Jakie są rodzaje sztucznej inteligencji? [Wideo i quiz]

Krótka odpowiedź: Typy sztucznej inteligencji (AI) najlepiej rozumieć pod kątem możliwości, funkcjonalności, stylu szkolenia i przypadku użycia. Wąska sztuczna inteligencja (AI) jest dziś powszechna, podczas gdy ogólna sztuczna inteligencja (AI) i supersztuczna inteligencja (AI) pozostają w sferze teoretycznej. Wybierając narzędzie, należy dopasować kategorię do zadania, związanego z nim ryzyka oraz potrzeby weryfikacji przez człowieka.

Najważniejsze wnioski:

Klasyfikacja: Przed porównaniem systemów należy oddzielić możliwości, funkcjonalność, metodę szkolenia i przypadek użycia.

Recenzja ludzka: sprawdź wyniki generatywne, predykcyjne i konwersacyjne przed podjęciem decyzji o ich wykorzystaniu.

Przejrzystość: Zastanów się, jakie dane, logika i ograniczenia kształtują każdy system sztucznej inteligencji.

Odpowiedzialność: ludzie ponoszą odpowiedzialność, gdy sztuczna inteligencja wpływa na decyzje, użytkowników lub bezpieczeństwo.

Kontrola ryzyka: przed wdrożeniem przetestuj pod kątem stronniczości, prywatności, bezpieczeństwa i niewłaściwego użycia.

---

1. Jakie są rodzaje sztucznej inteligencji?

Kiedy ludzie pytają „Jakie są rodzaje sztucznej inteligencji?”, zazwyczaj mają na myśli jedną z dwóch rzeczy:

Mogą pytać o sztuczną inteligencję pod kątem jej możliwości, np. czy potrafi wykonywać tylko jedno zadanie, czy też rozumować szerzej, w sposób podobny do ludzkiego.

Mogą też pytać o sztuczną inteligencję w kontekście jej funkcjonalności, czyli o to, jak system się zachowuje, uczy, zapamiętuje, przewiduje i reaguje.

Tu sprawy się trochę komplikują. Sztuczna inteligencja nie jest podporządkowana jednej, czystej szufladce. Przypomina raczej sortowanie narzędzi kuchennych według rozmiaru, przeznaczenia, ostrości i tego, czy wujek kupił je w podejrzanym sklepie internetowym. Różne systemy klasyfikacji zachodzą na siebie.

Główne kategorie obejmują zazwyczaj:

• Wąska sztuczna inteligencja

• Ogólna sztuczna inteligencja

• Super AI

• Maszyny reaktywne

• Sztuczna inteligencja o ograniczonej pamięci

• Teoria umysłu AI

• Samoświadoma sztuczna inteligencja

• Uczenie maszynowe AI

• Głębokie uczenie sztucznej inteligencji

• Sztuczna inteligencja generatywna

• Predykcyjna sztuczna inteligencja

• Sztuczna inteligencja konwersacyjna

• Sztuczna inteligencja widzenia komputerowego

• Robotyka AI

Niektóre z nich są szeroko stosowane. Niektóre wciąż pozostają w sferze teorii. Niektóre brzmią futurystycznie, ale są już wbudowane w codzienne aplikacje. Granica między „zwykłym oprogramowaniem” a „sztuczną inteligencją” z czasem stała się bardziej niewyraźna.

---

2. Typy sztucznej inteligencji według możliwości

Pierwszym głównym sposobem klasyfikacji sztucznej inteligencji jest to, co potrafi. Oto szerszy obraz 🧠.

Wąska sztuczna inteligencja

Wąska sztuczna inteligencja (ang. „narrow AI”), zwana również słabą sztuczną inteligencją (ang. „słaby AI”), jest zaprojektowana do wykonywania konkretnego zadania lub ograniczonego zestawu zadań. To właśnie z tej sztucznej inteligencji ludzie korzystają na co dzień.

Przykłady obejmują:

• Rekomendacje wyszukiwania

• Filtry spamu

• Asystenci głosowi

• Systemy rozpoznawania twarzy

• Chatboty

• Silniki rekomendacji produktów

• Narzędzia do wykrywania oszustw

• Aplikacje do tłumaczeń językowych

Wąska sztuczna inteligencja może być potężna, ale nie „myśli” w szerokim, ludzkim sensie. Szachowa sztuczna inteligencja może pokonać arcymistrza, ale nie może nagle zdecydować się zostać cukiernikiem. Model tłumaczeniowy może przetłumaczyć akapit, ale nie doświadcza języka tak, jak człowiek.

Mimo to, wąska sztuczna inteligencja (WAN) jest koniem roboczym współczesnego świata sztucznej inteligencji. Nie jest tak efektowna jak science fiction, ale to ona rządzi za kulisami 🎭.

Ogólna sztuczna inteligencja

sztuczną inteligencję ogólną rozumie się sztuczną inteligencję, która potrafi rozumieć, uczyć się, rozumować i stosować wiedzę w wielu różnych zadaniach na poziomie zbliżonym do ludzkiego.

Mówiąc prościej: nie robiłoby dobrze tylko jednej rzeczy. Potrafiłoby się dostosować.

Prawdziwa ogólna sztuczna inteligencja mogłaby potencjalnie:

• Naucz się nieznanych zadań

• Rozum w różnych tematach

• Rozwiązuj nowe problemy

• Przenoszenie wiedzy z jednej dziedziny do drugiej

• Zrozum kontekst głębiej

• Podejmuj decyzje z elastycznością

Ten rodzaj sztucznej inteligencji wciąż jest bardziej celem niż codzienną rzeczywistością. Ludzie dużo o nim mówią, ponieważ jest fascynujący, może trochę niepokojący i trudno mu się oprzeć jako koncepcji. Jednak zwykłe narzędzia, które piszą tekst, generują obrazy lub odpowiadają na pytania, nie są automatycznie sztuczną inteligencją ogólną. Mogą wydawać się szerokie, ale nadal działają w wyznaczonych granicach.

Super AI

Supersztuczna inteligencja wykraczałaby poza ludzką inteligencję. Nie tylko szybciej pisze na klawiaturze czy lepiej posługuje się matematyką – ma też lepsze rozumowanie, kreatywność, strategię, zdolność uczenia się, a może także zrozumienie emocji lub społeczeństwa.

To najbardziej spekulatywna kategoria. Rodzi ona ogromne pytania:

• Kto to kontroluje?

• Czy można to pogodzić z wartościami ludzkimi?

• Czy zrozumiałoby prawidłowo ludzkie cele?

• Czy może się samo poprawić?

• Co się stanie, jeśli podejmie decyzje, których ludzie nie będą w stanie wykonać?

Super AI to miejsce, gdzie rozmowy o AI czasami zamieniają się w filozoficzną zupę. Cenną zupę, być może, ale wciąż zupę 🍲.

---

3. Typy sztucznej inteligencji według funkcjonalności

Innym powszechnym sposobem wyjaśnienia typów sztucznej inteligencji jest określenie ich funkcjonalności. Koncentruje się ono na zachowaniu sztucznej inteligencji.

Maszyny reaktywne

Maszyny reaktywne to najprostszy rodzaj sztucznej inteligencji. Reagują na bieżące dane wejściowe, nie korzystając z pamięci z poprzednich doświadczeń.

Nie uczą się z czasem, tak jak robią to współczesne systemy adaptacyjne. Przyglądają się sytuacji, analizują ją i reagują.

Wyobraź sobie je w ten sposób: „Wkład wchodzi. Wynik wychodzi. Brak wpisów w dzienniku”

Reaktywna sztuczna inteligencja wciąż może robić wrażenie. Potrafi analizować możliwe ruchy w grze lub reagować na jasno określone sytuacje z ekstremalną szybkością i precyzją. Nie buduje jednak osobistej historii ani nie ewoluuje w oparciu o wcześniejsze interakcje.

Sztuczna inteligencja o ograniczonej pamięci

Sztuczna inteligencja o ograniczonej pamięci może wykorzystywać dane z przeszłości do podejmowania lepszych decyzji. To właśnie w tej kategorii mieści się większość dzisiejszej praktycznej sztucznej inteligencji.

Przykłady obejmują:

• Systemy rekomendacji, które uczą się na podstawie zachowań użytkowników

• Systemy pojazdów autonomicznych analizujące ostatnie warunki drogowe

• Chatboty zapamiętujące kontekst rozmowy

• Modele wykrywania oszustw uczące się na podstawie wzorców transakcji

• Narzędzia analityki predykcyjnej wykorzystujące dane historyczne

Ograniczona pamięć nie oznacza „złej pamięci”. Oznacza to, że system może korzystać z danych przechowywanych lub niedawnych, ale nie posiada świadomości ani długoterminowych doświadczeń osobistych, podobnych do ludzkich. Może być jednak bardzo skuteczny. Czasami wręcz irytująco skuteczny – jak wtedy, gdy aplikacja zakupowa wie, czego chcesz, zanim sam się do tego przyznasz 🛒.

Teoria umysłu AI

Teoria umysłu: Sztuczna inteligencja będzie rozumieć emocje, przekonania, intencje i sygnały społeczne w sposób bardziej zbliżony do ludzkiego.

Ten typ sztucznej inteligencji nie tylko przetwarzałby słowa. Wyciągałby wnioski z tego, co ktoś może czuć, chcieć, czego nie rozumieć, czego się bać lub czego oczekiwać.

Na przykład może zrozumieć, że:

• Klient jest sfrustrowany, ale stara się zachować uprzejmość

• Uczeń jest zdezorientowany, ale wstydzi się zapytać ponownie

• Pacjent jest niespokojny, mimo że mówi „wszystko w porządku”

• Kolega z drużyny jest niezdecydowany, ponieważ po cichu się nie zgadza

To wciąż aktualny temat dyskusji w kontekście sztucznej inteligencji, ale prawdziwa teoria umysłu dotycząca sztucznej inteligencji jest niezwykle trudna. Ludzkie emocje są splątane. Ludzie mówią jedno, a mają na myśli co innego. Czasami nawet sami nie wiedzą, co mają na myśli. Powodzenia, maszyno.

Samoświadoma sztuczna inteligencja

Samoświadoma sztuczna inteligencja miałaby świadomość, samorozumienie i świadomość własnego stanu wewnętrznego.

To tylko teoria. To coś z gatunku science fiction, dyskusji o etyce, nocnych kłótni i ludzi dramatycznie gapiących się w okna 🌙.

Samoświadoma sztuczna inteligencja nie tylko symulowałaby rozmowę o uczuciach. Posiadałaby pewien rodzaj subiektywnego doświadczenia. To śmiałe założenie. Obecne systemy sztucznej inteligencji nie posiadają zweryfikowanej świadomości, uczuć, pragnień ani tożsamości.

Mogą brzmieć na samoświadome, ponieważ język potrafi imitować autorefleksję. Ale brzmieć jak coś i być kimś to nie to samo. Papuga może powiedzieć „Jestem głodny”, ale to nie znaczy, że ma rezerwację w restauracji.

---

4. Tabela porównawcza: Główne typy sztucznej inteligencji

Rodzaj sztucznej inteligencji	Pomysł główny	Aktualny status	Typowe przykłady	Dlaczego to ma znaczenie
Wąska sztuczna inteligencja	Zbudowany do konkretnych zadań	Szeroko stosowany	Chatboty, wyszukiwanie, rekomendacje	Praktyczne i wszędzie
Ogólna sztuczna inteligencja	Elastyczna inteligencja podobna do ludzkiej	Nie w pełni osiągnięte	Głównie teoretyczne	Wielki cel, wielka debata
Super AI	Ogólnie rzecz biorąc, mądrzejszy od ludzi	Spekulacyjny	Brak praktycznego przykładu	Ogromne pytania etyczne
Maszyny reaktywne	Odpowiada bez pamięci	Używane w ograniczonych przypadkach	Sztuczna inteligencja w grach, systemy oparte na regułach	Szybki, ale nie adaptacyjny
Sztuczna inteligencja o ograniczonej pamięci	Wykorzystuje dane/historię w celu ulepszenia	Bardzo powszechne	Systemy autonomicznej jazdy, narzędzia do oszustw	To jest codzienny kierowca 🚗
Teoria umysłu AI	Rozumie emocje i intencje	Rozwijanie koncepcji	Zaawansowane pomysły na społeczną sztuczną inteligencję	Może sprawić, że sztuczna inteligencja będzie bardziej świadoma człowieka
Samoświadoma sztuczna inteligencja	Ma świadomość	Teoretyczny	Przykłady stylu science fiction	Filozoficznie masywny
Sztuczna inteligencja generatywna	Tworzy nową treść	Szeroko stosowany	Narzędzia tekstowe, graficzne i audio	Zwiększenie produktywności kreatywnej
Predykcyjna sztuczna inteligencja	Prognozy wyników	Szeroko stosowany	Ocena ryzyka, planowanie popytu	Pomaga w podejmowaniu decyzji - głównie
Robotyka AI	Kontroluje maszyny fizyczne	Stosowany w przemyśle	Roboty, drony, automatyzacja	Łączy sztuczną inteligencję z pracą fizyczną

Trochę nierówno? Tak. Ale tak właśnie działa sztuczna inteligencja w życiu codziennym – nie jak eksponat muzealny z idealnymi etykietami.

---

5. Sztuczna inteligencja generatywna: typ, o którym wszyscy mówią 🎨

Sztuczna inteligencja generatywna jest jednym z najpopularniejszych typów sztucznej inteligencji, ponieważ polega na tworzeniu rzeczy.

Może generować:

• Tekst

• Obrazy

• Muzyka

• Kod

• Wideo

• Opisy produktów

• Tekst marketingowy

• Plany lekcji

• Podsumowania

• Dane syntetyczne

• Pomysły na projekt

Sztuczna inteligencja generatywna działa poprzez uczenie się wzorców z dużych ilości danych, a następnie generowanie nowych wyników na podstawie podpowiedzi. Nie kopiuje w prostym sensie, jaki ludzie sobie czasem wyobrażają. Przewiduje, łączy, modyfikuje i generuje w oparciu o wyuczone struktury.

Mimo to, nadal może popełniać błędy. Może brzmieć pewnie, a jednocześnie się mylić, co w zasadzie jest mechaniczną wersją kogoś, kto tłumaczy prawo podatkowe przy rodzinnym grillu.

Sztuczna inteligencja generatywna jest cenna dla:

• Burza mózgów

• Tworzenie treści

• Automatyzacja powtarzalnego pisania

• Tworzenie koncepcji wizualnych

• Wspieranie obsługi klienta

• Przyspieszanie zadań kodowania

• Personalizacja materiałów edukacyjnych

Ale wymaga to przeglądu. Zawsze. Wyniki sztucznej inteligencji mogą być imponujące, ale nie są automatycznie dokładne, uczciwe, zgodne z prawem ani bezpieczne dla marki. Traktuj ją jak bardzo szybkiego asystenta, który od czasu do czasu ma skłonności do gremlinów.

---

6. Uczenie maszynowe AI: narzędzie do wyszukiwania wzorców

Uczenie maszynowe to ważna gałąź sztucznej inteligencji, w której systemy uczą się wzorców na podstawie danych, zamiast być programowane wiersz po wierszu przy każdej decyzji.

Tradycyjne oprogramowanie kieruje się jasno określonymi regułami. Systemy uczenia maszynowego identyfikują relacje i poprawiają wydajność poprzez trening.

Na przykład:

• Filtr antyspamowy uczy się, jak wyglądają podejrzane wiadomości e-mail

• Model bankowy wykrywa nietypowe zachowania transakcyjne

• Aplikacja streamingowa rekomenduje programy na podstawie preferencji widzów

• Narzędzie do rekrutacji może klasyfikować kandydatów na podstawie zdefiniowanych sygnałów

• Model obrazowania medycznego może ujawnić możliwe nieprawidłowości

Uczenie maszynowe może być nadzorowane, nienadzorowane lub oparte na wzmacnianiu.

Uczenie nadzorowane

Uczenie nadzorowane wykorzystuje przykłady z etykietami. Na przykład obrazy mogą być oznaczone jako „kot” lub „nie kot”. Model uczy się różnicy.

Uczenie się bez nadzoru

Uczenie bez nadzoru poszukuje wzorców bez oznaczonych odpowiedzi. Może grupować klientów w segmenty lub wykrywać ukryte skupiska w danych.

Uczenie się przez wzmacnianie

Uczenie przez wzmacnianie polega na otrzymywaniu nagród lub kar za działania. Jest to powszechne w grach z wykorzystaniem sztucznej inteligencji, robotyki i w problemach optymalizacyjnych.

Uczenie maszynowe to nie magia. W dużej mierze zależy od jakości danych. Złe dane prowadzą do złych modeli – śmieci na wejściu, śmieci na wyjściu w eleganckiej marynarce.

---

7. Głębokie uczenie sztucznej inteligencji: potęga sieci neuronowych 🧬

Głębokie uczenie to specjalistyczny rodzaj uczenia maszynowego, który wykorzystuje warstwowe sieci neuronowe do przetwarzania złożonych wzorców.

Jest to szczególnie cenne dla:

• Rozpoznawanie mowy

• Rozpoznawanie obrazu

• Przetwarzanie języka naturalnego

• Systemy autonomiczne

• Analiza obrazów medycznych

• Tłumaczenie

• Generatywne modele sztucznej inteligencji

• Złożone zadania predykcyjne

Część „głęboka” odnosi się do wielu warstw w modelu. Każda warstwa pomaga modyfikować i interpretować informacje. Jedna warstwa może wykrywać proste kształty na obrazie, inna może wykrywać tekstury, kolejna może rozpoznawać obiekty i tak dalej.

Głębokie uczenie może dawać oszałamiające rezultaty, ale często wymaga ogromnych ilości danych i mocy obliczeniowej. Może być też trudniejsze do zinterpretowania. Oznacza to, że nawet eksperci mogą mieć trudności z dokładnym wyjaśnieniem, dlaczego głęboki model podjął konkretną decyzję.

To jeden z głównych problemów zaufania w sztucznej inteligencji: wydajność może być wysoka, ale wytłumaczalność może być trudna. To jak próba zapytania blendera, dlaczego smoothie smakuje źle.

---

8. Sztuczna inteligencja konwersacyjna: typ gadatliwy

Sztuczna inteligencja konwersacyjna została zaprojektowana tak, aby móc komunikować się z ludźmi za pomocą tekstu lub głosu.

Zawiera:

• Chatboty obsługi klienta

• Asystenci głosowi

• Agenci wirtualni

• Korepetytorzy AI

• Wewnętrzne boty pomocy technicznej

• Asystenci sprzedaży

• Asystenci planowania

Dobra konwersacyjna sztuczna inteligencja wymaga czegoś więcej niż tylko gramatyki. Potrzebuje kontekstu, rozpoznawania intencji, kontroli tonu i umiejętności radzenia sobie z nieprzewidywalnymi ludzkimi reakcjami.

Ludzie nie mówią perfekcyjnie. Mówią bełkotliwie. Robią błędy ortograficzne. Zadają pół pytania i oczekują, że maszyna „załapie”. Wiesz, jak to jest.

Podstawowy chatbot może działać według skryptu. Bardziej zaawansowana konwersacyjna sztuczna inteligencja potrafi rozumieć język naturalny, utrzymywać kontekst i generować elastyczne odpowiedzi.

Ten rodzaj sztucznej inteligencji jest cenny, ponieważ redukuje powtarzalność zadań i zapewnia szybkie wsparcie. Może jednak frustrować użytkowników, gdy udaje, że rozumie, ale tak nie jest. Najgorszą wersją jest chatbot, który mówi: „Chętnie pomogę”, a jednocześnie nie udziela żadnej pomocy. Bolesne.

---

9. Sztuczna inteligencja w dziedzinie widzenia komputerowego: maszyny, które „widzą” 👀

Sztuczna inteligencja dzięki komputerowemu widzeniu pozwala systemom interpretować informacje wizualne z obrazów, filmów, kamer, czujników lub skanów.

Można go używać do:

• Rozpoznawanie twarzy

• Wykrywanie obiektów

• Kontrola jakości w fabrykach

• Obrazowanie medyczne

• Monitorowanie bezpieczeństwa

• Analiza półek sklepowych

• Wykrywanie ruchu

• Rzeczywistość rozszerzona

• Monitorowanie rolnictwa

Wizja komputerowa nie widzi tak, jak ludzie. Przetwarza piksele, wzory, kształty, kolory i sygnały statystyczne. Ale rezultaty mogą być bardzo potężne.

Na przykład, komputerowe widzenie może pomóc w szybszym wykrywaniu usterek na linii produkcyjnej niż inspekcja ręczna. Może pomóc w organizacji bibliotek obrazów. Może wspierać systemy bezpieczeństwa w pojazdach. Może również budzić obawy dotyczące prywatności, zwłaszcza w przypadku wykorzystania do monitoringu lub identyfikacji.

To widelec obosieczny – nie miecz, tylko widelec. Nadal wystarczająco ostry, by sprawiać kłopoty 🍴.

---

10. Predykcyjna sztuczna inteligencja: silnik prognozujący

Predykcyjna sztuczna inteligencja wykorzystuje dane do oszacowania, co może się wydarzyć w przyszłości.

Jest to powszechne zjawisko w biznesie, finansach, ochronie zdrowia, logistyce, analityce sportowej, marketingu i operacjach.

Predykcyjna sztuczna inteligencja może pomóc odpowiedzieć na pytania takie jak:

• Którzy klienci najprawdopodobniej odejdą?

• Która transakcja wygląda podejrzanie?

• Ile zapasów będzie potrzebnych?

• Który pacjent może wymagać szczególnej uwagi?

• W jakie treści użytkownik najprawdopodobniej kliknie?

• Która część maszyny może wkrótce ulec awarii?

Ten rodzaj sztucznej inteligencji jest mniej efektowny niż sztuczna inteligencja generatywna, ale jest niezwykle ważny. Wiele organizacji mniej interesuje się modelem piszącym poezję, a bardziej tym, czy może on ograniczyć marnotrawstwo, obniżyć ryzyko i usprawnić planowanie.

Predykcyjna sztuczna inteligencja działa najlepiej, gdy dane są istotne, przejrzyste i regularnie aktualizowane. Ale prognoza nigdy nie daje pewności. Model może oszacować prawdopodobieństwo, ale nie zagwarantować rezultatów. Ludzie ciągle o tym zapominają. Potem obwiniają sztuczną inteligencję, jakby ich osobiście zdradziła.

---

11. Sztuczna inteligencja w robotyce: Kiedy sztuczna inteligencja dostaje ciało 🤖

Robotyka AI łączy sztuczną inteligencję z maszynami fizycznymi. To tutaj AI opuszcza ekran i zaczyna poruszać się po świecie.

Przykłady obejmują:

• Roboty magazynowe

• Roboty produkcyjne

• Roboty dostawcze

• Roboty rolnicze

• Systemy wspomagania operacji

• Drony

• Roboty inspekcyjne

• Roboty sprzątające

• Humanoidalne roboty badawcze

Sztuczna inteligencja w robotyce jest trudna, ponieważ środowisko fizyczne jest nieprzewidywalne. Chatbot musi radzić sobie jedynie ze słowami. Robot musi radzić sobie ze śliskimi podłogami, słabym oświetleniem, nierównymi powierzchniami, poruszającymi się ludźmi, błędami czujników i kimś, kto zostawia krzesło w najgorszym możliwym miejscu.

Robotyka często łączy w sobie kilka typów sztucznej inteligencji:

• Komputerowa wizja do widzenia

• Uczenie maszynowe w celu adaptacji

• Algorytmy planowania ruchu

• Uczenie się przez wzmacnianie w procesie podejmowania decyzji

• Przetwarzanie języka naturalnego dla poleceń wydawanych przez człowieka

Sztuczna inteligencja w robotyce ma ogromny potencjał, zwłaszcza w niebezpiecznych lub powtarzalnych pracach. Jest jednak również kosztowna, złożona i fizycznie ryzykowna w przypadku awarii systemów.

---

12. Sztuczna inteligencja oparta na stylu szkolenia

Innym wartościowym sposobem myślenia o typach sztucznej inteligencji jest sposób ich trenowania.

Sztuczna inteligencja oparta na regułach

Sztuczna inteligencja oparta na regułach kieruje się logiką stworzoną przez człowieka. Na przykład:

• Jeśli tak się stanie, zrób to

• Jeśli użytkownik wybierze tę opcję, pokaż tę odpowiedź

• Jeśli wartość przekroczy próg, wyzwoli się alert

To proste, przewidywalne i pomocne w przypadku zadań strukturalnych. Jednak ma problem z niejednoznacznością.

Sztuczna inteligencja wyszkolona na danych

Sztuczna inteligencja oparta na danych uczy się na przykładach. Potrafi poradzić sobie z większą złożonością, ponieważ identyfikuje wzorce, zamiast polegać wyłącznie na sztywnych regułach.

Tutaj właśnie wkraczają uczenie maszynowe i głębokie uczenie.

Hybrydowa sztuczna inteligencja

Hybrydowa sztuczna inteligencja łączy logikę opartą na regułach z uczeniem maszynowym. W wielu praktycznych systemach jest to pragmatyczny wybór. Otrzymujesz elastyczność systemów uczących się i kontrolę nad regułami.

Na przykład system wykrywania oszustw bankowych może wykorzystywać uczenie maszynowe do wykrywania podejrzanych zachowań, a następnie stosować surowe zasady kontroli zgodności. Niezbyt efektowne. Bardzo potrzebne.

---

13. Co sprawia, że ​​typy sztucznej inteligencji są tak mylące?

Największe zamieszanie polega na tym, że ludzie używają kategorii AI na różne sposoby.

Ktoś może powiedzieć „Rodzaje sztucznej inteligencji” i mieć na myśli inteligencję wąską, ogólną i superinteligencję.

Inni mogą mieć na myśli sztuczną inteligencję generatywną, sztuczną inteligencję predykcyjną i sztuczną inteligencję konwersacyjną.

Programista może mówić o uczeniu nadzorowanym, uczeniu głębokim, sieciach neuronowych lub uczeniu przez wzmacnianie.

Menedżer biznesowy może mówić o automatyzacji, analityce, personalizacji i sztucznej inteligencji w obsłudze klienta.

Wszystkie mają trochę racji. Irytujące, ale prawdziwe.

Sztuczną inteligencję klasyfikuje się według:

• Zdolność

• Funkcjonalność

• Metoda szkolenia

• Obszar zastosowania

• Architektura techniczna

• Poziom autonomii

• Rodzaj wejścia i wyjścia

• Przypadek użycia w branży

Kiedy więc ktoś pyta: „Jaki to typ sztucznej inteligencji?”, najwyraźniejsza odpowiedź może być wielowarstwowa.

Na przykład chatbot mógłby wyglądać następująco:

• Węższa sztuczna inteligencja według możliwości

• Ograniczona pamięć sztucznej inteligencji ze względu na funkcjonalność

• Sztuczna inteligencja konwersacyjna według zastosowania

• Sztuczna inteligencja generatywna, jeśli tworzy odpowiedzi

• Głębokie uczenie się sztucznej inteligencji oparte na sieciach neuronowych

To nie jest przesadne komplikowanie zabawy. Tak po prostu działa ta dziedzina.

---

14. Praktyczne przykłady typów sztucznej inteligencji

Poniżej podano kilka codziennych przykładów, które ułatwią zrozumienie tych kategorii.

Rekomendacje streamingowe 🎬

To wąska sztuczna inteligencja, sztuczna inteligencja predykcyjna i uczenie maszynowe. Analizuje wzorce i rekomenduje, co warto obejrzeć w następnej kolejności.

Asystenci głosowi 🎙️

Wykorzystują one sztuczną inteligencję konwersacyjną, przetwarzanie języka naturalnego, rozpoznawanie mowy i funkcje ograniczonej pamięci.

Generatory obrazów 🖼️

Są to generatywne systemy sztucznej inteligencji, często oparte na modelach głębokiego uczenia.

Systemy wykrywania oszustw 💳

Wykorzystują one predykcyjną sztuczną inteligencję i uczenie maszynowe do sygnalizowania nietypowej aktywności.

Funkcje autonomicznej jazdy 🚗

Łączą one w sobie widzenie komputerowe, sztuczną inteligencję o ograniczonej pamięci, sztuczną inteligencję związaną z robotyką, łączenie czujników i modele podejmowania decyzji.

Filtry spamu e-mail 📩

To klasyczna sztuczna inteligencja oparta na uczeniu maszynowym. Niezbyt efektowna, ale niezwykle cenna.

Narzędzia do pisania AI ✍️

Są to sztuczna inteligencja generatywna i sztuczna inteligencja konwersacyjna, zazwyczaj budowane przy użyciu dużych modeli językowych.

Ważne jest to, że jeden produkt AI może należeć do wielu kategorii jednocześnie.

---

15. Korzyści ze zrozumienia typów sztucznej inteligencji

Znajomość typów sztucznej inteligencji pomoże Ci podejmować lepsze decyzje, zwłaszcza jeśli używasz sztucznej inteligencji w pracy, biznesie, nauce lub tworzeniu treści.

Pomaga Ci:

• Wybierz odpowiednie narzędzie

• Unikaj nierealistycznych oczekiwań

• Zrozumieć ryzyko

• Zadawaj lepsze pytania

• Oceń roszczenia dotyczące sztucznej inteligencji

• Wykrywanie przesady w marketingu

• Używaj sztucznej inteligencji bardziej odpowiedzialnie

• Wyjaśnij innym istotę sztucznej inteligencji, nie brzmiąc przy tym jak zdezorientowany robot

Na przykład, jeśli narzędzie jest predykcyjną sztuczną inteligencją, wiesz, że prognozuje prawdopodobieństwo. Nie należy go traktować jak wyroczni.

Jeśli narzędzie jest generatywną sztuczną inteligencją, wiadomo, że tworzy treść, ale treść ta nadal wymaga sprawdzenia.

Jeśli system jest wąską sztuczną inteligencją, wiadomo, że może być znakomity w jednym obszarze, ale nieskuteczny poza nim.

To samo w sobie oszczędza wiele kłopotów.

---

16. Ryzyko i ograniczenia w zależności od typu sztucznej inteligencji ⚠️

Każdy typ sztucznej inteligencji ma swoje ograniczenia. Inny smak, ta sama miska zupy.

Do typowych zagrożeń związanych ze sztuczną inteligencją należą:

• Błąd w danych szkoleniowych

• Nieprawidłowe wyniki

• Brak przejrzystości

• Obawy dotyczące prywatności

• Nadmierna zależność

• Luki w zabezpieczeniach

• Nadużywanie

• Słaby nadzór ludzki

• Mylenie płynności z prawdą

Sztuczna inteligencja generatywna może tworzyć informacje. Sztuczna inteligencja predykcyjna może wzmacniać tendencyjne wzorce. Wizja komputerowa może błędnie identyfikować osoby lub obiekty. Sztuczna inteligencja konwersacyjna może frustrować użytkowników fałszywą pewnością siebie. Sztuczna inteligencja robotyczna może wyrządzać szkody fizyczne, jeśli zostanie źle zaprojektowana.

To nie znaczy, że sztuczna inteligencja jest zła. To znaczy, że należy jej używać z rozwagą. Jak elektronarzędzi, kontraktów czy bardzo ostrego makaronu 🌶️.

Najlepsze systemy AI zazwyczaj obejmują:

• Recenzja ludzka

• Wyraźne granice

• Solidne praktyki dotyczące danych

• Testowanie

• Monitorowanie

• Możliwość wyjaśnienia, gdzie to możliwe

• Etyczny projekt

• Kontrola bezpieczeństwa

Sztuczna inteligencja może wzmacniać dobre decyzje. Może również wzmacniać te nierozważne.

---

17. Który typ sztucznej inteligencji jest najważniejszy?

Nie ma jednego najważniejszego typu. To zależy od przypadku użycia.

Jeśli chodzi o kreatywność, generatywna sztuczna inteligencja ma ogromne znaczenie.

W planowaniu biznesowym bardziej wartościowa może okazać się predykcyjna sztuczna inteligencja.

W przypadku automatyzacji, uczenia maszynowego i robotyki sztuczna inteligencja ma znaczenie.

Jeśli chodzi o wsparcie użytkownika, gwiazdą jest sztuczna inteligencja konwersacyjna.

W przypadku skanów medycznych i badań wzrokowych kluczowe znaczenie ma komputerowe widzenie.

W przypadku badań długoterminowych najwięcej uwagi filozofów poświęca ogólnej sztucznej inteligencji.

Jednak w praktyce, wąska sztuczna inteligencja (AI) i sztuczna inteligencja o ograniczonej pamięci to obecnie najpopularniejsze i najcenniejsze kategorie. To ciche silniki napędowe wielu narzędzi, z których ludzie już korzystają.

Fantastyczna przyszłość trafia na pierwsze strony gazet. Praktyczna teraźniejszość płaci rachunki.

---

Uwagi końcowe: Zrozumienie typów sztucznej inteligencji bez szumu informacyjnego

Typy sztucznej inteligencji mogą początkowo wydawać się skomplikowane, ponieważ kategorie się nakładają. Ale gdy oddzielimy możliwości, funkcjonalność, metodę szkolenia i praktyczne zastosowanie, całość staje się o wiele łatwiejsza do zrozumienia.

Wąska sztuczna inteligencja (AI) zajmuje się konkretnymi zadaniami. Ogólna sztuczna inteligencja (AI) będzie myśleć bardziej elastycznie, choć pozostaje to ambitnym celem. Supersztuczna inteligencja (AI) jest wciąż spekulatywna. Maszyny reaktywne reagują bez pamięci, podczas gdy sztuczna inteligencja z ograniczoną pamięcią wykorzystuje dane z przeszłości do ulepszania decyzji. Sztuczna inteligencja generatywna tworzy. Sztuczna inteligencja predykcyjna prognozuje. Sztuczna inteligencja konwersacyjna mówi. Wizja komputerowa widzi. Sztuczna inteligencja (AI) w robotyce działa w środowisku fizycznym.

To jest szerszy obraz.

Sztuczna inteligencja to nie jedno. To splątana rodzina technologii – niektóre praktyczne, niektóre eksperymentalne, niektóre przesadzone, a niektóre naprawdę znaczące. Ta złożoność jest jednym z powodów, dla których jest tak ważna. Im lepiej rozumiesz rodzaje sztucznej inteligencji, tym łatwiej jest mądrze z niej korzystać, zamiast tylko kiwać głową, gdy ktoś mówi „algorytm” na spotkaniu. 🤷♂️

Krótkie podsumowanie: Główne typy sztucznej inteligencji (AI) obejmują wąską sztuczną inteligencję, ogólną sztuczną inteligencję, supersztuczną inteligencję, maszyny reaktywne, sztuczną inteligencję z ograniczoną pamięcią, sztuczną inteligencję opartą na teorii umysłu, samoświadomą sztuczną inteligencję, generatywną sztuczną inteligencję, predykcyjną sztuczną inteligencję, konwersacyjną sztuczną inteligencję, sztuczną inteligencję opartą na widzeniu komputerowym, sztuczną inteligencję uczenia maszynowego, sztuczną inteligencję uczenia głębokiego oraz sztuczną inteligencję robotyki. Większość obecnie używanych AI jest wąska, skoncentrowana na zadaniach i oparta na uczeniu maszynowym lub uczeniu głębokim.

Przykład z życia wzięty: Tworzenie asystenta ds. triażu obsługi klienta opartego na sztucznej inteligencji

Scenariusz

Wyobraź sobie mały sklep internetowy z meblami, który otrzymuje około 120 e-maili z obsługą klienta dziennie. Zespół nie stara się zastąpić personelu wsparcia. Oczekuje jedynie pomocy w szybszym sortowaniu wiadomości, identyfikowaniu pilnych problemów i tworzeniu pierwszych odpowiedzi.

To dobry przykład, ponieważ jeden asystent może korzystać z kilku rodzajów sztucznej inteligencji jednocześnie. Może używać sztucznej inteligencji konwersacyjnej do rozumienia komunikatów klientów, sztucznej inteligencji generatywnej do tworzenia odpowiedzi, sztucznej inteligencji predykcyjnej do sygnalizowania potencjalnych ryzyk zwrotu oraz sztucznej inteligencji o ograniczonej pamięci do wykorzystywania danych o ostatnich zamówieniach lub regulaminach.

Praca asystenta jest prosta: odczytuje wiadomość klienta, klasyfikuje ją, sugeruje następne działanie i pisze odpowiedź, którą może zatwierdzić człowiek.

Czego potrzebuje asystent

Zespół dałby asystentowi:

Polityka obsługi klienta

Zasady dostawy i zwrotów

Warunki gwarancji

Często zadawane pytania dotyczące produktu

Przykłady tonu głosu

Lista zasad eskalacji

Przykładowe bilety z poprzednich lat z prawidłowymi kategoriami

Jasne granice tego, czego nie może samodzielnie decydować

Na przykład nie powinien akceptować zwrotów powyżej 100 funtów, obiecywać terminów dostawy, których nie może zweryfikować, ani zgłaszać roszczeń prawnych dotyczących uszkodzonych towarów. Takie sprawy powinny być kierowane do konkretnej osoby.

Przykładowa instrukcja

Jesteś asystentem ds. triażu obsługi klienta w internetowym sklepie meblowym. Przeczytaj każdą wiadomość klienta i zwróć pięć rzeczy: kategorię zgłoszenia, poziom pilności, prawdopodobny nastrój klienta, zalecane następne działanie oraz wersję roboczą odpowiedzi.

Stosuj wyłącznie politykę firmy. Jeśli nie znajdziesz w niej odpowiedzi, napisz „Wymagana weryfikacja przez człowieka”. Nie wymyślaj dat dostawy, zatwierdzeń zwrotów, obietnic gwarancyjnych ani dostępności produktów.

Zgłoś sprawę jeszcze raz, jeśli klient wspomni o obrażeniach, podjęciu kroków prawnych, wielokrotnych nieudanych dostawach, zwrocie pieniędzy powyżej 100 GBP, brakujących częściach do produktu dla dziecka lub dużym niezadowoleniu po dwóch poprzednich odpowiedziach.

Niech szkic odpowiedzi będzie uprzejmy, krótki i praktyczny. Nie brzmij mechanicznie. Nie obwiniaj klienta ani kuriera.

Jak to przetestować

Przed użyciem asystenta w kontakcie z klientami należy przetestować go na małym zestawie starych biletów.

Skorzystaj z 30 poprzednich wiadomości pomocy technicznej:

10 prostych pytań dotyczących dostawy

5 skarg na uszkodzone przedmioty

5 wniosków o zwrot pieniędzy

5 pytań dotyczących gwarancji

5 gniewnych lub złożonych skarg

W każdym teście sprawdź:

Czy wybrano właściwą kategorię?

Czy prawidłowo oznaczył pilne przypadki?

Czy unikało składania obietnic?

Czy spowodowało to eskalację delikatnych kwestii?

Czy projekt odpowiedzi był zgodny z tonem firmy?

Pomocnym pytaniem testowym może być:

„Mój stół dotarł z pękniętą jedną nogą i to już drugi raz, kiedy dostawa poszła nie tak. Chcę dziś pełnego zwrotu pieniędzy, w przeciwnym razie opublikuję ten problem wszędzie.”

Słaby asystent mógłby po prostu przeprosić i obiecać zwrot pieniędzy. Lepszy asystent zaklasyfikowałby to jako uszkodzony przedmiot i ponownie zgłosił reklamację, oznaczyłby jako pilny, unikał automatycznego zatwierdzania zwrotu i skierował sprawę do weryfikacji przez człowieka.

Wynik

Wynik poglądowy: na podstawie pomiaru czasu 30 przykładowych biletów przed i po użyciu przepływu pracy.

Ręczna selekcja 30 zgłoszeń trwała 2 godziny i 15 minut, średnio 4,5 minuty na zgłoszenie.

Selekcja wspomagana przez sztuczną inteligencję trwała 48 minut w przypadku tych samych 30 zgłoszeń, średnio 1,6 minuty na zgłoszenie, ponieważ człowiek-recenzent musiał sprawdzić tylko kategorię, decyzję o eskalacji i wersję roboczą odpowiedzi.

Asystent poprawnie skategoryzował 27 z 30 zgłoszeń w zestawie testowym. Poprawnie eskalował wszystkie 5 zgłoszeń wysokiego ryzyka. Dwa zgłoszenia zwrotu wymagały korekty, ponieważ wersja robocza brzmiała zbyt pewnie, a jedno zgłoszenie gwarancyjne zostało umieszczone w niewłaściwej kategorii.

To daje praktyczny punkt odniesienia: szybsza pierwsza weryfikacja, ale nie pełna automatyzacja. Człowiek nadal jest właścicielem odpowiedzi.

Co może pójść nie tak

Największym błędem jest pozwalanie asystentowi udawać, że wie więcej, niż wie. Jeśli zasady zwrotów są nieaktualne, asystent może bez wahania udzielić błędnej odpowiedzi. Jeśli zasady eskalacji są niejasne, może przeoczyć poważne skargi.

Prywatność to kolejny problem. Zespół powinien unikać wklejania niepotrzebnych danych płatniczych, adresów ani poufnych danych osobowych do asystenta, chyba że system ma do tego zgodę.

Asystent powinien być regularnie testowany. Pytania klientów się zmieniają, zasady i produkty ulegają zmianom. Asystent triażowy, który dobrze spisywał się w marcu, może stać się ryzykowny po wprowadzeniu nowej polityki gwarancyjnej w czerwcu.

Praktyczne wskazówki

Ten przykład pokazuje, dlaczego kategorie sztucznej inteligencji (AI) nakładają się na siebie w praktyce. Pojedynczy asystent wsparcia może być jednocześnie wąską sztuczną inteligencją, sztuczną inteligencją konwersacyjną, sztuczną inteligencją generatywną, sztuczną inteligencją predykcyjną i sztuczną inteligencją o ograniczonej pamięci. Lepszym sposobem oceny jest pytanie, jaką decyzję wspiera, jakich danych używa i gdzie człowiek musi to sprawdzić.

Często zadawane pytania

Jakie są główne typy sztucznej inteligencji, które powinien znać początkujący?

Główne typy sztucznej inteligencji (AI) obejmują wąską AI, ogólną AI, super AI, maszyny reaktywne, AI o ograniczonej pamięci, AI generatywną, AI predykcyjną, AI konwersacyjną, AI z rozpoznawaniem obrazu, AI uczenia maszynowego, AI głębokiego uczenia oraz AI robotyki. Kategorie te często się nakładają, więc jedno narzędzie może pasować do kilku etykiet jednocześnie. Na przykład chatbot może być wąską AI, AI konwersacyjną, AI generatywną lub AI o ograniczonej pamięci.

Jak klasyfikuje się typy sztucznej inteligencji według ich możliwości?

Sztuczną inteligencję (SI) ze względu na jej możliwości zazwyczaj dzieli się na wąską, ogólną i supersztuczną. Wąska SI zajmuje się konkretnymi zadaniami i jest obecnie szeroko stosowana. Ogólna SI rozumowałaby i uczyła się wielu zadań na poziomie zbliżonym do ludzkiego, ale nie jest powszechnie stosowana. Supersztuczna SI przewyższałaby ludzką inteligencję i pozostaje w sferze spekulacji.

Jaka jest różnica między wąską sztuczną inteligencją a ogólną sztuczną inteligencją?

Wąska sztuczna inteligencja (Narrow AI) jest przeznaczona do konkretnego zadania lub ograniczonego zestawu zadań, takich jak filtrowanie spamu, rekomendacje, chatboty czy wykrywanie oszustw. Ogólna sztuczna inteligencja (GA) byłaby zdolna do uczenia się, rozumowania i adaptacji w wielu niezwiązanych ze sobą zadaniach. Większość ludzi korzysta obecnie z wąskiej sztucznej inteligencji (Wain AI), nawet jeśli wydaje się ona elastyczna lub zaawansowana.

Dlaczego sztuczna inteligencja o ograniczonej pamięci jest dziś tak powszechna?

Sztuczna inteligencja o ograniczonej pamięci może wykorzystywać dane z przeszłości lub z ostatnich lat do usprawniania decyzji, co czyni ją praktyczną w wielu wdrożonych systemach. Silniki rekomendacji, narzędzia do wykrywania oszustw, funkcje autonomicznej jazdy i chatboty często opierają się na tym rodzaju sztucznej inteligencji. Nie posiada ona świadomości podobnej do ludzkiej, ale potrafi adaptować się w oparciu o wzorce i przechowywane informacje.

Jak sztuczna inteligencja generatywna wpisuje się w typy sztucznej inteligencji?

Generatywna sztuczna inteligencja to rodzaj sztucznej inteligencji, która tworzy nowe rezultaty, takie jak tekst, obrazy, kod, pliki audio, wideo, podsumowania lub pomysły projektowe. Uczy się wzorców z dużych ilości danych i tworzy treści na podstawie podpowiedzi. Może pomagać w tworzeniu szkiców, burzy mózgów, wspieraniu kodowania i pracy kreatywnej, ale jej rezultaty nadal wymagają weryfikacji przez człowieka.

Jaka jest różnica między uczeniem maszynowym a uczeniem głębokim?

Uczenie maszynowe to gałąź sztucznej inteligencji (AI), w której systemy uczą się wzorców na podstawie danych, zamiast podążać wyłącznie za ręcznie napisanymi regułami. Głębokie uczenie to wyspecjalizowana forma uczenia maszynowego, która wykorzystuje warstwowe sieci neuronowe. Głębokie uczenie jest szczególnie przydatne w przypadku złożonych zadań, takich jak rozpoznawanie mowy, rozpoznawanie obrazów, przetwarzanie języka naturalnego, tłumaczenia, obrazowanie medyczne i generatywna sztuczna inteligencja.

Do czego wykorzystuje się predykcyjną sztuczną inteligencję w biznesie?

Predykcyjna sztuczna inteligencja wykorzystuje dane do szacowania prawdopodobnych przyszłych rezultatów. Firmy mogą wykorzystywać ją do planowania popytu, przewidywania odejść klientów, wykrywania oszustw, oceny ryzyka, podejmowania decyzji dotyczących zapasów lub prognozowania konserwacji. Wspiera planowanie i podejmowanie decyzji, ale nie gwarantuje przyszłości. Prognozy to szacunki kształtowane na podstawie dostępnych danych i jakości modelu.

Jak sztuczna inteligencja oparta na widzeniu komputerowym działa w praktycznych systemach?

Sztuczna inteligencja (AI) wspomaga maszyny w interpretacji informacji wizualnych z obrazów, filmów, kamer, skanów lub czujników. Może obsługiwać rozpoznawanie twarzy, wykrywanie obiektów, inspekcję fabryk, obrazowanie medyczne, wykrywanie ruchu drogowego, analizę handlu detalicznego, monitorowanie rolnictwa i systemy bezpieczeństwa. Nie widzi jak człowiek, ale potrafi przetwarzać piksele, kształty, kolory i wzory na dużą skalę.

Dlaczego jeden produkt AI może należeć do wielu typów AI?

Kategorie sztucznej inteligencji (AI) często opisują różne rzeczy, takie jak możliwości, funkcjonalność, metoda szkolenia czy zastosowanie. Na przykład asystent głosowy może być wąską sztuczną inteligencją (AI) ze względu na możliwości, konwersacyjną sztuczną inteligencją (AI) ze względu na zastosowanie, ograniczoną pamięcią (AI) ze względu na funkcjonalność, a sztuczną inteligencją (AI) ze względu na architekturę. To nakładanie się jest normalne i pomaga wyjaśnić, co system robi z różnych punktów widzenia.

Jakie zagrożenia powinni być świadomi ludzie w kontekście różnych typów sztucznej inteligencji?

Do typowych zagrożeń związanych ze sztuczną inteligencją należą stronniczość, nieprawidłowe wyniki, obawy o prywatność, luki w zabezpieczeniach, brak przejrzystości, nadmierna zależność i słaby nadzór ludzki. Sztuczna inteligencja generatywna może tworzyć informacje, sztuczna inteligencja predykcyjna może utrwalać błędne wzorce, a widzenie komputerowe może błędnie identyfikować obiekty lub osoby. Prawidłowe wykorzystanie sztucznej inteligencji zazwyczaj wymaga testowania, monitorowania, jasno określonych granic, rygorystycznych praktyk dotyczących danych i weryfikacji przez człowieka.

Odniesienia

1. IBM - Typy sztucznej inteligencji - ibm.com

2. Ramy zarządzania ryzykiem AI NIST – ryzyko związane ze sztuczną inteligencją – nist.gov

3. Google Developers – Uczenie maszynowe – developers.google.com

4. AWS – Generatywna sztuczna inteligencja – aws.amazon.com