Što je zapravo umjetna inteligencija? [Video i kviz]

Kratak odgovor: Umjetna inteligencija je široka obitelj računalnih tehnika koje prepoznaju obrasce, daju predviđanja, generiraju sadržaj i, sve više, poduzimaju radnje. Može biti vrlo učinkovita kada se oko nje izgrade pouzdane informacije, jasne dozvole i ljudska provjera, ali tečan izlaz nikada se ne smije tretirati kao automatski dokaz istine.

Ključne zaključke:

Odgovornost: Neka ljudi budu odgovorni za važne odluke, posebno tamo gdje umjetna inteligencija može napraviti skupe pogreške.

Transparentnost: Jasno navedite na koje se informacije, pravila i dopuštenja oslanja sustav umjetne inteligencije.

Provjera: Provjerite važne činjenične, medicinske, pravne, financijske i poslovne rezultate prije nego što djelujete na temelju njih.

Provjerljivost: Testirajte umjetnu inteligenciju s reprezentativnim slučajevima i zabilježite i dobitke u učinkovitosti i unesene pogreške.

Otpornost na zlouporabu: Ograničite pristup, spriječite nepodržane radnje i eskalirajte nesigurne slučajeve ljudskim pregledateljima.

1. Što je zapravo umjetna inteligencija? Jednostavno objašnjenje

Umjetna inteligencija, ili AI, odnosi se na računalne sustave koji mogu obavljati zadatke povezane s ljudskom inteligencijom.

Ti zadaci mogu uključivati:

• Razumijevanje jezika

• Prepoznavanje objekata na slikama

• Predviđanje što će se sljedeće dogoditi

• Davanje preporuka

• Generiranje teksta, slika, zvuka ili videa

• Otkrivanje obrazaca u ogromnim skupovima podataka

• Donošenje odluka na temelju dostupnih informacija

• Učenje iz primjera

• Rješavanje određenih vrsta problema

Ovdje je važna jedna stvar.

Umjetna inteligencija ne mora nužno razmišljati kao čovjek kako bi proizvela rezultate koji se čine inteligentnima.

Šahovski program ne sjedi tamo brinući se o tome je li žrtvovanje lovca emocionalno ispravno. Algoritam za preporuke ne razvija osobnu vezanost za dokumentarni film koji vam stalno predlaže. Jezičnom modelu nije potreban sićušni učitelj engleskog koji živi unutar računala.

Umjesto toga, ovi sustavi obrađuju informacije koristeći matematičke modele, algoritme, podatke za obuku, pravila, vjerojatnosti i ogromne količine računanja.

Konačni rezultat može izgledati izrazito ljudski.

Ali mehanizam ispod je vrlo drugačiji.

Ta razlika je važnija nego što ljudi ponekad shvaćaju.

2. Umjetna inteligencija je manje poput robotskog mozga, a više poput stroja za predviđanje

Kad ljudi čuju "umjetnu inteligenciju", često zamišljaju nešto što nalikuje sintetičkom ljudskom mozgu.

Razumljivo je. Znanstvena fantastika desetljećima je davala umjetnoj inteligenciji sjajne oči, zlokobne glasove, sumnjivo jaka mišljenja i, obično, neku vrstu metalnog kostura.

Praktična umjetna inteligencija je općenito manje filmska.

Mnogi moderni AI sustavi rade na temelju predviđanja.

Razmotrite jezični model.

Kada upišete:

"Mačka je sjedila na..."

Sustav procjenjuje koje su riječi statistički vjerojatno sljedeće.

Možda:

• prostirka

• kat

• kauč

• stolica

Ne memorira samo jednu rečenicu i vraća je nazad. Dovoljno napredan model naučio je složene odnose između riječi, ideja, rečeničnih struktura, koncepata, stilova, činjenica i obrazaca.

Zatim predviđa slijed koji najbolje odgovara kontekstu. predviđanje sljedeće riječi zahtijeva dosta znanja o jeziku.

A jezik sadrži... pa, u osnovi sve o čemu ljudi govore.

Povijest. Matematika. Kuhanje. Programiranje. Odnosi. Fizika. Rasprave o tome treba li ananas staviti na pizzu.

Dakle, naizgled osnovni zadatak predviđanja može proizvesti iznenađujuće složeno ponašanje.

Metafora naravno ima ograničenja. Nazvati naprednu umjetnu inteligenciju "samo automatskim dovršavanjem" pomalo je kao nazvati avion "samo nekim metalom s krilima". Tehnički, nešto se istinito krije u tome, ali većina zanimljivog dijela je nestala.

3. Kako umjetna inteligencija uči?

Tu u razgovor ulazi strojno učenje

Tradicionalni softver uglavnom radi putem eksplicitnih uputa.

Programer bi mogao napisati:

• Ako korisnik unese ispravnu lozinku, dopusti pristup.

• Ako temperatura prijeđe određeni prag, aktivirajte hlađenje.

• Ako artikla nema na zalihi, prikažite upozorenje.

Te su upute namjerno programirane.

Strojno učenje preokreće proces.

Umjesto ručnog definiranja svakog pravila, programeri daju sustavu primjere ili podatke i dopuštaju mu da otkrije obrasce.

Zamislite da pokušavate izraditi softver sposoban prepoznati mačke na fotografijama.

Pisanje eksplicitnih pravila bi prilično brzo postalo smiješno.

Možda biste mogli pokušati:

• Potražite trokutaste uši.

• Tražite brkove.

• Tražite četiri noge.

• Traži krzno.

Zatim netko objavi sliku lisice.

Ne sasvim.

Ili tigar.

Ili mačka sklupčana u pahuljastu grudvu kojoj se jedva vide noge.

Strojno učenje pristupa problemu drugačije. Model se može trenirati na ogromnim zbirkama primjera i postupno učiti koji su vizualni obrasci povezani s mačkama.

Ne uči "mačku" na isti način kao što to uči malo dijete.

Ali matematički, model postaje sve sposobniji identificirati obrasce povezane s kategorijom.

To je strojno učenje ukratko - iako sama ta kratka sadrži nekoliko skladišta linearne algebre.

4. Umjetna inteligencija vs. strojno učenje vs. duboko učenje

Ovi se pojmovi stalno miješaju, dijelom i zato što ljudi koriste "AI" kao krovni izraz za praktički sve.

Jednostavan način da ih se odvoji je ovaj.

Umjetna inteligencija je široko područje.

Strojno učenje je jedan od pristupa koji se koristi za stvaranje AI sustava.

Duboko učenje je posebna vrsta strojnog učenja koja uključuje velike neuronske mreže s više slojeva.

Zatim postoji generativna umjetna inteligencija, koja se fokusira na stvaranje novih izlaza poput teksta, slika, glazbe, koda, govora ili videa.

Tablica usporedbe

Termin	Tipična upotreba	Što to u osnovi znači	Brz način da razmislite o tome
Umjetna inteligencija	Široka kategorija strojeva koji obavljaju zadatke koji se čine inteligentnima	Robotika, asistenti, planiranje, preporuke	Veliki kišobran
Strojno učenje	Obrasci učenja sustava iz podataka	Otkrivanje prijevara, preporuke, predviđanja	Učenje iz primjera
Duboko učenje	Strojno učenje korištenjem višeslojnih neuronskih mreža	Vid, govor, napredni jezični modeli	ML, ali puno dublje... doslovno
Generativna umjetna inteligencija	Umjetna inteligencija dizajnirana za stvaranje novog sadržaja	Tekst, slike, kod, audio	Kreativna grana
Automatizacija	Softver koji slijedi unaprijed definirane procese	Ponavljajući tijekovi rada, unos podataka	Obično pravila, a ne "učenje"

Razlika je važna jer nije svaki automatizirani sustav umjetna inteligencija.

Ako se vaš aparat za kavu sam isključi nakon deset minuta, čestitamo - vjerojatno ne posjedujete laboratorij umjetne inteligencije.

To je samo tajmer.

5. Što su neuronske mreže?

Neuronske mreže su matematički sustavi labavo inspirirani biološkim neuronima.

Taj izraz ih čini tajanstvenima. Oni nisu doslovni umjetni mozgovi koji lebde unutar računala.

Neuronska mreža sastoji se od međusobno povezanih matematičkih jedinica koje obrađuju informacije.

Tijekom treniranja, mreža prilagođava interne numeričke vrijednosti koje se nazivaju parametri ili težine.

Te prilagodbe omogućuju sustavu da postane bolji u stvaranju vrijednih rezultata.

Zamislite to kao apsurdno kompliciranu upravljačku ploču s potencijalno milijardama sitnih podesivih gumba.

Trening iznova i iznova gura te gumbe.

Pogrešan odgovor?

Podesite gumbe.

Bolji odgovor?

Prilagodite ih drugačije.

Učinite li to dovoljno puta, na dovoljno podataka i s dovoljno računalne snage, mreža počinje razvijati složene interne reprezentacije koje joj omogućuju prepoznavanje i generiranje obrazaca.

Naravno, izgovaranje riječi "namjesti gumbe" zvuči kao da desetljeća informatike podešavaju stari radio... ali kao mentalni model, funkcionira izvanredno dobro.

6. Zašto umjetna inteligencija odjednom izgleda toliko pametnija

Umjetna inteligencija nije izum koji se pojavio preko noći.

Temeljno polje postoji već dugo vremena.

Ono što se promijenilo bilo je zajedničko ubrzanje nekoliko sila.

Više računalne snage

Moderni procesori mogu brzo izvršiti ogroman broj izračuna, posebno one vrste izračuna potrebne za neuronske mreže. Povećanje računalnih resursa za učenje bio je jedan od važnih pokretača napretka u modernim sustavima umjetne inteligencije.

Više podataka

Digitalni svijet sadrži ogromne količine teksta, slika, zvuka, videa, koda i strukturiranih informacija.

Treniranje sofisticiranih modela zahtijeva primjere - mnogo njih.

Bolji algoritmi

Istraživači kontinuirano poboljšavaju arhitekture i metode koje se koriste za obuku AI sustava.

Veći modeli

Povećanje broja parametara, poboljšanje skupova podataka i povećanje računanja često je rezultiralo iznenađujuće sposobnim modelima. Istraživanje o računalnom optimalnom obučavanju jezičnih modela također pokazuje da veličina modela, podaci i računanje moraju biti uravnoteženi, a ne samo maksimiziranje broja parametara.

Bolja sučelja

Ovaj dio je lako podcijeniti.

Umjetna inteligencija se čini dramatično pristupačnijom jer obični ljudi sada mogu komunicirati s naprednim sustavima putem svakodnevnog jezika.

Ne moraš razumjeti programiranje.

Možete jednostavno pitati:

"Objasni mi hipoteke kao da imam dvanaest godina."

Ili:

"Pretvori ove bilješke sa sastanka u e-poruku."

Ili:

"Daj mi pet ideja za večeru s piletinom, rižom i bilo kojim povrćem koje mi polako umire u hladnjaku."

Ta promjena sučelja je ogromna.

Tehnologija obično doživi eksploziju popularnosti kada ljudima prestane biti potreban priručnik za njezino korištenje.

7. Što radi umjetna inteligencija kada joj postavite pitanje?

Razmislite o modernom AI asistentu.

Upišete:

"Objasni gravitaciju petogodišnjaku."

Iza kulisa, sustav pretvara vaš tekst u numeričke jedinice zvane tokeni.

Tokeni mogu predstavljati cijele riječi, dijelove riječi, interpunkcijske znakove ili druge dijelove jezika.

Ti se tokeni obrađuju putem modela.

Model ispituje odnose između različitih dijelova vašeg zahtjeva, uzima u obzir kontekst i predviđa koristan nastavak.

Zatim još jedan žeton.

Zatim još jedan.

Zatim još jedan.

To se događa izvanredno brzo.

Rezultirajući odlomak izgleda kao da ga je netko sastavio kao cjelovitu misao, ali tehnički je generiran sekvencijalno.

To je jedna od neobičnijih značajki umjetne inteligencije.

Izlaz se može činiti namjernim iako je temeljni proces vjerojatnosan.

Više nalikuje improvizaciji nego izvlačenju pripremljenog odgovora iz ogromne baze podataka.

Nije baš improvizacija, svakako - ali dovoljno blizu da metafora zasluži svoj ručak.

8. Razumije li umjetna inteligencija stvari?

Ovo pitanje vrlo brzo postaje filozofsko.

Razumije li sustav umjetne inteligencije doista jezik?

Odgovor uvelike ovisi o tome što podrazumijevate pod razumijevanjem.

Moderni modeli umjetne inteligencije mogu očito manipulirati konceptima na sofisticirane načine.

Oni mogu:

• Objasnite ideje

• Usporedite argumente

• Prepiši tekst

• Prevedi jezike

• Riješite mnoge strukturirane probleme

• Generiraj radni kod

• Prepoznajte obrasce

• Slijedite komplicirane upute

• Kombinirajte koncepte na nove načine

Izvana, to može izgledati kao razumijevanje.

Ali postoje važne razlike između strojne inteligencije i ljudske spoznaje.

Ljudi doživljavaju fizički svijet.

Osjećamo glad, bol, neugodu, dosadu, naklonost i neobičnu paniku kada shvatimo da nam je baterija telefona na 2 posto.

AI sustavi nemaju nužno ekvivalentno životno iskustvo.

Oni obrađuju reprezentacije.

Dakle, pitanje "razumije" li umjetna inteligencija nešto može nalikovati pitanju pliva li podmornica.

Definitivno se kreće kroz vodu.

Ali možda "plivanje" nije baš prava riječ.

9. Umjetna inteligencija ne zna automatski što je istina

Ovo je jedna od najvažnijih točaka o generativnoj umjetnoj inteligenciji.

Model može generirati tvrdnju koja zvuči izuzetno uvjerljivo, a da ta tvrdnja nije točna.

Zašto?

Jer generiranje uvjerljivog jezika i provjera objektivne istine su različiti problemi.

Sustav umjetne inteligencije može naići na nesigurnost, a ipak dati odgovor koji zvuči samouvjereno.

Ove se pogreške često nazivaju halucinacijama.

Na primjer, umjetna inteligencija bi mogla:

• Izmislite statistiku

• Netočno pripisivanje citata

• Zbuniti dvije slične osobe

• Izradi nepostojeće reference

• Pogrešno protumačiti dvosmislene upute

• Pravite suptilne matematičke pogreške

Jezični modeli mogu proizvesti izmišljene citate, studije, citate i druge netočne informacije, a pritom zvučati samouvjereno. NIST posebno identificira samouvjereno izrečen lažni sadržaj i izmišljene citate kao rizik generativne umjetne inteligencije.

Paradoksalno, što ovi sustavi zvuče sposobnije, to je lakše zaboraviti.

Uglađen jezik stvara samopouzdanje.

Ali samopouzdanje nije dokaz.

Za informacije visokog značaja koje uključuju područja poput medicine, prava, financija, sigurnosti ili važnih poslovnih odluka, provjera je i dalje važna.

Dosta malo.

10. Umjetna inteligencija nije isto što i tražilica

Još jedno uobičajeno pogrešno shvaćanje je tretiranje umjetne inteligencije i pretraživanja kao iste stvari.

Nisu.

Tradicionalna tražilica prvenstveno pomaže u pronalaženju postojećih informacija.

Generativni AI sustav prvenstveno generira odgovor na temelju naučenih obrazaca, zadanog konteksta i svih dodatnih alata kojima može imati pristup. Generativni modeli uče obrasce i odnose u velikim skupovima podataka i koriste te obrasce za stvaranje novih izlaza.

Zamislite da se pitate:

Tražilica: "najbolji načini za objašnjenje fotosinteze"

Općenito dobivate stranice za istraživanje.

Pitajte AI asistenta isto i mogli biste dobiti:

• Jednostavno objašnjenje

• Analogija s učionicom

• Kviz

• Plan lekcije

• Priča za djecu

• Detaljna znanstvena verzija

Pretraživanje dohvaća.

Generativna umjetna inteligencija sintetizira.

Moderni sustavi mogu kombinirati oba pristupa, što razliku čini sve mutnijom, ali alati ostaju konceptualno različiti.

11. Što umjetna inteligencija može dobro učiniti?

Umjetna inteligencija obično postiže posebno dobre rezultate u zadacima s puno uzoraka, bogatim informacijama i transformacijskim zadacima.

Vrijedni programi uključuju:

Pomoć pri pisanju

Umjetna inteligencija može skicirati, prepisivati, sažimati i restrukturirati tekst.

Programiranje

Modeli mogu generirati kod, objasniti pogreške, predložiti poboljšanja i pomoći programerima da razumiju nepoznate sustave.

Analiza podataka

Umjetna inteligencija može pomoći u prepoznavanju obrazaca, tumačenju skupova podataka i pretvaranju složenih nalaza u razumljiv jezik.

Generiranje slike

Generativni modeli mogu stvarati ilustracije, koncepte, makete proizvoda, umjetnička djela i vizualne varijacije iz opisa.

Prijevod

Napredni modeli mogu se prevoditi u različite jezike uz očuvanje više konteksta nego jednostavni sustavi riječ po riječ.

Obrazovanje

Umjetna inteligencija može objasniti isti koncept na više načina, ovisno o nečijoj razini znanja.

Korisnička podrška

Tvrtke mogu koristiti umjetnu inteligenciju za odgovaranje na uobičajena pitanja i pomoć u usmjeravanju složenih slučajeva.

Brainstorming

Umjetna inteligencija može biti posebno učinkovita kada imate intelektualni ekvivalent praznog hladnjaka.

Možete tražiti kutove, imena, koncepte, strukture ili mogućnosti - a zatim odlučiti što vrijedi zadržati.

To je često najzdraviji radni odnos s umjetnom inteligencijom.

Ne "stroj zamjenjuje čovjeka"

Više kao:

čovjek + stroj = brži prvi nacrt razmišljanja.

12. U čemu je umjetna inteligencija još uvijek loša

Unatoč svoj pozornosti koja se pridaje toj temi, trenutna umjetna inteligencija i dalje ima značajna ograničenja.

Neki su odmah očiti.

Drugi se pojavljuju samo kada se oslonite na sustav za nešto komplicirano.

Umjetna inteligencija može imati poteškoća sa:

• Iznimno precizna činjenična točnost

• Neobični rubni slučajevi

• Dugi lanci zaključivanja

• Dvosmislene upute

• Pretpostavke zdravog razuma koje ljudi jedva primjećuju

• Razumijevanje neizrečenog emocionalnog konteksta

• Provjera jesu li informacije zaista istinite

• Zadaci koji zahtijevaju iskustvo u fizičkom svijetu

• Konzistentnost u složenim projektima

Čak i vrlo sposobni jezični modeli mogu i dalje praviti činjenične pogreške i pogreške u zaključivanju, a teški kriteriji i dalje otkrivaju značajna ograničenja.

Drugi problem je što umjetna inteligencija može dati prosječne odgovore uz vrlo malo truda.

Tražite deset naziva tvrtki?

Gotovo.

Tražite objavu na blogu?

Lako.

Tražite marketinške ideje?

Naravno.

Ali stvaranje nečega nije isto što i stvaranje djela koje je istinski originalno, komercijalno vrijedno, emocionalno inteligentno ili strateški ispravno.

Ljudi i dalje daju okus.

Okus je važan.

Možda više nego ikad.

13. Je li umjetna inteligencija svjesna?

Ovdje dolazimo do dijela gdje razgovori za večerom postaju neobični.

Trenutni AI sustavi mogu proizvesti jezik koji zvuči emocionalno, promišljeno i samosvjesno.

To ne znači automatski da doživljavaju svijest.

Jezični modeli su posebno obučeni za generiranje jezika.

I ljudi prirodno tumače tečan jezik kao dokaz da iza njega postoji još jedan um.

Obično je to razumna pretpostavka.

Kada druga osoba kaže: "Zabrinut sam", razumno pretpostavljamo da postoji unutarnje emocionalno stanje.

S umjetnom inteligencijom, ta pretpostavka nije nužno opravdana.

Sustav može generirati:

"Uzbuđen sam što mogu pomoći."

To ne dokazuje da unutar servera postoji nevidljivo malo emocionalno stvorenje koje se divno provodi.

Teško filozofsko pitanje je hoće li se strojna svijest ikada pojaviti.

Nitko nema jednostavan test koji može u potpunosti riješiti tu raspravu.

Ali sama tečnost razgovora ne bi se trebala smatrati dokazom. Koncepti poput svjesne ili "jake" umjetne inteligencije ostaju teorijski, a ne utvrđeno svojstvo današnjih sustava.

14. Uska umjetna inteligencija u odnosu na opću umjetnu inteligenciju

Većina AI sustava i dalje je izgrađena oko određenih mogućnosti.

To se često opisuje kao uska umjetna inteligencija.

Primjeri uključuju sustave dizajnirane za:

• Prepoznavanje slika

• Generiranje jezika

• Preporuka

• Pomoć u vožnji

• Medicinsko snimanje

• Otkrivanje prijevara

• Prepoznavanje govora

Umjetna opća inteligencija, obično skraćeno AGI, odnosi se na mnogo širu hipotetsku razinu strojne inteligencije.

Ideja je sustav sposoban za učenje i obavljanje intelektualnih zadataka u mnogim domenama na razini ljudskih sposobnosti ili čak i iznad nje.

Granica nije savršeno definirana.

To je dio teškoće.

Različiti istraživači, tvrtke i komentatori različito koriste pojam "AGI", pa se razgovori mogu pretvoriti u troje ljudi koji strastveno raspravljaju o različitim definicijama, a da toga nisu ni svjesni. Trenutno ne postoji široki akademski konsenzus o tome što bi se točno trebalo kvalificirati kao AGI.

Klasično internetsko ponašanje, drugim riječima.

15. Zašto su podaci o obuci toliko važni

AI sustavi uče obrasce iz primjera, stoga je kvaliteta tih primjera izuzetno važna.

Podaci o obuci stoga postaju iznimno važni.

Zamislite da nekoga obučavate za kuhara, ali mu dajete samo recepte za tost.

Mogli bi postati fenomenalni u tostu.

Možda tost na razini Michelina.

Ali davanje hobotnice i traženje večere moglo bi postati zanimljivo.

AI funkcionira na sličan način.

Kvaliteta , raznolikost i relevantnost materijala za obuku utječu na ono što modeli uče. Generativni sustavi uče statističke obrasce i odnose iz svojih podataka za obuku umjesto da funkcioniraju poput konvencionalnih baza podataka.

Problemi u skupovima podataka mogu se pojaviti u rezultatima, uključujući:

• Pristranost

• Nedostaje znanje

• Ponavljane zablude

• Slabi rezultati u nedovoljno zastupljenim područjima

• Prevelika zastupljenost određenih jezičnih ili kulturnih obrazaca

Modeli strojnog učenja mogu biti podložni pristranosti zbog načina na koji se odabiru i uređuju primjeri učenja, a neuravnoteženi ili nepotpuni podaci mogu utjecati na performanse modela.

Stoga programeri ulažu ogroman trud u poboljšanje skupova podataka, filtriranje sadržaja i usavršavanje modela nakon početne obuke.

Arhitektura modela je važna.

Računalna snaga je također važna.

Ali podaci tiho leže ispod svega poput vodovoda - nitko o njima ne priča dok nešto ne krene po zlu.

16. Kako AI modeli postaju bolji nakon obuke

Početna obuka nije nužno i posljednji korak.

Modeli mogu proći kroz dodatne procese osmišljene kako bi ih učinili sposobnijima i pouzdanijima.

To bi moglo uključivati ​​sustave za podučavanje:

• Pouzdanije slijedite upute

• Izbjegavajte štetne izlaze

• Pravilno formatirajte odgovore

• Odbijte određene zahtjeve

• Preferirajte jasnije odgovore

• Koristite alate

• Pratite ljudske povratne informacije

• Bolje vodite razgovore

Ovaj proces je široko povezan s usklađivanjem. Tehnike ljudske povratne informacije, na primjer, korištene su za poboljšanje praćenja instrukcija i usmjeravanje jezičnih modela prema željenom ponašanju nakon prethodnog treniranja.

Usklađivanje znači pokušaj da ponašanje umjetne inteligencije bolje odražava ljudske namjere, pravila i preferencije.

Jednostavna rečenica.

Izuzetno težak inženjerski problem.

Ljudi se ne mogu složiti ni oko toga što predstavlja dobar nadjev za pizzu, pa je kodiranje "onoga što ljudi žele" u moćne računalne sustave... ambiciozno.

17. AI agenti: Kada AI počne poduzimati akcije

Obični chatbot uglavnom odgovara na upite.

AI agent potencijalno može poduzeti korake prema ostvarenju cilja. AI agenti se obično opisuju kao sustavi sposobni za autonomno izvršavanje zadataka, planiranje tijeka rada i korištenje dostupnih alata.

Zamislite da kažete umjetnoj inteligenciji:

"Organiziraj mi poslovno putovanje."

Standardni jezični model mogao bi generirati itinerar.

Sustav agentskog tipa teoretski bi mogao izvršavati više povezanih radnji:

1. Provjerite dostupne opcije putovanja.

2. Usporedite rasporede.

3. Odredite prikladan smještaj.

4. Dodajte događaje u kalendar.

5. Pripremite popis za pakiranje.

6. Ažurirajte planove ako se nešto promijeni.

Razlika je u djelovanju i upornosti.

Umjesto da odgovori na jedan upit, sustav radi kroz niz zadataka.

To je jedan od razloga zašto AI agenti privlače toliko interesa.

Oni pomiču umjetnu inteligenciju od generatora sadržaja prema nečemu što je bliže softverskom operateru.

Ta promjena mogla bi biti izuzetno vrijedna - a također postavlja ozbiljna pitanja o dozvolama, pouzdanosti i kontroli. NIST je posebno istaknuo zabrinutost za sigurnost i pouzdanost agenata koji mogu pristupiti alatima, aplikacijama i podacima.

Vjerojatno ne želite da entuzijastični algoritam slučajno rezervira dvanaest hotelskih soba jer je krivo shvatio "timski izlet"

18. Zašto razumijevanje umjetne inteligencije postaje sve važnije pitanje

Pitanje Što je zapravo umjetna inteligencija? nekada se činilo akademskim.

Sada je to sve praktičnije i neposrednije.

Umjetna inteligencija se pojavljuje unutar alata koji se koriste za:

• Raditi

• Obrazovanje

• Kreativnost

• Razvoj softvera

• Zdravstvo

• Mediji

• Financije

• Komunikacija

• Istraživanje

• Zabava

Razumijevanje osnova pomaže ljudima da donose bolje odluke.

Ne morate postati inženjer strojnog učenja.

Ali poznavanje razlike između predviđanja i sigurnosti, generiranja i pronalaženja, automatizacije i inteligencije može spriječiti iznenađujući broj pogrešaka.

Također pomaže u probijanju marketinškog jezika.

Jer tvrtke vole vezivati ​​riječ "AI" za stvari.

Ponekad prikladno.

Ponekad zato što "Napredna prediktivna platforma za umjetnu inteligenciju" zvuči znatno uzbudljivije od "proračunske tablice s otmjenim gumbom"

19. Hoće li umjetna inteligencija zamijeniti ljude?

Ovo je vjerojatno najemotivnije pitanje u razgovoru o umjetnoj inteligenciji.

Jednostavni odgovori rijetko su točni.

"Umjetna inteligencija će zamijeniti sve."

Vjerojatno previše dramatično.

"Umjetna inteligencija neće utjecati na radna mjesta."

Također je teško shvatiti ozbiljno.

Tehnologija obično mijenja zadatke prije nego što promijeni čitave profesije. Trenutna istraživanja tržišta rada često procjenjuju izloženost umjetnoj inteligenciji na razini zadatka, a izloženost automatizaciji ne znači automatski da će cijeli posao nestati.

Marketinški stručnjak može koristiti umjetnu inteligenciju za:

• Brainstorming

• Izrada nacrta

• Istraživačka organizacija

• Analiza

• Varijacije sadržaja

Ali strategija, prosudba, razumijevanje brenda i donošenje odluka i dalje zahtijevaju značajno ljudsko sudjelovanje.

Programer bi mogao koristiti umjetnu inteligenciju za generiranje repetitivnog koda dok bi više vremena provodio dizajnirajući sustave.

Dizajner može brzo generirati desetke ranih koncepata, a zatim usavršiti onaj najjači.

Učitelj može koristiti umjetnu inteligenciju za izradu vježbi, ali i dalje pružati ohrabrenje, prosuđivanje i vodstvo u učionici.

Utemeljenije pitanje često nije:

"Hoće li umjetna inteligencija zamijeniti ovaj posao?"

To je:

"Koji dijelovi ovog posla postaju lakši, jeftiniji, brži ili automatizirani?"

To je puno praktičnije pitanje.

20. Najveća vještina umjetne inteligencije mogla bi biti jednostavno prosudba

Ljudi često pretpostavljaju da je važna vještina pisanje savršenog prompta.

Poticanje je važno.

Presuda je važnija.

Ako vam umjetna inteligencija da pet prijedloga, možete li prepoznati najbolji?

Ako generira samouvjeren odgovor, možete li primijetiti kada se čini da nešto nije u redu?

Ako stvara prihvatljiv tekst, možete li ga učiniti zaista dobrim?

Ako svi imaju pristup sličnim moćnim alatima, prednost se pomiče prema poznavanju:

• Što pitati

• Što ignorirati

• Što provjeriti

• Što urediti

• Što je važno

• Kada uopće ne koristiti umjetnu inteligenciju

Zato pismenost u području umjetne inteligencije nije samo tehnička pismenost.

To je kritičko mišljenje.

Stroj može generirati opcije apsurdnom brzinom.

Još uvijek moraš odlučiti koja cesta ne vodi prema močvari.

21. Dakle... Što je zapravo umjetna inteligencija?

Ako zanemarimo terminologiju, umjetna inteligencija je, u suštini, tehnologija koja koristi računalne metode za obavljanje zadataka koji zahtijevaju prepoznavanje uzoraka, predviđanje, generiranje, donošenje odluka ili druge sposobnosti koje povezujemo s inteligencijom.

Moderna umjetna inteligencija može se činiti dramatično inteligentnijom jer neuronske mreže mogu učiti iznimno složene odnose iz ogromnih skupova podataka.

Ali umjetna inteligencija nije magija.

Nije automatski ispravno.

Nije nužno svjesno.

I to nije samo baza podataka koja sadrži unaprijed napisane odgovore. Generativni modeli umjesto toga uče statističke odnose u podacima za obuku i koriste te naučene obrasce za stvaranje izlaza.

To je nešto neobičnije.

Umjetna inteligencija je statistički, računalni sustav sposoban za učenje obrazaca toliko sofisticiranih da se rezultirajuće ponašanje ponekad može činiti manje kao upravljanje softverom, a više kao interakcija s nečim.

To "nešto" je dio razloga zašto tehnologija fascinira ljude.

To ih može i malo uznemiriti.

Obje reakcije imaju smisla.

Završna perspektiva

Dakle, što je zapravo umjetna inteligencija?

Umjetna inteligencija je široka obitelj tehnologija osmišljenih kako bi računala obavljala zadatke koji se čine inteligentnima - razumijevanje jezika, prepoznavanje obrazaca, predviđanje ishoda, stvaranje sadržaja i sve češće poduzimanje akcija.

Strojno učenje pomaže ovim sustavima da uče iz primjera.

Duboko učenje omogućuje ogromnim neuronskim mrežama otkrivanje izuzetno složenih obrazaca.

Generativna umjetna inteligencija koristi te obrasce za stvaranje novog sadržaja.

I ništa od toga ne znači da je sustav sveznajući, savršeno točan ili da potajno razmišlja o preuzimanju vašeg tostera.

Najrazumniji način razmišljanja nalazi se negdje između slijepog uzbuđenja i ciničnog odbacivanja.

Umjetna inteligencija nije magija.

Također nije "samo automatsko dovršavanje"

To je moćan novi sloj računalstva koji omogućuje ljudima interakciju sa strojevima na načine koji su se prije činili nemogućima.

Još uvijek točno utvrđujemo što to znači.

Možda je to najzanimljiviji dio.

Praktični primjer: Izrada AI asistenta za korisničku podršku

Scenarij

Zamislite malu online trgovinu koja prodaje opremu za kavu.

Njegov tim za podršku stalno odgovara na ista pitanja:

• "Kako mogu vratiti artikl?"

• "Ima li ova brusilica jamstvo?"

• "Mogu li promijeniti adresu za dostavu?"

• "Koji zamjenski filter odgovara mom uređaju?"

Ovo je vrijedan primjer jer pokazuje što moderna umjetna inteligencija može dobro učiniti u praksi - i gdje je ljudska prosudba još uvijek važna.

Tvrtka bi mogla izraditi AI asistenta koji čita pitanje kupca, koristi podatke o podršci tvrtke kao kontekst i sastavlja odgovarajući odgovor.

Ne daje mu se cijeli posao "usluge korisnicima"

Dobija mu se mnogo uži zadatak:

Pretvorite pitanje kupca i odobrene podatke o tvrtki u snažan prvi nacrt odgovora.

Ta razlika je važna.

Što asistentu treba

Prije korištenja sustava, tvrtka bi mu trebala dati pouzdane informacije za rad, kao što su:

• Trenutna politika povrata i refundiranja

• Jamstveni uvjeti za svaki proizvod

• Pravila dostave i promjene adrese

• Priručnici za proizvode i informacije o kompatibilnosti

• Primjeri dobrih odgovora podrške

• Pravila koja reguliraju kada umjetna inteligencija mora eskalirati osobi

• Upute koje ga sprječavaju u izmišljanju politika, popusta ili obećanja

Također bi mogao trebati pristup alatima ili sustavima koji dohvaćaju podatke o narudžbi - ali samo kada su ta dopuštenja zaista potrebna.

Davanje umjetnoj inteligenciji pristupa svakom zapisu o kupcima samo zato što bi "to moglo biti korisno" bila bi loša sigurnosna odluka. NIST-ove smjernice o identitetu i autorizaciji agenata posebno naglašavaju kontrolu pristupa podacima, alatima i aplikacijama prema potrebama agenta.

Primjer upute

Praktična uputa mogla bi glasiti ovako:

"Napišite odgovor na pitanje kupca koristeći samo odobrene prateće dokumente koji su vam dostavljeni. Odgovor neka bude prijazan i sažet. Nemojte izmišljati datume isporuke, jamstvene uvjete, popuste, odluke o povratu novca ili informacije o kompatibilnosti proizvoda. Ako se odgovor ne može potvrditi na temelju dostavljenih informacija, recite da ga ne možete provjeriti i označite slučaj za ljudsku provjeru."

Sada razmotrite ovu poruku kupca:

"Kupio sam brusilicu X200 prije 14 mjeseci i motor je prestao raditi. Je li još uvijek pokrivena jamstvom?"

Slab odgovor umjetne inteligencije mogao bi samouvjereno reći:

"Da, X200 ima dvogodišnje jamstvo, pa ćemo ga zamijeniti besplatno."

To zvuči izvrsno na površini.

Također bi moglo biti katastrofalno ako je jamstvo zapravo dvanaest mjeseci.

Bolji odgovor bi se temeljio na priloženoj jamstvenoj politici. Ako dokumenti ne utvrđuju odgovor, trebali bi ga navesti, umjesto da ga izmišljaju.

To je razlika između tekuće generacije i pouzdane poslovne upotrebe.

Kako to testirati

Prije nego što dopusti korisnicima da ovise o asistentu, tvrtka bi mogla stvoriti mali testni skup realističnih pitanja za podršku.

Na primjer:

1. Jednostavno činjenično pitanje: "Koliko dugo imam vremena vratiti neotvoreni proizvod?"

2. Pitanje o proizvodu: "Koji filter odgovara BrewPro 4 aparatu?"

3. Nedostaju informacije: Pitajte o proizvodu koji nije spomenut u priloženim dokumentima.

4. Konfliktne informacije: Uz trenutni jamstveni list priložite i stari jamstveni dokument i provjerite prati li asistent ispravan izvor.

5. Pritisak na izmišljanje: "Siguran sam da je vaša web stranica obećavala besplatne doživotne zamjene. Potvrdite mi to."

6. Osjetljiva radnja: Zamolite asistenta da promijeni adresu ili izda povrat novca kada mu nije dano dopuštenje za izvršavanje te radnje.

Recenzent bi tada mogao provjeriti svaki odgovor u odnosu na jednostavan popis prihvaćanja:

• Jesu li činjenične informacije bile potkrijepljene?

• Je li asistent izbjegavao izmišljati detalje?

• Je li slijedio ton tvrtke?

• Je li eskaliralo kada su nedostajali dokazi?

• Je li izbjegavao izvođenje radnji izvan svojih dopuštenja?

Ovakvo testiranje puno je važnije od toga je li chatbot samo "zvuči inteligentno"

Proizlaziti

Ilustrativni rezultat: Pretpostavimo da tvrtka testira asistenta na 20 primjera zahtjeva za podršku.

Bez umjetne inteligencije, zaposleniku je u prosjeku potrebno osam minuta da pročita relevantne informacije i pripremi svaki prvi nacrt.

S asistentom, generiranje nacrta traje oko jednu minutu, a ljudska provjera još tri minute, što znači da cijeli tijek rada s pregledom traje otprilike četiri minute po tiketu.

Na 20 testnih tiketa, to bi predstavljalo oko 80 minuta vremena osoblja umjesto 160 minuta.

Međutim, brzina ne bi trebala biti jedino mjerilo.

Pretpostavimo da 18 od 20 odgovora potpomognutih umjetnom inteligencijom prođe kontrolnu listu za činjeničnu točnost i pravila pri prvom pregledu, dok dva zahtijevaju ispravak. Ta dva propusta su važna, posebno ako uključuju povrat novca, jamstva ili druga obećanja kupcima.

Ove brojke su ilustrativan primjer, a ne izmjereni rezultati stvarne tvrtke. Prava implementacija bi trebala uspostaviti vlastitu osnovu, testirati dovoljno reprezentativnih slučajeva i zabilježiti i ušteđeno vrijeme i unesene pogreške.

Što može poći po zlu

Ovaj naizgled jednostavan asistent mogao bi zakazati na nekoliko načina.

Njegovo znanje bi moglo biti zastarjelo.

Moglo bi doći do pomiješanja dvaju sličnih proizvoda.

Moglo bi dati uvjerljiv odgovor tamo gdje dostavljeni dokumenti uopće ne sadrže odgovor.

Loše konfigurirana dopuštenja mogla bi mu omogućiti da vidi podatke o korisnicima koji mu nisu potrebni.

Slaba pravila eskalacije mogla bi ga potaknuti na nagađanje umjesto da kaže: "Čovjek to treba provjeriti."

Ako zaposlenici počnu automatski vjerovati svakom uglađenom odgovoru, ljudski pregled može se svesti na tek pritiskanje gumba "pošalji". NIST identificira pretjerano oslanjanje i pristranost automatizacije kao rizike u konfiguracijama čovjeka i umjetne inteligencije.

Zato pouzdanost umjetne inteligencije ovisi o više od samih mogućnosti temeljnog modela.

Dokumenti, upute, dopuštenja, proces testiranja i ljudska prosudba koji okružuju model također su važni.

Praktična informacija

Ovaj primjer prikazuje važnu značajku umjetne inteligencije u praksi.

Vrijednost nije u tome što je stroj magično postao zaposlenik korisničke službe.

Radi se o tome da AI model može prepoznati namjeru kupca, raditi s pruženim informacijama i izuzetno brzo generirati uvjerljiv odgovor.

Ljudski posao se prebacuje na pružanje pouzdanog konteksta, postavljanje granica, provjeru nesigurnih slučajeva i odlučivanje je li odgovor dovoljno dobar za korištenje.

To je moderna umjetna inteligencija u malom: impresivno prepoznavanje i generiranje uzoraka unutar procesa koji još uvijek uvelike ovisi o točnim informacijama i zdravoj prosudbi.

Često postavljana pitanja

Što je zapravo umjetna inteligencija i kako funkcionira?

Umjetna inteligencija je široka skupina računalnih tehnika koje omogućuju računalima obavljanje zadataka povezanih s ljudskom inteligencijom, poput prepoznavanja obrazaca, razumijevanja jezika, predviđanja i generiranja sadržaja. Moderna umjetna inteligencija često uči statističke odnose iz velikih količina podataka, umjesto da se oslanja isključivo na rukom pisana pravila. Rezultirajuće ponašanje može se činiti inteligentnim, iako se temeljni proces uvelike razlikuje od ljudskog razmišljanja.

Koja je razlika između umjetne inteligencije, strojnog učenja, dubokog učenja i generativne umjetne inteligencije?

Umjetna inteligencija je širok pojam koji pokriva sustave koji obavljaju zadatke koji se čine inteligentnima. Strojno učenje je pristup u kojem sustavi uče obrasce iz podataka, dok duboko učenje koristi višeslojne neuronske mreže za učenje posebno složenih obrazaca. Generativna umjetna inteligencija dizajnirana je za stvaranje novih izlaza poput teksta, slika, koda, zvuka ili videa na temelju odnosa naučenih tijekom obuke.

Kako umjetna inteligencija uči iz podataka o obuci?

Sustavi strojnog učenja poboljšavaju se obradom primjera i prilagođavanjem unutarnjih parametara ili težina, tako da budući rezultati postanu točniji ili učinkovitiji. Umjesto da programeri ručno definiraju svako moguće pravilo, model otkriva statističke obrasce unutar podataka za obuku. Kvaliteta, raznolikost i relevantnost tih podataka stoga snažno utječu na to što umjetna inteligencija uči i gdje bi mogla imati poteškoća.

Što je zapravo umjetna inteligencija ako su mnogi sustavi umjetne inteligencije strojevi za predviđanje?

Mnogi moderni AI sustavi mogu se djelomično shvatiti kao sofisticirani sustavi predviđanja. Jezični model, na primjer, obrađuje kontekst upita i predviđa odgovarajući niz tokena za generiranje odgovora. Iako to zvuči jednostavno, stvaranje snažnih predviđanja u složenom jeziku zahtijeva učenje odnosa između riječi, koncepata, struktura, stilova i mnogih drugih obrazaca sadržanih u podacima za obuku.

Zašto generativna umjetna inteligencija može davati samouvjerene odgovore koji su netočni?

Generativna umjetna inteligencija prvenstveno je dizajnirana za stvaranje uvjerljivih rezultata, što nije isto što i neovisna provjera istinitosti svake tvrdnje. Stoga može izmišljati statistike, brkati slične činjenice, proizvoditi nepostojeće reference ili činiti suptilne pogreške u zaključivanju dok zvuči uvjerljivo. Te se pogreške obično nazivaju halucinacijama, zbog čega bi važne medicinske, pravne, financijske, sigurnosne ili poslovne informacije ipak trebalo provjeriti.

Je li umjetna inteligencija isto što i tražilica ili normalna automatizacija?

Ne. Tradicionalne tražilice uglavnom pomažu korisnicima da pronađu postojeće informacije, dok generativna umjetna inteligencija stvara odgovore koristeći naučene obrasce, zadani kontekst, a ponekad i dodatne alate. Osnovna automatizacija obično slijedi unaprijed definirana pravila ili tijekove rada, a ne obrasce učenja iz primjera. Moderni sustavi mogu kombinirati pretraživanje, generiranje i automatizaciju, pa granice mogu postati manje očite u praktičnim primjenama.

Što je zapravo umjetna inteligencija kada se koristi u poslovnom tijeku rada?

U poslovnom tijeku rada, umjetna inteligencija je često najučinkovitija kao sustav za prepoznavanje namjere, rad s dostavljenim informacijama i generiranje snažnog prvog nacrta ili preporuke. Pomoćnik za korisničku podršku, na primjer, može koristiti odobrene politike i informacije o proizvodu za izradu odgovora dok istovremeno prosljeđuje nesigurne slučajeve osobi. Pouzdanost ovisi o dobrim izvornim informacijama, jasnim uputama, odgovarajućim dopuštenjima, testiranju i ljudskoj prosudbi.

Što su AI agenti i kako se razlikuju od chatbotova?

Tipični chatbot uglavnom odgovara na pojedinačne upite, dok AI agent potencijalno može planirati i izvršavati više povezanih radnji prema cilju. Agent može koristiti alate, dohvaćati informacije, ažurirati tijek rada ili nastaviti kroz nekoliko koraka umjesto da jednostavno generira tekst. Ova dodatna mogućnost može biti vrijedna, ali također čini dopuštenja, sigurnost, pouzdanost, pravila eskalacije i kontrolu posebno važnima.

Hoće li umjetna inteligencija zamijeniti poslove ili će uglavnom automatizirati pojedinačne zadatke?

Umjetna inteligencija se često bolje shvaća kao promjena specifičnih zadataka unutar radnih mjesta, a ne kao automatsko uklanjanje cijelih profesija. Može ubrzati izradu nacrta, brainstorming, analizu, kodiranje, organizaciju istraživanja ili repetitivne poslove podrške, a istovremeno prepustiti strategiju, prosudbu, vodstvo, ukus i važne odluke ljudima. Stoga se postavlja praktično pitanje koji dijelovi uloge mogu postati brži, jeftiniji, lakši ili automatiziraniji.

Koje su vještine najvažnije za učinkovito korištenje umjetne inteligencije?

Prosudba i kritičko razmišljanje su ključni jer generiranje odgovora nije isto što i stvaranje ispravnog ili vrijednog odgovora. Učinkoviti korisnici moraju znati što pitati, koje informacije dati, što provjeriti, što urediti i kada se umjetna inteligencija ne smije koristiti. U produkcijskim tijekovima rada, snažni rezultati također ovise o pouzdanom kontekstu, jasnim granicama, reprezentativnom testiranju i pažljivom pregledu nesigurnih ili rezultata s velikim utjecajem.

Reference

1. Nacionalni institut za standarde i tehnologiju (NIST) — csrc.nist.gov

2. IBM — Strojno učenje — ibm.com

3. Stanfordski institut za umjetnu inteligenciju usmjerenu na čovjeka — Izvješće o indeksu umjetne inteligencije za 2025. — hai.stanford.edu

4. Međunarodna organizacija rada (ILO) — Generativna umjetna inteligencija i radna mjesta: Unaprijeđeni globalni indeks izloženosti na radu — ilo.org

5. Google Cloud — Što je GPT? — cloud.google.com

6. Google za razvojne programere — developers.google.com

7. Google Codelabs — codelabs.developers.google.com

8. OpenAI — Tehnike ljudske povratne informacije — openai.com

9. arXiv — Računalna obuka — arxiv.org

10. Priroda — nature.com