મુખ્ય વિષય-સામગ્રી પર જાવો
OpenAI

3 માર્ચ, 2022

પ્રકાશન

કોડ જનરેશન મોડલોના આર્થિક પ્રભાવનું મૂલ્યાંકન કરવા માટેનો સંશોધન એજન્ડા

કોડ જનરેશન મોડલોના આર્થિક પ્રભાવનું મૂલ્યાંકન કરવા માટેનો સંશોધન એજન્ડા
લોડિંગ…

સારાંશ

OpenAI કોડ જનરેશન મોડલોના આર્થિક પ્રભાવનું મૂલ્યાંકન કરવા માટે સંશોધન કાર્યક્રમ વિકસાવી રહ્યું છે અને બાહ્ય સંશોધકો સાથે સહકાર માટે આમંત્રિત કરી રહ્યું છે. કોડ પર પ્રશિક્ષિત મોટા ભાષા મોડલો (LLMs) ની ક્ષમતાઓમાં ઝડપી પ્રગતિએ વ્યક્તિઓ, કંપનીઓ અને સમાજ પર તેમના આર્થિક પ્રભાવનો અભ્યાસ કરવો વધતા જતા મહત્વનો બનાવ્યો છે. Codex – GitHub પરથી જાહેરમાં ઉપલબ્ધ કોડની અબજો લાઇનો પર GPT‑3 ને ફાઇન-ટ્યુન કરીને OpenAI દ્વારા વિકસાવવામાં આવેલ LLM – એ મૂલ્યાંકન સમસ્યાઓના નમૂનામાં 28.8% વખત કાર્યક્ષમ રીતે યોગ્ય કોડ જનરેટ કરતો હોવાનું દર્શાવ્યું છે (Chen et al. 2021). કોડિંગના ભવિષ્ય અને તેના પર આધારિત ઉદ્યોગોના અર્થતંત્ર માટે તેનો મહત્વપૂર્ણ અર્થ થઈ શકે છે. આ દસ્તાવેજમાં, અમે નીતિનિર્માતાઓ, કંપનીઓ અને જનતા માટે રસના આર્થિક પરિબળો પર Codex ના પ્રભાવનું મૂલ્યાંકન કરવા માટે સંશોધન એજન્ડા રજૂ કરીએ છીએ. અમે આ સંશોધન એજન્ડા માટે દલીલ કરીએ છીએ, જેમાં સોફ્ટવેર વિકાસ માટે કોડ જનરેશન મોડલોના સંભવિત વ્યાપક ઉપયોગ, મોડલ ક્ષમતાઓ આગળ વધે તેમ અન્ય LLMs દ્વારા નોંધપાત્ર સામાજિક અને આર્થિક પ્રભાવ સર્જવાની સંભાવના, અને ભવિષ્યના મોડલોના આર્થિક પ્રભાવ પરના સંશોધન માટે લાગુ પડી શકે તેવા પુરાવા અને પદ્ધતિઓ સ્થાપિત કરવા Codex નો ઉપયોગ કરવાની કિંમતને ઉજાગર કરીએ છીએ. અમે પ્રસ્તાવ રાખીએ છીએ કે શૈક્ષણિક અને નીતિ સંશોધન કોડ જનરેશન મોડલો અને અન્ય LLMs ના અભ્યાસ પર કેન્દ્રિત થાય જેથી તેમના આર્થિક પ્રભાવ અંગેના પુરાવાનો ઉપયોગ ત્રણ મુખ્ય ક્ષેત્રોમાં નિર્ણય લેવામાં માર્ગદર્શન આપવા કરી શકાય: ડિપ્લોયમેન્ટ નીતિ, AI સિસ્ટમ ડિઝાઇન અને જાહેર નીતિ. આ સંશોધનને માર્ગદર્શન આપવા માટે, અમે આર્થિક પ્રભાવના ક્ષેત્રમાં છ પ્રાથમિક પરિણામ ક્ષેત્રો દર્શાવીએ છીએ, જેમના અભ્યાસ માટે અમે Codex નો ઉપયોગ કરવાનો ઇરાદો રાખીએ છીએ: ઉત્પાદનક્ષમતા, રોજગાર, કૌશલ્ય વિકાસ, આંતર-કંપની સ્પર્ધા, ગ્રાહક કિંમતો અને આર્થિક અસમાનતા. દરેક ક્ષેત્ર માટે, અમે આ પરિણામો પર કૃત્રિમ બુદ્ધિના પ્રભાવ અંગેના અગાઉના સાહિત્યની સંક્ષિપ્ત ચર્ચા કરીએ છીએ, ઉપર ઉલ્લેખિત ત્રણ નિર્ણયક્ષેત્રો માટે મહત્વપૂર્ણ ઇનપુટ ગણાતાં પ્રશ્નો વર્ણવીએ છીએ, અને Codex સાથે કરી શકાય એવા સંશોધનના ઉદાહરણો આપીએ છીએ. આ પ્રારંભિક સંશોધન એજન્ડા પરથી આગળ વધતા કાર્યને પ્રોત્સાહન આપવા માટે, અમે બાહ્ય સંશોધકો તરફથી OpenAI સંશોધકો અને ગ્રાહકો સાથે સહકાર માટે રસ દર્શાવતી અરજીઓ માટે આમંત્રણ જાહેર કરી રહ્યા છીએ, જેથી કોડ જનરેશન મોડલો અને અન્ય LLMs ના આર્થિક પ્રભાવને વધુ સારી રીતે માપી શકાય.

લેખકો, સમાન યોગદાન

Sam Manning (OpenResearch)Pamela Mishkin (OpenAI)

લેખકો

Gillian Hadfield (University of Toronto)Tyna Eloundou (OpenAI)Emily Eisner (University of California, Berkeley)