Trumpas atsakymas: DI technologija – tai metodų rinkinys, leidžiantis kompiuteriams mokytis iš duomenų, aptikti modelius, suprasti arba generuoti kalbą ir paremti sprendimus. Paprastai tai apima modelio mokymą pagal pavyzdžius ir jo taikymą prognozėms daryti arba turiniui kurti; keičiantis pasauliui, reikia nuolat stebėti ir periodiškai perkvalifikuoti.
Svarbiausios išvados:
Apibrėžimas : Dirbtinio intelekto sistemos daro išvadas, teikia rekomendacijas ar sprendimus remdamosi sudėtingais įvesties duomenimis.
Pagrindinės gebėjimai : mokymasis, šablonų atpažinimas, kalba, suvokimas ir sprendimų palaikymas sudaro pagrindą.
Technologijų rinkinys : mašininis mokymasis, gilusis mokymasis, NLP, vizija, realaus laiko analizė ir generatyvinis dirbtinis intelektas dažnai veikia kartu.
Gyvavimo ciklas : apmokymas, patvirtinimas, diegimas, tada stebėjimas, ar nėra nukrypimų ir našumo sumažėjimo.
Valdymas : Naudokite šališkumo patikrinimus, žmonių priežiūrą, privatumo / saugumo kontrolę ir aiškią atskaitomybę.
Straipsniai, kuriuos galbūt norėsite perskaityti po šio:
🔗 Kaip testuoti dirbtinio intelekto modelius
Praktiniai tikslumo, šališkumo, patikimumo ir našumo vertinimo metodai.
🔗 Ką reiškia DI?
Paprastas dirbtinio intelekto reikšmės paaiškinimas ir dažni klaidingi įsitikinimai.
🔗 Kaip naudoti dirbtinį intelektą turinio kūrimui
Naudokite dirbtinį intelektą turinio generavimui, juodraščių rašymui, redagavimui ir mastelio keitimui.
🔗 Ar dirbtinis intelektas yra perdėtai išgirtas?
Subalansuotas požiūris į dirbtinio intelekto pažadus, ribas ir realius rezultatus.
Kas yra dirbtinio intelekto technologija 🧠
DI technologija (dirbtinio intelekto technologija) – tai platus metodų ir įrankių rinkinys, leidžiantis mašinoms atlikti „protingą“ elgesį, pavyzdžiui:
-
Mokymasis iš duomenų (užuot aiškiai programuojant kiekvienam scenarijui)
-
Modelių atpažinimas (veido, sukčiavimo, medicininių signalų, tendencijų)
-
Kalbos supratimas arba generavimas (pokalbių robotai, vertimas, santraukos)
-
Planavimas ir sprendimų priėmimas (maršruto sudarymas, rekomendacijos, robotika)
-
Suvokimas (regėjimas, kalbos atpažinimas, jutiklių interpretavimas)
Jei norite „oficialaus“ pagrindo, OECD samprata yra naudingas ramstis: ji traktuoja dirbtinio intelekto sistemą kaip kažką, kas gali daryti išvadas iš įvesties duomenų ir pateikti tokius rezultatus kaip prognozės, rekomendacijos ar sprendimai, darantys įtaką aplinkai. Kitaip tariant: ji nagrinėja sudėtingą realybę → pateikia „geriausią spėjimą“ → daro įtaką tam, kas vyksta toliau . [1]
Nesakysiu melo – „DI“ yra skėtinis terminas. Po juo rasite daugybę poskyrių, ir žmonės juos visus atsainiai vadina „DI“, net kai tai tėra įmantrūs statistiniai duomenys, dėvintys gobtuvą.
Dirbtinio intelekto technologijos paprasta anglų kalba (be reklaminių žargonų) 😄
Įsivaizduokite, kad turite kavinę ir pradedate sekti užsakymus.
Iš pradžių spėliojate: „Atrodo, kad pastaruoju metu žmonės labiau nori avižų pieno?“
Tada pažvelgiate į skaičius ir sakote: „Pasirodo, avižų pieno kainos savaitgaliais smarkiai išauga.“
Dabar įsivaizduokite sistemą, kuri:
-
stebi tuos įsakymus,
-
randa modelius, kurių nepastebėjote,
-
prognozuoja, ką parduosite rytoj,
-
ir siūlo, kiek atsargų pirkti..
Tas šablonų paieška + prognozavimas + sprendimų palaikymas yra kasdienė dirbtinio intelekto technologijos versija. Tai tas pats, kas suteikti savo programinei įrangai gerą akylą ir šiek tiek įkyrią užrašų knygelę.
Kartais tai tas pats, kas padovanoti jam papūgą, kuri išmoko labai gerai kalbėti. Naudinga, bet... ne visada išmintinga . Apie tai vėliau.
Pagrindiniai dirbtinio intelekto technologijos elementai 🧩
Dirbtinis intelektas nėra vienas dalykas. Tai metodų rinkinys, kuris dažnai veikia kartu:
Mašininis mokymasis (ML)
Sistemos mokosi ryšių iš duomenų, o ne iš fiksuotų taisyklių.
Pavyzdžiai: šlamšto filtrai, kainų prognozavimas, klientų praradimo prognozavimas.
Gilus mokymasis
ML pogrupis, naudojantis neuroninius tinklus su daugeliu sluoksnių (gerai tinka netvarkingiems duomenims, pvz., vaizdams ir garsui).
Pavyzdžiai: kalbos konvertavimas į tekstą, vaizdų žymėjimas, kai kurios rekomendacijų sistemos.
Natūralios kalbos apdorojimas (NLP)
Technologijos, padedančios mašinoms dirbti su žmonių kalba.
Pavyzdžiai: paieška, pokalbių robotai, nuotaikų analizė, dokumentų ištraukimas.
Kompiuterinė rega
Dirbtinis intelektas, interpretuojantis vaizdinius įvesties duomenis.
Pavyzdžiai: defektų aptikimas gamyklose, vaizdų generavimo palaikymas, navigacija.
Sustiprinimo mokymasis (RL)
Mokymasis bandymų ir klaidų metodu, naudojant atlygį ir nuobaudas.
Pavyzdžiai: robotikos mokymai, žaidimų agentai, išteklių optimizavimas.
Generatyvus dirbtinis intelektas
Modeliai, generuojantys naują turinį: tekstas, vaizdai, muzika, kodas.
Pavyzdžiai: rašymo asistentai, dizaino maketai, santraukų kūrimo įrankiai.
Jei ieškote vietos, kurioje būtų organizuojami modernūs dirbtinio intelekto tyrimai ir viešos diskusijos (neištirpdant jūsų smegenų), Stanfordo HAI yra patikimas informacijos centras. [5]
Greitas „kaip tai veikia“ mentalinis modelis (mokymasis ir naudojimas) 🔧
Dauguma šiuolaikinių dirbtinių intelektų turi dvi dideles fazes:
-
Mokymas: modelis mokosi modelių iš daugybės pavyzdžių.
-
Išvada: apmokytas modelis gauna naują įvestį ir sukuria išvestį (prognozę / klasifikaciją / sugeneruotą tekstą ir kt.).
Praktiškas, ne per daug matematinis paveikslėlis:
-
Rinkti duomenis (tekstą, vaizdus, operacijas, jutiklių signalus)
-
Formuokite (prižiūrimo mokymosi etiketės arba savarankiško / pusiau prižiūrimo mokymosi struktūra)
-
Mokymas (optimizuokite modelį, kad jis geriau veiktų pavyzdžiuose)
-
Patvirtinti duomenis, kurių jis nematė (siekiant nustatyti perteklinį pritaikymą)
-
Dislokuoti
-
Stebėti (nes realybė keičiasi, o modeliai stebuklingai neatsilieka)
Pagrindinė mintis: daugelis dirbtinio intelekto sistemų „nesupranta“ taip, kaip žmonės. Jos mokosi statistinių ryšių. Štai kodėl dirbtinis intelektas gali puikiai atpažinti šablonus ir vis tiek nesugebėti suprasti elementaraus sveiko proto. Tai tarsi genijus virėjas, kuris kartais pamiršta, kad lėkštės egzistuoja.
Palyginimo lentelė: dažniausiai pasitaikantys dirbtinio intelekto technologijų variantai (ir kam jie tinka) 📊
Štai praktiškas būdas apmąstyti dirbtinio intelekto technologijų „tipus“. Ne tobulas, bet naudingas.
| DI technologijos tipas | Geriausia (auditorijai) | Brangūs | Kodėl tai veikia (greitai) |
|---|---|---|---|
| Taisyklėmis pagrįsta automatizacija | Mažos operacijų komandos, pasikartojantys darbo srautai | Žemas | Paprasta „jei-tada“ logika, patikima... bet trapi, kai gyvenimas tampa nenuspėjamas |
| Klasikinis mašininis mokymasis | Analitikai, produktų komandos, prognozavimas | Vidutinis | Mokosi modelių iš struktūrizuotų duomenų – puikiai tinka „lentelėms + tendencijoms“ |
| Gilus mokymasis | Regėjimo/garso komandos, sudėtingas suvokimas | Aukštas | Stiprus atliekant sudėtingus įvesties duomenis, bet reikia duomenų + skaičiavimo (ir kantrybės) |
| NLP (kalbos analizė) | Pagalbos komandos, tyrėjai, atitiktis | Vidutinis | Išskiria prasmę / subjektus / ketinimą; vis tiek gali neteisingai suprasti sarkazmą 😬 |
| Generatyvus dirbtinis intelektas | Rinkodara, rašymas, programavimas, idėjų generavimas | Skiriasi | Greitai kuria turinį; kokybė priklauso nuo raginimų + apsauginių turėklų... ir taip, kartais pasitaiko nesąmonės, kad viskas yra gerai |
| Sustiprinimo mokymasis | Robotika, optimizavimo fanatikai (su meile pasakyta) | Aukštas | Išmoksta strategijų tyrinėdamas; galingas, bet mokymai gali būti brangūs |
| Edge AI | Daiktų internetas, gamyklos, sveikatos priežiūros prietaisai | Vidutinis | Paleidžia modelius įrenginyje, kad būtų užtikrintas greitis ir privatumas – mažesnė priklausomybė nuo debesies |
| Hibridinės sistemos (DI + taisyklės + žmonės) | Įmonės, didelės rizikos darbo eigos | Vidutinio aukšto | Praktiškai – žmonės vis dar pastebi „palauk, ką?“ akimirkas |
Taip, stalas šiek tiek nelygus – toks jau gyvenimas. Dirbtinio intelekto technologijų pasirinkimai persidengia kaip ausinės stalčiuje.
Kas daro dirbtinio intelekto technologijų sistemą gerą? ✅
Šią dalį žmonės praleidžia, nes ji nėra tokia blizgi. Tačiau praktiškai čia slypi sėkmė.
„Gera“ dirbtinio intelekto technologijų sistema paprastai turi:
-
Aiškus darbas
„Padėti triage pagalbos bilietams“ visada yra geriau nei „tapti protingesniam“. -
Gera duomenų kokybė
. Įvedami ir išvedami duomenys... o kartais ir užtikrintai išvedami duomenys 😂 -
Išmatuojami rezultatai:
tikslumas, klaidų lygis, sutaupytas laikas, sumažintos išlaidos, padidėjęs vartotojų pasitenkinimas. -
Šališkumo ir sąžiningumo patikrinimai (ypač naudojant didelės rizikos atvejus).
Jei tai daro įtaką žmonių gyvenimams, jūs tai rimtai ištiriate – ir rizikos valdymą traktuojate kaip gyvavimo ciklo dalyką, o ne vienkartinį patikrinimą. NIST dirbtinio intelekto rizikos valdymo sistema yra vienas aiškiausių viešųjų vadovėlių, kaip taikyti tokį „kūrimo + vertinimo + valdymo“ metodą. [2] -
Žmonių priežiūra ten, kur ji svarbi.
Ne todėl, kad žmonės yra tobuli (lol), bet todėl, kad svarbi atskaitomybė. -
Stebėjimas po paleidimo
. Modeliai kinta. Keičiasi naudotojų elgesys. Realybei nerūpi jūsų mokymo duomenys.
Greitas „sudėtinis pavyzdys“ (paremtas labai tipiškais diegimais)
Pagalbos komanda įdiegia mašininio mokymosi užklausų nukreipimą. 1 savaitė: didžiulė pergalė. 8 savaitė: naujo produkto pristatymas pakeičia užklausų temas, o nukreipimas tyliai blogėja. Pataisymas nėra „daugiau dirbtinio intelekto“ – tai stebėjimas + perkvalifikuoti trigeriai + žmogaus sukurtas atsarginis kelias . Negraži santechnika gelbsti padėtį.
Saugumas + privatumas: nebūtina, ne išnaša 🔒
Jei jūsų dirbtinis intelektas liečia asmeninius duomenis, esate „suaugusiųjų taisyklių“ teritorijoje.
Paprastai pageidaujate: prieigos kontrolės, duomenų kiekio mažinimo, kruopštaus saugojimo, aiškių tikslų apribojimų ir griežtų saugumo testų, taip pat papildomo atsargumo, kai automatizuoti sprendimai daro įtaką žmonėms. JK ICO gairės dėl dirbtinio intelekto ir duomenų apsaugos yra praktiškas, reguliavimo institucijų lygio šaltinis, padedantis apmąstyti sąžiningumą, skaidrumą ir su BDAR suderintą diegimą. [3]
Rizika ir apribojimai (t. y. ta dalis, kurią žmonės išmoksta sunkiuoju būdu) ⚠️
Dirbtinio intelekto technologija nebūtinai yra patikima. Dažniausios klaidos:
-
Šališkumas ir nesąžiningi rezultatai.
Jei mokymo duomenys atspindi nelygybę, modeliai gali ją pakartoti arba sustiprinti. -
Haliucinacijos (generatyviniam dirbtiniam intelektui).
Kai kurie modeliai generuoja atsakymus, kurie skamba teisingai, bet iš tikrųjų nėra teisingi. Tai nėra visiškai „melas“ – tai labiau panašu į užtikrintą improvizacinę komediją. -
Saugumo spragos.
Priešiškos atakos, greitas duomenų užkrėtimas, duomenų užkrėtimas – taip, tai darosi siurrealu. -
Pernelyg didelis pasitikėjimas.
Žmonės nustoja abejoti rezultatais, ir klaidos praslysta pro akis. -
Modelio dreifas.
Pasaulis keičiasi. Modelis nesikeičia, nebent jį prižiūrite.
Jei norite tvirto „etikos + valdymo + standartų“ požiūrio, IEEE darbas autonominių ir intelektualių sistemų etikos srityje yra tvirtas atskaitos taškas, kaip atsakingas projektavimas aptariamas instituciniu lygmeniu. [4]
Kaip pasirinkti tinkamą dirbtinio intelekto technologiją savo naudojimo atveju 🧭
Jei vertinate dirbtinio intelekto technologiją (verslui, projektui ar tiesiog iš smalsumo), pradėkite čia:
-
Apibrėžkite rezultatą.
Koks sprendimas ar užduotis pagerėja? Kokie rodikliai pasikeičia? -
Patikrinkite savo duomenų realybę.
Ar turite pakankamai duomenų? Ar jie švarūs? Ar jie šališki? Kam jie priklauso? -
Pasirinkite paprasčiausią ir veiksmingiausią metodą
. Kartais taisyklės pranoksta mašininį mokymąsi. Kartais klasikinis mašininis mokymasis pranoksta gilųjį mokymąsi.
Per didelis sudėtingumas yra mokestis, kurį mokate amžinai. -
Planuokite diegimą, o ne tik demonstracinę versiją.
Integracija, delsa, stebėjimas, perkvalifikavimas, leidimai. -
Pridėti apsauginius turėklus.
Žmonių atliekama peržiūra dėl svarbių veiksnių, registravimo, paaiškinamumo, kur reikia. -
Testavimas su tikrais vartotojais.
Vartotojai darys tai, ko jūsų dizaineriai niekada neįsivaizdavo. Kiekvieną kartą.
Pasakysiu tiesiai šviesiai: geriausias dirbtinio intelekto technologijos projektas dažnai yra 30 procentų modelis ir 70 procentų santechnika. Ne žavingas. Labai realus.
Trumpa santrauka ir baigiamoji pastaba 🧁
Dirbtinio intelekto technologija – tai įrankių rinkinys, padedantis mašinoms mokytis iš duomenų, atpažinti modelius, suprasti kalbą, suvokti pasaulį ir priimti sprendimus – kartais net generuoti naują turinį. Ji apima mašininį mokymąsi, gilųjį mokymąsi, NLP, kompiuterinę regą, sustiprintąjį mokymąsi ir generatyvųjį dirbtinį intelektą.
Jei atkreipsite dėmesį į vieną dalyką: dirbtinio intelekto technologija yra galinga, bet nebūtinai patikima. Geriausi rezultatai gaunami aiškių tikslų, gerų duomenų, kruopštaus testavimo ir nuolatinio stebėjimo dėka. Taip pat sveika skepticizmo dozė – pavyzdžiui, skaitant restoranų apžvalgas, kurios atrodo šiek tiek pernelyg entuziastingos 😬
DUK
Kas yra dirbtinio intelekto technologija paprastai tariant?
Dirbtinio intelekto technologija – tai metodų rinkinys, padedantis kompiuteriams mokytis iš duomenų ir pateikti praktinius rezultatus, tokius kaip prognozės, rekomendacijos ar sugeneruotas turinys. Užuot programuojant pagal fiksuotas taisykles kiekvienai situacijai, modeliai apmokomi pagal pavyzdžius ir tada taikomi naujoms įvestims. Gamybinėje aplinkoje dirbtinį intelektą reikia nuolat stebėti, nes duomenys, su kuriais jis susiduria, laikui bėgant gali keistis.
Kaip dirbtinio intelekto technologija veikia praktiškai (mokymas ir išvados)?
Dauguma dirbtinio intelekto technologijų turi du pagrindinius etapus: mokymą ir išvadų darymą. Mokymo metu modelis mokosi šablonų iš duomenų rinkinio – dažnai optimizuodamas savo našumą žinomuose pavyzdžiuose. Išvadų darymo metu apmokytas modelis gauna naują įvestį ir sukuria išvestį, pvz., klasifikaciją, prognozę arba sugeneruotą tekstą. Po diegimo našumas gali sumažėti, todėl stebėjimo ir perkvalifikavimo veiksniai yra svarbūs.
Kuo skiriasi mašininis mokymasis, gilusis mokymasis ir dirbtinis intelektas?
Dirbtinis intelektas (DI) yra platus terminas, apibūdinantis „išmaniųjų“ mašinų elgesį, o mašininis mokymasis yra įprastas DI metodas, kai iš duomenų mokomasi ryšių. Gilusis mokymasis yra mašininio mokymosi pogrupis, kuriame naudojami daugiasluoksniai neuroniniai tinklai ir kuris paprastai gerai veikia su triukšmingais, nestruktūrizuotais įvesties duomenimis, tokiais kaip vaizdai ar garsas. Daugelyje sistemų derinami metodai, o ne remiamasi vienu metodu.
Kokioms problemoms geriausiai tinka dirbtinio intelekto technologijos?
Dirbtinio intelekto technologija ypač stipri atpažinimo, prognozavimo, kalbos užduočių ir sprendimų palaikymo srityse. Įprasti pavyzdžiai: šlamšto aptikimas, klientų praradimo prognozavimas, pagalbos bilietų maršrutizavimas, kalbos konvertavimas į tekstą ir vizualinių defektų aptikimas. Generatyvusis dirbtinis intelektas dažnai naudojamas brėžiniams rengti, apibendrinti ar idėjoms generuoti, o sustiprinimo mokymasis gali padėti spręsti optimizavimo problemas ir mokyti agentus taikant apdovanojimus ir baudas.
Kodėl dirbtinio intelekto modeliai dreifuoja ir kaip išvengti našumo mažėjimo?
Modelio poslinkis įvyksta, kai pasikeičia sąlygos – nauja vartotojų elgsena, nauji produktai, nauji sukčiavimo modeliai, besikeičianti kalba – o modelis toliau apmokytas naudojant senesnius duomenis. Siekdamos sumažinti našumo mažėjimą, komandos paprastai stebi pagrindinius rodiklius po paleidimo, nustato įspėjimų slenksčius ir planuoja periodines peržiūras. Aptikus poslinkį, pakartotinis mokymas, duomenų atnaujinimai ir žmonių naudojami atsarginiai keliai padeda išlaikyti rezultatus patikimus.
Kaip pasirinkti tinkamą dirbtinio intelekto technologiją konkrečiam atvejui?
Pradėkite apibrėždami rezultatą ir rodiklį, kurį norite pagerinti, tada įvertinkite duomenų kokybę, šališkumo riziką ir atsakomybę. Įprastas būdas yra pasirinkti paprasčiausią metodą, kuris gali atitikti reikalavimus – kartais taisyklės pranoksta mašininį mokymąsi, o klasikinis mašininis mokymasis gali pranokti gilųjį mokymąsi struktūrizuotų „lentelių + tendencijų“ duomenų atveju. Planuokite integraciją, delsą, teises, stebėjimą ir perkvalifikavimą – ne tik demonstracinę versiją.
Kokie yra didžiausi dirbtinio intelekto technologijos pavojai ir apribojimai?
Dirbtinio intelekto sistemos gali duoti šališkų ar nesąžiningų rezultatų, kai mokymo duomenys atspindi visuomeninę nelygybę. Generatyvusis dirbtinis intelektas taip pat gali „haliucinuoti“, pateikdamas užtikrintai skambančius, bet nepatikimus rezultatus. Taip pat egzistuoja saugumo rizikos, įskaitant greitą duomenų įterpimą ir duomenų užkrėtimą, o komandos gali pernelyg pasikliauti rezultatais. Nuolatinis valdymas, testavimas ir žmonių priežiūra yra labai svarbūs, ypač didelės rizikos darbo eigoje.
Ką praktiškai reiškia „valdymas“ dirbtinio intelekto technologijoms?
Valdymas reiškia dirbtinio intelekto kūrimo, diegimo ir priežiūros kontrolės nustatymą, kad atskaitomybė išliktų aiški. Praktiškai tai apima šališkumo patikrinimus, privatumo ir saugumo kontrolę, žmogaus atliekamą priežiūrą tais atvejais, kai poveikis didelis, ir registravimą audito tikslais. Tai taip pat reiškia, kad rizikos valdymas traktuojamas kaip gyvavimo ciklo veikla – mokymai, patvirtinimas, diegimas, o vėliau nuolatinis stebėjimas ir atnaujinimai, kai keičiasi sąlygos.
Nuorodos
-
NIST – Dirbtinio intelekto rizikos valdymo sistema (AI RMF 1.0) PDF
-
IEEE standartų asociacija – pasaulinė autonominių ir intelektualių sistemų etikos iniciatyva