了解人工智慧與傳統技術之間的差異
近期人工智慧的普及，加上該領域的新穎與吸引力，導致許多組織聲稱其專案利用了 AI 領域的最新進展，但實際上他們大多僅使用標準的條件邏輯、機率與統計。這導致組織未能意識到 AI 所能帶來的效益。
廣大民眾對人工智慧的普遍理解，對於確保準確的共識以及該技術的安全與負責任發展至關重要。儘管有許多原因和內部壓力促使組織在並不準確的情況下聲稱使用了 AI，但結果是，這些組織也無法從實際的進展中受益。條件邏輯、機率與統計技術是當今大多數組織的基礎，雖然它們本身已相當複雜精密並能帶來顯著效益，但與現今普遍被稱為人工智慧的技術有所不同。
大多數現代商業應用程式依賴條件邏輯。在當代程式語言和公式引擎的語境中，現今的商業邏輯通常以布林邏輯、If-Then-Else 語句和 Case 語句來表達。組織的商業邏輯可以透過條件推理來擷取和表達。雖然這已被證明極具價值，但它與現今通常所稱的人工智慧有所不同。經常被大量用於預測和推測的機率和統計技術，雖然同樣可靠且合理，但實際上並非人工智慧。這些數學結構或多或少是事先理性定義的，只有少數常數會改變或變化，而人工智慧則依賴動態。
相反地，如簡要所述，人工智慧通常依賴從資料中學習的模型，並自行從資料中決定邏輯。自 1999 年提出通用近似定理的證明，展示神經網路如何能近似任何函數以來，現在更多的努力被導向透過人工智慧而非其他範式來解決程式。雖然在理論上可以近似任何函數，但運算能力和實現此目標的技術在實踐中是限制因素。然而，最近的進展在彌合理論與實踐之間的差距方面已取得了長足的進步。
現代人工智慧使用的技術包括深度強化學習、自然語言處理、LSTM 與生成對抗模型，並在實作中使用 TensorFlow 與 PyTorch 等框架。判斷您的專案是否使用人工智慧的一個好方法，是查看專案中實際使用的工具組。如果未使用該領域的工具，則可能不是 AI 驅動的專案，但明顯的例外是依賴執行矩陣乘法等日常 AI 任務的自訂工具組。
基於人工智能的應用及非基於人工智能的應用
以下是一些在現實世界中使用的真實人工智慧範例：
- 學習從標記資料中檢測和追蹤物體的電腦視覺系統；
- 語言處理系統學習回答問題並隨時間改善，例如聊天機器人；
- 僅從像素輸入即可學會遊玩《Space Invaders》、《Pacman》和《Tetris》等遊戲的遊戲代理。
相反地，以下是一些常被宣稱為 AI 實則不然，且不應如此宣稱的例子：
- 依賴機率與統計的預測模型；
- 從資料庫檢索資料並執行某種聚合或排序的 SQL 查詢；
- 在 Tableau 或 Microsoft Power BI 中創建的基於規則的分析儀表板；
- 使用簡單公式的 Excel 試算表；
- 包含部分 VBA 程式碼的 Excel 巨集驅動活頁簿；
- 感測器系統將信號發送回控制中心，由人類專家進行解讀。
希望採用人工智慧的組織的未來方向
在許多情況下，人工智能可以解決複雜問題，但在標準條件邏輯、概率和統計會更為優越的領域則存在局限性。一個例子是需要100%可靠性的豁免情況，AI系統有時會產生不一致的結果。對於傳統技術，說明它們是如何實施的會比聲稱它們是基於人工智能的更為有益，因為這將改善知識的流動。
人工智慧不斷演進，改進迅速到來，透過部署在現有的技術平台和基礎設施之上，逐漸滲透到日常生活中。隨著它變得更加普及，準確性比以往任何時候都更加重要，並且至關重要的是要考慮它如何被應用和解釋。隨著該領域不可避免地受到更多監管，在錯誤聲稱使用 AI 方面所採取的某些自由將隨著時間的推移而得到解決。然而，組織可以透過從現在開始採用準確的 AI 定義來搶佔先機。
真正的人工智慧所帶來的效益極為廣泛，Telemus AI 能與您的組織合作，創造遠超越傳統技術的具體成果。
立即聯絡我們，免費諮詢 Telemus AI™ 如何整合到您的組織中。
