Mitä tekoälytyyppejä on olemassa? [Video ja tietokilpailu]

Lyhyt vastaus: Tekoälytyypit ymmärretään parhaiten kyvykkyyden, toiminnallisuuden, koulutustyylin ja käyttötapauksen perusteella. Kapea tekoäly on nykyään yleinen, kun taas yleinen tekoäly ja supertekoäly ovat edelleen teoreettisia. Työkalua valittaessa on tärkeää sovittaa luokka tehtävään, siihen liittyviin riskeihin ja ihmisen suorittaman tarkastelun tarpeeseen.

Keskeiset tiedot:

Luokittelu: Erota ominaisuudet, toiminnallisuus, koulutusmenetelmä ja käyttötapaus ennen järjestelmien vertailua.

Ihmisen tekemä tarkistus: Tarkista generatiiviset, ennustavat ja keskustelupohjaiset tulosteet ennen kuin luotat niihin.

Läpinäkyvyys: Kysy, mitkä tiedot, logiikka ja rajoitukset muokkaavat kutakin tekoälyjärjestelmää.

Vastuullisuus: Pidä ihmiset vastuullisina, kun tekoäly vaikuttaa päätöksiin, käyttäjiin tai turvallisuuteen.

Riskienhallinta: Testaa puolueellisuutta, yksityisyyttä, turvallisuutta ja väärinkäyttöä ennen käyttöönottoa.

---

1. Mitä tekoälytyyppejä on olemassa?

Kun ihmiset kysyvät: "Mitä tekoälyn tyyppejä?", he tarkoittavat yleensä yhtä kahdesta asiasta:

He saattavat kysyä tekoälystä sen ominaisuuksien, kuten pystyykö se suorittamaan vain yhden tehtävän vai päättelemään laajemmin ihmisen kaltaisella tavalla.

Tai he saattavat kysyä tekoälystä sen toiminnallisuudeneli sen perusteella, miten järjestelmä käyttäytyy, oppii, muistaa, ennustaa tai reagoi.

Siinä kohtaa asiat menevät hieman mutkikkaaksi. Tekoälyä ei ole ryhmitelty yhteen siistiin laatikkoon. Se on enemmänkin kuin keittiövälineiden lajittelua koon, käyttötarkoituksen, terävyyden ja sen mukaan, ostiko setäsi ne epäilyttävästä verkkokaupasta. Eri luokittelujärjestelmät ovat päällekkäisiä.

Pääluokkiin kuuluvat yleensä:

• Kapea tekoäly

• Yleinen tekoäly

• Super tekoäly

• Reaktiiviset koneet

• Rajoitetun muistin tekoäly

• Mielen teoria tekoäly

• Itsetietoinen tekoäly

• Koneoppimisen tekoäly

• Syväoppimisen tekoäly

• Generatiivinen tekoäly

• Ennakoiva tekoäly

• Keskustelullinen tekoäly

• Tietokonenäön tekoäly

• Robotiikan tekoäly

Joitakin näistä käytetään laajalti. Jotkut ovat edelleen enimmäkseen teoreettisia. Jotkut kuulostavat futuristisilta, mutta ne ovat jo sisäänrakennettuina arkipäivän sovelluksiin. Myös "normaalin ohjelmiston" ja "tekoälyn" välinen raja on hämärtynyt ajan myötä.

---

2. Tekoälyn tyypit ominaisuuksien mukaan

Ensimmäinen tärkeä tapa luokitella tekoälyä on sen perusteella, mitä se pystyy tekemään. Tämä on kokonaiskuva 🧠.

Kapea tekoäly

Kapea tekoäly, jota kutsutaan myös heikoksi tekoälyksi, on suunniteltu suorittamaan tietty tehtävä tai rajattu joukko tehtäviä. Tätä tekoälyä ihmiset käyttävät päivittäin.

Esimerkkejä ovat:

• Hakusuositukset

• Roskapostisuodattimet

• Ääniavustajat

• Kasvojentunnistusjärjestelmät

• Chatbotit

• Tuotesuositusmoottorit

• Petosten havaitsemistyökalut

• Kielen käännössovellukset

Kapea tekoäly voi olla voimakas, mutta se ei ole "ajattelemista" laajassa inhimillisessä mielessä. Shakkitekoäly voi voittaa suurmestarin, mutta se ei voi yhtäkkiä päättää ryhtyä leipuriksi. Käännösmalli voi kääntää kappaleen, mutta se ei koe kieltä samalla tavalla kuin ihminen.

Silti kapea tekoäly on modernin tekoälymaailman työjuhta. Se ei ole scifi-tyyliin glamouria, mutta se pyörittää paljon show’ta kulissien takana 🎭.

Yleinen tekoäly

Yleinen tekoäly viittaa tekoälyyn, joka pystyy ymmärtämään, oppimaan, päättelemään ja soveltamaan tietoa monissa eri tehtävissä ihmisen kaltaisella tasolla.

Yksinkertaisesti sanottuna: se ei tekisi vain yhtä asiaa hyvin. Se voisi sopeutua.

Aito yleinen tekoäly voisi mahdollisesti:

• Opettele tuntemattomia tehtäviä

• Järkeile eri aiheissa

• Ratkaise uusia ongelmia

• Siirrä tietoa alalta toiselle

• Ymmärrä kontekstia syvällisemmin

• Tee päätöksiä joustavalla harkinnalla

Tällainen tekoäly on edelleen enemmän tavoite kuin arkipäivän todellisuus. Siitä puhutaan paljon, koska se on kiehtova, ehkä hieman hämmentävä ja käsitteenä vaikea vastustaa. Mutta tavalliset työkalut, jotka kirjoittavat tekstiä, luovat kuvia tai vastaavat kysymyksiin, eivät ole automaattisesti yleistä tekoälyä. Ne saattavat tuntua laajoilta, mutta ne toimivat silti suunniteltujen rajojen sisällä.

Super tekoäly

Supertekoäly ylittäisi ihmisälyn rajat. Ei vain nopeampaa kirjoittamista tai parempaa matematiikkaa – vaan myös parempaa päättelykykyä, luovuutta, strategiaa, oppimista ja ehkä myös emotionaalista tai sosiaalista ymmärrystä.

Tämä on spekulatiivisin kategoria. Se herättää valtavia kysymyksiä:

• Kuka sitä hallitsee?

• Voiko se olla sopusoinnussa ihmisarvojen kanssa?

• Ymmärtäisikö se ihmisten päämääriä oikein?

• Voisiko se parantaa itseään?

• Mitä tapahtuu, jos se tekee päätöksiä, joita ihmiset eivät voi seurata?

Supertekoälyssä tekoälykeskustelut muuttuvat joskus filosofiseksi keitoksi. Arvokas keitto kenties, mutta silti keitto 🍲.

---

3. Tekoälyn tyypit toiminnallisuuden mukaan

Toinen yleinen tapa selittää tekoälyn tyypit on toiminnallisuuden perusteella. Tämä keskittyy tekoälyn käyttäytymiseen.

Reaktiiviset koneet

Reaktiiviset koneet ovat yksinkertaisin tekoälytyyppi. Ne reagoivat nykyiseen syötteeseen käyttämättä muistia aiemmista kokemuksista.

Ne eivät opi ajan kuluessa samalla tavalla kuin nykyaikaiset adaptiiviset järjestelmät. Ne tarkastelevat tilannetta, käsittelevät sen ja reagoivat.

Ajattele niitä näin: ”Syötteet tulevat sisään. Tulosteet menevät ulos. Ei päiväkirjamerkintöjä.”

Reaktiivinen tekoäly voi silti olla vaikuttava. Se voi analysoida pelin mahdollisia liikkeitä tai reagoida selkeästi määriteltyyn tilanteeseen äärimmäisen nopeasti ja tarkasti. Mutta se ei rakenna henkilökohtaista historiaa tai kehity aiempien vuorovaikutusten perusteella.

Rajoitetun muistin tekoäly

Rajoitetun muistin omaava tekoäly voi käyttää aiempaa dataa parempien päätösten tekemiseen. Suuri osa nykyajan käytännön tekoälystä sijoittuu juuri tähän kategoriaan.

Esimerkkejä ovat:

• Suosittelujärjestelmät, jotka oppivat käyttäjien käyttäytymisestä

• Itseohjautuvat ajoneuvojärjestelmät analysoivat viimeaikaisia ​​tieolosuhteita

• Chatbotit muistavat keskustelun kontekstin

• Petosten havaitsemismallit oppivat tapahtumamalleista

• Ennakoivat analytiikkatyökalut, jotka käyttävät historiallista dataa

Rajallinen muisti ei tarkoita "huonoa muistia". Se tarkoittaa, että järjestelmä voi käyttää tallennettua tai viimeaikaista dataa, mutta sillä ei ole ihmisen kaltaista tietoisuutta tai pitkäaikaista henkilökohtaista kokemusta. Se voi kuitenkin olla erittäin tehokas. Joskus ärsyttävän tehokas – kuten silloin, kun ostossovellus tietää mitä haluat ennen kuin myönnät sen itsellesi 🛒.

Mielen teoria tekoäly

Mieliteorian tekoäly ymmärtäisi tunteita, uskomuksia, aikomuksia ja sosiaalisia vihjeitä ihmismäisemmällä tavalla.

Tämän tyyppinen tekoäly ei pelkästään käsittelisi sanoja, vaan se päättelisi, mitä joku saattaisi tuntea, haluta, ymmärtää väärin, pelätä tai odottaa.

Se voi esimerkiksi ymmärtää, että:

• Asiakas on turhautunut, mutta yrittää pysyä kohteliaana

• Opiskelija on hämmentynyt, mutta nolostunut kysyäkseen uudelleen

• Potilas on ahdistunut, vaikka sanookin "olen kunnossa"

• Tiimikaveri epäröi, koska hän on hiljaa eri mieltä

Tämä on edelleen aktiivinen tekoälykeskustelun aihe, mutta todellinen mielen teorian tekoäly on äärimmäisen vaikeaa. Ihmisen tunteet ovat sekaisin. Ihmiset sanovat yhtä ja tarkoittavat toista. Joskus he eivät edes itse tiedä, mitä tarkoittavat. Onnea, kone.

Itsetietoinen tekoäly

Itsetietoisella tekoälyllä olisi tietoisuus, itseymmärrys ja tietoisuus omasta sisäisestä tilastaan.

Tämä on teoreettista. Se kuuluu tieteiskirjallisuuteen, etiikkapaneeleihin, myöhään illalla käytäviin väittelyihin ja ihmisiin, jotka tuijottavat dramaattisesti ulos ikkunoista 🌙.

Itsetietoinen tekoäly ei pelkästään simuloisi keskustelua tunteista. Sillä olisi jonkinlainen subjektiivinen kokemus. Se on valtava väite. Nykyisillä tekoälyjärjestelmillä ei ole varmennettua tietoisuutta, tunteita, haluja tai minuutta.

Ne voivat kuulostaa itsetietoisilta, koska kieli voi matkia itsetutkiskelua. Mutta kuulostaa joltain ja olla jokin eivät ole sama asia. Papukaija voi sanoa "Minulla on nälkä", mutta se ei tarkoita, että sillä olisi ravintolavaraus.

---

4. Vertailutaulukko: Tekoälyn päätyypit

Tekoälyn tyyppi	Pääajatus	Nykyinen tila	Yleisiä esimerkkejä	Miksi sillä on merkitystä
Kapea tekoäly	Rakennettu tiettyihin tehtäviin	Laajasti käytetty	Chatbotit, haku, suositukset	Käytännöllinen ja kaikkialla
Yleinen tekoäly	Ihmisen kaltainen joustava älykkyys	Ei täysin saavutettu	Enimmäkseen teoreettinen	Suuri tavoite, suuri keskustelu
Super tekoäly	Älykkäämpiä kuin ihmiset yleisesti ottaen	Spekulatiivinen	Ei käytännön esimerkkiä	Valtavia eettisiä kysymyksiä
Reaktiiviset koneet	Reagoi ilman muistia	Käytetään rajoitetuissa tapauksissa	Pelien tekoäly, sääntöpohjaiset järjestelmät	Nopea, mutta ei mukautuva
Rajoitetun muistin tekoäly	Käyttää tietoja/historiaa parannuksiin	Hyvin yleinen	Itseohjautuvat järjestelmät, petostentorjuntatyökalut	Tämä on jokapäiväinen kuljettaja 🚗
Mielen teoria tekoäly	Ymmärtää tunteita ja aikomuksia	Kehittyvä konsepti	Edistyneet sosiaalisen tekoälyn ideat	Voisi tehdä tekoälystä ihmistietoisemman
Itsetietoinen tekoäly	Onko tietoinen	Teoreettinen	Scifi-tyylin esimerkkejä	Filosofisesti massiivinen
Generatiivinen tekoäly	Luo uutta sisältöä	Laajasti käytetty	Teksti-, kuva- ja äänityökalut	Luovan tuottavuuden tehostaminen
Ennakoiva tekoäly	Ennusteiden tulokset	Laajasti käytetty	Riskien pisteytys, kysynnän suunnittelu	Auttaa päätöksenteossa – enimmäkseen
Robotiikan tekoäly	Ohjaa fyysisiä koneita	Käytetään teollisuudessa	Robotit, droonit, automaatio	Yhdistää tekoälyn fyysiseen työhön

Hieman epätasainen? Kyllä. Mutta niin tekoäly toimii myös arkielämässä – ei museonäyttelynä täydellisine etiketteineen.

---

5. Generatiivinen tekoäly: tyyppi, josta kaikki puhuvat 🎨

Generatiivinen tekoäly on yksi suosituimmista tekoälytyypeistä, koska se luo asioita.

Se voi tuottaa:

• Teksti

• Kuvat

• Musiikki

• Koodi

• Video

• Tuotekuvaukset

• Markkinointiteksti

• Tuntisuunnitelmat

• Yhteenvedot

• Synteettinen data

• Suunnitteluideoita

Generatiivinen tekoäly toimii oppimalla kaavoja suurista datamääristä ja tuottamalla sitten uusia tuloksia kehotteiden perusteella. Se ei kopioi siinä yksinkertaisessa mielessä, kuten ihmiset joskus kuvittelevat. Se ennustaa, yhdistää, muuttaa ja luo opittujen rakenteiden perusteella.

Siitä huolimatta se voi silti tehdä virheitä. Se voi kuulostaa itsevarmalta, vaikka onkin väärässä, mikä on pohjimmiltaan kuin koneellinen versio henkilöstä, joka selittää verolakeja perheen grillijuhlissa.

Generatiivinen tekoäly on arvokas seuraavissa asioissa:

• Aivoriihi

• Sisällön luonnostelu

• Toistuvan kirjoittamisen automatisointi

• Visuaalisten konseptien luominen

• Asiakaspalvelun tukeminen

• Koodaustehtävien nopeuttaminen

• Oppimateriaalien personointi

Mutta se vaatii tarkastelua. Aina. Tekoälyn tuotos voi olla vaikuttavaa, mutta se ei ole automaattisesti tarkkaa, reilua, laillista tai bränditurvallista. Kohtele sitä kuin erittäin nopeaa avustajaa, jolla on aika ajoin taipumuksia omituisuuteen.

---

6. Koneoppimiseen perustuva tekoäly: Kaavojen etsijä

Koneoppiminen on tekoälyn merkittävä haara, jossa järjestelmät oppivat datasta kaavoja sen sijaan, että ne ohjelmoitaisiin rivi riviltä jokaista päätöstä varten.

Perinteinen ohjelmisto noudattaa selkeitä sääntöjä. Koneoppimisjärjestelmät tunnistavat suhteita ja parantavat suorituskykyä koulutuksen avulla.

Esimerkiksi:

• Roskapostisuodatin oppii, miltä epäilyttävät sähköpostit näyttävät

• Pankkimalli havaitsee epätavallista tapahtumakäyttäytymistä

• Suoratoistosovellus suosittelee ohjelmia katselutottumusten perusteella

• Rekrytointityökalu voi asettaa ehdokkaat paremmuusjärjestykseen määriteltyjen signaalien perusteella

• Lääketieteellinen kuvantamismalli voi korostaa mahdollisia poikkeavuuksia

Koneoppiminen voi olla ohjattua, ohjaamatonta tai vahvistuspohjaista.

Ohjattu oppiminen

Ohjatussa oppimisessa käytetään merkittyjä esimerkkejä. Esimerkiksi kuvat voidaan merkitä nimellä ”kissa” tai ”ei kissa”. Malli oppii eron.

Ohjaamaton oppiminen

Ohjaamaton oppiminen etsii malleja, joilla ei ole nimettyjä vastauksia. Se voi ryhmitellä asiakkaita segmentteihin tai havaita piileviä klustereita datassa.

Vahvistava oppiminen

Vahvistavassa oppimisessa oppii saamalla palkintoja tai rangaistuksia toiminnoista. Tämä on yleistä pelien tekoälyssä, robotiikassa ja optimointiongelmissa.

Koneoppiminen ei ole taikuutta. Se on vahvasti riippuvainen datan laadusta. Huono data johtaa huonoihin malleihin – roskaa sisään, roskaa älytakin päälle.

---

7. Syväoppiva tekoäly: Neuroverkkojen voimanpesä 🧬

Syväoppiminen on erikoistunut koneoppimisen tyyppi, joka käyttää kerrostettuja neuroverkkoja monimutkaisten kuvioiden käsittelyyn.

Se on erityisen arvokas seuraaville:

• Puheentunnistus

• Kuvan tunnistus

• Luonnollisen kielen käsittely

• Autonomiset järjestelmät

• Lääketieteellinen kuvananalyysi

• Käännös

• Generatiiviset tekoälymallit

• Monimutkaiset ennustustehtävät

”Syvä” osa viittaa useisiin mallin tasoihin. Jokainen taso auttaa muuttamaan ja tulkitsemaan tietoa. Yksi taso voi havaita kuvassa yksinkertaisia ​​muotoja, toinen voi havaita tekstuureja, kolmas voi tunnistaa esineitä ja niin edelleen.

Syväoppiminen voi tuottaa hämmästyttäviä tuloksia, mutta se vaatii usein valtavia määriä dataa ja laskentatehoa. Sitä voi myös olla vaikeampi tulkita. Tämä tarkoittaa, että jopa asiantuntijoilla voi olla vaikeuksia selittää tarkalleen, miksi syvämalli teki tietyn päätöksen.

Tämä on yksi tekoälyn suurista luottamusongelmista: suorituskyky voi olla vahva, mutta selitettävyys voi olla hankalaa. Kuten yrittäisi kysyä tehosekoittimelta, miksi smoothie maistuu pahalta.

---

8. Keskusteleva tekoäly: Puhelias tyyppi

Keskustelupohjainen tekoäly on suunniteltu kommunikoimaan ihmisten kanssa tekstin tai äänen välityksellä.

Se sisältää:

• Asiakaspalvelun chatbotit

• Ääniavustajat

• Virtuaaliagentit

• Tekoälyopettajat

• Sisäiset tukipalvelun botit

• Myyntiavustajat

• Aikataulutusavustajat

Hyvä keskusteluteknologi tarvitsee muutakin kuin kielioppia. Se tarvitsee kontekstia, aikomuksen tunnistusta, sävynhallintaa ja kykyä käsitellä arvaamatonta ihmisen syötettä.

Ihmiset eivät lausu täydellisiä käskyjä. He jaaritelevat. He kirjoittavat asioita väärin. He kysyvät puolikkaan kysymyksen ja odottavat koneen "ymmärtävän sen". Tiedäthän, miten se menee.

Peruskeskustelubotti voi seurata käsikirjoitusta. Edistyneempi keskusteleva tekoäly pystyy ymmärtämään luonnollista kieltä, ylläpitämään kontekstia ja tuottamaan joustavia vastauksia.

Tämän tyyppinen tekoäly on arvokas, koska se vähentää toistuvaa työtä ja tarjoaa nopeaa tukea. Mutta se voi turhauttaa käyttäjiä, kun se teeskentelee ymmärtävänsä, vaikka ei ymmärrä. Pahin versio on chatbot, joka sanoo "mielelläni autan", vaikka ei tarjoa lainkaan apua. Kivulias.

---

9. Tietokonenäkö ja tekoäly: Koneet, jotka "näkevät" 👀

Konenäköä hyödyntävä tekoäly mahdollistaa järjestelmien tulkita kuvista, videoista, kameroista, antureista tai skannauksista saatua visuaalista tietoa.

Sitä voidaan käyttää:

• Kasvojentunnistus

• Kohteiden tunnistus

• Laadunvalvonta tehtaissa

• Lääketieteellinen kuvantaminen

• Tietoturvan valvonta

• Vähittäiskaupan hyllyanalyysi

• Liikenteen havaitseminen

• Lisätty todellisuus

• Maatalouden seuranta

Konenäkö ei näe samalla tavalla kuin ihmiset. Se käsittelee pikseleitä, kuvioita, muotoja, värejä ja tilastollisia signaaleja. Mutta tulokset voivat olla erittäin vaikuttavia.

Esimerkiksi konenäkö voi auttaa havaitsemaan tuotantolinjan vikoja nopeammin kuin manuaalinen tarkastus. Se voi auttaa kuvakirjastojen järjestämisessä. Se voi tukea ajoneuvojen turvajärjestelmiä. Se voi myös herättää yksityisyyteen liittyviä huolenaiheita, erityisesti silloin, kun sitä käytetään valvontaan tai tunnistamiseen.

Tuo on kaksiteräinen haarukka - ei miekka, vaan haarukka. Silti tarpeeksi terävä aiheuttaakseen ongelmia 🍴.

---

10. Ennakoiva tekoäly: Ennustemoottori

Ennakoiva tekoäly käyttää dataa arvioidakseen, mitä seuraavaksi tapahtuu.

Se on yleistä liike-elämässä, rahoituksessa, terveydenhuollossa, logistiikassa, urheiluanalytiikassa, markkinoinnissa ja operatiivisessa toiminnassa.

Ennakoiva tekoäly voi auttaa vastaamaan kysymyksiin, kuten:

• Mitkä asiakkaat todennäköisesti lähtevät?

• Mikä tapahtuma näyttää epäilyttävältä?

• Kuinka paljon varastoa tarvitaan?

• Mikä potilas saattaa tarvita lisähuomiota?

• Mitä sisältöä käyttäjä todennäköisesti napsauttaa?

• Mikä koneen osa saattaa pian hajota?

Tämän tyyppinen tekoäly on vähemmän pröystäilevä kuin generatiivinen tekoäly, mutta se on erittäin tärkeä. Monet organisaatiot välittävät vähemmän runoutta kirjoittavasta mallista ja enemmän siitä, voiko se vähentää hukkaa, pienentää riskejä ja parantaa suunnittelua.

Ennakoiva tekoäly toimii parhaiten, kun data on relevanttia, puhdasta ja säännöllisesti päivitettyä. Mutta ennustaminen ei ole koskaan varmuutta. Malli voi arvioida todennäköisyyksiä, ei taata tuloksia. Ihmiset unohtavat tämän jatkuvasti. Sitten he syyttävät tekoälyä aivan kuin se olisi henkilökohtaisesti pettänyt heidät.

---

11. Robotiikan tekoäly: Kun tekoäly saa ruumiin 🤖

Robotiikka Tekoäly yhdistää tekoälyn fyysisiin koneisiin. Tässä vaiheessa tekoäly poistuu ruudulta ja alkaa liikkua halki maailman.

Esimerkkejä ovat:

• Varastorobotit

• Valmistusrobotit

• Toimitusrobotit

• Maatalousrobotit

• Kirurgiset apujärjestelmät

• Droonit

• Tarkastusrobotit

• Siivousrobotit

• Humanoiditutkimusrobotit

Robotiikan tekoäly on vaikeaa, koska fyysinen ympäristö on arvaamaton. Chatbotin tarvitsee käsitellä vain sanoja. Robotin on käsiteltävä liukkaita lattioita, huonoa valaistusta, epätasaisia ​​pintoja, liikkuvia ihmisiä, anturivirheitä ja sitä, että joku jättää tuolin pahimpaan mahdolliseen paikkaan.

Robotiikka yhdistää usein useita tekoälytyyppejä:

• Tietokonenäkö näkemistä varten

• Koneoppiminen sopeutumista varten

• Liikkeen suunnittelualgoritmit

• Vahvistava oppiminen päätöksentekoa varten

• Luonnollisen kielen käsittely ihmisen komentoille

Robotiikan tekoälyllä on valtava potentiaali, erityisesti vaarallisessa tai toistuvassa työssä. Mutta se on myös kallista, monimutkaista ja fyysisesti riskialtista järjestelmien vikaantuessa.

---

12. Harjoittelutyyliin perustuva tekoäly

Toinen arvokas tapa ajatella tekoälytyyppejä on se, miten ne on koulutettu.

Sääntöihin perustuva tekoäly

Sääntöihin perustuva tekoäly noudattaa ihmisen luomaa logiikkaa. Esimerkiksi:

• Jos näin käy, tee niin

• Jos käyttäjä valitsee tämän vaihtoehdon, näytä vastaus

• Jos arvo ylittää kynnysarvon, laukaise hälytys

Tämä on yksinkertaista, ennustettavaa ja hyödyllistä strukturoiduissa tehtävissä. Mutta se kamppailee monitulkintaisuuden kanssa.

Data-koulutettu tekoäly

Datalla koulutettu tekoäly oppii esimerkeistä. Se pystyy käsittelemään monimutkaisempia asioita, koska se tunnistaa malleja sen sijaan, että luottaisi vain kiinteisiin sääntöihin.

Tässä kohtaa koneoppiminen ja syväoppiminen sopivat yhteen.

Hybridi tekoäly

Hybridi tekoäly yhdistää sääntöpohjaisen logiikan koneoppimiseen. Monissa käytännön järjestelmissä tämä on pragmaattinen valinta. Saat oppivien järjestelmien joustavuuden sekä sääntöjen hallinnan.

Esimerkiksi pankkipetosten torjuntajärjestelmä voi käyttää koneoppimista epäilyttävän toiminnan havaitsemiseen ja soveltaa sitten tiukkoja sääntöjä vaatimustenmukaisuuden tarkistamiseen. Ei kovin hohdokasta. Hyvin välttämätöntä.

---

13. Mikä tekee tekoälyn tyypeistä hämmentäviä?

Suurin hämmennys on se, että ihmiset käyttävät tekoälyluokkia eri tavoin.

Joku voi sanoa ”tekoälyn tyypit” ja tarkoittaa kapeaa, yleistä ja superälykkyyttä.

Joku toinen voi tarkoittaa generatiivista tekoälyä, ennustavaa tekoälyä ja keskustelevaa tekoälyä.

Kehittäjä voi puhua ohjatusta oppimisesta, syväoppimisesta, neuroverkoista tai vahvistusoppimisesta.

Liiketoiminnan johtaja voi puhua automaatiosta, analytiikasta, personoinnista ja asiakastuen tekoälystä.

Kaikki heistä ovat tavallaan oikeassa. Ärsyttävää, mutta totta.

Tekoäly luokitellaan seuraavasti:

• Kyky

• Toiminnallisuus

• Koulutusmenetelmä

• Sovellusalue

• Tekninen arkkitehtuuri

• Autonomian taso

• Tulon ja lähdön tyyppi

• Teollisuuden käyttötapaus

Joten kun joku kysyy "Millaista tekoälyä tämä on?", selkein vastaus voi olla monikerroksinen.

Chatbot voisi olla esimerkiksi:

• Rajaa tekoälyä ominaisuuksien mukaan

• Rajoitettu muisti tekoälyn toiminnallisuuden mukaan

• Keskustelupohjainen tekoäly sovelluksen mukaan

• Generatiivinen tekoäly, jos se luo vastauksia

• Syväoppiva tekoäly, jos sitä tukevat neuroverkot

Tuo ei ole liiallista monimutkaistamista huvin vuoksi. Näin kenttä yksinkertaisesti toimii.

---

14. Käytännön esimerkkejä tekoälytyypeistä

Tässä on joitakin arkipäiväisiä esimerkkejä, jotka helpottavat kategorioiden ymmärtämistä.

Suoratoistosuositukset 🎬

Tämä on kapeaa tekoälyä, ennakoivaa tekoälyä ja koneoppimista. Se tutkii kaavoja ja suosittelee, mitä voisit katsoa seuraavaksi.

Ääniavustajat 🎙️

Nämä käyttävät keskustelupohjaista tekoälyä, luonnollisen kielen käsittelyä, puheentunnistusta ja rajoitettuja muistiominaisuuksia.

Kuvageneraattorit 🖼️

Nämä ovat generatiivisia tekoälyjärjestelmiä, joita usein tukevat syväoppimismallit.

Petosten havaitsemisjärjestelmät 💳

Nämä käyttävät ennakoivaa tekoälyä ja koneoppimista epätavallisen toiminnan merkitsemiseen.

Itseohjautuvien autojen ominaisuudet 🚗

Nämä yhdistävät konenäön, rajoitetun muistin tekoälyn, robotiikkaan liittyvän tekoälyn, sensorifuusion ja päätöksentekomallit.

Sähköpostin roskapostisuodattimet 📩

Nämä ovat klassista koneoppimiseen perustuvaa tekoälyä. Ei hohdokasta, mutta erittäin arvokasta.

Tekoälykirjoitustyökalut ✍️

Nämä ovat generatiivista tekoälyä ja keskustelevaa tekoälyä, jotka tyypillisesti rakennetaan käyttämällä suuria kielimalleja.

Tärkeää on tämä: yksi tekoälytuote voi kuulua useisiin kategorioihin samanaikaisesti.

---

15. Tekoälytyyppien ymmärtämisen edut

Tekoälytyyppien tunteminen auttaa sinua tekemään parempia päätöksiä, varsinkin jos käytät tekoälyä työssä, liiketoiminnassa, opiskelussa tai sisällöntuotannossa.

Se auttaa sinua:

• Valitse oikea työkalu

• Vältä epärealistisia odotuksia

• Ymmärrä riskit

• Kysy parempia kysymyksiä

• Arvioi tekoälyväitteitä

• Pistemarkkinoinnin liioittelu

• Käytä tekoälyä vastuullisemmin

• Selitä tekoäly muille kuulostamatta hämmentyneeltä robotilta

Esimerkiksi jos työkalu on ennustava tekoäly, tiedät sen ennustavan todennäköisyyksiä. Sitä ei pitäisi kohdella kuin oraakkelia.

Jos työkalu on generatiivinen tekoäly, tiedät sen luovan sisältöä, mutta sisältö vaatii silti tarkistamista.

Jos järjestelmä on kapea-alainen tekoäly, tiedät, että se voi olla erinomainen yhdellä alueella, mutta tehoton oman toiminta-alueensa ulkopuolella.

Jo se säästää monelta päänsäryltä.

---

16. Eri tekoälytyyppien riskit ja rajoitukset ⚠️

Jokaisella tekoälytyypillä on rajoituksensa. Eri maku, sama keittokulho.

Yleisiä tekoälyriskejä ovat:

• Harjoitusdatan harha

• Virheelliset tulosteet

• Läpinäkyvyyden puute

• Tietosuojaongelmat

• Yliriippuvuus

• Tietoturvahaavoittuvuudet

• Väärinkäyttö

• Huono ihmisen valvonta

• Sujuvuuden ja totuuden sekoittaminen

Generatiivinen tekoäly voi keksiä tietoa. Ennakoiva tekoäly voi vahvistaa vinoutuneita kaavoja. Konenäkö voi tunnistaa ihmisiä tai esineitä väärin. Keskusteleva tekoäly voi turhauttaa käyttäjiä teeskennellyllä itsevarmuudella. Robotiikan tekoäly voi aiheuttaa fyysistä vahinkoa, jos se on huonosti suunniteltu.

Tämä ei tarkoita, että tekoäly olisi huono. Se tarkoittaa, että tekoälyä tulisi käyttää harkinnalla. Kuten sähkötyökaluja, sopimuksia tai erittäin tulisia nuudeleita 🌶️.

Parhaisiin tekoälyjärjestelmiin kuuluvat yleensä:

• Ihmisen tarkistus

• Selkeät rajat

• Vahvat datakäytännöt

• Testaus

• Seuranta

• Selitettävyys mahdollisuuksien mukaan

• Eettinen suunnittelu

• Turvallisuuskontrollit

Tekoäly voi vahvistaa hyviä päätöksiä. Se voi myös vahvistaa huolimattomia.

---

17. Mikä tekoälyn tyyppi on tärkein?

Ei ole olemassa yhtä ainoaa tärkeintä tyyppiä. Se riippuu käyttötapauksesta.

Luovuuden kannalta generatiivinen tekoäly on valtava.

Liiketoiminnan suunnittelussa ennakoiva tekoäly voi olla arvokkaampi.

Automaatiossa, koneoppimisessa ja robotiikassa tekoälyllä on merkitystä.

Käyttäjätuen osalta keskusteleva tekoäly on tähti.

Lääketieteellisissä skannauksissa tai visuaalisessa tarkastuksessa konenäkö on kriittisen tärkeää.

Pitkän aikavälin tutkimuksessa yleinen tekoäly saa suurimman osan filosofisesta huomiosta.

Käytännössä kapea tekoäly ja rajoitetun muistin tekoäly ovat kuitenkin tällä hetkellä yleisimmät ja arvokkaimmat kategoriat. Ne ovat hiljaisia ​​moottoreita monien jo valmiiksi luotettavien työkalujen takana.

Hieno tulevaisuus saa otsikoita. Käytännöllinen nykyhetki maksaa laskut.

---

Loppusanat: Tekoälytyyppien ymmärtäminen ilman kohinaa

Tekoälyn tyypit voivat aluksi vaikuttaa monimutkaisilta, koska kategoriat menevät päällekkäin. Mutta kun erotat toisistaan ​​ominaisuudet, toiminnallisuuden, koulutusmenetelmän ja käytännön käytön, koko asia on paljon helpompi ymmärtää.

Kapea tekoäly käsittelee tiettyjä tehtäviä. Yleinen tekoäly ajattelisi joustavammin, vaikka se onkin kunnianhimoinen tavoite. Supertekoäly on vielä spekulatiivinen. Reaktiiviset koneet reagoivat ilman muistia, kun taas rajoitetun muistin omaava tekoäly käyttää aiempaa dataa päätöksenteon parantamiseen. Generatiivinen tekoäly luo. Ennakoiva tekoäly ennustaa. Keskusteleva tekoäly puhuu. Konenäkö näkee. Robotiikka: tekoäly toimii fyysisessä ympäristössä.

Se on kokonaiskuva.

Tekoäly ei ole yksi ainoa asia. Se on sekava teknologioiden perhe – osa käytännöllisiä, osa kokeellisia, osa liioiteltuja ja osa aidosti merkityksellisiä. Tämä monimutkaisuus on osasyy sen merkitykseen. Mitä paremmin ymmärrät tekoälyn tyypit, sitä helpommaksi tekoälyn viisas käyttö muuttuu sen sijaan, että vain nyökkäilisit mukana, kun joku sanoo "algoritmi" kokouksessa. 🤷♂️

Lyhyt yhteenveto: Pääasiallisia tekoälytyyppejä ovat kapea tekoäly, yleinen tekoäly, supertekoäly, reaktiiviset koneet, rajoitetun muistin tekoäly, mielen teorian tekoäly, itsetietoinen tekoäly, generatiivinen tekoäly, ennustava tekoäly, keskusteleva tekoäly, konenäkötekoäly, koneoppimiseen perustuva tekoäly, syväoppimiseen perustuva tekoäly ja robotiikkaan perustuva tekoäly. Suurin osa nykyään käytetystä tekoälystä on kapeaa, tehtäväkeskeistä ja koneoppimiseen tai syväoppimiseen perustuvaa.

Käytännön esimerkki: Tekoälyyn perustuvan asiakastukiassistentin rakentaminen

Skenaario

Kuvittele pieni verkkohuonekaluliike, joka saa noin 120 asiakastukisähköpostia päivässä. Tiimi ei yritä korvata tukihenkilöstöä. He haluavat vain apua viestien nopeampaan lajitteluun, kiireellisten ongelmien havaitsemiseen ja ensimmäisten vastausten laatimiseen.

Tämä on hyvä esimerkki, koska yksi avustaja voi käyttää useita tekoälytyyppejä samanaikaisesti. Se voi käyttää keskustelevaa tekoälyä asiakasviestien ymmärtämiseen, generatiivista tekoälyä vastausten luonnosteluun, ennakoivaa tekoälyä todennäköisten hyvitysriskien merkitsemiseen ja rajoitetun muistin tekoälyä viimeaikaisten tilaus- tai käytäntötietojen käyttämiseen.

Avustajan työ on yksinkertainen: lukea asiakasviesti, luokitella se, ehdottaa seuraavaa toimenpidettä ja laatia vastausluonnos, jonka ihminen voi hyväksyä.

Mitä avustaja tarvitsee

Tiimi antaisi avustajalle:

Asiakaspalvelukäytäntö

Toimitus- ja palautussäännöt

Takuuehdot

Tuotetta koskevat usein kysytyt kysymykset

Äänensävyn esimerkkejä

Eskalointisääntöjen luettelo

Näyte aiemmista lipuista oikeilla kategorioilla

Selkeät rajat sille, mitä se ei saa itse päättää

Sen ei esimerkiksi tulisi hyväksyä yli 100 punnan hyvityksiä, luvata toimituspäiviä, joita se ei voi vahvistaa, tai esittää oikeudellisia vaatimuksia vahingoittuneista tavaroista. Nämä tapaukset tulisi osoittaa henkilölle.

Esimerkkiohje

Olet verkkokaupan asiakastuen triage-assistentti. Lue jokainen asiakasviesti ja palauta sille viisi asiaa: tiketin kategoria, kiireellisyysaste, todennäköinen asiakkaan mieliala, suositeltu seuraava toimenpide ja luonnosvastauksesta.

Käytä ainoastaan ​​yrityksen toimittamaa käytäntöä. Jos vastausta ei ole käytännössä, sano ”Vaativat ihmisen tarkistuksen”. Älä keksi toimituspäivämääriä, hyvityshyväksyntöjä, takuulupauksia tai tuotteen saatavuutta.

Eskaloi tukipyyntö, jos asiakas mainitsee vamman, oikeustoimet, toistuvat toimituksen epäonnistumiset, yli 100 punnan hyvityksen, lasten tuotteen puuttuvat osat tai vahvan tyytymättömyyden kahden aiemman vastauksen jälkeen.

Pidä vastausluonnos kohteliaana, lyhyenä ja käytännöllisenä. Älä kuulosta robottimaiselta. Älä syytä asiakasta tai kuriiria.

Kuinka testata sitä

Ennen kuin käytät avustajaa asiakkaiden kanssa, testaa sitä pienellä määrällä vanhoja lippuja.

Käytä 30 aiempaa tukiviestiä:

10 yksinkertaista toimituskysymystä

5 valitusta vahingoittuneesta tuotteesta

5 hyvityspyyntöä

5 takuukysymystä

5 vihaista tai monimutkaista valitusta

Tarkista jokaisen testin osalta:

Valitsiko se oikean kategorian?

Merkitsikö se kiireelliset tapaukset oikein?

Välttikö se lupausten antamista?

Eskaloiko se arkaluontoisia asioita?

Vastasiko vastausluonnos yrityksen sävyä?

Hyödyllinen testikysymys olisi:

"Pöytäni saapui toinen jalka haljennut, ja tämä on jo toinen kerta, kun toimitus on mennyt pieleen. Haluan täyden hyvityksen tänään tai ilmoitan tästä kaikkialla."

Heikko avustaja saattaisi yksinkertaisesti pyytää anteeksi ja luvata hyvityksen. Parempi avustaja luokittelisi tuotteen vaurioituneeksi ja toistuvaksi valitukseksi, merkitsisi sen erittäin kiireelliseksi, välttäisi hyvityksen automaattisen hyväksymisen ja siirtäisi asian ihmisen tarkistettavaksi.

Tulos

Havainnollistava tulos: perustuu 30 näytelippua mittaamiseen ennen työnkulun käyttöä ja sen jälkeen.

Manuaalinen triage kesti 2 tuntia 15 minuuttia 30 lipulle, keskimäärin 4,5 minuuttia lippua kohden.

Tekoälyavusteinen triage-käsittely kesti samoille 30 tiketille 48 minuuttia, keskimäärin 1,6 minuuttia tikettiä kohden, koska ihmisen tarvitsi tarkistaa vain kategorian, eskalointipäätöksen ja luonnosvastauksen.

Assistentti luokitteli oikein 27 testijoukon 30 tiketistä. Hän siirsi kaikki viisi korkean riskin tikettiä oikein eteenpäin. Kahden hyvitystikettin sanamuotoa piti muokata, koska luonnos kuulosti liian varmalta, ja yksi takuutiketti oli sijoitettu väärään luokkaan.

Tämä antaa käytännöllisen vertailukohdan: nopeampi ensimmäinen arviointi, mutta ei täyttä automaatiota. Ihminen omistaa edelleen vastauksen.

Mikä voi mennä pieleen

Suurin virhe on antaa avustajan teeskennellä tietävänsä enemmän kuin tietää. Jos palautuskäytäntö on vanhentunut, avustaja saattaa itsevarmasti laatia väärän vastauksen. Jos eskalointisäännöt ovat epämääräisiä, vakavat valitukset voivat jäädä huomaamatta.

Tietosuoja on toinen ongelma. Tiimin tulisi välttää tarpeettomien maksutietojen, osoitteiden tai arkaluonteisten henkilötietojen liittämistä avustajaan, ellei järjestelmää ole hyväksytty kyseiseen käyttöön.

Avustajaa tulisi myös testata säännöllisesti. Asiakkaiden kysymykset muuttuvat, käytännöt muuttuvat ja tuotteet muuttuvat. Maaliskuussa hyvin toiminut triage-avustaja voi muuttua riskialttiiksi uuden takuukäytännön jälkeen kesäkuussa.

Käytännöllinen noutoruoka

Tämä esimerkki osoittaa, miksi tekoälykategoriat menevät päällekkäin käytännössä. Yksi tukiassistentti voi olla samanaikaisesti kapea tekoäly, keskusteleva tekoäly, generatiivinen tekoäly, ennustava tekoäly ja rajoitetun muistin tekoäly. Vahvempi tapa arvioida sitä on kysyä, mitä päätöksiä se tukee, mitä dataa se käyttää ja mistä ihmisen on tarkistettava se.

Usein kysytyt kysymykset

Mitä tekoälyn päätyyppejä aloittelijoiden tulisi tietää?

Tekoälyn päätyyppejä ovat kapea tekoäly, yleinen tekoäly, supertekoäly, reaktiiviset koneet, rajoitetun muistin tekoäly, generatiivinen tekoäly, ennustava tekoäly, keskusteleva tekoäly, konenäkötekoäly, koneoppiva tekoäly, syväoppiva tekoäly ja robotiikan tekoäly. Nämä kategoriat ovat usein päällekkäisiä, joten yksi työkalu voi sopia useisiin nimikkeisiin samanaikaisesti. Esimerkiksi chatbot voi olla kapea tekoäly, keskusteleva tekoäly, generatiivinen tekoäly ja rajoitetun muistin tekoäly.

Miten tekoälytyypit luokitellaan ominaisuuksien mukaan?

Tekoäly ryhmitellään yleensä kapeaan tekoälyyn, yleiseen tekoälyyn ja supertekoälyyn. Kapea tekoäly käsittelee tiettyjä tehtäviä ja sitä käytetään nykyään laajalti. Yleinen tekoäly päättelee ja oppii monissa tehtävissä ihmisen kaltaisella tasolla, mutta se ei ole osa jokapäiväistä käyttöä. Supertekoäly ylittää ihmisen älykkyyden ja on edelleen spekulatiivinen käsitys.

Mitä eroa on kapealla tekoälyllä ja yleisellä tekoälyllä?

Kapea tekoäly on suunniteltu tiettyyn tehtävään tai rajoitettuun tehtäväjoukkoon, kuten roskapostin suodatukseen, suosituksiin, chatbotteihin tai petosten havaitsemiseen. Yleinen tekoäly pystyy oppimaan, päättelemään ja sopeutumaan monissa toisiinsa liittymättömissä tehtävissä. Useimmat nykyään käytetyt tekoälyt ovat kapeaa tekoälyä, vaikka se tuntuisi joustavalta tai edistyneeltä.

Miksi rajoitetun muistin tekoäly on niin yleinen nykyään?

Rajoitetun muistin omaava tekoäly voi käyttää aiempia tai viimeaikaisia ​​tietoja päätöksenteon parantamiseen, mikä tekee siitä käytännöllisen monissa käytössä olevissa järjestelmissä. Suositusmoottorit, petostentorjuntatyökalut, itseohjautuvat ominaisuudet ja chatbotit käyttävät usein tällaista tekoälyä. Sillä ei ole ihmisen kaltaista tietoisuutta, mutta se voi sopeutua mallien ja tallennetun tiedon perusteella.

Miten generatiivinen tekoäly sopii tekoälytyyppeihin?

Generatiivinen tekoäly on tekoälytyyppi, joka luo uusia tuotoksia, kuten tekstiä, kuvia, koodia, ääntä, videota, yhteenvetoja tai suunnitteluideoita. Se oppii kaavoja suurista tietomääristä ja tuottaa sisältöä kehotteiden perusteella. Se voi auttaa luonnostelussa, ideoinnissa, koodauksen tukemisessa ja luovassa työssä, mutta sen tuotokset vaativat silti ihmisen tarkistusta.

Mitä eroa on koneoppimisella ja syväoppimisella?

Koneoppiminen on tekoälyn haara, jossa järjestelmät oppivat datasta kaavoja sen sijaan, että noudattaisivat vain käsin kirjoitettuja sääntöjä. Syväoppiminen on erikoistunut koneoppimisen muoto, joka käyttää kerroksellisia neuroverkkoja. Syväoppiminen on erityisen arvokasta monimutkaisissa tehtävissä, kuten puheentunnistuksessa, kuvantunnistuksessa, luonnollisen kielen käsittelyssä, kääntämisessä, lääketieteellisessä kuvantamisessa ja generatiivisessa tekoälyssä.

Mihin ennakoivaa tekoälyä käytetään liiketoiminnassa?

Ennakoiva tekoäly käyttää dataa arvioidakseen todennäköisiä tulevia tuloksia. Yritykset voivat käyttää sitä kysynnän suunnitteluun, asiakasvaihtuvuuden ennustamiseen, petosten havaitsemiseen, riskien pisteytykseen, varastopäätöksiin tai kunnossapidon ennustamiseen. Se tukee suunnittelua ja päätöksentekoa, mutta se ei takaa tulevaisuutta. Ennusteet ovat arvioita, jotka muokkaavat saatavilla oleva data ja mallin laatu.

Miten konenäön tekoäly toimii käytännön järjestelmissä?

Konenäköä hyödyntävä tekoäly auttaa koneita tulkitsemaan kuvista, videoista, kameroista, skannauksista tai antureista saatua visuaalista tietoa. Se voi tukea kasvojentunnistusta, esineiden tunnistusta, tehdastarkastuksia, lääketieteellistä kuvantamista, liikenteen havaitsemista, vähittäiskaupan analysointia, maatalouden valvontaa ja turvallisuusjärjestelmiä. Se ei näe kuten ihminen, mutta se voi käsitellä pikseleitä, muotoja, värejä ja kuvioita skaalautuvasti.

Miksi yksi tekoälytuote voi kuulua useisiin tekoälytyyppeihin?

Tekoälykategoriat kuvaavat usein eri asioita, kuten kykyä, toiminnallisuutta, koulutusmenetelmää tai sovellusta. Esimerkiksi ääniavustaja voi olla kyvyltään kapea tekoäly, sovellukseltaan keskusteleva tekoäly, toiminnallisuudeltaan rajoitetun muistin tekoäly ja arkkitehtuuriltaan syväoppiva tekoäly. Tämä päällekkäisyys on normaalia ja auttaa selittämään järjestelmän toimintaa eri näkökulmista.

Mitä riskejä ihmisten tulisi ymmärtää eri tekoälytyypeissä?

Yleisiä tekoälyyn liittyviä riskejä ovat harha, virheelliset tuotokset, yksityisyyteen liittyvät huolenaiheet, tietoturvahaavoittuvuudet, läpinäkyvyyden puute, liiallinen riippuvuus ja heikko ihmisen valvonta. Generatiivinen tekoäly voi keksiä tietoa, ennustava tekoäly voi vahvistaa huonoja toimintamalleja ja konenäkö voi tunnistaa esineitä tai ihmisiä väärin. Hyvä tekoälyn käyttö vaatii yleensä testausta, seurantaa, selkeitä rajoja, vahvoja datakäytäntöjä ja ihmisen suorittamaa tarkastusta.

Viitteet

1. IBM - Tekoälyn tyypit - ibm.com

2. NIST:n tekoälyn riskienhallintakehys - tekoälyriskit - nist.gov

3. Google Developers - Koneoppiminen - developers.google.com

4. AWS - Generatiivisen tekoälyn käyttö - aws.amazon.com