Forstå forskjellen mellom kunstig intelligens og tradisjonelle teknikker
Den nylige populariteten til kunstig intelligens, kombinert med at feltet er nytt og forlokkende, har ført til at mange organisasjoner hevder at prosjektene deres bruker de nyeste fremskrittene innen feltet AI, når de for det meste bare bruker standard betinget logikk, sannsynlighet og statistikk. Dette resulterer i at organisasjoner ikke innser fordelene som AI kan bringe.
En generell forståelse av kunstig intelligens hos den brede befolkningen er avgjørende for å sikre nøyaktig enighet og at teknologien utvikles trygt og ansvarlig. Selv om det er mange grunner og internt press for å hevde bruk av AI når en slik påstand er unøyaktig, dra organisasjonene heller ikke nytte av faktiske fremskritt som et resultat. Betinget logikk, sannsynlighets- og statistiske teknikker underbygger de fleste organisasjoner i dag, og selv om de er komplekse og sofistikerte i seg selv og gir betydelige fordeler, skiller de seg fra det som i dag vanligvis omtales som kunstig intelligens.
De fleste moderne forretningsapplikasjoner er avhengige av betinget logikk. I konteksten av moderne programmeringsspråk og formelmotorer uttrykkes forretningslogikk i dag vanligvis som boolsk logikk, If-Then-Else-setninger og Case-setninger. Organisatorisk forretningslogikk kan fanges og uttrykkes i betinget resonnement. Selv om det har vist seg å være enormt verdifullt, skiller det seg fra det som i dag vanligvis omtales som kunstig intelligens. Sannsynlighets- og statistiske teknikker som ofte brukes i stor grad for prognoser og prediksjoner, som også er pålitelige og solide, er faktisk ikke kunstig intelligens. Disse matematiske konstruksjonene er mer eller mindre rasjonelt definert på forhånd, med få konstanter som kan endres eller variere, mens kunstig intelligens er avhengig av dynamikk.
I stedet er kunstig intelligens, som kort beskrevet, typisk avhengig av modeller som lærer fra data og bestemmer logikken selv fra dataene. Siden beviset for det universelle approksimasjonsteoremet ble presentert i 1999, som demonstrerer hvordan et nevralt nettverk kan approksimere enhver funksjon, rettes det nå mer innsats mot å løse programmer via kunstig intelligens i stedet for andre paradigmer. Mens det teoretisk sett er mulig å approksimere enhver funksjon, var datakraft og teknikker for å oppnå dette en begrensende faktor i praksis. Imidlertid har nylige fremskritt tatt store skritt i å bygge bro mellom teori og praksis.
Moderne kunstig intelligens bruker teknikker inkludert dyp forsterkningslæring, naturlig språkbehandling, LSTM-er og generative-antagonistiske modeller med rammeverk inkludert TensorFlow og PyTorch brukt i implementeringer. En god test på om prosjektet ditt bruker kunstig intelligens, er å se på verktøysettene som aktivt brukes i prosjekter. Det er sannsynligvis ikke et AI-drevet prosjekt hvis det ikke bruker verktøy i feltet, med åpenbart unntak av å stole på tilpassede verktøysett som utfører dagligdagse AI-oppgaver som matrisemultiplikasjon.
Applikasjoner basert på kunstig intelligens og applikasjoner som ikke er basert på kunstig intelligens
Her er noen ekte eksempler på kunstig intelligens som brukes i den virkelige verden:
- Datasyn-systemer som lærer å oppdage og spore objekter fra merkede data;
- Språkbehandlingssystemer lærer å svare på spørsmål og forbedrer seg over tid, for eksempel Chat-Bots;
- Spillagenter som, utelukkende fra pikselinndata, kan lære å spille spill som Space Invaders, Pacman og Tetris.
Omvendt, her er noen eksempler som ofte påstås å være eksempler på kunstig intelligens når de ikke er det, og som ikke bør påstås å være det:
- Prognosemodeller som er avhengige av sannsynlighet og statistikk;
- SQL-spørringer som henter data fra en database og utfører en form for aggregering eller sortering;
- Regelbaserte analyse-dashboards opprettet i Tableau eller Microsoft Power BI;
- Excel-regneark som bruker enkle formler;
- Excel Macro-drevne arbeidsbøker som har litt VBA-kode;
- Sensorsystemer sender et signal tilbake til et kontrollsenter som en menneskelig ekspert tolker.
Fremtidige retninger for organisasjoner som ønsker å ta i bruk kunstig intelligens
I mange tilfeller kan kunstig intelligens løse komplekse problemer, men det er begrensninger der standard betinget logikk, sannsynlighet og statistikk ville være overlegne. Et eksempel er unntak som krever 100 % pålitelighet, der AI-systemer noen ganger kan produsere inkonsekvente resultater. Når det gjelder tradisjonelle teknikker, ville det være gunstig å angi hvordan de ble implementert i stedet for å angi at de var basert på kunstig intelligens, da dette ville forbedre kunnskapsflyten.
Kunstig intelligens utvikler seg konstant, med forbedringer som kommer raskt, og sakte men sikkert trenger inn i hverdagslivet ved å bli distribuert oppå allerede eksisterende teknologiplattformer og infrastruktur. Etter hvert som det blir mer utbredt, er nøyaktighet viktigere enn noensinne, og det er avgjørende å vurdere hvordan det anvendes og forklares. Etter hvert som feltet uunngåelig blir mer regulert, vil visse friheter tatt ved feilaktig påstand om AI-bruk bli løst over tid. Organisasjoner kan imidlertid få et forsprang ved å omfavne nøyaktige AI-definisjoner fra nå av.
Fordelene med ekte kunstig intelligens er enorme, og Telemus AI kan samarbeide med din organisasjon for å drive frem håndgripelige resultater langt utover tradisjonelle teknikker.
Kontakt oss i dag for en gratis konsultasjon om hvordan Telemus AI™ kan integreres i din organisasjon.
