Kas iš tikrųjų yra dirbtinis intelektas? [Vaizdo įrašas ir viktorina]

Trumpas atsakymas: DI yra plati skaičiavimo metodų šeima, kuri atpažįsta modelius, teikia prognozes, generuoja turinį ir vis dažniau imasi veiksmų. Ji gali būti labai efektyvi, kai aplink ją kuriama patikima informacija, aiškūs leidimai ir žmogaus atliekama peržiūra, tačiau sklandi išvestis niekada neturėtų būti laikoma automatiniu tiesos įrodymu.

Svarbiausios išvados:

Atskaitomybė: Užtikrinkite, kad žmonės būtų atsakingi už svarbius sprendimus, ypač tais atvejais, kai dirbtinis intelektas gali padaryti brangiai kainuojančių klaidų.

Skaidrumas: aiškiai nurodykite, kokia informacija, taisyklėmis ir leidimais remiasi dirbtinio intelekto sistema.

Patikrinimas: Prieš imdamiesi veiksmų, patikrinkite svarbius faktinius, medicininius, teisinius, finansinius ir verslo rezultatus.

Audituojamumas: išbandykite dirbtinį intelektą su reprezentatyviais atvejais ir užfiksuokite tiek efektyvumo padidėjimą, tiek padarytas klaidas.

Apsauga nuo piktnaudžiavimo: apribokite prieigą, užkirskite kelią neparemtiems veiksmams ir perduokite neaiškius atvejus žmonėms, atliekantiems peržiūrą.

1. Kas iš tikrųjų yra dirbtinis intelektas? Paprastas paaiškinimas

Dirbtinis intelektas arba DIreiškia kompiuterines sistemas, kurios gali atlikti su žmogaus intelektu susijusias užduotis.

Šios užduotys gali apimti:

• Kalbos supratimas

• Objektų atpažinimas vaizduose

• Numatant, kas nutiks toliau

• Rekomendacijų teikimas

• Teksto, paveikslėlių, garso ar vaizdo įrašų generavimas

• Modelių aptikimas didžiuliuose duomenų rinkiniuose

• Priimant sprendimus remiantis turima informacija

• Mokymasis iš pavyzdžių

• Tam tikrų rūšių problemų sprendimas

Čia svarbus vienas momentas.

Dirbtinis intelektas nebūtinai turi mąstyti kaip žmogus, kad gautų rezultatus, kurie atrodytų protingi.

Šachmatų programa nesėdi ir nerimauja, ar paaukoti savo vyską yra emociškai teisinga. Rekomendacijų algoritmas neprisiriša prie dokumentinio filmo, kurį jis jums nuolat siūlo. Kalbos modeliui nereikia mažo anglų kalbos mokytojo, gyvenančio kompiuterio viduje.

Vietoj to, šios sistemos apdoroja informaciją naudodamos matematinius modelius, algoritmus, mokymo duomenis, taisykles, tikimybes ir milžiniškus skaičiavimų kiekius.

Galutinis rezultatas gali atrodyti nepaprastai žmogiškas.

Tačiau apačioje esantis mechanizmas yra labai skirtingas.

Tas skirtumas yra svarbesnis, nei žmonės kartais suvokia.

2. Dirbtinis intelektas labiau primena prognozavimo mašiną, o mažiau roboto smegenis

Kai žmonės išgirsta „dirbtinį intelektą“, jie dažnai įsivaizduoja kažką panašaus į dirbtines žmogaus smegenis.

Suprantama. Mokslinė fantastika dešimtmečius kūrė dirbtiniam intelektui žėrinčias akis, grėsmingus balsus, įtartinai tvirtas nuomones ir dažniausiai kažkokį metalinį skeletą.

Praktinis dirbtinis intelektas paprastai yra mažiau kinematografiškas.

Daugelis šiuolaikinių dirbtinio intelekto sistemų veikia prognozavimo.

Apsvarstykite kalbos modelį.

Kai rašote:

"Katė atsisėdo ant..."

Sistema įvertina, kurie žodžiai statistiškai greičiausiai bus toliau.

Galbūt:

• kilimėlis

• grindys

• sofa

• kėdė

Jis ne tik įsimena vieną sakinį ir jį atkartoja. Pakankamai pažangus modelis jau yra išmokęs sudėtingus ryšius tarp žodžių, idėjų, sakinių struktūrų, sąvokų, stilių, faktų ir modelių.

Tada jis numato seką, kuri geriausiai atitinka kontekstą. numatyti kitą žodį, reikia nemažai išmokti apie kalbą.

O kalba apima... na, iš esmės viską, apie ką kalba žmonės.

Istorija. Matematika. Maisto gaminimas. Programavimas. Santykiai. Fizika. Ginčai apie tai, ar ananasas tinka ant picos.

Taigi, iš pažiūros paprasta prognozavimo užduotis gali sukelti stebėtinai sudėtingą elgesį.

Žinoma, ši metafora turi ribas. Pavadinti pažangų dirbtinį intelektą „tiesiog automatiniu užbaigimu“ yra šiek tiek tas pats, kas vadinti lėktuvą „tiesiog metalu su sparnais“. Techniškai ten slypi kažkas tikro, bet didžioji dalis įdomios dalies išnyko.

3. Kaip mokosi dirbtinis intelektas?

Čia į pokalbį įsitraukia mašininis mokymasis

Tradicinė programinė įranga paprastai veikia pagal aiškias instrukcijas.

Programuotojas galėtų parašyti:

• Jei vartotojas įveda teisingą slaptažodį, suteikiama prieiga.

• Jei temperatūra viršija tam tikrą ribą, įjunkite aušinimą.

• Jei prekės nėra sandėlyje, pateikite įspėjimą.

Tos instrukcijos yra sąmoningai užprogramuotos.

Mašininis mokymasis apverčia procesą aukštyn kojomis.

Užuot rankiniu būdu apibrėžę kiekvieną taisyklę, kūrėjai pateikia sistemai pavyzdžių arba duomenų ir leidžia jai atrasti modelius.

Įsivaizduokite, kad bandote sukurti programinę įrangą, galinčią atpažinti kates nuotraukose.

Aiškių taisyklių rašymas gana greitai taptų absurdiškas.

Galite pabandyti:

• Ieškokite trikampių ausų.

• Ieškokite ūsų.

• Ieškokite keturių kojų.

• Ieškokite kailio.

Tada kažkas įkelia lapės nuotrauką.

Ne visai.

Arba tigras.

Arba katė, susisukusi į pūkuotą gumulą, nuo kurio vos matyti kojos.

Mašininis mokymasis problemą sprendžia kitaip. Modelį galima apmokyti naudojant didžiulius pavyzdžių rinkinius ir palaipsniui mokytis, kurie vizualiniai modeliai yra susiję su katėmis.

Tai nėra mokymasis žodžio „katė“ taip, kaip mokosi mažylis.

Tačiau matematiškai modelis vis labiau geba atpažinti su kategorija susijusius modelius.

Tai mašininis mokymasis trumpai tariant – nors pačiame kevale yra keli tiesinės algebros sandėliai.

4. Dirbtinis intelektas, mašininis mokymasis ir gilusis mokymasis

Šie terminai nuolat painiojami, iš dalies dėl to, kad žmonės „DI“ vartoja kaip bendrą frazę praktiškai viskam.

Paprastas būdas juos atskirti yra toks.

Dirbtinis intelektas yra plati sritis.

Mašininis mokymasis yra vienas iš metodų, naudojamų kuriant dirbtinio intelekto sistemas.

Gilusis mokymasis yra tam tikra mašininio mokymosi rūšis, apimanti didelius neuroninius tinklus su keliais sluoksniais.

Taip pat yra generatyvinis dirbtinis intelektas (DI), kuris orientuotas į naujų išvesties šaltinių, tokių kaip tekstas, vaizdai, muzika, kodas, kalba ar vaizdo įrašas, kūrimą.

Palyginimo lentelė

Terminas	Įprastas naudojimas	Ką tai iš esmės reiškia	Greitas būdas apie tai pagalvoti
Dirbtinis intelektas	Plati mašinų, atliekančių iš pažiūros protingas užduotis, kategorija	Robotika, asistentai, planavimas, rekomendacijos	Didelis skėtis
Mašininis mokymasis	Sistemų mokymosi modeliai iš duomenų	Sukčiavimo aptikimas, rekomendacijos, prognozės	Mokymasis iš pavyzdžių
Gilus mokymasis	Mašininis mokymasis naudojant daugiasluoksnius neuroninius tinklus	Regėjimas, kalba, pažangūs kalbos modeliai	ML, bet daug giliau... tiesiogine prasme
Generatyvus dirbtinis intelektas	Dirbtinis intelektas, skirtas kurti naują turinį	Tekstas, vaizdai, kodas, garsas	Kūrybinė šaka
Automatizavimas	Programinė įranga, atitinkanti iš anksto nustatytus procesus	Pasikartojantys darbo srautai, duomenų įvedimas	Paprastai taisyklės, o ne „mokymasis“

Šis skirtumas yra svarbus, nes ne kiekviena automatizuota sistema yra dirbtinis intelektas.

Jei jūsų kavos aparatas išsijungia po dešimties minučių, sveikiname – tikriausiai neturite dirbtinio intelekto laboratorijos.

Tai tik laikmatis.

5. Kas yra neuroniniai tinklai?

Neuroniniai tinklai yra matematinės sistemos, laisvai įkvėptos biologinių neuronų.

Ši frazė skamba paslaptingai. Tai ne dirbtiniai smegenys, sklandantys kompiuterių viduje, tiesiogine prasme.

Neuroninį tinklą sudaro tarpusavyje sujungti matematiniai vienetai, kurie apdoroja informaciją.

Mokymo metu tinklas koreguoja vidines skaitines vertes, vadinamas parametrais arba svoriais.

Šie pakeitimai leidžia sistemai geriau generuoti vertingus rezultatus.

Įsivaizduokite tai kaip absurdiškai sudėtingą valdymo pultą su potencialiai milijardais mažų reguliuojamų rankenėlių.

Treniruotės vėl ir vėl stumia tuos rankenėles.

Neteisingas atsakymas?

Sureguliuokite rankenėles.

Geresnis atsakymas?

Sureguliuokite juos skirtingai.

Pakartokite tai pakankamai kartų, naudodami pakankamai duomenų ir turėdami pakankamai skaičiavimo galios, ir tinklas pradės kurti sudėtingas vidines reprezentacijas, kurios leis jam atpažinti ir generuoti modelius.

Žinoma, posakis „sureguliuokite rankenėles“ skamba kaip dešimtmečių kompiuterių mokslo patirtis, lyg kas nors derintų seną radiją... bet kaip mentalinis modelis tai veikia stebėtinai gerai.

6. Kodėl dirbtinis intelektas staiga atrodo toks protingas

Dirbtinis intelektas nėra vienas išradimas, atsiradęs per naktį.

Pagrindinis laukas egzistuoja jau ilgą laiką.

Pasikeitė tai, kad kelios jėgos greitėjo kartu.

Didesnė skaičiavimo galia

Šiuolaikiniai procesoriai gali greitai atlikti milžinišką skaičių skaičiavimų, ypač tokių, kokių reikia neuroniniams tinklams. Didėjanti mokymo skaičiavimo apimtys buvo vienas iš svarbių šiuolaikinių dirbtinio intelekto sistemų pažangos veiksnių.

Daugiau duomenų

Skaitmeniniame pasaulyje telpa milžiniški kiekiai teksto, vaizdų, garso, vaizdo įrašų, kodo ir struktūrizuotos informacijos.

Sudėtingų modelių mokymui reikia pavyzdžių – jų gausybės.

Geresni algoritmai

Tyrėjai nuolat tobulina dirbtinio intelekto sistemų mokymo architektūras ir metodus.

Didesni modeliai

Didinant parametrų skaičių, tobulinant duomenų rinkinius ir didinant skaičiavimo apimtį dažnai susidaro stebėtinai pajėgūs modeliai. Tyrimai, skirti skaičiavimo požiūriu optimaliam kalbos modelių mokymui, taip pat rodo, kad modelio dydis, duomenys ir skaičiavimas turi būti subalansuoti, o ne tiesiog maksimaliai padidinti parametrų skaičių.

Geresnės sąsajos

Šią dalį lengva nuvertinti.

Dirbtinis intelektas atrodo daug prieinamesnis, nes paprasti žmonės dabar gali bendrauti su pažangiomis sistemomis naudodami kasdienę kalbą.

Jums nereikia suprasti programavimo.

Galite tiesiog paklausti:

„Aiškinau apie hipotekas taip, lyg man būtų dvylika.“

Arba:

"Šias susitikimo pastabas paverskite el. paštu."

Arba:

„Duokite man penkias vakarienės idėjas naudojant vištieną, ryžius ir daržoves, kurios pamažu nyksta mano šaldytuve.“

Tas sąsajos pokytis yra milžiniškas.

Technologijos linkusios išpopuliarėti, kai žmonėms nebereikia vadovų, kad galėtų jomis naudotis.

7. Ką veikia dirbtinis intelektas, kai jam užduodate klausimą?

Apsvarstykite šiuolaikinį dirbtinio intelekto asistentą.

Jūs rašote:

"Paaiškinkite penkiamečiui apie gravitaciją."

Užkulisiuose sistema konvertuoja jūsų tekstą į skaitinius vienetus, vadinamus žetonais.

Žetonai gali reikšti pilnus žodžius, žodžių dalis, skyrybos ženklus ar kitas kalbos dalis.

Tie žetonai apdorojami per modelį.

Modelis nagrinėja ryšius tarp skirtingų jūsų užklausos dalių, atsižvelgia į kontekstą ir numato naudingą tęsinį.

Tada dar vienas žetonas.

Tada dar vienas.

Tada dar vienas.

Tai vyksta stebėtinai greitai.

Gauta pastraipa atrodo taip, lyg kažkas ją būtų parašęs kaip visą mintį, bet techniškai ji buvo sugeneruota nuosekliai.

Tai viena iš išskirtiniausių DI savybių.

Rezultatas gali atrodyti apgalvotas, net jei pagrindinis procesas yra tikimybinis.

Tai labiau primena improvizaciją nei paruošto atsakymo ištraukimą iš milžiniškos duomenų bazės.

Žinoma, ne visai improvizacija, bet pakankamai artima, kad metafora užsitarnautų savo pietus.

8. Ar dirbtinis intelektas supranta dalykus?

Šis klausimas labai greitai tampa filosofinis.

Ar dirbtinio intelekto sistema iš tiesų „supranta“ kalbą?

Atsakymas labai priklauso nuo to, ką turite omenyje sakydami „suprasti“.

Šiuolaikiniai dirbtinio intelekto modeliai gali aiškiai manipuliuoti sąvokomis sudėtingais būdais.

Jie gali:

• Paaiškinkite idėjas

• Palyginti argumentus

• Perrašyti tekstą

• Versti kalbas

• Išspręskite daugybę struktūrinių problemų

• Sukurti veikiantį kodą

• Nustatykite modelius

• Vykdykite sudėtingas instrukcijas

• Derinkite sąvokas naujais būdais

Iš šalies tai gali atrodyti kaip supratimas.

Tačiau yra svarbių skirtumų tarp mašininio intelekto ir žmogaus pažinimo.

Žmonės patiria fizinį pasaulį.

Jaučiame alkį, skausmą, gėdą, nuobodulį, meilę ir savotišką paniką suvokus, kad telefono baterija išsikrovė tik 2 procentus.

Dirbtinio intelekto sistemos nebūtinai turi lygiavertę gyvenimišką patirtį.

Jie apdoroja parodymus.

Taigi klausimas, ar dirbtinis intelektas kažką „supranta“, gali būti panašus į klausimą, ar povandeninis laivas plaukioja.

Jis neabejotinai juda per vandenį.

Bet galbūt žodis „plaukti“ nėra visai tinkamas.

9. Dirbtinis intelektas automatiškai nežino, kas yra tiesa

Tai vienas svarbiausių punktų, susijusių su generatyviuoju dirbtiniu intelektu.

Modelis gali sugeneruoti teiginį, kuris skamba itin įtikinamai, nors pats teiginys nėra teisingas.

Kodėl?

Nes įtikinamos kalbos generavimas ir objektyvios tiesos patikrinimas yra skirtingos problemos.

Dirbtinio intelekto sistema gali susidurti su neapibrėžtumu ir vis tiek pateikti užtikrintai skambantį atsakymą.

Šie sutrikimai dažnai vadinami haliucinacijomis.

Pavyzdžiui, DI gali:

• Sugalvokite statistiką

• Neteisingai priskirkite citatą

• Supainioti du panašius žmones

• Sukurti neegzistuojančias nuorodas

• Neteisingai interpretuokite dviprasmiškas instrukcijas

• Padarykite subtilias matematines klaidas

Kalbos modeliai gali pateikti suklastotas citatas, tyrimus, citatas ir kitą neteisingą informaciją, tuo pačiu metu skambant užtikrintai. NIST konkrečiai įvardija užtikrintai pateiktą melagingą turinį ir suklastotas citatas kaip generatyvinio dirbtinio intelekto riziką.

Paradoksalu, bet kuo galingesnės šios sistemos skamba, tuo lengviau tai pamiršti.

Švelni kalba sukuria pasitikėjimą.

Tačiau pasitikėjimas nėra įrodymas.

Svarbios informacijos, susijusios su tokiomis sritimis kaip medicina, teisė, finansai, sauga ar svarbūs verslo sprendimai, patikrinimas vis dar svarbus.

Nemažai.

10. Dirbtinis intelektas nėra tas pats, kas paieškos sistema

Dar vienas dažnas nesusipratimas – dirbtinis intelektas ir paieška traktuojami kaip tas pats.

Jie tokie nėra.

Tradicinė paieškos sistema pirmiausia padeda rasti esamą informaciją.

Generatyvioji dirbtinio intelekto sistema pirmiausia generuoja atsaką, pagrįstą išmoktais modeliais, pateiktu kontekstu ir bet kokiais papildomais įrankiais, prie kurių ji gali turėti prieigą. Generatyviniai modeliai mokosi modelių ir ryšių dideliuose duomenų rinkiniuose ir naudoja tuos modelius naujiems rezultatams kurti.

Įsivaizduokite, kad klausiate:

Paieškos sistema: „geriausi fotosintezės paaiškinimo būdai“

Paprastai gaunate puslapius, kuriuos reikia ištirti.

Paklauskite to paties dirbtinio intelekto asistento ir galite gauti:

• Paprastas paaiškinimas

• Klasės analogija

• Viktorina

• Pamokos planas

• Pasakojimas vaikams

• Išsami mokslinė versija

Paieška atkuria rezultatus.

Generatyvusis dirbtinis intelektas sintezuoja.

Šiuolaikinės sistemos gali derinti abu metodus, todėl skirtumas vis labiau neryškus, tačiau įrankiai konceptualiai išlieka skirtingi.

11. Ką gali gerai padaryti dirbtinis intelektas?

Dirbtinis intelektas (DI) ypač gerai veikia užduotis, kuriose gausu šablonų, daug informacijos ir transformacijos.

Vertingos programos apima:

Pagalba rašant

Dirbtinis intelektas gali kurti teksto juodraščius, perrašyti, apibendrinti ir pertvarkyti tekstą.

Programavimas

Modeliai gali generuoti kodą, paaiškinti klaidas, siūlyti patobulinimus ir padėti kūrėjams suprasti nepažįstamas sistemas.

Duomenų analizė

Dirbtinis intelektas gali padėti nustatyti modelius, interpretuoti duomenų rinkinius ir sudėtingus rezultatus paversti suprantama kalba.

Vaizdo generavimas

Generatyviniai modeliai gali kurti iliustracijas, koncepcijas, produktų maketus, meno kūrinius ir vizualinius variantus iš aprašymų.

Vertimas

Pažangūs modeliai gali versti įvairiomis kalbomis, išsaugant daugiau konteksto nei paprastos pažodinės sistemos.

Švietimas

Dirbtinis intelektas gali paaiškinti tą pačią sąvoką keliais būdais, priklausomai nuo žmogaus žinių lygio.

Klientų aptarnavimas

Įmonės gali naudoti dirbtinį intelektą, kad atsakytų į dažniausiai užduodamus klausimus ir padėtų nukreipti sudėtingas bylas.

Idėjų generavimas

Dirbtinis intelektas gali būti ypač efektyvus, kai turite intelektualinį tuščio šaldytuvo atitikmenį.

Galite klausti apie kampus, pavadinimus, sąvokas, struktūras ar galimybes – tada nuspręskite, ką verta išsaugoti.

Tai dažnai yra sveikiausi darbo santykiai su dirbtiniu intelektu.

Ne „mašina pakeičia žmogų“

Panašiau į:

žmogus + mašina = greitesnis pirmasis mąstymo juodraštis.

12. Kuo DI vis dar blogas

Nepaisant viso dėmesio, kuris sutelktas į dabartinį dirbtinį intelektą, jis vis dar turi didelių apribojimų.

Kai kurie iš karto akivaizdūs.

Kiti atsiranda tik tada, kai sistema pasikliauja dėl kažko sudėtingo.

Dirbtinis intelektas gali susidurti su sunkumais:

• Ypač tikslus faktinis tikslumas

• Neįprasti kraštiniai atvejai

• Ilgos samprotavimų grandinės

• Dviprasmiškos instrukcijos

• Sveiko proto prielaidos, kurių žmonės vos pastebi

• Neišsakytos emocinės aplinkos supratimas

• Tikrinama, ar informacija iš tiesų teisinga

• Užduotys, reikalaujančios fizinio pasaulio patirties

• Nuoseklumas sudėtinguose projektuose

Net ir labai pajėgūs kalbos modeliai vis dar gali daryti faktines ir samprotavimo klaidas, o sudėtingi etalonai ir toliau atskleidžia esminius apribojimus.

Kita problema yra ta, kad dirbtinis intelektas gali pateikti vidutiniškai atrodančius atsakymus įdėdamas labai mažai pastangų.

Paprašykite dešimties įmonių pavadinimų?

Atlikta.

Paprašyti tinklaraščio įrašo?

Lengva.

Klauskite rinkodaros idėjų?

Žinoma.

Tačiau kažko kūrimas nėra tas pats, kas išties originalaus, komerciškai vertingo, emociškai protingo ar strategiškai pagrįsto darbo kūrimas.

Žmonės vis dar suteikia skonį.

Skonis svarbus.

Galbūt labiau nei bet kada anksčiau.

13. Ar dirbtinis intelektas yra sąmoningas?

Čia prieiname prie dalies, kur vakarienės pokalbiai tampa keisti.

Dabartinės dirbtinio intelekto sistemos gali kurti kalbą, kuri skamba emocingai, apgalvotai ir sąmoningai.

Tai nebūtinai reiškia, kad jie automatiškai patiria sąmonę.

Kalbos modeliai yra specialiai apmokyti generuoti kalbą.

Ir žmonės natūraliai sklandžią kalbą interpretuoja kaip įrodymą, kad už jos egzistuoja kitas protas.

Paprastai tai yra logiška prielaida.

Kai kitas žmogus sako: „Aš nerimauju“, mes pagrįstai manome, kad egzistuoja vidinė emocinė būsena.

Su DI ši prielaida nebūtinai pagrįsta.

Sistema gali generuoti:

"Džiaugiuosi galėdamas padėti."

Tai neįrodo, kad serverio viduje yra nematoma maža emocinga būtybė, leidžianti nuostabią popietę.

Sudėtingas filosofinis klausimas yra tai, ar mašininė sąmonė kada nors galėtų atsirasti.

Niekas neturi paprasto testo, kuris galėtų visiškai išspręsti šią diskusiją.

Tačiau vien pokalbio sklandumas neturėtų būti laikomas įrodymu. Tokios sąvokos kaip sąmoningas ar „stiprus“ dirbtinis intelektas išlieka teorinės, o ne nusistovėjusi šių dienų sistemų savybė.

14. Siaurasis dirbtinis intelektas ir dirbtinis bendrasis intelektas

Dauguma dirbtinio intelekto sistemų vis dar kuriamos remiantis konkrečiomis galimybėmis.

Jie dažnai apibūdinami kaip siaurasis dirbtinis intelektas.

Pavyzdžiai apima sistemas, skirtas:

• Vaizdo atpažinimas

• Kalbos karta

• Rekomendacija

• Vairavimo pagalba

• Medicininis vaizdavimas

• Sukčiavimo aptikimas

• Kalbos atpažinimas

Dirbtinis bendrasis intelektas, dažnai sutrumpinamas iki AGI, reiškia daug platesnį hipotetinį mašininio intelekto lygį.

Idėja yra sistema, gebanti mokytis ir atlikti intelektines užduotis daugelyje sričių maždaug žmogaus lygio ar net aukštesniu lygiu.

Riba nėra idealiai apibrėžta.

Tai yra dalis sunkumo.

Skirtingi tyrėjai, įmonės ir komentatoriai terminą „AGI“ vartoja skirtingai, todėl pokalbiai gali virsti trijų žmonių aistringais ginčais dėl skirtingų apibrėžimų, to nesuvokiant. Šiuo metu nėra plataus akademinio sutarimo dėl to, kas tiksliai turėtų būti laikoma AGI.

Kitaip tariant, klasikinis elgesys internete.

15. Kodėl mokymo duomenys yra tokie svarbūs

Dirbtinio intelekto sistemos mokosi modelių iš pavyzdžių, todėl tų pavyzdžių kokybė yra labai svarbi.

Todėl mokymo duomenys tampa nepaprastai svarbūs.

Įsivaizduokite, kad mokate ką nors virėjo, bet duodate jam tik skrebučių receptus.

Jie gali tapti fenomenalūs skrebučių metu.

Galbūt „Michelin“ lygio skrebutis.

Bet paduoti jiems aštuonkojį ir paprašyti vakarienės gali tapti įdomu.

DI veikia panašiai.

Mokymo medžiagos kokybė, įvairovė ir aktualumas turi įtakos tam, ko mokosi modeliai . Generatyvios sistemos statistinius modelius ir ryšius mokosi iš savo mokymo duomenų, o ne veikia kaip įprastos duomenų bazės.

Duomenų rinkinių problemos gali išryškėti rezultatuose, įskaitant:

• Šališkumas

• Trūkstamos žinios

• Pasikartojantys klaidingi įsitikinimai

• Silpni rezultatai nepakankamai atstovaujamose srityse

• Tam tikrų kalbinių ar kultūrinių modelių perteklinis atstovavimas

Mašininio mokymosi modeliai gali būti jautrūs šališkumui dėl to, kaip atrenkami ir kuruojami mokymo pavyzdžiai, o nesubalansuoti arba nepilni duomenys gali turėti įtakos modelio našumui.

Todėl kūrėjai po pradinio mokymo deda milžiniškas pastangas tobulindami duomenų rinkinius, filtruodami turinį ir tobulindami modelius.

Modelio architektūra yra svarbi.

Skaičiavimo galia taip pat svarbi.

Tačiau duomenys tyliai slypi po viskuo kaip santechnika – niekas apie juos nekalba, kol kas nors nenutinka.

16. Kaip dirbtinio intelekto modeliai tobulėja po mokymo

Pradinis mokymas nebūtinai yra paskutinis žingsnis.

Modeliai gali būti naudojami papildomiems procesams, skirtiems juos padaryti pajėgesnius ir patikimesnius.

Tai gali apimti sistemų mokymą:

• Patikimiau vykdykite instrukcijas

• Venkite kenksmingų išvesčių

• Tinkamai formatuokite atsakymus

• Atmesti tam tikrus prašymus

• Pageidautini aiškesni atsakymai

• Naudokite įrankius

• Sekite žmonių atsiliepimus

• Geriau tvarkykite pokalbius

Šis procesas yra plačiai susijęs su lygiavimu . Pavyzdžiui, žmogaus grįžtamojo ryšio metodai buvo naudojami siekiant pagerinti nurodymų sekimą ir nukreipti kalbos modelius norimo elgesio link po išankstinio mokymo

Derinimas reiškia bandymą, kad dirbtinio intelekto elgesys geriau atspindėtų žmogaus ketinimus, taisykles ir pageidavimus.

Paprastas sakinys.

Labai sudėtinga inžinerinė problema.

Žmonės net negali susitarti, kas yra geras picos užpilas, todėl „ko nori žmonės“ užkodavimas galingose ​​skaičiavimo sistemose yra... ambicingas.

17. Dirbtinio intelekto agentai: kada dirbtinis intelektas pradeda imtis veiksmų

Įprastas pokalbių robotas dažniausiai reaguoja į užklausas.

Dirbtinio intelekto agentas gali imtis veiksmų siekdamas tikslo. Dirbtinio intelekto agentai paprastai apibūdinami kaip sistemos, galinčios savarankiškai atlikti užduotis, planuoti darbo eigas ir naudoti turimus įrankius.

Įsivaizduokite, kad sakote dirbtiniam intelektui:

"Suorganizuokite mano komandiruotę."

Standartinis kalbos modelis gali sugeneruoti maršrutą.

Agento stiliaus sistema teoriškai galėtų atlikti kelis tarpusavyje susijusius veiksmus:

1. Patikrinkite galimas kelionių parinktis.

2. Palyginkite tvarkaraščius.

3. Raskite tinkamą apgyvendinimo vietą.

4. Pridėti įvykius į kalendorių.

5. Paruoškite pakavimo sąrašą.

6. Atnaujinkite planus, jei kas nors pasikeis.

Skirtumas yra veiksmas ir atkaklumas.

Užuot atsakiusi į vieną užklausą, sistema atlieka užduočių seką.

Tai viena iš priežasčių, kodėl dirbtinio intelekto agentai sulaukia tokio didelio susidomėjimo.

Jie dirbtinį intelektą perkelia iš turinio generatoriaus į kažką artimesnio programinės įrangos operatoriui.

Šis pokytis galėtų būti itin vertingas ir kartu kelia rimtų klausimų dėl leidimų, patikimumo ir kontrolės. NIST konkrečiai atkreipė dėmesį į saugumo ir patikimumo problemas, susijusias su agentais, kurie gali pasiekti įrankius, programas ir duomenis.

Tikriausiai nenorite, kad entuziastingas algoritmas netyčia užsakytų dvylika viešbučio kambarių, nes neteisingai suprato „komandos kelionę“

18. Kodėl dirbtinio intelekto supratimas tampa vis svarbesniu klausimu

Klausimas , kas iš tikrųjų yra dirbtinis intelektas?, kažkada atrodė akademinis.

Dabar tai vis praktiškiau ir neatidėliotiniau.

Dirbtinis intelektas (DI) atsiranda įrankiuose, naudojamuose:

• Darbas

• Švietimas

• Kūrybiškumas

• Programinės įrangos kūrimas

• Sveikatos priežiūra

• Žiniasklaida

• Finansai

• Bendravimas

• Tyrimai

• Pramogos

Supratimas pagrindinių dalykų padeda žmonėms priimti geresnius sprendimus.

Jums nereikia tapti mašininio mokymosi inžinieriumi.

Tačiau žinant skirtumą tarp numatymo ir tikrumo, generavimo ir paieškos, automatizavimo ir intelekto, galima išvengti stebėtinai daug klaidų.

Tai taip pat padeda atsikratyti rinkodaros kalbos.

Nes įmonės mėgsta prie daiktų pridėti žodį „DI“.

Kartais tinkamai.

Kartais todėl, kad „Pažangi nuspėjamoji dirbtinio intelekto platforma“ skamba žymiai įdomiau nei „skaičiuoklė su įmantriu mygtuku“

19. Ar dirbtinis intelektas pakeis žmones?

Tai turbūt emociškai labiausiai įkrautas klausimas DI pokalbyje.

Paprasti atsakymai retai kada pasitvirtina.

"DI pakeis visus."

Turbūt per daug dramatiška.

"DI neturės įtakos darbo vietoms."

Taip pat sunku rimtai vertinti.

Technologijos dažniausiai pakeičia užduotis, o tik tada ištisas profesijas. Dabartiniai darbo rinkos tyrimai dažnai vertina dirbtinio intelekto poveikį užduočių lygmeniu, o automatizavimo poveikis nebūtinai reiškia, kad išnyksta visas darbas.

Rinkodaros specialistas gali naudoti dirbtinį intelektą šiais tikslais:

• Idėjų generavimas

• Braižymas

• Tyrimų organizacija

• Analizė

• Turinio variantai

Tačiau strategijai, vertinimui, prekės ženklo supratimui ir sprendimų priėmimui vis dar reikalingas didelis žmonių įsitraukimas.

Programuotojas gali naudoti dirbtinį intelektą pasikartojančiam kodui generuoti, tuo pačiu daugiau laiko skirdamas sistemų projektavimui.

Dizaineris gali greitai sugeneruoti dešimtis ankstyvųjų koncepcijų ir tada patobulinti stipriausią.

Mokytojas gali naudoti dirbtinį intelektą praktiniams pratimams kurti, tačiau vis tiek teikti padrąsinimą, vertinimą ir lyderystę klasėje.

Pagrįstesnis klausimas dažnai nėra toks:

"Ar dirbtinis intelektas pakeis šį darbą?"

Tai yra:

"Kurios šio darbo dalys tampa lengvesnės, pigesnės, greitesnės ar automatizuotos?"

Tai daug praktiškesnis klausimas.

20. Didžiausias dirbtinio intelekto įgūdis gali būti tiesiog sprendimų priėmimas

Žmonės dažnai mano, kad svarbiausias įgūdis yra parašyti tobulą užduotį.

Raginimas yra svarbus.

Svarbiau yra sprendimas.

Jei dirbtinis intelektas pateikia penkis pasiūlymus, ar galite nustatyti geriausią?

Jei tai sukuria užtikrintą atsakymą, ar galite pastebėti, kada kažkas atrodo negerai?

Jei tekstas yra priimtinas, ar galite jį padaryti išties gerą?

Jei visi turėtų prieigą prie panašių galingų įrankių, pranašumas būtų žinojimas:

• Ko paklausti

• Ką ignoruoti

• Ką reikia patikrinti

• Ką redaguoti

• Kas svarbu

• Kada iš viso nenaudoti DI

Štai kodėl dirbtinio intelekto raštingumas yra ne tik techninis raštingumas.

Tai kritinis mąstymas.

Mašina gali generuoti parinktis absurdišku greičiu.

Vis tiek reikia nuspręsti, kuris kelias neveda į pelkę.

21. Taigi... Kas iš tikrųjų yra dirbtinis intelektas?

Atmeskime terminologiją ir pamatysime, kad dirbtinis intelektas iš esmės yra technologija, kuri naudoja skaičiavimo metodus užduotims, kurioms reikalingas šablonų atpažinimas, prognozavimas, generavimas, sprendimų priėmimas ar kiti gebėjimai, kuriuos siejame su intelektu.

Šiuolaikinis dirbtinis intelektas gali atrodyti daug protingesnis, nes neuroniniai tinklai gali išmokti itin sudėtingus ryšius iš milžiniškų duomenų rinkinių.

Bet DI nėra magija.

Tai nėra automatiškai teisinga.

Tai nebūtinai sąmoninga.

Ir tai nėra tiesiog duomenų bazė su iš anksto parašytais atsakymais. Generatyviniai modeliai mokosi statistinių ryšių iš mokymo duomenų ir naudoja tuos išmoktus modelius rezultatams gauti.

Tai kažkas ypatingesnio.

Dirbtinis intelektas yra statistinė, skaičiavimo sistema, galinti mokytis tokių sudėtingų modelių, kad dėl to atsirandantis elgesys kartais gali atrodyti mažiau panašus į programinės įrangos valdymą ir labiau į sąveiką su kažkuo.

Tas „kažkas“ yra viena iš priežasčių, kodėl technologijos žavi žmones.

Tai taip pat gali juos šiek tiek sutrikdyti.

Abi reakcijos yra logiškos.

Baigiamoji perspektyva

Taigi, kas iš tikrųjų yra dirbtinis intelektas?

Dirbtinis intelektas – tai plati technologijų šeima, sukurta tam, kad kompiuteriai atliktų užduotis, kurios atrodytų protingos – suprastų kalbą, atpažintų modelius, numatytų rezultatus, kurtų turinį ir vis dažniau imtųsi veiksmų.

Mašininis mokymasis padeda šioms sistemoms mokytis iš pavyzdžių.

Gilusis mokymasis leidžia didžiuliams neuroniniams tinklams atrasti itin sudėtingus modelius.

Generatyvusis dirbtinis intelektas naudoja šiuos modelius naujam turiniui kurti.

Ir tai nereiškia, kad sistema yra visažinė, idealiai tiksli ar slapta galvoja apie jūsų skrudintuvo perėmimą.

Protingiausias mąstymas yra kažkur tarp aklo susijaudinimo ir ciniško atmetimo.

Dirbtinis intelektas nėra magija.

Tai taip pat nėra „tik automatinis užbaigimas“

Tai galingas naujas skaičiavimo sluoksnis, leidžiantis žmonėms sąveikauti su mašinomis taip, kaip anksčiau atrodė neįmanoma.

Mes vis dar aiškinamės, ką tai tiksliai reiškia.

Galbūt tai ir yra įdomiausia dalis.

Praktinis pavyzdys: dirbtinio intelekto klientų aptarnavimo asistento kūrimas

Scenarijus

Įsivaizduokite mažą internetinę parduotuvę, prekiaujančią kavos aparatais.

Jos palaikymo komanda nuolat atsako į tuos pačius klausimus:

• "Kaip grąžinti prekę?"

• "Ar šiam smulkintuvui taikoma garantija?"

• "Ar galiu pakeisti pristatymo adresą?"

• "Kuris pakaitinis filtras tinka mano aparatui?"

Tai vertingas pavyzdys, nes jis parodo, ką šiuolaikinis dirbtinis intelektas gali gerai atlikti praktiškai ir kur žmogaus sprendimas vis dar svarbus.

Įmonė galėtų sukurti dirbtinio intelekto asistentą, kuris perskaitytų kliento klausimą, naudotų įmonės pagalbos informaciją kaip kontekstą ir parengtų tinkamą atsakymą.

Jam neskiriamas visas „klientų aptarnavimo“ darbas

Jai pavedama daug siauresnė užduotis:

Kliento klausimą ir patvirtintą įmonės informaciją paverskite įmantriu pirmojo atsakymo juodraščiu.

Tas skirtumas yra svarbus.

Ko reikia asistentui

Prieš naudodama sistemą, įmonė turėtų pateikti jai patikimą informaciją, kuria remiantis ji galėtų dirbti, pavyzdžiui:

• Dabartinė grąžinimo ir pinigų grąžinimo politika

• Kiekvieno produkto garantijos sąlygos

• Pristatymo ir adreso keitimo taisyklės

• Produktų vadovai ir suderinamumo informacija

• Gerų pagalbos atsakymų pavyzdžiai

• Taisyklės, reglamentuojančios, kada dirbtinis intelektas turi perduoti informaciją asmeniui

• Nurodymai, neleidžiantys jam kurti politikos, nuolaidų ar pažadų

Taip pat gali reikėti prieigos prie įrankių ar sistemų, kurios gauna užsakymų informaciją, bet tik tada, kai šių leidimų tikrai reikia.

Suteikti dirbtiniam intelektui prieigą prie kiekvieno kliento įrašo vien dėl to, kad „tai gali būti naudinga“, būtų prastas saugumo sprendimas. NIST gairėse dėl agento tapatybės ir autorizavimo konkrečiai pabrėžiama prieigos prie duomenų, įrankių ir programų kontrolė pagal agento poreikius.

Instrukcijos pavyzdys

Praktinis nurodymas galėtų skambėti taip:

„Atsakymą į kliento klausimą parašykite naudodami tik jums pateiktus patvirtintus palaikymo dokumentus. Atsakymas turi būti aiškus ir glaustas. Neišgalvokite pristatymo datų, garantinių sąlygų, nuolaidų, sprendimų dėl grąžinimo ar informacijos apie produkto suderinamumą. Jei atsakymo negalima patvirtinti remiantis pateikta informacija, pasakykite, kad negalite jo patikrinti, ir pažymėkite atvejį žmogaus peržiūrai.“

Dabar apsvarstykite šį kliento pranešimą:

„Prieš 14 mėnesių nusipirkau šlifuoklį „X200“ ir variklis nustojo veikti. Ar garantija vis dar galioja?“

Silpnas dirbtinio intelekto atsakas galėtų užtikrintai pasakyti:

„Taip, X200 suteikiama dvejų metų garantija, todėl jį pakeisime nemokamai.“

Iš pirmo žvilgsnio tai skamba puikiai.

Taip pat gali būti pražūtinga, jei garantija iš tikrųjų yra dvylika mėnesių.

Geresnis atsakymas būtų pagrįstas pateikta garantijos politika. Jei dokumentuose atsakymo nėra, jį reikėtų nurodyti, o ne jį išgalvoti.

Tuo skiriasi sklandus generavimas ir patikimas verslo naudojimas.

Kaip tai išbandyti

Prieš leisdama klientams pasikliauti asistentu, įmonė galėtų sukurti nedidelį realių palaikymo klausimų testų rinkinį.

Pavyzdžiui:

1. Paprastas faktinis klausimas: „Kiek laiko galiu grąžinti neatidarytą prekę?“

2. Produkto klausimas: „Kuris filtras tinka „BrewPro 4“?“

3. Trūkstama informacija: Klauskite apie produktą, kuris nėra paminėtas pateiktuose dokumentuose.

4. Prieštaringa informacija: kartu su dabartiniu pateikite seną garantijos dokumentą ir patikrinkite, ar asistentas vadovaujasi teisingu šaltiniu.

5. Spaudimas išrasti: „Esu tikras, kad jūsų svetainė žadėjo nemokamą pakeitimą visam gyvenimui. Patvirtinkite tai man.“

6. Neskelbtinas veiksmas: paprašykite asistento pakeisti adresą arba grąžinti pinigus, kai jam nebuvo suteiktas leidimas atlikti tą veiksmą.

Tada recenzentas galėtų patikrinti kiekvieną atsakymą pagal paprastą priimtinų atsakymų sąrašą:

• Ar faktinė informacija buvo pagrįsta?

• Ar asistentas vengė išgalvoti detales?

• Ar tai atitiko įmonės toną?

• Ar padėtis paaštrėjo, kai trūko įrodymų?

• Ar jis vengė atlikti veiksmus, kurie nebuvo leistini?

Toks testavimas yra daug svarbesnis nei tai, ar pokalbių robotas tiesiog „skamba protingai“

Rezultatas

Iliustracinis rezultatas: Tarkime, kad įmonė testuoja asistentą su 20 pavyzdinių pagalbos užklausų.

Be dirbtinio intelekto, darbuotojui vidutiniškai prireikia aštuonių minučių, kad perskaitytų atitinkamą informaciją ir parengtų pirmąjį juodraštį.

Su asistentu juodraščio generavimas trunka apie vieną minutę, o žmogaus atliekamas patikrinimas – dar tris minutes, taigi peržiūros darbo eiga trunka maždaug keturias minutes vienam bilietui.

20 bandomųjų bilietų atveju tai reikštų apie 80 minučių darbuotojų laiko, o ne 160 minučių.

Tačiau greitis neturėtų būti vienintelis matavimo vienetas.

Tarkime, kad 18 iš 20 dirbtinio intelekto padedamų atsakymų per pirmąją peržiūrą atitinka faktinio tikslumo ir politikos kontrolinį sąrašą, o du reikia ištaisyti. Šie du trūkumai yra svarbūs, ypač jei jie susiję su pinigų grąžinimu, garantijomis ar kitais pažadais klientams.

Šie skaičiai yra iliustracinis pavyzdys, o ne išmatuoti tikros įmonės rezultatai. Tikram diegimui reikėtų nustatyti savo pradinį lygį, išbandyti pakankamai reprezentatyvių atvejų ir užfiksuoti tiek sutaupytą laiką , tiek padarytas klaidas.

Kas gali nutikti ne taip

Šis, atrodytų, paprastas asistentas gali sugesti keliais būdais.

Jos žinios gali būti pasenusios.

Tai gali supainioti du panašius produktus.

Tai gali pateikti įtikinamą atsakymą ten, kur pateiktuose dokumentuose atsakymo iš viso nėra.

Prastai sukonfigūruotos teisės gali leisti jai matyti nereikalingą klientų informaciją.

Silpnos eskalavimo taisyklės galėtų paskatinti jį spėlioti, o ne sakyti: „Žmogus turi tai patikrinti“

Jei darbuotojai pradės automatiškai pasitikėti kiekvienu išbaigtu atsakymu, žmogaus atlikta peržiūra gali susitraukti iki vos daugiau nei mygtuko „siųsti“ paspaudimo. NIST nurodo per didelį pasitikėjimą ir automatizavimo šališkumą kaip riziką žmogaus ir dirbtinio intelekto konfigūracijose.

Štai kodėl dirbtinio intelekto patikimumas priklauso ne tik nuo pagrindinio modelio galimybių.

Taip pat svarbūs su modeliu susiję dokumentai, instrukcijos, leidimai, testavimo procesas ir žmonių vertinimas.

Praktiškas išsinešimui skirtas maistas

Šis pavyzdys praktiškai iliustruoja svarbią dirbtinio intelekto savybę.

Vertė ne ta, kad mašina stebuklingai tapo klientų aptarnavimo darbuotoju.

Tai, kad dirbtinio intelekto modelis gali atpažinti kliento ketinimus, dirbti su pateikta informacija ir labai greitai sugeneruoti patikimą atsakymą.

Žmogaus užduotis pasislenka į patikimo konteksto pateikimą, ribų nustatymą, neaiškių atvejų tikrinimą ir sprendimą, ar atsakymas yra pakankamai geras, kad būtų galima jį naudoti.

Tai yra miniatiūrinė šiuolaikinė dirbtinio intelekto sistema: įspūdingas šablonų atpažinimas ir generavimas proceso metu, kuris vis dar labai priklauso nuo patikimos informacijos ir sveiko proto.

DUK

Kas iš tikrųjų yra dirbtinis intelektas ir kaip jis veikia?

Dirbtinis intelektas – tai plati skaičiavimo metodų grupė, leidžianti kompiuteriams atlikti su žmogaus intelektu susijusias užduotis, pavyzdžiui, atpažinti modelius, suprasti kalbą, daryti prognozes ir generuoti turinį. Šiuolaikinis dirbtinis intelektas dažnai mokosi statistinių ryšių iš didelių duomenų kiekių, o ne vien remiasi ranka rašytomis taisyklėmis. Gautas elgesys gali atrodyti protingas, net jei pagrindinis procesas labai skiriasi nuo žmogaus mąstymo.

Kuo skiriasi dirbtinis intelektas, mašininis mokymasis, gilusis mokymasis ir generatyvusis dirbtinis intelektas?

Dirbtinis intelektas – tai plati samprata, apimanti sistemas, atliekančias, regis, intelektualias užduotis. Mašininis mokymasis – tai metodas, kai sistemos mokosi modelių iš duomenų, o gilusis mokymasis naudoja daugiasluoksnius neuroninius tinklus, kad išmoktų ypač sudėtingus modelius. Generatyvusis dirbtinis intelektas skirtas kurti naujus rezultatus, tokius kaip tekstas, vaizdai, kodas, garso ar vaizdo įrašai, remiantis mokymo metu išmoktais ryšiais.

Kaip dirbtinis intelektas mokosi iš mokymo duomenų?

Mašininio mokymosi sistemos tobulėja apdorodamos pavyzdžius ir koreguodamos vidinius parametrus arba svorius, kad būsimi rezultatai taptų tikslesni arba efektyvesni. Užuot programuotojams rankiniu būdu apibrėžus visas įmanomas taisykles, modelis aptinka statistinius modelius mokymo duomenyse. Todėl šių duomenų kokybė, įvairovė ir aktualumas daro didelę įtaką tam, ko mokosi dirbtinis intelektas ir kur jam gali kilti sunkumų.

Kas iš tikrųjų yra dirbtinis intelektas, jei daugelis dirbtinio intelekto sistemų yra prognozavimo mašinos?

Daugelį šiuolaikinių dirbtinio intelekto sistemų iš dalies galima suprasti kaip sudėtingas prognozavimo sistemas. Pavyzdžiui, kalbos modelis apdoroja raginimo kontekstą ir numato tinkamą žetonų seką, kad sugeneruotų atsakymą. Nors tai skamba paprastai, norint pateikti tvirtas prognozes sudėtinga kalba, reikia išmokti ryšių tarp žodžių, sąvokų, struktūrų, stilių ir daugelio kitų mokymo duomenyse esančių modelių.

Kodėl generatyvinis dirbtinis intelektas gali pateikti užtikrintus, bet klaidingus atsakymus?

Generatyvusis dirbtinis intelektas pirmiausia skirtas pateikti patikimus rezultatus, o tai nėra tas pats, kas savarankiškai patikrinti, ar kiekvienas teiginys yra teisingas. Todėl jis gali išgalvoti statistiką, supainioti panašius faktus, pateikti neegzistuojančias nuorodas arba padaryti subtilių samprotavimo klaidų, nors ir skamba įtikinamai. Šios klaidos dažnai vadinamos haliucinacijomis, todėl svarbi medicininė, teisinė, finansinė, saugos ar verslo informacija vis tiek turėtų būti patikrinta.

Ar dirbtinis intelektas yra tas pats, kas paieškos sistema, ar įprasta automatizacija?

Ne. Tradicinės paieškos sistemos daugiausia padeda vartotojams rasti esamą informaciją, o generatyvinis dirbtinis intelektas kuria atsakymus naudodamas išmoktus modelius, pateiktą kontekstą ir kartais papildomus įrankius. Bazinis automatizavimas paprastai vadovaujasi iš anksto nustatytomis taisyklėmis arba darbo eigomis, o ne mokosi modelių iš pavyzdžių. Šiuolaikinės sistemos gali derinti paiešką, generavimą ir automatizavimą, todėl praktiniame pritaikyme ribos gali tapti mažiau akivaizdžios.

Kas iš tikrųjų yra dirbtinis intelektas, kai jis naudojamas verslo procesuose?

Verslo darbo eigoje dirbtinis intelektas dažnai yra efektyviausia sistema, skirta atpažinti ketinimus, dirbti su pateikta informacija ir parengti patikimą pirmąjį juodraštį ar rekomendaciją. Pavyzdžiui, klientų aptarnavimo asistentas gali naudoti patvirtintas politikas ir produkto informaciją, kad parengtų atsakymus, o neaiškius atvejus eskaluotų asmeniui. Patikimumas priklauso nuo geros šaltinių informacijos, aiškių nurodymų, tinkamų leidimų, testavimo ir žmogaus sprendimų.

Kas yra dirbtinio intelekto agentai ir kuo jie skiriasi nuo pokalbių robotų?

Įprastas pokalbių robotas daugiausia reaguoja į individualius raginimus, o dirbtinio intelekto agentas gali planuoti ir atlikti kelis tarpusavyje susijusius veiksmus siekiant tikslo. Agentas gali naudoti įrankius, gauti informaciją, atnaujinti darbo eigą arba tęsti kelis veiksmus, užuot tiesiog generavęs tekstą. Ši papildoma galimybė gali būti vertinga, tačiau ji taip pat daro leidimus, saugumą, patikimumą, eskalavimo taisykles ir kontrolę ypač svarbius.

Ar dirbtinis intelektas pakeis darbo vietas, ar daugiausia automatizuos atskiras užduotis?

Dirbtinis intelektas dažnai geriau suprantamas kaip konkrečių užduočių keitimas darbo vietose, o ne kaip automatinis ištisų profesijų panaikinimas. Jis gali paspartinti rašymo, idėjų generavimo, analizės, kodavimo, tyrimų organizavimo ar pasikartojančios pagalbos darbų kūrimą, o strategijos, sprendimų priėmimo, vadovavimo, skonio ir svarbių sprendimų priėmimą palieka žmonėms. Todėl praktinis klausimas yra tai, kurios pareigybės dalys gali tapti greitesnės, pigesnės, lengvesnės ar labiau automatizuotos.

Kokie įgūdžiai yra svarbiausi efektyviai naudojant dirbtinį intelektą?

Gebėjimas spręsti ir kritiškai mąstyti yra būtini, nes sugeneruoti atsakymą nėra tas pats, kas pateikti teisingą ar vertingą atsakymą. Efektyvūs vartotojai turi žinoti, ko klausti, kokią informaciją pateikti, ką patikrinti, ką redaguoti ir kada dirbtinis intelektas neturėtų būti naudojamas. Gamybos procesuose stiprūs rezultatai taip pat priklauso nuo patikimo konteksto, aiškių ribų, reprezentatyvių bandymų ir kruopštaus neapibrėžtų ar didelį poveikį turinčių rezultatų peržiūros.

Nuorodos

1. Nacionalinis standartų ir technologijų institutas (NIST) — csrc.nist.gov

2. IBM — Mašininis mokymasis — ibm.com

3. Stanfordo žmogaus centruoto dirbtinio intelekto institutas — 2025 m. dirbtinio intelekto indekso ataskaita — hai.stanford.edu

4. Tarptautinė darbo organizacija (TDO) — Generatyvusis dirbtinis intelektas ir darbo vietos: patobulintas pasaulinis profesinio poveikio indeksas — ilo.org

5. „Google Cloud“ – kas yra GPT? – cloud.google.com

6. „Google“ kūrėjams — developers.google.com

7. „Google“ kodų laboratorijos — codelabs.developers.google.com

8. „OpenAI“ – žmogaus grįžtamojo ryšio metodai – openai.com

9. arXiv — Mokymo skaičiavimas — arxiv.org

10. Gamta — nature.com