VIPhost IT Administratorius
Bendrai
Dirbtinis intelektas (DI) yra technologija, leidžianti kompiuteriams ir mašinoms imituoti žmogaus mokymąsi, supratimą, problemų sprendimą, sprendimų priėmimą, kūrybiškumą ir savarankiškumą.
Programos ir įrenginiai, kuriuose yra dirbtinis intelektas, gali matyti ir identifikuoti objektus. Jie gali suprasti žmonių kalbą ir į ją reaguoti. Jie gali mokytis iš naujos informacijos ir patirties. Jie gali pateikti išsamias rekomendacijas vartotojams ir ekspertams. Jie gali veikti savarankiškai, pakeisdami žmogaus intelekto ar įsikišimo poreikį (klasikinis pavyzdys yra savarankiškai važiuojantis automobilis).
Tačiau 2024 m. dauguma DI tyrinėtojų ir praktikų – ir dauguma su DI susijusių antraščių – sutelkia dėmesį į generatyvaus DI (gen DI) – technologijos, kuri gali sukurti originalų tekstą, vaizdus, vaizdo įrašus ir kitą turinį, proveržį. Norint visapusiškai suprasti generuojamąjį DI, pirmiausia svarbu suprasti technologijas, kuriomis remiantis sukurti generatyvieji DI įrankiai: mašininį mokymąsi (MM) ir gilųjį mokymąsi .
Mašininis mokymasis
Paprastas būdas suprasti daugiau apie dirbtinį intelektą yra įterptinių arba išvestinių sąvokų, atsiradusių per daugiau nei 70 metų, serija:
Kaip susiję dirbtinis intelektas, mašininis mokymasis, gilus mokymasis ir generatyvus DI.
Tiesiogiai po dirbtiniu intelektu turime mašininį mokymąsi, kuris apima modelių kūrimą mokant algoritmą, kad būtų galima prognozuoti ar priimti sprendimus remiantis duomenimis. Jis apima platų metodų spektrą, leidžiantį kompiuteriams mokytis iš duomenų ir daryti išvadas, pagrįstus duomenimis, nebūdami specialiai užprogramuoti konkrečioms užduotims atlikti.
Yra daugybė mašininio mokymosi metodų ar algoritmų tipų, įskaitant tiesinę regresiją, loginę regresiją, sprendimų medžius, atsitiktinius miškus, paramos vektorių mašinas (PVM), K-artimiausią kaimyną (KAN), grupavimą ir kt. Kiekvienas iš šių metodų tinka įvairioms problemoms spręsti ir skirtingiems duomenų tipams.
Tačiau vienas iš populiariausių mašininio mokymosi algoritmų tipų vadinamas neuroniniu tinklu (arba dirbtiniu neuroniniu tinklu). Neuroniniai tinklai modeliuojami pagal žmogaus smegenų struktūrą ir funkcijas. Neuroninį tinklą sudaro tarpusavyje sujungti mazgų sluoksniai (analogiški neuronams), kurie kartu apdoroja ir analizuoja sudėtingus duomenis. Neuroniniai tinklai puikiai tinka užduotims, kurios apima sudėtingų modelių ir ryšių nustatymą dideliame duomenų kiekyje.
Paprasčiausia mašininio mokymosi forma vadinama prižiūrimu mokymusi, kuri apima pažymėtų duomenų rinkinių naudojimą, kad būtų mokomi algoritmai, skirti tiksliai klasifikuoti duomenis arba numatyti rezultatus. Prižiūrimo mokymosi metu žmonės kiekvieną mokymo pavyzdį susieja su išvesties etikete. Tikslas yra, kad modelis išmoktų susieti įvesties ir išvesties treniruočių duomenis, kad būtų galima numatyti naujų, nematytų duomenų etiketes.
Gilus mokymasis
Gilus mokymasis yra mašininio mokymosi pogrupis, kuriame naudojami daugiasluoksniai neuroniniai tinklai, vadinami giliaisiais neuroniniais tinklais, kurie tiksliau imituoja sudėtingą žmogaus smegenų sprendimų priėmimo galią.
Gilieji neuroniniai tinklai apima įvesties sluoksnį, mažiausiai tris, bet dažniausiai šimtus paslėptų sluoksnių, ir išvesties sluoksnį, skirtingai nei neuroniniai tinklai, naudojami klasikiniuose mašininio mokymosi modeliuose, kurie paprastai turi tik vieną ar du paslėptus sluoksnius.
Šie keli sluoksniai įgalina neprižiūrimą mokymąsi : jie gali automatizuoti funkcijų išgavimą iš didelių, nepažymėtų ir nestruktūrizuotų duomenų rinkinių ir numatyti, ką reiškia duomenys.
Kadangi gilus mokymasis nereikalauja žmogaus įsikišimo, jis įgalina mašininį mokymąsi didžiuliu mastu. Jis puikiai tinka natūralios kalbos apdorojimui (NLP) , kompiuteriniam regėjimui ir kitoms užduotims, kurios apima greitą ir tikslų sudėtingų modelių ir ryšių atpažinimą dideliame duomenų kiekyje. Tam tikra gilaus mokymosi forma suteikia daugumą dirbtinio intelekto (AI) programų mūsų gyvenime šiandien.
Gilus neuroninis tinklas
Giliajame neuroniniame tinkle keli mazgų sluoksniai gali išgauti reikšmes ir ryšius iš didelių kiekių nestruktūrizuotų, nepažymėtų duomenų.
Gilusis mokymasis taip pat įgalina:
- Pusiau prižiūrimą mokymąsi , kuris apjungia prižiūrimą ir neprižiūrimą mokymąsi, naudojant tiek paženklintus, tiek nepažymėtus duomenis, siekiant apmokyti dirbtinio intelekto modelius klasifikavimo ir regresijos užduotims atlikti.
- Savarankiškai prižiūrimą mokymąsi, kuris generuoja netiesiogines reikšmes iš nestruktūrizuotų duomenų, o ne remiasi paženklintais duomenų rinkiniais.
- Pastiprintą mokymąsi, kai mokomasi bandymų ir klaidų metodu, o ne išgaunant informaciją iš paslėptų modelių.
- Mokymąsi perkeliant duomenis, kai atliekant vieną užduotį ar duomenų rinkinį įgytos žinios panaudojamos modelio našumui pagerinti atliekant kitą susijusią užduotį ar kitą duomenų rinkinį.
Generatyvusis dirbtinis intelektas
Generatyvusis dirbtinis intelektas, kartais vadinamas „bendruoju dirbtiniu intelektu“, reiškia gilaus mokymosi modelius, kurie gali sukurti sudėtingą originalų turinį, pvz., ilgos formos tekstą, aukštos kokybės vaizdus, tikroviškus vaizdo ar garso įrašus ir kt., reaguodami į vartotojo raginimą ar prašymą.
Aukštu lygiu generatyviniai modeliai koduoja supaprastintą savo mokymo duomenų atvaizdavimą ir tada, remdamiesi tuo atvaizdavimu, sukuria naują darbą, panašų, bet ne identišką pradiniams duomenims.
Generatyviniai modeliai statistikoje buvo naudojami jau daugelį metų skaitmeniniams duomenims analizuoti. Tačiau per pastarąjį dešimtmetį jie vystėsi, kad galėtų analizuoti ir generuoti sudėtingesnius duomenų tipus. Ši evoliucija sutapo su trijų sudėtingų gilaus mokymosi modelių tipų atsiradimu:
- Variaciniai autoenkoderiai arba VAE, kurie buvo pristatyti 2013 m., leido modelius, kurie galėjo generuoti kelis turinio variantus, reaguodami į raginimą ar instrukciją.
- Difuzijos modeliai, pirmą kartą pastebėti 2014 m., kurie prideda „triukšmo“ prie vaizdų, kol jie tampa neatpažįstami, o tada pašalina triukšmą, kad sugeneruotų originalius vaizdus, reaguodami į raginimus.
- Transformatoriai (dar vadinami transformatorių modeliais), kurie yra apmokomi pagal nuoseklius duomenis, kad generuotų išplėstines turinio sekas (pvz., žodžius sakiniuose, formas paveikslėlyje, vaizdo įrašo kadrus arba komandas programinės įrangos kode). Transformatoriai yra daugelio šiandienos antraštes kuriančių generatyvinių dirbtinio intelekto įrankių, įskaitant „ChatGPT“ ir „GPT-4“, „Copilot“, „BERT“, „Bard“ ir „Midjourney“, pagrindas.
Kaip veikia generatyvusis dirbtinis intelektas
Apskritai generatyvinis dirbtinis intelektas veikia trimis etapais:
1. Mokymai, skirti sukurti pagrindinį modelį.
2. Derinimas, siekiant pritaikyti modelį konkrečiai paskirčiai.
3. Generavimas, vertinimas ir tolesnis derinimas, siekiant pagerinti tikslumą.
Mokymai
Generatyvusis dirbtinis intelektas prasideda nuo „pagrindinio modelio“ – gilaus mokymosi modelio, kuris yra daugelio skirtingų generatyvinio dirbtinio intelekto programų pagrindas.
Šiandien labiausiai paplitę pamatiniai modeliai yra dideli kalbos modeliai (LLM) , sukurti teksto generavimo programoms. Tačiau taip pat yra pamatiniai modeliai vaizdams, vaizdo įrašams, garsui ar muzikai generuoti ir multimodaliniai pamatiniai modeliai, palaikantys kelių rūšių turinį.
Norėdami sukurti pagrindinį modelį, specialistai apmoko gilaus mokymosi algoritmą su didžiuliais atitinkamų neapdorotų, nestruktūrizuotų, nepažymėtų duomenų kiekiais (terabaitais ar petabaitais) - teksto, vaizdų ar vaizdo įrašų iš interneto. Mokymo metu sukuriamas milijardų parametrų neuroninis tinklas, užkoduotas duomenų subjektų, modelių ir ryšių atvaizdavimu, kuris gali automatiškai generuoti turinį reaguodamas į raginimus. Tai yra pagrindinis modelis.
Šis mokymo procesas reikalauja daug skaičiavimo išteklių, daug laiko ir yra brangus. Tam reikia tūkstančių klasterinių grafikos procesorių (GPU) ir savaičių apdorojimo, o visa tai paprastai kainuoja milijonus dolerių. Atvirojo kodo pagrindinių modelių projektai, tokie kaip „Meta“ „Llama-2“, leidžia dirbtinio intelekto kūrėjams išvengti šio žingsnio ir su juo susijusių išlaidų.
Tuningas
Toliau modelis turi būti pritaikytas konkrečiai turinio generavimo užduočiai. Tai galima padaryti įvairiais būdais, įskaitant:
- Tikslinimas, apimantis modelio programos specifinių žymėtų duomenų, klausimų ar raginimų, kuriuos programa greičiausiai gaus, ir atitinkamų teisingų atsakymų pateikimą norimu formatu.
- Pastiprinamasis mokymasis naudojant žmonių grįžtamąjį ryšį (RLHF), kai žmonės įvertina modelio rezultatų tikslumą ar aktualumą, kad modelis galėtų pats save tobulinti. Tai gali būti taip paprasta, kaip paprašyti žmonių įvesti arba atsakyti į pataisymus pokalbių robotui ar virtualiam asistentui.
Generavimas, vertinimas ir tolesnis derinimas
Kūrėjai ir naudotojai reguliariai vertina savo generatyvinių dirbtinio intelekto programų rezultatus ir netgi kartą per savaitę tobulina modelį, siekdami didesnio tikslumo ar aktualumo. Tuo tarpu pats bazinis modelis atnaujinamas daug rečiau, galbūt kas metus ar 18 mėnesių.
Kita dirbtinio intelekto programos našumo gerinimo galimybė yra papildytos generacijos paieškos (RAG) metodas, skirtas išplėsti pagrindinį modelį, kad būtų galima naudoti atitinkamus šaltinius už mokymo duomenų ribų, siekiant patikslinti parametrus, kad būtų didesnis tikslumas ar aktualumas.
Dirbtinio intelekto agentai ir Agentinis dirbtinis intelektas
Dirbtinio intelekto agentas yra autonominė dirbtinio intelekto programa, galinti atlikti užduotis ir pasiekti tikslus vartotojo ar kitos sistemos vardu be žmogaus įsikišimo, kurdama savo darbo eigą ir naudodama turimus įrankius (kitas programas ar paslaugas).
Agentinis DI yra kelių DI agentų sistema, kurių pastangos yra koordinuojamos arba organizuojamos, siekiant atlikti sudėtingesnę užduotį ar didesnį tikslą, nei galėtų atlikti bet kuris vienas sistemos agentas.
Skirtingai nuo pokalbių robotų ir kitų dirbtinio intelekto modelių, kurie veikia pagal iš anksto nustatytus apribojimus ir reikalauja žmogaus įsikišimo, dirbtinio intelekto agentai ir agentinis dirbtinis intelektas pasižymi autonomija, tikslo siekiančiu elgesiu ir prisitaikymu prie kintančių aplinkybių. Terminai „agentas“ ir „agentiškas“ reiškia šių modelių veiksnumą arba jų gebėjimą veikti savarankiškai ir tikslingai.
Vienas iš būdų įsivaizduoti agentus – tai natūralus kitas žingsnis po generatyvinio dirbtinio intelekto (DI). Gen DI modeliai sutelkti dėmesį į turinio kūrimą remiantis išmoktais modeliais; agentai naudoja tą turinį bendraudami tarpusavyje ir naudodami kitus įrankius, kad priimtų sprendimus, spręstų problemas ir atliktų užduotis. Pavyzdžiui, generatyvinio dirbtinio intelekto programėlė gali pasakyti jums geriausią laiką kopti į Everestą, atsižvelgiant į jūsų darbo grafiką, tačiau agentas gali jums tai pasakyti ir tada, pasinaudodamas internetine kelionių paslauga, užsisakyti jums geriausią skrydį ir rezervuoti kambarį patogiausiame viešbutyje Nepale.
Dirbtinio intelekto privalumai
Dirbtinis intelektas siūlo daug privalumų įvairiuose pramonės sektoriuose ir taikymo srityse. Kai kurie iš dažniausiai minimų privalumų:
- Pasikartojančių užduočių automatizavimas.
-
Daugiau ir greitesnių įžvalgų iš duomenų.
-
Patobulintas sprendimų priėmimas.
- Mažiau žmogiškų klaidų.
- Prieinamumas visą parą.
- Sumažinta fizinė rizika.
Pasikartojančių užduočių automatizavimas
Dirbtinis intelektas gali automatizuoti įprastas, pasikartojančias ir dažnai nuobodžias užduotis, įskaitant skaitmenines užduotis, tokias kaip duomenų rinkimas, įvedimas ir išankstinis apdorojimas, ir fizines užduotis, tokias kaip sandėlio prekių surinkimas ir gamybos procesai. Ši automatizacija leidžia dirbti su didesnės vertės, kūrybiškesniu darbu.
Patobulintas sprendimų priėmimas
Nesvarbu, ar dirbtinis intelektas naudojamas sprendimų priėmimui, ar visiškai automatizuotam sprendimų priėmimui, jis leidžia greičiau ir tiksliau prognozuoti bei priimti patikimus, duomenimis pagrįstus sprendimus. Kartu su automatizavimu dirbtinis intelektas leidžia įmonėms pasinaudoti galimybėmis ir reaguoti į krizes joms iškylant, realiuoju laiku ir be žmogaus įsikišimo.
Mažiau žmogiškų klaidų
Dirbtinis intelektas gali sumažinti žmogiškųjų klaidų skaičių įvairiais būdais – nuo žmonių nukreipimo tinkamais proceso etapais iki galimų klaidų žymėjimo prieš joms įvykstant ir visiško procesų automatizavimo be žmogaus įsikišimo. Tai ypač svarbu tokiose pramonės šakose kaip sveikatos apsauga, kur, pavyzdžiui, dirbtinio intelekto valdoma chirurginė robotika užtikrina nuoseklų tikslumą.
Mašininio mokymosi algoritmai gali nuolat gerinti savo tikslumą ir dar labiau sumažinti klaidas, kai jie susiduria su daugiau duomenų ir „mokosi“ iš patirties.
Visą parą pasiekiamumas ir nuoseklumas
Dirbtinis intelektas visada įjungtas, pasiekiamas visą parą ir kaskart užtikrina nuoseklų našumą. Tokios priemonės kaip dirbtinio intelekto pokalbių robotai ar virtualūs asistentai gali sumažinti klientų aptarnavimo ar palaikymo personalo poreikius. Kitose srityse, tokiose kaip medžiagų apdirbimas ar gamybos linijos, dirbtinis intelektas gali padėti išlaikyti nuoseklų darbo kokybę ir našumo lygį, kai naudojamas atliekant pasikartojančias ar nuobodžias užduotis.
Sumažinta fizinė rizika
Automatizuodamas pavojingus darbus, tokius kaip gyvūnų kontrolė, sprogmenų tvarkymas, užduočių atlikimas giliuose vandenynuose, dideliame aukštyje ar kosmose, dirbtinis intelektas gali panaikinti poreikį kelti pavojų žmonėms darbuotojams susižeisti ar patirti dar blogesnių padarinių. Nors jie dar nėra tobuli, autonominiai automobiliai ir kitos transporto priemonės suteikia potencialo sumažinti keleivių sužalojimo riziką.
Dirbtinio intelekto naudojimo atvejai
Dirbtinio intelekto pritaikymo realiame pasaulyje yra daug. Pateikiame tik nedidelį pavyzdžių iš įvairių pramonės šakų, iliustruojančių jo potencialą:
Klientų patirtis, aptarnavimas ir palaikymas
Įmonės gali įdiegti dirbtinio intelekto valdomus pokalbių robotus ir virtualius asistentus, kad jie tvarkytų klientų užklausas, pagalbos užklausas ir kt. Šie įrankiai naudoja natūralios kalbos apdorojimo (NLP) ir generatyvinio dirbtinio intelekto galimybes, kad suprastų ir atsakytų į klientų klausimus apie užsakymo būseną, produkto informaciją ir grąžinimo politiką.
Pokalbių robotai ir virtualūs asistentai suteikia nuolatinę pagalbą, greičiau atsako į dažniausiai užduodamus klausimus (DUK), atlaisvina žmones, kad jie galėtų sutelkti dėmesį į aukštesnio lygio užduotis, ir teikia klientams greitesnį, nuoseklesnį aptarnavimą.
Sukčiavimo aptikimas
Mašininio mokymosi ir gilaus mokymosi algoritmai gali analizuoti operacijų modelius ir pažymėti anomalijas, pvz., neįprastas išlaidas ar prisijungimo vietas, kurios rodo nesąžiningas operacijas. Tai leidžia organizacijoms greičiau reaguoti į galimą sukčiavimą ir apriboti jo poveikį, suteikiant joms ir klientams daugiau ramybės.
Suasmeninta rinkodara
Mažmenininkai, bankai ir kitos su klientais bendraujančios įmonės gali naudoti dirbtinį intelektą, kad sukurtų suasmenintą klientų patirtį ir rinkodaros kampanijas, kurios džiugina klientus, didina pardavimus ir padeda išvengti klientų praradimo. Remdamiesi klientų pirkimo istorijos ir elgsenos duomenimis, gilaus mokymosi algoritmai gali rekomenduoti produktus ir paslaugas, kurių klientai greičiausiai norės, ir netgi realiuoju laiku generuoti suasmenintus tekstus ir specialius pasiūlymus individualiems klientams.
Žmogiškieji ištekliai ir įdarbinimas
Dirbtiniu intelektu paremtos įdarbinimo platformos gali supaprastinti įdarbinimą, atrinkdamos gyvenimo aprašymus, suderindamos kandidatus su pareigybės aprašymais ir netgi atlikdamos preliminarius pokalbius naudodami vaizdo įrašų analizę. Šios ir kitos priemonės gali smarkiai sumažinti administracinių dokumentų kiekį, susijusį su didelio kandidatų skaičiaus atranka. Jos taip pat gali sutrumpinti reagavimo laiką ir įdarbinimo laiką, pagerindamos kandidatų patirtį, nesvarbu, ar jie gauna darbą, ar ne.
Programų kūrimas ir modernizavimas
Generatyvūs dirbtinio intelekto kodo generavimo įrankiai ir automatizavimo įrankiai gali supaprastinti pasikartojančias kodavimo užduotis, susijusias su programų kūrimu, ir pagreitinti senesnių programų perkėlimą bei modernizavimą (performatavimą ir pakartotinį programavimą) dideliu mastu. Šie įrankiai gali pagreitinti užduotis, padėti užtikrinti kodo nuoseklumą ir sumažinti klaidų skaičių.
Nuspėjamoji priežiūra
Mašininio mokymosi modeliai gali analizuoti duomenis iš jutiklių, daiktų interneto (IoT) įrenginių ir operacinių technologijų (OT), kad prognozuotų, kada reikės atlikti techninę priežiūrą, ir numatytų įrangos gedimus, kol jie neįvyks. Dirbtiniu intelektu paremta prevencinė priežiūra padeda išvengti prastovų ir leidžia jums iš anksto spręsti tiekimo grandinės problemas, kol jos nepaveikė pelno.
Dirbtinio intelekto iššūkiai ir rizikos
Organizacijos stengiasi pasinaudoti naujausiomis dirbtinio intelekto technologijomis ir išnaudoti daugybę dirbtinio intelekto teikiamų privalumų. Šis spartus diegimas yra būtinas, tačiau dirbtinio intelekto darbo eigų diegimas ir palaikymas yra susijęs su iššūkiais ir rizika.
Duomenų rizika
Dirbtinio intelekto sistemos naudoja duomenų rinkinius, kurie gali būti pažeidžiami duomenų užkrėtimo, duomenų klastojimo, duomenų šališkumo ar kibernetinių atakų, dėl kurių gali įvykti duomenų nutekėjimas. Organizacijos gali sumažinti šią riziką apsaugodamos duomenų vientisumą ir įgyvendindamos saugumą bei prieinamumą per visą dirbtinio intelekto gyvavimo ciklą – nuo kūrimo iki mokymo, diegimo ir po diegimo.
Modelio rizika
Grėsmių kūrėjai gali taikytis į dirbtinio intelekto modelius vagystei, atvirkštinei inžinerijai ar neteisėtam manipuliavimui. Užpuolikai gali pažeisti modelio vientisumą, keisdami jo architektūrą, balansą ar parametrus – pagrindinius komponentus, kurie lemia modelio elgseną, tikslumą ir našumą.
Operacinė rizika
Kaip ir visos technologijos, modeliai yra jautrūs operacinei rizikai, tokiai kaip modelio šališkumas ir valdymo struktūros sutrikimai. Jei šios rizikos nebus išspręstos, jos gali sukelti sistemos gedimus ir kibernetinio saugumo pažeidžiamumus, kuriais gali pasinaudoti grėsmių kūrėjai.
Etika ir teisinė rizika
Jei organizacijos, kurdamos ir diegdamos dirbtinio intelekto sistemas, neteikia pirmenybės saugumui ir etikai, jos rizikuoja pažeisti privatumą ir gauti šališkus rezultatus. Pavyzdžiui, šališki mokymo duomenys, naudojami priimant sprendimus dėl įdarbinimo, gali sustiprinti lyčių ar rasinius stereotipus ir sukurti dirbtinio intelekto modelius, kurie teikia pirmenybę tam tikroms demografinėms grupėms, palyginti su kitomis.
Dirbtinio intelekto etika ir valdymas
Dirbtinio intelekto etika yra daugiadisciplininė sritis, tirianti, kaip optimizuoti teigiamą dirbtinio intelekto poveikį, kartu sumažinant riziką ir neigiamus rezultatus. Dirbtinio intelekto etikos principai taikomi per dirbtinio intelekto valdymo sistemą, kurią sudaro apsauginiai barjerai, padedantys užtikrinti, kad dirbtinio intelekto įrankiai ir sistemos išliktų saugūs ir etiški.
Dirbtinio intelekto valdymas apima priežiūros mechanizmus, kurie sprendžia rizikos problemas. Etiškas požiūris į dirbtinio intelekto valdymą reikalauja, kad dalyvautų įvairūs suinteresuotieji subjektai, įskaitant kūrėjus, naudotojus, politikos formuotojus ir etikos specialistus, o tai padėtų užtikrinti, kad su dirbtiniu intelektu susijusios sistemos būtų kuriamos ir naudojamos laikantis visuomenės vertybių.
Čia pateikiamos bendros vertybės, susijusios su dirbtinio intelekto etika ir atsakingu dirbtiniu intelektu:
Paaiškinimas ir interpretavimas
Dirbtiniam intelektui (DI) tobulėjant, žmonėms kyla iššūkis suprasti ir atsekti, kaip algoritmas pasiekė rezultatą. Paaiškinamasis DI – tai procesų ir metodų rinkinys, leidžiantis žmonėms interpretuoti, suprasti ir pasitikėti algoritmų sukurtais rezultatais ir išvestimi.
Sąžiningumas ir įtrauktis
Nors mašininis mokymasis iš savo prigimties yra statistinės diskriminacijos forma, ši diskriminacija tampa nepriimtina, kai privilegijuotoms grupėms suteikia sisteminį pranašumą, o tam tikroms neprivilegijuotoms grupėms – sisteminį nepalankumą, todėl gali kilti įvairi žala. Siekdami skatinti sąžiningumą, praktikai gali stengtis sumažinti algoritminį šališkumą renkant duomenis ir kuriant modelius bei kurti įvairesnes ir įtraukesnes komandas.
Tvirtumas ir saugumas
Tvirtas dirbtinis intelektas efektyviai susidoroja su išskirtinėmis sąlygomis, tokiomis kaip įvesties sutrikimai ar kenkėjiškos atakos, nepadarydamas netyčinės žalos. Jis taip pat sukurtas taip, kad atlaikytų tyčinį ir netyčinį įsikišimą, apsaugodamas nuo pažeidžiamumų.
Atskaitomybė ir skaidrumas
Organizacijos turėtų įdiegti aiškias pareigas ir valdymo struktūras, skirtas dirbtinio intelekto sistemų kūrimui, diegimui ir rezultatams. Be to, vartotojai turėtų matyti, kaip veikia dirbtinio intelekto paslauga, įvertinti jos funkcionalumą ir suprasti jos stipriąsias bei silpnąsias puses. Didesnis skaidrumas suteikia informacijos dirbtinio intelekto vartotojams, kad jie geriau suprastų, kaip buvo sukurtas dirbtinio intelekto modelis ar paslauga.
Privatumas ir atitiktis
Daugelyje reguliavimo sistemų, įskaitant BDAR, organizacijos privalo laikytis tam tikrų privatumo principų tvarkydamos asmeninę informaciją. Labai svarbu turėti galimybę apsaugoti dirbtinio intelekto modelius, kuriuose gali būti asmeninės informacijos, kontroliuoti, kokie duomenys iš viso patenka į modelį, ir kurti pritaikomas sistemas, kurios galėtų prisitaikyti prie reguliavimo ir požiūrio į dirbtinio intelekto etiką pokyčių.
Silpnas DI ir Stiprus DI
Siekdami kontekstualizuoti dirbtinio intelekto naudojimą įvairiais sudėtingumo ir rafinuotumo lygiais, tyrėjai apibrėžė kelis dirbtinio intelekto tipus, kurie nurodo jo sudėtingumo lygį:
Silpnas dirbtinis intelektas: dar žinomas kaip „siaurasis dirbtinis intelektas“, apibrėžia dirbtinio intelekto sistemas, skirtas atlikti konkrečią užduotį arba užduočių rinkinį. Pavyzdžiai gali būti „išmaniosios“ balso asistento programėlės, tokios kaip „Amazon Alexa“, „Apple Siri“, socialinių tinklų pokalbių robotas arba „Tesla“ autonominės transporto priemonės.
Stiprusis DI: dar žinomas kaip „dirbtinis bendrasis intelektas“ (DDI) arba „bendrasis DI“, geba suprasti, mokytis ir taikyti žinias atliekant įvairias užduotis tokiu lygiu, kuris prilygsta žmogaus intelektui arba jį pranoksta . Šis DI lygis šiuo metu yra teorinis ir jokia žinoma DI sistema nepasiekia tokio sudėtingumo lygio. Tyrėjai teigia, kad jei DDI apskritai yra įmanomas, tam reikia gerokai padidinti skaičiavimo galią. Nepaisant pastarojo meto DI plėtros pažangos, mokslinės fantastikos savarankiškos DI sistemos tvirtai laikosi šios srities.
Dirbtinio intelekto istorija
„Mašinos, kurios mąsto“, idėja atsirado senovės Graikijoje. Tačiau nuo elektroninių kompiuterių atsiradimo (ir atsižvelgiant į kai kurias šiame straipsnyje aptartas temas) svarbūs įvykiai ir DI evoliucijos etapai yra šie:
1950 m.
Alanas Turingas išleidžia knygą „Skaičiavimo mašinos ir intelektas“. Šiame straipsnyje Turingas, išgarsėjęs tuo, kad Antrojo pasaulinio karo metu iššifravo vokišką ENIGMA kodą ir dažnai vadinamas „kompiuterių mokslo tėvu“, užduoda tokį klausimą: „Ar mašinos gali mąstyti?“
Toliau jis siūlo testą, dabar žinomą kaip „Turingo testas“, kurio metu žmogus-tardytojas bandytų atskirti kompiuterio ir žmogaus tekstinį atsakymą. Nors šis testas nuo pat paskelbimo buvo daug tikrinamas, jis išlieka svarbia dirbtinio intelekto istorijos dalimi ir nuolat vystoma filosofijos koncepcija, nes jame naudojamos lingvistikos idėjos.
1956 m.
Johnas McCarthy pirmojoje istorijoje dirbtinio intelekto konferencijoje Dartmuto koledže sugalvojo terminą „dirbtinis intelektas“. (McCarthy vėliau išrado Lisp kalbą.) Vėliau tais pačiais metais Allenas Newellas, J. C. Shaw ir Herbertas Simonas sukūrė „Logic Theorist“ – pirmąją istorijoje veikiančią dirbtinio intelekto kompiuterinę programą.
1967 m.
Frankas Rosenblattas sukūrė „Mark 1 Perceptron“ – pirmąjį kompiuterį, pagrįstą neuroniniu tinklu, kuris „mokėsi“ bandymų ir klaidų būdu. Vos po metų Marvinas Minsky ir Seymouras Papertas išleido knygą pavadinimu „Perceptronai“, kuri tapo ir svarbiu darbu neuroninių tinklų srityje, ir bent jau kuriam laikui argumentu prieš būsimas neuroninių tinklų tyrimų iniciatyvas.
1980 m.
Dirbtinio intelekto programose plačiai pradėti naudoti neuroniniai tinklai, kurie patys save moko naudodami atgalinio sklidimo algoritmą.
1995 m.
Stuartas Russellas ir Peteris Norvigas išleido knygą „ Dirbtinis intelektas: modernus požiūris“ (angl. Artificial Intelligence: A Modern Approach), kuri tapo vienu iš pagrindinių vadovėlių dirbtinio intelekto tyrimuose. Joje jie gilinasi į keturis galimus dirbtinio intelekto tikslus arba apibrėžimus, kurie kompiuterines sistemas diferencijuoja pagal racionalumą ir mąstymą bei veikimą.
1997 m.
IBM „Deep Blue“ šachmatų partijoje (ir revanše) įveikė tuometinį pasaulio šachmatų čempioną Garį Kasparovą.
2004 m.
Johnas McCarthy parašė straipsnį „Kas yra dirbtinis intelektas?“ ir pasiūlė dažnai cituojamą DI apibrėžimą. Tuo metu prasidėjo didžiųjų duomenų ir debesų kompiuterijos era, leidžianti organizacijoms valdyti vis didesnius duomenų telkinius, kurie vieną dieną bus naudojami DI modeliams mokyti.
2011 m.
„IBM Watson®“ „Jeopardy“ varžybose įveikė čempionus Keną Jenningsą ir Bradą Rutterį! Maždaug tuo metu duomenų mokslas pradeda išpopuliarėti kaip disciplina.
2015 m.
„Baidu“ superkompiuteris „Minwa“ naudoja specialų gilųjį neuroninį tinklą, vadinamą konvoliuciniu neuroniniu tinklu, kad atpažintų ir suskirstytų į kategorijas vaizdus didesniu tikslumu nei vidutinis žmogus.
2016 m.
„DeepMind“ programa „AlphaGo“, paremta giliuoju neuroniniu tinklu, penkių partijų mače įveikė pasaulio čempioną „Go“ žaidėją Lee Sodolą. Ši pergalė yra reikšminga, atsižvelgiant į didžiulį galimų ėjimų skaičių žaidime (daugiau nei 14,5 trilijono vos po keturių ėjimų). Vėliau „Google“ įsigijo „DeepMind“ už, kaip pranešama, 400 mln. JAV dolerių.
2022 m. Didelių kalbos modelių
arba LLM, tokių kaip „OpenAI“ „ChatGPT“, išplitimas sukuria milžinišką dirbtinio intelekto našumo ir jo potencialo didinti įmonės vertę pokytį. Taikant šias naujas generatyviojo dirbtinio intelekto praktikas, gilaus mokymosi modelius galima iš anksto apmokyti dirbti su dideliais duomenų kiekiais.
2024 m.
Naujausios dirbtinio intelekto tendencijos rodo nuolatinį dirbtinio intelekto atgimimą. Multimodaliniai modeliai, galintys priimti įvairių tipų duomenis kaip įvestį, teikia turtingesnes ir patikimesnes patirtis. Šie modeliai sujungia kompiuterinės regos vaizdų atpažinimo ir NLP kalbos atpažinimo galimybes. Mažesni modeliai taip pat žengia į priekį mažėjančios grąžos amžiuje, siūlydami masyvius modelius su dideliu parametrų skaičiumi.