Atšķirības izpratne starp mākslīgo intelektu un tradicionālajām metodēm
Mākslīgā intelekta nesenie popularitāte, kopā ar nozares jaunumu un pievilcību, ir novedusi pie daudzām organizācijām, kas apgalvo, ka viņu projekti izmanto jaunākos sasniegumus AI jomā, lai gan tās galvenokārt izmanto standarta nosacīto loģiku, varbūtību un statistiku. Tas rezultājas organizācijās, kas neapzinās ieguvumus, ko AI var sniegt.
Vispārēja mākslīgā intelekta izpratne plašākai sabiedrībai ir būtiska, lai nodrošinātu precīzu konsensu un to, ka tehnoloģija tiek attīstīta droši un atbildīgi. Lai gan ir daudz iemeslu un iekšēju spiediena, lai apgalvotu par AI izmantošanu, kad šāds apgalvojums ir neprecīzs, organizācijas rezultātā arī negūst labumu no reāliem sasniegumiem. Nosacījumu loģika, varbūtību un statistikas metodes veido pamatu lielākajai daļai organizāciju šodien, un lai gan tās ir sarežģītas un sofistikētas pašas par sevi, kā arī sniedz nozīmīgus ieguvumus, tās atšķiras no tā, ko šodien parasti sauc par mākslīgo intelektu.
Vairums mūsdienu biznesa lietojumprogrammu paļaujas uz nosacījumu loģiku. Mūsdienu programmēšanas valodu un formulu dzinēju kontekstā biznesa loģika mūsdienās parasti tiek izteikta kā Būla loģika, If-Then-Else izteikumi un Case izteikumi. Organizācijas biznesa loģiku var uztvert un izteikt nosacījumu spriešanā. Lai gan tā ir pierādījusies kā ārkārtīgi vērtīga, tā atšķiras no tā, ko mūsdienās parasti sauc par mākslīgo intelektu. Probabilistiskās un statistiskās metodes, kuras bieži tiek intensīvi izmantotas prognozēm un paredzējumiem, kaut arī ir uzticamas un pamatotas, faktiski nav mākslīgais intelekts. Šie matemātiskie konstrukti vairāk vai mazāk tiek racionāli definēti iepriekš, ar dažiem nemainīgiem lielumiem, ko mainīt vai variēt, savukārt mākslīgais intelekts paļaujas uz dinamiku.
Tā vietā Mākslīgais intelekts, kā īsi aprakstīts, parasti paļaujas uz modeļiem, kas mācās no datiem un nosaka loģiku paši no datiem. Kopš Universālās aproksimācijas teorēmas pierādījuma tika prezentēts 1999. gadā, demonstrējot, kā neironu tīkls var aproksimēt jebkuru funkciju, tagad vairāk pūliņu tiek veltīts programmu risināšanai ar Mākslīgā intelekta palīdzību, nevis izmantojot citas paradigmas. Lai gan teorētiski ir iespējams aproksimēt jebkuru funkciju, skaitļošanas jauda un paņēmieni, lai to sasniegtu, praksē bija ierobežojošs faktors. Tomēr pēdējie sasniegumi ir veikuši lielus solījus, lai samazinātu atstarpi starp teoriju un praksi.
Mūsdienīgais mākslīgais intelekts izmanto tādas tehnikas kā dziļā pastiprinājuma mācīšanās, dabiskās valodas apstrāde, LSTM un ģeneratīvi-antagonistiskie modeļi, bet ieviešanā tiek izmantoti tādi rīki kā TensorFlow un PyTorch. Labs tests, lai pārbaudītu, vai jūsu projektā tiek izmantots mākslīgais intelekts, ir apskatīt rīkus, kas aktīvi tiek izmantoti projektos. Visticamāk, tas nav AI vadīts projekts, ja tajā netiek izmantoti šīs jomas rīki, izņemot acīmredzamo izņēmumu, kad paļaujas uz pielāgotiem rīkiem, kas veic ikdienas AI uzdevumus, piemēram, matricu reizināšanu.
Lietotnes, kas balstītas uz mākslīgo intelektu, un Lietotnes, kas nav balstītas uz mākslīgo intelektu
Šeit ir daži patiesi mākslīgā intelekta piemēri, kas tiek izmantoti reālajā pasaulē:
- Datoru redzes sistēmas, kas iemācās noteikt un izsekot objektus no marķētiem datiem;
- Valodas apstrādes sistēmas iemācās atbildēt uz jautājumiem un uzlabojas laika gaitā, piemēram, čata boti;
- Spēļu aģenti, kas tikai no pikseļu ievades vien var iemācīties spēlēt tādas spēles kā Space Invaders, Pacman un Tetris.
Turpretim šeit ir daži piemēri, kurus bieži uzdod par mākslīgā intelekta piemēriem, lai gan tie tādi nav, un nevajadzētu tos tādus uzdot:
- Prognozēšanas modeļi, kas balstās uz varbūtību un statistiku;
- SQL vaicājumi, kas iegūst datus no datubāzes un veic kādu agregācijas vai kārtošanas veidu;
- Uz noteikumiem balstīti analītikas informācijas paneļi, kas izveidoti Tableau vai Microsoft Power BI;
- Excel izklājlapas, kas izmanto vienkāršas formulas;
- Excel makro darbgrāmatas, kurās ir kāds VBA kods;
- Sensoru sistēmas nosūta signālu atpakaļ uz kontroles centru, ko cilvēku eksperts interpretē.
Nākotnes virzieni organizācijām, kas vēlas pieņemt mākslīgo intelektu
Daudzos gadījumos mākslīgais intelekts var atrisināt sarežģītas problēmas, taču pastāv ierobežojumi, kur standarta nosacījumu loģika, varbūtība un statistika būtu pārāka. Piemērs ir izņēmumi, kas prasa 100% uzticamību, kuros AI sistēmas dažreiz var dot nekonsekventus rezultātus. Tradicionālo tehniku gadījumā būtu lietderīgi norādīt, kā tās tika ieviestas, nevis norādīt, ka tās bija balstītas uz mākslīgo intelektu, jo tas uzlabotu zināšanu plūsmu.
Mākslīgais Intelekts pastāvīgi attīstās, uzlabojumi nāk strauji, lēnām iekļūjot ikdienas dzīvē, to izvietojot uz jau esošām tehnoloģiju platformām un infrastruktūras. Tā kļūstot izplatītākai, precizitāte ir svarīgāka nekā jebkad agrāk, un ir būtiski apsvērt, kā tas tiek pielietots un izskaidrots. Tā kā šī joma neizbēgami kļūs vairāk regulēta, noteiktas brīvības, kas pieņemtas, aplami apgalvojot AI izmantošanu, laika gaitā tiks atrisinātas. Tomēr organizācijas var iegūt priekšrocības, pieņemot precīzus AI definīcijas jau no šī brīža.
Īstā mākslīgā intelekta priekšrocības ir plašas, un Telemus AI var sadarboties ar jūsu organizāciju, lai sasniegtu taustamus rezultātus, kas pārspēj tradicionālās metodes.
Sazinieties ar mums jau šodien bezmaksas konsultācijai par to, kā Telemus AI™ var integrēt jūsu organizācijā.
