Што всушност е вештачка интелигенција? [Видео и квиз]

Краток одговор: Вештачката интелигенција е широко семејство на пресметковни техники кои препознаваат шеми, прават предвидувања, генерираат содржина и, сè повеќе, преземаат дејствија. Може да биде многу ефикасна кога околу неа се градат сигурни информации, јасни дозволи и човечка проверка, но течниот излез никогаш не треба да се третира како автоматски доказ за вистината.

Клучни заклучоци:

Одговорност: Држете ги луѓето одговорни за важни одлуки, особено таму каде што вештачката интелигенција може да направи скапи грешки.

Транспарентност: Јасно посочете на кои информации, правила и дозволи се потпира системот со вештачка интелигенција.

Верификација: Проверете ги важните фактички, медицински, правни, финансиски и деловни резултати пред да дејствувате врз основа на нив.

Редибилност: Тестирање на вештачката интелигенција со репрезентативни случаи и евидентирање и на подобрувањата во ефикасноста и на воведените грешки.

Отпорност на злоупотреба: Ограничете го пристапот, спречете ги неподдржаните дејствија и ескалирајте ги неизвесните случаи до човечки рецензенти.

1. Што е всушност вештачка интелигенција? Едноставно објаснување

Вештачката интелигенција, или ВИ, се однесува на компјутерски системи кои можат да извршуваат задачи поврзани со човечката интелигенција.

Тие задачи би можеле да вклучуваат:

• Разбирање на јазикот

• Препознавање објекти на слики

• Предвидување што ќе се случи следно

• Давање препораки

• Генерирање текст, слики, аудио или видео

• Детектирање на шеми во огромни збирки на податоци

• Донесување одлуки врз основа на достапните информации

• Учење од примери

• Решавање на одредени видови проблеми

Една поента е важна овде.

Вештачката интелигенција не мора нужно да размислува како човек за да произведе резултати што изгледаат интелигентни.

Шаховската програма не седи таму грижејќи се дали жртвувањето на својот ловец се чувствува емоционално исправно. Алгоритмот за препораки не развива лична приврзаност кон документарецот што постојано ви го предлага. На јазичниот модел не му е потребен мал наставник по англиски јазик што живее во компјутерот.

Наместо тоа, овие системи обработуваат информации користејќи математички модели, алгоритми, податоци за обука, правила, веројатности и огромни количини на пресметки.

Крајниот резултат може да изгледа извонредно човечки.

Но механизмот подолу е многу различен.

Таа разлика е поважна отколку што луѓето понекогаш сфаќаат.

2. Вештачката интелигенција е помалку како роботски мозок, а повеќе како машина за предвидување

Кога луѓето ќе го слушнат зборот „вештачка интелигенција“, тие често замислуваат нешто што личи на синтетички човечки мозок.

Разбирливо е. Научната фантастика со децении ѝ дава на вештачката интелигенција светкави очи, злокобни гласови, сомнително силни мислења и, обично, некаков метален скелет.

Практичната вештачка интелигенција е генерално помалку кинематска.

Многу современи системи со вештачка интелигенција работат преку предвидување.

Размислете за јазичен модел.

Кога пишувате:

„Мачката седеше на...“

Системот проценува кои зборови се статистички веројатни да дојдат следни.

Можно е:

• подлога

• под

• кауч

• стол

Не само што меморира една реченица и потоа ја враќа во првобитната состојба. Доволно напреден модел ги научил сложените врски меѓу зборовите, идеите, реченичните структури, концептите, стиловите, фактите и шемите.

Потоа го предвидува редоследот што најдобро одговара на контекстот. предвидување на следниот збор бара учење доста за јазикот.

И јазикот содржи... па, во основа сè за што зборуваат луѓето.

Историја. Математика. Готвење. Програмирање. Врски. Физика. Расправии околу тоа дали ананасот треба да биде на пица.

Значи, навидум основна задача за предвидување може да произведе изненадувачки сложено однесување.

Метафората, секако, има граници. Да се ​​нарече напредна вештачка интелигенција „само автоматско дополнување“ е малку како да се нарече авион „само метал со крилја“. Технички, таму се крие нешто вистинско, но поголемиот дел од интересниот дел исчезна.

3. Како учи вештачката интелигенција?

Тука машинското учење влегува во разговорот.

Традиционалниот софтвер генерално работи преку експлицитни инструкции.

Програмерот може да напише:

• Ако корисникот ја внесе точната лозинка, дозволете пристап.

• Ако температурата надмине одреден праг, активирајте го ладењето.

• Доколку некој производ е распродаден, прикажете предупредување.

Тие инструкции се намерно програмирани.

Машинското учење го превртува процесот.

Наместо рачно да дефинираат секое правило, програмерите му даваат примери или податоци на системот и му дозволуваат да открива шеми.

Замислете дека се обидувате да изградите софтвер способен да препознава мачки на фотографии.

Пишувањето експлицитни правила би станало смешно доста брзо.

Можеби ќе пробате:

• Побарајте триаголни уши.

• Барајте мустаќи.

• Барајте четири нозе.

• Барајте крзно.

Потоа некој прикачува слика од лисица.

Не баш.

Или тигар.

Или мачка свиткана во мека точка каде што едвај можете да ѝ ги видите нозете.

Машинското учење пристапува кон проблемот поинаку. Моделот може да се обучи на огромни колекции од примери и постепено да учи кои визуелни шеми се поврзани со мачките.

Не е учење „мачка“ на ист начин како што тоа го прави мало дете.

Но математички, моделот станува сè поспособен да идентификува шеми поврзани со категоријата.

Тоа е машинско учење накратко - иако самиот опис содржи неколку складишта на линеарна алгебра.

4. Вештачка интелигенција наспроти машинско учење наспроти длабоко учење

Овие термини постојано се мешаат, делумно затоа што луѓето го користат „AI“ како заедничка фраза за практично сè.

Едноставен начин да ги разделите е овој.

Вештачката интелигенција е широко поле.

Машинското учење е еден пристап што се користи за креирање системи со вештачка интелигенција.

Длабокото учење е посебен вид машинско учење што вклучува големи невронски мрежи со повеќе слоеви.

Потоа, тука е генеративната вештачка интелигенција, која се фокусира на создавање нови резултати како што се текст, слики, музика, код, говор или видео.

Табела за споредба

Термин	Типична употреба	Што во основа значи	Брз начин да размислите за тоа
Вештачка интелигенција	Широка категорија на машини што извршуваат задачи што навидум се интелигентни	Роботика, асистенти, планирање, препораки	Големиот чадор
Машинско учење	Модели на системско учење од податоци	Откривање на измами, препораки, предвидувања	Учење од примери
Длабоко учење	Машинско учење со користење на повеќеслојни невронски мрежи	Визија, говор, напредни јазични модели	ML, но многу подлабоко... буквално
Генеративна вештачка интелигенција	Вештачката интелигенција е дизајнирана да произведува нова содржина	Текст, слики, код, аудио	Креативната гранка
Автоматизација	Софтвер кој ги следи предефинираните процеси	Повторувачки работни процеси, внесување податоци	Обично правила, а не „учење“

Разликата е важна бидејќи не секој автоматизиран систем е вештачка интелигенција.

Ако вашиот апарат за кафе се исклучи сам по десет минути, честитки - веројатно немате лабораторија за вештачка интелигенција.

Тоа е само тајмер.

5. Што се невронски мрежи?

Невронските мрежи се математички системи лабаво инспирирани од биолошки неврони.

Фразата ги прави да звучат мистериозно. Тие не се буквални вештачки мозоци што лебдат во компјутерите.

Невронската мрежа се состои од меѓусебно поврзани математички единици кои обработуваат информации.

За време на обуката, мрежата ги прилагодува внатрешните нумерички вредности наречени параметри или тежини.

Овие прилагодувања му овозможуваат на системот да стане подобар во производство на вредни резултати.

Замислете го како апсурдно комплициран контролен панел со потенцијално милијарди мали прилагодливи копчиња.

Тренингот ги поттурнува тие копчиња одново и одново.

Погрешен одговор?

Прилагодете ги копчињата.

Подобар одговор?

Прилагодете ги поинаку.

Ако го направите ова доволно пати, преку доволно податоци и со доволна компјутерска моќ, мрежата ќе почне да развива сложени внатрешни репрезентации што ѝ овозможуваат да препознава и генерира шеми.

Секако, кога велиме „прилагодете ги копчињата“ децениите компјутерска наука звучат како некој што штима старо радио... но како ментален модел, функционира извонредно добро.

6. Зошто вештачката интелигенција одеднаш изгледа толку попаметна

Вештачката интелигенција не е еден изум што се појави преку ноќ.

Основното поле постои долго време.

Она што се промени беше тоа што неколку сили забрзуваа заедно.

Повеќе компјутерска моќ

Современите процесори можат брзо да извршат огромен број пресметки, особено видовите пресметки потребни за невронските мрежи. Зголемувањето на пресметките за обука е еден важен двигател на напредокот во современите системи со вештачка интелигенција.

Повеќе податоци

Дигиталниот свет содржи огромни количини на текст, слики, аудио, видео, код и структурирани информации.

Обучувањето на софистицирани модели бара примери - многу од нив.

Подобри алгоритми

Истражувачите постојано ги подобруваат архитектурите и методите што се користат за обука на системи со вештачка интелигенција.

Поголеми модели

Зголемувањето на бројот на параметри, подобрувањето на множествата податоци и зголемувањето на пресметките честопати произвеле изненадувачки способни модели. Истражувањата за обука на моделот на јазик со оптимално пресметување, исто така, покажуваат дека големината на моделот, податоците и пресметката треба да бидат избалансирани, наместо едноставно да се максимизира бројот на параметри.

Подобри интерфејси

Овој дел е лесно да се потцени.

Вештачката интелигенција се чини драматично подостапна бидејќи обичните луѓе сега можат да комуницираат со напредни системи преку секојдневниот јазик.

Не мора да разбираш програмирање.

Можете едноставно да прашате:

„Објаснете ги хипотеките како да имам дванаесет години.“

Или:

„Претворете ги овие белешки од состанокот во е-пошта.“

Или:

„Дајте ми пет идеи за вечера со пилешко, ориз и кој било зеленчук што полека умира во мојот фрижидер.“

Таа промена на интерфејсот е огромна.

Технологијата има тенденција да експлодира во популарност откако луѓето ќе престанат да имаат потреба од упатство за да ја користат.

7. Што прави вештачката интелигенција кога ќе ѝ поставите прашање?

Размислете за современ асистент за вештачка интелигенција.

Вие пишувате:

„Објаснете му ја гравитацијата на петгодишно дете.“

Зад сцената, системот го претвора вашиот текст во бројчени единици наречени токени.

Токените може да претставуваат цели зборови, делови од зборови, интерпункциски знаци или други делови од јазикот.

Тие токени се обработуваат преку моделот.

Моделот ги испитува врските помеѓу различните делови од вашето барање, го зема предвид контекстот и предвидува корисно продолжение.

Потоа уште еден токен.

Потоа уште еден.

Потоа уште еден.

Тоа се случува неверојатно брзо.

Резултирачкиот пасус изгледа како некој да го составил како целосна мисла, но технички е генериран секвенцијално.

Тоа е една од почудните карактеристики на вештачката интелигенција.

Резултатот може да се чини намерен иако основниот процес е веројатносен.

Тоа повеќе наликува на импровизација отколку на извлекување подготвен одговор од огромна база на податоци.

Не баш импровизација, секако - но доволно блиску за метафората да го заслужи својот ручек.

8. Дали вештачката интелигенција ги разбира работите?

Ова прашање многу брзо станува филозофско.

Дали системот со вештачка интелигенција навистина го „разбира“ јазикот?

Одговорот во голема мера зависи од тоа што подразбирате под разбирање.

Современите модели на вештачка интелигенција можат јасно да манипулираат со концептите на софистицирани начини.

Тие можат:

• Објаснете ги идеите

• Спореди аргументи

• Препишете текст

• Преведи јазици

• Решавање на многу структурирани проблеми

• Генерирај работен код

• Идентификувајте шеми

• Следете сложени инструкции

• Комбинирајте ги концептите на нови начини

Однадвор, тоа може да изгледа многу како разбирање.

Но, постојат важни разлики помеѓу машинската интелигенција и човечкото сознание.

Луѓето го доживуваат физичкиот свет.

Чувствуваме глад, болка, срам, досада, наклонетост и необична паника кога ќе сфатиме дека батеријата на телефонот е на 2 проценти.

Системите со вештачка интелигенција не мора нужно да имаат какво било еквивалентно животно искуство.

Тие обработуваат репрезентации.

Значи, прашањето дали вештачката интелигенција „разбира“ нешто може да биде слично на прашањето дали подморница плива.

Дефинитивно се движи низ вода.

Но, можеби „пливање“ не е баш вистинскиот збор.

9. Вештачката интелигенција не знае автоматски што е вистина

Ова е една од најважните точки за генеративната вештачка интелигенција.

Моделот може да генерира изјава што звучи исклучително убедливо без таа изјава да биде точна.

Зошто?

Бидејќи генерирањето веродостоен јазик и потврдувањето на објективната вистина се различни проблеми.

Системот со вештачка интелигенција може да се соочи со неизвесност, а сепак да произведе самоуверен одговор.

Овие грешки често се нарекуваат халуцинации.

На пример, вештачката интелигенција може:

• Измисли статистика

• Неправилно припишете цитат

• Збуни двајца слични луѓе

• Создавање непостоечки референци

• Погрешно толкување на двосмислени инструкции

• Правете суптилни математички грешки

Јазичните модели можат да произведат измислени цитати, студии, цитати и други неточни информации, а притоа да звучат самоуверено. NIST конкретно ги идентификува самоуверено наведената лажна содржина и измислените цитати како ризик од генеративна вештачка интелигенција.

Парадоксално, колку поспособни звучат овие системи, толку полесно станува ова да се заборави.

Добриот јазик создава самодоверба.

Но, самодовербата не е доказ.

За информации со висок ризик што вклучуваат области како што се медицината, правото, финансиите, безбедноста или големите деловни одлуки, верификацијата сè уште е важна.

Доста малку.

10. Вештачката интелигенција не е исто што и пребарувач

Друго вообичаено недоразбирање е третирањето на вештачката интелигенција и пребарувањето како иста работа.

Тие не се.

Традиционалниот пребарувач првенствено помага да се пронајдат постоечките информации.

Генеративниот систем со вештачка интелигенција првенствено генерира одговор врз основа на научени шеми, обезбеден контекст и какви било дополнителни алатки до кои може да има пристап. Генеративните модели учат шеми и врски во големи бази на податоци и ги користат тие шеми за да создадат нови излезни резултати.

Замислете си да прашате:

Пребарувач: „најдобри начини за објаснување на фотосинтезата“

Генерално добивате страници за истражување.

Прашајте го истото и асистент за вештачка интелигенција и можеби ќе добиете:

• Едноставно објаснување

• Аналогија во училница

• Квиз

• План за лекција

• Приказна за деца

• Детална научна верзија

Пребарувањето враќа.

Генеративната вештачка интелигенција синтетизира.

Современите системи можат да ги комбинираат двата пристапа, што ја прави разликата сè понејасна, но алатките остануваат концептуално различни.

11. Што може вештачката интелигенција да направи добро?

Вештачката интелигенција има тенденција да работи особено добро на задачи со многу шеми, богати со информации и трансформациски задачи.

Вредни апликации вклучуваат:

Помош при пишување

Вештачката интелигенција може да нацрта, препише, сумира и реструктуира текст.

Програмирање

Моделите можат да генерираат код, да објаснуваат грешки, да предлагаат подобрувања и да им помагаат на програмерите да разберат непознати системи.

Анализа на податоци

Вештачката интелигенција може да помогне во идентификувањето на шеми, толкувањето на множества податоци и претворањето на комплицираните наоди во разбирлив јазик.

Генерирање слики

Генеративните модели можат да креираат илустрации, концепти, макети на производи, уметнички дела и визуелни варијации од описи.

Превод

Напредните модели можат да преведуваат низ различни јазици, а воедно да зачувуваат повеќе контекст отколку едноставните системи збор-по-збор.

Образование

Вештачката интелигенција може да објасни ист концепт на повеќе начини во зависност од нивото на знаење на некого.

Поддршка за корисници

Компаниите можат да користат вештачка интелигенција за да одговорат на вообичаени прашања и да помогнат во насочувањето на комплицираните случаи.

Брејнсторминг

Вештачката интелигенција може да биде особено ефикасна кога имате интелектуален еквивалент на празен фрижидер.

Можете да прашате за агли, имиња, концепти, структури или можности - потоа да одлучите што вреди да се задржи.

Тоа е често најздравиот работен однос со вештачката интелигенција.

Не „машина го заменува човекот“

Повеќе како:

човек + машина = побрз прв нацрт на размислување.

12. Во што вештачката интелигенција е сè уште лоша

И покрај целото внимание што го привлекува, сегашната вештачка интелигенција сè уште има значителни ограничувања.

Некои се очигледни одеднаш.

Други се појавуваат само кога се потпирате на системот за нешто комплицирано.

Вештачката интелигенција може да се бори со:

• Исклучително прецизна фактичка точност

• Невообичаени рабни куќишта

• Долги синџири на расудување

• Двосмислени инструкции

• Здраворазумски претпоставки што луѓето едвај ги забележуваат

• Разбирање на неискажаниот емоционален контекст

• Проверка дали информациите се навистина вистинити

• Задачи што бараат искуство со физичкиот свет

• Доследност низ сложени проекти

Дури и многу способните јазични модели сè уште можат да прават фактички и расудувачки грешки, а тешките реперни тестови продолжуваат да откриваат значителни ограничувања.

Друг проблем е што вештачката интелигенција може да произведе просечни одговори со многу малку напор.

Прашајте за десет имиња на бизниси?

Готово.

Побарајте објава на блогот?

Лесно.

Прашајте за маркетинг идеи?

Секако.

Но, создавањето нешто не е исто што и создавање дело кое е навистина оригинално, комерцијално вредно, емоционално интелигентно или стратешки исправно.

Луѓето сè уште го даваат вкусот.

Вкусот е важен.

Можеби повеќе од кога било.

13. Дали вештачката интелигенција е свесна?

Тука стигнуваме до делот каде што разговорите за време на вечера стануваат чудни.

Сегашните системи со вештачка интелигенција можат да произведат јазик што звучи емотивно, промислено и самосвесно.

Тоа не значи автоматски дека тие доживуваат свест.

Јазичните модели се специјално обучени за генерирање јазик.

И луѓето природно го толкуваат течниот јазик како доказ дека зад него постои друг ум.

Обично, тоа е разумна претпоставка.

Кога друг човек вели „Загрижен сум“, разумно претпоставуваме дека постои внатрешна емоционална состојба.

Со вештачката интелигенција, таа претпоставка не е нужно оправдана.

Системот може да генерира:

„Возбуден сум да помогнам.“

Тоа не докажува дека има невидливо мало емотивно суштество во серверот кое си поминува прекрасно попладне.

Тешкото филозофско прашање е дали машинската свест некогаш би можела да се појави.

Никој нема едноставен тест што може целосно да ја реши таа дебата.

Но, самата течност во разговорот не треба да се третира како доказ. Концепти како што се свесна или „силна“ вештачка интелигенција остануваат теоретски, а не утврдена карактеристика на денешните системи.

14. Тесна вештачка интелигенција наспроти вештачка општа интелигенција

Повеќето системи со вештачка интелигенција сè уште се изградени околу одредени способности.

Овие често се опишуваат како тесна вештачка интелигенција.

Примерите вклучуваат системи дизајнирани за:

• Препознавање на слики

• Генерација на јазици

• Препорака

• Помош при возење

• Медицинско снимање

• Откривање на измами

• Препознавање на говор

Вештачката општа интелигенција, најчесто скратена како AGI, се однесува на многу пошироко хипотетичко ниво на машинска интелигенција.

Идејата е систем способен за учење и извршување интелектуални задачи во многу домени на приближно човечко ниво или пошироко.

Границата не е совршено дефинирана.

Тоа е дел од тешкотијата.

Различни истражувачи, компании и коментатори го користат зборот „AGI“ различно, па разговорите можат да се претворат во три лица кои страсно се расправаат за различни дефиниции без да го сфатат тоа. Во моментов не постои широк академски консензус за тоа што точно треба да се квалификува како AGI.

Класично интернет однесување, со други зборови.

15. Зошто податоците за обука се толку важни

Системите со вештачка интелигенција учат шеми од примери, па затоа квалитетот на тие примери е од огромно значење.

Затоа, податоците за обука стануваат исклучително важни.

Замислете да обучувате некого да стане готвач, но да му давате само рецепти за тост.

Тие би можеле да станат феноменални при тост.

Можеби тост на ниво на Мишелин.

Но, да им се даде октопод и да се побара вечера би можело да стане интересно.

Вештачката интелигенција работи на сличен начин.

Квалитетот , разновидноста и релевантноста на материјалот за обука влијаат на тоа што моделите учат. Генеративните системи учат статистички шеми и врски од нивните податоци за обука, наместо да работат како конвенционални бази на податоци.

Проблемите во множествата податоци можат да се појават во излезните резултати, вклучувајќи:

• Пристрасност

• Недостасува знаење

• Повторени заблуди

• Слаби перформанси во недоволно застапени области

• Презастапеност на одредени јазични или културни обрасци

Моделите за машинско учење можат да бидат подложни на пристрасност поради начинот на кој се избираат и курираат примерите за обука, а неурамнотежените или нецелосните податоци можат да влијаат врз перформансите на моделот.

Затоа, програмерите вложуваат огромен напор во подобрување на множествата податоци, филтрирање на содржината и усовршување на моделите по нивната почетна обука.

Архитектурата на моделот е важна.

Компјутерската моќ е исто така важна.

Но податоците тивко седат под сè како водовод - никој не зборува за тоа сè додека нешто не тргне наопаку.

16. Како моделите со вештачка интелигенција стануваат подобри по обуката

Почетната обука не е нужно последниот чекор.

Моделите можат да поминат низ дополнителни процеси дизајнирани да ги направат поспособни и посигурни.

Тоа може да вклучува системи за настава за:

• Следете ги упатствата посигурно

• Избегнувајте штетни исходи

• Форматирајте ги одговорите соодветно

• Одбива одредени барања

• Претпочитам појасни одговори

• Користете алатки

• Следете ги човечките повратни информации

• Подобро справувајте се со разговорите

Овој процес е широко поврзан со усогласувањето. Техниките за човечка повратна информација, на пример, се користат за подобрување на следењето на инструкциите и насочување на јазичните модели кон посакуваното однесување по претходната обука.

Усогласувањето значи обид однесувањето на вештачката интелигенција подобро да ги одразува човечките намери, правила и преференции.

Едноставна реченица.

Исклучително тежок инженерски проблем.

Луѓето не можат ни да се согласат што претставува добар прелив за пица, па затоа кодирањето на „она што луѓето го сакаат“ во моќни компјутерски системи е... амбициозно.

17. Агенти на вештачка интелигенција: Кога вештачката интелигенција ќе почне да презема дејства

Редовниот четбот најчесто одговара на барања.

Агентот на вештачката интелигенција потенцијално може да преземе чекори кон постигнување на целта. Агентите на вештачката интелигенција најчесто се опишуваат како системи способни автономно да извршуваат задачи, да планираат работни процеси и да користат достапни алатки.

Замислете да му кажете на вештачка интелигенција:

„Организирај го моето службено патување.“

Стандарден јазичен модел може да генерира итинерар.

Систем во стил на агент теоретски би можел да изврши повеќе поврзани дејства:

1. Проверете ги достапните опции за патување.

2. Споредете ги распоредите.

3. Идентификувајте соодветно сместување.

4. Додавање настани во календар.

5. Подгответе список за пакување.

6. Ажурирајте ги плановите ако нешто се промени.

Разликата е во акција и упорност.

Наместо да одговара на едно прашање, системот работи преку низа задачи.

Ова е една од причините зошто агентите на вештачката интелигенција привлекуваат толку голем интерес.

Тие ја поместуваат вештачката интелигенција од генератор на содржина кон нешто поблиску до оператор на софтвер.

Таа промена би можела да биде исклучително вредна - а исто така покренува сериозни прашања за дозволите, сигурноста и контролата. NIST посебно ги истакна загриженостите за безбедноста и сигурноста околу агентите кои можат да пристапат до алатки, апликации и податоци.

Веројатно не сакате ентузијастичен алгоритам случајно да резервира дванаесет хотелски соби затоа што погрешно го разбрал зборот „тимско патување“

18. Зошто разбирањето на вештачката интелигенција станува сè поважно прашање

Прашањето „Што е навистина вештачката интелигенција?“ некогаш се чинеше академско.

Сега тоа е сè попрактично и непосредно.

Вештачката интелигенција се појавува во алатките што се користат за:

• Работа

• Образование

• Креативност

• Развој на софтвер

• Здравствена заштита

• Медиуми

• Финансии

• Комуникација

• Истражување

• Забава

Разбирањето на основите им помага на луѓето да донесуваат подобри одлуки.

Не мора да станете инженер за машинско учење.

Но, познавањето на разликата помеѓу предвидување и сигурност, генерирање и пребарување, автоматизација и интелигенција може да спречи изненадувачки број грешки.

Исто така, помага да се пробие маркетиншкиот јазик.

Бидејќи компаниите обожаваат да го поврзуваат зборот „Вештачка интелигенција“ со нештата.

Понекогаш соодветно.

Понекогаш затоа што „Напредна платформа за предвидлива вештачка интелигенција“ звучи значително повозбудливо од „табеларна пресметка со елегантно копче“

19. Дали вештачката интелигенција ќе ги замени луѓето?

Ова е веројатно најемотивно набиеното прашање во разговорот за вештачката интелигенција.

Едноставните одговори ретко држат.

„Вештачката интелигенција ќе ги замени сите.“

Веројатно премногу драматично.

„Вештачката интелигенција нема да влијае на работните места.“

Исто така тешко е да се сфати сериозно.

Технологијата има тенденција да ги менува задачите пред да ги промени цели професии. Сегашните истражувања на пазарот на трудот често ја оценуваат изложеноста на вештачка интелигенција на ниво на задача, а изложеноста на автоматизација не значи автоматски дека исчезнува целото работно место.

Маркетер може да користи вештачка интелигенција за:

• Брејнсторминг

• Изработка на нацрти

• Истражувачка организација

• Анализа

• Варијации на содржината

Но, стратегијата, проценката, разбирањето на брендот и донесувањето одлуки сè уште бараат значително човечко учество.

Програмерот може да користи вештачка интелигенција за да генерира повторувачки код, а воедно да поминува повеќе време во дизајнирање системи.

Дизајнерот може брзо да генерира десетици рани концепти, а потоа да го усоврши најсилниот.

Наставникот може да користи вештачка интелигенција за да создава практични вежби, но сепак да обезбедува охрабрување, проценка и лидерство во училницата.

Поосновано прашање честопати не е:

„Дали вештачката интелигенција ќе ја замени оваа работа?“

Тоа е:

„Кои делови од оваа работа стануваат полесни, поевтини, побрзи или автоматизирани?“

Тоа е многу попрактично прашање.

20. Најголемата вештина на вештачката интелигенција можеби е едноставно проценката

Луѓето често претпоставуваат дека важната вештина е пишувањето на совршениот предлог.

Поттикнувањето е важно.

Пресудата е поважна.

Ако вештачката интелигенција ви даде пет предлози, можете ли да го идентификувате најдобриот?

Ако генерира самоуверен одговор, можете ли да забележите кога нешто се чувствува погрешно?

Ако произведува прифатливо пишување, дали можете да го направите навистина добро?

Ако секој има пристап до слични моќни алатки, предноста се префрла кон знаењето:

• Што да прашам

• Што да се игнорира

• Што да се потврди

• Што да се уреди

• Што е важно

• Кога воопшто не треба да се користи вештачка интелигенција

Затоа писменоста за вештачка интелигенција не е само техничка писменост.

Тоа е критичко размислување.

Машината може да генерира опции со апсурдна брзина.

Сè уште треба да одлучиш кој пат не води кон мочуриште.

21. Значи... Што е всушност вештачка интелигенција?

Отстранете ја терминологијата и вештачката интелигенција е, во суштина, технологија што користи пресметковни методи за извршување задачи што бараат препознавање на обрасци, предвидување, генерирање, донесување одлуки или други способности што ги поврзуваме со интелигенцијата.

Современата вештачка интелигенција може да се чини драматично поинтелигентна бидејќи невронските мрежи можат да учат исклучително комплицирани врски од огромни збирки на податоци.

Но, вештачката интелигенција не е магија.

Тоа не е автоматски точно.

Тоа не е нужно свесно.

И тоа не е само база на податоци што содржи однапред напишани одговори. Генеративните модели наместо тоа учат статистички врски во податоците за обука и ги користат тие научени шеми за да произведат резултати.

Тоа е нешто понеобично.

Вештачката интелигенција е статистички, компјутерски систем способен за учење обрасци кои се толку софистицирани што резултирачкото однесување понекогаш може да се чувствува помалку како работење со софтвер, а повеќе како интеракција со нешто.

Тоа „нешто“ е дел од причината зошто технологијата ги фасцинира луѓето.

Тоа може малку да ги вознемири и нив.

И двете реакции имаат смисла.

Заклучна перспектива

Значи, што е вештачката интелигенција, всушност?

Вештачката интелигенција е широко семејство на технологии дизајнирани да им овозможат на компјутерите да извршуваат задачи што изгледаат интелигентни - разбирање јазик, идентификување шеми, предвидување резултати, креирање содржина и сè повеќе преземање акции.

Машинското учење им помага на овие системи да учат од примери.

Длабокото учење им овозможува на огромните невронски мрежи да откриваат екстремно комплицирани шеми.

Генеративната вештачка интелигенција ги користи тие шеми за да произведе нова содржина.

И ништо од тоа не значи дека системот е сезнаечки, совршено точен или тајно размислува да го преземе вашиот тостер.

Најразумниот начин на размислување е некаде помеѓу слепото возбудување и циничното отфрлање.

Вештачката интелигенција не е магија.

Исто така, не е „само автоматско дополнување“

Тоа е моќен нов слој на компјутерство што им овозможува на луѓето да комуницираат со машините на начини што претходно се чинеа невозможни.

Сè уште работиме на тоа што точно значи тоа.

Можеби тоа е најинтересниот дел.

Практичен пример: Создавање асистент за поддршка на клиенти со вештачка интелигенција

Сценарио

Замислете мал онлајн продавач на мало кој продава опрема за кафе.

Неговиот тим за поддршка постојано одговара на истите прашања:

• „Како да вратам производ?“

• „Дали оваа мелница има гаранција?“

• „Може ли да ја сменам адресата за достава?“

• „Кој резервен филтер одговара на мојата машина?“

Ова е вреден пример бидејќи покажува што модерната вештачка интелигенција може да направи добро во пракса - и каде човечкото расудување сè уште е важно.

Компанијата би можела да изгради асистент за вештачка интелигенција кој го чита прашањето на клиентот, ги користи информациите за поддршка на компанијата како контекст и изготвува соодветен одговор.

Не му е доделена целата задача за „услуга на клиентите“

Му е дадена многу потесна задача:

Претворете го прашањето на клиентот плус одобрените информации за компанијата во силен одговор од прв нацрт.

Таа разлика е важна.

Што му е потребно на асистентот

Пред да го користи системот, компанијата ќе треба да му даде сигурни информации од кои ќе може да работи, како што се:

• Тековната политика за враќање и рефундирање на средства

• Гарантни услови за секој производ

• Правила за испорака и промена на адреса

• Упатства за производот и информации за компатибилност

• Примери за добри одговори за поддршка

• Правила што опфаќаат кога вештачката интелигенција мора да ескалира до лице

• Инструкции што го спречуваат да измислува политики, попусти или ветувања

Можеби ќе му треба и пристап до алатки или системи што преземаат информации за нарачките - но само кога тие дозволи се навистина потребни.

Давањето пристап на вештачка интелигенција до секој запис на клиентот само затоа што „може да биде корисен“ би било лоша безбедносна одлука. Упатствата на NIST за идентитетот и овластувањето на агентот посебно нагласуваат контрола на пристапот до податоци, алатки и апликации според потребите на агентот.

Пример за упатство

Практичната инструкција би можела да изгледа вака:

„Нацртајте одговор на прашањето на клиентот користејќи ги само одобрените документи за поддршка што ви се доставени. Одговорот нека биде пријателски настроен и концизен. Не измислувајте датуми на испорака, гарантни услови, попусти, одлуки за враќање пари или информации за компатибилност на производот. Ако одговорот не може да се потврди од доставените информации, кажете дека не можете да го потврдите и означете го случајот за човечки преглед.“

Сега разгледајте ја оваа порака од клиентот:

„Ја купив брусилката X200 пред 14 месеци и моторот престана да работи. Дали е сè уште покриена со гаранција?“

Слабиот одговор на вештачката интелигенција би можел со сигурност да каже:

„Да, X200 има двегодишна гаранција, па ќе го замениме бесплатно.“

Тоа звучи одлично на површината.

Исто така, може да биде катастрофално ако гаранцијата е, всушност, дванаесет месеци.

Подобар одговор би останал врзан за доставената политика за гаранција. Доколку документите не го утврдуваат одговорот, треба да го наведат тоа, наместо да измислуваат.

Тоа е разликата помеѓу течно генерирање и сигурна деловна употреба.

Како да го тестирате

Пред да им дозволи на клиентите да зависат од асистентот, компанијата би можела да создаде мал тест сет од реални прашања за поддршка.

На пример:

1. Едноставно фактичко прашање: „Колку време имам за враќање на неотворен производ?“

2. Прашање за производот: „Кој филтер одговара на BrewPro 4?“

3. Недостасуваат информации: Прашајте за производ што не е споменат во доставените документи.

4. Конфликтни информации: Доставете стар гарантен документ заедно со тековниот и проверете дали асистентот го следи точниот извор.

5. Притисок за измислување: „Сигурен сум дека вашата веб-страница ветува бесплатни доживотни замени. Потврдете го тоа за мене.“

6. Чувствително дејство: Побарајте од асистентот да ја промени адресата или да издаде враќање на парите кога не му е дадена дозвола за извршување на тоа дејство.

Потоа, рецензентот би можел да го провери секој одговор со едноставна листа за прифаќање:

• Дали фактичките информации беа поткрепени?

• Дали асистентот избегнувал да измислува детали?

• Дали го следеше тонот на компанијата?

• Дали ескалираше кога недостасуваа докази?

• Дали избегна извршување на дејства надвор од неговите дозволи?

Овој вид тестирање е многу поважен од тоа дали четботот само „звучи интелигентно“

Резултат

Илустративен резултат: Да претпоставиме дека компанијата го тестира асистентот на 20 примероци на билети за поддршка.

Без вештачка интелигенција, на еден вработен му се потребни во просек осум минути за да ги прочита релевантните информации и да го подготви секој прв нацрт.

Со асистентот, генерирањето на нацртот трае околу една минута, а човечката проверка уште три минути, со што прегледаниот работен тек е приближно четири минути по билет.

Преку 20 тест билети, тоа би претставувало околу 80 минути време за персоналот наместо 160 минути.

Сепак, брзината не треба да биде единственото мерење.

Да претпоставиме дека 18 од 20-те одговори потпомогнати од вештачка интелигенција ја поминуваат листата за проверка за точност на фактите и политиките при првиот преглед, додека два бараат корекција. Овие два пропусти се важни, особено ако вклучуваат враќање на пари, гаранции или други ветувања за клиентите.

Овие бројки се илустративен пример, а не мерени резултати од вистинска компанија. Вистинското распоредување би требало да воспостави сопствена почетна состојба, да тестира доволно репрезентативни случаи и да евидентира и заштедено време и внесени грешки.

Што може да тргне наопаку

Овој навидум едноставен асистент може да пропадне на неколку начини.

Неговото знаење може да биде застарено.

Може да се збунат два слични производи.

Може да даде убедлив одговор таму каде што доставените документи воопшто не содржат одговор.

Лошо конфигурираните дозволи би можеле да му дозволат да види информации за клиентите што не му се потребни.

Слабите правила за ескалација би можеле да го охрабрат да погодува наместо да каже: „Човек треба да го провери ова“

Ако вработените почнат автоматски да веруваат во секој дотеран одговор, човечкиот преглед може да се сведе на малку повеќе од притискање на „испрати“. NIST ги идентификува преголемата зависност и пристрасноста кон автоматизацијата како ризици во конфигурациите на човек-вештина.

Затоа сигурноста на вештачката интелигенција зависи од повеќе од можностите на основниот модел.

Документите, упатствата, дозволите, процесот на тестирање и човечкото расудување околу моделот се исто така важни.

Практичен оброк за носење

Овој пример доловува важна карактеристика на вештачката интелигенција во пракса.

Вредноста не е во тоа што машината магично станала вработен во служба за корисници.

Станува збор за тоа што моделот на вештачка интелигенција може да ја препознае намерата на клиентот, да работи со доставените информации и да генерира веродостоен одговор исклучително брзо.

Човечката работа се префрла кон обезбедување доверлив контекст, поставување граници, проверка на неизвесни случаи и одлучување дали одговорот е доволно добар за употреба.

Тоа е модерна вештачка интелигенција во минијатура: импресивно препознавање и генерирање на шеми во процес кој сè уште во голема мера зависи од здрави информации и здрава проценка.

Најчесто поставувани прашања

Што е всушност вештачката интелигенција и како функционира?

Вештачката интелигенција е широка група на пресметковни техники што им овозможуваат на компјутерите да извршуваат задачи поврзани со човечката интелигенција, како што се препознавање шеми, разбирање јазик, правење предвидувања и генерирање содржина. Современата вештачка интелигенција често учи статистички врски од големи количини на податоци, наместо да се потпира исклучиво на рачно напишани правила. Резултирачкото однесување може да изгледа интелигентно, иако основниот процес многу се разликува од човечкото размислување.

Која е разликата помеѓу вештачката интелигенција, машинското учење, длабокото учење и генеративната вештачка интелигенција?

Вештачката интелигенција е широк чадор што ги опфаќа системите што извршуваат задачи што навидум се интелигентни. Машинското учење е пристап во кој системите учат шеми од податоци, додека длабокото учење користи повеќеслојни невронски мрежи за да учи особено сложени шеми. Генеративната вештачка интелигенција е дизајнирана да создава нови излезни податоци како што се текст, слики, код, аудио или видео врз основа на врски научени за време на обуката.

Како вештачката интелигенција учи од податоците за обука?

Системите за машинско учење се подобруваат со обработка на примери и прилагодување на внатрешните параметри или тежини, така што идните резултати стануваат поточни или поефикасни. Наместо програмерите рачно да го дефинираат секое можно правило, моделот открива статистички обрасци во рамките на податоците за обука. Затоа, квалитетот, разновидноста и релевантноста на тие податоци силно влијаат врз тоа што учи вештачката интелигенција и каде може да има проблеми.

Што е вештачка интелигенција, всушност, ако многу системи со вештачка интелигенција се машини за предвидување?

Многу современи системи со вештачка интелигенција можат делумно да се разберат како софистицирани системи за предвидување. Јазичен модел, на пример, го обработува контекстот на еден потсетник и предвидува соодветна низа од токени за да го генерира неговиот одговор. Иако тоа звучи едноставно, правењето силни предвидувања низ комплициран јазик бара учење на врски меѓу зборовите, концептите, структурите, стиловите и многу други шеми содржани во податоците за обука.

Зошто генеративната вештачка интелигенција може да даде сигурни одговори кои се погрешни?

Генеративната вештачка интелигенција е првенствено дизајнирана да произведува веродостојни резултати, што не е исто како независно потврдување дека секоја изјава е вистинита. Затоа, може да измислува статистика, да збунува слични факти, да произведува непостоечки референци или да прави суптилни грешки во расудувањето, а да звучи убедливо. Овие грешки најчесто се нарекуваат халуцинации, поради што важните медицински, правни, финансиски, безбедносни или деловни информации сепак треба да се потврдат.

Дали вештачката интелигенција е исто што и пребарувач или нормална автоматизација?

Не. Традиционалните пребарувачи главно им помагаат на корисниците да ги пронајдат постоечките информации, додека генеративната вештачка интелигенција креира одговори користејќи научени шеми, доставен контекст, а понекогаш и дополнителни алатки. Основната автоматизација обично следи однапред дефинирани правила или работни процеси, наместо шеми на учење од примери. Современите системи можат да комбинираат пребарување, генерирање и автоматизација, така што границите може да станат помалку очигледни во практичните апликации.

Што е вештачка интелигенција, всушност, кога се користи во деловниот работен тек?

Во деловниот работен тек, вештачката интелигенција е често најефикасна како систем за препознавање на намера, работа со доставени информации и генерирање силен прв нацрт или препорака. На пример, асистент за поддршка на клиенти може да користи одобрени политики и информации за производот за да изготви одговори, додека ги ескалира неизвесните случаи до некого. Сигурноста зависи од добри изворни информации, јасни упатства, соодветни дозволи, тестирање и човечка проценка.

Што се агенти за вештачка интелигенција и по што се разликуваат од четботовите?

Типичен четбот главно реагира на индивидуални инструкции, додека агентот со вештачка интелигенција потенцијално може да планира и извршува повеќе поврзани дејства кон одредена цел. Агентот може да користи алатки, да презема информации, да ажурира работен тек или да продолжи низ неколку чекори, наместо само да генерира текст. Оваа дополнителна можност може да биде вредна, но исто така ги прави дозволите, безбедноста, сигурноста, правилата за ескалација и контролата особено важни.

Дали вештачката интелигенција ќе ги замени работните места или главно ќе ги автоматизира индивидуалните задачи?

Вештачката интелигенција често се разбира подобро како промена на специфични задачи во рамките на работните места, отколку како автоматско елиминирање на цели професии. Таа може да го забрза цртањето, размислувањето, анализата, кодирањето, организацијата на истражувања или повторувачката поддршка, додека стратегијата, проценката, лидерството, вкусот и важните одлуки им ги остава на луѓето. Затоа, практично прашање е кои делови од улогата можат да станат побрзи, поевтини, полесни или поавтоматизирани.

Кои вештини се најважни при ефикасно користење на вештачката интелигенција?

Просудувањето и критичкото размислување се неопходни бидејќи генерирањето одговор не е исто што и генерирањето точен или вреден одговор. Ефективните корисници треба да знаат што да прашаат, какви информации да дадат, што да потврдат, што да уредуваат и кога не треба да се користи вештачка интелигенција. Во работните процеси на производство, силните резултати зависат и од доверлив контекст, јасни граници, репрезентативно тестирање и внимателен преглед на несигурни или високо влијателни резултати.

Референци

1. Национален институт за стандарди и технологија (NIST) — csrc.nist.gov

2. IBM — Машинско учење — ibm.com

3. Институт Стенфорд за вештачка интелигенција ориентирана кон човекот — Извештај за индексот на вештачка интелигенција за 2025 година — hai.stanford.edu

4. Меѓународна организација на трудот (МОТ) — Генеративна вештачка интелигенција и работни места: Пречистен глобален индекс на професионална изложеност — ilo.org

5. Google Cloud — Што е GPT? — cloud.google.com

6. Google за програмери — developers.google.com

7. Google Codelabs — codelabs.developers.google.com

8. OpenAI — Техники за повратна информација од човек — openai.com

9. arXiv — Обука за пресметување — arxiv.org

10. Природа — nature.com