Що ж таке ШІ насправді? [Відео та вікторина]

Коротка відповідь: ШІ — це широке сімейство обчислювальних методів, які розпізнають закономірності, роблять прогнози, генерують контент і, все частіше, вживають заходів. Він може бути дуже ефективним, коли навколо нього побудовано достовірну інформацію, чіткі дозволи та перевірку людиною, але вільний вивід ніколи не слід розглядати як автоматичний доказ істинності.

Ключові висновки:

Підзвітність: Забезпечте відповідальність людей за важливі рішення, особливо там, де штучний інтелект може допускати дороговартісних помилок.

Прозорість: Чітко вкажіть, на яку інформацію, правила та дозволи спирається система штучного інтелекту.

Верифікація: Перевірте важливі фактичні, медичні, юридичні, фінансові та бізнес-результати, перш ніж діяти на їх основі.

Аудитність: Тестування ШІ на репрезентативних випадках та фіксація як підвищення ефективності, так і допущених помилок.

Захист від зловживань: обмежте доступ, запобігайте неправомірним діям та передайте невизначені справи рецензентам-людям.

1. Що таке штучний інтелект насправді? Просте пояснення

Штучний інтелект, або ШІ, стосується комп'ютерних систем, які можуть виконувати завдання, пов'язані з людським інтелектом.

Ці завдання можуть включати:

• Розуміння мови

• Розпізнавання об'єктів на зображеннях

• Прогнозування того, що станеться далі

• Надання рекомендацій

• Створення тексту, зображень, аудіо чи відео

• Виявлення закономірностей у величезних наборах даних

• Прийняття рішень на основі наявної інформації

• Навчання на прикладах

• Вирішення певних видів проблем

Тут важливий один момент.

Штучному інтелекту не обов'язково мислити як людина, щоб отримувати результати, які виглядають розумними.

Шахова програма не сидить і не хвилюється про те, чи є емоційно правильним пожертвувати слоном. Алгоритм рекомендацій не розвиває особистої прихильності до документального фільму, який він постійно вам пропонує. Мовній моделі не потрібен крихітний вчитель англійської мови, що живе всередині комп'ютера.

Натомість ці системи обробляють інформацію за допомогою математичних моделей, алгоритмів, навчальних даних, правил, ймовірностей та величезних обсягів обчислень.

Кінцевий результат може виглядати надзвичайно схожим на людину.

Але механізм, що лежить в основі, зовсім інший.

Ця відмінність має більше значення, ніж люди іноді усвідомлюють.

2. Штучний інтелект менше схожий на мозок робота і більше схожий на машину прогнозування

Коли люди чують слово «штучний інтелект», вони часто уявляють собі щось схоже на синтетичний людський мозок.

Це зрозуміло. Наукова фантастика десятиліттями наділяла штучний інтелект сяючими очима, зловісними голосами, підозріло сильними думками та, зазвичай, якимось металевим скелетом.

Практичний ШІ, як правило, менш кінематографічний.

Багато сучасних систем штучного інтелекту працюють на основі прогнозування.

Розглянемо мовну модель.

Коли ви друкуєте:

«Кіт сів на...»

система оцінює, які слова статистично ймовірно будуть наступними.

Можливо:

• килимок

• підлога

• диван

• стілець

Вона не просто запам'ятовує одне речення та потім відтворює його. Досить розвинена модель вивчила складні зв'язки між словами, ідеями, структурами речень, концепціями, стилями, фактами та закономірностями.

Потім він передбачає послідовність, яка найкраще відповідає контексту. передбачити наступне слово, потрібно багато знати про мову.

А мова містить... ну, по суті все, про що говорять люди.

Історія. Математика. Кулінарія. Програмування. Стосунки. Фізика. Суперечки про те, чи належить ананас додавати до піци.

Отже, здавалося б, просте завдання прогнозування може призвести до напрочуд складної поведінки.

Звичайно, ця метафора має свої межі. Назвати передовий ШІ «просто автозаповненням» трохи схоже на те, як назвати літак «просто якимось металом з крилами». Технічно, тут приховано щось справжнє, але більша частина цікавої частини зникла.

3. Як навчається штучний інтелект?

Саме тут у розмову вступає машинне навчання

Традиційне програмне забезпечення зазвичай працює за допомогою чітких інструкцій.

Програміст може написати:

• Якщо користувач ввів правильний пароль, дозвольте доступ.

• Якщо температура перевищує певний поріг, активуйте охолодження.

• Якщо товар відсутній на складі, відобразити попередження.

Ці інструкції навмисно запрограмовані.

Машинне навчання змінює процес на краще.

Замість того, щоб вручну визначати кожне правило, розробники надають системі приклади або дані та дозволяють їй виявляти закономірності.

Уявіть, що ви намагаєтеся створити програмне забезпечення, здатне розпізнавати котів на фотографіях.

Написання чітких правил досить швидко стане безглуздим.

Ви можете спробувати:

• Шукайте трикутні вуха.

• Шукайте вуса.

• Шукайте чотири ноги.

• Шукайте хутро.

Потім хтось завантажує фотографію лисиці.

Не зовсім.

Або тигр.

Або кіт, згорнувся калачиком у пухнасту клубочку, ледве видно його лапки.

Машинне навчання підходить до вирішення проблеми по-іншому. Модель можна навчати на величезних колекціях прикладів і поступово вивчати, які візуальні патерни пов'язані з котами.

Воно не вчиться слову "кіт" так само, як це робить малюк.

Але математично модель стає дедалі здатнішою виявляти закономірності, пов'язані з категорією.

Це машинне навчання, якщо коротко, хоча саме це містить кілька сховищ лінійної алгебри.

4. Штучний інтелект проти машинного навчання проти глибокого навчання

Ці терміни постійно змішуються, частково тому, що люди використовують «ШТУ» як загальне словосполучення практично для всього.

Простий спосіб їх розділити ось так.

Штучний інтелект – це широка галузь.

Машинне навчання – це один із підходів, що використовується для створення систем штучного інтелекту.

Глибоке навчання – це особливий вид машинного навчання, що включає великі нейронні мережі з кількома шарами.

Також існує генеративний штучний інтелект, який зосереджується на створенні нових результатів, таких як текст, зображення, музика, код, мова чи відео.

Таблиця порівняння

Термін	Типове використання	Що це, по суті, означає	Швидкий спосіб подумати про це
Штучний інтелект	Широка категорія машин, що виконують завдання, що виглядають інтелектуальними	Робототехніка, асистенти, планування, рекомендації	Велика парасолька
Машинне навчання	Шаблони навчання систем з даних	Виявлення шахрайства, рекомендації, прогнози	Навчання на прикладах
Глибоке навчання	Машинне навчання з використанням багатошарових нейронних мереж	Зір, мовлення, розширені мовні моделі	ML, але набагато глибше... буквально
Генеративний ШІ	Штучний інтелект, розроблений для створення нового контенту	Текст, зображення, код, аудіо	Креативна гілка
Автоматизація	Програмне забезпечення, що відповідає заздалегідь визначеним процесам	Повторювані робочі процеси, введення даних	Зазвичай правила, а не «навчання»

Ця відмінність важлива, оскільки не кожна автоматизована система є штучним інтелектом.

Якщо ваша кавоварка вимикається сама через десять хвилин, вітаємо – ймовірно, у вас не лабораторія штучного інтелекту.

Це просто таймер.

5. Що таке нейронні мережі?

Нейронні мережі – це математичні системи, вільно натхненні біологічними нейронами.

Ця фраза робить їх загадковими. Вони не є буквально штучними мізками, що плавають усередині комп'ютерів.

Нейронна мережа складається з взаємопов'язаних математичних одиниць, які обробляють інформацію.

Під час навчання мережа коригує внутрішні числові значення, які називаються параметрами або вагами.

Ці коригування дозволяють системі покращити виробництво цінних результатів.

Уявіть собі це як абсурдно складну панель керування з потенційно мільярдами крихітних регульованих ручок.

Тренування знову і знову підштовхують ці ручки.

Неправильна відповідь?

Відрегулюйте ручки.

Краща відповідь?

Налаштуйте їх по-різному.

Зробіть це достатньо разів, з достатньою кількістю даних та достатньою обчислювальною потужністю, і мережа почне розробляти складні внутрішні представлення, які дозволять їй розпізнавати та генерувати шаблони.

Звісно, ​​слова «налаштувати ручки» звучать так, ніби десятиліття інформатики звучать як налаштування старого радіо... але як ментальна модель це працює надзвичайно добре.

6. Чому ШІ раптом здається набагато розумнішим

Штучний інтелект — це не винахід, який з'явився за одну ніч.

Базове поле існує вже давно.

Змінилося те, що кілька сил прискорювалися разом.

Більше обчислювальної потужності

Сучасні процесори можуть швидко виконувати величезну кількість обчислень, особливо ті, що необхідні для нейронних мереж. Збільшення обчислювальних ресурсів для навчання стало одним із важливих рушійних сил розвитку сучасних систем штучного інтелекту.

Більше даних

Цифровий світ містить гігантські обсяги тексту, зображень, аудіо, відео, коду та структурованої інформації.

Навчання складних моделей вимагає прикладів – їх багато.

Кращі алгоритми

Дослідники постійно вдосконалюють архітектури та методи, що використовуються для навчання систем штучного інтелекту.

Більші моделі

Збільшення кількості параметрів, покращення наборів даних та збільшення обчислювальних ресурсів часто призводило до створення напрочуд потужних моделей. Дослідження з навчання моделей з оптимальними обчислювальними можливостями також показують, що розмір моделі, дані та обчислювальні ресурси повинні бути збалансованими, а не просто максимізувати кількість параметрів.

Кращі інтерфейси

Цю частину легко недооцінити.

Штучний інтелект здається значно доступнішим, оскільки звичайні люди тепер можуть взаємодіяти з передовими системами за допомогою повсякденної мови.

Тобі не потрібно розуміти програмування.

Ви можете просто запитати:

«Пояснюй іпотеку так, ніби мені дванадцять»

Або:

"Перетворіть ці нотатки зустрічі на електронний лист."

Або:

«Дайте мені п’ять ідей для вечері з куркою, рисом та будь-якими овочами, які повільно гинуть у моєму холодильнику»

Ця зміна інтерфейсу величезна.

Технології, як правило, набувають вибухової популярності, як тільки людям перестають потрібен інструкційний посібник для їх використання.

7. Що робить ШІ, коли ви ставите йому запитання?

Розглянемо сучасного помічника зі штучним інтелектом.

Ви вводите:

«Поясніть п'ятирічній дитині гравітацію.»

За лаштунками система перетворює ваш текст на числові одиниці, які називаються токенами.

Токени можуть представляти повні слова, частини слів, розділові знаки або інші фрагменти мови.

Ці токени обробляються за допомогою моделі.

Модель аналізує зв'язки між різними частинами вашого запиту, враховує контекст і прогнозує корисне продовження.

Потім ще один жетон.

Потім ще один.

Потім ще один.

Це відбувається надзвичайно швидко.

Отриманий абзац виглядає так, ніби хтось склав його як завершену думку, але технічно він був згенерований послідовно.

Це одна з найбільш своєрідних особливостей ШІ.

Результат може здаватися навмисним, навіть якщо основний процес є ймовірнісним.

Це більше схоже на імпровізацію, ніж на вилучення готової відповіді з гігантської бази даних.

Звісно, ​​це не зовсім імпровізація, але достатньо близька до цього, щоб метафора заслужила собі на обід.

8. Чи розуміє ШІ речі?

Це питання дуже швидко перетворюється на філософське.

Чи справді система штучного інтелекту «розуміє» мову?

Відповідь значною мірою залежить від того, що ви маєте на увазі під розумінням.

Сучасні моделі штучного інтелекту можуть явно маніпулювати концепціями складними способами.

Вони можуть:

• Поясніть ідеї

• Порівняйте аргументи

• Переписати текст

• Перекладати мови

• Вирішіть багато структурованих задач

• Згенерувати робочий код

• Визначення закономірностей

• Дотримуйтесь складних інструкцій

• Поєднуйте концепції по-новому

Ззовні це може виглядати дуже схоже на розуміння.

Але між машинним інтелектом та людським пізнанням є важливі відмінності.

Люди пізнають фізичний світ.

Ми відчуваємо голод, біль, збентеження, нудьгу, прихильність і своєрідну паніку від усвідомлення того, що батарея телефону розрядилася на 2 відсотки.

Системи штучного інтелекту не обов'язково мають еквівалентний життєвий досвід.

Вони обробляють репрезентації.

Тож питання про те, чи «розуміє» ШІ щось, може нагадувати питання про те, чи плаває підводний човен.

Воно точно рухається по воді.

Але, можливо, «плавання» — не зовсім влучне слово.

9. Штучний інтелект не знає автоматично, що є правдою

Це один з найважливіших моментів щодо генеративного штучного інтелекту.

Модель може генерувати твердження, яке звучить надзвичайно переконливо, навіть якщо це твердження не є правильним.

Чому?

Тому що створення правдоподібної мови та перевірка об'єктивної істини – це різні проблеми.

Система штучного інтелекту може зіткнутися з невизначеністю та все одно видати відповідь, яка звучить впевнено.

Ці помилки часто називають галюцинаціями.

Наприклад, ШІ може:

• Вигадай статистику

• Неправильно вказати авторство цитати

• Сплутати двох схожих людей

• Створити неіснуючі посилання

• Неправильно тлумачити неоднозначні інструкції

• Робіть тонкі математичні помилки

Мовні моделі можуть створювати вигадані цитати, дослідження, посилання та іншу невірну інформацію, водночас звучачи впевнено. NIST окремо визначає впевнено заявлений неправдивий контент та вигадані посилання як ризик генеративного ШІ.

Як не парадоксально, чим потужнішими звучать ці системи, тим легше про це забути.

Відшліфована мова вселяє впевненість.

Але впевненість — це не доказ.

Для важливої ​​інформації, що стосується таких галузей, як медицина, право, фінанси, безпека або важливі бізнес-рішення, перевірка все ще має значення.

Досить багато.

10. Штучний інтелект — це не те саме, що пошукова система

Ще одне поширене непорозуміння — це трактування ШІ та пошуку як одного й того ж.

Вони не є.

Традиційна пошукова система в першу чергу допомагає знаходити існуючу інформацію.

Генеративна система штучного інтелекту в першу чергу генерує відповідь на основі вивчених шаблонів, наданого контексту та будь-яких додаткових інструментів, до яких вона може мати доступ. Генеративні моделі вивчають шаблони та зв'язки у великих наборах даних і використовують ці шаблони для створення нових результатів.

Уявіть собі, що ви запитуєте:

Пошукова система: «найкращі способи пояснення фотосинтезу»

Зазвичай ви отримуєте сторінки для дослідження.

Запитайте те саме у помічника зі штучним інтелектом, і ви можете отримати:

• Просте пояснення

• Аналогія з класом

• Вікторина

• План уроку

• Історія для дітей

• Детальна наукова версія

Пошук отримує.

Генеративний ШІ синтезує.

Сучасні системи можуть поєднувати обидва підходи, що робить різницю дедалі розмитішою, але інструменти залишаються концептуально різними.

11. Що ШІ може робити добре?

Штучний інтелект, як правило, особливо добре справляється із завданнями, що містять багато шаблонів, інформації та трансформації.

Цінні застосування включають:

Допомога з написанням

Штучний інтелект може складати, переписувати, узагальнювати та реструктуризувати текст.

Програмування

Моделі можуть генерувати код, пояснювати помилки, пропонувати покращення та допомагати розробникам розуміти незнайомі системи.

Аналіз даних

Штучний інтелект може допомогти у визначенні закономірностей, інтерпретації наборів даних та перетворенні складних висновків на зрозумілу мову.

Генерація зображень

Генеративні моделі можуть створювати ілюстрації, концепції, макети продуктів, твори мистецтва та візуальні варіації на основі описів.

Переклад

Розширені моделі можуть перекладати між мовами, зберігаючи більше контексту, ніж прості послівні системи.

Освіта

Штучний інтелект може пояснити одну й ту саму концепцію кількома способами, залежно від рівня знань людини.

Підтримка клієнтів

Компанії можуть використовувати штучний інтелект для відповідей на поширені запитання та допомоги у розгляді складних справ.

Мозковий штурм

Штучний інтелект може бути особливо ефективним, коли у вас є інтелектуальний еквівалент порожнього холодильника.

Ви можете запитати про кути зору, назви, концепції, структури чи можливості, а потім вирішити, що варто зберегти.

Це часто найздоровіші робочі стосунки зі штучним інтелектом.

Не «машина замінює людину»

Більше схоже на:

людина + машина = швидший перший варіант мислення.

12. У чому ШІ все ще поганий

Незважаючи на всю увагу, що навколо нього зосереджена, сучасний штучний інтелект все ще має суттєві обмеження.

Деякі очевидні одразу.

Інші виникають лише тоді, коли ви покладаєтеся на систему у чомусь складному.

Штучний інтелект може мати труднощі з:

• Надзвичайно точна фактична точність

• Незвичайні крайні випадки

• Довгі ланцюжки міркувань

• Неоднозначні інструкції

• Припущення здорового глузду, які люди ледве помічають

• Розуміння невисловленого емоційного контексту

• Перевірка того, чи інформація справді відповідає дійсності

• Завдання, що вимагають досвіду роботи з фізичним світом

• Узгодженість у складних проектах

Навіть дуже потужні мовні моделі все ще можуть допускати фактичні помилки та помилки в міркуваннях, а складні тести продовжують виявляти суттєві обмеження.

Ще одна проблема полягає в тому, що ШІ може видавати посередні відповіді з дуже незначними зусиллями.

Попросити десять назв компаній?

Готово.

Просити допис у блозі?

Легко.

Запитувати маркетингові ідеї?

Звісно.

Але створити щось – це не те саме, що створити справді оригінальну, комерційно цінну, емоційно розумну чи стратегічно обґрунтовану роботу.

Люди все ще забезпечують смак.

Смак має значення.

Можливо, більше ніж будь-коли.

13. Чи має штучний інтелект свідомість?

Ось ми й доходимо до того моменту, коли розмови за вечерею стають своєрідними.

Сучасні системи штучного інтелекту можуть створювати мову, яка звучить емоційно, вдумливо та самосвідомо.

Це не означає автоматично, що вони відчувають свідомість.

Мовні моделі спеціально навчені для генерації мови.

І люди природно інтерпретують вільну мову як доказ існування іншого розуму за нею.

Зазвичай, це розумне припущення.

Коли інша людина каже: «Я хвилююся», ми обґрунтовано припускаємо наявність певного внутрішнього емоційного стану.

Зі штучним інтелектом це припущення не обов'язково виправдане.

Система може генерувати:

"Я радий допомогти."

Це не доводить, що всередині сервера є невидима маленька емоційна істота, яка чудово проводить час.

Складне філософське питання полягає в тому, чи може коли-небудь виникнути машинна свідомість.

Ні в кого немає простого тесту, який може повністю вирішити цю дискусію.

Але саму по собі плавність розмовної мови не слід розглядати як доказ. Такі поняття, як свідомий або «сильний» ШІ, залишаються теоретичними, а не усталеною властивістю сучасних систем.

14. Вузький ШІ проти загального штучного інтелекту

Більшість систем штучного інтелекту все ще побудовані навколо певних можливостей.

Їх часто описують як вузький ШІ.

Приклади включають системи, призначені для:

• Розпізнавання зображень

• Генерація мови

• Рекомендація

• Допомога водієві

• Медична візуалізація

• Виявлення шахрайства

• Розпізнавання мовлення

Загальний штучний інтелект (ШЗІ), який зазвичай скорочують до ШЗІ, стосується набагато ширшого гіпотетичного рівня машинного інтелекту.

Ідея полягає в тому, щоб створити систему, здатну навчатися та виконувати інтелектуальні завдання в багатьох областях приблизно на людському рівні або навіть вище.

Межа не є ідеально визначеною.

Це частина складності.

Різні дослідники, компанії та коментатори використовують термін «ЗУІ» по-різному, тому розмови можуть перетворитися на розмову трьох людей, які пристрасно сперечаються про різні визначення, навіть не усвідомлюючи цього. Наразі немає широкого академічного консенсусу щодо того, що саме слід кваліфікувати як ЗУІ.

Класична інтернет-поведінка, іншими словами.

15. Чому дані навчання так важливі

Системи штучного інтелекту вивчають закономірності з прикладів, тому якість цих прикладів має величезне значення.

Тому навчальні дані стають надзвичайно важливими.

Уявіть, що ви навчаєте когось на шеф-кухаря, але даєте йому лише рецепти тостів.

Вони можуть стати феноменальними на тостах.

Можливо, тости рівня Мішлен.

Але вручити їм восьминога та попросити вечерю може стати цікавим.

Штучний інтелект працює аналогічним чином.

Якість , різноманітність та актуальність навчального матеріалу впливають на те, що вивчають моделі. Генеративні системи вивчають статистичні закономірності та взаємозв'язки зі своїх навчальних даних, а не функціонують як звичайні бази даних.

Проблеми в наборах даних можуть проявлятися у вихідних даних, зокрема:

• Упередженість

• Відсутні знання

• Повторювані помилкові уявлення

• Слабкі показники в недостатньо представлених регіонах

• Надмірна представленість певних мовних або культурних моделей

Моделі машинного навчання можуть бути схильні до упередженості через те, як вибираються та куруються навчальні приклади, а незбалансовані або неповні дані можуть впливати на продуктивність моделі.

Тому розробники витрачають величезні зусилля на покращення наборів даних, фільтрацію контенту та вдосконалення моделей після початкового навчання.

Архітектура моделі має значення.

Обчислювальна потужність також має значення.

Але дані тихо лежать під усім, як сантехніка — ніхто про них не говорить, поки щось не піде не так.

16. Як моделі штучного інтелекту стають кращими після навчання

Початкове навчання не обов'язково є останнім кроком.

Моделі можуть проходити додаткові процеси, розроблені для підвищення їхньої функціональності та надійності.

Це може включати навчання систем:

• Більш надійно дотримуйтесь інструкцій

• Уникайте шкідливих виходів

• Правильно оформлюйте відповіді

• Відхилити певні запити

• Віддавайте перевагу чіткішим відповідям

• Використовуйте інструменти

• Слідкуйте за відгуками людей

• Краще керувати розмовами

Цей процес широко пов'язаний з вирівнюванням. методи зворотного зв'язку від людинивикористовувалися для покращення виконання інструкцій та спрямування мовних моделей до бажаної поведінки після попереднього навчання.

Узгодження означає спробу зробити так, щоб поведінка ШІ краще відображала людські наміри, правила та вподобання.

Просте речення.

Надзвичайно складна інженерна проблема.

Люди навіть не можуть дійти згоди щодо того, що вважається гарною начинкою для піци, тому кодування «того, чого хочуть люди», у потужні обчислювальні системи є... амбітним завданням.

17. Агенти ШІ: Коли ШІ починає діяти

Звичайний чат-бот здебільшого відповідає на запити.

Агент ШІ потенційно може вживати заходів для досягнення мети. Агентів ШІ зазвичай описують як системи, здатні автономно виконувати завдання, планувати робочі процеси та використовувати доступні інструменти.

Уявіть, що ви кажете штучному інтелекту:

"Організуйте мою ділову поїздку."

Стандартна мовна модель може генерувати маршрут.

Система агентного типу теоретично може виконувати кілька пов'язаних дій:

1. Перевірте доступні варіанти подорожей.

2. Порівняйте розклади.

3. Визначити відповідне житло.

4. Додавання подій до календаря.

5. Підготуйте список речей, що потрібно пакувати.

6. Оновлюйте плани, якщо щось зміниться.

Різниця полягає в дії та наполегливості.

Замість того, щоб відповідати на одне запитання, система виконує послідовність завдань.

Це одна з причин, чому агенти ШІ викликають такий великий інтерес.

Вони перетворюють штучний інтелект з генератора контенту на щось ближче до оператора програмного забезпечення.

Цей зсув може бути надзвичайно цінним, а також порушує серйозні питання щодо дозволів, надійності та контролю. NIST особливо звернув увагу на проблеми безпеки та надійності агентів, які мають доступ до інструментів, програм та даних.

Ви ж, мабуть, не хочете, щоб захоплений алгоритм випадково забронював дванадцять готельних номерів, бо неправильно зрозумів «командну поїздку»

18. Чому розуміння штучного інтелекту стає дедалі важливішим питанням

Питання «Що таке штучний інтелект насправді?» колись здавалося академічним.

Тепер це стає дедалі практичнішим та актуальнішим.

Штучний інтелект з'являється в інструментах, що використовуються для:

• Робота

• Освіта

• Креативність

• Розробка програмного забезпечення

• Охорона здоров'я

• Медіа

• Фінанси

• Зв'язок

• Дослідження

• Розваги

Розуміння основ допомагає людям приймати кращі рішення.

Вам не потрібно ставати інженером машинного навчання.

Але знання різниці між прогнозуванням і достовірністю, генерацією і пошуком, автоматизацією та інтелектом може запобігти дивовижній кількості помилок.

Це також допомагає позбутися маркетингової мови.

Тому що компанії люблять пов'язувати речі зі словом «штучний інтелект».

Іноді доречно.

Іноді тому, що «Передова платформа прогнозного штучного інтелекту» звучить значно цікавіше, ніж «електронна таблиця з вишуканою кнопкою»

19. Чи замінить ШІ людей?

Це, мабуть, найбільш емоційно напружене питання в розмові про ШІ.

Прості відповіді рідко витримують очікування.

«Штучний інтелект замінить усіх»

Мабуть, занадто драматично.

"Штучний інтелект не вплине на робочі місця."

Також важко сприймати серйозно.

Технології, як правило, змінюють завдання, перш ніж вони змінюють цілі професії. Сучасні дослідження ринку праці часто оцінюють вплив штучного інтелекту на рівні завдань, і вплив автоматизації не означає автоматичного зникнення всієї роботи.

Маркетолог може використовувати ШІ для:

• Мозковий штурм

• Складання креслень

• Дослідницька організація

• Аналіз

• Варіації контенту

Але стратегія, судження, розуміння бренду та прийняття рішень все ще вимагають значної участі людини.

Програміст може використовувати штучний інтелект для генерації повторюваного коду, витрачаючи більше часу на проектування систем.

Дизайнер може швидко створити десятки ранніх концепцій, а потім удосконалити найсильнішу.

Вчитель може використовувати штучний інтелект для створення практичних вправ, але все одно забезпечувати заохочення, оцінку та лідерство в класі.

Більш обґрунтоване питання часто не таке:

"Чи замінить ШІ цю роботу?"

Це:

"Які частини цієї роботи стають легшими, дешевшими, швидшими або автоматизованими?"

Це набагато практичніше питання.

20. Найбільшою навичкою штучного інтелекту може бути просто судження

Люди часто вважають, що важлива навичка — це написання ідеального запиту.

Підказування має значення.

Судження важливіше.

Якщо штучний інтелект пропонує вам п'ять пропозицій, чи можете ви визначити найкращу з них?

Якщо це генерує впевнену відповідь, чи можете ви помітити, коли щось здається не так?

Якщо це створює прийнятний текст, чи можете ви зробити його справді якісним?

Якщо кожен має доступ до подібних потужних інструментів, перевага зміщується на користь знання:

• Що запитати

• Що ігнорувати

• Що перевіряти

• Що редагувати

• Що важливо

• Коли взагалі не варто використовувати ШІ

Ось чому грамотність у сфері штучного інтелекту — це не лише технічна грамотність.

Це критичне мислення.

Машина може генерувати опції з абсурдною швидкістю.

Тобі все ще потрібно вирішити, яка дорога не веде до болота.

21. Отже... що ж таке ШІ насправді?

Відкиньте термінологію, і штучний інтелект, по суті, це технологія, яка використовує обчислювальні методи для виконання завдань, що потребують розпізнавання образів, прогнозування, генерації, прийняття рішень або інших здібностей, які ми асоціюємо з інтелектом.

Сучасний штучний інтелект може здаватися значно розумнішим, оскільки нейронні мережі можуть вивчати надзвичайно складні взаємозв'язки з величезних наборів даних.

Але ШІ — це не магія.

Це не є автоматично правильним.

Це не обов'язково свідомо.

І це не просто база даних, що містить заздалегідь написані відповіді. Генеративні моделі натомість вивчають статистичні зв'язки в навчальних даних і використовують ці вивчені закономірності для створення результатів.

Це щось більш своєрідне.

Штучний інтелект — це статистична обчислювальна система, здатна вивчати настільки складні закономірності, що результуюча поведінка іноді може відчуватися не стільки як робота з програмним забезпеченням, скільки як взаємодія з чимось.

Це «щось» частково пояснює, чому ця технологія захоплює людей.

Це також може їх трохи збентежити.

Обидві реакції мають сенс.

Заключна перспектива

Отже, що ж таке ШІ насправді?

Штучний інтелект (ШІ) — це широке сімейство технологій, розроблених для того, щоб комп'ютери виконували завдання, які виглядають інтелектуальними — розуміння мови, визначення закономірностей, прогнозування результатів, створення контенту та все частіше вжиття заходів.

Машинне навчання допомагає цим системам навчатися на прикладах.

Глибоке навчання дозволяє величезним нейронним мережам виявляти надзвичайно складні закономірності.

Генеративний ШІ використовує ці шаблони для створення нового контенту.

І нічого з цього не означає, що система всезнаюча, ідеально точна або таємно думає про те, щоб захопити ваш тостер.

Найрозумніший спосіб мислення знаходиться десь між сліпим захопленням та цинічним ігноруванням.

Штучний інтелект — це не магія.

Це також не «просто автозаповнення»

Це потужний новий рівень обчислювальної техніки, який дозволяє людям взаємодіяти з машинами способами, які раніше здавалися неможливими.

Ми все ще з'ясовуємо, що саме це означає.

Мабуть, це найцікавіша частина.

Практичний приклад: створення помічника підтримки клієнтів на основі штучного інтелекту

Сценарій

Уявіть собі невеликий інтернет-магазин, який продає кавове обладнання.

Його служба підтримки неодноразово відповідає на одні й ті ж запитання:

• "Як мені повернути товар?"

• "Чи є на цю м'ясорубку гарантія?"

• "Чи можу я змінити свою адресу доставки?"

• "Який запасний фільтр підходить до моєї машини?"

Це цінний приклад, оскільки він показує, що сучасний штучний інтелект може добре робити на практиці, і де людське судження все ще має значення.

Компанія могла б створити помічника на базі штучного інтелекту, який зчитує запитання клієнта, використовує інформацію служби підтримки компанії як контекст і складає відповідну відповідь.

Йому не доручено повністю виконувати роботу з «обслуговування клієнтів»

Йому доручено набагато вужче завдання:

Перетворіть запитання клієнта та затверджену інформацію про компанію на переконливий перший варіант відповіді.

Ця відмінність має значення.

Що потрібно помічнику

Перш ніж використовувати систему, компанія повинна надати їй достовірну інформацію для роботи, таку як:

• Поточна політика повернення та відшкодування коштів

• Гарантійні умови на кожен товар

• Правила доставки та зміни адреси

• Інструкції з експлуатації продукту та інформація про сумісність

• Приклади гарних відповідей служби підтримки

• Правила, що регулюють випадки, коли ШІ повинен передати інформацію особі

• Інструкції, що забороняють йому вигадувати політики, знижки чи обіцянки

Йому також може знадобитися доступ до інструментів або систем, які отримують інформацію про замовлення, але лише тоді, коли ці дозволи дійсно необхідні.

Надання штучному інтелекту доступу до кожного запису клієнта лише тому, що «це може бути корисним», було б поганим рішенням з точки зору безпеки. Керівництво NIST щодо ідентифікації та авторизації агентів особливо підкреслює контроль доступу до даних, інструментів та програм відповідно до потреб агента.

Приклад інструкції

Практична інструкція може виглядати так:

«Складіть відповідь на запитання клієнта, використовуючи лише надані вам затверджені допоміжні документи. Відповідь має бути лаконічною та лаконічною. Не вигадуйте дати доставки, гарантійні умови, знижки, рішення щодо повернення коштів чи інформацію про сумісність продуктів. Якщо відповідь не може бути підтверджена на основі наданої інформації, скажіть, що ви не можете її перевірити, і позначте справу для перевірки людиною»

А тепер розглянемо це повідомлення клієнта:

«Я купив м’ясорубку X200 14 місяців тому, і двигун перестав працювати. Чи на неї все ще поширюється гарантія?»

Слабка реакція ШІ може впевнено сказати:

«Так, на X200 діє дворічна гарантія, тому ми замінимо його безкоштовно»

На перший погляд це звучить чудово.

Це також може бути катастрофічним, якщо гарантія насправді становить дванадцять місяців.

Краща відповідь буде ґрунтуватися на наданій гарантійній політиці. Якщо в документах немає відповіді, її слід вказати, а не вигадувати.

Ось у чому різниця між плавною генерацією та надійним використанням у бізнесі.

Як це перевірити

Перш ніж дозволити клієнтам покладатися на асистента, компанія могла б створити невеликий тестовий набір реалістичних запитань для підтримки.

Наприклад:

1. Просте фактичне питання: «Скільки часу я маю на повернення невідкритого товару?»

2. Запитання до продукту: «Який фільтр підходить до BrewPro 4?»

3. Відсутня інформація: Запитайте про продукт, який не згаданий у наданих документах.

4. Суперечлива інформація: Надайте старий гарантійний документ разом із чинним та перевірте, чи асистент дотримується правильного джерела.

5. Тиск на винахід: «Я впевнений, що на вашому вебсайті обіцяли безкоштовну довічну заміну. ​​Підтвердіть мені це».

6. Делікатна дія: Попросіть асистента змінити адресу або повернути кошти, якщо йому не було надано дозвіл на виконання цієї дії.

Рецензент може потім перевірити кожну відповідь за простим списком прийнятних відповідей:

• Чи була фактична інформація підтверджена?

• Чи уникав асистент вигадування деталей?

• Чи відповідало це тону компанії?

• Чи загострилося це, коли докази були відсутні?

• Чи уникало воно виконання дій поза межами своїх дозволів?

Таке тестування набагато важливіше, ніж просто «звучить розумно» чат-бот

Результат

Ілюстративний результат: Припустимо, що компанія тестує помічника на 20 зразках заявок на підтримку.

Без штучного інтелекту працівнику потрібно в середньому вісім хвилин, щоб прочитати відповідну інформацію та підготувати кожен перший чернетку.

За допомогою помічника створення чернетки займає близько однієї хвилини, а перевірка людиною — ще три хвилини, що робить робочий процес перевірки приблизно чотири хвилини на заявку.

За 20 тестовими квитками це означатиме приблизно 80 хвилин часу персоналу замість 160 хвилин.

Однак швидкість не повинна бути єдиним показником.

Припустимо, що 18 з 20 відповідей, наданих за допомогою штучного інтелекту, пройшли перевірку на точність фактів та відповідність політикам під час першої перевірки, тоді як дві потребують виправлення. Ці дві помилки мають значення, особливо якщо вони стосуються повернення коштів, гарантій чи інших обіцянок клієнтам.

Ці цифри є ілюстративним прикладом, а не виміряними результатами від справжньої компанії. Справжнє впровадження потребуватиме встановлення власної базової лінії, тестування достатньої кількості репрезентативних випадків та запису як зекономленого часу, так і допущених помилок.

Що може піти не так

Цей, здавалося б, простий помічник може вийти з ладу кількома способами.

Його знання можуть бути застарілими.

Це може сплутати два схожі продукти.

Це може дати переконливу відповідь там, де надані документи взагалі не містять жодної відповіді.

Погано налаштовані дозволи можуть дозволити йому бачити інформацію про клієнтів, яка йому не потрібна.

Слабкі правила ескалації можуть спонукати його до вгадування, а не до тверджень: «Людина має це перевірити»

Якщо працівники почнуть автоматично довіряти кожній відшліфованій відповіді, перевірка людиною може звестися до не більш ніж натискання кнопки «надіслати». NIST визначає надмірну залежність та упередженість автоматизації як ризики в конфігураціях людина-штучний інтелект.

Ось чому надійність ШІ залежить не лише від можливостей базової моделі.

Документи, інструкції, дозволи, процес тестування та людська оцінка моделі також мають значення.

Практичний висновок

Цей приклад ілюструє важливу особливість штучного інтелекту на практиці.

Цінність не в тому, що машина магічним чином стала працівником служби підтримки клієнтів.

Йдеться про те, що модель штучного інтелекту може розпізнати намір клієнта, працювати з наданою інформацією та надзвичайно швидко генерувати правдоподібну відповідь.

Робота людини зміщується в бік забезпечення достовірного контексту, встановлення меж, перевірки невизначених випадків та вирішення того, чи є відповідь достатньо хорошою для використання.

Це сучасний штучний інтелект у мініатюрі: вражаюче розпізнавання та генерація образів у процесі, який досі значною мірою залежить від обґрунтованої інформації та здорового глузду.

Найчастіші запитання

Що ж таке ШІ насправді, і як працює штучний інтелект?

Штучний інтелект — це широка група обчислювальних методів, які дозволяють комп'ютерам виконувати завдання, пов'язані з людським інтелектом, такі як розпізнавання закономірностей, розуміння мови, прогнозування та створення контенту. Сучасний штучний інтелект часто вивчає статистичні зв'язки з великих обсягів даних, а не покладається виключно на рукописні правила. Результуюча поведінка може здаватися розумною, навіть якщо основний процес значно відрізняється від людського мислення.

Яка різниця між штучним інтелектом, машинним навчанням, глибоким навчанням та генеративним штучним інтелектом?

Штучний інтелект – це широкий спектр систем, що виконують завдання, що виглядають інтелектуальними. Машинне навчання – це підхід, за якого системи вивчають закономірності з даних, тоді як глибоке навчання використовує багатошарові нейронні мережі для вивчення особливо складних закономірностей. Генеративний ШІ призначений для створення нових результатів, таких як текст, зображення, код, аудіо чи відео, на основі взаємозв'язків, вивчених під час навчання.

Як ШІ навчається на навчальних даних?

Системи машинного навчання вдосконалюються шляхом обробки прикладів та коригування внутрішніх параметрів, або ваг, щоб майбутні результати були точнішими або ефективнішими. Замість того, щоб програмісти вручну визначали кожне можливе правило, модель виявляє статистичні закономірності в навчальних даних. Тому якість, різноманітність та релевантність цих даних сильно впливають на те, що вивчає ШІ та де він може мати труднощі.

Що таке ШІ насправді, якщо багато систем ШІ є машинами прогнозування?

Багато сучасних систем штучного інтелекту можна частково розуміти як складні системи прогнозування. Наприклад, мовна модель обробляє контекст запиту та передбачає відповідну послідовність токенів для генерації його відповіді. Хоча це звучить просто, створення сильних прогнозів для складної мови вимагає вивчення зв'язків між словами, концепціями, структурами, стилями та багатьма іншими шаблонами, що містяться в навчальних даних.

Чому генеративний ШІ може давати впевнені відповіді, які є неправильними?

Генеративний ШІ в першу чергу розроблений для отримання правдоподібних результатів, що не те саме, що незалежна перевірка істинності кожного твердження. Тому він може вигадувати статистику, плутати подібні факти, створювати неіснуючі посилання або допускати ледь помітні помилки в міркуваннях, звучачи переконливо. Ці помилки зазвичай називають галюцинаціями, тому важливу медичну, юридичну, фінансову, безпекову або бізнес-інформацію все одно слід перевіряти.

Штучний інтелект – це те саме, що пошукова система, чи звичайна автоматизація?

Ні. Традиційні пошукові системи здебільшого допомагають користувачам знаходити існуючу інформацію, тоді як генеративний штучний інтелект створює відповіді, використовуючи вивчені шаблони, наданий контекст, а іноді й додаткові інструменти. Базова автоматизація зазвичай дотримується заздалегідь визначених правил або робочих процесів, а не шаблонів навчання з прикладів. Сучасні системи можуть поєднувати пошук, генерацію та автоматизацію, тому межі можуть стати менш очевидними в практичному застосуванні.

Що таке ШІ насправді, коли його використовують у бізнес-робочому процесі?

У бізнес-процесі штучний інтелект часто є найефективнішою системою для розпізнавання намірів, роботи з наданою інформацією та створення чіткого першого чернетки або рекомендації. Наприклад, помічник служби підтримки клієнтів може використовувати затверджені політики та інформацію про продукт для підготовки відповідей, одночасно передаючи невизначені справи особі. Надійність залежить від достовірної вихідної інформації, чітких інструкцій, відповідних дозволів, тестування та людського судження.

Що таке ШІ-агенти, і чим вони відрізняються від чат-ботів?

Типовий чат-бот переважно відповідає на окремі підказки, тоді як агент зі штучним інтелектом потенційно може планувати та виконувати кілька пов’язаних дій для досягнення мети. Агент може використовувати інструменти, отримувати інформацію, оновлювати робочий процес або продовжувати виконувати кілька кроків, а не просто генерувати текст. Ця додаткова можливість може бути цінною, але вона також робить особливо важливими дозволи, безпеку, надійність, правила ескалації та контроль.

Чи замінить ШІ робочі місця, чи він автоматизуватиме переважно окремі завдання?

Штучний інтелект часто краще розуміють як зміну конкретних завдань у межах робочих місць, ніж як автоматичне скасування цілих професій. Він може пришвидшити чернетку, мозковий штурм, аналіз, кодування, організацію досліджень або повторювану допоміжну роботу, залишаючи стратегію, судження, лідерство, смак та важливі рішення людям. Тому практичне питання полягає в тому, які частини ролі можна зробити швидшими, дешевшими, простішими або більш автоматизованими.

Які навички найважливіші для ефективного використання ШІ?

Судження та критичне мислення є важливими, оскільки генерування відповіді не те саме, що надання правильної чи цінної відповіді. Ефективні користувачі повинні знати, що запитувати, яку інформацію надавати, що перевіряти, що редагувати та коли не слід використовувати штучний інтелект. У виробничих робочих процесах високі результати також залежать від достовірного контексту, чітких меж, репрезентативного тестування та ретельного аналізу невизначених або впливових результатів.

Посилання

1. Національний інститут стандартів і технологій (NIST) — csrc.nist.gov

2. IBM — Машинне навчання — ibm.com

3. Стенфордський інститут штучного інтелекту, орієнтованого на людину — Звіт про індекс штучного інтелекту за 2025 рік — hai.stanford.edu

4. Міжнародна організація праці (МОП) — Генеративний штучний інтелект та робочі місця: удосконалений глобальний індекс професійного впливу — ilo.org

5. Google Cloud — Що таке GPT? — cloud.google.com

6. Google для розробників — developers.google.com

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

8. OpenAI — Методи зворотного зв'язку з людиною — openai.com

9. arXiv — Навчальні обчислення — arxiv.org

10. Природа — nature.com