Ποιοι είναι οι τύποι τεχνητής νοημοσύνης; [Βίντεο και κουίζ]

Σύντομη απάντηση: Οι τύποι τεχνητής νοημοσύνης γίνονται καλύτερα κατανοητοί με βάση τις δυνατότητες, τη λειτουργικότητα, το στυλ εκπαίδευσης και την περίπτωση χρήσης. Η περιορισμένη τεχνητή νοημοσύνη είναι συνηθισμένη σήμερα, ενώ η γενική τεχνητή νοημοσύνη και η υπερ-τεχνητή νοημοσύνη παραμένουν θεωρητικές. Όταν επιλέγετε ένα εργαλείο, αντιστοιχίστε την κατηγορία με την εργασία, τους κινδύνους που ενέχονται και την ανάγκη για ανθρώπινη αξιολόγηση.

Βασικά συμπεράσματα:

Ταξινόμηση: Διαχωρίστε τις δυνατότητες, τη λειτουργικότητα, τη μέθοδο εκπαίδευσης και την περίπτωση χρήσης πριν από τη σύγκριση συστημάτων.

Ανθρώπινη αξιολόγηση: Ελέγξτε τα δημιουργικά, προγνωστικά και συνομιλιακά αποτελέσματα πριν βασιστείτε σε αυτά.

Διαφάνεια: Ρωτήστε ποια δεδομένα, λογική και όρια διαμορφώνουν κάθε σύστημα Τεχνητής Νοημοσύνης.

Λογοδοσία: Διατηρήστε τους ανθρώπους υπεύθυνους όταν η Τεχνητή Νοημοσύνη επηρεάζει τις αποφάσεις, τους χρήστες ή την ασφάλεια.

Έλεγχος κινδύνου: Ελέγξτε για μεροληψία, ιδιωτικότητα, ασφάλεια και κακή χρήση πριν από την ανάπτυξη.

---

1. Ποιοι είναι οι τύποι τεχνητής νοημοσύνης;

Όταν οι άνθρωποι ρωτούν «Ποιοι είναι οι τύποι τεχνητής νοημοσύνης;» συνήθως εννοούν ένα από τα δύο:

Μπορεί να ρωτούν για την Τεχνητή Νοημοσύνη με βάση τις δυνατότητές της, όπως αν μπορεί να κάνει μόνο μία εργασία ή να συλλογιστεί σε ευρύτερο πλαίσιο με ανθρώπινο τρόπο.

Ή μπορεί να ρωτούν για την Τεχνητή Νοημοσύνη με βάση τη λειτουργικότητα, δηλαδή τον τρόπο με τον οποίο το σύστημα συμπεριφέρεται, μαθαίνει, θυμάται, προβλέπει ή ανταποκρίνεται.

Εκεί είναι που τα πράγματα μπερδεύονται λίγο. Η Τεχνητή Νοημοσύνη δεν ομαδοποιείται σε ένα καθαρό κουτί. Είναι περισσότερο σαν να ταξινομείς τα εργαλεία κουζίνας κατά μέγεθος, σκοπό, ευκρίνεια και αν ο θείος σου τα αγόρασε από ένα αμφίβολο ηλεκτρονικό κατάστημα. Διαφορετικά συστήματα ταξινόμησης αλληλεπικαλύπτονται.

Οι κύριες κατηγορίες συνήθως περιλαμβάνουν:

• Περιορισμένη Τεχνητή Νοημοσύνη

• Γενική Τεχνητή Νοημοσύνη

• Σούπερ Τεχνητή Νοημοσύνη

• Αντιδραστικά Μηχανήματα

• Περιορισμένης μνήμης AI

• Θεωρία του Νου Τεχνητή Νοημοσύνη

• Αυτογνωσία Τεχνητής Νοημοσύνης

• Τεχνητή Νοημοσύνη Μηχανικής Μάθησης

• Βαθιά Μάθηση Τεχνητής Νοημοσύνης

• Γενετική Τεχνητή Νοημοσύνη

• Προγνωστική Τεχνητή Νοημοσύνη

• Συνομιλητική Τεχνητή Νοημοσύνη

• Τεχνητή Νοημοσύνη για Υπολογιστική Όραση

• Ρομποτική Τεχνητή Νοημοσύνη

Μερικά από αυτά χρησιμοποιούνται ευρέως. Κάποια είναι ακόμα ως επί το πλείστον θεωρητικά. Κάποια ακούγονται φουτουριστικά, αλλά είναι ήδη ενσωματωμένα σε καθημερινές εφαρμογές. Η γραμμή μεταξύ «κανονικού λογισμικού» και «Τεχνητής Νοημοσύνης» έχει επίσης γίνει πιο θολή με την πάροδο του χρόνου.

---

2. Τύποι Τεχνητής Νοημοσύνης ανά Δυνατότητα

Ο πρώτος σημαντικός τρόπος ταξινόμησης της Τεχνητής Νοημοσύνης είναι με βάση τις δυνατότητές της. Αυτή είναι η συνολική εικόνα 🧠.

Περιορισμένη Τεχνητή Νοημοσύνη

Η περιορισμένη τεχνητή νοημοσύνη, που ονομάζεται επίσης ασθενής τεχνητή νοημοσύνη, έχει σχεδιαστεί για να εκτελεί μια συγκεκριμένη εργασία ή ένα περιορισμένο σύνολο εργασιών. Αυτή είναι η τεχνολογία που χρησιμοποιούν οι άνθρωποι της τεχνητής νοημοσύνης καθημερινά.

Παραδείγματα περιλαμβάνουν:

• Προτάσεις αναζήτησης

• Φίλτρα ανεπιθύμητης αλληλογραφίας

• Βοηθοί φωνής

• Συστήματα αναγνώρισης προσώπου

• Chatbots

• Μηχανές προτάσεων προϊόντων

• Εργαλεία ανίχνευσης απάτης

• Εφαρμογές μετάφρασης γλώσσας

Η περιορισμένη Τεχνητή Νοημοσύνη μπορεί να είναι ισχυρή, αλλά δεν «σκέφτεται» με την ευρεία ανθρώπινη έννοια. Μια Τεχνητή Νοημοσύνη στο σκάκι μπορεί να νικήσει έναν γκρανμαίτρ, αλλά δεν μπορεί ξαφνικά να αποφασίσει να γίνει ζαχαροπλάστης. Ένα μοντέλο μετάφρασης μπορεί να μεταφράσει μια παράγραφο, αλλά δεν βιώνει τη γλώσσα με τον τρόπο που την βιώνει ένα άτομο.

Παρόλα αυτά, η στενή τεχνητή νοημοσύνη είναι το βασικό εργαλείο του σύγχρονου κόσμου της τεχνητής νοημοσύνης. Δεν είναι λαμπερή με έναν τρόπο επιστημονικής φαντασίας, αλλά καθοδηγεί μεγάλο μέρος της παράστασης πίσω από την κουρτίνα 🎭.

Γενική Τεχνητή Νοημοσύνη

Η γενική Τεχνητή Νοημοσύνη αναφέρεται στην τεχνητή νοημοσύνη που μπορεί να κατανοήσει, να μάθει, να συλλογιστεί και να εφαρμόσει γνώση σε πολλές διαφορετικές εργασίες σε ανθρώπινο επίπεδο.

Με απλά λόγια: δεν θα έκανε μόνο ένα πράγμα καλά. Θα μπορούσε να προσαρμοστεί.

Μια πραγματική γενική Τεχνητή Νοημοσύνη θα μπορούσε ενδεχομένως:

• Μάθετε άγνωστες εργασίες

• Συλλογισμός σε διαφορετικά θέματα

• Επίλυση νέων προβλημάτων

• Μεταφορά γνώσης από τον έναν τομέα στον άλλο

• Κατανοήστε το πλαίσιο σε μεγαλύτερο βάθος

• Λάβετε αποφάσεις με ευέλικτη κρίση

Αυτό το είδος Τεχνητής Νοημοσύνης εξακολουθεί να αποτελεί περισσότερο στόχο παρά καθημερινή πραγματικότητα. Οι άνθρωποι μιλούν πολύ γι' αυτήν επειδή είναι συναρπαστική, ίσως λίγο ανησυχητική και δύσκολο να της αντισταθεί κανείς ως έννοια. Ωστόσο, τα συνηθισμένα εργαλεία που γράφουν κείμενο, δημιουργούν εικόνες ή απαντούν σε ερωτήσεις δεν αποτελούν αυτόματα γενική Τεχνητή Νοημοσύνη. Μπορεί να φαίνονται ευρείες, αλλά εξακολουθούν να λειτουργούν εντός σχεδιασμένων ορίων.

Σούπερ Τεχνητή Νοημοσύνη

Η υπερ-Τεχνητή Νοημοσύνη θα ξεπερνούσε την ανθρώπινη νοημοσύνη. Όχι μόνο ταχύτερη πληκτρολόγηση ή καλύτερα μαθηματικά - ανώτερη συλλογιστική, δημιουργικότητα, στρατηγική, μάθηση και ίσως και συναισθηματική ή κοινωνική κατανόηση.

Αυτή είναι η πιο εικασιακή κατηγορία. Θέτει τεράστια ερωτήματα:

• Ποιος το ελέγχει;

• Μπορεί να ευθυγραμμιστεί με τις ανθρώπινες αξίες;

• Θα κατανοούσε σωστά τους ανθρώπινους στόχους;

• Θα μπορούσε να βελτιωθεί από μόνο του;

• Τι θα συμβεί αν λάβει αποφάσεις που οι άνθρωποι δεν μπορούν να ακολουθήσουν;

Η Υπερ-Τεχνητή Νοημοσύνη είναι το σημείο όπου οι συζητήσεις για την ΤΝ μετατρέπονται μερικές φορές σε φιλοσοφική σούπα. Πολύτιμη σούπα, ίσως, αλλά παρόλα αυτά σούπα 🍲.

---

3. Τύποι Τεχνητής Νοημοσύνης ανά Λειτουργικότητα

Ένας άλλος συνηθισμένος τρόπος για να εξηγήσουμε τους τύπους τεχνητής νοημοσύνης είναι με βάση τη λειτουργικότητα. Αυτό εστιάζει στον τρόπο με τον οποίο συμπεριφέρεται η τεχνητή νοημοσύνη.

Αντιδραστικά Μηχανήματα

Οι αντιδραστικές μηχανές είναι ο απλούστερος τύπος τεχνητής νοημοσύνης. Ανταποκρίνονται σε τρέχοντα δεδομένα εισόδου χωρίς να χρησιμοποιούν μνήμη από προηγούμενες εμπειρίες.

Δεν μαθαίνουν με την πάροδο του χρόνου με τον τρόπο που μαθαίνουν τα σύγχρονα προσαρμοστικά συστήματα. Εξετάζουν την κατάσταση, την επεξεργάζονται και αντιδρούν.

Σκεφτείτε τα ως εξής: «Τα δεδομένα εισόδου εισέρχονται. Τα δεδομένα εξόδου εξέρχονται. Δεν υπάρχουν καταχωρίσεις ημερολογίου»

Η αντιδραστική Τεχνητή Νοημοσύνη μπορεί να είναι εντυπωσιακή. Μπορεί να αναλύει πιθανές κινήσεις σε ένα παιχνίδι ή να ανταποκρίνεται σε μια σαφώς καθορισμένη κατάσταση με εξαιρετική ταχύτητα και ακρίβεια. Αλλά δεν χτίζει μια προσωπική ιστορία ούτε εξελίσσεται με βάση προηγούμενες αλληλεπιδράσεις.

Περιορισμένης μνήμης AI

Η τεχνητή νοημοσύνη με περιορισμένη μνήμη μπορεί να χρησιμοποιήσει δεδομένα του παρελθόντος για να λάβει καλύτερες αποφάσεις. Σε αυτήν την κατηγορία βρίσκεται μεγάλο μέρος της σημερινής πρακτικής τεχνητής νοημοσύνης.

Παραδείγματα περιλαμβάνουν:

• Συστήματα συστάσεων που μαθαίνουν από τη συμπεριφορά των χρηστών

• Συστήματα αυτόνομων οχημάτων που αναλύουν τις πρόσφατες οδικές συνθήκες

• Τα chatbots θυμούνται το περιεχόμενο μιας συνομιλίας

• Μοντέλα ανίχνευσης απάτης που μαθαίνουν από τα μοτίβα συναλλαγών

• Εργαλεία προγνωστικής ανάλυσης που χρησιμοποιούν ιστορικά δεδομένα

Η περιορισμένη μνήμη δεν σημαίνει «κακή μνήμη». Σημαίνει ότι το σύστημα μπορεί να χρησιμοποιήσει αποθηκευμένα ή πρόσφατα δεδομένα, αλλά δεν διαθέτει ανθρώπινη συνείδηση ​​ή μακροπρόθεσμη προσωπική εμπειρία. Μπορεί όμως να είναι εξαιρετικά αποτελεσματικό. Μερικές φορές ενοχλητικά αποτελεσματικό - όπως όταν μια εφαρμογή αγορών ξέρει τι θέλετε πριν το παραδεχτείτε στον εαυτό σας 🛒.

Θεωρία του Νου Τεχνητή Νοημοσύνη

Η Τεχνητή Νοημοσύνη (ΤΝ) της Θεωρίας του Νου θα κατανοούσε τα συναισθήματα, τις πεποιθήσεις, τις προθέσεις και τα κοινωνικά σημάδια με έναν πιο ανθρώπινο τρόπο.

Αυτός ο τύπος τεχνητής νοημοσύνης δεν θα επεξεργάζεται απλώς λέξεις. Θα συμπεράνει τι μπορεί να νιώθει, να θέλει, να παρεξηγεί, να φοβάται ή να περιμένει κάποιος.

Για παράδειγμα, μπορεί να καταλάβει ότι:

• Ένας πελάτης είναι απογοητευμένος αλλά προσπαθεί να παραμείνει ευγενικός

• Ένας μαθητής είναι μπερδεμένος αλλά ντρέπεται να ρωτήσει ξανά

• Ένας ασθενής είναι αγχωμένος παρά το γεγονός ότι λέει «Είμαι καλά»

• Ένας συμπαίκτης διστάζει επειδή διαφωνεί σιωπηλά

Αυτό παραμένει ένα ενεργό πεδίο συζήτησης για την Τεχνητή Νοημοσύνη, αλλά η πραγματική Θεωρία του Νου είναι εξαιρετικά δύσκολη. Τα ανθρώπινα συναισθήματα είναι μπερδεμένα. Οι άνθρωποι λένε ένα πράγμα και εννοούν κάτι άλλο. Μερικές φορές ούτε οι ίδιοι ξέρουν τι εννοούν. Καλή τύχη, μηχανή.

Αυτογνωσία Τεχνητής Νοημοσύνης

Η αυτογνωσιακή Τεχνητή Νοημοσύνη θα έχει συνείδηση, αυτογνωσία και επίγνωση της εσωτερικής της κατάστασης.

Αυτό είναι θεωρητικό. Ανήκει στην επιστημονική φαντασία, στις επιτροπές δεοντολογίας, στους νυχτερινούς καβγάδες και στους ανθρώπους που κοιτάζουν δραματικά έξω από τα παράθυρα 🌙.

Μια αυτογνωσιακή Τεχνητή Νοημοσύνη δεν θα προσομοιώνει απλώς μια συζήτηση σχετικά με τα συναισθήματα. Θα κατέχει κάποιο είδος υποκειμενικής εμπειρίας. Αυτός είναι ένας τεράστιος ισχυρισμός. Τα τρέχοντα συστήματα Τεχνητής Νοημοσύνης δεν έχουν επαληθευμένη συνείδηση, συναισθήματα, επιθυμίες ή ατομικότητα.

Μπορεί να ακούγονται σαν να έχουν αυτογνωσία επειδή η γλώσσα μπορεί να μιμηθεί την αυτοκριτική. Αλλά το να ακούγονται σαν κάτι και το να είναι κάτι δεν είναι το ίδιο. Ένας παπαγάλος μπορεί να πει «Πεινάω», ​​αλλά αυτό δεν σημαίνει ότι έχει κάνει κράτηση σε εστιατόριο.

---

4. Συγκριτικός Πίνακας: Κύριοι Τύποι Τεχνητής Νοημοσύνης

Τύπος Τεχνητής Νοημοσύνης	Κύρια ιδέα	Τρέχουσα κατάσταση	Συνήθη παραδείγματα	Γιατί έχει σημασία
Περιορισμένη Τεχνητή Νοημοσύνη	Κατασκευασμένο για συγκεκριμένες εργασίες	Χρησιμοποιείται ευρέως	Chatbots, αναζήτηση, προτάσεις	Πρακτικό και παντού
Γενική Τεχνητή Νοημοσύνη	Ευέλικτη νοημοσύνη τύπου ανθρώπου	Δεν έχει επιτευχθεί πλήρως	Κυρίως θεωρητικό	Μεγάλος στόχος, μεγάλη συζήτηση
Σούπερ Τεχνητή Νοημοσύνη	Πιο έξυπνοι από τους ανθρώπους σε γενικές γραμμές	Κερδοσκοπικός	Κανένα πρακτικό παράδειγμα	Τεράστια ηθικά ερωτήματα
Αντιδραστικά Μηχανήματα	Απαντά χωρίς μνήμη	Χρησιμοποιείται σε περιορισμένες περιπτώσεις	Τεχνητή Νοημοσύνη παιχνιδιών, συστήματα βασισμένα σε κανόνες	Γρήγορο αλλά όχι προσαρμοστικό
Περιορισμένης μνήμης AI	Χρησιμοποιεί δεδομένα/ιστορικό για βελτίωση	Πολύ συνηθισμένο	Συστήματα αυτόνομης οδήγησης, εργαλεία απάτης	Αυτός είναι ο καθημερινός οδηγός 🚗
Θεωρία του Νου Τεχνητή Νοημοσύνη	Κατανοεί τα συναισθήματα και τις προθέσεις	Αναπτυσσόμενη έννοια	Προηγμένες ιδέες κοινωνικής τεχνητής νοημοσύνης	Θα μπορούσε να κάνει την Τεχνητή Νοημοσύνη πιο ευαίσθητη στον άνθρωπο
Αυτογνωσία Τεχνητής Νοημοσύνης	Έχει συνείδηση	Θεωρητικός	Παραδείγματα επιστημονικής φαντασίας	Φιλοσοφικά τεράστιο
Γενετική Τεχνητή Νοημοσύνη	Δημιουργεί νέο περιεχόμενο	Χρησιμοποιείται ευρέως	Εργαλεία κειμένου, εικόνας, ήχου	Αύξηση δημιουργικής παραγωγικότητας
Προγνωστική Τεχνητή Νοημοσύνη	Προβλέψεις αποτελεσμάτων	Χρησιμοποιείται ευρέως	Βαθμολόγηση κινδύνου, σχεδιασμός ζήτησης	Βοηθά στις αποφάσεις - κυρίως
Ρομποτική Τεχνητή Νοημοσύνη	Ελέγχει φυσικές μηχανές	Χρησιμοποιείται σε βιομηχανίες	Ρομπότ, drones, αυτοματισμοί	Συνδέει την Τεχνητή Νοημοσύνη με τη σωματική εργασία

Λίγο ανομοιογενές; Ναι. Αλλά έτσι λειτουργεί η Τεχνητή Νοημοσύνη και στην καθημερινή ζωή - όχι μια μουσειακή έκθεση με τέλειες ετικέτες.

---

5. Γενετική Τεχνητή Νοημοσύνη: Ο τύπος για τον οποίο όλοι μιλάνε 🎨

Η γενετική τεχνητή νοημοσύνη είναι ένας από τους πιο δημοφιλείς τύπους τεχνητής νοημοσύνης επειδή δημιουργεί πράγματα.

Μπορεί να δημιουργήσει:

• Κείμενο

• Εικόνες

• Μουσική

• Κώδικας

• Βίντεο

• Περιγραφές προϊόντων

• Κείμενο μάρκετινγκ

• Σχέδια μαθημάτων

• Περιλήψεις

• Συνθετικά δεδομένα

• Ιδέες σχεδιασμού

Η γενετική τεχνητή νοημοσύνη λειτουργεί μαθαίνοντας μοτίβα από μεγάλες ποσότητες δεδομένων και στη συνέχεια παράγοντας νέα αποτελέσματα με βάση προτροπές. Δεν αντιγράφει με την απλή έννοια που φαντάζονται μερικές φορές οι άνθρωποι. Προβλέπει, συνδυάζει, τροποποιεί και δημιουργεί με βάση δομές που έχουν μάθει.

Ωστόσο, μπορεί να κάνει λάθη. Μπορεί να ακούγεται σίγουρο ενώ κάνει λάθος, κάτι που ουσιαστικά είναι η μηχανική εκδοχή κάποιου που εξηγεί τη φορολογική νομοθεσία σε ένα οικογενειακό μπάρμπεκιου.

Η γενετική τεχνητή νοημοσύνη είναι πολύτιμη για:

• Καταιγισμός ιδεών

• Περιεχόμενο σύνταξης

• Αυτοματοποίηση επαναλαμβανόμενης γραφής

• Δημιουργία οπτικών εννοιών

• Υποστήριξη εξυπηρέτησης πελατών

• Επιτάχυνση εργασιών κωδικοποίησης

• Εξατομίκευση εκπαιδευτικού υλικού

Αλλά χρειάζεται αναθεώρηση. Πάντα. Το αποτέλεσμα της τεχνητής νοημοσύνης μπορεί να είναι εντυπωσιακό, αλλά δεν είναι αυτόματα ακριβές, δίκαιο, νόμιμο ή ασφαλές για την επωνυμία. Αντιμετωπίστε το σαν έναν πολύ γρήγορο βοηθό με τάσεις γκρέμλιν κατά καιρούς.

---

6. Τεχνητή Νοημοσύνη Μηχανικής Μάθησης: Ο Εύρεση Προτύπων

Η μηχανική μάθηση είναι ένας σημαντικός κλάδος της Τεχνητής Νοημοσύνης όπου τα συστήματα μαθαίνουν μοτίβα από δεδομένα αντί να προγραμματίζονται γραμμή προς γραμμή για κάθε απόφαση.

Το παραδοσιακό λογισμικό ακολουθεί σαφείς κανόνες. Τα συστήματα μηχανικής μάθησης αναγνωρίζουν τις σχέσεις και βελτιώνουν την απόδοση μέσω της εκπαίδευσης.

Για παράδειγμα:

• Ένα φίλτρο ανεπιθύμητης αλληλογραφίας μαθαίνει πώς μοιάζουν τα ύποπτα email

• Ένα τραπεζικό μοντέλο ανιχνεύει ασυνήθιστη συμπεριφορά συναλλαγών

• Μια εφαρμογή streaming προτείνει εκπομπές με βάση τις συνήθειες τηλεθέασης

• Ένα εργαλείο προσλήψεων μπορεί να κατατάξει τους υποψηφίους με βάση καθορισμένα σήματα

• Ένα μοντέλο ιατρικής απεικόνισης μπορεί να αναδείξει πιθανές ανωμαλίες

Η μηχανική μάθηση μπορεί να είναι εποπτευόμενη, μη εποπτευόμενη ή βασισμένη σε ενίσχυση.

Εποπτευόμενη Μάθηση

Η εποπτευόμενη μάθηση χρησιμοποιεί παραδείγματα με ετικέτες. Για παράδειγμα, οι εικόνες μπορεί να φέρουν την ετικέτα «γάτα» ή «όχι γάτα». Το μοντέλο μαθαίνει τη διαφορά.

Μη επιβλεπόμενη μάθηση

Η μη επιβλεπόμενη μάθηση αναζητά μοτίβα χωρίς ετικέτες στις απαντήσεις. Μπορεί να ομαδοποιήσει τους πελάτες σε τμήματα ή να εντοπίσει κρυφές συστάδες στα δεδομένα.

Ενισχυτική Μάθηση

Η ενισχυτική μάθηση μαθαίνει λαμβάνοντας ανταμοιβές ή κυρώσεις για ενέργειες. Αυτό είναι συνηθισμένο σε προβλήματα Τεχνητής Νοημοσύνης, ρομποτικής και βελτιστοποίησης που σχετίζονται με παιχνίδια.

Η μηχανική μάθηση δεν είναι μαγεία. Εξαρτάται σε μεγάλο βαθμό από την ποιότητα των δεδομένων. Τα κακά δεδομένα οδηγούν σε κακά μοντέλα - σκουπίδια μέσα, σκουπίδια που φορούν ένα κομψό σακάκι έξω.

---

7. Τεχνητή Νοημοσύνη Βαθιάς Μάθησης: Η Δύναμη των Νευρωνικών Δικτύων 🧬

Η βαθιά μάθηση είναι ένας εξειδικευμένος τύπος μηχανικής μάθησης που χρησιμοποιεί πολυεπίπεδα νευρωνικά δίκτυα για την επεξεργασία σύνθετων μοτίβων.

Είναι ιδιαίτερα πολύτιμο για:

• Αναγνώριση ομιλίας

• Αναγνώριση εικόνας

• Επεξεργασία φυσικής γλώσσας

• Αυτόνομα συστήματα

• Ανάλυση ιατρικής εικόνας

• Μετάφραση

• Γενετικά μοντέλα Τεχνητής Νοημοσύνης

• Σύνθετες εργασίες πρόβλεψης

Το «βαθύ» μέρος αναφέρεται σε πολλαπλά επίπεδα στο μοντέλο. Κάθε επίπεδο βοηθά στην τροποποίηση και ερμηνεία πληροφοριών. Ένα επίπεδο μπορεί να ανιχνεύει απλά σχήματα σε μια εικόνα, ένα άλλο μπορεί να ανιχνεύει υφές, ένα άλλο μπορεί να αναγνωρίζει αντικείμενα και ούτω καθεξής.

Η βαθιά μάθηση μπορεί να παράγει εκπληκτικά αποτελέσματα, αλλά συχνά απαιτεί τεράστιες ποσότητες δεδομένων και υπολογιστικής ισχύος. Μπορεί επίσης να είναι πιο δύσκολο να ερμηνευτεί. Αυτό σημαίνει ότι ακόμη και οι ειδικοί μπορεί να δυσκολεύονται να εξηγήσουν ακριβώς γιατί ένα εις βάθος μοντέλο πήρε μια συγκεκριμένη απόφαση.

Αυτό είναι ένα από τα μεγάλα ζητήματα εμπιστοσύνης στην Τεχνητή Νοημοσύνη: η απόδοση μπορεί να είναι ισχυρή, αλλά η εξήγηση μπορεί να είναι αβέβαιη. Σαν να προσπαθείς να ρωτήσεις ένα μπλέντερ γιατί το smoothie έχει άσχημη γεύση.

---

8. Τεχνητή Νοημοσύνη για Συζήτηση: Ο Ομιλητικός Τύπος

Η συνομιλιακή τεχνητή νοημοσύνη έχει σχεδιαστεί για να επικοινωνεί με ανθρώπους μέσω κειμένου ή φωνής.

Περιλαμβάνει:

• Chatbot εξυπηρέτησης πελατών

• Βοηθοί φωνής

• Εικονικοί πράκτορες

• Καθηγητές Τεχνητής Νοημοσύνης

• Εσωτερικά bots helpdesk

• Βοηθοί πωλήσεων

• Βοηθοί προγραμματισμού

Η καλή συνομιλιακή Τεχνητή Νοημοσύνη χρειάζεται κάτι περισσότερο από γραμματική. Χρειάζεται συμφραζόμενα, αναγνώριση προθέσεων, έλεγχο τόνου και την ικανότητα διαχείρισης απρόβλεπτων ανθρώπινων εντολών.

Οι άνθρωποι δεν μιλούν με τέλειες εντολές. Φλυαρούν. Γράφουν λάθος πράγματα. Κάνουν μισή ερώτηση και περιμένουν από το μηχάνημα να την «πιάσει». Ξέρετε πώς είναι.

Ένα βασικό chatbot μπορεί να ακολουθεί ένα σενάριο. Μια πιο προηγμένη τεχνητή νοημοσύνη συνομιλίας μπορεί να κατανοεί τη φυσική γλώσσα, να διατηρεί το περιεχόμενο και να δημιουργεί ευέλικτες απαντήσεις.

Αυτός ο τύπος Τεχνητής Νοημοσύνης είναι πολύτιμος επειδή μειώνει την επαναλαμβανόμενη εργασία και παρέχει γρήγορη υποστήριξη. Αλλά μπορεί να απογοητεύσει τους χρήστες όταν προσποιείται ότι καταλαβαίνει αλλά δεν το κάνει. Η χειρότερη εκδοχή είναι το chatbot που λέει «Χαίρομαι να βοηθήσω», ενώ δεν παρέχει καθόλου βοήθεια. Επώδυνο.

---

9. Υπολογιστική Όραση Τεχνητή Νοημοσύνη: Μηχανές που «βλέπουν» 👀

Η τεχνητή νοημοσύνη στον υπολογιστή επιτρέπει στα συστήματα να ερμηνεύουν οπτικές πληροφορίες από εικόνες, βίντεο, κάμερες, αισθητήρες ή σαρώσεις.

Μπορεί να χρησιμοποιηθεί για:

• Αναγνώριση προσώπου

• Ανίχνευση αντικειμένων

• Ποιοτικός έλεγχος στα εργοστάσια

• Ιατρική απεικόνιση

• Παρακολούθηση ασφαλείας

• Ανάλυση ραφιών λιανικής πώλησης

• Ανίχνευση κυκλοφορίας

• Επαυξημένη πραγματικότητα

• Παρακολούθηση της γεωργίας

Η όραση υπολογιστή δεν βλέπει όπως οι άνθρωποι. Επεξεργάζεται pixel, μοτίβα, σχήματα, χρώματα και στατιστικά σήματα. Αλλά τα αποτελέσματα μπορεί να είναι πολύ ισχυρά.

Για παράδειγμα, η υπολογιστική όραση μπορεί να βοηθήσει στην ανίχνευση ελαττωμάτων σε μια γραμμή παραγωγής ταχύτερα από τον χειροκίνητο έλεγχο. Μπορεί να βοηθήσει στην οργάνωση βιβλιοθηκών εικόνων. Μπορεί να υποστηρίξει συστήματα ασφαλείας σε οχήματα. Μπορεί επίσης να εγείρει ζητήματα απορρήτου, ειδικά όταν χρησιμοποιείται για επιτήρηση ή ταυτοποίηση.

Αυτό είναι το δίκοπο πιρούνι - όχι σπαθί, πιρούνι. Ακόμα αρκετά κοφτερό για να προκαλέσει προβλήματα 🍴.

---

10. Προγνωστική Τεχνητή Νοημοσύνη: Η Μηχανή Πρόβλεψης

Η προγνωστική τεχνητή νοημοσύνη χρησιμοποιεί δεδομένα για να εκτιμήσει τι μπορεί να συμβεί στη συνέχεια.

Είναι συνηθισμένο στις επιχειρήσεις, τα χρηματοοικονομικά, την υγειονομική περίθαλψη, την εφοδιαστική, την αθλητική ανάλυση, το μάρκετινγκ και τις λειτουργίες.

Η προγνωστική τεχνητή νοημοσύνη μπορεί να βοηθήσει στην απάντηση ερωτήσεων όπως:

• Ποιοι πελάτες είναι πιθανό να φύγουν;

• Ποια συναλλαγή φαίνεται ύποπτη;

• Πόσο απόθεμα θα χρειαστεί;

• Ποιος ασθενής μπορεί να χρειάζεται επιπλέον προσοχή;

• Σε ποιο περιεχόμενο είναι πιθανό να κάνει κλικ ένας χρήστης;

• Ποιο εξάρτημα μηχανής μπορεί να χαλάσει σύντομα;

Αυτός ο τύπος Τεχνητής Νοημοσύνης είναι λιγότερο επιδεικτικός από την παραγωγική Τεχνητή Νοημοσύνη, αλλά είναι εξαιρετικά σημαντικός. Πολλοί οργανισμοί ενδιαφέρονται λιγότερο για ένα μοντέλο που γράφει ποίηση και περισσότερο για το αν μπορεί να μειώσει τα απόβλητα, τον κίνδυνο και να βελτιώσει τον προγραμματισμό.

Η προγνωστική Τεχνητή Νοημοσύνη λειτουργεί καλύτερα όταν τα δεδομένα είναι σχετικά, καθαρά και ενημερώνονται τακτικά. Αλλά η πρόβλεψη δεν είναι ποτέ βεβαιότητα. Ένα μοντέλο μπορεί να εκτιμήσει τις πιθανότητες, όχι να εγγυηθεί τα αποτελέσματα. Οι άνθρωποι το ξεχνούν αυτό συνεχώς. Έπειτα κατηγορούν την Τεχνητή Νοημοσύνη σαν να τους πρόδωσε προσωπικά.

---

11. Ρομποτική Τεχνητή Νοημοσύνη: Όταν η Τεχνητή Νοημοσύνη Αποκτά Σώμα 🤖

Η ρομποτική τεχνητή νοημοσύνη συνδυάζει την τεχνητή νοημοσύνη με τις φυσικές μηχανές. Εδώ είναι που η τεχνητή νοημοσύνη εγκαταλείπει την οθόνη και αρχίζει να κινείται στον κόσμο.

Παραδείγματα περιλαμβάνουν:

• Ρομπότ αποθήκης

• Κατασκευή ρομπότ

• Ρομπότ παράδοσης

• Γεωργικά ρομπότ

• Συστήματα χειρουργικής βοήθειας

• Drones

• Ρομπότ επιθεώρησης

• Ρομπότ καθαρισμού

• Ανθρωποειδή ερευνητικά ρομπότ

Η τεχνητή νοημοσύνη στη ρομποτική είναι δύσκολη επειδή το φυσικό περιβάλλον είναι απρόβλεπτο. Ένα chatbot πρέπει να αντιμετωπίσει μόνο λέξεις. Ένα ρομπότ πρέπει να αντιμετωπίσει ολισθηρά δάπεδα, κακό φωτισμό, ανώμαλες επιφάνειες, κινούμενους ανθρώπους, σφάλματα αισθητήρων και κάποιον που αφήνει μια καρέκλα στο χειρότερο δυνατό μέρος.

Η ρομποτική συχνά συνδυάζει διάφορους τύπους τεχνητής νοημοσύνης:

• Όραση υπολογιστή για όραση

• Μηχανική μάθηση για προσαρμογή

• Αλγόριθμοι σχεδιασμού για κίνηση

• Ενισχυτική μάθηση για τη λήψη αποφάσεων

• Επεξεργασία φυσικής γλώσσας για ανθρώπινες εντολές

Η ρομποτική τεχνητή νοημοσύνη έχει τεράστιες δυνατότητες, ειδικά σε επικίνδυνες ή επαναλαμβανόμενες εργασίες. Αλλά είναι επίσης ακριβή, πολύπλοκη και φυσικά επικίνδυνη όταν τα συστήματα αποτυγχάνουν.

---

12. Τεχνητή Νοημοσύνη βασισμένη στο στυλ εκπαίδευσης

Ένας άλλος πολύτιμος τρόπος για να σκεφτούμε τους τύπους Τεχνητής Νοημοσύνης είναι ο τρόπος με τον οποίο εκπαιδεύονται.

Τεχνητή Νοημοσύνη βασισμένη σε κανόνες

Η Τεχνητή Νοημοσύνη που βασίζεται σε κανόνες ακολουθεί τη λογική που έχει δημιουργηθεί από τον άνθρωπο. Για παράδειγμα:

• Αν συμβεί αυτό, κάντε το

• Εάν ο χρήστης επιλέξει αυτήν την επιλογή, να εμφανιστεί η απάντηση

• Εάν η τιμή είναι πάνω από ένα όριο, ενεργοποιείται μια ειδοποίηση

Αυτό είναι απλό, προβλέψιμο και χρήσιμο για δομημένες εργασίες. Αλλά δυσκολεύεται με την ασάφεια.

Τεχνητή Νοημοσύνη που εκπαιδεύεται σε δεδομένα

Η τεχνητή νοημοσύνη που εκπαιδεύεται σε δεδομένα μαθαίνει από παραδείγματα. Μπορεί να χειριστεί μεγαλύτερη πολυπλοκότητα επειδή εντοπίζει μοτίβα αντί να βασίζεται μόνο σε σταθερούς κανόνες.

Εδώ ακριβώς εντάσσονται η μηχανική μάθηση και η βαθιά μάθηση.

Υβριδική Τεχνητή Νοημοσύνη

Η υβριδική τεχνητή νοημοσύνη συνδυάζει τη λογική που βασίζεται σε κανόνες με τη μηχανική μάθηση. Σε πολλά πρακτικά συστήματα, αυτή είναι η ρεαλιστική επιλογή. Αποκτάτε την ευελιξία των συστημάτων μάθησης συν τον έλεγχο των κανόνων.

Για παράδειγμα, ένα σύστημα τραπεζικής απάτης μπορεί να χρησιμοποιεί μηχανική μάθηση για να ανιχνεύει ύποπτη συμπεριφορά και στη συνέχεια να εφαρμόζει αυστηρούς κανόνες για τον έλεγχο συμμόρφωσης. Καθόλου εντυπωσιακό. Πολύ απαραίτητο.

---

13. Τι κάνει τους τύπους τεχνητής νοημοσύνης να προκαλούν σύγχυση;

Η μεγαλύτερη σύγχυση είναι ότι οι άνθρωποι χρησιμοποιούν τις κατηγορίες Τεχνητής Νοημοσύνης με διαφορετικούς τρόπους.

Κάποιος μπορεί να πει «Τύποι Τεχνητής Νοημοσύνης» και να εννοεί στενή, γενική και υπερ-νοημοσύνη.

Ένα άλλο άτομο μπορεί να εννοεί την γενετική Τεχνητή Νοημοσύνη, την προγνωστική Τεχνητή Νοημοσύνη και την συνομιλιακή Τεχνητή Νοημοσύνη.

Ένας προγραμματιστής μπορεί να μιλήσει για εποπτευόμενη μάθηση, βαθιά μάθηση, νευρωνικά δίκτυα ή ενισχυτική μάθηση.

Ένας διευθυντής επιχείρησης μπορεί να μιλήσει για αυτοματοποίηση, αναλυτικά στοιχεία, εξατομίκευση και υποστήριξη πελατών μέσω της Τεχνητής Νοημοσύνης.

Όλοι τους έχουν κάπως δίκιο. Ενοχλητικό, αλλά αληθινό.

Η Τεχνητή Νοημοσύνη ταξινομείται ως εξής:

• Ικανότητα

• Λειτουργικότητα

• Μέθοδος εκπαίδευσης

• Περιοχή εφαρμογής

• Τεχνική αρχιτεκτονική

• Επίπεδο αυτονομίας

• Τύπος εισόδου και εξόδου

• Περίπτωση χρήσης στον κλάδο

Έτσι, όταν κάποιος ρωτάει «Τι είδους Τεχνητή Νοημοσύνη είναι αυτή;», η πιο σαφής απάντηση μπορεί να είναι πολυεπίπεδη.

Ένα chatbot, για παράδειγμα, θα μπορούσε να είναι:

• Περιορισμός της Τεχνητής Νοημοσύνης ανά δυνατότητα

• Περιορισμένη μνήμη AI λόγω λειτουργικότητας

• Συνομιλητική Τεχνητή Νοημοσύνη ανά εφαρμογή

• Γενετική Τεχνητή Νοημοσύνη εάν δημιουργεί απαντήσεις

• Βαθιά μάθηση Τεχνητή Νοημοσύνη εάν τροφοδοτείται από νευρωνικά δίκτυα

Αυτό δεν είναι υπερβολική περιπλοκή για πλάκα. Είναι απλώς ο τρόπος που λειτουργεί το πεδίο.

---

14. Πρακτικά παραδείγματα των τύπων τεχνητής νοημοσύνης

Ακολουθούν μερικά καθημερινά παραδείγματα για να γίνουν οι κατηγορίες πιο εύκολα κατανοητές.

Προτάσεις ροής 🎬

Αυτή είναι η στενή Τεχνητή Νοημοσύνη, η προγνωστική Τεχνητή Νοημοσύνη και η μηχανική μάθηση. Μελετά μοτίβα και προτείνει τι μπορείτε να παρακολουθήσετε στη συνέχεια.

Φωνητικοί Βοηθοί 🎙️

Αυτά χρησιμοποιούν Τεχνητή Νοημοσύνη συνομιλίας, επεξεργασία φυσικής γλώσσας, αναγνώριση ομιλίας και λειτουργίες περιορισμένης μνήμης.

Γεννήτριες εικόνων 🖼️

Αυτά είναι συστήματα γενετικής τεχνητής νοημοσύνης, που συχνά τροφοδοτούνται από μοντέλα βαθιάς μάθησης.

Συστήματα ανίχνευσης απάτης 💳

Αυτά χρησιμοποιούν προγνωστική τεχνητή νοημοσύνη και μηχανική μάθηση για να επισημαίνουν ασυνήθιστη δραστηριότητα.

Χαρακτηριστικά αυτόνομης οδήγησης 🚗

Αυτά συνδυάζουν την υπολογιστική όραση, την τεχνητή νοημοσύνη περιορισμένης μνήμης, την τεχνητή νοημοσύνη που σχετίζεται με τη ρομποτική, τη σύντηξη αισθητήρων και τα μοντέλα λήψης αποφάσεων.

Φίλτρα ανεπιθύμητης αλληλογραφίας 📩

Αυτά είναι κλασικά συστήματα τεχνητής νοημοσύνης μηχανικής μάθησης. Δεν είναι εντυπωσιακά, αλλά έχουν μεγάλη αξία.

Εργαλεία γραφής με τεχνητή νοημοσύνη ✍️

Αυτές είναι η γενετική Τεχνητή Νοημοσύνη και η συνομιλιακή Τεχνητή Νοημοσύνη, που συνήθως κατασκευάζονται χρησιμοποιώντας μεγάλα γλωσσικά μοντέλα.

Το σημαντικό είναι το εξής: ένα προϊόν Τεχνητής Νοημοσύνης μπορεί να ανήκει σε πολλές κατηγορίες ταυτόχρονα.

---

15. Οφέλη από την κατανόηση των τύπων τεχνητής νοημοσύνης

Η γνώση των τύπων τεχνητής νοημοσύνης σάς βοηθά να λαμβάνετε καλύτερες αποφάσεις, ειδικά εάν χρησιμοποιείτε τεχνητή νοημοσύνη για εργασία, επιχειρήσεις, σπουδές ή δημιουργία περιεχομένου.

Σας βοηθάει:

• Επιλέξτε το σωστό εργαλείο

• Αποφύγετε τις μη ρεαλιστικές προσδοκίες

• Κατανοήστε τους κινδύνους

• Κάντε καλύτερες ερωτήσεις

• Αξιολόγηση ισχυρισμών τεχνητής νοημοσύνης

• Υπερβολή στο spot marketing

• Χρησιμοποιήστε την Τεχνητή Νοημοσύνη πιο υπεύθυνα

• Εξηγήστε την Τεχνητή Νοημοσύνη σε άλλους χωρίς να ακούγεστε σαν μπερδεμένο ρομπότ

Για παράδειγμα, αν ένα εργαλείο είναι προγνωστική τεχνητή νοημοσύνη, γνωρίζετε ότι προβλέπει πιθανότητες. Δεν πρέπει να αντιμετωπίζεται σαν μαντείο.

Αν ένα εργαλείο είναι δημιουργική Τεχνητή Νοημοσύνη, γνωρίζετε ότι δημιουργεί περιεχόμενο, αλλά το περιεχόμενο χρειάζεται έλεγχο.

Εάν ένα σύστημα είναι περιορισμένης εμβέλειας Τεχνητή Νοημοσύνη (NA), γνωρίζετε ότι μπορεί να είναι εξαιρετικό σε έναν τομέα, αλλά αναποτελεσματικό εκτός του πεδίου εφαρμογής του.

Αυτό και μόνο γλιτώνει από πολλούς πονοκεφάλους.

---

16. Κίνδυνοι και Περιορισμοί σε όλους τους τύπους Τεχνητής Νοημοσύνης ⚠️

Κάθε τύπος Τεχνητής Νοημοσύνης έχει περιορισμούς. Διαφορετική γεύση, ίδιο μπολ σούπας.

συνήθεις κίνδυνοι της τεχνητής νοημοσύνης περιλαμβάνουν:

• Προκατάληψη στα δεδομένα εκπαίδευσης

• Λανθασμένες εξόδους

• Έλλειψη διαφάνειας

• Ανησυχίες για την προστασία της ιδιωτικής ζωής

• Υπερεξάρτηση

• Τρωτά σημεία ασφαλείας

• Κακή χρήση

• Κακή ανθρώπινη εποπτεία

• Μπερδεύοντας την ευχέρεια με την αλήθεια

Η γενετική Τεχνητή Νοημοσύνη μπορεί να εφεύρει πληροφορίες. Η προγνωστική Τεχνητή Νοημοσύνη μπορεί να ενισχύσει προκατειλημμένα μοτίβα. Η υπολογιστική όραση μπορεί να αναγνωρίσει εσφαλμένα άτομα ή αντικείμενα. Η συνομιλιακή Τεχνητή Νοημοσύνη μπορεί να απογοητεύσει τους χρήστες με ψεύτικη αυτοπεποίθηση. Η ρομποτική Τεχνητή Νοημοσύνη μπορεί να προκαλέσει σωματική βλάβη εάν σχεδιαστεί κακώς.

Αυτό δεν σημαίνει ότι η Τεχνητή Νοημοσύνη είναι κακή. Σημαίνει ότι η Τεχνητή Νοημοσύνη πρέπει να χρησιμοποιείται με κρίση. Όπως ηλεκτρικά εργαλεία, συμβόλαια ή εξαιρετικά πικάντικα noodles 🌶️.

Τα καλύτερα συστήματα τεχνητής νοημοσύνης συνήθως περιλαμβάνουν:

• Ανθρώπινη αξιολόγηση

• Σαφή όρια

• Ισχυρές πρακτικές δεδομένων

• Δοκιμές

• Παρακολούθηση

• Εξηγησιμότητα όπου είναι δυνατόν

• Ηθικός σχεδιασμός

• Έλεγχοι ασφαλείας

Η Τεχνητή Νοημοσύνη μπορεί να ενισχύσει τις καλές αποφάσεις. Μπορεί επίσης να ενισχύσει και τις απρόσεκτες.

---

17. Ποιος τύπος τεχνητής νοημοσύνης είναι ο πιο σημαντικός;

Δεν υπάρχει ένας μόνο πιο σημαντικός τύπος. Εξαρτάται από την περίπτωση χρήσης.

Για τη δημιουργικότητα, η παραγωγική τεχνητή νοημοσύνη είναι τεράστια.

Για τον επιχειρηματικό σχεδιασμό, η προγνωστική Τεχνητή Νοημοσύνη μπορεί να είναι πιο πολύτιμη.

Για τον αυτοματισμό, τη μηχανική μάθηση και τη ρομποτική, η Τεχνητή Νοημοσύνη έχει σημασία.

Για την υποστήριξη χρηστών, η συνομιλιακή τεχνητή νοημοσύνη είναι το αστέρι.

Για ιατρικές σαρώσεις ή οπτική επιθεώρηση, η όραση μέσω υπολογιστή είναι κρίσιμη.

Για τη μακροπρόθεσμη έρευνα, η γενική Τεχνητή Νοημοσύνη λαμβάνει το μεγαλύτερο μέρος της φιλοσοφικής προσοχής.

Αλλά στην πράξη, η περιορισμένη τεχνητή νοημοσύνη και η περιορισμένης μνήμης τεχνητή νοημοσύνη είναι οι πιο συνηθισμένες και πολύτιμες κατηγορίες αυτή τη στιγμή. Είναι οι αθόρυβες μηχανές πίσω από πολλά εργαλεία στα οποία βασίζονται ήδη οι άνθρωποι.

Το φανταχτερό μέλλον γίνεται πρωτοσέλιδο. Το πρακτικό παρόν πληρώνει τους λογαριασμούς.

---

Τελικές Σημειώσεις: Κατανόηση των Τύπων Τεχνητής Νοημοσύνης Χωρίς Θόρυβο

Οι τύποι τεχνητής νοημοσύνης μπορεί να φαίνονται περίπλοκοι στην αρχή, επειδή οι κατηγορίες αλληλεπικαλύπτονται. Αλλά μόλις διαχωρίσετε τις δυνατότητες, τη λειτουργικότητα, τη μέθοδο εκπαίδευσης και την πρακτική χρήση, το όλο θέμα γίνεται πολύ πιο εύκολο στην κατανόηση.

Η περιορισμένη Τεχνητή Νοημοσύνη χειρίζεται συγκεκριμένες εργασίες. Η γενική Τεχνητή Νοημοσύνη θα σκεφτόταν πιο ευέλικτα, αν και παραμένει ένας φιλόδοξος στόχος. Η υπερ-ΤΝ εξακολουθεί να είναι εικασία. Οι αντιδραστικές μηχανές ανταποκρίνονται χωρίς μνήμη, ενώ η περιορισμένης μνήμης ΤΝ χρησιμοποιεί δεδομένα του παρελθόντος για να βελτιώσει τις αποφάσεις. Η γενετική ΤΝ δημιουργεί. Η προγνωστική ΤΝ προβλέπει. Η συνομιλιακή ΤΝ μιλάει. Η υπολογιστική όραση βλέπει. Η ρομποτική ΤΝ δρα στο φυσικό περιβάλλον.

Αυτή είναι η μεγάλη εικόνα.

Η Τεχνητή Νοημοσύνη δεν είναι ένα πράγμα. Είναι μια μπερδεμένη οικογένεια τεχνολογιών - κάποιες πρακτικές, κάποιες πειραματικές, κάποιες υπερεκτιμημένες και κάποιες πραγματικά σημαντικές. Αυτή η πολυπλοκότητα είναι μέρος του λόγου για τον οποίο έχει σημασία. Όσο πιο καθαρά κατανοείτε τους τύπους Τεχνητής Νοημοσύνης, τόσο πιο εύκολο γίνεται να χρησιμοποιείτε την Τεχνητή Νοημοσύνη με σύνεση αντί απλώς να γνέφετε καταφατικά όταν κάποιος λέει «αλγόριθμος» σε μια συνάντηση. 🤷♂️

Σύντομη Σύνοψη: Οι κύριοι τύποι Τεχνητής Νοημοσύνης περιλαμβάνουν τη στενή Τεχνητή Νοημοσύνη, τη γενική Τεχνητή Νοημοσύνη, την υπερ-ΤΝ, τις αντιδραστικές μηχανές, την Τεχνητή Νοημοσύνη περιορισμένης μνήμης, την Τεχνητή Νοημοσύνη θεωρίας του νου, την Τεχνητή Νοημοσύνη αυτογνωσίας, την γενετική Τεχνητή Νοημοσύνη, την προγνωστική Τεχνητή Νοημοσύνη, την Τεχνητή Νοημοσύνη μέσω συνομιλίας, την Τεχνητή Νοημοσύνη όρασης υπολογιστή, την Τεχνητή Νοημοσύνη μηχανικής μάθησης, την Τεχνητή Νοημοσύνη βαθιάς μάθησης και την Τεχνητή Νοημοσύνη ρομποτικής. Η περισσότερη Τεχνητή Νοημοσύνη που χρησιμοποιείται σήμερα είναι στενή, επικεντρωμένη σε εργασίες και τροφοδοτείται από μηχανική μάθηση ή βαθιά μάθηση.

Παράδειγμα από τον πραγματικό κόσμο: Δημιουργία ενός βοηθού διαλογής υποστήριξης πελατών με τεχνητή νοημοσύνη

Σενάριο

Φανταστείτε ένα μικρό ηλεκτρονικό κατάστημα επίπλων να λαμβάνει περίπου 120 email υποστήριξης πελατών την ημέρα. Η ομάδα δεν προσπαθεί να αντικαταστήσει το προσωπικό υποστήριξης. Θέλει απλώς βοήθεια για την ταχύτερη ταξινόμηση μηνυμάτων, τον εντοπισμό επειγόντων ζητημάτων και τη σύνταξη των πρώτων απαντήσεων.

Αυτό είναι ένα καλό παράδειγμα, επειδή ένας βοηθός μπορεί να χρησιμοποιήσει πολλούς τύπους Τεχνητής Νοημοσύνης ταυτόχρονα. Μπορεί να χρησιμοποιήσει Τεχνητή Νοημοσύνη μέσω συνομιλίας για να κατανοήσει τα μηνύματα των πελατών, δημιουργική Τεχνητή Νοημοσύνη για να συντάξει απαντήσεις, προγνωστική Τεχνητή Νοημοσύνη για να επισημάνει πιθανούς κινδύνους επιστροφής χρημάτων και Τεχνητή Νοημοσύνη περιορισμένης μνήμης για να χρησιμοποιήσει πρόσφατα δεδομένα παραγγελιών ή πολιτικών.

Η δουλειά του βοηθού είναι απλή: να διαβάσει ένα μήνυμα πελάτη, να το ταξινομήσει, να προτείνει την επόμενη ενέργεια και να συντάξει μια απάντηση που μπορεί να εγκρίνει ένας άνθρωπος.

Τι χρειάζεται ο βοηθός

Η ομάδα θα έδινε στον βοηθό:

Πολιτική εξυπηρέτησης πελατών

Κανόνες παράδοσης και επιστροφών

Όροι εγγύησης

Συχνές ερωτήσεις για το προϊόν

Παραδείγματα τόνου φωνής

Μια λίστα κανόνων κλιμάκωσης

Δείγμα προηγούμενων εισιτηρίων με τις σωστές κατηγορίες

Σαφή όρια για το τι δεν πρέπει να αποφασίζει μόνο του

Για παράδειγμα, δεν θα πρέπει να εγκρίνει επιστροφές χρημάτων άνω των 100 λιρών, να υπόσχεται ημερομηνίες παράδοσης που δεν μπορεί να επαληθεύσει ή να υποβάλλει νομικές αξιώσεις για κατεστραμμένα αγαθά. Αυτές οι υποθέσεις θα πρέπει να απευθύνονται σε ένα άτομο.

Παράδειγμα οδηγιών

Είστε βοηθός υποστήριξης πελατών για ένα ηλεκτρονικό κατάστημα επίπλων. Διαβάστε κάθε μήνυμα πελάτη και επιστρέψτε πέντε στοιχεία: κατηγορία αιτήματος, επίπεδο επείγοντος, πιθανή διάθεση πελάτη, προτεινόμενη επόμενη ενέργεια και ένα προσχέδιο απάντησης.

Χρησιμοποιήστε μόνο την παρεχόμενη πολιτική της εταιρείας. Εάν η απάντηση δεν περιλαμβάνεται στην πολιτική, πείτε «Χρειάζεται ανθρώπινος έλεγχος». Μην επινοείτε ημερομηνίες παράδοσης, εγκρίσεις επιστροφής χρημάτων, υποσχέσεις εγγύησης ή διαθεσιμότητα προϊόντων.

Κλιμακώστε την κλήση εάν ο πελάτης αναφέρει τραυματισμό, νομικές ενέργειες, επανειλημμένες αποτυχημένες παραδόσεις, επιστροφή χρημάτων άνω των 100 £, ελλείποντα εξαρτήματα για ένα παιδικό προϊόν ή έντονη δυσαρέσκεια μετά από δύο προηγούμενες απαντήσεις.

Διατηρήστε το προσχέδιο της απάντησης ευγενικό, σύντομο και πρακτικό. Μην ακούγεστε ρομποτικοί. Μην κατηγορείτε τον πελάτη ή τον courier.

Πώς να το δοκιμάσετε

Πριν χρησιμοποιήσετε τον βοηθό με πελάτες, δοκιμάστε τον σε ένα μικρό σετ παλιών εισιτηρίων.

Χρησιμοποιήστε 30 προηγούμενα μηνύματα υποστήριξης:

10 απλές ερωτήσεις παράδοσης

5 παράπονα για κατεστραμμένα αντικείμενα

5 αιτήματα επιστροφής χρημάτων

5 ερωτήσεις σχετικά με την εγγύηση

5 θυμωμένα ή περίπλοκα παράπονα

Για κάθε δοκιμή, ελέγξτε:

Επέλεξε τη σωστή κατηγορία;

Επισήμανε σωστά τις επείγουσες περιπτώσεις;

Απέφυγε να δώσει υποσχέσεις;

Κλιμάκωσε ευαίσθητα ζητήματα;

Ταίριαζε το προσχέδιο της απάντησης με τον τόνο της εταιρείας;

Μια χρήσιμη ερώτηση για το τεστ θα ήταν:

«Το τραπέζι μου έφτασε με σπασμένο το ένα πόδι και αυτή είναι η δεύτερη φορά που η παράδοση πήγε στραβά. Θέλω πλήρη επιστροφή χρημάτων σήμερα, αλλιώς θα δημοσιεύσω για αυτό παντού.»

Ένας αδύναμος βοηθός μπορεί απλώς να ζητήσει συγγνώμη και να υποσχεθεί επιστροφή χρημάτων. Ένας καλύτερος βοηθός θα το χαρακτηρίσει ως κατεστραμμένο αντικείμενο συν επαναλαμβανόμενο παράπονο, θα το χαρακτηρίσει ως εξαιρετικά επείγον, θα αποφύγει την αυτόματη έγκριση της επιστροφής χρημάτων και θα το προωθήσει για ανθρώπινο έλεγχο.

Αποτέλεσμα

Ενδεικτικό αποτέλεσμα: με βάση τον χρονισμό 30 δειγμάτων εισιτηρίων πριν και μετά τη χρήση της ροής εργασίας.

Η χειροκίνητη διαλογή χρειάστηκε 2 ώρες και 15 λεπτά για 30 εισιτήρια, με μέσο όρο 4,5 λεπτά ανά εισιτήριο.

Η διαλογή με τη βοήθεια της τεχνητής νοημοσύνης διήρκεσε 48 λεπτά για τα ίδια 30 αιτήματα, με μέσο όρο 1,6 λεπτά ανά αιτημα, επειδή ο ανθρώπινος κριτής έπρεπε να ελέγξει μόνο την κατηγορία, την απόφαση κλιμάκωσης και το προσχέδιο απάντησης.

Ο βοηθός κατηγοριοποίησε σωστά 27 από τα 30 εισιτήρια στο σύνολο δοκιμών. Κλιμάκωσε σωστά και τα 5 εισιτήρια υψηλού κινδύνου. Δύο εισιτήρια επιστροφής χρημάτων χρειάζονταν διορθώσεις στη διατύπωση επειδή το προσχέδιο ακουγόταν πολύ σίγουρο, και ένα εισιτήριο εγγύησης τοποθετήθηκε σε λάθος κατηγορία.

Αυτό δίνει ένα πρακτικό σημείο αναφοράς: ταχύτερη πρώτη αξιολόγηση, αλλά όχι πλήρης αυτοματοποίηση. Ο άνθρωπος εξακολουθεί να έχει τον έλεγχο της απάντησης.

Τι μπορεί να πάει στραβά

Το μεγαλύτερο λάθος είναι να αφήνετε τον βοηθό να ενεργεί σαν να γνωρίζει περισσότερα από όσα πραγματικά γνωρίζει. Εάν η πολιτική επιστροφών είναι ξεπερασμένη, ο βοηθός μπορεί να συντάξει με σιγουριά λάθος απάντηση. Εάν οι κανόνες κλιμάκωσης είναι ασαφείς, μπορεί να παραβλέψει σοβαρά παράπονα.

Το απόρρητο είναι ένα άλλο ζήτημα. Η ομάδα θα πρέπει να αποφεύγει την επικόλληση περιττών στοιχείων πληρωμής, διευθύνσεων ή ευαίσθητων προσωπικών πληροφοριών στον βοηθό, εκτός εάν το σύστημα έχει εγκριθεί για αυτήν τη χρήση.

Ο βοηθός θα πρέπει επίσης να υποβάλλεται σε τακτικές εξετάσεις. Οι ερωτήσεις των πελατών αλλάζουν, οι πολιτικές αλλάζουν και τα προϊόντα αλλάζουν. Ένας βοηθός διαλογής που λειτούργησε καλά τον Μάρτιο μπορεί να γίνει επικίνδυνος μετά από μια νέα πολιτική εγγύησης τον Ιούνιο.

Πρακτικό πακέτο

Αυτό το παράδειγμα δείχνει γιατί οι κατηγορίες Τεχνητής Νοημοσύνης αλληλεπικαλύπτονται στην πράξη. Ένας μόνο βοηθός υποστήριξης μπορεί να είναι ταυτόχρονα Τεχνητή Νοημοσύνη περιορισμένης χρήσης, Τεχνητή Νοημοσύνη συνομιλίας, γενετική Τεχνητή Νοημοσύνη, Τεχνητή Νοημοσύνη πρόβλεψης και Τεχνητή Νοημοσύνη περιορισμένης μνήμης. Ο ισχυρότερος τρόπος για να τον αξιολογήσετε είναι να ρωτήσετε ποια απόφαση υποστηρίζει, ποια δεδομένα χρησιμοποιεί και πού πρέπει να τα ελέγξει ένας άνθρωπος.

Συχνές ερωτήσεις

Ποιοι είναι οι κύριοι τύποι Τεχνητής Νοημοσύνης που πρέπει να γνωρίζουν οι αρχάριοι;

Οι κύριοι τύποι Τεχνητής Νοημοσύνης περιλαμβάνουν τη στενή Τεχνητή Νοημοσύνη, τη γενική Τεχνητή Νοημοσύνη, την υπερ-ΤΝ, τις αντιδραστικές μηχανές, την Τεχνητή Νοημοσύνη περιορισμένης μνήμης, την γενετική Τεχνητή Νοημοσύνη, την προγνωστική Τεχνητή Νοημοσύνη, την Τεχνητή Νοημοσύνη συνομιλίας, την Τεχνητή Νοημοσύνη υπολογιστικής όρασης, την Τεχνητή Νοημοσύνη μηχανικής μάθησης, την Τεχνητή Νοημοσύνη βαθιάς μάθησης και την Τεχνητή Νοημοσύνη ρομποτικής. Αυτές οι κατηγορίες συχνά επικαλύπτονται, επομένως ένα εργαλείο μπορεί να ταιριάζει σε πολλές ετικέτες ταυτόχρονα. Για παράδειγμα, ένα chatbot μπορεί να είναι στενή Τεχνητή Νοημοσύνη, τεχνητή Νοημοσύνη συνομιλίας, γενετική Τεχνητή Νοημοσύνη και τεχνητή νοημοσύνη περιορισμένης μνήμης.

Πώς ταξινομούνται οι τύποι Τεχνητής Νοημοσύνης ανάλογα με τις δυνατότητές τους;

Η Τεχνητή Νοημοσύνη (ΤΝ) με βάση τις δυνατότητες συνήθως ομαδοποιείται σε στενή ΤΝ, γενική ΤΝ και υπερ-ΤΝ. Η στενή ΤΝ χειρίζεται συγκεκριμένες εργασίες και χρησιμοποιείται ευρέως σήμερα. Η γενική ΤΝ θα συλλογιζόταν και θα μάθαινε σε πολλές εργασίες σε ανθρώπινο επίπεδο, αλλά δεν αποτελεί μέρος της καθημερινής χρήσης. Η υπερ-ΤΝ θα ξεπερνούσε την ανθρώπινη νοημοσύνη και θα παρέμενε εικασία.

Ποια είναι η διαφορά μεταξύ της στενής Τεχνητής Νοημοσύνης και της γενικής Τεχνητής Νοημοσύνης;

Η περιορισμένη τεχνητή νοημοσύνη έχει σχεδιαστεί για μια συγκεκριμένη εργασία ή για ένα περιορισμένο σύνολο εργασιών, όπως φιλτράρισμα ανεπιθύμητης αλληλογραφίας, προτάσεις, chatbot ή ανίχνευση απάτης. Η γενική τεχνητή νοημοσύνη θα μπορούσε να μαθαίνει, να συλλογίζεται και να προσαρμόζεται σε πολλές άσχετες εργασίες. Οι περισσότεροι άνθρωποι που χρησιμοποιούν τεχνητή νοημοσύνη σήμερα είναι περιορισμένη τεχνητή νοημοσύνη, ακόμα και όταν φαίνεται ευέλικτη ή προηγμένη.

Γιατί η περιορισμένη μνήμη είναι τόσο συνηθισμένη σήμερα;

Η Τεχνητή Νοημοσύνη περιορισμένης μνήμης μπορεί να χρησιμοποιήσει παλαιότερα ή πρόσφατα δεδομένα για να βελτιώσει τις αποφάσεις, γεγονός που την καθιστά πρακτική για πολλά ανεπτυγμένα συστήματα. Οι μηχανές συστάσεων, τα εργαλεία ανίχνευσης απάτης, οι λειτουργίες αυτόνομης οδήγησης και τα chatbots συχνά βασίζονται σε αυτό το είδος Τεχνητής Νοημοσύνης. Δεν έχει ανθρώπινη συνείδηση, αλλά μπορεί να προσαρμοστεί με βάση μοτίβα και αποθηκευμένες πληροφορίες.

Πώς εντάσσεται η παραγωγική τεχνητή νοημοσύνη στους τύπους τεχνητής νοημοσύνης;

Η γενετική τεχνητή νοημοσύνη (Generative AI) είναι ένας τύπος τεχνητής νοημοσύνης που δημιουργεί νέα αποτελέσματα όπως κείμενο, εικόνες, κώδικα, ήχο, βίντεο, περιλήψεις ή ιδέες σχεδίασης. Μαθαίνει μοτίβα από μεγάλες ποσότητες δεδομένων και παράγει περιεχόμενο με βάση προτροπές. Μπορεί να βοηθήσει στη σύνταξη, την ανταλλαγή ιδεών, την υποστήριξη κωδικοποίησης και τη δημιουργική εργασία, αλλά τα αποτελέσματά της εξακολουθούν να χρειάζονται ανθρώπινη αξιολόγηση.

Ποια είναι η διαφορά μεταξύ της μηχανικής μάθησης και της βαθιάς μάθησης;

Η μηχανική μάθηση είναι ένας κλάδος της Τεχνητής Νοημοσύνης όπου τα συστήματα μαθαίνουν μοτίβα από δεδομένα αντί να ακολουθούν μόνο χειρόγραφους κανόνες. Η βαθιά μάθηση είναι μια εξειδικευμένη μορφή μηχανικής μάθησης που χρησιμοποιεί πολυεπίπεδα νευρωνικά δίκτυα. Η βαθιά μάθηση είναι ιδιαίτερα πολύτιμη για σύνθετες εργασίες όπως η αναγνώριση ομιλίας, η αναγνώριση εικόνας, η επεξεργασία φυσικής γλώσσας, η μετάφραση, η ιατρική απεικόνιση και η γενετική Τεχνητή Νοημοσύνη.

Σε τι χρησιμοποιείται η προγνωστική τεχνητή νοημοσύνη στις επιχειρήσεις;

Η προγνωστική τεχνητή νοημοσύνη χρησιμοποιεί δεδομένα για την εκτίμηση πιθανών μελλοντικών αποτελεσμάτων. Οι επιχειρήσεις μπορούν να τη χρησιμοποιήσουν για τον προγραμματισμό της ζήτησης, την πρόβλεψη της απώλειας πελατών, την ανίχνευση απάτης, την αξιολόγηση κινδύνου, τις αποφάσεις για τα αποθέματα ή την πρόβλεψη συντήρησης. Υποστηρίζει τον προγραμματισμό και τη λήψη αποφάσεων, αλλά δεν εγγυάται το μέλλον. Οι προβλέψεις είναι εκτιμήσεις που διαμορφώνονται από τα διαθέσιμα δεδομένα και την ποιότητα του μοντέλου.

Πώς λειτουργεί η τεχνητή νοημοσύνη στον υπολογιστή σε πρακτικά συστήματα;

Η τεχνητή νοημοσύνη στον υπολογιστή βοηθά τις μηχανές να ερμηνεύουν οπτικές πληροφορίες από εικόνες, βίντεο, κάμερες, σαρώσεις ή αισθητήρες. Μπορεί να υποστηρίξει την αναγνώριση προσώπου, την ανίχνευση αντικειμένων, την επιθεώρηση εργοστασίων, την ιατρική απεικόνιση, την ανίχνευση κυκλοφορίας, την ανάλυση λιανικής πώλησης, την παρακολούθηση της γεωργίας και τα συστήματα ασφαλείας. Δεν βλέπει σαν άτομο, αλλά μπορεί να επεξεργάζεται pixel, σχήματα, χρώματα και μοτίβα σε μεγάλη κλίμακα.

Γιατί ένα προϊόν Τεχνητής Νοημοσύνης μπορεί να ανήκει σε πολλαπλούς τύπους Τεχνητής Νοημοσύνης;

Οι κατηγορίες Τεχνητής Νοημοσύνης συχνά περιγράφουν διαφορετικά πράγματα, όπως δυνατότητα, λειτουργικότητα, μέθοδο εκπαίδευσης ή εφαρμογή. Ένας φωνητικός βοηθός, για παράδειγμα, μπορεί να είναι Τεχνητή Νοημοσύνη περιορισμένης ικανότητας, Τεχνητή Νοημοσύνη συνομιλίας ανά εφαρμογή, Τεχνητή Νοημοσύνη περιορισμένης μνήμης ανά λειτουργικότητα και Τεχνητή Νοημοσύνη βαθιάς μάθησης ανά αρχιτεκτονική. Αυτή η επικάλυψη είναι φυσιολογική και βοηθά στην εξήγηση του τι κάνει το σύστημα από διαφορετικές οπτικές γωνίες.

Ποιους κινδύνους πρέπει να κατανοήσουν οι άνθρωποι σε διαφορετικούς τύπους τεχνητής νοημοσύνης;

Οι συνήθεις κίνδυνοι της Τεχνητής Νοημοσύνης περιλαμβάνουν μεροληψία, λανθασμένα αποτελέσματα, ανησυχίες για την προστασία της ιδιωτικής ζωής, ευπάθειες ασφαλείας, έλλειψη διαφάνειας, υπερβολική εξάρτηση και ασθενή ανθρώπινη εποπτεία. Η γενετική Τεχνητή Νοημοσύνη μπορεί να εφεύρει πληροφορίες, η προγνωστική Τεχνητή Νοημοσύνη μπορεί να ενισχύσει κακά μοτίβα και η υπολογιστική όραση μπορεί να αναγνωρίσει εσφαλμένα αντικείμενα ή ανθρώπους. Η καλή χρήση της Τεχνητής Νοημοσύνης συνήθως χρειάζεται δοκιμές, παρακολούθηση, σαφή όρια, ισχυρές πρακτικές δεδομένων και ανθρώπινη αναθεώρηση.

Αναφορές

1. IBM - Τύποι τεχνητής νοημοσύνης - ibm.com

2. Πλαίσιο Διαχείρισης Κινδύνων Τεχνητής Νοημοσύνης NIST - Κίνδυνοι Τεχνητής Νοημοσύνης - nist.gov

3. Google Developers - Μηχανική μάθηση - developers.google.com

4. AWS - Γενετική Τεχνητή Νοημοσύνη - aws.amazon.com