Razumevanje razlike med umetno inteligenco in tradicionalnimi tehnikami
Nedavna priljubljenost umetne inteligence, skupaj z dejstvom, da je področje novo in privlačno, je privedla do tega, da mnoge organizacije trdijo, da njihovi projekti uporabljajo najnovejše napredke na področju AI, čeprav v glavnem uporabljajo le standardno pogojno logiko, verjetnost in statistiko. Posledica tega je, da organizacije ne spoznavajo koristi, ki jih prinaša AI.
Splošno razumevanje umetne inteligence s strani širše javnosti je bistveno za zagotavljanje natančnega konsenza in varnega ter odgovornega razvoja tehnologije. Čeprav obstaja veliko razlogov in notranjih pritiskov za trditev o uporabi AI, ko je takšna trditev netočna, organizacije zaradi tega tudi ne koristijo od dejanskih napredkov. Pogojna logika, verjetnostne in statistične tehnike so temelj večine organizacij danes in čeprav so same po sebi kompleksne in prefinjene ter prinašajo pomembne koristi, se razlikujejo od tistega, kar se danes pogosto imenuje umetna inteligenca.
Večina sodobnih poslovnih aplikacij temelji na pogojni logiki. V kontekstu sodobnih programskih jezikov in formulnih motorjev se poslovna logika danes pogosto izraža kot Boolova logika, stavki If-Then-Else in stavki Case. Organizacijsko poslovno logiko je mogoče zajeti in izraziti s pogojnim sklepanjem. Čeprav se je izkazala za izjemno dragoceno, se razlikuje od tega, kar se danes običajno imenuje umetna inteligenca. Verjetnostne in statistične tehnike, ki se pogosto močno uporabljajo za napovedi in predvidevanja, čeprav so tudi zanesljive in utemeljene, pravzaprav niso umetna inteligenca. Ti matematični konstrukti so bolj ali manj vnaprej racionalno definirani, z nekaj konstantami, ki se spremenijo ali razlikujejo, medtem ko se umetna inteligenca zanaša na dinamiko.
Namesto tega se umetna inteligenca, kot je na kratko opisano, običajno zanaša na modele, ki se učijo iz podatkov in določajo logiko samo iz podatkov. Od odkritja izreka o univerzalni aproksimaciji leta 1999, ki je pokazal, kako lahko nevronska mreža aproksimira katero koli funkcijo, se zdaj več prizadevanja usmerja v reševanje programov z umetno inteligenco namesto z drugimi paradigmi. Čeprav je teoretično mogoče aproksimirati katero koli funkcijo, so bili procesorska moč in tehnike za doseganje tega v praksi omejujoči dejavnik. Vendar so nedavni napredki naredili velike korake pri premostitvi vrzeli med teorijo in prakso.
Sodobna umetna inteligenca uporablja tehnike, vključno z globokim okrepitvenim učenjem, obdelavo naravnega jezika, LSTM in generativno-antagonističnimi modeli, pri implementacijah pa se uporabljajo ogrodja, kot sta TensorFlow in PyTorch. Dober preizkus, ali vaš projekt uporablja umetno inteligenco, je pregled orodij, ki se aktivno uporabljajo v projektih. Verjetno ni projekt na osnovi AI, če ne uporablja orodij na tem področju, razen v očitnem primeru zanašanja na custom orodja, ki izvajajo vsakodnevne naloge AI, kot je množenje matrik.
Aplikacije na osnovi umetne inteligence in aplikacije, ki niso na osnovi umetne inteligence
Tukaj je nekaj pristnih primerov umetne inteligence, ki se uporabljajo v resničnem svetu:
- Sistemi računalniškega vida, ki se naučijo zaznavati in slediti predmetom iz označenih podatkov;
- Sistemi za obdelavo jezika se naučijo odgovarjati na vprašanja in se s časom izboljšujejo, kot so Chat-Bot;
- Agenti za igranje iger, ki lahko iz samega vnosa slikovnih točk naučijo igrati igre, kot so Space Invaders, Pacman in Tetris.
Nasprotno pa so tukaj nekateri primeri, ki se pogosto trdijo kot primeri umetne inteligence, čeprav niso in se kot taki ne bi smeli trditi:
- Napovedni modeli, ki temeljijo na verjetnosti in statistiki;
- Poizvedbe SQL, ki pridobivajo podatke iz podatkovne baze in izvajajo neke vrste agregacijo ali razvrščanje;
- Nadzorne plošče analitike na podlagi pravil, ustvarjene v Tableau ali Microsoft Power BI;
- Preglednice Excel, ki uporabljajo preproste formule;
- Delovni zvezki, ki jih poganjajo Excel Macro in imajo nekaj kode VBA;
- Senzorski sistemi pošljejo signal nazaj v nadzorni center, ki ga človeški strokovnjak interpretira.
Prihodnje smeri za organizacije, ki želijo sprejeti umetno inteligenco
V mnogih primerih lahko umetna inteligenca reši kompleksne probleme, vendar obstajajo omejitve, kjer bi bila standardna pogojna logika, verjetnost in statistika boljša. Primer so izjeme, ki zahtevajo 100-odstotno zanesljivost, pri katerih lahko sistemi AI včasih dajejo nedosledne rezultate. V primeru tradicionalnih tehnik bi bilo koristno navesti, kako so bile implementirane, namesto da bi se navedlo, da temeljijo na umetni inteligenci, saj bi to izboljšalo pretok znanja.
Umetna inteligenca se nenehno razvija, izboljšave prihajajo hitro in počasi pronikajo v vsakdanje življenje z uvajanjem na vrhu že obstoječih tehnoloških platform in infrastrukture. Ko postane bolj razširjena, je natančnost pomembnejša kot kdaj koli prej in ključno je razmisliti, kako se uporablja in razlaga. Ko bo to področje neizogibno postalo bolj regulirano, bodo nekatere svoboščine, ki se jih vzame pri napačnem trženju uporabe AI, s časom izzvenele. Organizacije pa lahko pridobijo prednost z objemanjem natančnih definicij AI že zdaj.
Koristi prave umetne inteligence so obsežne, Telemus AI pa lahko z vašo organizacijo sodeluje pri doseganju oprijemljivih rezultatov, ki presegajo tradicionalne tehnike.
Stopite v stik z nami še danes za brezplačno posvetovanje o tem, kako lahko Telemus AI™ integrirate v vašo organizacijo.
