Στην προσπάθεια να καταστεί η τεχνητή νοημοσύνη πιο αξιόπιστη και κατανοητή, ένα από τα κορυφαία μυαλά του κλάδου αναζητά έμπνευση σε μια απροσδόκητη πηγή: στον εξαιρετικά ρυθμιζόμενο κόσμο της συντήρησης αεροσκαφών.
Ο Andrej Karpathy, ιδρυτικό μέλος της OpenAI που εντάχθηκε στην ομάδα προεκπαίδευσης της Anthropic τον Μάιο, μοιράστηκε πρόσφατα μια νέα προσέγγιση για την καθοδήγηση (prompting) μεγάλων γλωσσικών μοντέλων (LLM). Προτείνει να ζητείται από αυτά τα συστήματα να εξηγούν πολύπλοκα θέματα χρησιμοποιώντας το ASD-STE100—μια ελεγχόμενη μορφή αγγλικών που αναπτύχθηκε αρχικά για να κάνει τα εγχειρίδια συντήρησης αεροσκαφών απολύτως σαφή και αλάνθαστα.
Η Δύναμη των Ελεγχόμενων Αγγλικών
Το ASD-STE100—ή Simplified Technical English (STE)—το οποίο διαχειρίζεται η Ένωση Αεροδιαστημικών και Αμυντικών Βιομηχανιών της Ευρώπης (ASD), είναι ένα διεθνές πρότυπο γραφής που σχεδιάστηκε για την εξάλειψη της ασάφειας. Διαθέτει ένα αυστηρό σύνολο γραμματικών κανόνων και ένα βασικό λεξιλόγιο περίπου 900 εγκεκριμένων λέξεων, οι περισσότερες από τις οποίες περιορίζονται σε μία και μοναδική, ακριβή σημασία.
Σύμφωνα με τον Karpathy, τα σύγχρονα LLM διαθέτουν βαθιά κατανόηση αυτού του προτύπου. Σημείωσε ότι οι «αυστηροί περιορισμοί στο καθαρό στυλ γραφής» που επιβάλλει το ASD-STE100 έχουν ως αποτέλεσμα κείμενο που παράγεται από AI το οποίο είναι «πολύ πιο ευανάγνωστο» από τον κανονικό πεζό λόγο. Επειδή το επίσημο πρότυπο είναι εξαιρετικά αυστηρό, ο Karpathy μερικές φορές μετριάζει την οδηγία, ζητώντας από το μοντέλο να γράψει «κατά 80% σύμφωνα με το ASD-STE100».
Η τεχνική αυτή κερδίζει ήδη έδαφος στην κοινότητα των προγραμματιστών. Ένα εργαλείο ανοιχτού κώδικα στο GitHub εφαρμόζει πλέον τους κανόνες STE σε κείμενα που διαβάζονται από πράκτορες AI, αν και οι δημιουργοί του επισημαίνουν ότι το σύστημα ρητά δεν προορίζεται για διαφημιστικά κείμενα (marketing copy).
Ανεβαίνοντας τη Σκάλα της Αφαίρεσης
Για τον Karpathy, η καθοδήγηση σε ελεγχόμενα αγγλικά είναι απλώς το πρώτο βήμα σε μια ευρύτερη αλλαγή στον τρόπο με τον οποίο οι άνθρωποι αλληλεπιδρούν με την παραγωγική AI. Περιγράφει μια εξέλιξη τεσσάρων επιπέδων στα αποτελέσματα των μοντέλων, με κάθε βήμα να προσφέρει έναν ανώτερο τρόπο αφομοίωσης των πληροφοριών:
- Ελεγχόμενη Γραφή: Χρήση προτύπων όπως το ASD-STE100 για εξαιρετικά σαφές, μη διφορούμενο κείμενο.
- Διαγράμματα: Οπτικές αναπαραστάσεις που είναι «πολύ πιο εύκολο να επεξεργαστούν, να αναλυθούν και να γίνουν κατανοητές» από τις πυκνογραμμένες παραγράφους.
- Διαδραστικές Σελίδες HTML: Δημιουργία ολοκληρωμένων ιστοσελίδων αντί για στατικό Markdown. Αυτό ευθυγραμμίζεται με τις πρόσφατες πρακτικές της ομάδας Claude Code της Anthropic, η οποία προτιμά την HTML για πιο πλούσιες, διαδραστικές διεπαφές.
- Προσαρμοσμένα Επεξηγηματικά Βίντεο: Παραγωγή εξατομικευμένου περιεχομένου βίντεο κατ’ απαίτηση. Ο Karpathy εξέφρασε τεράστιο ενθουσιασμό για αυτή τη μορφή, προτείνοντας εντολές που ζητούν από τα μοντέλα να δημιουργήσουν επεξηγηματικά βίντεο «στυλ 3b1b» (αναφερόμενος στα δημοφιλή μαθηματικά animations 3Blue1Brown) με αφήγηση μέσω voice API όπως το ElevenLabs ή δωρεάν εναλλακτικών λύσεων που εκτελούνται τοπικά.
Μια Στροφή Προς την Εποπτεία
Αυτή η εξέλιξη υπογραμμίζει μια θεμελιώδη αλλαγή στη φύση της πνευματικής εργασίας. Ο Karpathy υποστηρίζει ότι καθώς τα μοντέλα AI αναλαμβάνουν τη βασική προεργασία της συγγραφής κώδικα, κειμένου και της δημιουργίας animation, οι επαγγελματίες θα μετατοπίσουν την εστίασή τους. «Πολύ περισσότερο από το έργο μας θα ανέλθει στα επίπεδα της αφαίρεσης, προς την εποπτεία και την κατανόηση», έγραψε.
Αντί να δημιουργούν χειροκίνητα μεμονωμένα έγγραφα, οι χρήστες ενθαρρύνονται να αντιμετωπίζουν τα LLM ως μηχανές για τη δημιουργία «μεγάλων, προσαρμοσμένων, αναλώσιμων τεχνουργημάτων λογισμικού» (discardable software artifacts)—εξαιρετικά περίπλοκων αποτελεσμάτων μίας χρήσης που θα ήταν εντελώς μη πρακτικό να παραχθούν πριν από την άνοδο της παραγωγικής AI.