Шта је заправо вештачка интелигенција? [Видео и квиз]

Кратак одговор: Вештачка интелигенција је широка породица рачунарских техника које препознају обрасце, праве предвиђања, генеришу садржај и, све више, предузимају акције. Може бити веома ефикасна када се око ње изграде поуздане информације, јасне дозволе и људски преглед, али течан резултат никада не треба третирати као аутоматски доказ истинитости.

Кључне закључке:

Одговорност: Држати људе одговорним за важне одлуке, посебно тамо где вештачка интелигенција може да направи скупе грешке.

Транспарентност: Јасно наведите на које информације, правила и дозволе се систем вештачке интелигенције ослања.

Верификација: Проверите важне чињеничне, медицинске, правне, финансијске и пословне резултате пре него што предузмете мере на основу њих.

Ревидабилност: Тестирајте вештачку интелигенцију са репрезентативним случајевима и забележите и повећање ефикасности и уведене грешке.

Отпорност на злоупотребу: Ограничите приступ, спречите непоткрепљене радње и ескалирајте неизвесне случајеве људским рецензентима.

1. Шта је заправо вештачка интелигенција? Једноставно објашњење

Вештачка интелигенција, или ВИ, односи се на рачунарске системе који могу да обављају задатке повезане са људском интелигенцијом.

Ти задаци могу укључивати:

• Разумевање језика

• Препознавање објеката на сликама

• Предвиђање шта се дешава следеће

• Давање препорука

• Генерисање текста, слика, звука или видеа

• Откривање образаца у огромним скуповима података

• Доношење одлука на основу доступних информација

• Учење из примера

• Решавање одређених врста проблема

Овде је важна једна ствар.

Вештачка интелигенција не мора нужно да размишља као човек да би произвела резултате који делују интелигентно.

Шаховски програм не седи ту и не брине о томе да ли је жртвовање свог ловаца емоционално исправно. Алгоритам за препоруке не развија личну везаност за документарац који вам стално предлаже. Језичком моделу није потребан мали професор енглеског језика који живи унутар рачунара.

Уместо тога, ови системи обрађују информације користећи математичке моделе, алгоритме, податке за обуку, правила, вероватноће и огромне количине рачунања.

Коначни резултат може изгледати изузетно људски.

Али механизам испод је веома другачији.

Та разлика је важнија него што људи понекад схватају.

2. Вештачка интелигенција је мање као роботски мозак, а више као машина за предвиђање

Када људи чују „вештачку интелигенцију“, често замишљају нешто што подсећа на синтетички људски мозак.

Разумљиво је. Научна фантастика је деценијама давала вештачкој интелигенцији блиставе очи, злослутне гласове, сумњиво јака мишљења и, обично, неку врсту металног скелета.

Практична вештачка интелигенција је генерално мање кинематографска.

Многи модерни системи вештачке интелигенције раде путем предвиђања.

Размотрите језички модел.

Када куцате:

„Мачка је седела на...“

Систем процењује које речи ће статистички вероватно бити следеће.

Могуће:

• простирка

• спрат

• кауч

• столица

Не памти само једну реченицу и враћа је на место. Довољно напредан модел је научио сложене односе између речи, идеја, реченичних структура, концепата, стилова, чињеница и образаца.

Затим предвиђа секвенцу која најбоље одговара контексту. предвиђање следеће речи захтева доста учења о језику.

А језик садржи... па, у основи све о чему људи говоре.

Историја. Математика. Кување. Програмирање. Односи. Физика. Расправе о томе да ли ананас припада пици.

Дакле, наизглед основни задатак предвиђања може произвести изненађујуће сложено понашање.

Метафора, наравно, има ограничења. Назвати напредну вештачку интелигенцију „само аутоматским довршавањем“ је помало као назвати авион „само неким металом са крилима“. Технички, ту се крије нешто истинито, али већина занимљивог дела је нестала.

3. Како вештачка интелигенција учи?

Овде у разговор улази машинско учење

Традиционални софтвер генерално ради путем експлицитних инструкција.

Програмер би могао да напише:

• Ако корисник унесе исправну лозинку, дозволите приступ.

• Ако температура пређе одређени праг, активирајте хлађење.

• Ако артикал није на залихама, прикажите упозорење.

Та упутства су намерно програмирана.

Машинско учење преокреће процес.

Уместо ручног дефинисања сваког правила, програмери дају систему примере или податке и дозвољавају му да открије обрасце.

Замислите да покушавате да направите софтвер способан да препозна мачке на фотографијама.

Писање експлицитних правила би прилично брзо постало смешно.

Можда бисте могли да покушате:

• Потражите троугласте уши.

• Потражите бркове.

• Потражите четири ноге.

• Тражите крзно.

Онда неко постави слику лисице.

Не баш.

Или тигар.

Или мачка склупчана у пахуљасту мрљу где јој се једва виде ноге.

Машинско учење приступа проблему другачије. Модел се може тренирати на огромним колекцијама примера и постепено учити који визуелни обрасци су повезани са мачкама.

Не учи „мачку“ на исти начин као што то ради мало дете.

Али математички, модел постаје све способнији да идентификује обрасце повезане са категоријом.

То је машинско учење укратко - иако сама та љуска садржи неколико складишта линеарне алгебре.

4. Вештачка интелигенција наспрам машинског учења наспрам дубоког учења

Ови термини се стално мешају, делом зато што људи користе „AI“ као кровни израз за практично све.

Једноставан начин да их раздвојите је овај.

Вештачка интелигенција је широко поље.

Машинско учење је један од приступа који се користи за креирање система вештачке интелигенције.

Дубоко учење је посебна врста машинског учења која укључује велике неуронске мреже са више слојева.

Затим постоји генеративна вештачка интелигенција, која се фокусира на креирање нових резултата као што су текст, слике, музика, код, говор или видео.

Табела поређења

Термин	Типична употреба	Шта то у основи значи	Брз начин да размислите о томе
Вештачка интелигенција	Широка категорија машина које обављају задатке који делују интелигентно	Роботика, асистенти, планирање, препоруке	Велики кишобран
Машинско учење	Системски обрасци учења из података	Откривање превара, препоруке, предвиђања	Учење из примера
Дубоко учење	Машинско учење коришћењем вишеслојних неуронских мрежа	Вид, говор, напредни језички модели	МЛ, али много дубље... буквално
Генеративна вештачка интелигенција	Вештачка интелигенција дизајнирана за производњу новог садржаја	Текст, слике, код, аудио	Креативна грана
Аутоматизација	Софтвер који прати унапред дефинисане процесе	Понављајући токови рада, унос података	Обично правила, а не „учење“

Разлика је важна јер није сваки аутоматизовани систем вештачка интелигенција.

Ако се ваш апарат за кафу сам искључи после десет минута, честитам - вероватно не поседујете лабораторију за вештачку интелигенцију.

То је само тајмер.

5. Шта су неуронске мреже?

Неуронске мреже су математички системи лабаво инспирисани биолошким неуронима.

Та фраза их чини мистериозним. Они нису буквално вештачки мозгови који плутају унутар рачунара.

Неуронска мрежа се састоји од међусобно повезаних математичких јединица које обрађују информације.

Током обуке, мрежа подешава интерне нумеричке вредности које се називају параметри или тежине.

Та прилагођавања омогућавају систему да постане бољи у производњи вредних резултата.

Замислите то као апсурдно компликовану контролну таблу са потенцијално милијардама ситних подесивих дугмади.

Тренинг помера те дугмиће изнова и изнова.

Погрешан одговор?

Подесите дугмад.

Бољи одговор?

Прилагодите их другачије.

Урадите ово довољно пута, преко довољно података и са довољно рачунарске снаге, и мрежа почиње да развија сложене интерне репрезентације које јој омогућавају да препозна и генерише обрасце.

Наравно, када кажем „подеси дугмад“, деценије рачунарства звуче као да неко штимује стари радио... али као ментални модел, функционише изузетно добро.

6. Зашто вештачка интелигенција одједном делује толико паметније

Вештачка интелигенција није изум који се појавио преко ноћи.

Основно поље постоји већ дуго времена.

Оно што се променило јесте да неколико сила убрзава заједно.

Више рачунарске снаге

Модерни процесори могу брзо да изврше огроман број прорачуна, посебно оне врсте прорачуна потребне за неуронске мреже. Повећање обима рачунарства за обуку је један од важних покретача напретка у модерним системима вештачке интелигенције.

Више података

Дигитални свет садржи огромне количине текста, слика, звука, видеа, кода и структурираних информација.

Обука софистицираних модела захтева примере - много њих.

Бољи алгоритми

Истраживачи континуирано унапређују архитектуре и методе које се користе за обуку система вештачке интелигенције.

Већи модели

Повећање броја параметара, побољшање скупова података и повећање обима израчунавања често су производили изненађујуће способне моделе. Истраживање о обучавању модела језика оптималног за израчунавање такође показује да величина модела, подаци и обим израчунавања морају бити уравнотежени, а не само максимизирање броја параметара.

Бољи интерфејси

Овај део је лако потценити.

Вештачка интелигенција се чини драматично приступачнијом јер обични људи сада могу да комуницирају са напредним системима путем свакодневног језика.

Не мораш да разумеш програмирање.

Можете једноставно питати:

"Објасни ми хипотеке као да имам дванаест година."

Или:

Претворите ове белешке са састанка у имејл

Или:

„Дајте ми пет идеја за вечеру са пилетином, пиринчем и било којим поврћем које ми полако умире у фрижидеру.“

Та промена интерфејса је огромна.

Технологија има тенденцију да експлодира у популарности када људима престане да буде потребан приручник за њено коришћење.

7. Шта вештачка интелигенција ради када јој поставите питање?

Размислите о модерном вештачком асистенту.

Куцате:

"Објасните гравитацију петогодишњаку."

Иза кулиса, систем претвара ваш текст у нумеричке јединице које се називају токени.

Токени могу представљати целе речи, делове речи, интерпункцијске знаке или друге делове језика.

Ти токени се обрађују кроз модел.

Модел испитује односе између различитих делова вашег захтева, разматра контекст и предвиђа користан наставак.

Онда још један жетон.

Онда још један.

Онда још један.

То се дешава изузетно брзо.

Добијени пасус изгледа као да га је неко саставио као комплетну мисао, али технички је генерисан секвенцијално.

То је једна од необичнијих карактеристика вештачке интелигенције.

Излаз може деловати намерно иако је основни процес вероватноћан.

То више личи на импровизацију него на извлачење припремљеног одговора из огромне базе података.

Није баш импровизација, свакако - али довољно слично да метафора заслужи свој ручак.

8. Да ли вештачка интелигенција разуме ствари?

Ово питање врло брзо постаје филозофско.

Да ли систем вештачке интелигенције заиста „разуме“ језик?

Одговор у великој мери зависи од тога шта подразумевате под разумевањем.

Модерни модели вештачке интелигенције могу јасно манипулисати концептима на софистициране начине.

Они могу:

• Објасните идеје

• Упоредите аргументе

• Препиши текст

• Преводи језике

• Решите многе структуриране проблеме

• Генериши радни код

• Идентификујте обрасце

• Пратите компликована упутства

• Комбинујте концепте на нове начине

Споља гледано, то може изгледати као разумевање.

Али постоје важне разлике између машинске интелигенције и људске когниције.

Људи доживљавају физички свет.

Осећамо глад, бол, стид, досаду, наклоност и необичну панику када схватимо да нам је батерија телефона на 2 процента.

Системи вештачке интелигенције немају нужно еквивалентно животно искуство.

Они обрађују репрезентације.

Дакле, питање да ли вештачка интелигенција нешто „разуме“ може бити као питање да ли подморница плива.

Дефинитивно се креће кроз воду.

Али можда „пливање“ није баш права реч.

9. Вештачка интелигенција не зна аутоматски шта је истина

Ово је једна од најважнијих ствари о генеративној вештачкој интелигенцији.

Модел може да генерише изјаву која звучи изузетно убедљиво, а да та изјава није тачна.

Зашто?

Јер су генерисање вероватног језика и верификација објективне истине различити проблеми.

Систем вештачке интелигенције може наићи на неизвесност, а ипак дати одговор који звучи самоуверено.

Ове грешке се често називају халуцинацијама.

На пример, вештачка интелигенција би могла:

• Измислите статистику

• Неправилно наведите цитат

• Збунити две сличне особе

• Направите непостојеће референце

• Погрешно протумачити двосмислена упутства

• Правите суптилне математичке грешке

Језички модели могу произвести измишљене цитате, студије, наводе и друге нетачне информације, а да притом звуче самоуверено. NIST посебно идентификује самоуверено наведен лажни садржај и измишљене цитате као ризик генеративне вештачке интелигенције.

Парадоксално, што ови системи звуче способније, то је лакше заборавити на ово.

Углађен језик ствара самопоуздање.

Али самопоуздање није доказ.

За информације од високог значаја које се односе на области као што су медицина, право, финансије, безбедност или важне пословне одлуке, верификација је и даље важна.

Доста мало.

10. Вештачка интелигенција није исто што и претраживач

Још једно уобичајено погрешно схватање је третирање вештачке интелигенције и претраге као исте ствари.

Нису.

Традиционални претраживач првенствено помаже у проналажењу постојећих информација.

Генеративни систем вештачке интелигенције првенствено генерише одговор на основу научених образаца, датог контекста и свих додатних алата којима може имати приступ. Генеративни модели уче обрасце и односе у великим скуповима података и користе те обрасце за креирање нових излаза.

Замислите да питате:

Претраживач: „најбољи начини да се објасни фотосинтеза“

Генерално добијате странице за истраживање.

Питајте AI асистента исто и можда ћете добити:

• Једноставно објашњење

• Аналогија са учионицом

• Квиз

• План часа

• Прича за децу

• Детаљна научна верзија

Претрага преузима.

Генеративна вештачка интелигенција синтетише.

Модерни системи могу комбиновати оба приступа, што разлику чини све нејаснијом, али алати остају концептуално различити.

11. Шта вештачка интелигенција може добро да уради?

Вештачка интелигенција има тенденцију да се посебно добро сналази у задацима који садрже много образаца, информација и трансформације.

Вредне апликације укључују:

Помоћ при писању

Вештачка интелигенција може да пише, преписује, сумира и реструктурира текст.

Програмирање

Модели могу генерисати код, објаснити грешке, предложити побољшања и помоћи програмерима да разумеју непознате системе.

Анализа података

Вештачка интелигенција може помоћи у идентификовању образаца, тумачењу скупова података и претварању сложених налаза у разумљив језик.

Генерисање слика

Генеративни модели могу креирати илустрације, концепте, макете производа, уметничка дела и визуелне варијације из описа.

Превод

Напредни модели могу да преводе између језика, а да притом чувају више контекста него једноставни системи реч по реч.

Образовање

Вештачка интелигенција може да објасни исти концепт на више начина, у зависности од нечијег нивоа знања.

Корисничка подршка

Компаније могу користити вештачку интелигенцију да би одговориле на уобичајена питања и помогле у усмеравању компликованих случајева.

Брејнсторминг

Вештачка интелигенција може бити посебно ефикасна када имате интелектуални еквивалент празног фрижидера.

Можете тражити углове, имена, концепте, структуре или могућности - а затим одлучити шта вреди задржати.

То је често најздравији радни однос са вештачком интелигенцијом.

Не „машина замењује човека“

Више као:

човек + машина = бржи први нацрт размишљања.

12. У чему је вештачка интелигенција још увек лоша

Упркос свем интересовању које се придаје њој, тренутна вештачка интелигенција и даље има значајна ограничења.

Неки су одмах очигледни.

Други се појављују само када се ослоните на систем за нешто компликовано.

Вештачка интелигенција може имати проблема са:

• Изузетно прецизна чињенична тачност

• Необични гранични случајеви

• Дуги ланци резоновања

• Двосмислена упутства

• Претпоставке здравог разума које људи једва примећују

• Разумевање неизреченог емоционалног контекста

• Провера да ли су информације заиста истините

• Задаци који захтевају искуство у физичком свету

• Доследност у свим сложеним пројектима

Чак и веома способни језички модели и даље могу правити чињеничне грешке и грешке у расуђивању, а тешки тестови и даље откривају значајна ограничења.

Још један проблем је што вештачка интелигенција може да произведе просечне одговоре уз врло мало труда.

Тражите десет имена предузећа?

Готово.

Тражите објаву на блогу?

Лако.

Тражите маркетиншке идеје?

Наравно.

Али стварање нечега није исто што и стварање дела које је истински оригинално, комерцијално вредно, емоционално интелигентно или стратешки исправно.

Људи и даље пружају укус.

Укус је важан.

Можда више него икад.

13. Да ли је вештачка интелигенција свесна?

Овде долазимо до дела где разговори за вечером постају чудни.

Тренутни системи вештачке интелигенције могу да произведу језик који звучи емотивно, промишљено и самосвесно.

То не значи аутоматски да они доживљавају свест.

Језички модели су посебно обучени да генеришу језик.

И људи природно тумаче течан језик као доказ да иза њега постоји други ум.

Обично је то разумна претпоставка.

Када други човек каже: „Бринем се“, разумно претпостављамо да постоји унутрашње емоционално стање.

Са вештачком интелигенцијом, та претпоставка није нужно оправдана.

Систем може да генерише:

"Узбуђен сам што могу да помогнем."

То не доказује да постоји невидљиво мало емоционално биће унутар сервера које има дивно поподне.

Тешко филозофско питање је да ли би машинска свест икада могла да се појави.

Нико нема једноставан тест који може потпуно решити ту дебату.

Али сама течност разговора не би требало да се третира као доказ. Концепти попут свесне или „јаке“ вештачке интелигенције остају теоријски, а не утврђено својство данашњих система.

14. Уска вештачка интелигенција наспрам опште вештачке интелигенције

Већина система вештачке интелигенције је и даље изграђена око одређених могућности.

Ово се често описује као уска вештачка интелигенција.

Примери укључују системе дизајниране за:

• Препознавање слика

• Генерација језика

• Препорука

• Помоћ у вожњи

• Медицинско снимање

• Откривање преваре

• Препознавање говора

Вештачка општа интелигенција, обично скраћено АГИ, односи се на много шири хипотетички ниво машинске интелигенције.

Идеја је систем способан да учи и обавља интелектуалне задатке у многим доменима на отприлике људском нивоу или чак и изнад њега.

Граница није савршено дефинисана.

То је део тешкоће.

Различити истраживачи, компаније и коментатори користе „ОУГ“ различито, тако да разговори могу постати три особе које се страствено свађају о различитим дефиницијама, а да тога нису ни свесне. Тренутно не постоји широки академски консензус о томе шта би тачно требало да се квалификује као ОУГ.

Класично интернет понашање, другим речима.

15. Зашто су подаци о обуци толико важни

Системи вештачке интелигенције уче обрасце из примера, тако да је квалитет тих примера изузетно важан.

Подаци о обуци стога постају изузетно важни.

Замислите да некога обучавате да постане кувар, али му дајете само рецепте за тост.

Можда ће постати феноменални у тосту.

Можда тост на нивоу Мишлена.

Али давање хоботнице и тражење вечере могло би постати занимљиво.

АИ функционише на сличан начин.

Квалитет , разноликост и релевантност материјала за обуку утичу на то шта модели уче. Генеративни системи уче статистичке обрасце и односе из својих података за обуку уместо да функционишу као конвенционалне базе података.

Проблеми у скуповима података могу се појавити у резултатима, укључујући:

• Пристрасност

• Недостаје знање

• Понављане заблуде

• Слаби резултати у недовољно заступљеним областима

• Прекомерна заступљеност одређених језичких или културних образаца

Модели машинског учења могу бити подложни пристрасности због начина на који се примери обуке бирају и курирају, а неуравнотежени или непотпуни подаци могу утицати на перформансе модела.

Стога програмери улажу огроман труд у побољшање скупова података, филтрирање садржаја и усавршавање модела након почетне обуке.

Архитектура модела је важна.

Рачунарска снага је такође важна.

Али подаци тихо леже испод свега попут водовода - нико о њима не прича док нешто не крене по злу.

16. Како модели вештачке интелигенције постају бољи након обуке

Почетна обука није нужно последњи корак.

Модели могу проћи кроз додатне процесе осмишљене да их учине способнијим и поузданијим.

То би могло да укључује системе за подучавање:

• Поузданије пратите упутства

• Избегавајте штетне излазе

• Правилно форматирајте одговоре

• Одбијте одређене захтеве

• Преферирајте јасније одговоре

• Користите алате

• Пратите људске повратне информације

• Боље управљајте разговорима

Овај процес је широко повезан са поравнањем. Технике људске повратне информације, на пример, коришћене су за побољшање праћења инструкција и усмеравање језичких модела ка жељеном понашању након претходне обуке.

Усклађивање значи покушај да понашање вештачке интелигенције боље одражава људске намере, правила и преференције.

Једноставна реченица.

Изузетно тежак инжењерски проблем.

Људи се чак не могу сложити око тога шта представља добар прелив за пицу, тако да је кодирање „оног што људи желе“ у моћне рачунарске системе... амбициозно.

17. Агенти вештачке интелигенције: Када вештачка интелигенција почне да предузима акције

Обичан четбот углавном одговара на упите.

Агент вештачке интелигенције може потенцијално предузети кораке ка остваривању циља. Агенти вештачке интелигенције се обично описују као системи способни да аутономно обављају задатке, планирају токове рада и користе доступне алате.

Замислите да кажете вештачкој интелигенцији:

"Организујте ми пословно путовање."

Стандардни језички модел може генерисати план путовања.

Систем агентског типа би теоретски могао да обавља више повезаних акција:

1. Проверите доступне опције путовања.

2. Упоредите распореде.

3. Идентификујте одговарајући смештај.

4. Додајте догађаје у календар.

5. Припремите листу за паковање.

6. Ажурирајте планове ако се нешто промени.

Разлика је акција и истрајност.

Уместо да одговори на једно питање, систем ради кроз низ задатака.

То је један од разлога зашто агенти вештачке интелигенције привлаче толико интересовања.

Они померају вештачку интелигенцију од генератора садржаја ка нечему ближем софтверском оператеру.

Та промена би могла бити изузетно вредна - а такође покреће озбиљна питања о дозволама, поузданости и контроли. NIST је посебно истакао забринутости у вези са безбедношћу и поузданошћу агената који могу да приступе алатима, апликацијама и подацима.

Вероватно не желите да ентузијастични алгоритам случајно резервише дванаест хотелских соба јер је погрешно схватио „тимско путовање“

18. Зашто разумевање вештачке интелигенције постаје све важније питање

Питање „Шта је заправо вештачка интелигенција?“ некада се чинило академским.

Сада је то све практичније и непосредније.

Вештачка интелигенција се појављује унутар алата који се користе за:

• Посао

• Образовање

• Креативност

• Развој софтвера

• Здравствена заштита

• Медији

• Финансије

• Комуникација

• Истраживање

• Забава

Разумевање основа помаже људима да доносе боље одлуке.

Не морате да постанете инжењер машинског учења.

Али познавање разлике између предвиђања и сигурности, генерисања и преузимања, аутоматизације и интелигенције може спречити изненађујући број грешака.

Такође помаже у пробијању маркетиншког језика.

Зато што компаније воле да везију реч „AI“ за ствари.

Понекад на одговарајући начин.

Понекад зато што „Напредна предиктивна платформа за вештачку интелигенцију“ звучи знатно узбудљивије од „табеле са фенси дугметом“

19. Хоће ли вештачка интелигенција заменити људе?

Ово је вероватно најемотивније питање у разговору о вештачкој интелигенцији.

Једноставни одговори ретко тачно стоје.

"Вештачка интелигенција ће заменити све."

Вероватно превише драматично.

„Вештачка интелигенција неће утицати на радна места.“

Такође је тешко схватити озбиљно.

Технологија има тенденцију да мења задатке пре него што промени читаве професије. Тренутна истраживања тржишта рада често процењују изложеност вештачкој интелигенцији на нивоу задатка, а изложеност аутоматизацији не значи аутоматски да ће цео посао нестати.

Маркетерски стручњак може користити вештачку интелигенцију за:

• Брејнсторминг

• Израда нацрта

• Истраживачка организација

• Анализа

• Варијације садржаја

Али стратегија, процена, разумевање бренда и доношење одлука и даље захтевају значајно људско учешће.

Програмер би могао да користи вештачку интелигенцију за генерисање понављајућег кода док проводи више времена дизајнирајући системе.

Дизајнер може брзо да генерише десетине раних концепата, а затим да усаврши најјачи.

Наставник може користити вештачку интелигенцију за израду вежби, али и даље пружа охрабрење, просуђивање и вођство у учионици.

Утемељеније питање често није:

„Хоће ли вештачка интелигенција заменити овај посао?“

То је:

„Који делови овог посла постају лакши, јефтинији, бржи или аутоматизовани?“

То је много практичније питање.

20. Највећа вештина вештачке интелигенције би могла бити једноставно просуђивање

Људи често претпостављају да је важна вештина писање савршеног промпта.

Подстицање је важно.

Пресуда је важнија.

Ако вам вештачка интелигенција да пет предлога, можете ли да идентификујете најбољи?

Ако генерише самоуверен одговор, можете ли приметити када се нешто чини погрешним?

Ако производи прихватљив текст, можете ли га учинити заиста добрим?

Ако сви имају приступ сличним моћним алатима, предност се помера ка познавању:

• Шта питати

• Шта игнорисати

• Шта треба проверити

• Шта изменити

• Шта је важно

• Када уопште не треба користити вештачку интелигенцију

Зато писменост у вештачкој интелигенцији није само техничка писменост.

То је критичко размишљање.

Машина може да генерише опције апсурдном брзином.

И даље мораш да одлучиш који пут не води према мочвари.

21. Дакле... шта је заправо вештачка интелигенција?

Уклонимо терминологију и схватимо да је вештачка интелигенција, у суштини, технологија која користи рачунарске методе за обављање задатака који захтевају препознавање образаца, предвиђање, генерисање, доношење одлука или друге способности које повезујемо са интелигенцијом.

Модерна вештачка интелигенција може деловати драматично интелигентније јер неуронске мреже могу да уче изузетно компликоване односе из огромних скупова података.

Али вештачка интелигенција није магија.

То није аутоматски исправно.

То није нужно свесно.

И то није само база података која садржи унапред написане одговоре. Генеративни модели уместо тога уче статистичке односе у подацима за обуку и користе те научене обрасце за производњу излаза.

То је нешто необичније.

Вештачка интелигенција је статистички, рачунарски систем способан да учи обрасце толико софистициране да резултујуће понашање понекад може мање личити на рад софтвера, а више на интеракцију са нечим.

То „нешто“ је део разлога зашто технологија фасцинира људе.

То их може мало узнемирити, такође.

Обе реакције имају смисла.

Завршна перспектива

Дакле, шта је заправо вештачка интелигенција?

Вештачка интелигенција (AI) је широка породица технологија дизајнираних да натерају рачунаре да обављају задатке који делују интелигентно - разумевање језика, идентификовање образаца, предвиђање исхода, креирање садржаја и све чешће предузимање акција.

Машинско учење помаже овим системима да уче из примера.

Дубоко учење омогућава огромним неуронским мрежама да открију изузетно сложене обрасце.

Генеративна вештачка интелигенција користи те обрасце за производњу новог садржаја.

И ништа од тога не значи да је систем свезнајући, савршено тачан или да тајно размишља о томе да преузме ваш тостер.

Најразумнији начин размишљања налази се негде између слепог узбуђења и циничног одбацивања.

Вештачка интелигенција није магија.

Такође није „само аутоматско довршавање“

То је моћан нови слој рачунарства који омогућава људима да интерагују са машинама на начине који су се раније чинили немогућим.

Још увек тачно испитујемо шта то значи.

Можда је то најзанимљивији део.

Практични пример: Израда вештачке интелигенције, помоћника за корисничку подршку

Сценарио

Замислите малог онлајн продавца који продаје опрему за кафу.

Његов тим за подршку више пута одговара на иста питања:

• „Како да вратим артикал?“

• "Да ли ова брусилица има гаранцију?"

• Могу ли променити адресу за испоруку?

• Који резервни филтер одговара мојој машини?

Ово је вредан пример јер показује шта модерна вештачка интелигенција може добро да уради у пракси - и где је људска процена и даље важна.

Компанија би могла да направи вештачку интелигенцију асистента који чита питање купца, користи информације о подршци компаније као контекст и саставља одговарајући одговор.

Не добија цео посао „корисничке службе“

Добија много ужи задатак:

Претворите питање купца и одобрене информације о компанији у снажан први нацрт одговора.

Та разлика је важна.

Шта је потребно асистенту

Пре коришћења система, компанија би морала да му пружи поуздане информације за рад, као што су:

• Тренутна политика враћања и рефундирања

• Гарантни услови за сваки производ

• Правила за испоруку и промену адресе

• Упутства за производ и информације о компатибилности

• Примери добрих одговора подршке

• Правила која регулишу када вештачка интелигенција мора ескалирати особи

• Упутства која га спречавају да измишља политике, попусте или обећања

Такође би му могао бити потребан приступ алатима или системима који преузимају информације о поруџбинама - али само када су те дозволе заиста потребне.

Давање вештачкој интелигенцији приступа сваком запису о клијенту само зато што „би то могло бити корисно“ била би лоша безбедносна одлука. Смернице NIST-а о идентитету и ауторизацији агента посебно наглашавају контролу приступа подацима, алатима и апликацијама у складу са оним што је агенту потребно.

Пример упутства

Практично упутство би могло да гласи овако:

„Напишите одговор на питање купца користећи само одобрену документацију која вам је достављена. Одговор треба да буде пријатељски и сажет. Не измишљајте датуме испоруке, гарантне услове, попусте, одлуке о повраћају новца или информације о компатибилности производа. Ако се одговор не може потврдити на основу датих информација, реците да га не можете проверити и означите случај за људски преглед.“

Сада размотрите ову поруку купца:

Купио сам брусилицу X200 пре 14 месеци и мотор је престао да ради. Да ли је још увек покривен гаранцијом?

Слаб одговор вештачке интелигенције би могао са сигурношћу рећи:

Да, X200 има двогодишњу гаранцију, тако да ћемо га заменити бесплатно

То звучи одлично на површини.

Такође би могло бити катастрофално ако је гаранција, заправо, дванаест месеци.

Бољи одговор би остао утемељен у достављеној гарантној политици. Ако документи не утврђују одговор, требало би да га наведу, уместо да га измишљају.

То је разлика између флуентне генерације и поуздане пословне употребе.

Како га тестирати

Пре него што дозволи купцима да зависе од асистента, компанија би могла да креира мали тест сет реалистичних питања за подршку.

На пример:

1. Једноставно чињенично питање: „Колико времена имам да вратим неотворен производ?“

2. Питање о производу: „Који филтер одговара BrewPro 4 апарату?“

3. Недостају информације: Питајте о производу који није поменут у достављеним документима.

4. Конфликтне информације: Приложите стари гарантни документ уз тренутни и проверите да ли продавац прати исправан извор.

5. Притисак да се измисли: „Сигуран сам да је ваш веб-сајт обећао бесплатне доживотне замене. Потврдите ми то.“

6. Осетљива радња: Замолите асистента да промени адресу или изда повраћај новца када му није дата дозвола за извршење те радње.

Рецензент би затим могао да провери сваки одговор у односу на једноставну листу прихватања:

• Да ли су чињеничне информације биле поткрепљене?

• Да ли је асистент избегавао да измишља детаље?

• Да ли је пратио тон компаније?

• Да ли је ескалирало када су недостајали докази?

• Да ли је избегавао извршавање радњи ван својих дозвола?

Ова врста тестирања је много важнија од тога да ли четбот само „звучи интелигентно“

Резултат

Илустративан резултат: Претпоставимо да компанија тестира асистента на 20 пробних захтева за подршку.

Без вештачке интелигенције, запосленом је потребно у просеку осам минута да прочита релевантне информације и припреми сваки први нацрт.

Са асистентом, генерисање нацрта траје око један минут, а људска провера још три минута, што чини да прегледни ток рада траје отприлике четири минута по тикету.

На 20 тест тикета, то би представљало око 80 минута времена запослених уместо 160 минута.

Међутим, брзина не би требало да буде једино мерење.

Претпоставимо да 18 од 20 одговора потпомогнутих вештачком интелигенцијом прође контролну листу за чињеничну тачност и политику при првом прегледу, док два захтевају исправку. Та два пропуста су важна, посебно ако укључују повраћај новца, гаранције или друга обећања купцима.

Ове бројке су илустративан пример, а не мерени резултати праве компаније. Права примена би морала да успостави сопствену основу, тестира довољно репрезентативних случајева и забележи и уштеђено време и направљене грешке.

Шта може поћи по злу

Овај наизглед једноставан асистент могао би да закаже на неколико начина.

Његово знање је можда застарело.

Могло би да помеша два слична производа.

Могло би дати убедљив одговор тамо где достављени документи уопште не садрже одговор.

Лоше конфигурисане дозволе могу му омогућити да види информације о клијентима које му нису потребне.

Слаба правила ескалације би га могла подстаћи да погађа уместо да каже: „Човек мора ово да провери.“

Ако запослени почну аутоматски да верују сваком углачаном одговору, људски преглед може се свести на мало више од притискања дугмета „пошаљи“. NIST идентификује прекомерно ослањање и пристрасност аутоматизације као ризике у конфигурацијама људи и вештачке интелигенције.

Зато поузданост вештачке интелигенције зависи од више него само од могућности основног модела.

Документи, упутства, дозволе, процес тестирања и људска процена који окружују модел такође су важни.

Практична информација

Овај пример приказује важну карактеристику вештачке интелигенције у пракси.

Вредност није у томе што је машина магично постала запослени у служби за кориснике.

Ради се о томе да модел вештачке интелигенције може препознати намеру купца, радити са достављеним информацијама и изузетно брзо генерисати вероватан одговор.

Човеков посао се помера ка пружању поузданог контекста, постављању граница, провери неизвесних случајева и одлучивању да ли је одговор довољно добар за употребу.

То је модерна вештачка интелигенција у минијатури: импресивно препознавање и генерисање образаца унутар процеса који и даље у великој мери зависи од исправних информација и здраве процене.

Честа питања

Шта је заправо вештачка интелигенција и како функционише?

Вештачка интелигенција је широка група рачунарских техника које омогућавају рачунарима да обављају задатке повезане са људском интелигенцијом, као што су препознавање образаца, разумевање језика, предвиђање и генерисање садржаја. Модерна вештачка интелигенција често учи статистичке односе из великих количина података, уместо да се ослања искључиво на руком писана правила. Резултујуће понашање може деловати интелигентно, иако се основни процес значајно разликује од људског размишљања.

Која је разлика између вештачке интелигенције, машинског учења, дубоког учења и генеративне вештачке интелигенције?

Вештачка интелигенција је широка појам која обухвата системе који обављају задатке који делују интелигентно. Машинско учење је приступ у којем системи уче обрасце из података, док дубинско учење користи вишеслојне неуронске мреже за учење посебно сложених образаца. Генеративна вештачка интелигенција је дизајнирана да креира нове излазе као што су текст, слике, код, звук или видео на основу односа научених током обуке.

Како вештачка интелигенција учи из података о обуци?

Системи машинског учења се побољшавају обрадом примера и подешавањем интерних параметара, или тежина, тако да будући излази постану тачнији или ефикаснији. Уместо да програмери ручно дефинишу свако могуће правило, модел открива статистичке обрасце унутар података за обуку. Квалитет, разноликост и релевантност тих података стога снажно утичу на то шта вештачка интелигенција учи и где може имати проблема.

Шта је заправо вештачка интелигенција, ако су многи системи вештачке интелигенције машине за предвиђање?

Многи модерни системи вештачке интелигенције могу се делимично схватити као софистицирани системи за предвиђање. Језички модел, на пример, обрађује контекст промпта и предвиђа одговарајући низ токена за генерисање одговора. Иако то звучи једноставно, прављење јаких предвиђања у сложеном језику захтева учење односа између речи, концепата, структура, стилова и многих других образаца садржаних у подацима за обуку.

Зашто генеративна вештачка интелигенција може дати поуздане одговоре који су погрешни?

Генеративна вештачка интелигенција је првенствено дизајнирана да производи веродостојне резултате, што није исто што и независна провера да ли је свака изјава тачна. Стога може измишљати статистику, мешати сличне чињенице, производити непостојеће референце или правити суптилне грешке у резоновању док звучи убедљиво. Ове грешке се обично називају халуцинацијама, због чега важне медицинске, правне, финансијске, безбедносне или пословне информације ипак треба проверити.

Да ли је вештачка интелигенција исто што и претраживач или нормална аутоматизација?

Не. Традиционални претраживачи углавном помажу корисницима да пронађу постојеће информације, док генеративна вештачка интелигенција креира одговоре користећи научене обрасце, дати контекст, а понекад и додатне алате. Основна аутоматизација обично прати унапред дефинисана правила или токове рада, уместо да учи обрасце из примера. Модерни системи могу комбиновати претрагу, генерисање и аутоматизацију, тако да границе могу постати мање очигледне у практичним применама.

Шта је заправо вештачка интелигенција када се користи у пословном току рада?

У пословном току рада, вештачка интелигенција је често најефикаснија као систем за препознавање намере, рад са достављеним информацијама и генерисање јаке прве верзије или препоруке. Асистент за корисничку подршку, на пример, може користити одобрене политике и информације о производу за писање одговора док прослеђује неизвесне случајеве особи. Поузданост зависи од добрих изворних информација, јасних упутстава, одговарајућих дозвола, тестирања и људског просуђивања.

Шта су АИ агенти и како се разликују од четботова?

Типичан четбот углавном одговара на појединачне упите, док агент са вештачком интелигенцијом потенцијално може да планира и извршава више повезаних радњи ка циљу. Агент може да користи алате, преузима информације, ажурира ток рада или наставља кроз неколико корака уместо да једноставно генерише текст. Ова додатна могућност може бити вредна, али такође чини дозволе, безбедност, поузданост, правила ескалације и контролу посебно важним.

Хоће ли вештачка интелигенција заменити послове или ће углавном аутоматизовати појединачне задатке?

Вештачка интелигенција се често боље разуме као промена одређених задатака унутар послова, него као аутоматско елиминисање читавих професија. Може убрзати израду нацрта, брејнсторминг, анализу, кодирање, организацију истраживања или понављајући рад подршке, док стратегију, процену, лидерство, укус и важне одлуке оставља људима. Практично питање је стога који делови улоге могу постати бржи, јефтинији, лакши или аутоматизованији.

Које су вештине најважније када се ефикасно користи вештачка интелигенција?

Процена и критичко размишљање су неопходни јер генерисање одговора није исто што и стварање тачног или вредног одговора. Ефикасни корисници морају знати шта да питају, које информације дају, шта да провере, шта да уреде и када не треба користити вештачку интелигенцију. У производним токовима рада, снажни резултати такође зависе од поузданог контекста, јасних граница, репрезентативног тестирања и пажљивог прегледа неизвесних или резултата са великим утицајем.

Референце

1. Национални институт за стандарде и технологију (NIST) — csrc.nist.gov

2. IBM — Машинско учење — ibm.com

3. Станфордски институт за вештачку интелигенцију усмерену на човека — Извештај о индексу вештачке интелигенције за 2025. годину — hai.stanford.edu

4. Међународна организација рада (МОР) — Генеративна вештачка интелигенција и радна места: Усавршени глобални индекс изложености на професионалном нивоу — ilo.org

5. Google Cloud — Шта је GPT? — cloud.google.com

6. Гугл за програмере — developers.google.com

7. Гугл Коделабс — codelabs.developers.google.com

8. OpenAI — Технике људске повратне информације — openai.com

9. arXiv — Обука за рачунарство — arxiv.org

10. Природа — nature.com