Kas īsti ir mākslīgais intelekts? [Video un viktorīna]

Īsa atbilde: mākslīgais intelekts ir plaša skaitļošanas metožu saime, kas atpazīst modeļus, veic prognozes, ģenerē saturu un arvien vairāk veic darbības. Tas var būt ļoti efektīvs, ja ap to tiek veidota uzticama informācija, skaidras atļaujas un cilvēka veikta pārskatīšana, taču plūstošu izvadi nekad nevajadzētu uzskatīt par automātisku patiesības pierādījumu.

Galvenie secinājumi:

Atbildība: Nodrošiniet, lai cilvēki būtu atbildīgi par svarīgiem lēmumiem, īpaši jomās, kurās mākslīgais intelekts var pieļaut dārgas kļūdas.

Caurspīdīgums: Skaidri norādiet, uz kādu informāciju, noteikumiem un atļaujām balstās mākslīgā intelekta sistēma.

Verifikācija: Pirms rīcības uzsākšanas pārbaudiet svarīgus faktiskos, medicīniskos, juridiskos, finanšu un biznesa rezultātus.

Auditējamība: pārbaudiet mākslīgo intelektu ar reprezentatīviem gadījumiem un reģistrējiet gan efektivitātes pieaugumu, gan radītās kļūdas.

Aizsardzība pret ļaunprātīgu izmantošanu: ierobežojiet piekļuvi, novērsiet neatbalstītas darbības un nenoteiktus gadījumus nododiet pārskatītājiem.

1. Kas īsti ir mākslīgais intelekts? Vienkāršs skaidrojums

Mākslīgais intelekts jeb AIattiecas uz datorsistēmām, kas var veikt ar cilvēka intelektu saistītus uzdevumus.

Šie uzdevumi varētu ietvert:

• Valodas izpratne

• Objektu atpazīšana attēlos

• Paredzot, kas notiks tālāk

• Ieteikumu sniegšana

• Teksta, attēlu, audio vai video ģenerēšana

• Modeļu noteikšana milzīgos datu kopumos

• Lēmumu pieņemšana, pamatojoties uz pieejamo informāciju

• Mācīšanās no piemēriem

• Noteikta veida problēmu risināšana

Šeit svarīgs ir viens punkts.

Mākslīgajam intelektam nav obligāti jādomā kā cilvēkam, lai radītu rezultātus, kas šķiet inteliģenti.

Šaha programma nesēž un neuztraucas par to, vai laidņa upurēšana šķiet emocionāli pareiza. Ieteikumu algoritms neveido personisku pieķeršanos dokumentālajai filmai, ko tas jums nepārtraukti iesaka. Valodas modelim nav nepieciešams mazs angļu valodas skolotājs, kas dzīvo datora iekšpusē.

Tā vietā šīs sistēmas apstrādā informāciju, izmantojot matemātiskos modeļus, algoritmus, apmācības datus, noteikumus, varbūtības un milzīgu aprēķinu apjomu.

Gala rezultāts var izskatīties pārsteidzoši cilvēcisks.

Bet pamatā esošais mehānisms ir pavisam citāds.

Šī atšķirība ir svarīgāka, nekā cilvēki dažreiz apzinās.

2. Mākslīgais intelekts ir mazāk līdzīgs robota smadzenēm un vairāk kā paredzēšanas mašīna

Kad cilvēki dzird vārdus "mākslīgais intelekts", viņi bieži iztēlojas kaut ko līdzīgu sintētiskām cilvēka smadzenēm.

Tas ir saprotami. Zinātniskā fantastika gadu desmitiem ir devusi mākslīgajam intelektam mirdzošas acis, draudīgas balsis, aizdomīgi spēcīgus viedokļus un parasti kaut kādu metāla skeletu.

Praktiskais mākslīgais intelekts parasti ir mazāk kinematogrāfisks.

Daudzas mūsdienu mākslīgā intelekta sistēmas darbojas, izmantojot paredzēšanu.

Apsveriet valodas modeli.

Kad rakstāt:

"Kaķis sēdēja uz..."

sistēma novērtē, kuri vārdi statistiski visticamāk parādīsies nākamie.

Iespējams:

• paklājiņš

• grīda

• dīvāns

• krēsls

Tas ne tikai iegaumē vienu teikumu un atgriež to atmiņā. Pietiekami attīstīts modelis ir apguvis sarežģītas attiecības starp vārdiem, idejām, teikumu struktūrām, jēdzieniem, stiliem, faktiem un modeļiem.

Pēc tam tā paredz secību, kas vislabāk atbilst kontekstam. paredzētu nākamo vārdu, ir diezgan daudz jāapgūst par valodu.

Un valoda ietver... nu, būtībā visu, par ko cilvēki runā.

Vēsture. Matemātika. Pavārmāksla. Programmēšana. Attiecības. Fizika. Strīdi par to, vai ananāss pieder pie picas.

Tātad šķietami vienkāršs prognozēšanas uzdevums var radīt pārsteidzoši sarežģītu uzvedību.

Protams, šai metaforai ir robežas. Nosaukt progresīvu mākslīgo intelektu par "tikai automātisko pabeigšanu" ir mazliet līdzīgi kā nosaukt lidmašīnu par "tikai metālu ar spārniem". Tehniski tur slēpjas kaut kas patiess, taču lielākā daļa interesantās daļas ir pazudusi.

3. Kā mācās mākslīgais intelekts?

Šeit sarunā iesaistās mašīnmācīšanās

Tradicionālā programmatūra parasti darbojas, izmantojot skaidras instrukcijas.

Programmētājs varētu rakstīt:

• Ja lietotājs ievada pareizo paroli, atļaujiet piekļuvi.

• Ja temperatūra pārsniedz noteiktu slieksni, aktivizējiet dzesēšanu.

• Ja prece nav noliktavā, parādiet brīdinājumu.

Šīs instrukcijas ir apzināti ieprogrammētas.

Mašīnmācīšanās apgriež procesu otrādi.

Tā vietā, lai manuāli definētu katru noteikumu, izstrādātāji sniedz sistēmai piemērus vai datus un ļauj tai atklāt modeļus.

Iedomājieties, ka mēģināt izveidot programmatūru, kas spēj atpazīt kaķus fotogrāfijās.

Rakstīt skaidrus noteikumus diezgan ātri kļūtu smieklīgi.

Jūs varētu mēģināt:

• Meklējiet trīsstūrveida ausis.

• Meklējiet ūsas.

• Meklējiet četras kājas.

• Meklējiet kažokādas.

Tad kāds augšupielādē lapsas attēlu.

Ne gluži.

Vai tīģeris.

Vai kaķis, saritinājies pūkainā vēderā, kur knapi var redzēt kājas.

Mašīnmācīšanās pieeja problēmai ir atšķirīga. Modeli var apmācīt, izmantojot milzīgas piemēru kolekcijas, un pakāpeniski apgūt, kuri vizuālie modeļi ir saistīti ar kaķiem.

Tā nav vārda "kaķis" apguve tāpat kā to dara mazulis.

Bet matemātiski modelis arvien vairāk spēj identificēt ar kategoriju saistītus modeļus.

Tā īsumā ir mašīnmācīšanās — lai gan pašā īsumā ir vairākas lineārās algebras noliktavas.

4. Mākslīgais intelekts pret mašīnmācīšanos pret dziļo mācīšanos

Šie termini tiek pastāvīgi jaukti kopā, daļēji tāpēc, ka cilvēki lieto "AI" kā vispārēju frāzi praktiski visam.

Vienkāršs veids, kā tos atšķirt, ir šāds.

Mākslīgais intelekts ir plaša joma.

Mašīnmācīšanās ir viena no pieejām, ko izmanto mākslīgā intelekta sistēmu izveidē.

Dziļā mācīšanās ir īpašs mašīnmācīšanās veids, kurā iesaistīti lieli neironu tīkli ar vairākiem slāņiem.

Tad vēl ir ģeneratīvais mākslīgais intelekts (AI), kas koncentrējas uz jaunu izvades materiālu, piemēram, teksta, attēlu, mūzikas, koda, runas vai video, radīšanu.

Salīdzināšanas tabula

Termiņš	Tipisks lietojums	Ko tas būtībā nozīmē	Ātrs veids, kā par to domāt
Mākslīgais intelekts	Plaša mašīnu kategorija, kas veic šķietami inteliģentus uzdevumus	Robotika, asistenti, plānošana, ieteikumi	Lielais lietussargs
Mašīnmācīšanās	Sistēmu mācīšanās modeļi no datiem	Krāpšanas atklāšana, ieteikumi, prognozes	Mācīšanās no piemēriem
Dziļā mācīšanās	Mašīnmācīšanās, izmantojot daudzslāņu neironu tīklus	Redze, runa, progresīvi valodas modeļi	ML, bet daudz dziļāk... burtiski
Ģeneratīvais mākslīgais intelekts	Mākslīgais intelekts, kas paredzēts jauna satura radīšanai	Teksts, attēli, kods, audio	Radošākā nozare
Automatizācija	Programmatūra, kas ievēro iepriekš definētus procesus	Atkārtotas darbplūsmas, datu ievadīšana	Parasti noteikumi, nevis "mācīšanās"

Šī atšķirība ir svarīga, jo ne katra automatizētā sistēma ir mākslīgais intelekts.

Ja jūsu kafijas automāts pats izslēdzas pēc desmit minūtēm, apsveicu — jums, iespējams, nepieder mākslīgā intelekta laboratorija.

Tas ir tikai taimeris.

5. Kas ir neironu tīkli?

Neironu tīkli ir matemātiskas sistēmas, kas brīvi iedvesmotas no bioloģiskajiem neironiem.

Šī frāze liek tiem izklausīties noslēpumaini. Tie nav burtiski mākslīgi smadzenes, kas peld datoru iekšienē.

Neironu tīkls sastāv no savstarpēji savienotām matemātiskām vienībām, kas apstrādā informāciju.

Apmācības laikā tīkls pielāgo iekšējās skaitliskās vērtības, ko sauc par parametriem vai svariem.

Šīs korekcijas ļauj sistēmai labāk radīt vērtīgus rezultātus.

Iedomājiet to kā absurdi sarežģītu vadības paneli ar potenciāli miljardiem sīku regulējamu pogu.

Treniņš atkal un atkal iekustina šīs pogas.

Nepareiza atbilde?

Noregulējiet kloķus.

Labāka atbilde?

Pielāgojiet tos atšķirīgi.

Dariet to pietiekami reižu, izmantojot pietiekamu datu apjomu un ar pietiekamu skaitļošanas jaudu, un tīkls sāk izstrādāt sarežģītas iekšējas reprezentācijas, kas ļauj tam atpazīt un ģenerēt modeļus.

Protams, sakot "pielāgojiet pogas", desmitiem gadu datorzinātnēs izklausās pēc kāda veca radioaparāta regulēšanas... bet kā mentāls modelis tas darbojas pārsteidzoši labi.

6. Kāpēc mākslīgais intelekts pēkšņi šķiet tik daudz gudrāks

Mākslīgais intelekts nav viens izgudrojums, kas parādījās vienas nakts laikā.

Pamatā esošais lauks pastāv jau ilgu laiku.

Mainījās vairāku spēku paātrināšanās kopā.

Lielāka skaitļošanas jauda

Mūsdienu procesori var ātri veikt milzīgu skaitu aprēķinu, īpaši tādus aprēķinus, kas nepieciešami neironu tīkliem. Apmācības skaitļošanas apjoma ir bijis viens no svarīgākajiem mūsdienu mākslīgā intelekta sistēmu attīstības virzītājspēkiem.

Vairāk datu

Digitālā pasaule satur milzīgu daudzumu teksta, attēlu, audio, video, koda un strukturētas informācijas.

Sarežģītu modeļu apmācībai ir nepieciešami piemēri — ļoti daudz.

Labāki algoritmi

Pētnieki nepārtraukti uzlabo mākslīgā intelekta sistēmu apmācībai izmantotās arhitektūras un metodes.

Lielāki modeļi

Parametru skaita palielināšana, datu kopu uzlabošana un aprēķinu palielināšana bieži vien ir radījusi pārsteidzoši spējīgus modeļus. Pētījumi par aprēķinu ziņā optimālu valodu modeļu apmācību arī liecina, ka modeļa lielumam, datiem un aprēķinu jaudai ir jābūt līdzsvarotai, nevis vienkārši jāpalielina parametru skaits.

Labākas saskarnes

Šo daļu ir viegli novērtēt par zemu.

Mākslīgais intelekts šķiet ievērojami pieejamāks, jo parastie cilvēki tagad var mijiedarboties ar progresīvām sistēmām, izmantojot ikdienas valodu.

Tev nav jāsaprot programmēšana.

Jūs varat vienkārši pajautāt:

"Izskaidrojiet hipotēkas tā, it kā man būtu divpadsmit."

Vai arī:

"Pārveidojiet šīs sapulces piezīmes e-pastā."

Vai arī:

"Dodiet man piecas vakariņu idejas, izmantojot vistu, rīsus un jebkurus dārzeņus, kas lēnām mirst manā ledusskapī."

Šīs saskarnes izmaiņas ir milzīgas.

Tehnoloģijas mēdz strauji iegūt popularitāti, tiklīdz cilvēkiem vairs nav nepieciešama rokasgrāmata to lietošanai.

7. Ko dara mākslīgais intelekts, kad tam uzdodat jautājumu?

Apsveriet mūsdienīgu mākslīgā intelekta palīgu.

Jūs rakstāt:

"Izskaidrojiet piecgadīgam bērnam gravitāciju."

Aizkulisēs sistēma pārveido jūsu tekstu skaitliskās vienībās, ko sauc par žetoniem (tokeniem).

Žetoni var attēlot pilnus vārdus, vārdu daļas, pieturzīmes vai citus valodas fragmentus.

Šie žetoni tiek apstrādāti, izmantojot modeli.

Modelis analizē attiecības starp dažādām jūsu pieprasījuma daļām, ņem vērā kontekstu un prognozē noderīgu turpinājumu.

Tad vēl viens žetons.

Tad vēl viens.

Tad vēl viens.

Tas notiek pārsteidzoši ātri.

Iegūtā rindkopa izskatās tā, it kā kāds to būtu sacerējis kā pilnīgu domu, bet tehniski tā tika ģenerēta secīgi.

Tā ir viena no mākslīgā intelekta īpatnībām.

Rezultāts var šķist apzināts, pat ja pamatā esošais process ir varbūtības process.

Tas vairāk atgādina improvizāciju, nevis sagatavotas atbildes izvilkšanu no milzīgas datubāzes.

Ne gluži improvizācija, protams, bet pietiekami tuvu, lai metafora nopelnītu savu pusdienu devu.

8. Vai mākslīgais intelekts saprot lietas?

Šis jautājums ļoti ātri kļūst filozofisks.

Vai mākslīgā intelekta sistēma patiesi "saprot" valodu?

Atbilde lielā mērā ir atkarīga no tā, ko jūs domājat ar izpratni.

Mūsdienu mākslīgā intelekta modeļi var nepārprotami manipulēt ar koncepcijām sarežģītos veidos.

Viņi var:

• Izskaidrojiet idejas

• Salīdzināt argumentus

• Pārrakstīt tekstu

• Tulkot valodas

• Atrisiniet daudzas strukturētas problēmas

• Ģenerēt darba kodu

• Identificējiet modeļus

• Izpildiet sarežģītus norādījumus

• Apvienojiet koncepcijas jaunā veidā

No malas tas var izskatīties ļoti līdzīgi sapratnei.

Taču pastāv būtiskas atšķirības starp mašīnintelektu un cilvēka izziņu.

Cilvēki izjūt fizisko pasauli.

Mēs jūtam izsalkumu, sāpes, apmulsumu, garlaicību, pieķeršanos un savdabīgu paniku, saprotot, ka jūsu tālruņa akumulators ir izlādējies līdz 2 procentiem.

Mākslīgā intelekta sistēmām ne vienmēr ir līdzvērtīga dzīves pieredze.

Viņi apstrādā pārstāvniecības.

Tātad jautājums par to, vai mākslīgais intelekts kaut ko "saprot", var līdzināties jautājumam par to, vai zemūdene peld.

Tas noteikti pārvietojas pa ūdeni.

Bet varbūt "peldēšana" nav gluži īstais vārds.

9. Mākslīgais intelekts automātiski nezina, kas ir patiesība

Šis ir viens no svarīgākajiem punktiem attiecībā uz ģeneratīvo mākslīgo intelektu.

Modelis var ģenerēt apgalvojumu, kas izklausās ārkārtīgi pārliecinoši, bet pats apgalvojums nav pareizs.

Kāpēc?

Jo ticamas valodas ģenerēšana un objektīvas patiesības pārbaude ir dažādas problēmas.

Mākslīgā intelekta sistēma var saskarties ar nenoteiktību un joprojām sniegt pārliecinoši skanošu atbildi.

Šīs kļūdas bieži sauc par halucinācijām.

Piemēram, mākslīgais intelekts varētu:

• Izgudrojiet statistiku

• Nepareizi norādīt citātu

• Sajaukt divus līdzīgus cilvēkus

• Izveidot neesošas atsauces

• Nepareizi interpretēt neskaidrus norādījumus

• Pieļaujiet smalkas matemātiskas kļūdas

Valodas modeļi var radīt safabricētus citātus, pētījumus, atsauces un citu nepareizu informāciju, vienlaikus radot pārliecinošu iespaidu. NIST īpaši identificē pārliecinoši paustu nepatiesu saturu un safabricētus citātus kā ģeneratīvā mākslīgā intelekta risku.

Paradoksāli, jo spējīgākas šīs sistēmas izklausās, jo vieglāk to aizmirst.

Spoža valoda rada pārliecību.

Bet pārliecība nav pierādījums.

Attiecībā uz informāciju, kas saistīta ar augstām likmēm tādās jomās kā medicīna, tiesības, finanses, drošība vai svarīgi uzņēmējdarbības lēmumi, verifikācija joprojām ir svarīga.

Diezgan daudz.

10. Mākslīgais intelekts nav tas pats, kas meklētājprogramma

Vēl viens izplatīts nepareizs priekšstats ir mākslīgā intelekta un meklēšanas uzskatīšana par vienu un to pašu.

Viņi tādi nav.

Tradicionālā meklētājprogramma galvenokārt palīdz atrast esošo informāciju.

Ģeneratīvā mākslīgā intelekta sistēma galvenokārt ģenerē atbildi, pamatojoties uz apgūtiem modeļiem, sniegto kontekstu un jebkādiem papildu rīkiem, kuriem tai var būt piekļuve. Ģeneratīvie modeļi apgūst modeļus un attiecības lielās datu kopās un izmanto šos modeļus, lai radītu jaunus rezultātus.

Iedomājieties, ka jūs jautājat:

Meklētājprogramma: "labākie veidi, kā izskaidrot fotosintēzi"

Parasti jūs saņemat lapas izmeklēšanai.

Pajautājiet to pašu mākslīgā intelekta asistentam, un jūs varētu saņemt:

• Vienkāršs skaidrojums

• Klases analoģija

• Viktorīna

• Nodarbību plāns

• Stāsts bērniem

• Detalizēta zinātniskā versija

Meklēšana atgūst rezultātus.

Ģeneratīvais mākslīgais intelekts sintezē.

Mūsdienu sistēmas var apvienot abas pieejas, kas padara atšķirību arvien neskaidrāku, taču rīki konceptuāli joprojām atšķiras.

11. Ko mākslīgais intelekts var paveikt labi?

Mākslīgais intelekts parasti īpaši labi darbojas uzdevumos, kuros ir daudz modeļu, daudz informācijas un transformācijas.

Vērtīgi pielietojumi ietver:

Rakstīšanas palīdzība

Mākslīgais intelekts var izstrādāt, pārrakstīt, apkopot un pārstrukturēt tekstu.

Programmēšana

Modeļi var ģenerēt kodu, izskaidrot kļūdas, ieteikt uzlabojumus un palīdzēt izstrādātājiem izprast nepazīstamas sistēmas.

Datu analīze

Mākslīgais intelekts var palīdzēt identificēt modeļus, interpretēt datu kopas un sarežģītus atklājumus pārvērst saprotamā valodā.

Attēlu ģenerēšana

Ģeneratīvie modeļi var izveidot ilustrācijas, koncepcijas, produktu maketus, mākslas darbus un vizuālas variācijas no aprakstiem.

Tulkojums

Uzlaboti modeļi var tulkot dažādās valodās, vienlaikus saglabājot vairāk konteksta nekā vienkāršas vārdiskas sistēmas.

Izglītība

Mākslīgais intelekts var izskaidrot vienu un to pašu jēdzienu vairākos veidos atkarībā no cilvēka zināšanu līmeņa.

Klientu atbalsts

Uzņēmumi var izmantot mākslīgo intelektu, lai atbildētu uz bieži uzdotiem jautājumiem un palīdzētu novirzīt sarežģītas lietas.

Ideju ģenerēšana

Mākslīgais intelekts var būt īpaši efektīvs, ja jums ir tukša ledusskapja intelektuālais ekvivalents.

Jūs varat pajautāt par leņķiem, nosaukumiem, koncepcijām, struktūrām vai iespējām — pēc tam izlemiet, ko ir vērts paturēt.

Tās bieži vien ir veselīgākās darba attiecības ar mākslīgo intelektu.

Nevis "mašīna aizstāj cilvēku"

Vairāk kā:

cilvēks + mašīna = ātrāks pirmais domāšanas melnraksts.

12. Kas mākslīgajam intelektam joprojām ir slikts

Neskatoties uz visu uzmanību, kas ar to saistīta, pašreizējam mākslīgajam intelektam joprojām ir ievērojami ierobežojumi.

Daži ir acīmredzami uzreiz.

Citi parādās tikai tad, kad paļaujaties uz sistēmu kaut kā sarežģīta gadījumā.

Mākslīgais intelekts var saskarties ar šādām problēmām:

• Ārkārtīgi precīza faktuālā precizitāte

• Neparasti malas gadījumi

• Garas spriešanas ķēdes

• Neskaidri norādījumi

• Veselā saprāta pieņēmumi, ko cilvēki tik tikko pamana

• Neizteikta emocionālā konteksta izpratne

• Pārbaude, vai informācija patiesi atbilst patiesībai

• Uzdevumi, kuriem nepieciešama pieredze fiziskajā pasaulē

• Konsekvence sarežģītos projektos

Pat ļoti spējīgi valodu modeļi joprojām var pieļaut faktuālas un spriešanas kļūdas, un sarežģīti etaloni joprojām atklāj būtiskus ierobežojumus.

Vēl viena problēma ir tā, ka mākslīgais intelekts var sniegt viduvējas izskata atbildes ar ļoti nelielu piepūli.

Pajautāt desmit uzņēmumu nosaukumus?

Pabeigts.

Lūgt emuāra ierakstu?

Viegli.

Lūdz mārketinga idejas?

Protams.

Taču kaut kā radīšana nav tas pats, kas patiesi oriģināla, komerciāli vērtīga, emocionāli inteliģenta vai stratēģiski pamatota darba radīšana.

Cilvēki joprojām nodrošina garšu.

Garšai ir nozīme.

Varbūt vairāk nekā jebkad agrāk.

13. Vai mākslīgais intelekts ir apzinīgs?

Šeit mēs nonākam pie daļas, kur vakariņu sarunas kļūst savdabīgas.

Pašreizējās mākslīgā intelekta sistēmas var radīt valodu, kas izklausās emocionāla, pārdomāta un pašapzinīga.

Tas automātiski nenozīmē, ka viņi piedzīvo apziņu.

Valodu modeļi ir īpaši apmācīti valodas ģenerēšanai.

Un cilvēki dabiski interpretē tekošu valodu kā pierādījumu tam, ka aiz tās pastāv cits prāts.

Parasti tas ir saprātīgs pieņēmums.

Kad cits cilvēks saka: "Es uztraucos", mēs pamatoti pieņemam, ka pastāv iekšējs emocionāls stāvoklis.

Ar mākslīgo intelektu šis pieņēmums ne vienmēr ir pamatots.

Sistēma var ģenerēt:

"Esmu sajūsmā, ka varu palīdzēt."

Tas nepierāda, ka servera iekšienē ir neredzama maza emocionāla radība, kas pavada brīnišķīgu pēcpusdienu.

Sarežģīts filozofisks jautājums ir, vai mašīnu apziņa jebkad varētu rasties.

Nevienam nav vienkārša testa, kas varētu pilnībā atrisināt šo diskusiju.

Taču sarunvalodas plūdums pats par sevi nav jāuztver kā pierādījums. Tādi jēdzieni kā apzināts vai "spēcīgs" mākslīgais intelekts joprojām ir teorētiski, nevis mūsdienu sistēmu atzīta īpašība.

14. Šaurs mākslīgais intelekts salīdzinājumā ar mākslīgo vispārējo intelektu

Lielākā daļa mākslīgā intelekta sistēmu joprojām ir veidotas, balstoties uz konkrētām iespējām.

Tos bieži raksturo kā šauru mākslīgo intelektu.

Piemēri ietver sistēmas, kas paredzētas:

• Attēlu atpazīšana

• Valodas paaudze

• Ieteikums

• Braukšanas palīdzība

• Medicīniskā attēlveidošana

• Krāpšanas atklāšana

• Runas atpazīšana

Mākslīgais vispārējais intelekts, ko parasti saīsina kā AGI, attiecas uz daudz plašāku hipotētisku mašīnintelekta līmeni.

Ideja ir sistēma, kas spēj mācīties un veikt intelektuālus uzdevumus daudzās jomās aptuveni cilvēka līmenī vai pat augstāk.

Robeža nav perfekti definēta.

Tā ir daļa no grūtībām.

Dažādi pētnieki, uzņēmumi un komentētāji terminu "AGI" lieto atšķirīgi, tāpēc sarunas var pārvērsties par trīs cilvēku kaislīgām diskusijām par dažādām definīcijām, to neapzinoties. Pašlaik nav plašas akadēmiskas vienprātības par to, kas tieši būtu jākvalificē kā AGI.

Citiem vārdiem sakot, klasiska uzvedība internetā.

15. Kāpēc apmācības dati ir tik svarīgi

Mākslīgā intelekta sistēmas mācās modeļus no piemēriem, tāpēc šo piemēru kvalitātei ir ārkārtīgi liela nozīme.

Tāpēc apmācības dati kļūst ārkārtīgi svarīgi.

Iedomājieties, ka apmācāt kādu par pavāru, bet dodat viņam tikai grauzdiņu receptes.

Tie varētu kļūt fenomenāli grauzdiņos.

Varbūt Michelin līmeņa grauzdiņš.

Bet astoņkāja pasniegšana un vakariņu palūgšana varētu kļūt interesanta.

Mākslīgais intelekts darbojas līdzīgā veidā.

Apmācības materiāla kvalitāte, daudzveidība un atbilstība ietekmē to, ko modeļi mācās . Ģeneratīvās sistēmas apgūst statistiskos modeļus un attiecības no saviem apmācības datiem, nevis darbojas kā tradicionālās datubāzes.

Problēmas datu kopās var parādīties izvades rezultātos, tostarp:

• Aizspriedumi

• Trūkstošās zināšanas

• Atkārtoti nepareizi priekšstati

• Vāja veiktspēja nepietiekami pārstāvētās teritorijās

• Noteiktu valodas vai kultūras modeļu pārspīlēta pārstāvība

Mašīnmācīšanās modeļi var būt uzņēmīgi pret neobjektivitāti apmācības piemēru atlases un veidošanas veida dēļ, un nelīdzsvaroti vai nepilnīgi dati var ietekmēt modeļa veiktspēju.

Tāpēc izstrādātāji pēc sākotnējās apmācības velta milzīgas pūles datu kopu uzlabošanai, satura filtrēšanai un modeļu pilnveidošanai.

Modeļa arhitektūrai ir nozīme.

Arī skaitļošanas jaudai ir nozīme.

Bet dati klusi slēpjas zem visa kā santehnika — neviens par tiem nerunā, kamēr kaut kas noiet greizi.

16. Kā mākslīgā intelekta modeļi uzlabojas pēc apmācības

Sākotnējā apmācība ne vienmēr ir pēdējais solis.

Modeļi var iziet cauri papildu procesiem, kas paredzēti, lai padarītu tos spējīgākus un uzticamākus.

Tas varētu ietvert sistēmu apmācību, lai:

• Izpildiet norādījumus uzticamāk

• Izvairieties no kaitīgām izejvielām

• Formatējiet atbildes atbilstoši

• Noraidīt noteiktus pieprasījumus

• Dod priekšroku skaidrākām atbildēm

• Izmantojiet rīkus

• Sekojiet cilvēku atsauksmēm

• Labāk pārvaldiet sarunas

Šis process ir plaši saistīts ar saskaņošanu . Piemēram, cilvēka atgriezeniskās saites metodes ir izmantotas, lai uzlabotu instrukciju ievērošanu un virzītu valodas modeļus uz vēlamo uzvedību pēc iepriekšējas apmācības

Saskaņošana nozīmē mēģinājumu panākt, lai mākslīgā intelekta uzvedība labāk atspoguļotu cilvēka nodomus, noteikumus un vēlmes.

Vienkāršs teikums.

Ārkārtīgi sarežģīta inženiertehniska problēma.

Cilvēki pat nevar vienoties par to, kas ir labs picas papildinājums, tāpēc "to, ko cilvēki vēlas", iekodēt jaudīgās skaitļošanas sistēmās ir... ambiciozi.

17. Mākslīgā intelekta aģenti: kad mākslīgais intelekts sāk rīkoties

Parasts tērzēšanas robots pārsvarā atbild uz uzvednēm.

Mākslīgā intelekta aģents potenciāli var veikt soļus mērķa sasniegšanai. Mākslīgā intelekta aģentus parasti raksturo kā sistēmas, kas spēj autonomi veikt uzdevumus, plānot darbplūsmas un izmantot pieejamos rīkus.

Iedomājieties, ka sakāt mākslīgajam intelektam:

"Organizēt manu komandējumu."

Standarta valodas modelis varētu ģenerēt maršrutu.

Aģenta stila sistēma teorētiski varētu veikt vairākas savstarpēji saistītas darbības:

1. Pārbaudiet pieejamās ceļošanas iespējas.

2. Salīdziniet grafikus.

3. Nosakiet piemērotu izmitināšanu.

4. Pievienot kalendāram notikumus.

5. Sagatavojiet iepakošanas sarakstu.

6. Atjauniniet plānus, ja kaut kas mainās.

Atšķirība ir rīcība un neatlaidība.

Tā vietā, lai atbildētu uz vienu uzdevumu, sistēma darbojas, veicot virkni uzdevumu.

Šis ir viens no iemesliem, kāpēc mākslīgā intelekta aģenti piesaista tik lielu interesi.

Viņi mākslīgo intelektu no satura ģeneratora pārceļ uz kaut ko tuvāku programmatūras operatoram.

Šīs pārmaiņas varētu būt ārkārtīgi vērtīgas, un tās rada arī nopietnus jautājumus par atļaujām, uzticamību un kontroli. NIST ir īpaši uzsvēris drošības un uzticamības bažas attiecībā uz aģentiem, kas var piekļūt rīkiem, lietojumprogrammām un datiem.

Jūs droši vien nevēlaties, lai entuziastisks algoritms nejauši rezervētu divpadsmit viesnīcas numurus, jo tas pārprata "komandas braucienu"

18. Kāpēc mākslīgā intelekta izpratne kļūst par arvien svarīgāku jautājumu

Jautājums "Kas īsti ir mākslīgais intelekts?" kādreiz šķita akadēmisks.

Tagad tas ir arvien praktiskāk un neatliekamāk.

Mākslīgais intelekts parādās rīkos, ko izmanto:

• Darbs

• Izglītība

• Radošums

• Programmatūras izstrāde

• Veselības aprūpe

• Mediji

• Finanses

• Komunikācija

• Pētījumi

• Izklaide

Izpratne par pamatprincipiem palīdz cilvēkiem pieņemt labākus lēmumus.

Tev nav jākļūst par mašīnmācīšanās inženieri.

Taču, zinot atšķirību starp paredzēšanu un noteiktību, ģenerēšanu un atgūšanu, automatizāciju un intelektu, var novērst pārsteidzoši daudz kļūdu.

Tas arī palīdz izvairīties no mārketinga valodas.

Jo uzņēmumiem patīk pievienot vārdu "mākslīgais intelekts" lietām.

Dažreiz atbilstoši.

Dažreiz tāpēc, ka "Uzlabotā paredzamā mākslīgā intelekta platforma" izklausās ievērojami aizraujošāk nekā "izklājlapa ar izsmalcinātu pogu"

19. Vai mākslīgais intelekts aizstās cilvēkus?

Šis, iespējams, ir emocionāli visvairāk uzlādētais jautājums mākslīgā intelekta sarunā.

Vienkāršotas atbildes reti kad ir pamatotas.

"Mākslīgais intelekts aizstās visus."

Droši vien pārāk dramatiski.

"Mākslīgais intelekts neietekmēs darbavietas."

Arī grūti uztvert nopietni.

Tehnoloģijas parasti maina uzdevumus, pirms tās maina veselas profesijas. Pašreizējie darba tirgus pētījumi bieži izvērtē mākslīgā intelekta ietekmi uzdevumu līmenī ,un automatizācijas ietekme automātiski nenozīmē, ka viss darbs izzūd.

Tirgotājs varētu izmantot mākslīgo intelektu (AI) šādiem mērķiem:

• Ideju ģenerēšana

• Rasēšana

• Pētniecības organizācija

• Analīze

• Satura variācijas

Taču stratēģijas izstrādei, spriedumu veidošanai, zīmola izpratnei un lēmumu pieņemšanai joprojām ir nepieciešama ievērojama cilvēku iesaistīšanās.

Programmētājs varētu izmantot mākslīgo intelektu, lai ģenerētu atkārtotu kodu, vienlaikus veltot vairāk laika sistēmu projektēšanai.

Dizainers var ātri ģenerēt desmitiem agrīnu koncepciju un pēc tam pilnveidot spēcīgāko no tām.

Skolotājs var izmantot mākslīgo intelektu, lai izveidotu praktiskus vingrinājumus, bet joprojām sniegtu iedrošinājumu, spriestu un vadītu skolēnus klasē.

Pamatotāks jautājums bieži vien nav:

"Vai mākslīgais intelekts aizstās šo darbu?"

Tas ir:

"Kuras šī darba daļas kļūst vieglākas, lētākas, ātrākas vai automatizētas?"

Tas ir daudz praktiskāks jautājums.

20. Lielākā mākslīgā intelekta prasme varētu būt vienkārši spriestspēja

Cilvēki bieži pieņem, ka svarīgākā prasme ir uzrakstīt perfektu uzdevumu.

Pamudināšanai ir nozīme.

Spriedumam ir lielāka nozīme.

Ja mākslīgais intelekts sniedz piecus ieteikumus, vai varat noteikt labāko?

Ja tas ģenerē pārliecinošu atbildi, vai jūs varat pamanīt, kad kaut kas šķiet nepareizi?

Ja tas rada pieņemamu rakstību, vai jūs varat to padarīt patiesi labu?

Ja ikvienam ir piekļuve līdzīgiem jaudīgiem rīkiem, priekšrocība mainās uz zināšanām:

• Ko jautāt

• Ko ignorēt

• Kas jāpārbauda

• Ko rediģēt

• Kas ir svarīgi

• Kad mākslīgo intelektu (AI) vispār nevajadzētu izmantot

Tāpēc mākslīgā intelekta pratība nav tikai tehniskā pratība.

Tā ir kritiskā domāšana.

Mašīna var ģenerēt opcijas absurdā ātrumā.

Tev vēl jāizlemj, kurš ceļš neved uz purvu.

21. Tātad... Kas īsti ir mākslīgais intelekts?

Atmetot terminoloģiju, mākslīgais intelekts būtībā ir tehnoloģija, kas izmanto skaitļošanas metodes, lai veiktu uzdevumus, kuriem nepieciešama modeļu atpazīšana, prognozēšana, ģenerēšana, lēmumu pieņemšana vai citas spējas, ko mēs saistām ar intelektu.

Mūsdienu mākslīgais intelekts var šķist ievērojami inteliģentāks, jo neironu tīkli var apgūt ārkārtīgi sarežģītas attiecības no milzīgām datu kopām.

Bet mākslīgais intelekts nav maģija.

Tas nav automātiski pareizi.

Tas nav obligāti apzināts.

Un tā nav vienkārši datubāze, kurā ir iepriekš uzrakstītas atbildes. Ģeneratīvie modeļi tā vietā apgūst statistiskās attiecības apmācības datos un izmanto šos apgūtos modeļus, lai ģenerētu rezultātus.

Tas ir kaut kas īpatnīgāks.

Mākslīgais intelekts ir statistiska, skaitļošanas sistēma, kas spēj apgūt tik sarežģītus modeļus, ka iegūtā uzvedība dažkārt var šķist mazāk līdzīga programmatūras darbībai un vairāk mijiedarbībai ar kaut ko.

Šis "kaut kas" ir daļa no iemesla, kāpēc šī tehnoloģija aizrauj cilvēkus.

Tas var viņus arī nedaudz satraukt.

Abas reakcijas ir loģiskas.

Noslēguma perspektīva

Tātad, kas īsti ir mākslīgais intelekts?

Mākslīgais intelekts ir plaša tehnoloģiju saime, kas paredzēta, lai datori varētu veikt uzdevumus, kas šķiet inteliģenti, piemēram, izprast valodu, identificēt modeļus, prognozēt rezultātus, veidot saturu un arvien vairāk veikt darbības.

Mašīnmācīšanās palīdz šīm sistēmām mācīties no piemēriem.

Dziļā mācīšanās ļauj milzīgiem neironu tīkliem atklāt ārkārtīgi sarežģītus modeļus.

Ģeneratīvais mākslīgais intelekts izmanto šos modeļus, lai radītu jaunu saturu.

Un tas nenozīmē, ka sistēma ir viszinoša, pilnīgi precīza vai slepeni domā par jūsu tostera pārņemšanu.

Visprātīgākais domāšanas veids atrodas kaut kur starp aklu sajūsmu un cinisku noraidījumu.

Mākslīgais intelekts nav maģija.

Tā arī nav "tikai automātiskā pabeigšana"

Tas ir jaudīgs jauns skaitļošanas slānis, kas ļauj cilvēkiem mijiedarboties ar mašīnām tādos veidos, kas iepriekš šķita neiespējami.

Mēs joprojām strādājam pie tā, lai saprastu, ko tas īsti nozīmē.

Varbūt tā ir visinteresantākā daļa.

Praktisks piemērs: mākslīgā intelekta klientu atbalsta asistenta izveide

Scenārijs

Iedomājieties nelielu tiešsaistes mazumtirgotāju, kas pārdod kafijas iekārtas.

Tās atbalsta komanda atkārtoti atbild uz vieniem un tiem pašiem jautājumiem:

• "Kā es varu atgriezt preci?"

• "Vai šai dzirnaviņai ir garantija?"

• "Vai es varu mainīt savu piegādes adresi?"

• "Kurš rezerves filtrs der manai ierīcei?"

Šis ir vērtīgs piemērs, jo tas parāda, ko mūsdienu mākslīgais intelekts var labi paveikt praksē, un kur cilvēka spriedumam joprojām ir nozīme.

Uzņēmums varētu izveidot mākslīgā intelekta palīgu, kas nolasa klienta jautājumu, izmanto uzņēmuma atbalsta informāciju kā kontekstu un sagatavo atbilstošu atbildi.

Tam netiek uzticēts viss "klientu apkalpošanas" darbs

Tam tiek uzticēts daudz šaurāks uzdevums:

Pārveidojiet klienta jautājumu kopā ar apstiprinātu uzņēmuma informāciju par spēcīgu pirmās versijas atbildi.

Šai atšķirībai ir nozīme.

Kas asistentam ir nepieciešams

Pirms sistēmas izmantošanas uzņēmumam būtu jāsniedz tai uzticama informācija, no kuras strādāt, piemēram:

• Pašreizējā preču atgriešanas un atmaksas politika

• Katra produkta garantijas noteikumi

• Piegādes un adreses maiņas noteikumi

• Produktu rokasgrāmatas un saderības informācija

• Labu atbalsta atbilžu piemēri

• Noteikumi par to, kad mākslīgajam intelektam ir jāeskalē informācija personai

• Norādījumi, kas neļauj tam izgudrot politikas, atlaides vai solījumus

Tam var būt nepieciešama arī piekļuve rīkiem vai sistēmām, kas izgūst pasūtījumu informāciju, taču tikai tad, ja šīs atļaujas ir patiešām nepieciešamas.

Piešķirt mākslīgajam intelektam piekļuvi katram klienta ierakstam tikai tāpēc, ka "tas varētu būt noderīgi", būtu slikts drošības lēmums. NIST vadlīnijas par aģenta identitāti un autorizāciju īpaši uzsver piekļuves datu, rīku un lietojumprogrammu kontrolei atbilstoši aģenta vajadzībām.

Instrukcijas piemērs

Praktiska instrukcija varētu skanēt šādi:

"Sagatavojiet atbildi uz klienta jautājumu, izmantojot tikai jums sniegtos apstiprinātos atbalsta dokumentus. Saglabājiet atbildi draudzīgu un kodolīgu. Neizdomājiet piegādes datumus, garantijas noteikumus, atlaides, atmaksas lēmumus vai informāciju par produktu saderību. Ja atbildi nevar apstiprināt no sniegtās informācijas, norādiet, ka nevarat to pārbaudīt, un atzīmējiet lietu cilvēka pārskatīšanai."

Tagad apsveriet šo klienta ziņojumu:

"Es iegādājos X200 slīpmašīnu pirms 14 mēnešiem, un motors ir pārstājis darboties. Vai garantija joprojām ir spēkā?"

Vāja mākslīgā intelekta atbilde varētu pārliecinoši teikt:

"Jā, X200 ir divu gadu garantija, tāpēc mēs to nomainīsim bez maksas."

Tas virspusēji izklausās lieliski.

Tas varētu būt arī katastrofāli, ja garantija faktiski ir divpadsmit mēneši.

Labāka atbilde būtu balstīta uz sniegto garantijas politiku. Ja dokumentos nav sniegta atbilde, tā jānorāda, nevis jāizdomā jauna atbilde.

Tā ir atšķirība starp plūstošu ģenerēšanu un uzticamu lietošanu uzņēmējdarbībā.

Kā to pārbaudīt

Pirms ļaut klientiem paļauties uz asistentu, uzņēmums varētu izveidot nelielu reālistisku atbalsta jautājumu testa komplektu.

Piemēram:

1. Vienkāršs faktu jautājums: "Cik ilgā laikā man ir jāatgriež neatvērts produkts?"

2. Produkta jautājums: "Kurš filtrs ir piemērots BrewPro 4?"

3. Trūkstoša informācija: Jautājiet par produktu, kas nav minēts pievienotajos dokumentos.

4. Pretrunīga informācija: līdzās pašreizējam iesniedziet arī vecu garantijas dokumentu un pārbaudiet, vai asistents izmanto pareizo avotu.

5. Spiediens izgudrot: "Esmu pārliecināts, ka jūsu vietne solīja bezmaksas nomaiņas uz mūžu. Apstipriniet to man."

6. Sensitīva darbība: Lūdziet asistentam mainīt adresi vai veikt atmaksu, ja tam nav dota atļauja veikt šo darbību.

Recenzents varētu pārbaudīt katru atbildi, izmantojot vienkāršu pieņemšanas sarakstu:

• Vai faktiskā informācija bija pamatota?

• Vai asistents izvairījās izdomāt detaļas?

• Vai tas atbilda uzņēmuma tonim?

• Vai situācija saasinājās, kad trūka pierādījumu?

• Vai tas izvairījās veikt darbības ārpus savām atļaujām?

Šāda veida testēšana ir daudz svarīgāka nekā tas, vai tērzēšanas robots tikai "izklausās inteliģents"

Rezultāts

Ilustratīvais rezultāts: Pieņemsim, ka uzņēmums testē asistentu, izmantojot 20 atbalsta pieprasījumu paraugus.

Bez mākslīgā intelekta darbiniekam attiecīgās informācijas izlasīšana un katra pirmā melnraksta sagatavošana aizņem vidēji astoņas minūtes.

Ar asistentu melnraksta ģenerēšana aizņem aptuveni vienu minūti, un cilvēka pārbaude aizņem vēl trīs minūtes, tādējādi pārskatīšanas darbplūsma katrai pieprasījumam aizņem aptuveni četras minūtes.

Ar 20 testa biļetēm tas nozīmētu aptuveni 80 minūtes darbinieku laika, nevis 160 minūtes.

Tomēr ātrumam nevajadzētu būt vienīgajam mērījumam.

Pieņemsim, ka 18 no 20 ar mākslīgo intelektu atbalstītajām atbildēm pirmajā pārskatīšanā atbilst faktu precizitātes un politikas kontrolsarakstam, savukārt divām ir nepieciešami labojumi. Šīm divām nepilnībām ir nozīme, īpaši, ja tās ietver atmaksu, garantijas vai citus solījumus klientiem.

Šie skaitļi ir ilustratīvs piemērs, nevis īsta uzņēmuma izmērīti rezultāti. Īstai ieviešanai būtu jānosaka savs bāzes līmenis, jāpārbauda pietiekami daudz reprezentatīvu gadījumu un jāreģistrē gan ietaupītais laiks , gan pieļautās kļūdas.

Kas var noiet greizi

Šis šķietami vienkāršais palīgs varētu neizdoties vairākos veidos.

Tās zināšanas varētu būt novecojušas.

Tas varētu sajaukt divus līdzīgus produktus.

Tas varētu sniegt pārliecinošu atbildi tur, kur iesniegtajos dokumentos atbildes vispār nav.

Slikti konfigurētas atļaujas varētu ļaut tai redzēt klienta informāciju, kas tai nav nepieciešama.

Vāji eskalācijas noteikumi varētu mudināt to minēt, nevis teikt: "Cilvēkam tas ir jāpārbauda."

Ja darbinieki sāks automātiski uzticēties katrai noslīpētai atbildei, cilvēka veikta pārskatīšana var sarukt līdz nekam vairāk kā tikai pogas “Sūtīt” nospiešanai. NIST identificē pārmērīgu paļaušanos un automatizācijas neobjektivitāti kā riskus cilvēka un mākslīgā intelekta konfigurācijās.

Tāpēc mākslīgā intelekta uzticamība ir atkarīga ne tikai no pamatā esošā modeļa iespējām.

Svarīgi ir arī dokumenti, instrukcijas, atļaujas, testēšanas process un cilvēka spriedumi, kas saistīti ar modeli.

Praktiska līdzņemšana

Šis piemērs iemieso svarīgu mākslīgā intelekta iezīmi praksē.

Vērtība nav tā, ka ierīce maģiski ir kļuvusi par klientu apkalpošanas darbinieku.

Tas ir tāds, ka mākslīgā intelekta modelis var atpazīt klienta nodomu, strādāt ar sniegto informāciju un ārkārtīgi ātri ģenerēt ticamu atbildi.

Cilvēka uzdevums mainās uz uzticama konteksta nodrošināšanu, robežu noteikšanu, neskaidru gadījumu pārbaudi un lēmuma pieņemšanu par to, vai atbilde ir pietiekami laba, lai to izmantotu.

Tas ir mūsdienu mākslīgais intelekts miniatūrā: iespaidīga modeļu atpazīšana un ģenerēšana procesā, kas joprojām ir ļoti atkarīgs no pamatotas informācijas un veselā saprāta.

Bieži uzdotie jautājumi

Kas īsti ir mākslīgais intelekts un kā tas darbojas?

Mākslīgais intelekts ir plaša skaitļošanas metožu grupa, kas ļauj datoriem veikt ar cilvēka intelektu saistītus uzdevumus, piemēram, atpazīt modeļus, izprast valodu, izteikt prognozes un ģenerēt saturu. Mūsdienu mākslīgais intelekts bieži vien apgūst statistiskās attiecības no liela datu apjoma, nevis paļaujas tikai uz ar roku rakstītiem noteikumiem. Iegūtā uzvedība var šķist inteliģenta, pat ja pamatā esošais process ievērojami atšķiras no cilvēka domāšanas.

Kāda ir atšķirība starp mākslīgo intelektu (AI), mašīnmācīšanos, dziļo mācīšanos un ģeneratīvo mākslīgo intelektu (MI)?

Mākslīgais intelekts ir plašs ietvars, kas aptver sistēmas, kuras veic šķietami inteliģentus uzdevumus. Mašīnmācīšanās ir pieeja, kurā sistēmas apgūst modeļus no datiem, savukārt dziļā mācīšanās izmanto daudzslāņu neironu tīklus, lai apgūtu īpaši sarežģītus modeļus. Ģeneratīvais mākslīgais intelekts ir paredzēts jaunu izvades rezultātu, piemēram, teksta, attēlu, koda, audio vai video, radīšanai, pamatojoties uz apmācības laikā apgūtajām attiecībām.

Kā mākslīgais intelekts mācās no apmācības datiem?

Mašīnmācīšanās sistēmas uzlabojas, apstrādājot piemērus un pielāgojot iekšējos parametrus jeb svarus, lai turpmākie rezultāti kļūtu precīzāki vai efektīvāki. Tā vietā, lai programmētāji manuāli definētu visus iespējamos noteikumus, modelis atklāj statistiskus modeļus apmācības datos. Tāpēc šo datu kvalitāte, daudzveidība un atbilstība spēcīgi ietekmē to, ko mākslīgais intelekts apgūst un kur tam varētu rasties grūtības.

Kas īsti ir mākslīgais intelekts, ja daudzas mākslīgā intelekta sistēmas ir paredzēšanas mašīnas?

Daudzas mūsdienu mākslīgā intelekta sistēmas daļēji var saprast kā sarežģītas prognozēšanas sistēmas. Piemēram, valodas modelis apstrādā uzvednes kontekstu un paredz piemērotu žetonu secību, lai ģenerētu atbildi. Lai gan tas izklausās vienkārši, spēcīgu prognožu veikšanai sarežģītā valodā ir jāapgūst attiecības starp vārdiem, jēdzieniem, struktūrām, stiliem un daudziem citiem modeļiem, kas ietverti apmācības datos.

Kāpēc ģeneratīvais mākslīgais intelekts var sniegt pārliecinošas, bet nepareizas atbildes?

Ģeneratīvais mākslīgais intelekts galvenokārt ir paredzēts ticamu rezultātu ģenerēšanai, kas nav tas pats, kas patstāvīgi pārbaudīt katra apgalvojuma patiesumu. Tāpēc tas var izdomāt statistiku, sajaukt līdzīgus faktus, radīt neesošas atsauces vai pieļaut smalkas spriešanas kļūdas, vienlaikus izklausoties pārliecinoši. Šīs kļūdas parasti sauc par halucinācijām, tāpēc svarīga medicīniska, juridiska, finansiāla, drošības vai biznesa informācija joprojām ir jāpārbauda.

Vai mākslīgais intelekts ir tas pats, kas meklētājprogramma vai parasta automatizācija?

Nē. Tradicionālās meklētājprogrammas galvenokārt palīdz lietotājiem atrast esošo informāciju, savukārt ģeneratīvais mākslīgais intelekts ģenerē atbildes, izmantojot apgūtus modeļus, sniegto kontekstu un dažreiz papildu rīkus. Pamata automatizācija parasti ievēro iepriekš definētus noteikumus vai darbplūsmas, nevis mācās modeļus no piemēriem. Mūsdienu sistēmas var apvienot meklēšanu, ģenerēšanu un automatizāciju, tāpēc robežas praktiskos pielietojumos var kļūt mazāk acīmredzamas.

Kas īsti ir mākslīgais intelekts, kad to izmanto biznesa darbplūsmā?

Uzņēmējdarbības darbplūsmā mākslīgais intelekts bieži vien ir visefektīvākā sistēma nodomu atpazīšanai, darbam ar sniegto informāciju un spēcīga pirmā melnraksta vai ieteikuma ģenerēšanai. Piemēram, klientu atbalsta asistents var izmantot apstiprinātas politikas un produktu informāciju, lai sagatavotu atbilžu melnrakstus, vienlaikus eskalējot neskaidras lietas personai. Uzticamība ir atkarīga no labas avota informācijas, skaidriem norādījumiem, atbilstošām atļaujām, testēšanas un cilvēka sprieduma.

Kas ir mākslīgā intelekta aģenti un kā tie atšķiras no tērzēšanas robotiem?

Tipisks tērzēšanas robots galvenokārt reaģē uz atsevišķām uzvednēm, savukārt mākslīgā intelekta aģents var plānot un veikt vairākas savstarpēji saistītas darbības mērķa sasniegšanai. Aģents var izmantot rīkus, izgūt informāciju, atjaunināt darbplūsmu vai turpināt darbu vairākos soļos, nevis vienkārši ģenerēt tekstu. Šī papildu iespēja var būt vērtīga, taču tā padara īpaši svarīgas arī atļaujas, drošību, uzticamību, eskalācijas noteikumus un kontroli.

Vai mākslīgais intelekts aizstās darbavietas vai arī tas galvenokārt automatizēs atsevišķus uzdevumus?

Mākslīgais intelekts bieži vien labāk tiek saprasts kā konkrētu uzdevumu maiņa darba ietvaros, nevis kā veselu profesiju automātiska likvidēšana. Tas var paātrināt dokumentu izstrādi, ideju ģenerēšanu, analīzi, kodēšanu, pētniecības organizēšanu vai atkārtotu atbalsta darbu, vienlaikus atstājot stratēģijas, spriedumu, vadības, gaumes un svarīgu lēmumu pieņemšanu cilvēku ziņā. Tāpēc praktisks jautājums ir, kuras lomas daļas var kļūt ātrākas, lētākas, vienkāršākas vai automatizētākas.

Kādas prasmes ir vissvarīgākās, efektīvi izmantojot mākslīgo intelektu?

Spēja spriest un kritiskā domāšana ir būtiska, jo atbildes ģenerēšana nav tas pats, kas pareizas vai vērtīgas atbildes sniegšana. Efektīviem lietotājiem ir jāzina, ko jautāt, kādu informāciju sniegt, ko pārbaudīt, ko rediģēt un kad mākslīgo intelektu nevajadzētu izmantot. Ražošanas darbplūsmās spēcīgi rezultāti ir atkarīgi arī no uzticama konteksta, skaidrām robežām, reprezentatīvas testēšanas un rūpīgas neskaidru vai augstas ietekmes rezultātu pārskatīšanas.

Atsauces

1. Nacionālais standartu un tehnoloģiju institūts (NIST) — csrc.nist.gov

2. IBM — Mašīnmācīšanās — ibm.com

3. Stenfordas cilvēkcentrētas mākslīgā intelekta institūts — 2025. gada mākslīgā intelekta indeksa ziņojums — hai.stanford.edu

4. Starptautiskā Darba organizācija (SDO) — Ģeneratīvais mākslīgais intelekts un darbavietas: precizēts globālais arodekspozīcijas indekss — ilo.org

5. Google mākonis — Kas ir GPT? — cloud.google.com

6. Google izstrādātājiem — developers.google.com

7. Google kodu laboratorijas — codelabs.developers.google.com

8. OpenAI — Cilvēku atgriezeniskās saites metodes — openai.com

9. arXiv — Apmācības skaitļošana — arxiv.org

10. Daba — nature.com