Kādi ir mākslīgā intelekta veidi? [Video un viktorīna]

Īsa atbilde: AI veidus vislabāk var saprast pēc iespējām, funkcionalitātes, apmācības stila un lietošanas gadījuma. Šaurais AI mūsdienās ir izplatīts, savukārt vispārējais AI un super AI joprojām ir teorētiski. Izvēloties rīku, saskaņojiet kategoriju ar uzdevumu, ar to saistītajiem riskiem un nepieciešamību pēc cilvēka pārskatīšanas.

Galvenie secinājumi:

Klasifikācija: Pirms sistēmu salīdzināšanas atdaliet iespējas, funkcionalitāti, apmācības metodi un lietošanas gadījumu.

Cilvēka veikta pārskatīšana: pirms paļaušanās uz ģeneratīvajiem, paredzošajiem un sarunvalodas rezultātiem pārbaudiet tos.

Caurspīdīgums: Pajautājiet, kādi dati, loģika un ierobežojumi veido katru mākslīgā intelekta sistēmu.

Atbildība: Saglabājiet cilvēku atbildību, ja mākslīgais intelekts ietekmē lēmumus, lietotājus vai drošību.

Riska kontrole: pirms ieviešanas pārbaudiet neobjektivitāti, privātumu, drošību un ļaunprātīgu izmantošanu.

---

1. Kādi ir mākslīgā intelekta veidi?

Kad cilvēki jautā: “Kādi ir mākslīgā intelekta veidi?”, viņi parasti domā vienu no divām lietām:

Viņi varētu jautāt par mākslīgo intelektu, pamatojoties uz tā iespējām, piemēram, vai tas var veikt tikai vienu uzdevumu vai spriest plašākā mērogā, cilvēkam līdzīgā veidā.

Vai arī viņi var jautāt par mākslīgo intelektu, pamatojoties uz funkcionalitāti, proti, kā sistēma uzvedas, mācās, atceras, prognozē vai reaģē.

Te nu lietas nedaudz sapinas. Mākslīgais intelekts nav sagrupēts vienā tīrā kastē. Tas drīzāk ir kā virtuves piederumu šķirošana pēc izmēra, mērķa, asuma un tā, vai onkulis tos iegādājies apšaubāmā interneta veikalā. Dažādas klasifikācijas sistēmas pārklājas.

Galvenās kategorijas parasti ietver:

• Šaurs mākslīgais intelekts

• Vispārīgais mākslīgais intelekts

• Super mākslīgais intelekts

• Reaktīvās mašīnas

• Ierobežotas atmiņas mākslīgais intelekts

• Prāta teorija AI

• Pašapzinīga mākslīgā intelekta

• Mašīnmācīšanās mākslīgais intelekts

• Dziļās mācīšanās mākslīgais intelekts

• Ģeneratīvais mākslīgais intelekts

• Prognozējošā mākslīgā intelekta

• Sarunu mākslīgais intelekts

• Datorredzes mākslīgais intelekts

• Robotika AI

Daži no tiem tiek plaši izmantoti. Daži joprojām ir galvenokārt teorētiski. Daži izklausās futūristiski, bet jau ir iebūvēti ikdienas lietotnēs. Arī robeža starp “parasto programmatūru” un “mākslīgo intelektu” laika gaitā ir kļuvusi neskaidrāka.

---

2. Mākslīgā intelekta veidi pēc spējām

Pirmais galvenais veids, kā klasificēt mākslīgo intelektu, ir pēc tā spējām. Šis ir plašāks skatījums 🧠.

Šaurs mākslīgais intelekts

Šaurs mākslīgais intelekts (MI), ko sauc arī par vāju MI, ir paredzēts konkrēta uzdevuma vai ierobežota uzdevumu kopuma veikšanai. Šo MI cilvēki izmanto katru dienu.

Piemēri ir šādi:

• Meklēšanas ieteikumi

• Surogātpasta filtri

• Balss asistenti

• Sejas atpazīšanas sistēmas

• Čatboti

• Produktu ieteikumu dzinēji

• Krāpšanas atklāšanas rīki

• Valodas tulkošanas lietotnes

Šaurs mākslīgais intelekts var būt spēcīgs, taču tas nav “domāšana” plašā cilvēciskā izpratnē. Šaha mākslīgais intelekts var uzvarēt lielmeistaru, bet tas nevar pēkšņi izlemt kļūt par konditoreju. Tulkošanas modelis var iztulkot rindkopu, bet tas neuztver valodu tā, kā to dara cilvēks.

Tomēr šaurais mākslīgais intelekts ir mūsdienu mākslīgā intelekta pasaules darba zirgs. Tas nav glauns zinātniskās fantastikas stilā, taču tas lielā mērā atspoguļo notiekošo aizkulisēs 🎭.

Vispārīgais mākslīgais intelekts

Vispārīgais mākslīgais intelekts attiecas uz mākslīgo intelektu, kas spēj saprast, mācīties, spriest un pielietot zināšanas daudzos dažādos uzdevumos cilvēkam līdzīgā līmenī.

Vienkārši sakot: tas ne tikai labi paveiktu vienu lietu. Tas varētu pielāgoties.

Patiesi vispārējs mākslīgais intelekts potenciāli varētu:

• Apgūstiet nepazīstamus uzdevumus

• Argumentācija dažādos priekšmetos

• Atrisiniet jaunas problēmas

• Zināšanu pārnešana no vienas jomas uz citu

• Dziļāk izprast kontekstu

• Pieņemiet lēmumus ar elastīgu spriestspēju

Šāda veida mākslīgais intelekts joprojām ir drīzāk mērķis, nevis ikdienas realitāte. Cilvēki par to daudz runā, jo tas ir aizraujoši, varbūt nedaudz satraucoši un kā koncepcijai grūti pretoties. Taču parastie rīki, kas raksta tekstu, ģenerē attēlus vai atbild uz jautājumiem, ne vienmēr ir vispārīgs mākslīgais intelekts. Tie var šķist plaši, taču tie joprojām darbojas paredzētajās robežās.

Super mākslīgais intelekts

Supermākslīgais intelekts pārsniegtu cilvēka intelektu. Tas ne tikai paātrinātu rakstīšanu vai labāku matemātiku, bet arī sniegtu pārākas spriešanas, radošuma, stratēģijas, mācīšanās un, iespējams, arī emocionālas vai sociālas izpratnes prasmes.

Šī ir spekulatīvākā kategorija. Tā rada milzīgus jautājumus:

• Kas to kontrolē?

• Vai to var saskaņot ar cilvēciskajām vērtībām?

• Vai tas pareizi izprastu cilvēku mērķus?

• Vai tas varētu pats sevi uzlabot?

• Kas notiek, ja tā pieņem lēmumus, kurus cilvēki nevar ievērot?

Supermākslīgais intelekts ir vieta, kur sarunas ar mākslīgo intelektu dažkārt pārvēršas filozofiskā zupā. Varbūt vērtīga zupa, bet tomēr zupa 🍲.

---

3. Mākslīgā intelekta veidi pēc funkcionalitātes

Vēl viens izplatīts veids, kā izskaidrot mākslīgā intelekta (MI) veidus, ir to funkcionalitāte. Tas koncentrējas uz MI uzvedību.

Reaktīvās mašīnas

Reaktīvās mašīnas ir vienkāršākais mākslīgā intelekta veids. Tās reaģē uz pašreizējo ievadi, neizmantojot atmiņas no iepriekšējās pieredzes.

Viņi nemācās laika gaitā tā, kā to dara mūsdienu adaptīvās sistēmas. Viņi aplūko situāciju, apstrādā to un reaģē.

Domājiet par tiem šādi: “Ievade nāk. Izeja iziet. Nav dienasgrāmatas ierakstu.”

Reaktīvā mākslīgā intelekta tehnoloģija joprojām var būt iespaidīga. Tā var analizēt iespējamās spēles kustības vai reaģēt uz skaidri definētu situāciju ar ārkārtīgu ātrumu un precizitāti. Taču tā neveido personisku vēsturi un neattīstās, balstoties uz iepriekšējo mijiedarbību.

Ierobežotas atmiņas mākslīgais intelekts

Mākslīgais intelekts ar ierobežotu atmiņu var izmantot pagātnes datus, lai pieņemtu labākus lēmumus. Šajā kategorijā ietilpst liela daļa mūsdienu praktiskā mākslīgā intelekta.

Piemēri ir šādi:

• Ieteikumu sistēmas, kas mācās no lietotāju uzvedības

• Pašbraucošu transportlīdzekļu sistēmas, kas analizē jaunākos ceļa apstākļus

• Tērzēšanas roboti atceras kontekstu sarunā

• Krāpšanas atklāšanas modeļi mācās no darījumu modeļiem

• Prognozējošās analīzes rīki, kas izmanto vēsturiskos datus

Ierobežota atmiņa nenozīmē “sliktu atmiņu”. Tas nozīmē, ka sistēma var izmantot saglabātus vai nesenus datus, taču tai nepiemīt cilvēkam līdzīga apziņas vai ilgtermiņa personīgās pieredzes. Tomēr tā var būt ļoti efektīva. Dažreiz kaitinoši efektīva — piemēram, kad iepirkšanās lietotne zina, ko vēlaties, pirms jūs to sev atzīstat 🛒.

Prāta teorija AI

Prāta teorija. Mākslīgais intelekts izprastu emocijas, uzskatus, nodomus un sociālās norādes cilvēciskākā veidā.

Šāda veida mākslīgais intelekts ne tikai apstrādātu vārdus. Tas secinātu, ko kāds varētu just, vēlēties, pārprast, no kā varētu baidīties vai sagaidīt.

Piemēram, tas varētu saprast, ka:

• Klients ir neapmierināts, bet cenšas palikt pieklājīgs

• Students ir apmulsis, bet kautrējas vēlreiz jautāt

• Pacients ir nemierīgs, neskatoties uz to, ka saka: "Man viss kārtībā"

• Komandas biedrs vilcinās, jo klusībā nepiekrīt

Šī joprojām ir aktīva mākslīgā intelekta diskusiju joma, taču patiesa prāta teorija par mākslīgo intelektu ir ārkārtīgi sarežģīta. Cilvēka emocijas ir sapinušās. Cilvēki saka vienu, bet domā pavisam ko citu. Dažreiz viņi paši pat nezina, ko domā. Lai veicas, mašīna!.

Pašapzinīga mākslīgā intelekta

Pašapzinīgam mākslīgajam intelektam būtu apziņa, sevis izpratne un sava iekšējā stāvokļa apzināšanās.

Tas ir teorētiski. Tas pieder pie zinātniskās fantastikas, ētikas diskusijām, nakts strīdiem un cilvēkiem, kas dramatiski skatās ārā pa logiem 🌙.

Pašapzinīgs mākslīgais intelekts ne tikai simulētu sarunu par jūtām. Tam būtu sava veida subjektīva pieredze. Tas ir milzīgs apgalvojums. Pašreizējām mākslīgā intelekta sistēmām nav verificētas apziņas, jūtu, vēlmju vai individualitātes.

Tie var izklausīties apzinīgi, jo valoda var atdarināt pašrefleksiju. Taču izklausīties pēc kaut kā un būt par kaut ko nav viens un tas pats. Papagailis var teikt: “Esmu izsalcis”, bet tas nenozīmē, ka tam ir rezervācija restorānā.

---

4. Salīdzināšanas tabula: galvenie mākslīgā intelekta veidi

Mākslīgā intelekta veids	Galvenā ideja	Pašreizējais statuss	Bieži sastopami piemēri	Kāpēc tas ir svarīgi
Šaurs mākslīgais intelekts	Izstrādāts konkrētiem uzdevumiem	Plaši izmantots	Čatboti, meklēšana, ieteikumi	Praktiski un visur
Vispārīgais mākslīgais intelekts	Cilvēkam līdzīgs elastīgs intelekts	Nav pilnībā sasniegts	Pārsvarā teorētisks	Liels mērķis, lielas debates
Super mākslīgais intelekts	Gudrāki nekā cilvēki kopumā	Spekulatīvs	Nav praktiska piemēra	Lieli ētiski jautājumi
Reaktīvās mašīnas	Reaģē bez atmiņas	Izmanto ierobežotos gadījumos	Spēļu mākslīgais intelekts, uz noteikumiem balstītas sistēmas	Ātrs, bet neadaptīvs
Ierobežotas atmiņas mākslīgais intelekts	Izmanto datus/vēsturi, lai uzlabotu	Ļoti bieži	Pašbraucošās sistēmas, krāpšanas rīki	Šis ir ikdienas braucamais 🚗
Prāta teorija AI	Izprot emocijas un nodomus	Attīstības koncepcija	Uzlabotas sociālās mākslīgā intelekta idejas	Varētu padarīt mākslīgo intelektu cilvēkam apzinīgāku
Pašapzinīga mākslīgā intelekta	Ir apziņa	Teorētiska	Zinātniskās fantastikas stila piemēri	Filozofiski masīvs
Ģeneratīvais mākslīgais intelekts	Izveido jaunu saturu	Plaši izmantots	Teksta, attēlu, audio rīki	Radošās produktivitātes palielināšana
Prognozējošā mākslīgā intelekta	Prognožu rezultāti	Plaši izmantots	Riska novērtēšana, pieprasījuma plānošana	Palīdz pieņemt lēmumus — lielākoties
Robotika AI	Kontrolē fiziskās mašīnas	Izmanto rūpniecībā	Roboti, droni, automatizācija	Savieno mākslīgo intelektu ar fizisko darbu

Nedaudz nevienmērīgi? Jā. Bet tieši tā mākslīgais intelekts darbojas arī ikdienas dzīvē — nevis muzeja ekspozīcija ar perfektām etiķetēm.

---

5. Ģeneratīvais mākslīgais intelekts: tips, par kuru visi runā 🎨

Ģeneratīvais mākslīgais intelekts ir viens no populārākajiem mākslīgā intelekta veidiem, jo ​​tas rada lietas.

Tas var ģenerēt:

• Teksts

• Attēli

• Mūzika

• Kods

• Video

• Produktu apraksti

• Mārketinga teksts

• Nodarbību plāni

• Kopsavilkumi

• Sintētiskie dati

• Dizaina idejas

Ģeneratīvais mākslīgais intelekts darbojas, apgūstot modeļus no lieliem datu apjomiem un pēc tam ģenerējot jaunus rezultātus, pamatojoties uz uzvednēm. Tas nekopē tādā vienkāršā nozīmē, kā cilvēki dažreiz iedomājas. Tas paredz, apvieno, maina un ģenerē, pamatojoties uz apgūtām struktūrām.

Tomēr tā joprojām var kļūdīties. Tā var izklausīties pārliecināta, vienlaikus kļūdoties, kas būtībā ir mašīnas versija tam, kā kāds ģimenes bārbekjū laikā skaidro nodokļu likumus.

Ģeneratīvais mākslīgais intelekts ir vērtīgs šādiem mērķiem:

• Ideju ģenerēšana

• Satura izstrāde

• Atkārtotas rakstīšanas automatizācija

• Vizuālu koncepciju veidošana

• Atbalstot klientu apkalpošanu

• Kodēšanas uzdevumu paātrināšana

• Mācību materiālu personalizēšana

Taču tas ir jāpārskata. Vienmēr. Mākslīgā intelekta radītie rezultāti var būt iespaidīgi, taču tie ne vienmēr ir precīzi, godīgi, likumīgi vai zīmolam droši. Izturieties pret to kā pret ļoti ātru asistentu ar laiku pa laikam parādāmām ļaunām tieksmēm.

---

6. Mašīnmācīšanās mākslīgais intelekts: modeļu meklētājs

Mašīnmācīšanās ir nozīmīga mākslīgā intelekta nozare, kurā sistēmas apgūst modeļus no datiem, nevis tiek programmētas rindiņu pa rindiņai katram lēmumam.

Tradicionālā programmatūra ievēro skaidrus noteikumus. Mašīnmācīšanās sistēmas identificē attiecības un uzlabo veiktspēju, izmantojot apmācību.

Piemēram:

• Surogātpasta filtrs apgūst, kā izskatās aizdomīgi e-pasti

• Bankas modelis atklāj neparastu darījumu uzvedību

• Straumēšanas lietotne iesaka raidījumus, pamatojoties uz skatīšanās paradumiem

• Personāla atlases rīks var klasificēt kandidātus, pamatojoties uz definētiem signāliem

• Medicīniskās attēlveidošanas modelis var izcelt iespējamās anomālijas

Mašīnmācīšanās var būt uzraudzīta, neuzraudzīta vai balstīta uz pastiprināšanu.

Uzraudzīta mācīšanās

Uzraudzītajā mācīšanās tiek izmantoti marķēti piemēri. Piemēram, attēli var tikt marķēti ar “kaķis” vai “nevis kaķis”. Modelis apgūst atšķirību.

Nepārraudzīta mācīšanās

Nepārraudzīta mācīšanās meklē modeļus bez marķētām atbildēm. Tā var grupēt klientus segmentos vai atklāt slēptas klasterus datos.

Pastiprināšanas mācīšanās

Pastiprināšanas mācīšanās mācās, saņemot atlīdzības vai sodus par darbībām. Tas ir izplatīts spēļu spēlēšanā, robotikā un optimizācijas problēmās.

Mašīnmācīšanās nav maģija. Tā ir ļoti atkarīga no datu kvalitātes. Slikti dati noved pie sliktiem modeļiem — atkritumi ienāk, atkritumi valkā viedās jakas ārpusē.

---

7. Dziļās mācīšanās mākslīgais intelekts: neironu tīklu spēkstacija 🧬

Dziļā mācīšanās ir specializēts mašīnmācīšanās veids, kas izmanto slāņveida neironu tīklus sarežģītu modeļu apstrādei.

Tas ir īpaši vērtīgs:

• Runas atpazīšana

• Attēlu atpazīšana

• Dabiskās valodas apstrāde

• Autonomās sistēmas

• Medicīnisko attēlu analīze

• Tulkojums

• Ģeneratīvie mākslīgā intelekta modeļi

• Sarežģīti prognozēšanas uzdevumi

“Dziļā” daļa attiecas uz vairākiem modeļa slāņiem. Katrs slānis palīdz mainīt un interpretēt informāciju. Viens slānis var noteikt vienkāršas formas attēlā, cits var noteikt tekstūras, vēl cits var atpazīt objektus utt.

Dziļā mācīšanās var sniegt satriecošus rezultātus, taču tai bieži vien ir nepieciešams milzīgs datu apjoms un skaitļošanas jauda. To var būt arī grūtāk interpretēt. Tas nozīmē, ka pat ekspertiem var būt grūti precīzi izskaidrot, kāpēc dziļais modelis pieņēma konkrētu lēmumu.

Šī ir viena no lielākajām uzticēšanās problēmām mākslīgajā intelektā: veiktspēja var būt laba, bet izskaidrojamība var būt sarežģīta. Līdzīgi kā mēģināt pajautāt blenderim, kāpēc smūtijs negaršo.

---

8. Sarunvalodas mākslīgais intelekts: Runājošais tips

Sarunu mākslīgais intelekts ir paredzēts saziņai ar cilvēkiem, izmantojot tekstu vai balsi.

Tas ietver:

• Klientu apkalpošanas tērzēšanas roboti

• Balss asistenti

• Virtuālie aģenti

• Mākslīgā intelekta pasniedzēji

• Iekšējās palīdzības dienesta robotprogrammatūras

• Pārdošanas asistenti

• Plānošanas asistenti

Labam sarunvalodas mākslīgajam intelektam ir nepieciešams kas vairāk nekā tikai gramatika. Tam ir nepieciešams konteksts, nolūka atpazīšana, toņa kontrole un spēja apstrādāt neparedzamu cilvēka ievadi.

Cilvēki neizrunā perfektas komandas. Viņi muld. Viņi raksta lietas ar kļūdām. Viņi uzdod pusi jautājuma un sagaida, ka mašīna to "sapratīs". Jūs zināt, kā tas ir.

Pamata tērzēšanas robots var sekot skriptam. Uzlabotāks sarunvalodas mākslīgais intelekts var saprast dabisko valodu, saglabāt kontekstu un ģenerēt elastīgas atbildes.

Šāda veida mākslīgais intelekts ir vērtīgs, jo tas samazina atkārtotu darbu un nodrošina ātru atbalstu. Taču tas var radīt lietotājiem neapmierinātību, ja izliekas, ka saprot, bet nesaprot. Sliktākā versija ir tērzēšanas robots, kas saka: “Es labprāt palīdzēšu”, bet vispār nesniedz nekādu palīdzību. Sāpīgi.

---

9. Datorredzes mākslīgais intelekts: mašīnas, kas “redz” 👀

Datorredzes mākslīgais intelekts ļauj sistēmām interpretēt vizuālo informāciju no attēliem, video, kamerām, sensoriem vai skenējumiem.

To var izmantot:

• Sejas atpazīšana

• Objektu noteikšana

• Kvalitātes pārbaude rūpnīcās

• Medicīniskā attēlveidošana

• Drošības uzraudzība

• Mazumtirdzniecības plauktu analīze

• Satiksmes noteikšana

• Paplašinātā realitāte

• Lauksaimniecības uzraudzība

Datorredze neredz tā, kā redz cilvēki. Tā apstrādā pikseļus, rakstus, formas, krāsas un statistiskos signālus. Taču rezultāti var būt ļoti iespaidīgi.

Piemēram, datorredze var palīdzēt ātrāk atklāt defektus ražošanas līnijā nekā manuāla pārbaude. Tā var palīdzēt organizēt attēlu bibliotēkas. Tā var atbalstīt drošības sistēmas transportlīdzekļos. Tā var arī radīt bažas par privātumu, īpaši, ja to izmanto novērošanai vai identifikācijai.

Tā ir abpusēji asa dakša - nevis zobens, dakša. Joprojām pietiekami asa, lai sagādātu nepatikšanas 🍴.

---

10. Prognozējošā mākslīgā intelekta (AI) izmantošana: prognozēšanas dzinējs

Prognozējošā mākslīgā intelekta tehnoloģija izmanto datus, lai novērtētu, kas varētu notikt tālāk.

Tas ir izplatīts uzņēmējdarbībā, finansēs, veselības aprūpē, loģistikā, sporta analītikā, mārketingā un operācijās.

Prognozējošā mākslīgā intelekta tehnoloģija var palīdzēt atbildēt uz tādiem jautājumiem kā:

• Kuri klienti, visticamāk, aizies?

• Kurš darījums šķiet aizdomīgs?

• Cik daudz inventāra būs nepieciešams?

• Kuram pacientam varētu būt nepieciešama papildu uzmanība?

• Uz kāda satura lietotājs, visticamāk, noklikšķinās?

• Kura mašīnas daļa varētu drīz sabojāties?

Šis mākslīgā intelekta veids ir mazāk uzkrītošs nekā ģeneratīvais mākslīgais intelekts, taču tas ir ārkārtīgi svarīgs. Daudzām organizācijām mazāk rūp dzejas rakstīšanas modelis un vairāk tas, vai tas var samazināt atkritumus, mazināt riskus un uzlabot plānošanu.

Prognozējošā mākslīgā intelekta (MI) darbība ir visefektīvākā, ja dati ir atbilstoši, tīri un regulāri atjaunināti. Taču prognozēšana nekad nav pārliecība. Modelis var novērtēt varbūtības, nevis garantēt rezultātus. Cilvēki to pastāvīgi aizmirst. Tad viņi vaino MI, it kā tas viņus personīgi būtu nodevis.

---

11. Robotika Mākslīgais intelekts: Kad mākslīgais intelekts iegūst ķermeni 🤖

Robotika Mākslīgais intelekts apvieno mākslīgo intelektu ar fiziskām mašīnām. Šeit mākslīgais intelekts pamet ekrānu un sāk pārvietoties pa pasauli.

Piemēri ir šādi:

• Noliktavu roboti

• Ražošanas roboti

• Piegādes roboti

• Lauksaimniecības roboti

• Ķirurģiskās palīdzības sistēmas

• Droni

• Pārbaudes roboti

• Tīrīšanas roboti

• Humanoīdu pētniecības roboti

Robotika ar mākslīgo intelektu ir sarežģīta, jo fiziskā vide ir neparedzama. Čatbotam jātiek galā tikai ar vārdiem. Robotam jātiek galā ar slidenām grīdām, sliktu apgaismojumu, nelīdzenām virsmām, kustīgiem cilvēkiem, sensoru kļūdām un kādu, kurš atstāj krēslu vissliktākajā iespējamajā vietā.

Robotika bieži apvieno vairākus mākslīgā intelekta veidus:

• Datorredze redzei

• Mašīnmācīšanās adaptācijai

• Kustības plānošanas algoritmi

• Pastiprināšanas mācīšanās lēmumu pieņemšanai

• Cilvēka komandu dabiskās valodas apstrāde

Robotikai mākslīgajam intelektam ir milzīgs potenciāls, īpaši bīstamā vai atkārtotā darbā. Taču tas ir arī dārgs, sarežģīts un fiziski riskants, ja sistēmas neizdodas.

---

12. Mākslīgais intelekts, kas balstīts uz apmācības stilu

Vēl viens vērtīgs veids, kā domāt par mākslīgā intelekta veidiem, ir tas, kā tie tiek apmācīti.

Uz noteikumiem balstīta mākslīgā intelekta

Uz noteikumiem balstīta mākslīgā intelekta sistēma seko cilvēka radītai loģikai. Piemēram:

• Ja tas notiek, dariet to

• Ja lietotājs izvēlas šo opciju, parādīt šo atbildi

• Ja vērtība pārsniedz slieksni, aktivizēt brīdinājumu

Tas ir vienkārši, paredzami un noderīgi strukturētiem uzdevumiem. Taču tas rada grūtības ar neskaidrībām.

Ar datiem apmācīts mākslīgais intelekts

Ar datiem apmācīta mākslīgā intelekta sistēma mācās no piemēriem. Tā spēj tikt galā ar lielāku sarežģītību, jo tā identificē modeļus, nevis paļaujas tikai uz fiksētiem noteikumiem.

Šeit iederas mašīnmācīšanās un dziļā mācīšanās.

Hibrīds mākslīgais intelekts

Hibrīda mākslīgā intelekta tehnoloģija apvieno uz noteikumiem balstītu loģiku ar mašīnmācīšanos. Daudzās praktiskās sistēmās šī ir pragmatiska izvēle. Jūs iegūstat mācību sistēmu elastību, kā arī noteikumu kontroli.

Piemēram, banku krāpšanas apkarošanas sistēma var izmantot mašīnmācīšanos, lai atklātu aizdomīgu rīcību, un pēc tam piemērot stingrus noteikumus atbilstības pārbaudei. Ne glaimojoši. Ļoti nepieciešami.

---

13. Kas padara mākslīgā intelekta veidus mulsinošus?

Lielākā neskaidrība ir tā, ka cilvēki izmanto mākslīgā intelekta kategorijas dažādos veidos.

Kāds varētu teikt “mākslīgā intelekta veidi” un domāt ar to šauru, vispārīgu un superintelektu.

Cita persona var domāt ģeneratīvs mākslīgais intelekts, paredzošs mākslīgais intelekts un sarunvalodas mākslīgais intelekts.

Izstrādātājs var runāt par uzraudzītu mācīšanos, dziļo mācīšanos, neironu tīkliem vai pastiprināšanas mācīšanos.

Uzņēmuma vadītājs var runāt par automatizāciju, analītiku, personalizāciju un klientu atbalsta mākslīgo intelektu.

Viņiem visiem ir zināma taisnība. Apnicīgi, bet patiesi.

AI tiek klasificēts pēc:

• Spēja

• Funkcionalitāte

• Apmācības metode

• Pielietojuma joma

• Tehniskā arhitektūra

• Autonomijas līmenis

• Ievades un izvades veids

• Nozares lietošanas gadījums

Tātad, kad kāds jautā: “Kāda veida mākslīgais intelekts tas ir?”, skaidrākā atbilde var būt daudzslāņaina.

Piemēram, tērzēšanas robots varētu būt:

• Šaurs mākslīgais intelekts pēc iespējām

• Ierobežota atmiņas mākslīgais intelekts pēc funkcionalitātes

• Sarunu mākslīgais intelekts pēc lietojumprogrammas

• Ģeneratīvais mākslīgais intelekts, ja tas rada atbildes

• Dziļās mācīšanās mākslīgais intelekts, ja to darbina neironu tīkli

Tā nav pārspīlēta sarežģīšana prieka pēc. Tā vienkārši darbojas šī joma.

---

14. Praktiski mākslīgā intelekta veidu piemēri

Šeit ir daži ikdienas piemēri, lai kategorijas būtu vieglāk uztveramas.

Straumēšanas ieteikumi 🎬

Šis ir šaurais mākslīgais intelekts, paredzošais mākslīgais intelekts un mašīnmācīšanās. Tas pēta modeļus un iesaka, ko jūs varētu skatīties tālāk.

Balss asistenti 🎙️

Tie izmanto sarunvalodas mākslīgo intelektu, dabiskās valodas apstrādi, runas atpazīšanu un ierobežotas atmiņas funkcijas.

Attēlu ģeneratori 🖼️

Tās ir ģeneratīvas mākslīgā intelekta sistēmas, kuras bieži vien darbina dziļās mācīšanās modeļi.

Krāpšanas atklāšanas sistēmas 💳

Tie izmanto paredzošo mākslīgo intelektu un mašīnmācīšanos, lai atzīmētu neparastu aktivitāti.

Pašbraucošas funkcijas 🚗

Tie apvieno datorredzi, ierobežotas atmiņas mākslīgo intelektu, ar robotiku saistītu mākslīgo intelektu, sensoru sapludināšanu un lēmumu pieņemšanas modeļus.

E-pasta surogātpasta filtri 📩

Tie ir klasiski mašīnmācīšanās mākslīgie intelekti. Ne glauns, bet ļoti vērtīgs.

Mākslīgā intelekta rakstīšanas rīki ✍️

Tie ir ģeneratīvais mākslīgais intelekts un sarunvalodas mākslīgais intelekts, kas parasti tiek veidoti, izmantojot lielus valodu modeļus.

Svarīgi ir tas, ka viens mākslīgā intelekta produkts var vienlaikus piederēt vairākām kategorijām.

---

15. Mākslīgā intelekta veidu izpratnes priekšrocības

Zinot mākslīgā intelekta veidus, jūs varat pieņemt labākus lēmumus, īpaši, ja izmantojat mākslīgo intelektu darbam, uzņēmējdarbībai, studijām vai satura veidošanai.

Tas jums palīdz:

• Izvēlieties pareizo rīku

• Izvairieties no nereālistiskām cerībām

• Izprast riskus

• Uzdodiet labākus jautājumus

• Novērtējiet mākslīgā intelekta apgalvojumus

• Vietmārketinga pārspīlēšana

• Izmantojiet mākslīgo intelektu atbildīgāk

• Izskaidrojiet mākslīgo intelektu citiem, neizklausoties pēc apjukuša robota

Piemēram, ja rīks ir paredzošā mākslīgā intelekta rīks, jūs zināt, ka tas prognozē varbūtības. To nevajadzētu uzskatīt par orākulu.

Ja rīks ir ģeneratīvais mākslīgais intelekts, jūs zināt, ka tas rada saturu, taču saturs joprojām ir jāpārbauda.

Ja sistēma ir šaura mākslīgā intelekta joma, jūs zināt, ka tā var būt lieliska vienā jomā, bet neefektīva ārpus savas darbības jomas.

Tas vien ietaupa daudz galvassāpju.

---

16. Riski un ierobežojumi dažādiem mākslīgā intelekta veidiem ⚠️

Katram mākslīgā intelekta veidam ir ierobežojumi. Dažāda garša, viena un tā pati zupas bļoda.

Biežākie mākslīgā intelekta riski ir šādi:

• Neobjektivitāte apmācības datos

• Nepareizas izejas

• Caurspīdīguma trūkums

• Bažas par privātumu

• Pārmērīga atkarība

• Drošības ievainojamības

• Nepareiza lietošana

• Slikta cilvēku uzraudzība

• Jauc plūdumu ar patiesību

Ģeneratīvais mākslīgais intelekts var izgudrot informāciju. Prognozējošais mākslīgais intelekts var pastiprināt neobjektīvus modeļus. Datorredze var nepareizi identificēt cilvēkus vai objektus. Sarunu mākslīgais intelekts var radīt lietotājiem viltus pārliecību. Robotikas mākslīgais intelekts var radīt fizisku kaitējumu, ja tas ir slikti izstrādāts.

Tas nenozīmē, ka mākslīgais intelekts ir slikts. Tas nozīmē, ka mākslīgais intelekts jāizmanto apdomīgi. Tāpat kā elektroinstrumenti, līgumi vai ārkārtīgi pikantas nūdeles 🌶️.

Labākās mākslīgā intelekta sistēmas parasti ietver:

• Cilvēka veikta pārskatīšana

• Skaidras robežas

• Spēcīga datu apstrādes prakse

• Testēšana

• Uzraudzība

• Izskaidrojamība, kur iespējams

• Ētisks dizains

• Drošības kontroles

Mākslīgais intelekts var pastiprināt labus lēmumus. Tas var arī pastiprināt neuzmanīgus lēmumus.

---

17. Kura mākslīgā intelekta veids ir vissvarīgākais?

Nav viena vissvarīgākā veida. Tas ir atkarīgs no lietošanas gadījuma.

Radošumam ģeneratīvais mākslīgais intelekts ir milzīgs.

Biznesa plānošanā paredzamā mākslīgā intelekta izmantošana varētu būt vērtīgāka.

Automatizācijai, mašīnmācībai un robotikai ir svarīga mākslīgā intelekta funkcija.

Lietotāju atbalstam sarunvalodas mākslīgais intelekts ir galvenā prioritāte.

Medicīniskām skenēšanām vai vizuālai pārbaudei datorredze ir kritiski svarīga.

Ilgtermiņa pētījumos vislielākā filozofiskā uzmanība tiek pievērsta vispārējai mākslīgajam intelektam.

Taču praktiski šaurais mākslīgais intelekts un ierobežotās atmiņas mākslīgais intelekts šobrīd ir visizplatītākās un vērtīgākās kategorijas. Tie ir klusie dzinēji, kas slēpjas aiz daudziem rīkiem, uz kuriem cilvēki jau paļaujas.

Grezna nākotne nonāk ziņu virsrakstos. Praktiska tagadne sedz rēķinus.

---

Noslēguma piezīmes: Mākslīgā intelekta veidu izpratne bez trokšņa

Mākslīgā intelekta veidi sākumā var šķist sarežģīti, jo kategorijas pārklājas. Taču, tiklīdz atdala iespējas, funkcionalitāti, apmācības metodi un praktisko pielietojumu, viss kļūst daudz vieglāk saprotams.

Šaurs mākslīgais intelekts veic specifiskus uzdevumus. Vispārīgais mākslīgais intelekts domātu elastīgāk, lai gan tas joprojām ir ambiciozs mērķis. Supermākslīgais intelekts joprojām ir spekulatīvs. Reaktīvās mašīnas reaģē bez atmiņas, savukārt mākslīgais intelekts ar ierobežotu atmiņu izmanto pagātnes datus, lai uzlabotu lēmumus. Ģeneratīvais mākslīgais intelekts rada. Paredzošais mākslīgais intelekts prognozē. Sarunu mākslīgais intelekts runā. Datorredze redz. Robotika. Mākslīgais intelekts darbojas fiziskajā vidē.

Tā ir kopējā aina.

Mākslīgais intelekts nav viena lieta. Tā ir sapinusies tehnoloģiju saime – dažas praktiskas, dažas eksperimentālas, dažas pārspīlētas un dažas patiesi nozīmīgas. Šī sarežģītība ir viens no iemesliem, kāpēc tas ir svarīgi. Jo skaidrāk jūs izprotat mākslīgā intelekta veidus, jo vieglāk ir gudri to izmantot, nevis tikai pamāt ar galvu, kad kāds sapulcē saka “algoritms”. 🤷♂️

Īss kopsavilkums: Galvenie mākslīgā intelekta veidi ir šaurais mākslīgais intelekts, vispārīgais mākslīgais intelekts, supermākslīgais intelekts, reaģējošās mašīnas, ierobežotas atmiņas mākslīgais intelekts, prāta teorijas mākslīgais intelekts, pašapzinīgais mākslīgais intelekts, ģeneratīvais mākslīgais intelekts, paredzošais mākslīgais intelekts, sarunvalodas mākslīgais intelekts, datorredzes mākslīgais intelekts, mašīnmācīšanās mākslīgais intelekts, dziļās mācīšanās mākslīgais intelekts un robotikas mākslīgais intelekts. Lielākā daļa mūsdienās izmantotā mākslīgā intelekta ir šaurs, uz uzdevumiem orientēts un darbojas ar mašīnmācīšanās vai dziļās mācīšanās palīdzību.

Reālās pasaules piemērs: mākslīgā intelekta klientu atbalsta triāžas asistenta izveide

Scenārijs

Iedomājieties nelielu tiešsaistes mēbeļu veikalu, kas dienā saņem aptuveni 120 klientu atbalsta e-pastus. Komanda nemēģina aizstāt atbalsta personālu. Viņi vienkārši vēlas palīdzību ziņojumu ātrākā kārtošanā, steidzamu problēmu pamanīšanā un pirmo atbilžu sagatavošanā.

Šis ir labs piemērs, jo viens asistents var vienlaikus izmantot vairākus mākslīgā intelekta veidus. Tas var izmantot sarunvalodas mākslīgo intelektu, lai izprastu klientu ziņojumus, ģeneratīvo mākslīgo intelektu, lai veidotu atbilžu melnrakstus, paredzošo mākslīgo intelektu, lai atzīmētu iespējamos atmaksas riskus, un ierobežotas atmiņas mākslīgo intelektu, lai izmantotu jaunākos pasūtījumu vai politikas datus.

Asistenta uzdevums ir vienkāršs: izlasīt klienta ziņojumu, klasificēt to, ieteikt nākamo darbību un uzrakstīt atbildes melnrakstu, ko cilvēks var apstiprināt.

Kas asistentam ir nepieciešams

Komanda sniegtu asistentam:

Klientu apkalpošanas politika

Piegādes un atgriešanas noteikumi

Garantijas noteikumi

Produktu bieži uzdotie jautājumi

Balss toņa piemēri

Eskalācijas noteikumu saraksts

Iepriekšējo biļešu paraugi ar pareizām kategorijām

Skaidras robežas attiecībā uz to, ko tā nedrīkst izlemt pati

Piemēram, tai nevajadzētu apstiprināt atmaksas, kas pārsniedz 100 mārciņas, solīt piegādes datumus, kurus tā nevar pārbaudīt, vai izvirzīt juridiskas prasības par bojātām precēm. Šīs lietas būtu jānodod personai.

Instrukcijas piemērs

Jūs esat klientu atbalsta speciālists tiešsaistes mēbeļu veikalā. Izlasiet katru klienta ziņojumu un sniedziet piecas lietas: pieprasījuma kategoriju, steidzamības līmeni, iespējamo klienta noskaņojumu, ieteicamo nākamo darbību un atbildes melnrakstu.

Izmantojiet tikai sniegto uzņēmuma politiku. Ja atbildes nav politikā, sakiet “Nepieciešama cilvēka pārskatīšana”. Neizdomājiet piegādes datumus, atmaksas apstiprinājumus, garantijas solījumus vai produktu pieejamību.

Esalizēt pieprasījumu, ja klients piemin traumu, tiesvedību, atkārtotu neveiksmīgu piegādi, atmaksu virs 100 sterliņu mārciņām, trūkstošas ​​detaļas bērnu produktam vai spēcīgu neapmierinātību pēc divām iepriekšējām atbildēm.

Saglabājiet atbildes melnrakstu pieklājīgu, īsu un praktisku. Neizklausieties robotiski. Nevainojiet klientu vai kurjeru.

Kā to pārbaudīt

Pirms palīga izmantošanas ar klientiem, pārbaudiet to ar nelielu vecu biļešu komplektu.

Izmantojiet 30 iepriekšējos atbalsta ziņojumus:

10 vienkārši piegādes jautājumi

5 sūdzības par bojātām precēm

5 atmaksas pieprasījumi

5 jautājumi par garantiju

5 dusmīgas vai sarežģītas sūdzības

Katram testam pārbaudiet:

Vai tā izvēlējās pareizo kategoriju?

Vai tas pareizi atzīmēja steidzamus gadījumus?

Vai tā izvairījās dot solījumus?

Vai tas saasināja jutīgus jautājumus?

Vai atbildes melnraksts atbilda uzņēmuma tonim?

Noderīgs testa jautājums būtu:

“Mans galds tika piegādāts ar saplaisājušu vienu kāju, un šī ir jau otrā reize, kad piegāde ir notikusi nepareizi. Es vēlos pilnu naudas atmaksu jau šodien, vai arī es par to ziņošu visur.”

Vājš asistents varētu vienkārši atvainoties un apsolīt atmaksu. Labāks asistents klasificētu to kā bojātu preci ar atkārtotu sūdzību, atzīmētu to kā ļoti steidzamu, izvairītos no automātiskas atmaksas apstiprināšanas un nodotu to cilvēka pārskatīšanai.

Rezultāts

Ilustratīvais rezultāts: pamatojoties uz 30 paraugu biļešu laika noteikšanu pirms un pēc darbplūsmas izmantošanas.

Manuāla triāža 30 biļetēm aizņēma 2 stundas un 15 minūtes, vidēji 4,5 minūtes katrai biļetei.

Ar mākslīgā intelekta palīdzību veiktā triāža tām pašām 30 pieteikumiem aizņēma 48 minūtes, vidēji 1,6 minūtes katrai pieteikumam, jo ​​cilvēkam-recenzents pārbaudīja tikai kategoriju, eskalācijas lēmumu un atbildes melnrakstu.

Asistents pareizi kategorizēja 27 no 30 biļetēm testa komplektā. Viņš pareizi eskalēja visas 5 augsta riska biļetes. Divām atmaksas biļetēm bija nepieciešams labot formulējumu, jo melnraksts izklausījās pārāk noteikts, un viena garantijas biļete bija ievietota nepareizā kategorijā.

Tas sniedz praktisku kritēriju: ātrāka pirmā pārskatīšana, bet ne pilnīga automatizācija. Atbilde joprojām ir cilvēka ziņā.

Kas var noiet greizi

Lielākā kļūda ir ļaut asistentam izlikties, ka viņš zina vairāk, nekā patiesībā zina. Ja atgriešanas politika ir novecojusi, asistents var pārliecinoši sagatavot nepareizu atbildi. Ja eskalācijas noteikumi ir neskaidri, viņš var nepamanīt nopietnas sūdzības.

Vēl viens jautājums ir privātums. Komandai jāizvairās no nevajadzīgas maksājumu informācijas, adrešu vai sensitīvas personas informācijas ielīmēšanas asistentā, ja vien sistēma nav apstiprināta šādai lietošanai.

Asistents arī regulāri jāpārbauda. Mainās klientu jautājumi, mainās politikas un mainās produkti. Triāžas asistents, kas martā darbojās labi, var kļūt riskants pēc jaunas garantijas politikas jūnijā.

Praktiska līdzņemšana

Šis piemērs parāda, kāpēc mākslīgā intelekta kategorijas praksē pārklājas. Viens atbalsta asistents var vienlaikus būt šaurs mākslīgais intelekts, sarunvalodas mākslīgais intelekts, ģeneratīvs mākslīgais intelekts, paredzošs mākslīgais intelekts un ierobežotas atmiņas mākslīgais intelekts. Labāks veids, kā to novērtēt, ir pajautāt, kādu lēmumu tas atbalsta, kādus datus tas izmanto un kur cilvēkam tas ir jāpārbauda.

Bieži uzdotie jautājumi

Kādi ir galvenie mākslīgā intelekta veidi, kas iesācējiem būtu jāzina?

Galvenie mākslīgā intelekta veidi ir šaurais mākslīgais intelekts, vispārīgais mākslīgais intelekts, supermākslīgais intelekts, reaģējošās mašīnas, ierobežotas atmiņas mākslīgais intelekts, ģeneratīvais mākslīgais intelekts, paredzošais mākslīgais intelekts, sarunvalodas mākslīgais intelekts, datorredzes mākslīgais intelekts, mašīnmācīšanās mākslīgais intelekts, dziļās mācīšanās mākslīgais intelekts un robotikas mākslīgais intelekts. Šīs kategorijas bieži pārklājas, tāpēc viens rīks var vienlaikus atbilst vairākām kategorijām. Piemēram, tērzēšanas robots var būt šaurais mākslīgais intelekts, sarunvalodas mākslīgais intelekts, ģeneratīvais mākslīgais intelekts un ierobežotas atmiņas mākslīgais intelekts.

Kā mākslīgā intelekta veidi tiek klasificēti pēc iespējām?

Pēc iespējām mākslīgais intelekts parasti tiek grupēts šaurajā mākslīgajā intelektā, vispārējā mākslīgajā intelektā un super mākslīgajā intelektā. Šaurais mākslīgais intelekts veic specifiskus uzdevumus un mūsdienās tiek plaši izmantots. Vispārīgais mākslīgais intelekts spriestu un mācītos daudzu uzdevumu veikšanā cilvēkam līdzīgā līmenī, taču tas netiek izmantots ikdienā. Super mākslīgais intelekts pārsniegtu cilvēka intelektu un joprojām ir spekulatīvs.

Kāda ir atšķirība starp šauro mākslīgo intelektu un vispārējo mākslīgo intelektu?

Šaurs mākslīgais intelekts ir paredzēts konkrētam uzdevumam vai ierobežotam uzdevumu kopumam, piemēram, surogātpasta filtrēšanai, ieteikumu sniegšanai, tērzēšanas robotiem vai krāpšanas atklāšanai. Vispārējais mākslīgais intelekts spētu mācīties, spriest un pielāgoties daudzos nesaistītos uzdevumos. Lielākā daļa mūsdienās izmantoto mākslīgo intelektu ir šaurs mākslīgais intelekts, pat ja tas šķiet elastīgs vai attīstīts.

Kāpēc ierobežotas atmiņas mākslīgais intelekts mūsdienās ir tik izplatīts?

Mākslīgais intelekts ar ierobežotu atmiņu var izmantot pagātnes vai jaunākos datus, lai uzlabotu lēmumus, kas padara to praktisku daudzām ieviestām sistēmām. Ieteikumu dzinēji, krāpšanas atklāšanas rīki, pašbraucošas funkcijas un tērzēšanas roboti bieži vien izmanto šāda veida mākslīgo intelektu. Tam nav cilvēkam līdzīgas apziņas, taču tas var pielāgoties, pamatojoties uz modeļiem un saglabāto informāciju.

Kā ģeneratīvais mākslīgais intelekts iederas mākslīgā intelekta veidos?

Ģeneratīvais mākslīgais intelekts (MI) ir MI veids, kas rada jaunus rezultātus, piemēram, tekstu, attēlus, kodu, audio, video, kopsavilkumus vai dizaina idejas. Tas apgūst modeļus no lieliem datu apjomiem un ģenerē saturu, pamatojoties uz uzvednēm. Tas var palīdzēt rasēšanas darbos, ideju ģenerēšanā, kodēšanas atbalstā un radošajā darbā, taču tā rezultātiem joprojām ir nepieciešama cilvēka pārskatīšana.

Kāda ir atšķirība starp mašīnmācīšanos un dziļo mācīšanos?

Mašīnmācīšanās ir mākslīgā intelekta (AI) nozare, kurā sistēmas apgūst modeļus no datiem, nevis seko tikai ar roku rakstītiem noteikumiem. Dziļā mācīšanās ir specializēta mašīnmācīšanās forma, kas izmanto slāņotus neironu tīklus. Dziļā mācīšanās ir īpaši vērtīga sarežģītiem uzdevumiem, piemēram, runas atpazīšanai, attēlu atpazīšanai, dabiskās valodas apstrādei, tulkošanai, medicīniskajai attēlveidošanai un ģeneratīvajam mākslīgajam intelektam.

Kam uzņēmējdarbībā tiek izmantota paredzošā mākslīgā intelekta metode?

Prognozējošā mākslīgā intelekta tehnoloģija izmanto datus, lai novērtētu iespējamos nākotnes rezultātus. Uzņēmumi to var izmantot pieprasījuma plānošanai, klientu aizplūšanas prognozēšanai, krāpšanas atklāšanai, riska novērtēšanai, lēmumu pieņemšanai par krājumiem vai apkopes prognozēšanai. Tā atbalsta plānošanu un lēmumu pieņemšanu, bet negarantē nākotni. Prognozes ir aplēses, ko veido pieejamie dati un modeļa kvalitāte.

Kā datorredzes mākslīgais intelekts darbojas praktiskās sistēmās?

Datorredzes mākslīgais intelekts palīdz mašīnām interpretēt vizuālo informāciju no attēliem, video, kamerām, skenējumiem vai sensoriem. Tas var atbalstīt sejas atpazīšanu, objektu noteikšanu, rūpnīcu pārbaudes, medicīnisko attēlveidošanu, satiksmes noteikšanu, mazumtirdzniecības analīzi, lauksaimniecības uzraudzību un drošības sistēmas. Tas neredz kā cilvēks, bet var apstrādāt pikseļus, formas, krāsas un rakstus plašā mērogā.

Kāpēc viens mākslīgā intelekta produkts var piederēt vairākiem mākslīgā intelekta veidiem?

Mākslīgā intelekta kategorijas bieži vien apraksta dažādas lietas, piemēram, iespējas, funkcionalitāti, apmācības metodi vai lietojumprogrammu. Piemēram, balss asistents var būt šaurs mākslīgais intelekts pēc iespējām, sarunvalodas mākslīgais intelekts pēc lietojumprogrammas, ierobežotas atmiņas mākslīgais intelekts pēc funkcionalitātes un dziļās mācīšanās mākslīgais intelekts pēc arhitektūras. Šī pārklāšanās ir normāla un palīdz izskaidrot sistēmas darbību no dažādiem skatupunktiem.

Kādi riski cilvēkiem būtu jāsaprot, izmantojot dažādus mākslīgā intelekta veidus?

Biežāk sastopamie mākslīgā intelekta riski ir neobjektivitāte, nepareizi rezultāti, bažas par privātumu, drošības ievainojamības, pārredzamības trūkums, pārmērīga atkarība un vāja cilvēka uzraudzība. Ģeneratīvais mākslīgais intelekts var izgudrot informāciju, paredzošais mākslīgais intelekts var pastiprināt sliktus modeļus, un datorredze var nepareizi identificēt objektus vai cilvēkus. Labam mākslīgā intelekta lietojumam parasti ir nepieciešama testēšana, uzraudzība, skaidras robežas, stingras datu apstrādes prakses un cilvēka veikta pārskatīšana.

Atsauces

1. IBM — Mākslīgā intelekta veidi — ibm.com

2. NIST mākslīgā intelekta risku pārvaldības sistēma — mākslīgā intelekta riski — nist.gov

3. Google izstrādātāji — mašīnmācīšanās — developers.google.com

4. AWS — Ģeneratīvais mākslīgais intelekts — aws.amazon.com