Ha autókról van szó, gyakran találkozunk a lóerő kifejezéssel, és könnyű elképzelni az átlagos magyar autós alatt kecsesen vágtató 150 paripát. Egy átlagos lónak egyébként – kissé megtévesztő módon – egy lóerőnél sokkal kisebb az ereje, inkább erős igáslovak trappolását képzeljük el. Már csak azért is, mert a lóerő meghatározásához valóban igáslovakkal kísérletezett a skót James Watt, aki mindezt azért tette, hogy friss találmányát, a gőzmozdonyt össze lehessen vetni a kor népszerű mozgató erejével, és így találmánya jobban eladhatóvá váljon.
Az ember és a nagy nyelvi modellek
A technológia gyors fejlődésével újabb mérföldkőhöz érkeztünk: a mesterséges intelligenciához. “A gépek emberhez hasonló képességeit jelenti, mint például az érvelés, a tanulás, a tervezés és a kreativitás” (Európai Parlament, 2020). Ezen belül a genAI képes “betanított adatok alapján szöveget, képeket és változatos tartalmat létrehozni” (SAP, 2024). A genAI egyik leglátványosabban fejlődő és nagy visszhangot kiváltó területe a nagy nyelvi modellek (LLM), mint például a ChatGPT. Az LLM-ek komplex modelleket takarnak, amelyek nagy mennyiségű adatokon tanultak és emberi kommunikációhoz hasonló szöveget tudnak előállítani. A ChatGPT kérésre verset ír, segít prezit összeállítani, programozási nyelvek között fordít, a korábbiaknál sokkal jobban fordít élő nyelvek között stb.
Maradva a lóerő párhuzamnál, az LLM-ek esetében értelemszerűen nem az erőn, sokkal inkább a gondolkodáson van a hangsúly. Kérdés tehát, hogy egységnyi LLM hány gondolkodó embernek felel meg, vagy alakítva a kérdést, egy gondolkodó ember munkájának mekkora részét tudja az LLM elvégezni. Az utóbbit vizsgálják Eloundou és szerzőtársai (2023). Arra jutnak, hogy az amerikai gazdaságban a már létező LLM képességgel számolva ez átlagosan 15 százalék.
Kérdés, ez hogyan oszlik meg; vannak-e munkakörök, amelyek egészében eltűnhetnek? A munkaerőpiac egytizedét sem fedik le azok a munkakörök, ahol 40 százaléknál nagyobb a kitettség. Viszont ha számolunk az LLM-re várhatóan épülő szoftverekkel és alkalmazásokkal, a számok magasabbak: átlagosan 30 százalékos kitettségről beszélhetünk, és a munkaerő közel egyötödénél 50 százalékot is meghaladhatja az LLM-mel, illetve a ráépülő szoftverekkel kiváltható feladatok részesedése[1]. Akármelyiket is alkalmazzuk a két számítási mód közül, ritkák a nagyon nagy kitettségű munkakörök: bőven 10 százalék alatt van azon munkakörök részesedése, ahol 60 százalékot meghaladó a kitettség még a ráépülő alkalmazásokat is figyelembe véve[2] (ha nem számolunk ráépülő alkalmazásokkal, akkor minimális a kitettség). Vagyis úgy tűnik, az LLM elsősorban kiegészít, nem egészében kivált.
A témában az MNB Intézeten belül is folytatunk részletes kutatást: a jelenlegi LLM technológiát alapul véve és hasonló módszertant alkalmazva egy magyar munkaerőpiaci portál hirdetéseire szintén azt látjuk, hogy az LLM elsősorban kiegészít.
De mit is mértek pontosan Eloundouék és hogyan?
Eloundou és szerzőtársai (2023) akkor beszélnek LLM kitettségről, ha a feladatot az LLM legalább ugyanolyan minőségben, de minimum kétszer olyan gyorsan el tudná végezni, mint egy ember. Az amerikai munkaerőhivatalhoz is köthető O*NET információs adatbázisban elérhető az USA gazdaságában előforduló munkakörök és a hozzá tartozó feladatok részletes listája. A kb. 20 ezer feladatból álló listát a ChatGPT-vel a szerzők kitettség kategóriákba sorolták. Ezzel párhuzamosan a feladatok tágabb csoportjait (kb. kétezer) manuálisan is bekategorizálták. Ironikus tehát, hogy részben magát az LLM-et használták arra, hogy megbecsüljék, mit tud elvégezni az LLM. Fontos továbbá, hogy csak a technológiai megvalósíthatóság volt a figyelem célkeresztjében, gazdasági, biztonsági, emberi tényezőkkel nem számoltak.
Mit jelent mindez?
Egy mai mozdony már akár 4500 lóerővel is rendelkezik, hatalmas teljesítménybeli ugrást jelentve a lovaskocsihoz képest. A blogban tárgyalt LLM is fontos lehetőség a gazdaság számára. Eloundouék 2 emberésznél húzták meg a minimumot, afölött mérték az LLM potenciált (definíciójuk szerint az LLM ugyanolyan minőségben, de kétszer olyan gyorsan dolgozzon). Mai LLM képességekre kalibrálva azt találták, hogy átlagosan 15 százalékot tudna a gazdaság feladataiból az embereknél hatékonyabban elvégezni. Ugyanakkor azt is találták, (és hozzájuk hasonlóan mi is magyar álláshirdetésekre vonatkozóan), hogy az LLM nem tud kiváltani teljes munkaköröket. Saját kutatási tapasztalatunk is ez: az LLM-mel olyan projektek valósulhatnak meg, amelyek egyébként nem, de kell a humán irányítás, szervezés és ellenőrzés. A kockázatokkal természetesen foglalkozni kell: fontos, hogy az LLM megbízható és biztonságos legyen. Meg kell tanulnunk hatékonyan használni. De úgy tűnik, attól nem kell félnünk (egyelőre legalábbis), hogy az LLM a lovakéhoz hasonló sorsa – sportra és szórakoztatásra – juttat bennünket.
Baranyai Eszter
Hivatkozások:
Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2023). Gpts are gpts: An early look at the labor market impact potential of large language models. arXiv preprint arXiv:2303.10130.
Európai Parlament (2020). Mi az a mesterséges intelligencia és mire használjuk? https://www.europarl.europa.eu/topics/hu/article/20200827STO85804/mi-az-a-mesterseges-intelligencia-es-mire-hasznaljak
SAP (2024). MI a generatív AI? https://www.sap.com/hungary/products/artificial-intelligence/what-is-generative-ai.html
[1] Amennyiben a GPT-re épülő szoftvereket feleakkora súllyal vesszük számításba, tükrözve a bizonytalanságokat.
[2] Lásd az előző lábjegyzetet.
Borítókép: pexels.com
The post ChatGPT: munkaerőpiaci hatás és gazdasági lehetőség számokban appeared first on Economania blog.