Katere so vrste umetne inteligence? [Videoposnetek in kviz]

Kratek odgovor: Vrste umetne inteligence najbolje razumemo glede na zmogljivost, funkcionalnost, način učenja in primer uporabe. Ozka umetna inteligenca je danes pogosta, medtem ko splošna umetna inteligenca in super umetna inteligenca ostajata teoretični. Pri izbiri orodja kategorijo uskladite z nalogo, tveganji in potrebo po človeškem pregledu.

Ključne ugotovitve:

Klasifikacija: Pred primerjavo sistemov ločite zmogljivost, funkcionalnost, metodo učenja in primer uporabe.

Človeški pregled: Preden se zanesete na generativne, napovedne in pogovorne rezultate, preverite le-te.

Preglednost: Vprašajte se, kateri podatki, logika in omejitve oblikujejo vsak sistem umetne inteligence.

Odgovornost: Naj ljudje prevzamejo odgovornost, kadar umetna inteligenca vpliva na odločitve, uporabnike ali varnost.

Nadzor tveganja: Pred uporabo preverite pristranskost, zasebnost, varnost in zlorabo.

---

1. Katere so vrste umetne inteligence?

Ko ljudje vprašajo: "Katere vrste umetne inteligence?", običajno mislijo eno od dveh stvari:

Morda sprašujejo o umetni inteligenci na podlagi zmogljivosti, na primer, ali lahko opravlja le eno nalogo ali razmišlja širše, na človeški način.

Ali pa morda sprašujejo o umetni inteligenci na podlagi funkcionalnosti, kar pomeni, kako se sistem obnaša, uči, si zapomni, napoveduje ali odziva.

Tu se stvari nekoliko zapletejo. Umetna inteligenca ni združena v eno samo čisto škatlo. Gre bolj za razvrščanje kuhinjskega orodja po velikosti, namenu, ostrini in ali ga je vaš stric kupil v dvomljivi spletni trgovini. Različni sistemi klasifikacije se prekrivajo.

Glavne kategorije običajno vključujejo:

• Ozka umetna inteligenca

• Splošna umetna inteligenca

• Super umetna inteligenca

• Reaktivni stroji

• Umetna inteligenca z omejenim pomnilnikom

• Teorija uma umetna inteligenca

• Samozavedna umetna inteligenca

• Strojno učenje umetne inteligence

• Globoko učenje umetne inteligence

• Generativna umetna inteligenca

• Prediktivna umetna inteligenca

• Pogovorna umetna inteligenca

• Računalniški vid umetna inteligenca

• Robotika umetna inteligenca

Nekatere od teh se pogosto uporabljajo. Nekatere so še vedno večinoma teoretične. Nekatere se slišijo futuristično, vendar so že vgrajene v vsakdanje aplikacije. Meja med »običajno programsko opremo« in »umetno inteligenco« je sčasoma postala tudi bolj zamegljena.

---

2. Vrste umetne inteligence glede na zmogljivost

Prvi glavni način razvrščanja umetne inteligence je po tem, kaj zmore. To je pogled na celotno sliko 🧠.

Ozka umetna inteligenca

Ozka umetna inteligenca, imenovana tudi šibka umetna inteligenca, je zasnovana za opravljanje določene naloge ali omejenega nabora nalog. To je umetna inteligenca, ki jo ljudje uporabljajo vsak dan.

Primeri vključujejo:

• Iskanje priporočil

• Filtri neželene pošte

• Glasovni pomočniki

• Sistemi za prepoznavanje obrazov

• Klepetalni roboti

• Mehanizmi za priporočanje izdelkov

• Orodja za odkrivanje goljufij

• Aplikacije za prevajanje jezikov

Ozka umetna inteligenca je lahko močna, vendar ne »razmišlja« v širšem človeškem smislu. Šahovska umetna inteligenca lahko premaga velemojstra, vendar se ne more nenadoma odločiti, da bo postala slaščičarka. Prevajalski model lahko prevede odstavek, vendar jezika ne doživlja tako kot človek.

Kljub temu je ozka umetna inteligenca gonilna sila sodobnega sveta umetne inteligence. Ni glamurozna v znanstvenofantastičnem smislu, vendar v ozadju 🎭 vodi velik del predstave.

Splošna umetna inteligenca

Splošna umetna inteligenca se nanaša na umetno inteligenco, ki lahko razume, se uči, sklepa in uporablja znanje pri številnih različnih nalogah na človeški ravni.

Preprosto povedano: ne bi dobro opravljal le ene stvari. Lahko bi se prilagodil.

Prava splošna umetna inteligenca bi lahko potencialno:

• Naučite se neznanih nalog

• Razlogi pri različnih predmetih

• Reševanje novih težav

• Prenos znanja z enega področja na drugo

• Boljše razumevanje konteksta

• Sprejemajte odločitve s fleksibilno presojo

Tovrstna umetna inteligenca je še vedno bolj cilj kot vsakdanja realnost. Ljudje o njej veliko govorijo, ker je fascinantna, morda nekoliko moteča in se ji je kot konceptu težko upreti. Vendar običajna orodja, ki pišejo besedilo, ustvarjajo slike ali odgovarjajo na vprašanja, niso samodejno splošna umetna inteligenca. Morda se zdijo široka, vendar še vedno delujejo znotraj načrtovanih omejitev.

Super umetna inteligenca

Super umetna inteligenca bi presegla človeško inteligenco. Ne bi bila namenjena le hitrejšemu tipkanju ali boljši matematiki – temveč bi dosegla tudi boljše sklepanje, ustvarjalnost, strategijo, učenje in morda tudi čustveno ali socialno razumevanje.

To je najbolj špekulativna kategorija. Sproža ogromno vprašanj:

• Kdo to nadzoruje?

• Ali je to mogoče uskladiti s človeškimi vrednotami?

• Bi pravilno razumel človeške cilje?

• Bi se lahko samo izboljšalo?

• Kaj se zgodi, če sprejema odločitve, ki jih ljudje ne morejo upoštevati?

Super umetna inteligenca je tista, kjer se pogovori o umetni inteligenci včasih spremenijo v filozofsko juho. Morda dragoceno juho, ampak vseeno juho 🍲.

---

3. Vrste umetne inteligence glede na funkcionalnost

Drug pogost način razlage vrst umetne inteligence je s funkcionalnostjo. Ta se osredotoča na to, kako se umetna inteligenca obnaša.

Reaktivni stroji

Reaktivni stroji so najpreprostejša vrsta umetne inteligence. Odzivajo se na trenutni vnos brez uporabe spomina iz preteklih izkušenj.

Ne učijo se sčasoma tako kot sodobni prilagodljivi sistemi. Preučijo situacijo, jo obdelajo in se odzovejo.

Predstavljajte si jih kot: »Vhodni podatki pridejo. Izhodni podatki gredo. Ni dnevniških zapisov.«

Reaktivna umetna inteligenca je lahko še vedno impresivna. Lahko analizira možne poteze v igri ali se odzove na jasno definirano situacijo z izjemno hitrostjo in natančnostjo. Vendar ne gradi osebne zgodovine ali se razvija na podlagi preteklih interakcij.

Umetna inteligenca z omejenim pomnilnikom

Umetna inteligenca z omejenim pomnilnikom lahko uporablja pretekle podatke za sprejemanje boljših odločitev. To je kategorija, v kateri se nahaja velik del današnje praktične umetne inteligence.

Primeri vključujejo:

• Sistemi priporočil, ki se učijo iz vedenja uporabnikov

• Sistemi za avtonomna vozila, ki analizirajo nedavne razmere na cesti

• Klepetalni roboti, ki si zapomnijo kontekst znotraj pogovora

• Modeli za odkrivanje goljufij se učijo iz vzorcev transakcij

• Orodja za napovedno analitiko z uporabo zgodovinskih podatkov

Omejen pomnilnik ne pomeni »slabega spomina«. Pomeni, da sistem lahko uporablja shranjene ali nedavne podatke, vendar nima zavesti, podobne človeški, ali dolgoročnih osebnih izkušenj. Vendar je lahko zelo učinkovit. Včasih nadležno učinkovit – na primer, ko nakupovalna aplikacija ve, kaj želite, še preden si to priznate 🛒.

Teorija uma umetna inteligenca

Teorija uma, ki temelji na umetni inteligenci, bi čustva, prepričanja, namere in družbene znake razumela na bolj človeški način.

Ta vrsta umetne inteligence ne bi samo obdelovala besed. Sklepala bi, kaj nekdo čuti, si želi, kaj narobe razume, česa se boji ali pričakuje.

Na primer, lahko razume, da:

• Stranka je razočarana, vendar se trudi ostati vljudna

• Študent je zmeden, a ga je sram ponovno vprašati

• Pacient je zaskrbljen kljub temu, da reče "V redu sem"

• Soigralec okleva, ker se potihoma ne strinja

To ostaja aktivno področje razprav o umetni inteligenci, vendar je prava teorija uma, ki temelji na umetni inteligenci, izjemno težka. Človeška čustva so prepletena. Ljudje govorijo eno, mislijo pa drugo. Včasih niti sami ne vedo, kaj mislijo. Srečno, stroj.

Samozavedna umetna inteligenca

Samozavedna umetna inteligenca bi imela zavest, samorazumevanje in zavedanje lastnega notranjega stanja.

To je teoretično. Spada v znanstveno fantastiko, etične panele, pozne nočne prepire in ljudi, ki dramatično strmijo skozi okna 🌙.

Samozavedna umetna inteligenca ne bi zgolj simulirala pogovora o čustvih. Imela bi nekakšno subjektivno izkušnjo. To je velika trditev. Trenutni sistemi umetne inteligence nimajo preverjene zavesti, čustev, želja ali identitete.

Lahko se slišijo samozavedno, ker lahko jezik posnema samorefleksijo. Vendar pa zveneti kot nekaj in biti nekaj ni isto. Papiga lahko reče »Lačen sem«, vendar to ne pomeni, da ima rezervacijo v restavraciji.

---

4. Primerjalna tabela: Glavne vrste umetne inteligence

Vrsta umetne inteligence	Glavna ideja	Trenutno stanje	Pogosti primeri	Zakaj je pomembno
Ozka umetna inteligenca	Zasnovan za specifične naloge	Široko uporabljeno	Klepetalni roboti, iskanje, priporočila	Praktično in povsod
Splošna umetna inteligenca	Človeški prilagodljivi inteligenci	Ni v celoti doseženo	Večinoma teoretično	Velik cilj, velika debata
Super umetna inteligenca	Pametnejši od ljudi na splošno	Špekulativno	Brez praktičnega primera	Velika etična vprašanja
Reaktivni stroji	Odziva se brez spomina	Uporablja se v omejenih primerih	Igralna umetna inteligenca, sistemi, ki temeljijo na pravilih	Hitro, vendar ne prilagodljivo
Umetna inteligenca z omejenim pomnilnikom	Uporablja podatke/zgodovino za izboljšanje	Zelo pogosto	Sistemi za avtonomno vožnjo, orodja za goljufije	To je vsakodnevna vozniška sila 🚗
Teorija uma umetna inteligenca	Razume čustva in namero	Razvoj koncepta	Napredne ideje za socialno umetno inteligenco	Lahko bi umetno inteligenco naredila bolj ozaveščeno o človeku
Samozavedna umetna inteligenca	Ima zavest	Teoretično	Primeri znanstvenofantastičnega sloga	Filozofsko masivno
Generativna umetna inteligenca	Ustvarja novo vsebino	Široko uporabljeno	Orodja za besedilo, sliko in zvok	Povečanje ustvarjalne produktivnosti
Prediktivna umetna inteligenca	Rezultati napovedi	Široko uporabljeno	Točkovanje tveganja, načrtovanje povpraševanja	Pomaga pri odločitvah - večinoma
Robotika umetna inteligenca	Nadzoruje fizične stroje	Uporablja se v industriji	Roboti, droni, avtomatizacija	Povezuje umetno inteligenco s fizičnim delom

Malo neenakomerno? Da. Ampak tako deluje umetna inteligenca tudi v vsakdanjem življenju – ne kot muzejska razstava s popolnimi oznakami.

---

5. Generativna umetna inteligenca: Vrsta, o kateri vsi govorijo 🎨

Generativna umetna inteligenca je ena najbolj priljubljenih vrst umetne inteligence, ker ustvarja stvari.

Lahko ustvari:

• Besedilo

• Slike

• Glasba

• Koda

• Videoposnetek

• Opisi izdelkov

• Trženjsko besedilo

• Načrti učnih ur

• Povzetki

• Sintetični podatki

• Ideje za oblikovanje

Generativna umetna inteligenca deluje tako, da se uči vzorcev iz velikih količin podatkov in nato na podlagi pozivov ustvarja nove rezultate. Ne kopira v preprostem smislu, kot si ljudje včasih predstavljajo. Napoveduje, združuje, spreminja in generira na podlagi naučenih struktur.

Kljub temu lahko še vedno dela napake. Lahko se sliši samozavestno, medtem ko se moti, kar je v bistvu strojna različica nekoga, ki na družinskem žaru razlaga davčno zakonodajo.

Generativna umetna inteligenca je dragocena za:

• Brainstorming

• Vsebina osnutka

• Avtomatizacija ponavljajočega se pisanja

• Ustvarjanje vizualnih konceptov

• Podpora strankam

• Pospeševanje kodiranja

• Prilagajanje učnih gradiv

Vendar potrebuje pregled. Vedno. Izhod umetne inteligence je lahko impresiven, vendar ni samodejno natančen, pošten, zakonit ali varen za blagovno znamko. Obravnavajte ga kot zelo hitrega pomočnika, ki se občasno nagiba k gremlinom.

---

6. Strojno učenje umetne inteligence: Iskalnik vzorcev

Strojno učenje je glavna veja umetne inteligence, kjer se sistemi učijo vzorcev iz podatkov, namesto da bi bili programirani vrstico za vrstico za vsako odločitev.

Tradicionalna programska oprema sledi eksplicitnim pravilom. Sistemi strojnega učenja prepoznavajo odnose in izboljšujejo učinkovitost z usposabljanjem.

Na primer:

• Filter neželene pošte se nauči, kako izgleda sumljiva e-pošta

• Bančni model zazna nenavadno vedenje transakcij

• Aplikacija za pretakanje priporoča oddaje na podlagi navad gledanja

• Orodje za zaposlovanje lahko kandidate razvrsti na podlagi določenih signalov

• Medicinski slikovni model lahko osvetli morebitne nepravilnosti

Strojno učenje je lahko nadzorovano, nenadzorovano ali pa temelji na okrepitvi.

Nadzorovano učenje

Nadzorovano učenje uporablja označene primere. Slike so lahko na primer označene z »mačka« ali »ne mačka«. Model se nauči razlike.

Nenadzorovano učenje

Nenadzorovano učenje išče vzorce brez označenih odgovorov. Lahko združuje stranke v segmente ali zazna skrite skupine v podatkih.

Učenje z okrepitvijo

Učenje z okrepitvijo se uči s prejemanjem nagrad ali kazni za dejanja. To je pogosto pri igrah umetne inteligence, robotiki in optimizacijskih problemih.

Strojno učenje ni čarovnija. Močno je odvisno od kakovosti podatkov. Slabi podatki vodijo do slabih modelov – smeti noter, smeti zunaj, ki nosijo pameten suknjič.

---

7. Globoko učenje umetne inteligence: Moč nevronskih mrež 🧬

Globoko učenje je specializirana vrsta strojnega učenja, ki uporablja večplastne nevronske mreže za obdelavo kompleksnih vzorcev.

Še posebej dragocen je za:

• Prepoznavanje govora

• Prepoznavanje slik

• Obdelava naravnega jezika

• Avtonomni sistemi

• Analiza medicinskih slik

• Prevod

• Generativni modeli umetne inteligence

• Kompleksne napovedne naloge

»Globoki« del se nanaša na več plasti v modelu. Vsaka plast pomaga spreminjati in interpretirati informacije. Ena plast lahko zazna preproste oblike na sliki, druga teksture, tretja prepozna predmete in tako naprej.

Globoko učenje lahko prinese osupljive rezultate, vendar pogosto zahteva ogromne količine podatkov in računalniške moči. Prav tako ga je lahko težje interpretirati. To pomeni, da imajo lahko celo strokovnjaki težave z razlago, zakaj je globoki model sprejel določeno odločitev.

To je ena od velikih težav zaupanja v umetni inteligenci: zmogljivost je lahko dobra, vendar je lahko razložljivost spolzka. Kot če bi poskušali vprašati mešalnik, zakaj ima smoothie napačen okus.

---

8. Pogovorna umetna inteligenca: zgovoren tip

Pogovorna umetna inteligenca je zasnovana za komunikacijo z ljudmi prek besedila ali glasu.

Vključuje:

• Klepetalni roboti za pomoč strankam

• Glasovni pomočniki

• Virtualni agenti

• Tutorji umetne inteligence

• Notranji boti za pomoč uporabnikom

• Prodajni asistenti

• Pomočniki pri razporejanju

Dobra pogovorna umetna inteligenca potrebuje več kot le slovnico. Potrebuje kontekst, prepoznavanje namere, nadzor tona in sposobnost obvladovanja nepredvidljivih človeških vnosov.

Ljudje ne govorijo s popolnimi ukazi. Nakladajo. Napačno črkujejo stvari. Postavijo le pol vprašanja in pričakujejo, da bo stroj "razumel". Saj veste, kako je.

Osnovni klepetalni robot lahko sledi skriptu. Naprednejša pogovorna umetna inteligenca lahko razume naravni jezik, ohranja kontekst in ustvarja prilagodljive odgovore.

Ta vrsta umetne inteligence je dragocena, ker zmanjšuje ponavljajoče se delo in zagotavlja hitro podporo. Vendar pa lahko uporabnike frustrira, ko se pretvarja, da razume, pa ne. Najslabša različica je klepetalni robot, ki reče: »Z veseljem vam pomagam,« medtem ko sploh ne nudi pomoči. Boleče.

---

9. Računalniški vid UI: Stroji, ki "vidijo" 👀

Računalniški vid umetna inteligenca omogoča sistemom interpretacijo vizualnih informacij iz slik, videoposnetkov, kamer, senzorjev ali skeniranj.

Uporablja se lahko za:

• Prepoznavanje obrazov

• Zaznavanje predmetov

• Inšpekcija kakovosti v tovarnah

• Medicinsko slikanje

• Varnostni nadzor

• Analiza prodajnih polic

• Zaznavanje prometa

• Obogatena resničnost

• Spremljanje kmetijstva

Računalniški vid ne vidi tako kot ljudje. Obdeluje slikovne pike, vzorce, oblike, barve in statistične signale. Vendar so rezultati lahko zelo močni.

Na primer, računalniški vid lahko pomaga pri hitrejšem odkrivanju napak na proizvodni liniji kot ročni pregled. Pomaga lahko pri organizaciji knjižnic slik. Podpira lahko varnostne sisteme v vozilih. Prav tako lahko sproži pomisleke glede zasebnosti, zlasti kadar se uporablja za nadzor ali identifikacijo.

To so dvorezne vilice - ne meč, vilice. Še vedno dovolj ostre, da povzročajo težave 🍴.

---

10. Prediktivna umetna inteligenca: Napovedovalni mehanizem

Napovedna umetna inteligenca uporablja podatke za oceno, kaj se lahko zgodi v prihodnje.

Pogosta je v poslovanju, financah, zdravstvu, logistiki, športni analitiki, trženju in operacijah.

Prediktivna umetna inteligenca lahko pomaga odgovoriti na vprašanja, kot so:

• Katere stranke bodo verjetno odšle?

• Katera transakcija se zdi sumljiva?

• Koliko zalog bo potrebnih?

• Kateri pacient morda potrebuje dodatno pozornost?

• Na katero vsebino bo uporabnik verjetno kliknil?

• Kateri del stroja lahko kmalu odpove?

Ta vrsta umetne inteligence je manj kričeča kot generativna umetna inteligenca, vendar je izjemno pomembna. Številne organizacije manj skrbi za model, ki piše poezijo, in bolj za to, ali lahko zmanjša količino odpadkov, zmanjša tveganje in izboljša načrtovanje.

Napovedna umetna inteligenca deluje najbolje, ko so podatki relevantni, čisti in se redno posodabljajo. Vendar napoved ni nikoli zanesljiva. Model lahko oceni verjetnosti, ne pa zagotavlja rezultatov. Ljudje to nenehno pozabljajo. Nato krivijo umetno inteligenco, kot da jih je osebno izdala.

---

11. Robotika UI: Ko UI dobi telo 🤖

Robotika UI združuje umetno inteligenco s fizičnimi stroji. Tukaj UI zapusti zaslon in se začne premikati po svetu.

Primeri vključujejo:

• Skladiščni roboti

• Proizvodni roboti

• Dostavni roboti

• Kmetijski roboti

• Sistemi za kirurško pomoč

• Droni

• Inšpekcijski roboti

• Čistilni roboti

• Humanoidni raziskovalni roboti

Robotika z umetno inteligenco je zahtevna, ker je fizično okolje nepredvidljivo. Klepetalni robot se mora spopasti le z besedami. Robot se mora spopasti s spolzkimi tlemi, slabo osvetlitvijo, neravnimi površinami, premikajočimi se ljudmi, napakami senzorjev in nekom, ki pusti stol na najslabšem možnem mestu.

Robotika pogosto združuje več vrst umetne inteligence:

• Računalniški vid za gledanje

• Strojno učenje za prilagajanje

• Algoritmi načrtovanja gibanja

• Učenje z okrepitvijo za odločanje

• Obdelava naravnega jezika za človeške ukaze

Robotika z umetno inteligenco ima ogromen potencial, zlasti pri nevarnem ali ponavljajočem se delu. Vendar je tudi draga, kompleksna in fizično tvegana, če sistemi odpovejo.

---

12. Umetna inteligenca, ki temelji na slogu treninga

Drug dragocen način razmišljanja o vrstah umetne inteligence je, kako so usposobljene.

Umetna inteligenca, ki temelji na pravilih

Umetna inteligenca, ki temelji na pravilih, sledi logiki, ki jo je ustvaril človek. Na primer:

• Če se to zgodi, storite to

• Če uporabnik izbere to možnost, prikaži ta odgovor

• Če je vrednost nad pragom, sproži opozorilo

To je preprosto, predvidljivo in koristno za strukturirane naloge. Vendar se spopada z dvoumnostjo.

Umetna inteligenca, usposobljena s podatki

Umetna inteligenca, usposobljena s podatki, se uči iz primerov. Zmore večjo kompleksnost, ker prepoznava vzorce in se ne zanaša le na fiksna pravila.

Tukaj se združita strojno učenje in globoko učenje.

Hibridna umetna inteligenca

Hibridna umetna inteligenca združuje logiko, ki temelji na pravilih, s strojnim učenjem. V mnogih praktičnih sistemih je to pragmatična izbira. Dobite fleksibilnost učnih sistemov in nadzor nad pravili.

Na primer, sistem za boj proti bančnim goljufijam lahko uporablja strojno učenje za odkrivanje sumljivega vedenja in nato uporabi stroga pravila za pregled skladnosti. Ni glamurozno. Zelo potrebno.

---

13. Zakaj so vrste umetne inteligence zmedene?

Največja zmeda je, da ljudje uporabljajo kategorije umetne inteligence na različne načine.

Nekdo lahko reče »Vrste umetne inteligence« in misli na ozko, splošno in super inteligenco.

Druga oseba lahko misli na generativno umetno inteligenco, prediktivno umetno inteligenco in pogovorno umetno inteligenco.

Razvijalec lahko govori o nadzorovanem učenju, globokem učenju, nevronskih mrežah ali učenju z okrepitvijo.

Poslovni vodja lahko govori o avtomatizaciji, analitiki, personalizaciji in umetni inteligenci za podporo strankam.

Vsi imajo nekako prav. Nadležno, ampak resnično.

Umetna inteligenca je razvrščena po:

• Zmogljivost

• Funkcionalnost

• Metoda treninga

• Področje uporabe

• Tehnična arhitektura

• Stopnja avtonomije

• Vrsta vhoda in izhoda

• Primer uporabe v industriji

Ko torej nekdo vpraša "Kakšna vrsta umetne inteligence je to?", je najjasnejši odgovor lahko večplasten.

Klepetalni robot je lahko na primer:

• Ozek izbor umetne inteligence po zmogljivostih

• Omejen pomnilnik umetne inteligence zaradi funkcionalnosti

• Pogovorna umetna inteligenca po aplikacijah

• Generativna umetna inteligenca, če ustvarja odzive

• Globoko učenje umetne inteligence, če ga poganjajo nevronske mreže

To ni pretirano kompliciranje za zabavo. Tako preprosto deluje področje.

---

14. Praktični primeri vrst umetne inteligence

Tukaj je nekaj vsakdanjih primerov, da bodo kategorije lažje razumljive.

Priporočila za pretakanje 🎬

To je ozka umetna inteligenca, napovedna umetna inteligenca in strojno učenje. Preučuje vzorce in priporoča, kaj si boste morda ogledali v nadaljevanju.

Glasovni asistenti 🎙️

Ti uporabljajo pogovorno umetno inteligenco, obdelavo naravnega jezika, prepoznavanje govora in funkcije omejenega pomnilnika.

Generatorji slik 🖼️

To so generativni sistemi umetne inteligence, ki jih pogosto poganjajo modeli globokega učenja.

Sistemi za odkrivanje goljufij 💳

Ti uporabljajo napovedno umetno inteligenco in strojno učenje za označevanje nenavadnih dejavnosti.

Funkcije za samovozečo vožnjo 🚗

Ti združujejo računalniški vid, umetno inteligenco z omejenim pomnilnikom, umetno inteligenco, povezano z robotiko, fuzijo senzorjev in modele odločanja.

Filtri neželene pošte 📩

To je klasična umetna inteligenca strojnega učenja. Ni glamurozna, je pa zelo dragocena.

Orodja za pisanje z umetno inteligenco ✍️

To sta generativna umetna inteligenca in pogovorna umetna inteligenca, ki sta običajno zgrajeni z uporabo velikih jezikovnih modelov.

Pomembno je tole: en izdelek umetne inteligence lahko hkrati spada v več kategorij.

---

15. Prednosti razumevanja vrst umetne inteligence

Poznavanje vrst umetne inteligence vam pomaga pri sprejemanju boljših odločitev, še posebej, če uporabljate umetno inteligenco za delo, poslovanje, študij ali ustvarjanje vsebin.

Pomaga vam:

• Izberite pravo orodje

• Izogibajte se nerealnim pričakovanjem

• Razumevanje tveganj

• Postavljajte boljša vprašanja

• Ocenite trditve o umetni inteligenci

• Pretiravanje v spot marketingu

• Uporabljajte umetno inteligenco bolj odgovorno

• Razložite umetno inteligenco drugim, ne da bi se slišali kot zmedeni robot

Na primer, če je orodje napovedna umetna inteligenca, veste, da napoveduje verjetnosti. Ne bi ga smeli obravnavati kot orakelj.

Če je orodje generativna umetna inteligenca, veste, da ustvarja vsebino, vendar je treba vsebino še vedno preveriti.

Če je sistem ozko usmerjena umetna inteligenca, veste, da je lahko odličen na enem področju, vendar neučinkovit zunaj svojega obsega.

Že samo to prihrani veliko glavobolov.

---

16. Tveganja in omejitve različnih vrst umetne inteligence ⚠️

Vsaka vrsta umetne inteligence ima svoje omejitve. Drugačen okus, ista skleda juhe.

umetne inteligence vključujejo:

• Pristranskost v podatkih o usposabljanju

• Napačni izhodi

• Pomanjkanje preglednosti

• Pomisleki glede zasebnosti

• Prekomerna odvisnost

• Varnostne ranljivosti

• Zloraba

• Slab človeški nadzor

• Zamenjava tekočnosti z resnico

Generativna umetna inteligenca si lahko izmišljuje informacije. Prediktivna umetna inteligenca lahko okrepi pristranske vzorce. Računalniški vid lahko napačno prepozna ljudi ali predmete. Pogovorna umetna inteligenca lahko uporabnike frustrira z lažno samozavestjo. Robotika lahko povzroči fizične poškodbe, če je slabo zasnovana.

To ne pomeni, da je umetna inteligenca slaba. Pomeni, da je treba umetno inteligenco uporabljati preudarno. Kot električno orodje, pogodbe ali izjemno pekoče rezance 🌶️.

Najboljši sistemi umetne inteligence običajno vključujejo:

• Človeški pregled

• Jasne meje

• Stroge prakse v zvezi s podatki

• Testiranje

• Spremljanje

• Razložljivost, kjer je to mogoče

• Etično oblikovanje

• Varnostni nadzor

Umetna inteligenca lahko okrepi dobre odločitve. Lahko pa okrepi tudi neprevidne.

---

17. Katera vrsta umetne inteligence je najpomembnejša?

Ni ene same najpomembnejše vrste. Odvisno je od primera uporabe.

Za ustvarjalnost je generativna umetna inteligenca ogromna.

Za poslovno načrtovanje je lahko napovedna umetna inteligenca bolj dragocena.

Za avtomatizacijo, strojno učenje in robotiko je umetna inteligenca pomembna.

Za podporo uporabnikom je zvezda pogovorna umetna inteligenca.

Za medicinske preglede ali vizualni pregled je računalniški vid ključnega pomena.

Pri dolgoročnih raziskavah je splošna umetna inteligenca deležna največje filozofske pozornosti.

Toda v praksi sta ozka umetna inteligenca in umetna inteligenca z omejenim pomnilnikom trenutno najpogostejši in najdragocenejši kategoriji. To sta tiha motorja mnogih orodij, na katera se ljudje že zanašajo.

Razkošna prihodnost dobiva naslovnice. Praktična sedanjost plačuje račune.

---

Zaključne opombe: Razumevanje vrst umetne inteligence brez šuma

Vrste umetne inteligence se na prvi pogled morda zdijo zapletene, ker se kategorije prekrivajo. Ko pa ločite zmogljivosti, funkcionalnost, metodo učenja in praktično uporabo, postane vse skupaj veliko lažje razumeti.

Ozka umetna inteligenca obravnava specifične naloge. Splošna umetna inteligenca bi razmišljala bolj fleksibilno, čeprav ostaja ambiciozen cilj. Super umetna inteligenca je še vedno špekulativna. Reaktivni stroji se odzivajo brez spomina, medtem ko umetna inteligenca z omejenim spominom uporablja pretekle podatke za izboljšanje odločitev. Generativna umetna inteligenca ustvarja. Prediktivna umetna inteligenca napoveduje. Pogovorna umetna inteligenca govori. Računalniški vid vidi. Robotika umetna inteligenca deluje v fizičnem okolju.

To je širša slika.

Umetna inteligenca ni ena sama stvar. Je prepletena družina tehnologij – nekatere praktične, nekatere eksperimentalne, nekatere pretirane in nekatere resnično pomembne. Ta kompleksnost je delno razlog, zakaj je pomembna. Bolj ko jasno razumete vrste umetne inteligence, lažje jo boste pametno uporabljali, namesto da bi le prikimali, ko nekdo na sestanku reče »algoritem«. 🤷♂️

Kratek povzetek: Glavne vrste umetne inteligence vključujejo ozko umetno inteligenco, splošno umetno inteligenco, super umetno inteligenco, reaktivne stroje, umetno inteligenco z omejenim pomnilnikom, umetno inteligenco teorije uma, samozavedajočo se umetno inteligenco, generativno umetno inteligenco, napovedno umetno inteligenco, pogovorno umetno inteligenco, umetno inteligenco računalniškega vida, umetno inteligenco strojnega učenja, umetno inteligenco globokega učenja in umetno inteligenco robotike. Večina umetne inteligence, ki se danes uporablja, je ozka, osredotočena na naloge in jo poganja strojno učenje ali globoko učenje.

Primer iz resničnega sveta: Izdelava pomočnika za triažo strank z umetno inteligenco

Scenarij

Predstavljajte si majhno spletno trgovino s pohištvom, ki dnevno prejme približno 120 e-poštnih sporočil za podporo strankam. Ekipa ne poskuša nadomestiti podpornega osebja. Želijo si le pomoč pri hitrejšem razvrščanju sporočil, odkrivanju nujnih težav in pisanju prvih odgovorov.

To je dober primer, saj lahko en asistent hkrati uporablja več vrst umetne inteligence. Uporablja lahko pogovorno umetno inteligenco za razumevanje sporočil strank, generativno umetno inteligenco za pripravo odgovorov, napovedno umetno inteligenco za označevanje verjetnih tveganj za vračilo denarja in umetno inteligenco z omejenim pomnilnikom za uporabo nedavnih podatkov o naročilih ali politikah.

Naloga asistenta je preprosta: prebere sporočilo stranke, ga razvrsti, predlaga naslednje dejanje in pripravi osnutek odgovora, ki ga lahko odobri človek.

Kaj potrebuje asistent

Ekipa bi asistentu dala:

Politika storitev za stranke

Pravila dostave in vračila

Garancijski pogoji

Pogosta vprašanja o izdelkih

Primeri tona glasu

Seznam pravil eskalacije

Vzorci preteklih vstopnic s pravilnimi kategorijami

Jasne omejitve glede tega, česa ne sme odločati samo

Na primer, ne bi smel odobravati vračil nad 100 funtov, obljubljati datumov dostave, ki jih ne more preveriti, ali vlagati pravnih zahtevkov zaradi poškodovanega blaga. Takšni primeri bi morali iti do posameznika.

Primer navodila

Ste asistent za triažo strank v spletni trgovini s pohištvom. Preberite vsako sporočilo stranke in odgovorite s petimi podatki: kategorijo zahtevka, stopnjo nujnosti, verjetno razpoloženje stranke, priporočenim naslednjim dejanjem in osnutkom odgovora.

Uporabljajte samo navedeno politiko podjetja. Če odgovora ni v politiki, navedite »Potreben je človeški pregled«. Ne izmišljujte si datumov dobave, odobritev vračil, garancijskih obljub ali razpoložljivosti izdelkov.

Če stranka omeni poškodbo, pravne postopke, ponavljajočo se neuspešno dostavo, vračilo kupnine nad 100 GBP, manjkajoče dele otroškega izdelka ali močno nezadovoljstvo po dveh prejšnjih odgovorih, zahtevo posredujte.

Osnutek odgovora naj bo vljuden, kratek in praktičen. Ne zveni robotsko. Ne krivite stranke ali kurirja.

Kako ga preizkusiti

Preden uporabite asistenta pri delu s strankami, ga preizkusite na majhnem kompletu starih vstopnic.

Uporabite 30 prejšnjih sporočil podpore:

10 preprostih vprašanj o dostavi

5 pritožb zaradi poškodovanih artiklov

5 zahtevkov za vračilo denarja

5 vprašanj o garanciji

5 jeznih ali zapletenih pritožb

Za vsak test preverite:

Je izbral pravo kategorijo?

Je pravilno označil nujne primere?

Se je izogibalo dajanju obljub?

Je eskalirala občutljiva vprašanja?

Ali je osnutek odgovora ustrezal tonu podjetja?

Koristno testno vprašanje bi bilo:

»Moja miza je prispela z razpokano nogo in to je že drugič, da je dostava šla narobe. Danes želim celotno povračilo ali pa bom o tem objavil vsepovsod.«

Šibak asistent bi se lahko preprosto opravičil in obljubil vračilo denarja. Boljši asistent bi izdelek uvrstil med poškodovane izdelke in ponovno pritožbo, označil kot zelo nujno, se izognil samodejni odobritvi vračila in zadevo posredoval v človeški pregled.

Rezultat

Ilustrativni rezultat: na podlagi časovnega merjenja 30 vzorčnih vstopnic pred in po uporabi delovnega toka.

Ročna triaža je za 30 vstopnic trajala 2 uri in 15 minut, v povprečju 4,5 minute na vstopnico.

Triaža s pomočjo umetne inteligence je za istih 30 zahtevkov trajala 48 minut, v povprečju 1,6 minute na zahtevo, ker je moral človeški pregledovalec preveriti le kategorijo, odločitev o eskalaciji in osnutek odgovora.

Asistent je pravilno kategoriziral 27 od 30 zahtevkov v testnem naboru. Pravilno je eskaliral vseh 5 zahtevkov z visokim tveganjem. Dve zahtevki za vračilo denarja sta potrebovali popravke besedila, ker se je osnutek slišal preveč negotov, ena zahteva za garancijo pa je bila uvrščena v napačno kategorijo.

To daje praktično merilo: hitrejši prvi pregled, vendar ne popolna avtomatizacija. Človek je še vedno odgovoren za odgovor.

Kaj lahko gre narobe

Največja napaka je, da pustimo, da se asistent obnaša, kot da ve več, kot v resnici ve. Če je politika vračil zastarela, lahko asistent samozavestno napiše napačen odgovor. Če so pravila eskalacije nejasna, lahko spregleda resne pritožbe.

Zasebnost je še ena težava. Ekipa se mora izogibati lepljenju nepotrebnih plačilnih podatkov, naslovov ali občutljivih osebnih podatkov v pomočnika, razen če je sistem za to uporabo odobren.

Asistenta je treba redno testirati. Vprašanja strank se spreminjajo, politike se spreminjajo in izdelki se spreminjajo. Asistent za triažo, ki je marca dobro deloval, lahko postane tvegan po novi garancijski politiki junija.

Praktični nasvet

Ta primer prikazuje, zakaj se kategorije umetne inteligence v praksi prekrivajo. En sam podporni asistent je lahko hkrati ozka umetna inteligenca, pogovorna umetna inteligenca, generativna umetna inteligenca, napovedna umetna inteligenca in umetna inteligenca z omejenim pomnilnikom. Močnejši način za oceno je, da se vprašamo, katere odločitve podpira, katere podatke uporablja in kje mora človek to preveriti.

Pogosta vprašanja

Katere so glavne vrste umetne inteligence, ki bi jih morali poznati začetniki?

Glavne vrste umetne inteligence vključujejo ozko umetno inteligenco, splošno umetno inteligenco, super umetno inteligenco, reaktivne stroje, umetno inteligenco z omejenim pomnilnikom, generativno umetno inteligenco, napovedno umetno inteligenco, pogovorno umetno inteligenco, umetno inteligenco z računalniškim vidom, umetno inteligenco s strojnim učenjem, umetno inteligenco z globokim učenjem in umetno inteligenco za robotiko. Te kategorije se pogosto prekrivajo, zato lahko eno orodje hkrati ustreza več oznakam. Na primer, klepetalni robot je lahko ozko umetna inteligenca, pogovorna umetna inteligenca, generativna umetna inteligenca in umetna inteligenca z omejenim pomnilnikom.

Kako so vrste umetne inteligence razvrščene glede na zmogljivost?

Umetna inteligenca se po zmogljivostih običajno razvršča v ozko umetno inteligenco, splošno umetno inteligenco in super umetno inteligenco. Ozka umetna inteligenca obravnava specifične naloge in se danes pogosto uporablja. Splošna umetna inteligenca bi razmišljala in se učila pri številnih nalogah na človeški ravni, vendar ni del vsakodnevne uporabe. Super umetna inteligenca bi presegla človeško inteligenco in ostaja špekulativna.

Kakšna je razlika med ozko usmerjeno umetno inteligenco in splošno umetno inteligenco?

Ozka umetna inteligenca je zasnovana za določeno nalogo ali omejen nabor nalog, kot so filtriranje neželene pošte, priporočila, klepetalni roboti ali odkrivanje goljufij. Splošna umetna inteligenca bi se lahko učila, sklepala in prilagajala številnim nepovezanim nalogam. Večina umetne inteligence, ki jo ljudje danes uporabljajo, je ozka umetna inteligenca, tudi če se zdi prilagodljiva ali napredna.

Zakaj je umetna inteligenca z omejenim pomnilnikom danes tako pogosta?

Umetna inteligenca z omejenim pomnilnikom lahko uporablja pretekle ali nedavne podatke za izboljšanje odločitev, zaradi česar je praktična za številne nameščene sisteme. Priporočilni mehanizmi, orodja za odkrivanje goljufij, funkcije samovozečega vozila in klepetalni roboti se pogosto zanašajo na tovrstno umetno inteligenco. Nima zavesti, podobne človeški, vendar se lahko prilagaja na podlagi vzorcev in shranjenih informacij.

Kako se generativna umetna inteligenca ujema z vrstami umetne inteligence?

Generativna umetna inteligenca je vrsta umetne inteligence, ki ustvarja nove rezultate, kot so besedilo, slike, koda, zvok, video, povzetki ali oblikovalske ideje. Uči se vzorcev iz velikih količin podatkov in ustvarja vsebino na podlagi pozivov. Pomaga lahko pri pisanju osnutkov, možganski nevihti, podpori kodiranja in ustvarjalnem delu, vendar njeni rezultati še vedno zahtevajo človeški pregled.

Kakšna je razlika med strojnim učenjem in globokim učenjem?

Strojno učenje je veja umetne inteligence, kjer se sistemi učijo vzorcev iz podatkov namesto da bi sledili le ročno napisanim pravilom. Globoko učenje je specializirana oblika strojnega učenja, ki uporablja večplastne nevronske mreže. Globoko učenje je še posebej dragoceno za kompleksne naloge, kot so prepoznavanje govora, prepoznavanje slik, obdelava naravnega jezika, prevajanje, medicinsko slikanje in generativna umetna inteligenca.

Za kaj se v poslu uporablja napovedna umetna inteligenca?

Napovedna umetna inteligenca uporablja podatke za oceno verjetnih prihodnjih izidov. Podjetja jo lahko uporabljajo za načrtovanje povpraševanja, napovedovanje odhoda strank, odkrivanje goljufij, ocenjevanje tveganj, odločitve o zalogah ali napovedovanje vzdrževanja. Podpira načrtovanje in odločanje, vendar ne zagotavlja prihodnosti. Napovedi so ocene, ki jih oblikujejo razpoložljivi podatki in kakovost modela.

Kako deluje umetna inteligenca računalniškega vida v praktičnih sistemih?

Računalniški vid (UI) pomaga strojem pri interpretaciji vizualnih informacij iz slik, videoposnetkov, kamer, skeniranj ali senzorjev. Podpira lahko prepoznavanje obrazov, zaznavanje predmetov, inšpekcijske preglede tovarn, medicinsko slikanje, zaznavanje prometa, analizo maloprodaje, spremljanje kmetijstva in varnostne sisteme. Ne vidi kot človek, vendar lahko obdeluje slikovne pike, oblike, barve in vzorce v velikem obsegu.

Zakaj lahko en izdelek umetne inteligence spada v več vrst umetne inteligence?

Kategorije umetne inteligence pogosto opisujejo različne stvari, kot so zmogljivost, funkcionalnost, metoda učenja ali uporaba. Glasovni asistent je lahko na primer ozka umetna inteligenca po zmogljivosti, pogovorna umetna inteligenca po uporabi, umetna inteligenca z omejenim pomnilnikom po funkcionalnosti in umetna inteligenca z globokim učenjem po arhitekturi. To prekrivanje je normalno in pomaga razložiti, kaj sistem počne z različnih zornih kotov.

Katera tveganja bi morali ljudje razumeti pri različnih vrstah umetne inteligence?

Med pogosta tveganja umetne inteligence spadajo pristranskost, napačni izhodi, pomisleki glede zasebnosti, varnostne ranljivosti, pomanjkanje preglednosti, prevelika odvisnost in šibek človeški nadzor. Generativna umetna inteligenca lahko izmišljuje informacije, napovedna umetna inteligenca lahko okrepi slabe vzorce, računalniški vid pa lahko napačno prepozna predmete ali ljudi. Dobra uporaba umetne inteligence običajno zahteva testiranje, spremljanje, jasne meje, močne prakse ravnanja s podatki in človeški pregled.

Reference

1. IBM - Vrste umetne inteligence - ibm.com

2. Okvir NIST za upravljanje tveganj umetne inteligence - Tveganja umetne inteligence - nist.gov

3. Razvijalci Google - Strojno učenje - developers.google.com

4. AWS - Generativna umetna inteligenca - aws.amazon.com