Förstå skillnaden mellan Artificiell Intelligens och Traditionella Tekniker
Den senaste tidens popularitet för artificiell intelligens, i kombination med att fältet är nytt och lockande, har lett till att många organisationer hävdar att deras projekt använder de senaste framstegen inom AI-området när de i själva verket mestadels använder standardvillkorslogik, sannolikhet och statistik. Detta resulterar i att organisationer inte inser de fördelar som AI har att erbjuda.
En allmän förståelse för artificiell intelligens hos den bredare allmänheten är avgörande för att säkerställa en korrekt konsensus och att tekniken utvecklas säkert och ansvarsfullt. Även om det finns många skäl och interna påtryckningar att hävda användningen av AI när ett sådant påstående är felaktigt, drar organisationer som ett resultat inte heller nytta av faktiska framsteg. Villkorlig logik, probabilistiska och statistiska tekniker ligger till grund för de flesta organisationer idag och även om de är komplexa och sofistikerade på egen hand samt ger betydande fördelar, skiljer de sig från det som idag vanligtvis kallas artificiell intelligens.
De flesta moderna affärsapplikationer förlitar sig på villkorsstyrd logik. I samband med samtida programmeringsspråk och formelmotorer uttrycks affärslogik idag vanligtvis som Boolesk logik, If-Then-Else-satser och Case-satser. Organisatorisk affärslogik kan fångas och uttryckas i villkorsstyrd resonemang. Även om det har visat sig vara oerhört värdefullt, skiljer det sig från det som idag vanligtvis kallas Artificiell Intelligens. Probabilistiska och statistiska tekniker som ofta används i hög grad för prognoser och förutsägelser, och som också är tillförlitliga och sunda, är faktiskt inte Artificiell Intelligens. Dessa matematiska konstruktioner är mer eller mindre definierade i förväg rationellt, med få konstanter att ändra eller variera, medan Artificiell Intelligens förlitar sig på dynamik.
Istället förlitar sig artificiell intelligens, som kort beskrivits, vanligtvis på modeller som lär sig från data och själva bestämmer logiken från data. Sedan beviset av den universella approximationssatsen presenterades 1999, vilket visar hur ett neuralt nätverk kan approximera vilken funktion som helst, riktas nu mer ansträngning mot att lösa program via artificiell intelligens istället för andra paradigm. Även om det teoretiskt sett är möjligt att approximera vilken funktion som helst, var beräkningskraft och tekniker för att uppnå detta en begränsande faktor i praktiken. Nya framsteg har dock gjort stora framsteg när det gäller att överbrygga klyftan mellan teori och praktik.
Modern AI använder tekniker inklusive djup förstärkt inlärning, naturlig språkbearbetning, LSTM och generativa-adversariella modeller med ramverk inklusive TensorFlow och PyTorch som används i implementeringar. Ett bra test på om ditt projekt använder AI är att titta på de verktygssatser som aktivt används inom projekt. Det är sannolikt inte ett AI-drivet projekt om det inte använder verktyg inom fältet, med det uppenbara undantaget att förlita sig på anpassade verktygssatser som utför vanliga AI-uppgifter som matrismultiplikation.
Applikationer baserade på artificiell intelligens och applikationer som inte är baserade på artificiell intelligens
Här är några genuina exempel på artificiell intelligens som används i den verkliga världen:
- Datorseendesystem som lär sig att upptäcka och spåra objekt från märkta data;
- Språkbearbetningssystem lär sig att svara på frågor och förbättras över tid, såsom Chat-Bots;
- Spel-agenter som, enbart från pixelindata, kan lära sig att spela spel som Space Invaders, Pacman och Tetris.
Omvänt, här är några exempel som ofta hävdas som exempel på artificiell intelligens när de inte är det och inte bör hävdas vara det:
- Prognosmodeller som bygger på sannolikhet och statistik;
- SQL-frågor som hämtar data från en databas och utför någon form av aggregering eller sortering;
- Regelbaserade analysinstrumentpaneler skapade i Tableau eller Microsoft Power BI;
- Excel-kalkylblad som använder enkla formler;
- Excel Makro-drivna arbetsböcker som har viss VBA-kod;
- Sensorsystem skickar en signal tillbaka till ett kontrollcenter som en mänsklig expert tolkar.
Framtida inriktningar för organisationer som vill anta artificiell intelligens
I många fall kan artificiell intelligens lösa komplexa problem, men det finns begränsningar där standardvillkorslogik, sannolikhet och statistik skulle vara överlägsna. Ett exempel är undantag som kräver 100 % tillförlitlighet, där AI-system ibland kan producera inkonsekventa resultat. I fallet med traditionella tekniker skulle det vara fördelaktigt att ange hur de implementerades snarare än att ange att de var baserade på artificiell intelligens, eftersom detta skulle förbättra kunskapsflödet.
Artificiell intelligens utvecklas ständigt, med förbättringar som kommer snabbt och långsamt sipprar in i vardagen genom att distribueras ovanpå redan existerande teknikplattformar och infrastruktur. I takt med att det blir mer utbrett är noggrannhet viktigare än någonsin, och det är avgörande att överväga hur det tillämpas och förklaras. I takt med att fältet oundvikligen blir mer reglerat kommer vissa friheter som tagits vid felaktiga påståenden om AI-användning att försvinna över tid. Organisationer kan dock få ett försprång genom att anamma korrekta AI-definitioner från nuet.
Fördelarna med genuin artificiell intelligens är stora, och Telemus AI kan arbeta med din organisation för att driva påtagliga resultat långt bortom traditionella tekniker.
Kontakta oss idag för ett gratis samråd om hur Telemus AI™ kan integreras i din organisation.
