در حال حاضر، بسیاری از کاربران از ChatGPT برای فعالیت‌هایی مانند کمک به انجام تکالیف، آماده‌سازی ارائه‌ها و انجام امور کاری استفاده می‌کنند. با این حال، OpenAI معتقد است ظرفیت مدل‌های هوش مصنوعی فراتر از این کاربردهاست و این فناوری می‌تواند در مدیریت بخش‌های مختلف زندگی روزمره نیز نقش مؤثرتری ایفا کند.
بر اساس نتایج منتشرشده از سوی این شرکت، مدل GPT-6 Astra در مجموعه‌ای از وظایف عملی عملکرد قابل‌توجهی داشته است. این مدل در شناسایی مهدکودک مناسب پس از نقل مکان به منطقه‌ای جدید، به دقت ۹۳.۱ درصد رسیده است. همچنین توانسته مدیریت داوطلبان یک جامعه محلی برای آمادگی در برابر سیل را با دقت ۹۸ درصد انجام دهد.
یکی دیگر از موارد ارزیابی‌شده، تهیه برنامه غذایی برای والدینی بوده است که به‌تازگی به دیابت مبتلا شده‌اند. GPT-6 Astra در این وظیفه نیز دقت ۹۰.۴ درصدی را ثبت کرده است.
OpenAI می‌گوید توسعه این معیارهای ارزیابی در شرایطی اهمیت بیشتری پیدا کرده که شرکت‌هایی مانند متا، آنتروپیک و گوگل رقابت فشرده‌ای را برای ساخت عوامل هوش مصنوعی آغاز کرده‌اند؛ سیستم‌هایی که قرار است به‌جای پاسخ‌گویی صرف به پرسش‌ها، بتوانند وظایف واقعی را در محیط‌های مختلف انجام دهند.
البته این رقابت با چالش‌های مهمی همراه است. شرکت‌های فعال در حوزه هوش مصنوعی همچنان باید نگرانی‌های مربوط به ایمنی این فناوری را برطرف کنند و در عین حال، راهی برای بازگشت سرمایه‌گذاری‌های سنگین خود در این صنعت بیابند.
برای سنجش این توانایی‌ها، OpenAI ابتدا باید مشخص می‌کرد که ChatGPT تا چه اندازه می‌تواند از عهده کارهایی مانند تهیه سبد خرید یا تکمیل فرم‌های آنلاین برآید. جنی یانگ، پژوهشگر این شرکت، در گفت‌وگو با CNN توضیح داد که OpenAI به‌دنبال بررسی نحوه استفاده کاربران از این ابزار و شناسایی نقاط قوت و ضعف آن است تا بتواند در طول زمان عملکرد مدل‌ها را بهبود دهد.
او تأکید کرد که هدف این ارزیابی، درک دقیق‌تر کاربردهای واقعی هوش مصنوعی و شناسایی حوزه‌هایی است که این فناوری هنوز در آن‌ها با مشکل مواجه می‌شود.
ارزیابی عملکرد مدل‌ها یکی از بخش‌های مهم فرایند توسعه هوش مصنوعی محسوب می‌شود. شرکت‌های فعال در این حوزه از معیارهای استاندارد برای سنجش توانایی مدل‌ها، شناسایی ضعف‌ها و هدایت فرایند آموزش آن‌ها استفاده می‌کنند.
OpenAI پیش‌تر نیز استانداردی با نام GDPVal معرفی کرده بود که عملکرد هوش مصنوعی را در مهارت‌های مرتبط با محیط کار ارزیابی می‌کند. این استاندارد حوزه‌هایی مانند تولید، خدمات دولتی، امور مالی و فروش را در بر می‌گیرد.
به گزارش CNN، ابزار ارزیابی جدید OpenAI گام دیگری برای سنجش توانایی هوش مصنوعی در انجام فعالیت‌های واقعی زندگی روزمره است؛ حوزه‌ای که به یکی از میدان‌های اصلی رقابت شرکت‌های بزرگ فناوری تبدیل شده است.