Pochopení rozdílu mezi umělou inteligencí a tradičními technikami
Nedávná popularita umělé inteligence, spojená se skutečností, že je tento obor nový a přitažlivý, vedla k tomu, že mnoho organizací tvrdí, jak jejich projekty využívají nejnovější pokroky v oblasti AI, ačkoliv většinou používají pouze standardní podmíněnou logiku, pravděpodobnost a statistiku. To má za následek, že organizace si neuvědomují přínosy, které AI může přinést.
Široké porozumění umělé inteligenci ze strany širší veřejnosti je nezbytné pro zajištění přesného konsenzu a pro to, aby se technologie vyvíjela bezpečně a zodpovědně. Přestože existuje mnoho důvodů a vnitřních tlaků prohlašovat využití AI i v případech, kdy je takové tvrzení nepřesné, organizace v důsledku toho také nebenefitují ze skutečného pokroku. Podmíněná logika, pravděpodobnostní a statistické techniky tvoří základ většiny dnešních organizací, a přestože jsou samy o sobě komplexní a sofistikované a přinášejí významné výhody, liší se od toho, co se dnes běžně označuje jako umělá inteligence.
Většina moderních obchodních aplikací se spoléhá na podmíněnou logiku. V kontextu současných programovacích jazyků a formulářových enginů se obchodní logika dnes běžně vyjadřuje jako Booleova logika, příkazy If-Then-Else a příkazy Case. Organizační obchodní logiku lze zachytit a vyjádřit v podmíněném uvažování. Přestože se ukázala jako mimořádně cenná, liší se od toho, co se dnes běžně označuje jako umělá inteligence. Pravděpodobnostní a statistické techniky, které se často hojně používají pro prognózy a předpovědi, ačkoli jsou také spolehlivé a racionální, ve skutečnosti nejsou umělou inteligencí. Tyto matematické konstrukce jsou víceméně předem racionálně definovány, s několika málo konstantami, které by se měly nebo mohly měnit, zatímco umělá inteligence se spoléhá na dynamiku.
Místo toho umělá inteligence, jak bylo stručně popsáno, typicky spoléhá na modely, které se učí z dat a samy z dat určují logiku. Od doby, kdy byl v roce 1999 předložen důkaz věty o univerzální aproximaci, která ukazuje, jak může neuronová síť aproximovat libovolnou funkci, je nyní více úsilí směřováno k řešení programů prostřednictvím umělé inteligence namísto jiných paradigmat. Zatímco teoreticky je možné aproximovat libovolnou funkci, výpočetní výkon a techniky k dosažení tohoto byly v praxi limitujícím faktorem. Nedávný pokrok však učinil velké kroky v překlenutí mezery mezi teorií a praxí.
Moderní umělá inteligence využívá techniky včetně hlubokého posilovaného učení, zpracování přirozeného jazyka, LSTM a generativně-antagonistických modelů s frameworky včetně TensorFlow a PyTorch používanými v implementacích. Dobrým testem toho, zda váš projekt využívá umělou inteligenci, je pohled na sady nástrojů aktivně využívané v rámci projektů. Pravděpodobně se nejedná o projekt poháněný AI, pokud nevyužívá nástroje v dané oblasti, s výjimkou zjevného případu spoléhání se na vlastní sady nástrojů, které provádějí běžné úkoly AI, jako je násobení matic.
Aplikace založené na umělé inteligenci a aplikace, které nejsou založeny na umělé inteligenci
Zde jsou některé skutečné příklady umělé inteligence, které se používají v reálném světě:
- Systémy počítačového vidění, které se učí detekovat a sledovat objekty z označených dat;
- Systémy zpracování jazyka se učí odpovídat na otázky a časem se zlepšovat, jako například Chat-Boty;
- Herní agenti, kteří mohou pouhým vstupem z pixelů se naučit hrát hry jako Space Invaders, Pacman a Tetris.
Naopak, zde jsou některé příklady, které jsou běžně uváděny jako příklady umělé inteligence, ačkoliv jimi nejsou a neměly by být jako takové uváděny:
- Predikční modely, které se spoléhají na pravděpodobnost a statistiku;
- SQL dotazy, které načítají data z databáze a provádějí určitou formu agregace nebo třídění;
- Dashboards analýz založených na pravidlech vytvořené v Tableau nebo Microsoft Power BI;
- Tabulky Excelu, které používají jednoduché vzorce;
- Sešity Excelu poháněné makry, které obsahují kód VBA;
- Senzorové systémy odesílají signál zpět do kontrolního centra, který lidský expert interpretuje.
Budoucí směry pro organizace, které se chystají zavést umělou inteligenci
V mnoha případech může umělá inteligence řešit složité problémy, ale existují omezení, kde by byla standardní podmíněná logika, pravděpodobnost a statistika nadřazenější. Příkladem jsou výjimky vyžadující 100% spolehlivost, u kterých mohou systémy AI někdy produkovat nekonzistentní výsledky. V případě tradičních technik by bylo přínosné uvést, jak byly implementovány, spíše než uvádět, že byly založeny na umělé inteligenci, protože by to zlepšilo tok znalostí.
Umělá inteligence se neustále vyvíjí, zlepšení přicházejí rychle a postupně se prosakují do každodenního života tím, že jsou nasazovány nad již existující technologické platformy a infrastrukturu. Jak se stává všudypřítomnější, přesnost je důležitější než kdy dříve a je klíčové zvážit, jak je aplikována a vysvětlována. Jak se bude tento obor nevyhnutelně více regulovat, určité svobody přijaté při nepravdivém tvrzení použití AI se časem vyřeší. Organizace však mohou získat náskok tím, že již nyní přijmou přesné definice AI.
Přínosy skutečné umělé inteligence jsou obrovské a Telemus AI může s vaší organizací spolupracovat na dosahování hmatatelných výsledků, které dalece přesahují tradiční techniky.
Kontaktujte nás ještě dnes pro bezplatnou konzultaci o tom, jak může být Telemus AI™ integrován do vaší organizace.
