение наиболее востребованных услуг, проведение маркетинговых исследований, предложение новых услуг и услуг премиум-класса.

Риск некачественного выполнения услуг. Решение: контроль качества усёлуг на всех этапах их выполнения, обучение и повышение квалификации сотрудников, использование качественных материалов и инструментов.

Риск поломки оборудования. Решение: регулярное техническое обслуживание оборудования, покупка надежного и качественного оборудования».

Сравнив результаты промтов, можно сделать следующие выводы: каждая нейросеть по-разному «видит» ситуацию, подбирая для неё решение, при этом, если повторно ввести тот же самый промт, генеративные модели предложат уже иной текст, с новыми предложениями. Это наталкивает на мысль, что генеративные модели непостоянны, а каждый ввод запроса равносилен диалогу с новым человеком, имеющим свой набор идей. Подобная тенденция ставит под сомнение использование нейросетей как консультантов при ведении личного дела, поскольку такая текучесть «мыслей» может навредить ответственному лицу, принимающему решения. Генеративные модели в том виде, в котором они имеются сейчас, будет рациональнее рассматривать как инструмент в брейншторме или проверки собственных ошибок – и то как последний вариант. В конце концов, даже сами нейросети нередко уточняют, что актуальная информация может отличаться, поскольку доступ к сети Интернет у них ограничен, отчего имеющиеся в базах данные могут быть уже устаревшими.

Исходя из вышесказанного, можно прийти заключению: генеративные модели на данном этапе своего развития слабо подходят на роль индивидуального консультанта – на текущий момент человеческие знания и опыт остаются более востребованными, хотя и субъективными. Возможно, ситуация изменится, когда каждый сможет себе позволить в несколько действий создать собственную гибкую нейросеть, однако неизвестно, как скоро прогресс дойдёт до этого. Тем не менее, можно с уверенностью заявить, что в будущем мы лично всё выясним.

Список литературы

  1. Абдуллаев, Э. А. Искусственный интеллект: текущие достижения и перспективы / Э. А. Абдуллаев. — Текст : непосредственный // Молодой ученый. — 2023. — № 33 (480). — С. 9-10. — URL: https://moluch.ru/archive/480/105512/ (дата обращения: 08.12.2023).
  2. Булыгина, А. А. Влияние нейронных сетей на бизнес и общество / А. А. Булыгина. — Текст : непосредственный // Исследования молодых ученых : материалы LXII Междунар. науч. конф. (г. Казань, июнь 2023 г.). — Казань : Молодой ученый, 2023. — С. 1-4. — URL: https://moluch.ru/conf/stud/archive/494/18065/ (дата обращения: 08.12.2023).
  3. Лигай, В. П. Studying the tonality of text using machine learning methods / В. П. Лигай, Д. Ж. Кайбасова. — Текст : непосредственный // Молодой ученый. — 2023. — № 14 (461). — С. 12-15.— URL: https://moluch.ru/archive/461/101403/ (дата обращения: 08.12.2023).
  4. Яндекс. YandexGPT 2 [Электрон. ресурс]. URL:
  5. Anthropic. Claude AI [Электрон. ресурс]. URL:
  6. Акулин, Е. В. Обучение нейронных сетей / Е. В. Акулин, Л. Е. Свиридова. — Текст : непосредственный // Исследования молодых ученых: материалы XXVIII Междунар. науч. конф. (г. Казань, декабрь 2021 г.). — Казань: Молодой ученый, 2021. — С. 6-10. — URL: https://moluch.ru/conf/stud/archive/410/16843/ (дата обращения: 08.12.2023).
  7. Морозова, В. И. Прогнозирование методом машинного обучения / В. И. Морозова, Д. И. Логунова. — Текст : непосредственный // Молодой ученый. — 2022. — № 21 (416). — С. 202-204. — URL: https://moluch.ru/archive/416/92048/ (дата обращения: 08.12.2023).
  8. Open-AI. Chat-GPT [Электрон. ресурс]. URL:
  9. Open-AI. Developer Forum [Электрон. ресурс]. URL:
Справка о публикации и препринт статьи
предоставляется сразу после оплаты
Прием материалов
c по
Остался последний день
Размещение электронной версии
Загрузка материалов в elibrary