Структурные и филологические особенности текстовых генеративных нейронных сетей

ВВЕДЕНИЕ. Исследование особенностей текстовых генеративных нейронных сетей является важным шагом в развитии искусственного интеллекта. Несмотря на то, что модели показали высокую эффективность в решении различных задач в сфере журналистики и медиакоммуникаций, они имеют ряд недостатков. В процессе работы с нейросетями можно встретить как грубые грамматические, так и смысловые ошибки. Для выявления лидера по максимально продуктивной генерации текстов необходимо проведение сравнительного анализа выдаваемых различными сервисами данных.

МАТЕРИАЛЫ И МЕТОДЫ. В российском сегменте наиболее развитыми нейросетевыми сервисами являются GigaChat и YandexGPT. Для проведения сравнительного анализа выбран наиболее обсуждаемый и общепризнанный сервис – GhatGPT. Исследование проводилось на протяжении нескольких месяцев: сентябрь–декабрь 2023 г. В основе методики – филологический анализ сгенерированных текстов и сравнение точности выдачи запросов выбранных моделей.

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ. Филологический и грамматический анализ трёх моделей позволяет определить актуальность сервисов для работы в сфере журналистики и медиакоммуникаций, а также программные и технические ограничения нейросетей. Анализ показал наличие определённых паттернов у всех моделей нейросетей. Генерация осуществляется по заранее запрограммированному сценарию. Результат складывается из ряда факторов: наличие имён, аббревиатур и пожеланий, указанных в запросе. Отсутствие какой-либо цензуры показал лишь ChatGPT, остальные же модели отказывались генерировать, если в запросе были указаны запрещённые разработчиком слова или имена.

ЗАКЛЮЧЕНИЕ. Полученные выводы могут быть применены на практике в СМИ, блогинге и медиасфере. У всех трёх сервисов есть свои положительные и отрицательные стороны. Согласно результатам проведённого исследования, на данный момент лидером по генерации и обработке текстов является ChatGPT. Лидерство сервису обеспечивается за счёт широкого спектра возможностей и стабильности выдачи ответов на запросы. Однако в связи с наличием в сети Интернет большого количества информации, необходимой для быстрого обучения российских сетей, ситуация может измениться в ближайшее время.

1. Зашихина И.М. Подготовка научной статьи: справится ли ChatGPT? // Высшее образование в России. 2023. Т. 32. № 8-9. С. 24-47. https://doi.org/10.31992/0869-3617-2023-32-8-9-24-47, https://elibrary.ru/jpfyuj

2. O’Leary D. GOOGLE’S Duplex: Pretending to be human // Intelligent Systems in Accounting, Finance and Management. 2019. Vol. 26. Issue 1. P. 46-53. https://doi.org/10.1002/isaf.1443

3. Jones C., Bergen B. Does GPT-4 Pass the Turing Test? // arXiv. 2023. P. 1-25. https://doi.org/10.48550/arXiv.2310.20216

4. Кулаков А.С. О интеллектуальных правах на результат деятельности нейросети // Скиф. Вопросы студенческой науки. 2023. № 4 (80). С. 194-197. https://elibrary.ru/cfngsd

5. Аннаев Г., Аннаева Г. Прикладные возможности нейронной сети // Символ науки: международный научный журнал. 2023. № 4-1. С. 22-24. https://elibrary.ru/cprxjq

6. Ермоленко Т.В. Классификация ошибок в тексте на основе глубокого обучения // Проблемы искусственного интеллекта. 2019. № 3 (14). С. 47-57. https://elibrary.ru/jaesss

7. Курганова Е.Б. Коммуникаторы vs нейросети: перспективы и вызовы // Журналистика в эпоху цифровых трансформаций: ценности и практики: cб. материалов 11 Междунар. науч.-практ. конф. Тамбов: Изд. дом «Державинский», 2023. С. 284-289.