Које су врсте вештачке интелигенције? [Видео и квиз]

Кратак одговор: Типови вештачке интелигенције се најбоље разумеју по могућностима, функционалности, стилу обуке и случају употребе. Уска вештачка интелигенција је данас уобичајена, док општа вештачка интелигенција и супер вештачка интелигенција остају теоретске. Приликом избора алата, ускладите категорију са задатком, укљученим ризицима и потребом за људским прегледом.

Кључне закључке:

Класификација: Одвојите могућности, функционалност, метод обуке и случај употребе пре упоређивања система.

Људски преглед: Проверите генеративне, предиктивне и конверзацијске резултате пре него што се на њих ослоните.

Транспарентност: Питајте који подаци, логика и ограничења обликују сваки систем вештачке интелигенције.

Одговорност: Држати људе одговорним када вештачка интелигенција утиче на одлуке, кориснике или безбедност.

Контрола ризика: Тестирајте на пристрасност, приватност, безбедност и злоупотребу пре примене.

---

1. Које су врсте вештачке интелигенције?

Када људи питају: „Које су врсте вештачке интелигенције?“, обично мисле на једну од две ствари:

Можда питају о вештачкој интелигенцији на основу способности, као што је да ли може да обави само један задатак или да размишља у ширем смислу, на људски начин.

Или можда питају о вештачкој интелигенцији на основу функционалности, што значи како се систем понаша, учи, памти, предвиђа или реагује.

Ту се ствари мало заплићу. Вештачка интелигенција није груписана у једну чисту кутију. То је више као сортирање кухињског алата по величини, намени, оштрини и томе да ли га је ваш ујак купио у сумњивој онлајн продавници. Различити системи класификације се преклапају.

Главне категорије обично укључују:

• Уска вештачка интелигенција

• Општа вештачка интелигенција

• Супер вештачка интелигенција

• Реактивне машине

• Вештачка интелигенција са ограниченом меморијом

• Теорија ума вештачка интелигенција

• Самосвесна вештачка интелигенција

• Машинско учење вештачке интелигенције

• Дубоко учење вештачке интелигенције

• Генеративна вештачка интелигенција

• Предиктивна вештачка интелигенција

• Конверзациона вештачка интелигенција

• Вештачка интелигенција са рачунарским видом

• Роботика вештачка интелигенција

Неки од њих се широко користе. Неки су још увек углавном теоретски. Неки звуче футуристички, али су већ уграђени у свакодневне апликације. Граница између „нормалног софтвера“ и „вештачке интелигенције“ је такође временом постала све нејаснија.

---

2. Врсте вештачке интелигенције по могућностима

Први главни начин класификације вештачке интелигенције је по томе шта може да уради. Ово је поглед на ширу слику 🧠.

Уска вештачка интелигенција

Уска вештачка интелигенција, такође названа слаба вештачка интелигенција, дизајнирана је за обављање одређеног задатка или ограниченог скупа задатака. Ово је вештачка интелигенција коју људи користе свакодневно.

Примери укључују:

• Претрага препорука

• Филтери за нежељену пошту

• Гласовни асистенти

• Системи за препознавање лица

• Четботови

• Механизми за препоруке производа

• Алати за откривање превара

• Апликације за превођење језика

Уска вештачка интелигенција може бити моћна, али не „мисли“ у ширем људском смислу. Шаховска вештачка интелигенција може победити велемајстора, али не може изненада одлучити да постане посластичар. Модел превода може превести пасус, али не доживљава језик као особа.

Ипак, уско ограничена вештачка интелигенција је радна снага модерног света вештачке интелигенције. Није гламурозна на научнофантастични начин, али води велики део представе иза завесе 🎭.

Општа вештачка интелигенција

Општа вештачка интелигенција се односи на вештачку интелигенцију која може да разуме, учи, расуђује и примењује знање у многим различитим задацима на људском нивоу.

Једноставно речено: не би само једну ствар радио добро. Могао би се прилагодити.

Права општа вештачка интелигенција би потенцијално могла:

• Учите непознате задатке

• Разлози у различитим предметима

• Решите нове проблеме

• Пренос знања из једне области у другу

• Дубље разумевање контекста

• Доносите одлуке флексибилним просуђивањем

Ова врста вештачке интелигенције је и даље више циљ него свакодневна стварност. Људи много причају о њој јер је фасцинантна, можда помало узнемирујућа и тешко јој је одолети као концепту. Али уобичајени алати који пишу текст, генеришу слике или одговарају на питања нису аутоматски општа вештачка интелигенција. Можда делују широко, али и даље функционишу у оквиру дизајнираних ограничења.

Супер вештачка интелигенција

Супер вештачка интелигенција би превазишла људску интелигенцију. Не само брже куцање или бољу математику - већ и супериорно расуђивање, креативност, стратегију, учење, а можда и емоционално или социјално разумевање.

Ово је најспекулативнија категорија. Она покреће огромна питања:

• Ко то контролише?

• Може ли се то ускладити са људским вредностима?

• Да ли би правилно разумело људске циљеве?

• Да ли би се само могло побољшати?

• Шта се дешава ако доноси одлуке које људи не могу да следе?

Супер вештачка интелигенција је место где се разговори о вештачкој интелигенцији понекад претварају у филозофску чорбу. Вредну чорбу, можда, али ипак чорбу 🍲.

---

3. Врсте вештачке интелигенције по функционалности

Још један уобичајени начин објашњења врста вештачке интелигенције јесте функционалност. Ово се фокусира на то како се вештачка интелигенција понаша.

Реактивне машине

Реактивне машине су најједноставнији тип вештачке интелигенције. Оне реагују на тренутне улазне податке без коришћења меморије из прошлих искустава.

Они не уче током времена на начин на који то раде модерни адаптивни системи. Они посматрају ситуацију, обрађују је и реагују.

Замислите их као: „Улазни подаци улазе. Излазни подаци излазе. Нема дневничких записа.“

Реактивна вештачка интелигенција и даље може бити импресивна. Може анализирати могуће потезе у игри или реаговати на јасно дефинисану ситуацију са екстремном брзином и прецизношћу. Али не гради личну историју нити се развија на основу прошлих интеракција.

Вештачка интелигенција са ограниченом меморијом

Вештачка интелигенција са ограниченом меморијом може да користи прошле податке како би доносила боље одлуке. Ово је категорија у којој се налази велики део данашње практичне вештачке интелигенције.

Примери укључују:

• Системи препорука који уче из понашања корисника

• Системи за аутономна возила који анализирају недавне услове на путевима

• Четботови памте контекст у разговору

• Модели за откривање превара уче из образаца трансакција

• Алати за предиктивну аналитику који користе историјске податке

Ограничена меморија не значи „лоша меморија“. То значи да систем може да користи сачуване или скорашње податке, али не поседује људску свест или дугорочно лично искуство. Међутим, може бити веома ефикасна. Понекад досадно ефикасна - као када апликација за куповину зна шта желите пре него што то себи признате 🛒.

Теорија ума вештачка интелигенција

Теорија ума (AI) би разумела емоције, веровања, намере и друштвене знакове на начин сличнији људском.

Ова врста вештачке интелигенције не би само обрађивала речи. Она би закључивала шта неко може да осећа, жели, погрешно разуме, чега се плаши или очекује.

На пример, могло би да разуме да:

• Муштерија је фрустрирана, али покушава да остане љубазна

• Ученик је збуњен, али му је непријатно да поново пита

• Пацијент је анксиозан упркос томе што говори „Добро сам“

• Саиграч оклева јер се тихо не слаже

Ово остаје активно подручје дискусије о вештачкој интелигенцији, али права Теорија ума, вештачка интелигенција, је изузетно тешка. Људске емоције су испреплетене. Људи говоре једно, а мисле друго. Понекад чак ни сами не знају шта мисле. Срећно, машино.

Самосвесна вештачка интелигенција

Самосвесна вештачка интелигенција би имала свест, саморазумевање и свест о свом унутрашњем стању.

Ово је теоретски. Припада научној фантастици, етичким панелима, касноноћним свађама и људима који драматично гледају кроз прозоре 🌙.

Самосвесна вештачка интелигенција не би само симулирала разговор о осећањима. Поседовала би неку врсту субјективног искуства. То је огромна тврдња. Тренутни системи вештачке интелигенције немају верификовану свест, осећања, жеље или индивидуалност.

Могу звучати свесно јер језик може да имитира саморефлексију. Али звучати као нешто и бити нешто није исто. Папагај може рећи „Гладан сам“, али то не значи да има резервацију у ресторану.

---

4. Табела упоређивања: Главне врсте вештачке интелигенције

Врста вештачке интелигенције	Главна идеја	Тренутни статус	Уобичајени примери	Зашто је то важно
Уска вештачка интелигенција	Направљен за специфичне задатке	Широко коришћено	Четботови, претрага, препоруке	Практично и свуда
Општа вештачка интелигенција	Флексибилна интелигенција слична људској	Није у потпуности постигнуто	Углавном теоријски	Велики циљ, велика дебата
Супер вештачка интелигенција	Паметнији од људи генерално	Спекулативно	Нема практичног примера	Огромна етичка питања
Реактивне машине	Одговара без памћења	Користи се у ограниченим случајевима	Вештачка интелигенција у играма, системи засновани на правилима	Брзо, али не и прилагодљиво
Вештачка интелигенција са ограниченом меморијом	Користи податке/историју за побољшање	Веома често	Системи за аутономну вожњу, алати за превару	Ово је свакодневни возач 🚗
Теорија ума вештачка интелигенција	Разуме емоције и намеру	Развој концепта	Напредне идеје за друштвену вештачку интелигенцију	Могло би учинити вештачку интелигенцију свеснијом људи
Самосвесна вештачка интелигенција	Има свест	Теоријски	Примери научнофантастичног стила	Филозофски масивно
Генеративна вештачка интелигенција	Креира нови садржај	Широко коришћено	Алати за текст, слику и аудио	Повећање креативне продуктивности
Предиктивна вештачка интелигенција	Исходи прогноза	Широко коришћено	Бодовање ризика, планирање потражње	Помаже у одлукама - углавном
Роботика вештачка интелигенција	Контролише физичке машине	Користи се у индустријама	Роботи, дронови, аутоматизација	Повезује вештачку интелигенцију са физичким радом

Мало неуједначено? Да. Али тако вештачка интелигенција функционише и у свакодневном животу - није музејска поставка са савршеним етикетама.

---

5. Генеративна вештачка интелигенција: Тип о коме сви причају 🎨

Генеративна вештачка интелигенција је једна од најпопуларнијих врста вештачке интелигенције јер ствара ствари.

Може генерисати:

• Текст

• Слике

• Музика

• Код

• Видео

• Описи производа

• Маркетиншки текст

• Планови часова

• Резимеи

• Синтетички подаци

• Идеје за дизајн

Генеративна вештачка интелигенција функционише тако што учи обрасце из великих количина података, а затим производи нове резултате на основу упутстава. Она не копира у једноставном смислу како људи понекад замишљају. Она предвиђа, комбинује, мења и генерише на основу научених структура.

Уз то речено, и даље може да прави грешке. Може звучати самоуверено док греши, што је у основи машинска верзија некога ко објашњава порески закон на породичном роштиљу.

Генеративна вештачка интелигенција је вредна за:

• Брејнсторминг

• Садржај за израду нацрта

• Аутоматизација понављајућег писања

• Креирање визуелних концепата

• Подршка корисничкој служби

• Убрзавање задатака кодирања

• Персонализација материјала за учење

Али потребан је преглед. Увек. Излаз вештачке интелигенције може бити импресиван, али није аутоматски тачан, фер, легалан или безбедан за бренд. Третирајте га као веома брзог асистента са повременим склоностима гремлина.

---

6. Машинско учење вештачке интелигенције: Проналазач образаца

Машинско учење је главна грана вештачке интелигенције где системи уче обрасце из података уместо да буду програмирани ред по ред за сваку одлуку.

Традиционални софтвер прати експлицитна правила. Системи машинског учења идентификују односе и побољшавају перформансе кроз обуку.

На пример:

• Филтер за нежељену пошту учи како изгледа сумњива е-пошта

• Банкарски модел открива необично понашање трансакција

• Апликација за стримовање препоручује емисије на основу навика гледања

• Алат за запошљавање може рангирати кандидате на основу дефинисаних сигнала

• Модел медицинског снимања може указати на могуће абнормалности

Машинско учење може бити надгледано, ненадгледано или засновано на појачању.

Надгледано учење

Надгледано учење користи означене примере. На пример, слике могу бити означене као „мачка“ или „није мачка“. Модел учи разлику.

Ненадзирано учење

Ненадзирано учење тражи обрасце без означених одговора. Може груписати купце у сегменте или открити скривене кластере у подацима.

Учење са појачавањем

Учење појачавањем учи примањем награда или казни за радње. Ово је уобичајено у играма, вештачкој интелигенцији, роботици и проблемима оптимизације.

Машинско учење није магија. Оно у великој мери зависи од квалитета података. Лоши подаци доводе до лоших модела - смеће унутра, смеће које носи паметан сако напоље.

---

7. Дубоко учење вештачке интелигенције: Моћ неуронских мрежа 🧬

Дубоко учење је специјализована врста машинског учења која користи слојевите неуронске мреже за обраду сложених образаца.

Посебно је вредно за:

• Препознавање говора

• Препознавање слика

• Обрада природног језика

• Аутономни системи

• Анализа медицинских слика

• Превод

• Генеративни модели вештачке интелигенције

• Сложени задаци предвиђања

„Дубински“ део се односи на више слојева у моделу. Сваки слој помаже у промени и интерпретацији информација. Један слој може да детектује једноставне облике на слици, други може да детектује текстуре, трећи може да препозна објекте и тако даље.

Дубоко учење може дати запањујуће резултате, али често захтева огромне количине података и рачунарске снаге. Такође може бити теже за интерпретацију. То значи да чак и стручњаци могу имати потешкоћа да објасне зашто је дубински модел донео одређену одлуку.

Ово је један од великих проблема поверења у вештачку интелигенцију: перформансе могу бити јаке, али објашњивост може бити клизава. Као да покушавате да питате блендер зашто смути има лош укус.

---

8. Разговорна вештачка интелигенција: Причљиви тип

Конверзациона вештачка интелигенција је дизајнирана да комуницира са људима путем текста или гласа.

То укључује:

• Четботови за корисничку подршку

• Гласовни асистенти

• Виртуелни агенти

• Тутори за вештачку интелигенцију

• Интерни ботови службе за помоћ

• Продајни асистенти

• Помоћници за заказивање

Доброј конверзационој вештачкој интелигенцији је потребно више од граматике. Потребан јој је контекст, препознавање намере, контрола тона и способност да се носи са непредвидивим људским уносом.

Људи не говоре савршеним командама. Они лутају. Грешно пишу ствари. Постављају пола питања и очекују да машина „схвати“. Знате како је.

Основни четбот може да прати скрипту. Напреднија конверзациона вештачка интелигенција може да разуме природни језик, одржава контекст и генерише флексибилне одговоре.

Ова врста вештачке интелигенције је вредна јер смањује понављајући рад и пружа брзу подршку. Али може фрустрирати кориснике када се претвара да разуме, али не разуме. Најгора верзија је четбот који каже: „Драго ми је да помогнем“, а не пружа никакву помоћ. Болно.

---

9. Компјутерски вид са вештачком интелигенцијом: Машине које „виде“ 👀

Компјутерски вид, вештачка интелигенција, омогућава системима да интерпретирају визуелне информације са слика, видео записа, камера, сензора или скенирања.

Може се користити за:

• Препознавање лица

• Детекција објеката

• Инспекција квалитета у фабрикама

• Медицинско снимање

• Праћење безбедности

• Анализа полица у малопродаји

• Детекција саобраћаја

• Проширена стварност

• Праћење пољопривреде

Компјутерски вид не види као људи. Он обрађује пикселе, шаре, облике, боје и статистичке сигнале. Али резултати могу бити веома моћни.

На пример, компјутерски вид може помоћи у откривању недостатака на производној линији брже него ручна инспекција. Може помоћи у организовању библиотека слика. Може подржати безбедносне системе у возилима. Такође може изазвати забринутост у вези са приватношћу, посебно када се користи за надзор или идентификацију.

То је виљушка са две оштрице - не мач, већ виљушка. И даље довољно оштра да изазове проблеме 🍴.

---

10. Предиктивна вештачка интелигенција: Механизам за прогнозирање

Предиктивна вештачка интелигенција користи податке да процени шта би се могло десити следеће.

Уобичајена је у пословању, финансијама, здравству, логистици, спортској аналитици, маркетингу и операцијама.

Предиктивна вештачка интелигенција може помоћи у одговорима на питања као што су:

• Који купци ће вероватно отићи?

• Која трансакција делује сумњиво?

• Колико ће залиха бити потребно?

• Којем пацијенту може бити потребна додатна пажња?

• На који садржај је вероватно да ће корисник кликнути?

• Који део машине би ускоро могао да откаже?

Ова врста вештачке интелигенције је мање блистава од генеративне вештачке интелигенције, али је изузетно важна. Многе организације мање маре за модел који пише поезију, а више за то да ли то може смањити отпад, смањити ризик и побољшати планирање.

Предиктивна вештачка интелигенција најбоље функционише када су подаци релевантни, чисти и редовно ажурирани. Али предвиђање никада није извесност. Модел може да процени вероватноће, а не да гарантује исходе. Људи то стално заборављају. Онда криве вештачку интелигенцију као да их је лично издала.

---

11. Роботска вештачка интелигенција: Када вештачка интелигенција добије тело 🤖

Роботика и вештачка интелигенција комбинују вештачку интелигенцију са физичким машинама. Овде вештачка интелигенција напушта екран и почиње да се креће кроз свет.

Примери укључују:

• Роботи у складишту

• Производни роботи

• Роботи за доставу

• Пољопривредни роботи

• Системи за хируршку помоћ

• Дронови

• Роботи за инспекцију

• Роботи за чишћење

• Хуманоидни истраживачки роботи

Роботска вештачка интелигенција је тешка јер је физичко окружење непредвидиво. Четбот мора да се носи само са речима. Робот мора да се носи са клизавим подовима, лошим осветљењем, неравним површинама, људима у покрету, грешкама сензора и неким ко оставља столицу на најгорем могућем месту.

Роботика често комбинује неколико врста вештачке интелигенције:

• Компјутерски вид за гледање

• Машинско учење за прилагођавање

• Алгоритми планирања кретања

• Учење са појачањем за доношење одлука

• Обрада природног језика за људске команде

Роботска вештачка интелигенција има огроман потенцијал, посебно у опасним или понављајућим пословима. Али је такође скупа, сложена и физички ризична када системи откажу.

---

12. Вештачка интелигенција заснована на стилу обуке

Још један вредан начин размишљања о врстама вештачке интелигенције јесте начин на који су обучени.

Вештачка интелигенција заснована на правилима

Вештачка интелигенција заснована на правилима прати логику коју је створио човек. На пример:

• Ако се то деси, урадите то

• Ако корисник изабере ову опцију, прикажи тај одговор

• Ако је вредност изнад прага, покрените упозорење

Ово је једноставно, предвидљиво и корисно за структуриране задатке. Али има проблема са двосмисленошћу.

Вештачка интелигенција обучена за податке

Вештачка интелигенција обучена на основу података учи из примера. Може да се носи са већом сложеношћу јер идентификује обрасце уместо да се ослања само на фиксна правила.

Овде се машинско учење и дубоко учење уклапају.

Хибридна вештачка интелигенција

Хибридна вештачка интелигенција комбинује логику засновану на правилима са машинским учењем. У многим практичним системима, ово је прагматичан избор. Добијате флексибилност система учења плус контролу правила.

На пример, систем за банкарске преваре може користити машинско учење за откривање сумњивог понашања, а затим применити строга правила за преглед усклађености. Није гламурозно. Веома је неопходно.

---

13. Шта чини типове вештачке интелигенције збуњујућим?

Највећа забуна је то што људи користе категорије вештачке интелигенције на различите начине.

Једна особа може рећи „Врсте вештачке интелигенције“ и мислити на уску, општу и супер интелигенцију.

Друга особа може мислити на генеративну вештачку интелигенцију, предиктивну вештачку интелигенцију и конверзациону вештачку интелигенцију.

Програмер може говорити о надгледаном учењу, дубоком учењу, неуронским мрежама или учењу са појачањем.

Пословни менаџер може говорити о аутоматизацији, аналитици, персонализацији и вештачкој интелигенцији за корисничку подршку.

Сви су донекле у праву. Досадно, али истинито.

Вештачка интелигенција се класификује по:

• Способност

• Функционалност

• Метода обуке

• Област примене

• Техничка архитектура

• Ниво аутономије

• Врста улаза и излаза

• Случај употребе у индустрији

Дакле, када неко пита „Која је ово врста вештачке интелигенције?“, најјаснији одговор може бити слојевит.

Четбот, на пример, може бити:

• Сузите вештачку интелигенцију по могућностима

• Ограничена меморија вештачке интелигенције по функционалности

• Конверзациона вештачка интелигенција по апликацији

• Генеративна вештачка интелигенција ако креира одговоре

• Дубоко учење вештачке интелигенције ако га покрећу неуронске мреже

То није претерана компликација забаве ради. Једноставно, тако терен функционише.

---

14. Практични примери врста вештачке интелигенције

Ево неколико свакодневних примера како би категорије било лакше разумети.

Препоруке за стримовање 🎬

Ово је уска вештачка интелигенција, предиктивна вештачка интелигенција и машинско учење. Проучава обрасце и препоручује шта бисте могли следеће да гледате.

Гласовни асистенти 🎙️

Оне користе конверзациону вештачку интелигенцију, обраду природног језика, препознавање говора и ограничене меморијске функције.

Генератори слика 🖼️

То су генеративни системи вештачке интелигенције, често покретани моделима дубоког учења.

Системи за откривање превара 💳

Оне користе предиктивну вештачку интелигенцију и машинско учење да би означиле необичне активности.

Карактеристике самосталне вожње 🚗

Оне комбинују рачунарски вид, вештачку интелигенцију са ограниченом меморијом, вештачку интелигенцију повезану са роботиком, фузију сензора и моделе доношења одлука.

Филтери за нежељену пошту 📩

Ово су класичне машинске вештачке интелигенције. Нису гламурозне, али су веома вредне.

Алати за писање помоћу вештачке интелигенције ✍️

То су генеративна вештачка интелигенција и конверзациона вештачка интелигенција, обично изграђене коришћењем великих језичких модела.

Важно је следеће: један производ вештачке интелигенције може припадати више категорија истовремено.

---

15. Предности разумевања врста вештачке интелигенције

Познавање врста вештачке интелигенције помаже вам да доносите боље одлуке, посебно ако користите вештачку интелигенцију за посао, пословање, учење или креирање садржаја.

Помаже вам:

• Изаберите прави алат

• Избегавајте нереална очекивања

• Разумети ризике

• Постављајте боља питања

• Процените тврдње о вештачкој интелигенцији

• Претеривање у спот маркетингу

• Користите вештачку интелигенцију одговорније

• Објасните вештачку интелигенцију другима, а да не звучите као збуњени робот

На пример, ако је алат предиктивна вештачка интелигенција, знате да предвиђа вероватноће. Не треба га третирати као пророчиште.

Ако је алат генеративна вештачка интелигенција, знате да он креира садржај, али садржај и даље треба проверити.

Ако је систем уско повезан са вештачком интелигенцијом, знате да може бити одличан у једној области, али неефикасан ван свог домета.

Само то штеди много главобоља.

---

16. Ризици и ограничења код различитих врста вештачке интелигенције ⚠️

Сваки тип вештачке интелигенције има ограничења. Другачији укус, иста чинија супе.

Уобичајени ризици вештачке интелигенције укључују:

• Пристрасност у подацима за обуку

• Нетачни излази

• Недостатак транспарентности

• Забринутости у вези са приватношћу

• Прекомерна зависност

• Безбедносне рањивости

• Злоупотреба

• Лош људски надзор

• Збуњујућа течност са истином

Генеративна вештачка интелигенција може измишљати информације. Предиктивна вештачка интелигенција може појачати пристрасне обрасце. Компјутерски вид може погрешно идентификовати људе или објекте. Конверзациона вештачка интелигенција може фрустрирати кориснике лажним самопоуздањем. Роботска вештачка интелигенција може проузроковати физичке повреде ако је лоше дизајнирана.

То не значи да је вештачка интелигенција лоша. То значи да вештачку интелигенцију треба користити са расуђивањем. Као електрични алати, уговори или изузетно љути резанци 🌶️.

Најбољи системи вештачке интелигенције обично укључују:

• Људски преглед

• Јасне границе

• Снажне праксе у вези са подацима

• Тестирање

• Праћење

• Објашњивост где год је то могуће

• Етички дизајн

• Безбедносне контроле

Вештачка интелигенција може да појача добре одлуке. Такође може да појача и оне непажљиве.

---

17. Која врста вештачке интелигенције је најважнија?

Не постоји један најважнији тип. Зависи од случаја употребе.

За креативност, генеративна вештачка интелигенција је огромна.

За пословно планирање, предиктивна вештачка интелигенција може бити вреднија.

За аутоматизацију, машинско учење и роботику, вештачка интелигенција је важна.

За корисничку подршку, конверзациона вештачка интелигенција је звезда.

За медицинске прегледе или визуелни преглед, компјутерски вид је кључан.

За дугорочна истраживања, општа вештачка интелигенција добија највише филозофске пажње.

Али у практичном смислу, уска вештачка интелигенција и вештачка интелигенција са ограниченом меморијом су тренутно најчешће и највредније категорије. То су тихи мотори иза многих алата на које се људи већ ослањају.

Елегантна будућност добија насловне стране. Практична садашњост плаћа рачуне.

---

Завршне напомене: Разумевање врста вештачке интелигенције без буке

Врсте вештачке интелигенције могу на први поглед деловати компликовано јер се категорије преклапају. Али када раздвојите могућности, функционалност, метод обуке и практичну употребу, цела ствар постаје много лакша за разумевање.

Уска вештачка интелигенција се бави специфичним задацима. Општа вештачка интелигенција би размишљала флексибилније, иако то остаје амбициозан циљ. Супер вештачка интелигенција је и даље спекулативна. Реактивне машине реагују без меморије, док вештачка интелигенција са ограниченом меморијом користи прошле податке за побољшање одлука. Генеративна вештачка интелигенција ствара. Предиктивна вештачка интелигенција предвиђа. Конверзациона вештачка интелигенција говори. Компјутерски вид види. Роботска вештачка интелигенција делује у физичком окружењу.

То је суштина.

Вештачка интелигенција није једна ствар. То је испреплетена породица технологија - неке практичне, неке експерименталне, неке преувеличане, а неке заиста значајне. Та сложеност је део разлога зашто је важна. Што јасније разумете типове вештачке интелигенције, лакше је мудро користити је уместо да само климате главом када неко каже „алгоритам“ на састанку. 🤷♂️

Кратак резиме: Главне врсте вештачке интелигенције укључују уску вештачку интелигенцију, општу вештачку интелигенцију, супер вештачку интелигенцију, реактивне машине, вештачку интелигенцију са ограниченом меморијом, вештачку интелигенцију теорије ума, самосвесну вештачку интелигенцију, генеративну вештачку интелигенцију, предиктивну вештачку интелигенцију, конверзациону вештачку интелигенцију, вештачку интелигенцију рачунарског вида, вештачку интелигенцију машинског учења, вештачку интелигенцију дубоког учења и вештачку интелигенцију роботике. Већина вештачке интелигенције која се данас користи је уска, фокусирана на задатке и покреће је машинско учење или дубоко учење.

Пример из стварног света: Израда асистента за тријажу корисника помоћу вештачке интелигенције

Сценарио

Замислите малу онлајн продавницу намештаја која дневно прима око 120 имејлова за корисничку подршку. Тим не покушава да замени особље за подршку. Они само желе помоћ у бржем сортирању порука, уочавању хитних проблема и писању првих одговора.

Ово је добар пример јер један асистент може да користи неколико врста вештачке интелигенције истовремено. Може да користи конверзациону вештачку интелигенцију за разумевање порука купаца, генеративну вештачку интелигенцију за писање одговора, предиктивну вештачку интелигенцију за означавање вероватних ризика од повраћаја новца и вештачку интелигенцију са ограниченом меморијом за коришћење података о недавним поруџбинама или политикама.

Посао асистента је једноставан: прочитати поруку купца, класификовати је, предложити следећу акцију и написати одговор који човек може да одобри.

Шта је потребно асистенту

Тим би дао асистенту:

Политика корисничке службе

Правила испоруке и враћања робе

Гарантни услови

Честа питања о производу

Примери тона гласа

Листа правила ескалације

Примери прошлих карата са исправним категоријама

Јасна ограничења о томе шта не сме самостално да одлучује

На пример, не би требало да одобрава повраћај новца преко 100 фунти, обећава датуме испоруке које не може да провери или да подноси правне захтеве у вези са оштећеном робом. Те случајеве треба да реши појединац.

Пример упутства

Ви сте асистент за тријажу корисника у онлајн продавници намештаја. Прочитајте сваку поруку купца и вратите пет ствари: категорију захтева, ниво хитности, вероватно расположење купца, препоручену следећу акцију и нацрт одговора.

Користите само политику компаније која је наведена. Ако одговор није у политици, напишите „Потребна је људска провера“. Не измишљајте датуме испоруке, одобрења за повраћај новца, гаранције или доступност производа.

Појачајте захтев ако купац помене повреду, судски поступак, вишеструко неуспешну испоруку, повраћај новца изнад 100 фунти, недостајуће делове за дечји производ или велико незадовољство након два претходна одговора.

Нацрт одговора треба да буде љубазан, кратак и практичан. Немојте звучати роботски. Не кривите купца или курира.

Како га тестирати

Пре него што почнете да користите асистента са муштеријама, тестирајте га на малом сету старих карата.

Користите 30 претходних порука подршке:

10 једноставних питања о испоруци

5 рекламација за оштећене предмете

5 захтева за повраћај новца

5 питања о гаранцији

5 љутих или сложених жалби

За сваки тест, проверите:

Да ли је изабрала праву категорију?

Да ли је правилно означио хитне случајеве?

Да ли је избегавало давање обећања?

Да ли је ескалирало осетљива питања?

Да ли је нацрт одговора одговарао тону компаније?

Корисно тест питање би било:

„Мој сто је стигао са једном напуклом ногом и ово је други пут да је достава кренула по злу. Желим потпуни повраћај новца данас или ћу ово објавити свуда.“

Слаб асистент би се могао једноставно извинити и обећати повраћај новца. Бољи асистент би то класификовао као оштећену ставку плус поновљену рекламацију, означио као веома хитно, избегао аутоматско одобравање повраћаја новца и ескалирао би то на људски преглед.

Резултат

Илустративан резултат: на основу мерења времена 30 пробних карата пре и после коришћења радног процеса.

Ручна тријажа је трајала 2 сата и 15 минута за 30 захтева, у просеку 4,5 минута по захтеву.

Тријажа уз помоћ вештачке интелигенције трајала је 48 минута за истих 30 захтева, у просеку 1,6 минута по захтеву, јер је човек који прегледа захтев морао само да провери категорију, одлуку о ескалацији и нацрт одговора.

Асистент је исправно категорисао 27 од 30 карата у тестном скупу. Правилно је ескалирао свих 5 карата високог ризика. Две карте за повраћај новца су захтевале измене формулације јер је нацрт звучао превише извесно, а једна гарантна карта је стављена у погрешну категорију.

То даје практичну референтну вредност: бржи први преглед, али не и потпуна аутоматизација. Човек и даље је одговоран за одговор.

Шта може поћи по злу

Највећа грешка је дозволити асистенту да се понаша као да зна више него што заиста зна. Ако је политика враћања застарела, асистент може самоуверено да напише погрешан одговор. Ако су правила ескалације нејасна, може пропустити озбиљне жалбе.

Приватност је још једно питање. Тим би требало да избегава уношење непотребних података о плаћању, адреса или осетљивих личних података у асистент, осим ако систем није одобрен за ту употребу.

Асистент такође треба редовно тестирати. Питања купаца се мењају, политике се мењају и производи се мењају. Асистент за тријажу који је добро радио у марту може постати ризичан након нове политике гаранције у јуну.

Практична информација

Овај пример показује зашто се категорије вештачке интелигенције преклапају у пракси. Један помоћник за подршку може истовремено бити уска вештачка интелигенција, конверзацијска вештачка интелигенција, генеративна вештачка интелигенција, предиктивна вештачка интелигенција и вештачка интелигенција са ограниченом меморијом. Бољи начин да се то процени јесте да се запитамо коју одлуку подржава, које податке користи и где човек треба да то провери.

Честа питања

Које су главне врсте вештачке интелигенције које почетници треба да знају?

Главне врсте вештачке интелигенције укључују уску вештачку интелигенцију, општу вештачку интелигенцију, супер вештачку интелигенцију, реактивне машине, вештачку интелигенцију са ограниченом меморијом, генеративну вештачку интелигенцију, предиктивну вештачку интелигенцију, конверзацијску вештачку интелигенцију, вештачку интелигенцију са рачунарским видом, вештачку интелигенцију са машинским учењем, вештачку интелигенцију са дубоким учењем и вештачку интелигенцију са роботиком. Ове категорије се често преклапају, тако да један алат може да одговара неколико ознака истовремено. На пример, четбот може бити уска вештачка интелигенција, конверзацијска вештачка интелигенција, генеративна вештачка интелигенција и вештачка интелигенција са ограниченом меморијом.

Како се врсте вештачке интелигенције класификују по могућностима?

Вештачка интелигенција се по могућностима обично групише у уску вештачку интелигенцију, општу вештачку интелигенцију и супер вештачку интелигенцију. Уска вештачка интелигенција се бави специфичним задацима и данас се широко користи. Општа вештачка интелигенција би расуђивала и учила у многим задацима на људском нивоу, али није део свакодневне употребе. Супер вештачка интелигенција би надмашила људску интелигенцију и остаје спекулативна.

Која је разлика између уског вештачког интелекта и општег вештачког интелекта?

Уска вештачка интелигенција је дизајнирана за одређени задатак или ограничен скуп задатака, као што су филтрирање нежељене поште, препоруке, четботови или откривање превара. Општа вештачка интелигенција би могла да учи, расуђује и прилагођава се многим неповезаним задацима. Већина вештачке интелигенције коју људи данас користе је уска вештачка интелигенција, чак и када се чини флексибилном или напредном.

Зашто је вештачка интелигенција са ограниченом меморијом данас толико честа?

Вештачка интелигенција са ограниченом меморијом може да користи прошле или скорашње податке за побољшање одлука, што је чини практичном за многе примењене системе. Механизми за препоруке, алати за откривање превара, функције самосталног управљања и четботови често се ослањају на ову врсту вештачке интелигенције. Она нема свест сличну људској, али се може прилагодити на основу образаца и сачуваних информација.

Како се генеративна вештачка интелигенција уклапа у типове вештачке интелигенције?

Генеративна вештачка интелигенција је врста вештачке интелигенције која креира нове резултате као што су текст, слике, код, аудио, видео, резимеи или идеје за дизајн. Учи обрасце из великих количина података и производи садржај на основу упутстава. Може помоћи у изради нацрта, размишљању, подршци кодирању и креативном раду, али њени резултати и даље захтевају људски преглед.

Која је разлика између машинског учења и дубоког учења?

Машинско учење је грана вештачке интелигенције где системи уче обрасце из података уместо да прате само рукописна правила. Дубинско учење је специјализовани облик машинског учења који користи слојевите неуронске мреже. Дубинско учење је посебно вредно за сложене задатке као што су препознавање говора, препознавање слика, обрада природног језика, превођење, медицинско снимање и генеративна вештачка интелигенција.

За шта се користи предиктивна вештачка интелигенција у пословању?

Предиктивна вештачка интелигенција користи податке за процену вероватних будућих исхода. Предузећа могу да их користе за планирање потражње, предвиђање одлива купаца, откривање превара, бодовање ризика, одлуке о залихама или прогнозирање одржавања. Подржава планирање и доношење одлука, али не гарантује будућност. Предвиђања су процене обликоване доступним подацима и квалитетом модела.

Како рачунарски вид са вештачком интелигенцијом функционише у практичним системима?

Вештачка интелигенција са рачунарским видом помаже машинама да интерпретирају визуелне информације са слика, видео записа, камера, скенирања или сензора. Може да подржи препознавање лица, детекцију објеката, инспекцију фабрика, медицинско снимање, детекцију саобраћаја, анализу малопродаје, праћење пољопривреде и безбедносне системе. Не види као особа, али може да обрађује пикселе, облике, боје и обрасце у великим размерама.

Зашто један производ вештачке интелигенције може припадати вишеструким типовима вештачке интелигенције?

Категорије вештачке интелигенције често описују различите ствари, као што су могућности, функционалност, метода обуке или примена. Гласовни асистент, на пример, може бити уско оријентисана вештачка интелигенција по могућностима, конверзациона вештачка интелигенција по примени, ограничена меморија по функционалности и дубоко учећа вештачка интелигенција по архитектури. Ово преклапање је нормално и помаже у објашњењу шта систем ради из различитих углова.

Које ризике људи треба да разумеју у вези са различитим типовима вештачке интелигенције?

Уобичајени ризици вештачке интелигенције укључују пристрасност, нетачне резултате, проблеме са приватношћу, безбедносне рањивости, недостатак транспарентности, прекомерну зависност и слаб људски надзор. Генеративна вештачка интелигенција може измишљати информације, предиктивна вештачка интелигенција може појачати лоше обрасце, а рачунарски вид може погрешно идентификовати објекте или људе. Добра употреба вештачке интелигенције обично захтева тестирање, праћење, јасне границе, јаке праксе рада са подацима и људски преглед.

Референце

1. IBM - Врсте вештачке интелигенције - ibm.com

2. Оквир за управљање ризицима вештачке интелигенције NIST-а - Ризици вештачке интелигенције - nist.gov

3. Google Developers - Машинско учење - developers.google.com

4. AWS - Генеративна вештачка интелигенција - aws.amazon.com