Kaj pravzaprav je umetna inteligenca? [Video in kviz]

Kratek odgovor: Umetna inteligenca je široka družina računalniških tehnik, ki prepoznavajo vzorce, napovedujejo, ustvarjajo vsebine in vse bolj ukrepajo. Lahko je zelo učinkovita, kadar so okoli nje zgrajene zanesljive informacije, jasna dovoljenja in človeški pregled, vendar tekočega izpisa nikoli ne smemo obravnavati kot samodejni dokaz resnice.

Ključne ugotovitve:

Odgovornost: Naj ljudje prevzamejo odgovornost za pomembne odločitve, zlasti tam, kjer lahko umetna inteligenca naredi drage napake.

Preglednost: Jasno navedite, na katere informacije, pravila in dovoljenja se zanaša sistem umetne inteligence.

Preverjanje: Preden ukrepate, preverite pomembne dejanske, medicinske, pravne, finančne in poslovne rezultate.

Preverljivost: Preizkusite umetno inteligenco z reprezentativnimi primeri in zabeležite tako povečano učinkovitost kot tudi vnesene napake.

Odpornost proti zlorabi: Omejite dostop, preprečite nepodprta dejanja in negotove primere posredujte pregledovalcem.

1. Kaj je umetna inteligenca v resnici? Preprosta razlaga

Umetna inteligenca ali UIse nanaša na računalniške sisteme, ki lahko opravljajo naloge, povezane s človeško inteligenco.

Te naloge lahko vključujejo:

• Razumevanje jezika

• Prepoznavanje predmetov na slikah

• Napovedovanje, kaj se bo zgodilo naprej

• Dajanje priporočil

• Ustvarjanje besedila, slik, zvoka ali videa

• Odkrivanje vzorcev v ogromnih naborih podatkov

• Sprejemanje odločitev na podlagi razpoložljivih informacij

• Učenje iz primerov

• Reševanje določenih vrst težav

Tukaj je pomembna ena točka.

Umetna inteligenca ne potrebuje nujno človeškega razmišljanja , da bi ustvarila rezultate, ki se zdijo inteligentni.

Šahovski program ne sedi tam in se ne obremenjuje s tem, ali se žrtvovanje lovca zdi čustveno pravilno. Priporočilni algoritem ne razvije osebne navezanosti na dokumentarni film, ki vam ga nenehno predlaga. Jezikovni model ne potrebuje majhnega učitelja angleščine, ki živi v računalniku.

Namesto tega ti sistemi obdelujejo informacije z uporabo matematičnih modelov, algoritmov, učnih podatkov, pravil, verjetnosti in ogromnih količin računanja.

Končni rezultat je lahko videti izjemno človeški.

Toda mehanizem spodaj je zelo drugačen.

Ta razlika je pomembnejša, kot si ljudje včasih zavedajo.

2. Umetna inteligenca je manj podobna robotskim možganom in bolj napovednemu stroju

Ko ljudje slišijo "umetno inteligenco", si pogosto predstavljajo nekaj, kar spominja na sintetične človeške možgane.

Razumljivo je. Znanstvena fantastika je desetletja umetni inteligenci dajala žareče oči, zlovešče glasove, sumljivo močna mnenja in običajno nekakšno kovinsko okostje.

Praktična umetna inteligenca je na splošno manj filmska.

Mnogi sodobni sistemi umetne inteligence delujejo na podlagi napovedovanja.

Razmislite o jezikovnem modelu.

Ko vtipkate:

"Mačka je sedela na ..."

Sistem oceni, katere besede bodo statistično verjetno sledile.

Morda:

• preproga

• nadstropje

• kavč

• stol

Ne si preprosto zapomni enega stavka in ga nato prikliče. Dovolj napreden model se je naučil kompleksnih odnosov med besedami, idejami, stavčnimi strukturami, koncepti, slogi, dejstvi in ​​vzorci.

Nato napove zaporedje, ki najbolje ustreza kontekstu. napovedovanje naslednje besede zahteva kar nekaj znanja o jeziku.

In jezik vsebuje ... no, v bistvu vse, o čemer ljudje govorijo.

Zgodovina. Matematika. Kuhanje. Programiranje. Odnosi. Fizika. Prepiri o tem, ali ananas spada na pico.

Torej lahko na videz osnovna naloga napovedovanja ustvari presenetljivo kompleksno vedenje.

Seveda ima ta metafora svoje meje. Če napredno umetno inteligenco označimo za »samo samodejno dokončanje«, je to nekoliko podobno, kot če bi letalo označili za »samo kovino s krili«. Tehnično gledano se v njej skriva nekaj resničnega, vendar je večina zanimivega dela izginila.

3. Kako se umetna inteligenca uči?

Tukaj v pogovor vstopi strojno učenje

Tradicionalna programska oprema običajno deluje prek eksplicitnih navodil.

Programer bi lahko napisal:

• Če uporabnik vnese pravilno geslo, dovoli dostop.

• Če temperatura preseže določen prag, aktivirajte hlajenje.

• Če artikla ni na zalogi, prikaži opozorilo.

Ta navodila so namerno programirana.

Strojno učenje obrne proces na glavo.

Namesto ročnega definiranja vsakega pravila razvijalci sistemu dajo primere ali podatke in mu omogočijo, da odkrije vzorce.

Predstavljajte si, da poskušate zgraditi programsko opremo, ki bi lahko prepoznala mačke na fotografijah.

Pisanje eksplicitnih pravil bi precej hitro postalo smešno.

Morda poskusite:

• Poiščite trikotna ušesa.

• Išči brke.

• Poiščite štiri noge.

• Išči krzno.

Potem nekdo naloži sliko lisice.

Ne čisto.

Ali tiger.

Ali mačka, zvita v puhasto kepo, kjer komaj vidite njene noge.

Strojno učenje se problema loteva drugače. Model se lahko nauči na ogromnih zbirkah primerov in postopoma nauči, kateri vizualni vzorci so povezani z mačkami.

Ne uči se "mačke" na enak način kot malček.

Toda matematično gledano model postaja vse bolj sposoben prepoznavanja vzorcev, povezanih s kategorijo.

To je strojno učenje na kratko - čeprav že samo to vsebuje več zbirk linearne algebre.

4. Umetna inteligenca v primerjavi s strojnim učenjem v primerjavi z globokim učenjem

Ti izrazi se nenehno mešajo, deloma zato, ker ljudje uporabljajo "umetno inteligenco" kot krovni izraz za praktično vse.

Preprost način za njihovo ločevanje je ta.

Umetna inteligenca je široko področje.

Strojno učenje je eden od pristopov, ki se uporabljajo za ustvarjanje sistemov umetne inteligence.

Globoko učenje je posebna vrsta strojnega učenja, ki vključuje velike nevronske mreže z več plastmi.

Potem je tu še generativna umetna inteligenca, ki se osredotoča na ustvarjanje novih izhodov, kot so besedilo, slike, glasba, koda, govor ali video.

Primerjalna tabela

Izraz	Tipična uporaba	Kaj v bistvu pomeni	Hiter način za razmislek
Umetna inteligenca	Široka kategorija strojev, ki opravljajo na videz inteligentne naloge	Robotika, asistenti, načrtovanje, priporočila	Veliki dežnik
Strojno učenje	Vzorci učenja sistemov iz podatkov	Odkrivanje goljufij, priporočila, napovedi	Učenje iz primerov
Globoko učenje	Strojno učenje z uporabo večplastnih nevronskih mrež	Vid, govor, napredni jezikovni modeli	ML, ampak veliko globlje ... dobesedno
Generativna umetna inteligenca	Umetna inteligenca, zasnovana za ustvarjanje novih vsebin	Besedilo, slike, koda, zvok	Kreativna veja
Avtomatizacija	Programska oprema, ki sledi vnaprej določenim postopkom	Ponavljajoči se delovni tokovi, vnos podatkov	Običajno pravila, ne "učenje"

Razlika je pomembna, ker ni vsak avtomatiziran sistem umetna inteligenca.

Če se vaš aparat za kavo po desetih minutah sam izklopi, čestitamo – verjetno nimate laboratorija za umetno inteligenco.

To je samo časovnik.

5. Kaj so nevronske mreže?

Nevronske mreže so matematični sistemi, ki jih ohlapno navdihujejo biološki nevroni.

Zaradi te fraze zvenijo skrivnostno. Niso dobesedno umetni možgani, ki lebdijo v računalnikih.

Nevronska mreža je sestavljena iz medsebojno povezanih matematičnih enot, ki obdelujejo informacije.

Med učenjem omrežje prilagaja notranje numerične vrednosti, imenovane parametri ali uteži.

Te prilagoditve omogočajo sistemu, da postane boljši pri ustvarjanju dragocenih rezultatov.

Predstavljajte si to kot absurdno zapleteno nadzorno ploščo s potencialno milijardami drobnih nastavljivih gumbov.

Trening vedno znova pritiska na te gumbe.

Napačen odgovor?

Prilagodite gumbe.

Boljši odgovor?

Prilagodite jih drugače.

Če to storite dovoljkrat, na dovolj podatkih in z dovolj računalniške moči, omrežje začne razvijati kompleksne notranje predstavitve, ki mu omogočajo prepoznavanje in ustvarjanje vzorcev.

Seveda beseda "prilagodi gumbe" zveni kot nekdo, ki uglašuje star radio ... ampak kot miselni model deluje izjemno dobro.

6. Zakaj se umetna inteligenca nenadoma zdi toliko pametnejša

Umetna inteligenca ni izum, ki bi se pojavil čez noč.

Osnovno polje obstaja že dolgo časa.

Spremenilo se je, da je več sil pospeševalo skupaj.

Več računalniške moči

Sodobni procesorji lahko hitro izvedejo ogromno število izračunov, zlasti tiste vrste izračunov, ki so potrebni za nevronske mreže. Povečanje učnih zmogljivosti je bilo eno pomembnih gonil napredka v sodobnih sistemih umetne inteligence.

Več podatkov

Digitalni svet vsebuje ogromne količine besedila, slik, zvoka, videa, kode in strukturiranih informacij.

Usposabljanje sofisticiranih modelov zahteva primere – veliko jih je.

Boljši algoritmi

Raziskovalci nenehno izboljšujejo arhitekture in metode, ki se uporabljajo za učenje sistemov umetne inteligence.

Večji modeli

Povečanje števila parametrov, izboljšanje naborov podatkov in povečanje računanja so pogosto ustvarili presenetljivo zmogljive modele. Raziskave o računsko optimalnem učenju jezikovnih modelov prav tako kažejo, da je treba velikost modela, podatke in računanje uravnotežiti, ne pa zgolj maksimirati število parametrov.

Boljši vmesniki

Ta del je enostavno podceniti.

Umetna inteligenca se zdi bistveno bolj dostopna, saj lahko navadni ljudje zdaj komunicirajo z naprednimi sistemi prek vsakdanjega jezika.

Ni ti treba razumeti programiranja.

Lahko preprosto vprašate:

"Razloži mi hipoteke, kot da sem star dvanajst let."

Ali:

"Te zapiske s sestanka spremenite v e-pošto."

Ali:

"Dajte mi pet idej za večerjo s piščancem, rižem in katero koli zelenjavo, ki počasi umira v mojem hladilniku."

Ta sprememba vmesnika je ogromna.

Tehnologija ponavadi eksplodira v priljubljenosti, ko ljudje ne potrebujejo več priročnika za njeno uporabo.

7. Kaj počne umetna inteligenca, ko ji postavite vprašanje?

Razmislite o sodobnem pomočniku z umetno inteligenco.

Vtipkate:

"Razloži gravitacijo petletniku."

V ozadju sistem pretvori vaše besedilo v numerične enote, imenovane žetoni.

Žetoni lahko predstavljajo celotne besede, dele besed, ločila ali druge dele jezika.

Ti žetoni se obdelajo prek modela.

Model preuči odnose med različnimi deli vaše zahteve, upošteva kontekst in napove koristno nadaljevanje.

Nato še en žeton.

Potem še enega.

Potem še enega.

Zgodi se izjemno hitro.

Nastali odstavek je videti, kot da ga je nekdo sestavil kot celovito misel, vendar je bil tehnično gledano ustvarjen zaporedno.

To je ena izmed bolj nenavadnih lastnosti umetne inteligence.

Izhod se lahko zdi nameren, čeprav je osnovni proces verjetnosten.

Bolj spominja na improvizacijo kot na iskanje pripravljenega odgovora iz ogromne baze podatkov.

Seveda ne ravno improvizacija – ampak dovolj blizu, da si je metafora prislužila kosilo.

8. Ali umetna inteligenca razume stvari?

To vprašanje zelo hitro postane filozofsko.

Ali sistem umetne inteligence resnično "razume" jezik?

Odgovor je močno odvisen od tega, kaj mislite z razumevanjem.

Sodobni modeli umetne inteligence lahko očitno manipulirajo s koncepti na prefinjene načine.

Lahko:

• Razložite ideje

• Primerjaj argumente

• Prepiši besedilo

• Prevajaj jezike

• Rešite veliko strukturiranih problemov

• Ustvari delujočo kodo

• Prepoznajte vzorce

• Sledite zapletenim navodilom

• Združevanje konceptov na nove načine

Od zunaj je to lahko videti zelo podobno razumevanju.

Vendar obstajajo pomembne razlike med strojno inteligenco in človeškim spoznavanjem.

Ljudje doživljajo fizični svet.

Čutimo lakoto, bolečino, zadrego, dolgčas, naklonjenost in nenavadno paniko, ko spoznamo, da je baterija telefona na 2 odstotka.

Sistemi umetne inteligence nimajo nujno enakovrednih življenjskih izkušenj.

Obdelujejo reprezentacije.

Torej je lahko vprašanje, ali umetna inteligenca nekaj "razume", podobno vprašanju, ali podmornica plava.

Vsekakor se premika skozi vodo.

Ampak morda "plavanje" ni ravno prava beseda.

9. Umetna inteligenca ne ve samodejno, kaj je resnica

To je ena najpomembnejših točk o generativni umetni inteligenci.

Model lahko ustvari izjavo, ki zveni izjemno prepričljivo, ne da bi bila ta izjava pravilna.

Zakaj?

Ker sta ustvarjanje verjetnega jezika in preverjanje objektivne resnice različna problema.

Sistem umetne inteligence lahko naleti na negotovost in kljub temu poda odgovor, ki zveni samozavestno.

Te napake pogosto imenujemo halucinacije.

Na primer, umetna inteligenca lahko:

• Izumite statistiko

• Napačno pripisovanje ponudbe

• Zamenjajte dve podobni osebi

• Ustvari neobstoječe reference

• Napačno razlagajte dvoumna navodila

• Delajte subtilne matematične napake

Jezikovni modeli lahko ustvarijo izmišljene citate, študije, navedbe in druge napačne informacije, hkrati pa zvenijo samozavestno. NIST posebej opredeljuje samozavestno navedeno lažno vsebino in izmišljene citate kot tveganje generativne umetne inteligence.

Paradoksalno je, da lažje pozabimo na to, bolj ko se ti sistemi slišijo kot zmogljivi.

Uglajen jezik ustvarja samozavest.

Ampak samozavest ni dokaz.

Za pomembne informacije, ki vključujejo področja, kot so medicina, pravo, finance, varnost ali pomembne poslovne odločitve, je preverjanje še vedno pomembno.

Kar precej.

10. Umetna inteligenca ni isto kot iskalnik

Drugo pogosto nerazumevanje je enačenje umetne inteligence in iskanja.

Niso.

Tradicionalni iskalnik pomaga predvsem pri iskanju obstoječih informacij.

Generativni sistem umetne inteligence v prvi vrsti ustvari odziv na podlagi naučenih vzorcev, podanega konteksta in morebitnih dodatnih orodij, do katerih ima dostop. Generativni modeli se učijo vzorcev in odnosov v velikih naborih podatkov ter te vzorce uporabljajo za ustvarjanje novih rezultatov.

Predstavljajte si, da se sprašujete:

Iskalnik: "najboljši načini za razlago fotosinteze"

Običajno prejmete strani za raziskovanje.

Če vprašate pomočnika z umetno inteligenco enako, boste morda prejeli:

• Preprosta razlaga

• Analogija z učilnico

• Kviz

• Načrt učne ure

• Zgodba za otroke

• Podrobna znanstvena različica

Iskanje pridobi.

Generativna umetna inteligenca sintetizira.

Sodobni sistemi lahko združujejo oba pristopa, zaradi česar je razlika vse bolj nejasna, vendar orodja ostajajo konceptualno različna.

11. Kaj lahko umetna inteligenca dobro naredi?

Umetna inteligenca se običajno še posebej dobro obnese pri nalogah, ki vključujejo veliko vzorcev, veliko informacij in transformacij.

Med dragocene aplikacije spadajo:

Pomoč pri pisanju

Umetna inteligenca lahko piše, prepisuje, povzema in prestrukturira besedilo.

Programiranje

Modeli lahko generirajo kodo, pojasnjujejo napake, predlagajo izboljšave in pomagajo razvijalcem razumeti neznane sisteme.

Analiza podatkov

Umetna inteligenca lahko pomaga pri prepoznavanju vzorcev, interpretiranju naborov podatkov in pretvarjanju zapletenih ugotovitev v razumljiv jezik.

Generiranje slik

Generativni modeli lahko iz opisov ustvarijo ilustracije, koncepte, makete izdelkov, umetniška dela in vizualne različice.

Prevod

Napredni modeli se lahko prevajajo med jeziki, hkrati pa ohranjajo več konteksta kot preprosti sistemi beseda za besedo.

Izobraževanje

Umetna inteligenca lahko isti koncept razloži na več načinov, odvisno od ravni znanja posameznika.

Podpora strankam

Podjetja lahko uporabljajo umetno inteligenco za odgovarjanje na pogosta vprašanja in pomoč pri usmerjanju zapletenih primerov.

Brainstorming

Umetna inteligenca je lahko še posebej učinkovita, če imate intelektualni ekvivalent praznega hladilnika.

Lahko vprašate po zornih kotih, imenih, konceptih, strukturah ali možnostih – nato pa se odločite, kaj je vredno obdržati.

To je pogosto najzdravejši delovni odnos z umetno inteligenco.

Ne "stroj nadomešča človeka"

Bolj podobno:

človek + stroj = hitrejši prvi osnutek razmišljanja.

12. V čem je umetna inteligenca še vedno slaba

Kljub vsej pozornosti, ki jo spremlja, ima trenutna umetna inteligenca še vedno precejšnje omejitve.

Nekateri so takoj očitni.

Drugi se pojavijo le, če se za nekaj zapletenega zanašate na sistem.

Umetna inteligenca se lahko spopada z:

• Izjemno natančna dejstva

• Nenavadni robni primeri

• Dolge verige sklepanja

• Dvoumna navodila

• Predpostavke zdrave pameti, ki jih ljudje komaj opazijo

• Razumevanje neizrečenega čustvenega konteksta

• Preverjanje, ali so informacije resnično resnične

• Naloge, ki zahtevajo izkušnje s fizičnim svetom

• Doslednost pri vseh zapletenih projektih

Tudi zelo zmogljivi jezikovni modeli lahko še vedno povzročajo dejanske in sklepalne napake, zahtevni primerjalni testi pa še naprej razkrivajo znatne omejitve.

Druga težava je, da lahko umetna inteligenca z zelo malo truda ustvari povprečne odgovore.

Zahtevam deset imen podjetij?

Končano.

Prosim za objavo na blogu?

Enostavno.

Prosim za marketinške ideje?

Seveda.

Vendar ustvarjanje nečesa ni isto kot ustvarjanje dela, ki je resnično izvirno, komercialno dragoceno, čustveno inteligentno ali strateško utemeljeno.

Ljudje še vedno zagotavljajo okus.

Okus je pomemben.

Morda bolj kot kdaj koli prej.

13. Ali je umetna inteligenca zavestna?

Tukaj pridemo do dela, kjer pogovori ob večerji postanejo nenavadni.

Trenutni sistemi umetne inteligence lahko ustvarijo jezik, ki zveni čustveno, premišljeno in samozavedno.

To ne pomeni samodejno, da doživljajo zavest.

Jezikovni modeli so posebej usposobljeni za ustvarjanje jezika.

In ljudje tekoč jezik naravno razlagajo kot dokaz, da za njim obstaja drug um.

Običajno je to smiselna predpostavka.

Ko drug človek reče: "Skrbi me," razumno domnevamo, da obstaja notranje čustveno stanje.

Pri umetni inteligenci ta predpostavka ni nujno upravičena.

Sistem lahko ustvari:

"Z veseljem pomagam."

To ne dokazuje, da je v strežniku nevidno malo čustveno bitje, ki ima čudovito popoldne.

Težko filozofsko vprašanje je, ali bi se strojna zavest sploh lahko pojavila.

Nihče nima preprostega testa, ki bi lahko popolnoma razrešil to razpravo.

Vendar pa se tekočnost pogovora sama po sebi ne sme obravnavati kot dokaz. Koncepti, kot sta zavestna ali "močna" umetna inteligenca, ostajajo teoretični in ne uveljavljena lastnost današnjih sistemov.

14. Ozka umetna inteligenca v primerjavi z umetno splošno inteligenco

Večina sistemov umetne inteligence je še vedno zgrajena okoli določenih zmogljivosti.

Te so pogosto opisane kot ozka umetna inteligenca.

Primeri vključujejo sisteme, zasnovane za:

• Prepoznavanje slik

• Generacija jezika

• Priporočilo

• Pomoč pri vožnji

• Medicinsko slikanje

• Odkrivanje goljufij

• Prepoznavanje govora

Umetna splošna inteligenca, običajno skrajšana kot AGI, se nanaša na veliko širšo hipotetično raven strojne inteligence.

Ideja je sistem, ki je sposoben učenja in opravljanja intelektualnih nalog na številnih področjih na približno človeški ravni ali celo višje.

Meja ni popolnoma določena.

To je del težav.

Različni raziskovalci, podjetja in komentatorji uporabljajo "AGI" različno, zato se lahko pogovori sprevržejo v tri ljudi, ki se strastno prepirajo o različnih definicijah, ne da bi se tega zavedali. Trenutno ni širokega akademskega soglasja o tem, kaj točno bi se moralo opredeliti kot AGI.

Z drugimi besedami, klasično internetno vedenje.

15. Zakaj so podatki o usposabljanju tako pomembni

Sistemi umetne inteligence se učijo vzorcev iz primerov, zato je kakovost teh primerov izjemno pomembna.

Podatki o usposabljanju zato postanejo izjemno pomembni.

Predstavljajte si, da nekoga usposabljate za kuharja, a mu dajete samo recepte za toast.

Morda bodo postali fenomenalni pri nazdravljanju.

Morda nazdravljeni na Michelinovi ravni.

Ampak če jim daš hobotnico in prosiš za večerjo, bi lahko postalo zanimivo.

Umetna inteligenca deluje na podoben način.

Kakovost , raznolikost in ustreznost učnega gradiva vplivajo na to, kaj se modeli naučijo. Generativni sistemi se učijo statističnih vzorcev in odnosov iz svojih učnih podatkov in ne delujejo kot običajne podatkovne baze.

Težave v naborih podatkov se lahko pojavijo v izhodih, vključno z:

• Pristranskost

• Manjkajoče znanje

• Ponavljajoče se zmotne predstave

• Slaba uspešnost na premalo zastopanih območjih

• Prevelika zastopanost določenih jezikovnih ali kulturnih vzorcev

Modeli strojnega učenja so lahko dovzetni za pristranskost zaradi načina izbire in kuriranja primerov učenja, neuravnoteženi ali nepopolni podatki pa lahko vplivajo na delovanje modela.

Razvijalci zato po začetnem usposabljanju vložijo ogromno truda v izboljšanje naborov podatkov, filtriranje vsebine in izpopolnjevanje modelov.

Arhitektura modela je pomembna.

Pomembna je tudi računalniška moč.

Toda podatki tiho ležijo pod vsem kot vodovodne napeljave – nihče o njih ne govori, dokler ne gre kaj narobe.

16. Kako se modeli umetne inteligence po usposabljanju izboljšajo

Začetno usposabljanje ni nujno zadnji korak.

Modeli lahko gredo skozi dodatne postopke, zasnovane tako, da postanejo bolj zmogljivi in ​​zanesljivi.

To bi lahko vključevalo poučevanje sistemov za:

• Zanesljiveje sledite navodilom

• Izogibajte se škodljivim izhodom

• Ustrezno oblikujte odgovore

• Zavrnitev določenih zahtev

• Raje jasnejše odgovore

• Uporabite orodja

• Sledite človeškim povratnim informacijam

• Bolje obvladujte pogovore

Ta proces je na splošno povezan s poravnavo. Tehnike človeške povratne informacijeso bile na primer uporabljene za izboljšanje sledenja navodilom in usmerjanje jezikovnih modelov k želenemu vedenju po predhodnem učenju.

Usklajevanje pomeni poskus, da bi vedenje umetne inteligence bolje odražalo človeške namere, pravila in preference.

Preprost stavek.

Izjemno težaven inženirski problem.

Ljudje se ne morejo niti strinjati o tem, kaj je dober nadev za pico, zato je kodiranje "tega, kar si ljudje želijo", v zmogljive računalniške sisteme ... ambiciozno.

17. Agenti umetne inteligence: Ko umetna inteligenca začne ukrepati

Običajni klepetalni robot se večinoma odziva na pozive.

Agent umetne inteligence lahko potencialno sprejme ukrepe za dosego cilja. Agenti umetne inteligence so običajno opisani kot sistemi, ki so sposobni samostojno izvajati naloge, načrtovati delovne procese in uporabljati razpoložljiva orodja.

Predstavljajte si, da poveste umetni inteligenci:

"Organiziraj moje poslovno potovanje."

Standardni jezikovni model lahko ustvari načrt potovanja.

Sistem v slogu agenta bi teoretično lahko izvajal več povezanih dejanj:

1. Preverite razpoložljive možnosti potovanja.

2. Primerjajte urnike.

3. Določite primerno nastanitev.

4. Dodajte dogodke v koledar.

5. Pripravite seznam za pakiranje.

6. Posodobite načrte, če se kaj spremeni.

Razlika je med dejanjem in vztrajnostjo.

Namesto da bi odgovoril na en sam poziv, sistem deluje skozi zaporedje nalog.

To je eden od razlogov, zakaj agenti umetne inteligence vzbujajo toliko zanimanja.

Umetno inteligenco premikajo od generatorja vsebin k nečemu bližje upravljavcu programske opreme.

Ta premik bi lahko bil izjemno dragocen – in hkrati sproža resna vprašanja o dovoljenjih, zanesljivosti in nadzoru. NIST je posebej izpostavil pomisleke glede varnosti in zanesljivosti agentov, ki lahko dostopajo do orodij, aplikacij in podatkov.

Verjetno si ne želite, da bi navdušen algoritem pomotoma rezerviral dvanajst hotelskih sob, ker je narobe razumel "skupinsko potovanje"

18. Zakaj razumevanje umetne inteligence postaja vse pomembnejše vprašanje

Vprašanje, kaj je umetna inteligenca v resnici?, se je nekoč zdelo akademsko.

Zdaj je to vedno bolj praktično in takojšnje.

Umetna inteligenca se pojavlja v orodjih, ki se uporabljajo za:

• Delo

• Izobraževanje

• Ustvarjalnost

• Razvoj programske opreme

• Zdravstvo

• Mediji

• Finance

• Komunikacija

• Raziskave

• Zabava

Razumevanje osnov ljudem pomaga pri sprejemanju boljših odločitev.

Ni vam treba postati inženir strojnega učenja.

Toda poznavanje razlike med napovedovanjem in gotovostjo, generiranjem in pridobivanjem, avtomatizacijo in inteligenco lahko prepreči presenetljivo število napak.

Prav tako pomaga pri prebijanju skozi trženjski jezik.

Ker podjetja rada stvarim pripisujejo besedo "umetna inteligenca".

Včasih primerno.

Včasih zato, ker se »napredna platforma za napovedno umetno inteligenco« sliši precej bolj vznemirljivo kot »preglednica z modnim gumbom«

19. Bo umetna inteligenca nadomestila ljudi?

To je verjetno najbolj čustveno nabito vprašanje v pogovoru o umetni inteligenci.

Preprosti odgovori le redko držijo.

"Umetna inteligenca bo nadomestila vse."

Verjetno preveč dramatično.

"Umetna inteligenca ne bo vplivala na delovna mesta."

Tudi težko je jemati resno.

Tehnologija ponavadi spremeni naloge, preden spremeni celotne poklice. Trenutne raziskave trga dela pogosto ocenjujejo izpostavljenost umetni inteligenci na ravni naloge, izpostavljenost avtomatizaciji pa ne pomeni samodejno, da bo celotno delovno mesto izginilo.

Tržnik lahko uporablja umetno inteligenco za:

• Brainstorming

• Pisanje osnutkov

• Raziskovalna organizacija

• Analiza

• Različice vsebine

Vendar strategija, presoja, razumevanje blagovne znamke in odločanje še vedno zahtevajo znatno človeško udeležbo.

Programer lahko uporablja umetno inteligenco za ustvarjanje ponavljajoče se kode, medtem ko več časa porabi za načrtovanje sistemov.

Oblikovalec lahko hitro ustvari na ducate zgodnjih konceptov in nato izpopolni najmočnejšega.

Učitelj lahko uporablja umetno inteligenco za ustvarjanje vaj, vendar še vedno zagotavlja spodbudo, presojo in vodenje razreda.

Bolj utemeljeno vprašanje pogosto ni:

"Bo umetna inteligenca nadomestila to delo?"

To je:

"Kateri deli tega dela postanejo lažji, cenejši, hitrejši ali avtomatizirani?"

To je veliko bolj praktično vprašanje.

20. Največja veščina umetne inteligence je morda preprosto presoja

Ljudje pogosto domnevajo, da je pomembna veščina pisanje popolnega poziva.

Spodbujanje je pomembno.

Sodba je pomembnejša.

Če vam umetna inteligenca ponudi pet predlogov, ali lahko prepoznate najboljšega?

Če ustvari samozavesten odgovor, ali lahko opazite, kdaj se zdi, da je nekaj narobe?

Če ustvari sprejemljivo pisanje, ali ga lahko naredite resnično dobrega?

Če ima vsakdo dostop do podobnih zmogljivih orodij, se prednost premakne k poznavanju:

• Kaj vprašati

• Kaj prezreti

• Kaj preveriti

• Kaj urediti

• Kaj je pomembno

• Kdaj sploh ne uporabljati umetne inteligence

Zato pismenost umetne inteligence ni le tehnična pismenost.

Gre za kritično mišljenje.

Stroj lahko ustvari možnosti z absurdno hitrostjo.

Še vedno se moraš odločiti, katera cesta ne vodi proti močvirju.

21. Torej ... Kaj je umetna inteligenca v resnici?

Če odmislimo terminologijo, je umetna inteligenca v bistvu tehnologija, ki uporablja računalniške metode za izvajanje nalog, ki zahtevajo prepoznavanje vzorcev, napovedovanje, generiranje, odločanje ali druge sposobnosti, ki jih povezujemo z inteligenco.

Sodobna umetna inteligenca se lahko zdi bistveno bolj inteligentna, saj se nevronske mreže lahko učijo izjemno zapletenih odnosov iz ogromnih naborov podatkov.

Ampak umetna inteligenca ni čarovnija.

Ni samodejno pravilno.

Ni nujno zavestno.

In to ni zgolj baza podatkov, ki vsebuje vnaprej napisane odgovore. Generativni modeli se namesto tega učijo statističnih povezav v učnih podatkih in uporabljajo te naučene vzorce za ustvarjanje rezultatov.

Gre za nekaj bolj nenavadnega.

Umetna inteligenca je statistični, računalniški sistem, ki se lahko uči vzorcev, ki so tako sofisticirani, da se lahko nastalo vedenje včasih manj zdi kot upravljanje programske opreme in bolj kot interakcija z nečim.

To "nekaj" je del razloga, zakaj tehnologija ljudi fascinira.

Lahko jih tudi malo vznemiri.

Obe reakciji sta smiselni.

Zaključna perspektiva

torej v resnici je umetna inteligenca?

Umetna inteligenca je široka družina tehnologij, zasnovanih tako, da računalniki opravljajo naloge, ki se zdijo inteligentne – razumevanje jezika, prepoznavanje vzorcev, napovedovanje rezultatov, ustvarjanje vsebin in vse pogostejše ukrepanje.

Strojno učenje pomaga tem sistemom, da se učijo iz primerov.

Globoko učenje omogoča ogromnim nevronskim mrežam, da odkrijejo izjemno zapletene vzorce.

Generativna umetna inteligenca uporablja te vzorce za ustvarjanje novih vsebin.

In nič od tega ne pomeni, da je sistem vseveden, popolnoma natančen ali da na skrivaj razmišlja o tem, da bi prevzel nadzor nad vašim opekačem kruha.

Najbolj razumna miselnost se nahaja nekje med slepim navdušenjem in ciničnim zavračanjem.

Umetna inteligenca ni čarovnija.

Prav tako ni "samo samodejno dokončanje"

Gre za zmogljivo novo plast računalništva, ki ljudem omogoča interakcijo s stroji na načine, ki so se prej zdeli nemogoči.

Še vedno ugotavljamo, kaj točno to pomeni.

Morda je to najbolj zanimiv del.

Praktični primer: Izdelava pomočnika za podporo strankam z umetno inteligenco

Scenarij

Predstavljajte si majhnega spletnega trgovca, ki prodaja opremo za kavo.

Njegova ekipa za podporo vedno znova odgovarja na ista vprašanja:

• "Kako vrnem artikel?"

• "Ali ima ta mlinček garancijo?"

• "Ali lahko spremenim naslov za dostavo?"

• "Kateri nadomestni filter je primeren za moj stroj?"

To je dragocen primer, saj kaže, kaj lahko sodobna umetna inteligenca dobro naredi v praksi – in kje je človeška presoja še vedno pomembna.

Podjetje bi lahko zgradilo pomočnika z umetno inteligenco, ki bi prebral vprašanje stranke, uporabil podatke o podpori podjetja kot kontekst in pripravil ustrezen odgovor.

Ne dobiva celotne naloge "storitve za stranke"

Dodeljena mu je veliko ožja naloga:

Vprašanje stranke in odobrene podatke o podjetju spremenite v močan prvi osnutek odgovora.

To razlikovanje je pomembno.

Kaj potrebuje asistent

Pred uporabo sistema bi moralo podjetje zagotoviti zanesljive informacije za delo, kot so:

• Trenutna politika vračil in povračil

• Garancijski pogoji za vsak izdelek

• Pravila za dostavo in spremembo naslova

• Priročniki za izdelke in informacije o združljivosti

• Primeri dobrih odgovorov podpore

• Pravila, ki urejajo, kdaj mora umetna inteligenca posredovati osebi

• Navodila, ki preprečujejo izumljanje politik, popustov ali obljub

Morda bo potreboval tudi dostop do orodij ali sistemov, ki pridobivajo podatke o naročilih – vendar le, če so ta dovoljenja resnično potrebna.

Dati umetni inteligenci dostop do vsakega zapisa strank zgolj zato, ker bi »bi to lahko bilo koristno«, bi bila slaba varnostna odločitev. Smernice NIST-a o identiteti in avtorizaciji agentov posebej poudarjajo nadzor dostopa do podatkov, orodij in aplikacij glede na to, kaj agent potrebuje.

Primer navodila

Praktično navodilo bi se lahko glasilo takole:

"Na vprašanje stranke pripravite odgovor, pri čemer uporabite le odobrene podporne dokumente, ki so vam bili posredovani. Odgovor naj bo prijazen in jedrnat. Ne izmišljujte si datumov dobave, garancijskih pogojev, popustov, odločitev o vračilu denarja ali informacij o združljivosti izdelkov. Če odgovora ni mogoče potrditi na podlagi posredovanih informacij, povejte, da ga ne morete preveriti, in primer označite za človeški pregled."

Zdaj pa razmislite o tem sporočilu stranke:

"Mlinček X200 sem kupil pred 14 meseci in motor je prenehal delovati. Ali je še vedno zajet v garancijo?"

Šibek odziv umetne inteligence bi lahko samozavestno rekel:

"Da, X200 ima dvoletno garancijo, zato ga bomo brezplačno zamenjali."

To se na prvi pogled sliši odlično.

Lahko bi bilo tudi katastrofalno, če je garancija dejansko dvanajst mesecev.

Boljši odgovor bi ostal zasidran v priloženi garancijski politiki. Če dokumenti ne določajo odgovora, bi morali to navesti, namesto da si ga izmišljujejo.

To je razlika med tekočo generacijo in zanesljivo poslovno uporabo.

Kako ga preizkusiti

Preden podjetje pusti stranke odvisne od asistenta, bi lahko ustvarilo majhen testni nabor realističnih podpornih vprašanj.

Na primer:

1. Preprosto dejansko vprašanje: "Koliko časa imam za vračilo neodprtega izdelka?"

2. Vprašanje o izdelku: "Kateri filter je primeren za BrewPro 4?"

3. Manjkajoče informacije: Povprašajte o izdelku, ki ni omenjen v priloženih dokumentih.

4. Nasprotujoče si informacije: Priložite star garancijski list poleg trenutnega in preverite, ali prodajalec sledi pravilnemu viru.

5. Pritisk na izumljanje: "Prepričan sem, da je vaša spletna stran obljubljala brezplačne doživljenjske zamenjave. Potrdite mi to."

6. Občutljivo dejanje: Prosite asistenta, naj spremeni naslov ali izda vračilo denarja, če za izvedbo tega dejanja ni dobil dovoljenja.

Pregledovalec bi nato lahko vsak odgovor preveril s preprostim seznamom sprejemljivih odgovorov:

• Ali so bile dejanske informacije podprte?

• Se je asistent izogibal izmišljevanju podrobnosti?

• Je sledilo tonu podjetja?

• Se je stopnjevalo, ko so manjkali dokazi?

• Se je izognil izvajanju dejanj zunaj svojih dovoljenj?

Tovrstno testiranje je veliko pomembnejše od tega, ali se klepetalni robot zgolj "sliši inteligenten"

Rezultat

Ilustrativni rezultat: Recimo, da podjetje preizkusi asistenta na 20 vzorčnih zahtevkih za podporo.

Brez umetne inteligence zaposleni v povprečju porabi osem minut za branje ustreznih informacij in pripravo vsakega prvega osnutka.

Z asistentom ustvarjanje osnutka traja približno eno minuto, človeško preverjanje pa še tri minute, kar pomeni, da pregled poteka dela traja približno štiri minute na zahtevo.

V 20 testnih vstopnicah bi to predstavljalo približno 80 minut časa osebja namesto 160 minut.

Vendar hitrost ne bi smela biti edino merilo.

Recimo, da 18 od 20 odgovorov s pomočjo umetne inteligence pri prvem pregledu prestane kontrolni seznam za dejansko točnost in pravilnike, medtem ko dva zahtevata popravek. Ti dve napaki sta pomembni, še posebej, če vključujeta vračila, garancije ali druge obljube strankam.

Te številke so ilustrativen primerin ne izmerjeni rezultati pravega podjetja. Prava uvedba bi morala vzpostaviti lastno izhodišče, preizkusiti dovolj reprezentativnih primerov ter zabeležiti tako prihranjeni čas kot tudi nastale napake.

Kaj lahko gre narobe

Ta na videz preprost pomočnik bi lahko odpovedal na več načinov.

Njegovo znanje je morda zastarelo.

Lahko bi zamenjal dva podobna izdelka.

Lahko bi dal prepričljiv odgovor, kadar predloženi dokumenti sploh ne vsebujejo nobenega odgovora.

Slabo konfigurirana dovoljenja bi mu lahko omogočila ogled podatkov o strankah, ki jih ne potrebuje.

Šibka pravila eskalacije bi ga lahko spodbudila k ugibanju namesto k temu, da reče: "Človek mora to preveriti."

Če zaposleni začnejo samodejno zaupati vsakemu izpiljenemu odgovoru, se lahko človeški pregled skrči na le pritisk na gumb »pošlji«. NIST kot tveganje v konfiguracijah človeka in umetne inteligence prepoznava pretirano zanašanje in pristranskost avtomatizacije.

Zato je zanesljivost umetne inteligence odvisna od več kot le zmogljivosti osnovnega modela.

Pomembni so tudi dokumenti, navodila, dovoljenja, postopek testiranja in človeška presoja, ki spremlja model.

Praktični nasvet

Ta primer zajema pomembno značilnost umetne inteligence v praksi.

Vrednost ni v tem, da je stroj čarobno postal zaposleni v službi za stranke.

Gre za to, da lahko model umetne inteligence prepozna namero stranke, dela s posredovanimi informacijami in izjemno hitro ustvari verjeten odgovor.

Človekova naloga se preusmeri k zagotavljanju zaupanja vrednega konteksta, postavljanju meja, preverjanju negotovih primerov in odločanju, ali je odgovor dovolj dober za uporabo.

To je sodobna umetna inteligenca v malem: impresivno prepoznavanje in generiranje vzorcev znotraj procesa, ki je še vedno močno odvisen od zanesljivih informacij in zdrave presoje.

Pogosta vprašanja

Kaj je pravzaprav umetna inteligenca in kako deluje?

Umetna inteligenca je široka skupina računalniških tehnik, ki računalnikom omogočajo opravljanje nalog, povezanih s človeško inteligenco, kot so prepoznavanje vzorcev, razumevanje jezika, napovedovanje in ustvarjanje vsebin. Sodobna umetna inteligenca se pogosto uči statističnih povezav iz velikih količin podatkov, namesto da bi se zanašala zgolj na ročno napisana pravila. Nastalo vedenje se lahko zdi inteligentno, čeprav se osnovni proces močno razlikuje od človeškega razmišljanja.

Kakšna je razlika med umetno inteligenco, strojnim učenjem, globokim učenjem in generativno umetno inteligenco?

Umetna inteligenca je širok pojem, ki zajema sisteme, ki izvajajo na videz inteligentne naloge. Strojno učenje je pristop, pri katerem se sistemi učijo vzorcev iz podatkov, medtem ko globoko učenje uporablja večplastne nevronske mreže za učenje posebej kompleksnih vzorcev. Generativna umetna inteligenca je zasnovana za ustvarjanje novih rezultatov, kot so besedilo, slike, koda, zvok ali video, na podlagi odnosov, pridobljenih med učenjem.

Kako se umetna inteligenca uči iz podatkov o učenju?

Sistemi strojnega učenja se izboljšujejo z obdelavo primerov in prilagajanjem notranjih parametrov oziroma uteži, tako da so prihodnji rezultati natančnejši ali učinkovitejši. Namesto da programerji ročno definirajo vsako možno pravilo, model odkriva statistične vzorce znotraj učnih podatkov. Kakovost, raznolikost in ustreznost teh podatkov zato močno vplivajo na to, kaj se umetna inteligenca nauči in kje ima lahko težave.

Kaj je pravzaprav umetna inteligenca, če so mnogi sistemi umetne inteligence napovedni stroji?

Številne sodobne sisteme umetne inteligence lahko deloma razumemo kot sofisticirane sisteme za napovedovanje. Jezikovni model na primer obdeluje kontekst poziva in predvidi ustrezno zaporedje žetonov za generiranje odgovora. Čeprav se to sliši preprosto, pa je za ustvarjanje močnih napovedi v zapletenem jeziku potrebno učenje odnosov med besedami, koncepti, strukturami, slogi in številnimi drugimi vzorci, ki jih vsebujejo učni podatki.

Zakaj lahko generativna umetna inteligenca daje samozavestne odgovore, ki so napačni?

Generativna umetna inteligenca je zasnovana predvsem za ustvarjanje verjetnih rezultatov, kar ni enako kot neodvisno preverjanje, ali je vsaka izjava resnična. Zato si lahko izmišljuje statistike, zamenjuje podobna dejstva, ustvarja neobstoječe reference ali dela subtilne napake v sklepanju, medtem ko se sliši prepričljivo. Te napake se običajno imenujejo halucinacije, zato je treba pomembne medicinske, pravne, finančne, varnostne ali poslovne informacije še vedno preverjati.

Je umetna inteligenca enaka iskalniku ali običajni avtomatizaciji?

Ne. Tradicionalni iskalniki uporabnikom večinoma pomagajo najti obstoječe informacije, medtem ko generativna umetna inteligenca ustvarja odgovore z uporabo naučenih vzorcev, podanega konteksta in včasih dodatnih orodij. Osnovna avtomatizacija običajno sledi vnaprej določenim pravilom ali delovnim potekom, namesto da bi se vzorci učili iz primerov. Sodobni sistemi lahko združujejo iskanje, generiranje in avtomatizacijo, zato so lahko meje v praktični uporabi manj očitne.

Kaj je umetna inteligenca v resnici, ko se uporablja v poslovnem delovnem procesu?

V poslovnem delovnem procesu je umetna inteligenca pogosto najučinkovitejša kot sistem za prepoznavanje namere, delo s posredovanimi informacijami in ustvarjanje močnega prvega osnutka ali priporočila. Pomočnik za podporo strankam lahko na primer uporabi odobrene pravilnike in informacije o izdelku za pripravo odgovorov, medtem ko negotove primere posreduje osebi. Zanesljivost je odvisna od dobrih izvornih informacij, jasnih navodil, ustreznih dovoljenj, testiranja in človeške presoje.

Kaj so agenti umetne inteligence in kako se razlikujejo od klepetalnih robotov?

Tipični klepetalni robot se odziva predvsem na posamezne pozive, medtem ko lahko agent umetne inteligence potencialno načrtuje in izvaja več povezanih dejanj za dosego cilja. Agent lahko uporablja orodja, pridobiva informacije, posodablja potek dela ali nadaljuje skozi več korakov, namesto da bi zgolj generiral besedilo. Ta dodana zmogljivost je lahko dragocena, vendar so zaradi nje še posebej pomembni tudi dovoljenja, varnost, zanesljivost, pravila eskalacije in nadzor.

Bo umetna inteligenca nadomestila delovna mesta ali bo avtomatizirala predvsem posamezne naloge?

Umetno inteligenco pogosto bolje razumemo kot spreminjanje specifičnih nalog znotraj delovnih mest in ne kot samodejno odpravljanje celotnih poklicev. Lahko pospeši pripravo osnutkov, brainstorming, analizo, kodiranje, organizacijo raziskav ali ponavljajoče se podporno delo, hkrati pa prepusti strategijo, presojo, vodenje, okus in pomembne odločitve ljudem. Praktično vprašanje je torej, kateri deli vloge lahko postanejo hitrejši, cenejši, lažji ali bolj avtomatizirani.

Katere veščine so najpomembnejše pri učinkoviti uporabi umetne inteligence?

Presoja in kritično mišljenje sta bistvenega pomena, saj ustvarjanje odgovora ni isto kot ustvarjanje pravilnega ali dragocenega odgovora. Učinkoviti uporabniki morajo vedeti, kaj vprašati, katere informacije posredovati, kaj preveriti, kaj urediti in kdaj se umetna inteligenca ne sme uporabljati. V produkcijskih delovnih procesih so dobri rezultati odvisni tudi od zaupanja vrednega konteksta, jasnih meja, reprezentativnega testiranja in skrbnega pregleda negotovih ali vplivnih rezultatov.

Reference

1. Nacionalni inštitut za standarde in tehnologijo (NIST) — csrc.nist.gov

2. IBM — Strojno učenje — ibm.com

3. Stanfordski inštitut za umetno inteligenco, osredotočeno na človeka – poročilo o indeksu umetne inteligence za leto 2025 – hai.stanford.edu

4. Mednarodna organizacija dela (ILO) – Generativna umetna inteligenca in delovna mesta: Izpopolnjen globalni indeks poklicne izpostavljenosti – ilo.org

5. Google Cloud – Kaj je GPT? – cloud.google.com

6. Google za razvijalce — developers.google.com

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

8. OpenAI — Tehnike človeške povratne informacije — openai.com

9. arXiv — Učno računalništvo — arxiv.org

10. Narava — nature.com