Zrozumienie różnicy między Sztuczną Inteligencją a tradycyjnymi technikami
Ostatnia popularność sztucznej inteligencji, w połączeniu z faktem, że dziedzina ta jest nowatorska i intrygująca, sprawiła, że wiele organizacji twierdzi, że ich projekty wykorzystują najnowsze osiągnięcia w dziedzinie AI, podczas gdy w rzeczywistości używają głównie standardowej logiki warunkowej, prawdopodobieństwa i statystyki. Powoduje to, że organizacje nie uświadamiają sobie korzyści, jakie ma do zaoferowania AI.
Ogólne zrozumienie Sztucznej Inteligencji przez szersze grono odbiorców jest niezbędne do zapewnienia prawidłowego konsensusu oraz tego, że technologia ta jest rozwijana w sposób bezpieczny i odpowiedzialny. Choć istnieje wiele powodów i wewnętrznych nacisków, aby twierdzić, że korzysta się z AI, gdy takie twierdzenie jest nieprawdziwe, organizacje w rezultacie również nie czerpią korzyści z rzeczywistych postępów. Logika warunkowa, techniki probabilistyczne i statystyczne stanowią podstawę większości dzisiejszych organizacji i choć są złożone oraz wyrafinowane same w sobie, a także przynoszą znaczne korzyści, różnią się od tego, co obecnie powszechnie określa się mianem Sztucznej Inteligencji.
Większość nowoczesnych aplikacji biznesowych opiera się na logice warunkowej. W kontekście współczesnych języków programowania i silników formuł logika biznesowa jest dziś powszechnie wyrażana jako logika Boole'a, instrukcje If-Then-Else oraz instrukcje Case. Logikę biznesową organizacji można przechwytywać i wyrażać w rozumowaniu warunkowym. Choć okazała się niezwykle wartościowa, różni się od tego, co obecnie powszechnie określa się mianem sztucznej inteligencji. Techniki probabilistyczne i statystyczne, które są często intensywnie wykorzystywane do prognoz i przewidywań, choć również niezawodne i trafne, w rzeczywistości nie są sztuczną inteligencją. Te konstrukcje matematyczne są w mniejszym lub większym stopniu z góry racjonalnie definiowane, z niewieloma stałymi do zmiany lub różnicowania, podczas gdy sztuczna inteligencja opiera się na dynamice.
Zamiast tego sztuczna inteligencja, jak krótko opisano, zazwyczaj opiera się na modelach, które uczą się na podstawie danych i same określają logikę z danych. Od czasu przedstawienia dowodu Uniwersalnego Twierdzenia o Aproksymacji w 1999 roku, wykazującego, jak sieć neuronowa może aproksymować dowolną funkcję, obecnie kieruje się więcej wysiłków na rozwiązywanie programów za pomocą sztucznej inteligencji zamiast innych paradygmatów. Chociaż teoretycznie możliwe jest aproksymowanie dowolnej funkcji, moc obliczeniowa i techniki osiągnięcia tego były w praktyce czynnikiem ograniczającym. Jednakże ostatnie postępy poczyniły ogromne kroki w niwelowaniu luki między teorią a praktyką.
Nowoczesna sztuczna inteligencja wykorzystuje techniki, w tym głębokie uczenie ze wzmocnieniem, przetwarzanie języka naturalnego, LSTM i modele generatywno-przeciwnicze, a we wdrożeniach używa się frameworków takich jak TensorFlow i PyTorch. Dobrym testem tego, czy Twój projekt wykorzystuje sztuczną inteligencję, jest sprawdzenie zestawów narzędzi aktywnie wykorzystywanych w projektach. Jest mało prawdopodobne, aby był to projekt oparty na AI, jeśli nie korzysta z narzędzi w tej dziedzinie, z oczywistym wyjątkiem polegania na niestandardowych zestawach narzędzi, które wykonują codzienne zadania AI, takie jak mnożenie macierzy.
Aplikacje oparte na sztucznej inteligencji i aplikacje, które nie są oparte na sztucznej inteligencji
Oto kilka autentycznych przykładów sztucznej inteligencji wykorzystywanych w prawdziwym świecie:
- Systemy wizji komputerowej, które uczą się wykrywać i śledzić obiekty na podstawie danych oznaczonych etykietami;
- Systemy przetwarzania języka uczą się odpowiadać na pytania i ulepszają się z czasem, takie jak Chat-Boty;
- Agenci grający w gry, którzy wyłącznie na podstawie sygnału pikseli potrafią nauczyć się grać w gry takie jak Space Invaders, Pacman i Tetris.
I odwrotnie, oto kilka przykładów, które są powszechnie przedstawiane jako przykłady sztucznej inteligencji, podczas gdy nimi nie są i nie powinny być jako takie przedstawiane:
- Modele prognozowania opierające się na Prawdopodobieństwie i Statystyce;
- Zapytania SQL, które pobierają dane z bazy danych i wykonują pewnego rodzaju agregację lub sortowanie;
- Pulpity analityczne oparte na regułach utworzone w Tableau lub Microsoft Power BI;
- Arkusze programu Excel korzystające z prostych formuł;
- Arkusze programu Excel oparte na makrach, zawierające kod VBA;
- Systemy czujników wysyłają sygnał z powrotem do centrum sterowania, który interpretuje ekspert.
Kierunki przyszłości dla organizacji chcących wdrożyć sztuczną inteligencję
W wielu przypadkach sztuczna inteligencja potrafi rozwiązać złożone problemy, ale istnieją ograniczenia, w których standardowa logika warunkowa, prawdopodobieństwo i statystyka byłyby lepsze. Przykładem są zwolnienia wymagające 100% niezawodności, w przypadku których systemy AI mogą czasami dawać niespójne wyniki. W przypadku tradycyjnych technik korzystne byłoby stwierdzenie, jak zostały wdrożone, zamiast twierdzić, że opierały się na sztucznej inteligencji, ponieważ poprawiłoby to przepływ wiedzy.
Sztuczna inteligencja nieustannie się rozwija, a ulepszenia pojawiają się szybko, powoli przenikając do codziennego życia poprzez wdrażanie na już istniejących platformach technologicznych i infrastrukturze. W miarę jak staje się bardziej wszechobecna, dokładność jest ważniejsza niż kiedykolwiek, i kluczowe jest rozważenie, w jaki sposób jest stosowana i wyjaśniana. Ponieważ dziedzina ta nieuchronnie stanie się bardziej regulowana, pewne swobody w błędnym przypisywaniu użycia AI z czasem zostaną wyeliminowane. Jednak organizacje mogą zyskać przewagę, przyjmując już teraz dokładne definicje AI.
Korzyści płynące z prawdziwej sztucznej inteligencji są ogromne, a Telemus AI może współpracować z Twoją organizacją, aby generować namacalne rezultaty znacznie wykraczające poza tradycyjne techniki.
Skontaktuj się z nami już dziś, aby uzyskać bezpłatną konsultację na temat tego, jak Telemus AI™ może zostać zintegrowane z Twoją organizacją.
