Понимание разницы между искусственным интеллектом и традиционными методами
Недавняя популярность искусственного интеллекта в сочетании с новизной и привлекательностью этой области привела к тому, что многие организации заявляют об использовании в своих проектах новейших достижений в области AI, тогда как они в основном используют только стандартную условную логику, теорию вероятностей и статистику. В результате организации не осознают преимуществ, которые может дать AI.
Общее понимание искусственного интеллекта широкими массами необходимо для обеспечения точного консенсуса и безопасного и ответственного развития технологий. Хотя существует множество причин и внутреннего давления, чтобы заявлять об использовании AI, когда такое утверждение неточно, организации в результате также не получают выгоды от реальных достижений. Условная логика, вероятностные и статистические методы лежат в основе большинства организаций сегодня, и хотя они сложны и изощренны сами по себе, а также приносят значительную пользу, они отличаются от того, что сегодня обычно называют искусственным интеллектом.
Большинство современных бизнес-приложений опираются на условную логику. В контексте современных языков программирования и движков формул бизнес-логика сегодня обычно выражается в виде булевой логики, операторов If-Then-Else и операторов Case. Организационная бизнес-логика может быть зафиксирована и выражена в условных рассуждениях. Хотя это оказалось чрезвычайно ценным, это отличается от того, что сегодня обычно называют искусственным интеллектом. Вероятностные и статистические методы, которые часто широко используются для прогнозов и предсказаний, хотя и являются надежными и обоснованными, на самом деле не являются искусственным интеллектом. Эти математические конструкции более или менее рационально определяются заранее, с небольшим количеством констант для изменения или варьирования, в то время как искусственный интеллект опирается на динамику.
Вместо этого искусственный интеллект, как кратко описано, обычно опирается на модели, которые учатся на данных и определяют логику самостоятельно на основе этих данных. С тех пор, как в 1999 году было представлено доказательство Теоремы об универсальной аппроксимации, демонстрирующее, как нейронная сеть может аппроксимировать любую функцию, теперь больше усилий направляется на решение задач с помощью искусственного интеллекта вместо других парадигм. Хотя теоретически можно аппроксимировать любую функцию, вычислительная мощность и методы для достижения этого на практике были ограничивающим фактором. Однако недавние достижения позволили значительно сократить разрыв между теорией и практикой.
Современный искусственный интеллект использует такие методы, как глубокое обучение с подкреплением, обработка естественного языка, LSTM и генеративно-состязательные модели, а в реализациях применяются такие фреймворки, как TensorFlow и PyTorch. Хорошим тестом того, использует ли ваш проект искусственный интеллект, является проверка активно используемых в проектах наборов инструментов. Вряд ли это проект на базе AI, если он не использует инструменты в этой области, за исключением очевидного случая reliance на пользовательские наборы инструментов, выполняющие повседневные задачи AI, такие как умножение матриц.
Приложения на основе искусственного интеллекта и приложения, не основанные на искусственном интеллекте
Вот несколько реальных примеров искусственного интеллекта, которые используются в реальном мире:
- Системы компьютерного зрения, которые учатся обнаруживать и отслеживать объекты на основе размеченных данных;
- Системы обработки языка учатся отвечать на вопросы и совершенствуются со временем, например, чат-боты;
- Игровые агенты, которые только на основе ввода пикселей могут обучаться играть в такие игры, как Space Invaders, Pacman и Tetris.
И наоборот, вот некоторые примеры, которые часто называют примерами искусственного интеллекта, хотя они таковыми не являются и не должны заявляться как таковые:
- Модели прогнозирования, основанные на теории вероятностей и математической статистике;
- SQL-запросы, которые извлекают данные из базы данных и выполняют某种 агрегацию или сортировку;
- Аналитические панели на основе правил, созданные в Tableau или Microsoft Power BI;
- Электронные таблицы Excel, использующие простые формулы;
- Книги на основе макросов Excel, содержащие некоторый код VBA;
- Системы датчиков отправляют сигнал обратно в центр управления, который интерпретирует эксперт-человек.
Перспективные направления для организаций, стремящихся внедрить искусственный интеллект
Во многих случаях искусственный интеллект может решать сложные задачи, но существуют ограничения, когда стандартная условная логика, теория вероятностей и статистика были бы предпочтительнее. Примером являются исключения, требующие 100% надежности, при которых системы AI иногда могут давать противоречивые результаты. В случае традиционных методов было бы полезно указать, как они были реализованы, а не заявлять, что они основаны на искусственном интеллекте, так как это улучшило бы поток знаний.
Искусственный интеллект постоянно развивается, улучшения происходят быстро, постепенно проникая в повседневную жизнь за счет развертывания поверх уже существующих технологических платформ и инфраструктуры. По мере его распространения точность становится важнее, чем когда-либо, и крайне важно учитывать, как он применяется и как объясняется его работа. По мере того, как эта сфера неизбежно будет подвергаться большему регулированию, со временем исчезнут некоторые вольности в ложном заявлении об использовании AI. Однако организации могут получить преимущество, начав использовать точные определения AI уже сейчас.
Преимущества подлинного искусственного интеллекта огромны, и Telemus AI может сотрудничать с вашей организацией для достижения ощутимых результатов, далеко выходящих за рамки традиционных методов.
Свяжитесь с нами сегодня для бесплатной консультации о том, как Telemus AI™ может быть интегрирован в вашу организацию.
