Forstå forskellen mellem kunstig intelligens og traditionelle teknikker
Den nylige popularitet af kunstig intelligens, kombineret med at feltet er nyt og tiltalende, har ført til, at mange organisationer hævder, at deres projekter udnytter de nyeste fremskridt inden for AI, når de for det meste kun bruger standard betinget logik, sandsynlighed og statistik. Dette resulterer i, at organisationer ikke indser de fordele, som AI kan bringe.
En generel forståelse af kunstig intelligens hos den brede befolkning er afgørende for at sikre præcist konsensus og for at teknologien udvikles sikkert og ansvarfuldt. Selvom der er mange grunde og internt pres til at hævde brugen af AI, når en sådan påstand er unøjagtig, drager organisationer heller ikke fordel af faktiske fremskridt. Betinget logik, sandsynligheds- og statistiske teknikker underbygger de fleste organisationer i dag, og selvom de er komplekse og sofistikerede i sig selv samt giver betydelige fordele, adskiller de sig fra det, der i dag almindeligvis omtales som kunstig intelligens.
De fleste moderne forretningsapplikationer er afhængige af betinget logik. I forbindelse med nutidige programmeringssprog og formelmotorer udtrykkes forretningslogik i dag almindeligvis som boolesk logik, If-Then-Else-sætninger og Case-sætninger. Organisatorisk forretningslogik kan indfanges og udtrykkes i betinget ræsonnement. Selvom det har vist sig at være enormt værdifuldt, adskiller det sig fra det, der i dag almindeligvis omtales som Artificial Intelligence. Sandsynligheds- og statistiske teknikker, der ofte bruges i vid udstrækning til prognoser og forudsigelser, som også er pålidelige og sunde, er faktisk ikke Artificial Intelligence. Disse matematiske konstruktioner er mere eller mindre defineret rationelt på forhånd, med få konstanter der kan ændres eller varieres, mens Artificial Intelligence er afhængig af dynamikker.
I stedet er kunstig intelligens, som kort beskrevet, typisk afhængig af modeller, der lærer fra data og selv bestemmer logikken ud fra dataene. Siden beviset for Universal Approximation Theorem blev præsenteret i 1999, som demonstrerede, hvordan et neuralt netværk kan approksimere enhver funktion, rettes der nu mere indsats mod at løse programmer via kunstig intelligens i stedet for andre paradigmer. Selvom det teoretisk set er muligt at approksimere enhver funktion, var regnekraft og teknikker til at opnå dette en begrænsende faktor i praksis. Nyere fremskridt har dog gjort store fremskridt med at bygge bro mellem teori og praksis.
Moderne kunstig intelligens bruger teknikker, herunder Deep Reinforcement Learning, Natural Language Processing, LSTMs og Generative-Adversarial modeller med frameworks, herunder TensorFlow og PyTorch, der bruges i implementeringer. En god test af, om dit projekt bruger kunstig intelligens, er at se på de værktøjer, der aktivt anvendes inden for projekter. Det er sandsynligvis ikke et AI-drevet projekt, hvis det ikke bruger værktøjer inden for feltet, med den åbenlyse undtagelse af at forlade sig på specialtilpassede værktøjer, der udfører almindelige AI-opgaver såsom matrixmultiplikation.
Applikationer baseret på kunstig intelligens og applikationer, der ikke er baseret på kunstig intelligens
Her er nogle ægte eksempler på kunstig intelligens, der bruges i den virkelige verden:
- Computersynsystemer, der lærer at opdage og spore objekter fra mærkede data;
- Sprogbehandlingssystemer lærer at besvare spørgsmål og forbedres over tid, såsom Chat-Bots;
- Spil-agenter, der udelukkende ud fra pixel-input kan lære at spille spil som Space Invaders, Pacman og Tetris.
Omvendt er her nogle eksempler, der almindeligvis hævdes som eksempler på kunstig intelligens, når de ikke er det, og som ikke bør hævdes som sådan:
- Forudsigelsesmodeller, der er baseret på sandsynlighed og statistik;
- SQL-forespørgsler, der henter data fra en database og udfører en form for aggregering eller sortering;
- Regelbaserede analyse-dashboards oprettet i Tableau eller Microsoft Power BI;
- Excel-regneark, der bruger simple formler;
- Excel Macro-drevne projektmapper, der indeholder noget VBA-kode;
- Sensorsystemer sender et signal tilbage til et kontrolcenter, som en menneskelig ekspert fortolker.
Fremtidige retninger for organisationer, der ønsker at anvende kunstig intelligens
I mange tilfælde kan kunstig intelligens løse komplekse problemer, men der er begrænsninger, hvor standard betinget logik, sandsynlighed og statistik ville være overlegne. Et eksempel er undtagelser, der kræver 100% pålidelighed, hvor AI-systemer nogle gange kan producere inkonsekvente resultater. I tilfælde af traditionelle teknikker ville det være gavnligt at angive, hvordan de blev implementeret, i stedet for at angive, at de var baseret på kunstig intelligens, da dette ville forbedre vidensflowet.
Kunstig intelligens udvikler sig konstant, med forbedringer, der kommer hurtigt, og langsomt siver ind i hverdagen ved at blive implementeret oven på allerede eksisterende teknologiske platforme og infrastruktur. Efterhånden som det bliver mere udbredt, er nøjagtighed vigtigere end nogensinde, og det er afgørende at overveje, hvordan det anvendes og forklares. Efterhånden som feltet uundgåeligt bliver mere reguleret, vil visse friheder taget i fejlagtig påstand om AI-brug forsvinde over tid. Organisationer kan dog få et forspring ved at omfavne præcise AI-definitioner fra nu af.
Fordelene ved ægte kunstig intelligens er enorme, og Telemus AI kan samarbejde med din organisation for at skabe håndgribelige resultater langt ud over traditionelle teknikker.
Kontakt os i dag for en gratis konsultation om, hvordan Telemus AI™ kan integreres i din organisation.
