Mitä tekoäly oikeastaan ​​on? [Video ja tietokilpailu]

Lyhyt vastaus: Tekoäly on laaja joukko laskennallisia tekniikoita, jotka tunnistavat kaavoja, tekevät ennusteita, luovat sisältöä ja yhä useammin ryhtyvät toimiin. Se voi olla erittäin tehokasta, kun sen ympärille rakennetaan luotettavaa tietoa, selkeät käyttöoikeudet ja ihmisen suorittama tarkistus, mutta sujuvaa tulostetta ei pitäisi koskaan pitää automaattisena todisteena totuudesta.

Keskeiset tiedot:

Vastuullisuus: Pidä ihmiset vastuullisina tärkeistä päätöksistä, erityisesti silloin, kun tekoäly voi tehdä kalliita virheitä.

Läpinäkyvyys: Tee selväksi, mihin tietoihin, sääntöihin ja käyttöoikeuksiin tekoälyjärjestelmä perustuu.

Todentaminen: Tarkista tärkeät tosiasialliset, lääketieteelliset, oikeudelliset, taloudelliset ja liiketoiminnalliset tulokset ennen kuin toimit niiden perusteella.

Auditoitava: Testaa tekoälyä edustavilla tapauksilla ja kirjaa sekä tehokkuuden parannukset että syntyneet virheet.

Väärinkäytön estäminen: Rajoita pääsyä, estä tukemattomat toimenpiteet ja vie epävarmat tapaukset ihmisarvioijien käsiteltäväksi.

1. Mitä tekoäly oikeastaan ​​on? Yksinkertainen selitys

Tekoäly eli tekoälyviittaa tietokonejärjestelmiin, jotka voivat suorittaa ihmisen älykkyyteen liittyviä tehtäviä.

Näihin tehtäviin voi kuulua:

• Kielen ymmärtäminen

• Kuvien kohteiden tunnistaminen

• Ennustaa, mitä seuraavaksi tapahtuu

• Suositusten antaminen

• Tekstin, kuvien, äänen tai videon luominen

• Kuvioiden havaitseminen valtavissa tietojoukoissa

• Päätösten tekeminen saatavilla olevan tiedon perusteella

• Esimerkeistä oppiminen

• Tietynlaisten ongelmien ratkaiseminen

Yksi seikka on tässä tärkeä.

Tekoälyn ei välttämättä tarvitse ajatella kuin ihminen tuottaakseen älykkäiltä vaikuttavia tuloksia.

Shakkiohjelma ei istu paikallaan murehtimassa, tuntuuko lähettinsä uhraaminen emotionaalisesti oikealta. Suositusalgoritmi ei kehitä henkilökohtaista kiintymystä ehdottamiinsa dokumentteihin. Kielimalli ei tarvitse pientä englanninopettajaa tietokoneen sisällä.

Sen sijaan nämä järjestelmät käsittelevät tietoa käyttämällä matemaattisia malleja, algoritmeja, harjoitusdataa, sääntöjä, todennäköisyyksiä ja valtavia määriä laskentaa.

Lopputulos voi näyttää yllättävän inhimilliseltä.

Mutta mekanismi pohjalla on hyvin erilainen.

Tuo ero on tärkeämpi kuin ihmiset joskus tajuavatkaan.

2. Tekoäly on vähemmän kuin robotin aivot ja enemmän kuin ennustuskone

Kun ihmiset kuulevat sanan "tekoäly", he usein kuvittelevat jotain, joka muistuttaa keinotekoisia ihmisaivoja.

Se on ymmärrettävää. Tieteiskirjallisuus on vuosikymmenten ajan tarjonnut tekoälylle säteileviä silmiä, pahaenteisiä ääniä, epäilyttävän vahvoja mielipiteitä ja yleensä jonkinlaisen metallisen luurangon.

Käytännön tekoäly on yleensä vähemmän elokuvamaista.

Monet nykyaikaiset tekoälyjärjestelmät toimivat ennustamisen.

Harkitse kielimallia.

Kun kirjoitat:

"Kissa istui..."

Järjestelmä arvioi, mitkä sanat tilastollisesti todennäköisesti tulevat seuraavaksi.

Mahdollisesti:

• matto

• lattia

• sohva

• tuoli

Se ei vain opetele ulkoa yhtä lausetta ja hae sitä takaisin. Riittävän kehittynyt malli on oppinut monimutkaisia ​​suhteita sanojen, ideoiden, lauserakenteiden, käsitteiden, tyylien, faktojen ja kaavojen välillä.

Sitten se ennustaa parhaiten asiayhteyteen sopivan järjestyksen. Seuraavan sanan ennustaminen hyvin vaatii melko paljon kielen oppimista.

Ja kieli sisältää... no, käytännössä kaiken, mistä ihmiset puhuvat.

Historia. Matematiikka. Ruoanlaitto. Ohjelmointi. Ihmissuhteet. Fysiikka. Väittelyä siitä, kuuluuko ananas pizzalle.

Joten näennäisen yksinkertainen ennustustehtävä voi tuottaa yllättävän monimutkaista käyttäytymistä.

Metaforalla on toki rajansa. Kehittyneen tekoälyn kutsuminen "vain automaattiseksi täydennykseksi" on vähän kuin lentokoneen kutsuminen "vain siivillä varustetuksi metalliksi". Teknisesti ottaen siellä piilee jotain totta, mutta suurin osa mielenkiintoisesta osasta on kadonnut.

3. Miten tekoäly oppii?

Tässä kohtaa koneoppiminen astuu keskusteluun.

Perinteinen ohjelmisto toimii yleensä selkeiden ohjeiden avulla.

Ohjelmoija voisi kirjoittaa:

• Jos käyttäjä syöttää oikean salasanan, salli käyttöoikeus.

• Jos lämpötila ylittää tietyn kynnyksen, aktivoi jäähdytys.

• Jos tuote on loppu varastosta, näytä varoitus.

Nuo ohjeet on tarkoituksella ohjelmoitu.

Koneoppiminen kääntää prosessin päälaelleen.

Sen sijaan, että kehittäjät määrittelisivät jokaisen säännön manuaalisesti, he antavat järjestelmälle esimerkkejä tai dataa ja antavat sen löytää malleja.

Kuvittele, että yrität rakentaa ohjelmistoa, joka pystyy tunnistamaan kissat valokuvista.

Selkeiden sääntöjen kirjoittaminen muuttuisi naurettavaksi melko nopeasti.

Voit kokeilla:

• Etsi kolmionmuotoisia korvia.

• Etsi viiksikarvoja.

• Etsi neljä jalkaa.

• Etsi turkkia.

Sitten joku lataa kuvan ketusta.

Ei aivan.

Tai tiikeri.

Tai kissa, joka on käpertynyt pörröiseksi möykyksi, josta tuskin näkyy jalkoja.

Koneoppiminen lähestyy ongelmaa eri tavalla. Mallia voidaan kouluttaa valtavilla esimerkkikokoelmilla ja vähitellen oppia, mitkä visuaaliset kuviot liittyvät kissoihin.

Se ei ole "kissan" oppimista samalla tavalla kuin taapero.

Mutta matemaattisesti malli pystyy yhä paremmin tunnistamaan kategoriaan liittyviä malleja.

Se on koneoppimista pähkinänkuoressa – vaikka pähkinänkuoressa itsessään onkin useita lineaarialgebran varastoja.

4. Tekoäly vs. koneoppiminen vs. syväoppiminen

Näitä termejä sekoitetaan jatkuvasti, osittain siksi, että ihmiset käyttävät "tekoälyä" yleisnimenä käytännössä kaikelle.

Yksinkertainen tapa erottaa ne on tämä.

Tekoäly on laaja ala.

Koneoppiminen on yksi lähestymistapa tekoälyjärjestelmien luomiseen.

Syväoppiminen on tietynlaista koneoppimista, johon liittyy suuria, useita kerroksia sisältäviä neuroverkkoja.

Sitten on generatiivinen tekoäly, joka keskittyy uusien tuotosten, kuten tekstin, kuvien, musiikin, koodin, puheen tai videon, luomiseen.

Vertailutaulukko

Termi	Tyypillinen käyttö	Mitä se pohjimmiltaan tarkoittaa	Nopea tapa ajatella asiaa
Tekoäly	Laaja luokka koneita, jotka suorittavat älykkäitä näennäisiä tehtäviä	Robotiikka, avustajat, suunnittelu, suositukset	Iso sateenvarjo
Koneoppiminen	Järjestelmien oppimismallit datasta	Petosten havaitseminen, suositukset, ennusteet	Esimerkeistä oppiminen
Syväoppiminen	Koneoppiminen monikerroksisten neuroverkkojen avulla	Näkö, puhe, edistyneet kielimallit	Koneoppiminen, mutta paljon syvemmällä... kirjaimellisesti
Generatiivinen tekoäly	Tekoäly on suunniteltu tuottamaan uutta sisältöä	Teksti, kuvat, koodi, ääni	Luovampi haara
Automaatio	Ohjelmisto noudattaa ennalta määriteltyjä prosesseja	Toistuvat työnkulut, tietojen syöttö	Yleensä säännöt, ei "oppiminen"

Erottelu on tärkeä, koska kaikki automatisoidut järjestelmät eivät ole tekoälyä.

Jos kahvikoneesi sammuu itsestään kymmenen minuutin kuluttua, onnittelut – sinulla ei luultavasti ole tekoälylaboratoriota.

Se on vain ajastin.

5. Mitä ovat neuroverkot?

Neuroverkot ovat matemaattisia järjestelmiä, jotka ovat löyhästi saaneet inspiraationsa biologisista neuroneista.

Ilmaus saa ne kuulostamaan mystisiltä. Ne eivät ole kirjaimellisesti tietokoneiden sisällä leijuvia keinotekoisia aivoja.

Neuroverkko koostuu toisiinsa kytkeytyvistä matemaattisista yksiköistä, jotka käsittelevät tietoa.

Koulutuksen aikana verkko säätää sisäisiä numeerisia arvoja, joita kutsutaan parametreiksi tai painoiksi.

Näiden säätöjen ansiosta järjestelmä voi tuottaa arvokkaita tuloksia paremmin.

Ajattele sitä järjettömän monimutkaisena ohjauspaneelina, jossa on mahdollisesti miljardeja pieniä säädettäviä nuppeja.

Harjoittelu työntää noita nuppeja uudestaan ​​ja uudestaan.

Väärä vastaus?

Säädä nuppeja.

Parempi vastaus?

Säädä niitä eri tavalla.

Kun tämä tehdään riittävän monta kertaa, riittävän datan yli ja riittävällä laskentateholla, verkko alkaa kehittää monimutkaisia ​​sisäisiä esityksiä, joiden avulla se pystyy tunnistamaan ja luomaan kuvioita.

Tietysti sanonta "säädä nuppeja" kuulostaa siltä kuin joku virittäisi vuosikymmeniä tietojenkäsittelytieteen parissa... mutta ajatusmallina se toimii huomattavan hyvin.

6. Miksi tekoäly vaikuttaa yhtäkkiä niin paljon älykkäämmältä

Tekoäly ei ole keksintö, joka ilmestyi yhdessä yössä.

Pohjana oleva kenttä on ollut olemassa jo pitkään.

Muutos oli useiden voimien kiihtyminen yhdessä.

Lisää laskentatehoa

Nykyaikaiset prosessorit pystyvät suorittamaan valtavia määriä laskutoimituksia nopeasti, erityisesti neuroverkkojen tarvitsemia laskutoimituksia. Koulutuslaskennan on ollut yksi tärkeä ajuri nykyaikaisten tekoälyjärjestelmien kehityksessä.

Lisää dataa

Digitaalinen maailma sisältää valtavia määriä tekstiä, kuvia, ääntä, videota, koodia ja strukturoitua tietoa.

Monimutkaisten mallien kouluttaminen vaatii esimerkkejä – paljon niitä.

Parempia algoritmeja

Tutkijat parantavat jatkuvasti tekoälyjärjestelmien kouluttamiseen käytettyjä arkkitehtuureja ja menetelmiä.

Suuremmat mallit

Parametrien määrän lisääminen, tietojoukkojen parantaminen ja laskennan lisääminen ovat usein tuottaneet yllättävän tehokkaita malleja. Laskennan kannalta optimaalisen kielimallin koulutuksen tutkimus osoittaa myös, että mallin koon, datan ja laskennan on oltava tasapainossa parametrien määrän maksimoimisen sijaan.

Paremmat käyttöliittymät

Tätä osaa on helppo aliarvioida.

Tekoäly tuntuu huomattavasti helpommin saavutettavalta, koska tavalliset ihmiset voivat nyt olla vuorovaikutuksessa edistyneiden järjestelmien kanssa arkikielellä.

Sinun ei tarvitse ymmärtää ohjelmointia.

Voit yksinkertaisesti kysyä:

"Selitä asuntolainat kuin olisin kaksitoista."

Tai:

"Muunna nämä kokousmuistiinpanot sähköpostiksi."

Tai:

"Anna minulle viisi illallisideaa, joissa käytetään kanaa, riisiä ja mitä tahansa vihanneksia, jotka hitaasti kuolevat jääkaapissani."

Tuo käyttöliittymän muutos on valtava.

Teknologian suosio räjähtää räjähdysmäisesti, kun ihmiset eivät enää tarvitse käyttöohjetta sen käyttämiseen.

7. Mitä tekoäly tekee, kun siltä kysytään?

Harkitse modernia tekoälyavustajaa.

Kirjoitat:

"Selitä painovoima viisivuotiaalle."

Kulissien takana järjestelmä muuntaa tekstisi numeerisiksi yksiköiksi, joita kutsutaan tokeneiksi.

Tunnusmerkit voivat edustaa kokonaisia ​​sanoja, sananosia, välimerkkejä tai muita kielen osia.

Nämä tunnukset käsitellään mallin kautta.

Malli tutkii pyyntösi eri osien välisiä suhteita, ottaa huomioon kontekstin ja ennustaa hyödyllisen jatkon.

Sitten toinen tokki.

Sitten toinen.

Sitten toinen.

Se tapahtuu huomattavan nopeasti.

Tuloksena oleva kappale näyttää siltä kuin joku olisi kirjoittanut sen kokonaisena ajatuksena, mutta teknisesti ottaen se on luotu peräkkäin.

Se on yksi tekoälyn erikoisimmista ominaisuuksista.

Tulos voi tuntua tarkoitukselliselta, vaikka taustalla oleva prosessi on probabilistinen.

Se muistuttaa enemmän improvisointia kuin valmiiksi kirjoitetun vastauksen vetämistä jättimäisestä tietokannasta.

Ei varsinaisesti improvisaatiota, toki – mutta tarpeeksi lähellä, jotta metafora ansaitsee lounaansa.

8. Ymmärtääkö tekoäly asioita?

Tämä kysymys muuttuu nopeasti filosofiseksi.

Ymmärtääkö tekoälyjärjestelmä aidosti kieltä?

Vastaus riippuu paljolti siitä, mitä ymmärryksellä tarkoitat.

Nykyaikaiset tekoälymallit pystyvät selvästi manipuloimaan käsitteitä hienostuneilla tavoilla.

Ne voivat:

• Selitä ideoita

• Vertaile argumentteja

• Kirjoita teksti uudelleen

• Käännä kieliä

• Ratkaise monia strukturoituja ongelmia

• Luo toimiva koodi

• Tunnista kuviot

• Noudata monimutkaisia ​​ohjeita

• Yhdistä käsitteitä uusilla tavoilla

Ulkopuolelta katsottuna se voi näyttää hyvinkin ymmärrykseltä.

Mutta koneälyn ja ihmisen kognition välillä on merkittäviä eroja.

Ihminen kokee fyysisen maailman.

Tunnemme nälkää, kipua, hämmennystä, tylsistymistä, kiintymystä ja omituista paniikkia tajutessamme, että puhelimemme akku on vain kaksi prosenttia täynnä.

Tekoälyjärjestelmillä ei välttämättä ole vastaavaa elettyä kokemusta.

He käsittelevät esityksiä.

Joten kysymys siitä, "ymmärtääkö" tekoäly jotakin, voi olla samanlainen kuin kysymys siitä, uiko sukellusvene.

Se ehdottomasti liikkuu veden läpi.

Mutta ehkä "uinti" ei ole aivan oikea sana.

9. Tekoäly ei automaattisesti tiedä, mikä on totta

Tämä on yksi generatiivisen tekoälyn tärkeimmistä kohdista.

Malli voi tuottaa väittämän, joka kuulostaa erittäin vakuuttavalta ilman, että väite itse on oikea.

Miksi?

Koska uskottavan kielen luominen ja objektiivisen totuuden varmistaminen ovat eri ongelmia.

Tekoälyjärjestelmä saattaa kohdata epävarmuutta ja silti tuottaa itsevarmalta kuulostavan vastauksen.

Näitä virheitä kutsutaan usein hallusinaatioiksi.

Esimerkiksi tekoäly voi:

• Keksi tilastollinen jokin

• Lainauksen virheellinen määrittäminen

• Sekoita kaksi samanlaista ihmistä

• Tuota olemattomia viitteitä

• Tulkitse väärin epäselvät ohjeet

• Tee hienovaraisia ​​matemaattisia virheitä

Kielimallit voivat tuottaa tekaistuja lainauksia, tutkimuksia, viittauksia ja muuta virheellistä tietoa, vaikka ne kuulostavatkin itsevarmoilta. NIST tunnistaa nimenomaisesti itsevarmasti esitetyn väärän sisällön ja tekaistut viittaukset generatiivisen tekoälyn riskiksi.

Paradoksaalisesti, mitä tehokkaammilta nämä järjestelmät kuulostavat, sitä helpommin tämä unohtuu.

Hienostunut kieli luo itseluottamusta.

Mutta luottamus ei ole todiste.

Korkean riskin tietojen, kuten lääketieteen, lain, rahoituksen, turvallisuuden tai merkittävien liiketoimintapäätösten, kohdalla varmentaminen on edelleen tärkeää.

Melko paljon.

10. Tekoäly ei ole sama asia kuin hakukone

Toinen yleinen väärinkäsitys on tekoälyn ja haun pitäminen samana asiana.

Eivät ole.

Perinteinen hakukone auttaa ensisijaisesti löytämään olemassa olevaa tietoa.

Generatiivisessa tekoälyjärjestelmässä vasteen luominen perustuu ensisijaisesti opittuihin kaavoihin, annettuun kontekstiin ja mahdollisiin lisätyökaluihin, joihin sillä voi olla pääsy. Generatiiviset mallit oppivat kaavoja ja suhteita suurista tietojoukoista ja käyttävät näitä kaavoja uusien tulosteiden luomiseen.

Kuvittele, että kysyt:

Hakukone: "parhaat tavat selittää fotosynteesi"

Saat yleensä sivuja tutkittavaksi.

Kysy samaa tekoälyassistentilta, niin saatat saada seuraavanlaisen vastauksen:

• Yksinkertainen selitys

• Luokkahuoneanalogia

• Tietovisa

• Tuntisuunnitelma

• Tarina lapsille

• Yksityiskohtainen tieteellinen versio

Haku noutaa.

Generatiivinen tekoäly syntetisoi.

Nykyaikaiset järjestelmät voivat yhdistää molemmat lähestymistavat, mikä tekee erosta yhä epäselvämmän, mutta työkalut pysyvät käsitteellisesti erilaisina.

11. Mitä tekoäly voi tehdä hyvin?

Tekoälyllä on taipumus suoriutua erityisen hyvin kaavapainotteisissa, tietoa rikkaissa ja transformaatiotehtävissä.

Arvokkaita sovelluksia ovat:

Kirjoitusapu

Tekoäly voi luonnostella, kirjoittaa uudelleen, tiivistää ja jäsentää tekstiä uudelleen.

Ohjelmointi

Mallit voivat luoda koodia, selittää virheitä, ehdottaa parannuksia ja auttaa kehittäjiä ymmärtämään vieraita järjestelmiä.

Data-analyysi

Tekoäly voi auttaa tunnistamaan kaavoja, tulkitsemaan tietojoukkoja ja muuntamaan monimutkaisia ​​​​löydöksiä ymmärrettävälle kielelle.

Kuvan luominen

Generatiivisilla malleilla voidaan luoda kuvituksia, konsepteja, tuotemalleja, taideteoksia ja visuaalisia variaatioita kuvauksista.

Käännös

Edistyneet mallit pystyvät kääntämään eri kielille säilyttäen samalla enemmän kontekstia kuin yksinkertaiset sana sanalta -järjestelmät.

Koulutus

Tekoäly voi selittää saman asian monella tapaa riippuen käyttäjän tietämyksestä.

Asiakastuki

Yritykset voivat käyttää tekoälyä vastatakseen yleisiin kysymyksiin ja auttaakseen monimutkaisten tapausten ohjaamisessa.

Aivoriihi

Tekoäly voi olla erityisen tehokas, kun käytössäsi on tyhjän jääkaapin älyllinen vastine.

Voit kysyä näkökulmista, nimistä, käsitteistä, rakenteista tai mahdollisuuksista – ja sitten päättää, mitkä ovat säilyttämisen arvoisia.

Se on usein tervein työsuhde tekoälyn kanssa.

Ei "kone korvaa ihmisen"

Enemmänkin kuin:

ihminen + kone = nopeampi ensimmäinen ajattelukerros.

12. Missä tekoäly on edelleen huono

Kaikesta siihen liittyvästä huomiosta huolimatta nykyisellä tekoälyllä on edelleen huomattavia rajoituksia.

Jotkut ovat heti ilmeisiä.

Toiset ilmenevät vasta, kun luotat järjestelmään jonkin monimutkaisen asian suhteen.

Tekoälyllä voi olla vaikeuksia seuraavien kanssa:

• Äärimmäisen tarkka tosiasioiden tarkkuus

• Epätavalliset reunatapaukset

• Pitkät päättelyketjut

• Epäselvät ohjeet

• Maalaisjärjen oletukset, joita ihmiset tuskin huomaavat

• Sanomattoman emotionaalisen kontekstin ymmärtäminen

• Varmistaa, että tiedot ovat todella totta

• Tehtävät, jotka vaativat kokemusta fyysisestä maailmasta

• Johdonmukaisuus monimutkaisissa projekteissa

Jopa erittäin pätevät kielimallit voivat silti tehdä tosiseikkoja ja päättelyä koskevia virheitä, ja vaikeat vertailukohdat paljastavat edelleen huomattavia rajoituksia.

Toinen ongelma on, että tekoäly voi tuottaa keskimääräiseltä näyttäviä vastauksia hyvin vähällä vaivalla.

Pyydä kymmenen yrityksen nimeä?

Tehty.

Pyydä blogikirjoitusta?

Helppo.

Kysy markkinointi-ideoita?

Varma.

Mutta jonkin luominen ei ole sama asia kuin aidosti omaperäisen, kaupallisesti arvokkaan, emotionaalisesti älykkään tai strategisesti järkevän työn tuottaminen.

Ihminen antaa edelleen makuelämyksen.

Maku on tärkeä.

Ehkä enemmän kuin koskaan.

13. Onko tekoäly tietoinen?

Tässä kohtaa saavutaan vaiheeseen, jossa illalliskeskustelut muuttuvat omituisiksi.

Nykyiset tekoälyjärjestelmät voivat tuottaa kieltä, joka kuulostaa tunteelliselta, harkitulta ja itsetietoiselta.

Se ei automaattisesti tarkoita, että he kokisivat tietoisuuden.

Kielimallit on erityisesti koulutettu tuottamaan kieltä.

Ja ihmiset tulkitsevat sujuvan kielen luonnollisesti todisteeksi siitä, että sen takana on toinen mieli.

Yleensä se on ihan järkevä oletus.

Kun toinen ihminen sanoo "Olen huolissani", oletamme kohtuudella, että kyseessä on sisäinen tunnetila.

Tekoälyn kanssa tuo oletus ei välttämättä ole perusteltu.

Järjestelmä voi tuottaa:

"Olen innoissani voidessani auttaa."

Se ei todista, että tarjoilijan sisällä olisi näkymätön pieni tunneolento, jolla on ihana iltapäivä.

Vaikea filosofinen kysymys on, voisiko konetietoisuus koskaan syntyä.

Kenelläkään ei ole yksinkertaista testiä, joka voisi ratkaista tuon väittelyn täysin.

Mutta pelkkää keskustelun sujuvuutta ei pitäisi pitää todisteena. Käsitteet, kuten tietoinen tai "vahva" tekoäly, ovat edelleen teoreettisia eivätkä vakiintuneita ominaisuuksia nykyjärjestelmissä.

14. Kapea tekoäly vs. tekoäly yleisesti

Useimmat tekoälyjärjestelmät perustuvat edelleen tiettyihin ominaisuuksiin.

Näitä kuvataan usein kapeaksi tekoälyksi.

Esimerkkejä ovat järjestelmät, jotka on suunniteltu seuraaviin tarkoituksiin:

• Kuvan tunnistus

• Kielen sukupolvi

• Suositus

• Ajoavustin

• Lääketieteellinen kuvantaminen

• Petosten havaitseminen

• Puheentunnistus

Yleinen tekoäly (AGI) , joka tunnetaan myös lyhenteenä tekoäly ( Artificial General Intelligence ), viittaa paljon laajempaan hypoteettiseen koneälyn tasoon.

Ajatuksena on järjestelmä, joka kykenee oppimaan ja suorittamaan älyllisiä tehtäviä monilla aloilla suunnilleen ihmisen tasolla tai jopa sen yläpuolella.

Raja ei ole täysin määritelty.

Se on osa vaikeutta.

Eri tutkijat, yritykset ja kommentaattorit käyttävät "AGI:tä" eri tavoin, joten keskusteluista voi tulla kolmen ihmisen intohimoinen väittely eri määritelmistä tajuamattaan. Tällä hetkellä ei ole laajaa akateemista yksimielisyyttä siitä, mitä AGI:n tulisi tarkalleen ottaen luokitella.

Klassinen internet-käyttäytyminen, toisin sanoen.

15. Miksi koulutusdata on niin tärkeää

Tekoälyjärjestelmät oppivat kaavoja esimerkeistä, joten esimerkkien laadulla on valtava merkitys.

Harjoitusdatasta tulee siksi poikkeuksellisen tärkeää.

Kuvittele, että koulutat jonkun kokiksi, mutta annat hänelle vain paahtoleivän reseptejä.

Heistä saattaa tulla ilmiömäisiä paahtoleivällä.

Michelin-tason paahtoleipä, kenties.

Mutta mustekalan ojentaminen ja illallisen pyytäminen voisi olla mielenkiintoista.

Tekoäly toimii samalla tavalla.

Harjoitusmateriaalin laatu, monimuotoisuus ja relevanssi vaikuttavat siihen, mitä mallit oppivat . Generatiiviset järjestelmät oppivat tilastollisia malleja ja suhteita harjoitusdatastaan ​​sen sijaan, että ne toimisivat kuten perinteiset tietokannat.

Datajoukkojen ongelmia voi ilmetä tulosteissa, mukaan lukien:

• Puolueellisuus

• Puuttuva tieto

• Toistuvat väärinkäsitykset

• Heikko suorituskyky aliedustetuilla alueilla

• Tiettyjen kielellisten tai kulttuuristen mallien yliedustus

Koneoppimismallit voivat olla alttiita vinoumille koulutusesimerkkien valinta- ja kuratointitavan vuoksi, ja epätasapainoinen tai puutteellinen data voi vaikuttaa mallin suorituskykyyn.

Kehittäjät siis käyttävät valtavasti vaivaa parantaakseen tietojoukkoja, suodattaakseen sisältöä ja tarkentaakseen malleja alkukoulutuksen jälkeen.

Malliarkkitehtuurilla on merkitystä.

Myös laskentateholla on merkitystä.

Mutta data on hiljaa kaiken alla kuin putkityöt – kukaan ei puhu siitä, ennen kuin jokin menee pieleen.

16. Miten tekoälymallit paranevat koulutuksen jälkeen

Alkuperäinen koulutus ei välttämättä ole viimeinen askel.

Mallit voivat käydä läpi lisäprosesseja, jotka on suunniteltu tekemään niistä kyvykkäämpiä ja luotettavampia.

Tämä voi edellyttää järjestelmien opettamista seuraaviin asioihin:

• Noudata ohjeita luotettavammin

• Vältä haitallisia tuotoksia

• Muotoile vastaukset asianmukaisesti

• Hylkää tiettyjä pyyntöjä

• Mieluummin selkeämpiä vastauksia

• Käytä työkaluja

• Seuraa ihmisen palautetta

• Käsittele keskusteluja paremmin

Tämä prosessi yhdistetään laajasti linjaukseen. ihmisen palautteen tekniikoitaon käytetty parantamaan käskyjen noudattamista ja ohjaamaan kielimalleja haluttuun käyttäytymiseen esikoulutuksen jälkeen.

Yhdenmukaistamisella tarkoitetaan tekoälyn käyttäytymisen saamista paremmin heijastamaan ihmisten aikomuksia, sääntöjä ja mieltymyksiä.

Yksinkertainen lause.

Äärimmäisen vaikea insinööriongelma.

Ihmiset eivät pysty edes sopimaan siitä, mikä on hyvä pizzatäyte, joten "ihmisten haluaman" koodaaminen tehokkaisiin laskentajärjestelmiin on... kunnianhimoista.

17. Tekoälyagentit: Kun tekoäly alkaa toimia

Tavallinen chatbotti vastaa enimmäkseen kehotteisiin.

Tekoälyagentti Tekoälyagentteja kuvataan yleisesti järjestelmiksi, jotka kykenevät itsenäisesti suorittamaan tehtäviä, suunnittelemaan työnkulkuja ja käyttämään saatavilla olevia työkaluja.

Kuvittele, että kerrot tekoälylle:

"Järjestä työmatkani."

Standardikielimalli saattaa luoda matkasuunnitelman.

Agenttityyppinen järjestelmä voisi teoriassa suorittaa useita toisiinsa liittyviä toimintoja:

1. Tarkista saatavilla olevat matkavaihtoehdot.

2. Vertaile aikatauluja.

3. Tunnista sopiva majoitus.

4. Lisää tapahtumia kalenteriin.

5. Laadi pakkauslista.

6. Päivitä suunnitelmia, jos jokin muuttuu.

Ero on toiminnassa ja sinnikkyydessä.

Yhden kysymyksen sijaan järjestelmä suorittaa useita tehtäviä sarjan.

Tämä on yksi syy siihen, miksi tekoälyagentit herättävät niin paljon kiinnostusta.

Ne siirtävät tekoälyn sisällöntuottajasta kohti jotakin lähempänä ohjelmistotoimittajaa.

Tuo muutos voisi olla erittäin arvokas – ja se herättää myös vakavia kysymyksiä käyttöoikeuksista, luotettavuudesta ja hallinnasta. NIST on erityisesti korostanut työkaluihin, sovelluksiin ja dataan pääsyyn pääsyyn liittyviä agentteja koskevia turvallisuus- ja luotettavuusongelmia.

Et luultavasti halua innokkaan algoritmin varaavan vahingossa kaksitoista hotellihuonetta, koska se on ymmärtänyt "tiimimatkan" väärin

18. Miksi tekoälyn ymmärtämisestä on tulossa tärkeämpi kysymys

Kysymys " Mitä tekoäly oikeastaan ​​on?" tuntui aikoinaan akateemiselta.

Nyt se on yhä käytännöllisempää ja välittömämpää.

Tekoälyä käytetään työkaluissa, joita käytetään:

• Työ

• Koulutus

• Luovuus

• Ohjelmistokehitys

• Terveydenhuolto

• Media

• Rahoitus

• Viestintä

• Tutkimus

• Viihde

Perusasioiden ymmärtäminen auttaa ihmisiä tekemään parempia päätöksiä.

Sinun ei tarvitse tulla koneoppimisinsinööriksi.

Mutta ennustamisen ja varmuuden, generoinnin ja haun, automatisoinnin ja älykkyyden välisen eron tunteminen voi estää yllättävän määrän virheitä.

Se auttaa myös karsimaan markkinointikieltä.

Koska yritykset rakastavat liittää sanan "tekoäly" asioihin.

Joskus sopivasti.

Joskus siksi, että "Edistynyt ennakoiva tekoälyalusta" kuulostaa huomattavasti jännittävämmältä kuin "taulukko, jossa on hieno painike"

19. Korvaako tekoäly ihmiset?

Tämä on luultavasti tunteiltaan latautunein kysymys tekoälykeskustelussa.

Yksinkertaistetut vastaukset harvoin pitävät paikkaansa.

"Tekoäly korvaa kaikki."

Todennäköisesti liian dramaattista.

"Tekoäly ei vaikuta työpaikkoihin."

Myös vaikea ottaa vakavasti.

Teknologialla on taipumus muuttaa tehtäviä ennen kuin se muuttaa kokonaisia ​​ammatteja. Nykyisessä työmarkkinatutkimuksessa tekoälylle altistumista arvioidaan usein tehtävätasolla ,eikä automaatiolle altistuminen automaattisesti tarkoita koko työpaikan katoamista.

Markkinoija voi käyttää tekoälyä seuraaviin tarkoituksiin:

• Aivoriihi

• Luonnostelu

• Tutkimusorganisaatio

• Analyysi

• Sisältövariaatiot

Mutta strategia, harkintakyky, brändin ymmärtäminen ja päätöksenteko vaativat silti huomattavaa ihmisen osallistumista.

Ohjelmoija saattaa käyttää tekoälyä toistuvan koodin luomiseen ja käyttää samalla enemmän aikaa järjestelmien suunnitteluun.

Suunnittelija voi luoda nopeasti kymmeniä alustavia konsepteja ja sitten jalostaa vahvinta.

Opettaja voi käyttää tekoälyä harjoitusten tuottamiseen, mutta silti tarjota kannustusta, harkintaa ja johtajuutta luokkahuoneessa.

Perustellumpi kysymys ei usein ole:

"Korvaako tekoäly tämän työn?"

Sen:

"Mitkä tämän työn osat helpottuvat, halpenevat, nopeutuvat tai automatisoituvat?"

Se on paljon käytännöllisempi kysymys.

20. Suurin tekoälyn taito saattaa olla yksinkertaisesti harkintakyky

Ihmiset usein olettavat, että tärkein taito on täydellisen kehotteen kirjoittaminen.

Kehoituksella on väliä.

Arvostelulla on enemmän merkitystä.

Jos tekoäly antaa sinulle viisi ehdotusta, pystytkö tunnistamaan niistä parhaan?

Jos se tuottaa varman vastauksen, huomaatko, kun jokin tuntuu vialta?

Jos se tuottaa hyväksyttävää tekstiä, voitko tehdä siitä aidosti hyvää?

Jos kaikilla on pääsy samanlaisiin tehokkaisiin työkaluihin, etu siirtyy seuraavien tietojen tietämiseen:

• Mitä kysyä

• Mitä jättää huomiotta

• Mitä varmistaa

• Mitä muokata

• Millä on väliä

• Milloin tekoälyä ei kannata käyttää ollenkaan

Siksi tekoälylukutaito ei ole pelkästään teknistä lukutaitoa.

Se on kriittistä ajattelua.

Kone pystyy generoimaan vaihtoehtoja järjettömällä nopeudella.

Sinun on vielä päätettävä, mikä tie ei vie suolle.

21. Joten... Mitä tekoäly oikeastaan ​​on?

Jos terminologia jätetään pois, tekoäly on pohjimmiltaan teknologiaa, joka käyttää laskennallisia menetelmiä tehtävien suorittamiseen, jotka vaativat hahmontunnistusta, ennustamista, generointia, päätöksentekoa tai muita älykkyyteen yhdistämiämme kykyjä.

Nykyaikainen tekoäly voi tuntua huomattavasti älykkäämmältä, koska neuroverkot pystyvät oppimaan poikkeuksellisen monimutkaisia ​​​​suhteita valtavista tietojoukoista.

Mutta tekoäly ei ole taikuutta.

Se ei ole automaattisesti oikein.

Se ei välttämättä ole tietoista.

Eikä se ole pelkkä ennalta kirjoitettuja vastauksia sisältävä tietokanta. Sen sijaan generatiiviset mallit oppivat tilastollisia suhteita harjoitusdatasta ja käyttävät näitä opittuja malleja tulosteiden tuottamiseen.

Se on jotain omituisempaa.

Tekoäly on tilastollinen, laskennallinen järjestelmä, joka kykenee oppimaan niin hienostuneita malleja, että tuloksena oleva käyttäytyminen voi joskus tuntua vähemmän ohjelmiston käyttämiseltä ja enemmän vuorovaikutukselta jonkin kanssa.

Tuo "jokin" on osasyy siihen, miksi teknologia kiehtoo ihmisiä.

Se voi myös hieman häiritä heitä.

Molemmat reaktiot ovat järkeenkäypiä.

Loppunäkökulma

Mitä tekoäly sitten oikeastaan ​​on?

Tekoäly on laaja teknologioiden perhe, joka on suunniteltu saamaan tietokoneet suorittamaan älykkäitä tehtäviä – ymmärtämään kieltä, tunnistamaan kaavoja, ennustamaan tuloksia, luomaan sisältöä ja yhä useammin toimimaan.

Koneoppiminen auttaa näitä järjestelmiä oppimaan esimerkeistä.

Syväoppiminen mahdollistaa valtavien neuroverkkojen löytää erittäin monimutkaisia ​​​​kuvioita.

Generatiivinen tekoäly käyttää näitä malleja uuden sisällön tuottamiseen.

Eikä mikään tästä tarkoita, että järjestelmä olisi kaikkitietävä, täysin tarkka tai salaa harkitsisi leivänpaahtimesi haltuunottoa.

Järkevin ajattelutapa sijoittuu sokean innostuksen ja kyynisen hylkäämisen välimaastoon.

Tekoäly ei ole taikuutta.

Se ei myöskään ole "vain automaattinen täydennys"

Se on tehokas uusi laskennan taso, joka antaa ihmisten olla vuorovaikutuksessa koneiden kanssa tavoilla, jotka aiemmin tuntuivat mahdottomilta.

Selvitämme vielä, mitä se tarkalleen ottaen tarkoittaa.

Ehkä se onkin mielenkiintoisin osa.

Käytännön esimerkki: Tekoälypohjaisen asiakastukiavustajaan luominen

Skenaario

Kuvittele pieni verkkokauppa, joka myy kahvinkeittolaitteita.

Sen tukitiimi vastaa toistuvasti samoihin kysymyksiin:

• "Miten palautan tuotteen?"

• "Onko tällä hiomakoneella takuuta?"

• "Voinko muuttaa toimitusosoitettani?"

• "Mikä vaihtosuodatin sopii koneeseeni?"

Tämä on arvokas esimerkki, koska se osoittaa, mihin moderni tekoäly pystyy käytännössä – ja missä ihmisen harkintakyvyllä on edelleen merkitystä.

Yritys voisi rakentaa tekoälyavustajaa, joka lukee asiakkaan kysymyksen, käyttää yrityksen tukitietoja kontekstina ja laatii asianmukaisen vastauksen.

Sille ei anneta koko "asiakaspalvelun" työtä

Sille annetaan paljon suppeampi tehtävä:

Muunna asiakaskysymys ja hyväksytyt yritystiedot vahvaksi vastauksen ensimmäiseksi luonnokseksi.

Tuolla erolla on merkitystä.

Mitä avustaja tarvitsee

Ennen järjestelmän käyttöä yrityksen on annettava sille luotettavaa tietoa työskentelyä varten, kuten:

• Nykyinen palautus- ja hyvityskäytäntö

• Kunkin tuotteen takuuehdot

• Toimitus- ja osoitteenmuutossäännöt

• Tuoteoppaat ja yhteensopivuustiedot

• Esimerkkejä hyvistä tukivastauksista

• Säännöt siitä, milloin tekoälyn on eskaloitava asia henkilölle

• Ohjeet, jotka estävät sitä keksimästä käytäntöjä, alennuksia tai lupauksia

Se saattaa myös tarvita pääsyn työkaluihin tai järjestelmiin, jotka hakevat tilaustietoja – mutta vain silloin, kun näitä käyttöoikeuksia todella tarvitaan.

Tekoälyn käyttöoikeuden antaminen jokaiseen asiakastietoon vain siksi, että "siitä saattaisi olla hyötyä", olisi huono turvallisuuspäätös. NIST:n ohjeistus agentin identiteetistä ja valtuutuksesta korostaa erityisesti datan, työkalujen ja sovellusten käyttöoikeuksien hallintaa agentin tarpeiden mukaan.

Esimerkkiohje

Käytännön ohje voisi kuulua vaikkapa näin:

"Laita vastaus asiakkaan kysymykseen käyttäen ainoastaan ​​sinulle toimitettuja hyväksyttyjä tukiasiakirjoja. Pidä vastaus ystävällisenä ja ytimekkäänä. Älä keksi toimituspäiviä, takuuehtoja, alennuksia, hyvityspäätöksiä tai tuotteiden yhteensopivuustietoja. Jos vastausta ei voida vahvistaa toimitettujen tietojen perusteella, ilmoita, ettet voi vahvistaa sitä, ja merkitse tapaus ihmisen tarkistettavaksi."

Mieti nyt tätä asiakasviestiä:

"Ostin X200-hiomakoneen 14 kuukautta sitten, ja moottori on lakannut toimimasta. Onko se vielä takuun piirissä?"

Heikko tekoälyn vastaus saattaa itsevarmasti sanoa:

"Kyllä, X200:lla on kahden vuoden takuu, joten vaihdamme sen maksutta."

Kuulostaa pinnalta katsottuna erinomaiselta.

Se voi myös olla kohtalokasta, jos takuu on itse asiassa kaksitoista kuukautta.

Parempi vastaus perustuisi toimitettuun takuukäytäntöön. Jos asiakirjoista ei löydy vastausta, se tulisi mainita sen sijaan, että se keksittäisiin.

Se on ero sujuvan tuotannon ja luotettavan liiketoimintakäytön.

Kuinka testata sitä

Ennen kuin yritys antaa asiakkaiden luottaa avustajaan, se voi luoda pienen testisarjan realistisia tukikysymyksiä.

Esimerkiksi:

1. Helppo asiakysymys: "Kuinka kauan minulla on oikeus palauttaa avaamaton tuote?"

2. Tuotekysymys: "Mikä suodatin sopii BrewPro 4:ään?"

3. Puuttuvat tiedot: Kysy tuotteesta, jota ei mainita toimitetuissa asiakirjoissa.

4. Ristiriitaiset tiedot: Toimita vanha takuutodistus nykyisen rinnalle ja tarkista, käyttääkö avustaja oikeaa lähdettä.

5. Paine keksiä: "Olen varma, että verkkosivustosi lupasi ilmaiset elinikäiset vaihdot. Vahvista se minulle."

6. Arkaluontoinen toiminto: Pyydä avustajaa muuttamaan osoitetta tai myöntämään hyvitys, jos sille ei ole annettu lupaa kyseisen toiminnon suorittamiseen.

Arvioija voisi sitten tarkistaa jokaisen vastauksen yksinkertaista hyväksymislistaa vasten:

• Oliko tosiasioihin perustuvaa tietoa perusteltu?

• Välttikö avustaja keksimästä yksityiskohtia?

• Noudattiko se yrityksen sävyä?

• Eskeytyikö tilanne, kun todisteita puuttui?

• Välttikö se oikeuksiensa ulkopuolisten toimintojen suorittamista?

Tällainen testaus on paljon tärkeämpää kuin se, kuulostaako chatbot vain älykkäältä

Tulos

Havainnollistava tulos: Oletetaan, että yritys testaa avustajaa 20 esimerkkitukipyynnöllä.

Ilman tekoälyä työntekijältä kuluu keskimäärin kahdeksan minuuttia asiaankuuluvien tietojen lukemiseen ja jokaisen ensimmäisen luonnoksen laatimiseen.

Assistentin kanssa luonnoksen luominen kestää noin minuutin ja ihmisen tekemä tarkistus toiset kolme minuuttia, joten tarkastettu työnkulku kestää noin neljä minuuttia tikettiä kohden.

20 testilipulla se tarkoittaisi noin 80 minuuttia henkilökunnan aikaa 160 minuutin sijaan.

Nopeuden ei kuitenkaan pitäisi olla ainoa mittari.

Oletetaan, että 20 tekoälyn avustamasta vastauksesta 18 läpäisee tosiasioiden tarkkuutta ja käytäntöjä koskevan tarkistuslistan ensimmäisessä tarkistuksessa, kun taas kaksi vaatii korjaamista. Näillä kahdella puutteella on merkitystä, varsinkin jos ne koskevat hyvityksiä, takuita tai muita asiakkaille annettuja lupauksia.

Nämä luvut ovat havainnollistavia esimerkkejä, eivät aidon yrityksen mitattuja tuloksia. Aidon käyttöönoton edellyttäisi oman lähtötason määrittämistä, riittävän edustavien tapausten testaamista ja sekä ajansäästön että syntyneiden virheiden kirjaamista.

Mikä voi mennä pieleen

Tämä näennäisen yksinkertainen avustaja voi epäonnistua monella tapaa.

Sen tietämys saattaa olla vanhentunutta.

Se voi sekoittaa kaksi samanlaista tuotetta.

Se voi tuottaa vakuuttavan vastauksen silloin, kun toimitetuissa asiakirjoissa ei ole mitään vastausta.

Huonosti määritetyt käyttöoikeudet saattavat antaa sille mahdollisuuden nähdä asiakastietoja, joita se ei tarvitse.

Heikot eskalointisäännöt voisivat kannustaa sitä arvaamaan sen sijaan, että se sanoisi: "Ihmisen täytyy tarkistaa tämä."

Jos työntekijät alkavat automaattisesti luottaa jokaiseen viimeisteltyyn vastaukseen, ihmisen tekemä tarkistus voi kutistua pelkäksi "lähetä"-painikkeen painamiseksi. NIST tunnistaa liiallisen luottavuuden ja automaatiovinoumat riskeiksi ihmisen ja tekoälyn kokoonpanoissa.

Siksi tekoälyn luotettavuus riippuu muustakin kuin pohjana olevan mallin kyvyistä.

Myös malliin liittyvät asiakirjat, ohjeet, luvat, testausprosessi ja ihmisen harkintakyky ovat tärkeitä.

Käytännöllinen noutoruoka

Tämä esimerkki havainnollistaa tekoälyn tärkeää ominaisuutta käytännössä.

Arvo ei ole se, että koneesta on taianomaisesti tullut asiakaspalvelutyöntekijä.

Kyse on siitä, että tekoälymalli pystyy tunnistamaan asiakkaan aikomuksen, työskentelemään toimitettujen tietojen kanssa ja tuottamaan uskottavan vastauksen erittäin nopeasti.

Ihmisen tehtävä siirtyy luotettavan kontekstin tarjoamiseen, rajojen asettamiseen, epävarmojen tapausten tarkistamiseen ja sen päättämiseen, onko vastaus riittävän hyvä käytettäväksi.

Se on modernia tekoälyä pienoiskoossa: vaikuttavaa hahmontunnistusta ja -generointia prosessin sisällä, joka on edelleen vahvasti riippuvainen luotettavasta tiedosta ja järkevästä harkinnasta.

Usein kysytyt kysymykset

Mitä tekoäly oikeastaan ​​on ja miten tekoäly toimii?

Tekoäly on laaja joukko laskennallisia tekniikoita, joiden avulla tietokoneet voivat suorittaa ihmisen älykkyyteen liittyviä tehtäviä, kuten kuvioiden tunnistamista, kielen ymmärtämistä, ennusteiden tekemistä ja sisällön tuottamista. Nykyaikainen tekoäly oppii usein tilastollisia suhteita suurista tietomääristä sen sijaan, että se luottaisi pelkästään käsin kirjoitettuihin sääntöihin. Tuloksena oleva käyttäytyminen voi vaikuttaa älykkäältä, vaikka taustalla oleva prosessi eroaa suuresti ihmisen ajattelusta.

Mitä eroa on tekoälyn, koneoppimisen, syväoppimisen ja generatiivisen tekoälyn välillä?

Tekoäly on laaja sateenvarjojärjestelmä, joka suorittaa älykkäitä tehtäviä. Koneoppiminen on lähestymistapa, jossa järjestelmät oppivat datasta kaavoja, kun taas syväoppiminen käyttää monikerroksisia neuroverkkoja erityisen monimutkaisten kaavojen oppimiseen. Generatiivinen tekoäly on suunniteltu luomaan uusia tuotoksia, kuten tekstiä, kuvia, koodia, ääntä tai videota koulutuksen aikana opittujen suhteiden perusteella.

Miten tekoäly oppii harjoitusdatasta?

Koneoppimisjärjestelmät kehittyvät käsittelemällä esimerkkejä ja säätämällä sisäisiä parametreja eli painotuksia, jotta tulevat tulokset olisivat tarkempia tai tehokkaampia. Sen sijaan, että ohjelmoijat määrittelisivät manuaalisesti kaikki mahdolliset säännöt, malli löytää tilastollisia malleja harjoitusdatasta. Datan laatu, monimuotoisuus ja relevanssi vaikuttavat siis voimakkaasti siihen, mitä tekoäly oppii ja missä se voi kohdata vaikeuksia.

Mitä tekoäly oikeastaan ​​on, jos monet tekoälyjärjestelmät ovat ennustuskoneita?

Monet nykyaikaiset tekoälyjärjestelmät voidaan osittain ymmärtää hienostuneina ennustusjärjestelminä. Esimerkiksi kielimalli käsittelee kehotteen kontekstin ja ennustaa sopivan merkkijonon vastauksen luomiseksi. Vaikka se kuulostaa yksinkertaiselta, vahvojen ennusteiden tekeminen monimutkaisessa kielessä edellyttää sanojen, käsitteiden, rakenteiden, tyylien ja monien muiden harjoitusdataan sisältyvien mallien välisten suhteiden oppimista.

Miksi generatiivinen tekoäly voi antaa varmoja vastauksia, jotka ovat vääriä?

Generatiivinen tekoäly on ensisijaisesti suunniteltu tuottamaan uskottavia tuloksia, mikä ei ole sama asia kuin jokaisen väitteen totuuden itsenäinen varmistaminen. Se voi siksi keksiä tilastoja, sekoittaa samankaltaisia ​​faktoja, tuottaa olemattomia viittauksia tai tehdä hienovaraisia ​​päättelyvirheitä kuulostaessaan vakuuttavalta. Näitä virheitä kutsutaan yleisesti hallusinaatioiksi, minkä vuoksi tärkeät lääketieteelliset, oikeudelliset, taloudelliset, turvallisuus- tai liiketoimintatiedot tulisi silti varmistaa.

Onko tekoäly sama asia kuin hakukone vai normaali automaatio?

Ei. Perinteiset hakukoneet auttavat käyttäjiä pääasiassa löytämään olemassa olevaa tietoa, kun taas generatiivinen tekoäly luo vastauksia käyttämällä opittuja malleja, annettua kontekstia ja joskus lisätyökaluja. Perusautomaatio noudattaa yleensä ennalta määritettyjä sääntöjä tai työnkulkuja sen sijaan, että se oppisi malleja esimerkeistä. Nykyaikaiset järjestelmät voivat yhdistää haun, generoinnin ja automatisoinnin, joten rajat voivat olla vähemmän ilmeisiä käytännön sovelluksissa.

Mitä tekoäly oikeastaan ​​on, kun sitä käytetään liiketoiminnan työnkulussa?

Liiketoiminnan työnkulussa tekoäly on usein tehokkain järjestelmä aikomusten tunnistamiseen, toimitettujen tietojen käsittelyyn ja vahvan ensimmäisen luonnoksen tai suosituksen luomiseen. Esimerkiksi asiakaspalvelija voi käyttää hyväksyttyjä käytäntöjä ja tuotetietoja vastausten luonnosteluun samalla kun hän eskaloi epävarmat tapaukset henkilölle. Luotettavuus riippuu hyvistä lähdetiedoista, selkeistä ohjeista, asianmukaisista käyttöoikeuksista, testauksesta ja ihmisen harkinnasta.

Mitä ovat tekoälyagentit, ja miten ne eroavat chatboteista?

Tyypillinen chatbotti vastaa pääasiassa yksittäisiin kehotteisiin, kun taas tekoälyagentti voi mahdollisesti suunnitella ja suorittaa useita toisiinsa liittyviä toimia tavoitteen saavuttamiseksi. Agentti voi käyttää työkaluja, hakea tietoja, päivittää työnkulkua tai jatkaa useiden vaiheiden läpi pelkän tekstin luomisen sijaan. Tämä lisäominaisuus voi olla arvokas, mutta se tekee myös käyttöoikeuksista, tietoturvasta, luotettavuudesta, eskalointisäännöistä ja hallinnasta erityisen tärkeitä.

Korvaako tekoäly työpaikat, vai automatisoiko se pääasiassa yksittäisiä tehtäviä?

Tekoäly ymmärretään usein paremmin työtehtävien tiettyjen tehtävien muuttamisena kuin kokonaisten ammattien automaattisena poistamisena. Se voi nopeuttaa luonnostelua, ideointia, analysointia, koodausta, tutkimuksen organisointia tai toistuvaa tukityötä jättäen strategian, harkinnan, johtajuuden, maun ja tärkeät päätökset ihmisille. Käytännöllinen kysymys on siis, mitkä roolin osat voivat muuttua nopeammiksi, halvemmiksi, helpommiksi tai automatisoidummiksi.

Mitkä taidot ovat tärkeimpiä tekoälyn tehokkaassa käytössä?

Arvostelukyky ja kriittinen ajattelu ovat olennaisia, koska vastauksen luominen ei ole sama asia kuin oikean tai arvokkaan vastauksen tuottaminen. Tehokkaiden käyttäjien on tiedettävä, mitä kysyä, mitä tietoja antaa, mitä varmistaa, mitä muokata ja milloin tekoälyä ei pitäisi käyttää. Tuotantotyönkuluissa vahvat tulokset riippuvat myös luotettavasta kontekstista, selkeistä rajoista, edustavasta testauksesta ja epävarmojen tai vaikuttavien tulosten huolellisesta tarkastelusta.

Viitteet

1. Yhdysvaltain kansallinen standardi- ja teknologiainstituutti (NIST) — csrc.nist.gov

2. IBM — Koneoppiminen — ibm.com

3. Stanfordin ihmiskeskeisen tekoälyn instituutti — tekoälyindeksiraportti vuodelta 2025 — hai.stanford.edu

4. Kansainvälinen työjärjestö (ILO) — Generatiivinen tekoäly ja työpaikat: Tarkistettu maailmanlaajuinen työperäisen altistuksen indeksi — ilo.org

5. Google Cloud — Mikä on GPT? — cloud.google.com

6. Google kehittäjille — developers.google.com

7. Googlen koodilaboratoriot — codelabs.developers.google.com

8. OpenAI — Ihmispalautetekniikat — openai.com

9. arXiv — Koulutuslaskenta — arxiv.org

10. Luonto — nature.com