Βλέπουμε νέα για την τεχνητή νοημοσύνη παντού. μερικές φορές, βλέπουμε τον ενθουσιασμό γύρω από το AI και μερικές φορές βλέπουμε άρθρα που μιλούν για το πώς η AI θα αντικαταστήσει ή θα καταστρέψει τις δουλειές μας. Βλέπουμε επίσης το περιστασιακό άρθρο που μιλάει για το πώς η AI θα καταστρέψει την ανθρωπότητα.
Σε αυτό το άρθρο, δεν θα συζητήσω ένα τεχνητή γενική νοημοσύνη ή ένα κακό AI που θέλει να καταστρέψει την ανθρωπότητα. Θα επικεντρωθώ στην τρέχουσα AI, η οποία βασίζεται κυρίως στους αλγόριθμους που μπορούν να κάνουν προβλέψεις και θα συζητήσω πώς λειτουργεί η οικονομία της AI και πώς μπορεί να επηρεάσει τις επιχειρήσεις. Θέλω επίσης να αναφέρω ότι το περιεχόμενο αυτού του άρθρου επηρεάζεται ιδιαίτερα (και αυτός ο συντάκτης συνιστά ιδιαίτερα για περαιτέρω ανάγνωση) Μηχανές πρόβλεψης: Τα απλά οικονομικά της τεχνητής νοημοσύνης και Human + Machine: Επαναπροσδιορισμός της εργασίας στην εποχή της τεχνητής νοημοσύνης .
Αυτό το άρθρο χωρίζεται σε τρία κύρια μέρη:
Πριν προχωρήσω, θα ήθελα να συζητήσω τις ομοιότητες μεταξύ ορισμένων ιστορικών γεγονότων που είναι ανάλογες με τον τρόπο που σκεφτόμαστε την AI σήμερα. Θα δώσω μερικά παραδείγματα για το πώς μια ευρεία χρήση συγκεκριμένης τεχνολογίας άλλαξε τη νοοτροπία μας. Πώς φτάσαμε από τη βασική αριθμητική στην εξειδικευμένη εταιρείες ανάπτυξης τεχνητής νοημοσύνης ;
Αυτό που κάνουν οι υπολογιστές καλύτερα είναι η αριθμητική. Πριν από τους υπολογιστές που γνωρίζουμε τώρα, ο όρος «υπολογιστής» χρησιμοποιήθηκε για άτομα που κάνουν κυριολεκτική υπολογιστική, την οποία ονομάζουμε τώρα « ανθρώπινος υπολογιστής '
σε ποια γλώσσα είναι γραμμένα τα microsoft windows
Με την πρόοδο της τεχνολογίας, ο υπολογιστής έγινε φθηνότερος και γρηγορότερος, και αρχίσαμε να σκεφτόμαστε τα πάντα ως προς την αριθμητική. Η φωτογραφία είναι ένα καλό παράδειγμα - ιστορικά, η τροποποίηση ή η εφαρμογή οπτικών εφέ στις φωτογραφίες ήταν μια χημική αντίδραση. Τώρα, ωστόσο, χρησιμοποιούμε αλγόριθμους που είναι προσβάσιμοι από καλλιτέχνες και φωτογράφους μέσω προγραμμάτων λογισμικού για να εφαρμόσουμε μαθηματικά εφέ στις φωτογραφίες.
Αυτό είναι ένα εξαιρετικό παράδειγμα του πώς σκεφτόμαστε όταν μειώνεται το κόστος ενός αγαθού / υπηρεσίας. αρχίζουμε να σκεφτόμαστε πώς να λύσουμε τα τρέχοντα προβλήματά μας όσον αφορά αυτήν τη νέα τεχνολογία. Είναι το ίδιο για το AI.
Όταν το Διαδίκτυο χρησιμοποιήθηκε ευρέως, έκανε τεράστιες κινήσεις σε διάφορες βιομηχανίες και αφορούσε τη μείωση του κόστους σε διαφορετικούς τομείς. Για παράδειγμα, το κόστος διανομής αγαθών και υπηρεσιών έγινε φθηνότερο, και αυτό προκάλεσε τη γέννηση της βιομηχανίας ηλεκτρονικού εμπορίου. Οι εταιρείες, τελικά, άλλαξαν τις στρατηγικές τους και είτε επέζησαν είτε πέθαναν.
Μόλις μειωθεί το κόστος ενός αγαθού ή μιας υπηρεσίας, αρχίζουμε να το χρησιμοποιούμε πιο συχνά και μπορούμε να το δούμε και για τον Ιστό. Αυτό αλλάζει επίσης τη νοοτροπία μας και μετακινούμε ολόκληρους κλάδους στο διαδίκτυο. Πάνω από το ηλεκτρονικό εμπόριο, ένα άλλο παράδειγμα μπορεί να φανεί στη χρήση μηχανών αναζήτησης. δεν χρησιμοποιούμε πλέον εγκυκλοπαίδειες για αναζήτηση πληροφοριών, αλλά αντ 'αυτού χρησιμοποιούμε το Google ή άλλες μηχανές αναζήτησης.
Το κόστος της τεχνητής νοημοσύνης γίνεται φθηνότερο όσον αφορά την υπολογιστική ισχύ και τα εργαλεία. Κάθε νέο εργαλείο / βιβλιοθήκη βοηθά προγραμματιστές μηχανικής μάθησης να αφιερώσετε λιγότερο χρόνο σε προβλήματα πρόβλεψης. Για παράδειγμα, το Google TensorFlow, AutoML ή ακόμα και scikit μπορεί να εμφανιστεί ως παραδείγματα για αυτόν τον σκοπό. Μπορούμε επίσης να δείξουμε την αυξημένη χρήση των υπολογιστικών GPU ως απεικόνιση της μείωσης κόστους στο AI.
Η πρόβλεψη για πωλήσεις για το επόμενο τρίμηνο μιας εταιρείας είναι ένα προφανές πρόβλημα πρόβλεψης, αλλά η ανάπτυξη ενός αυτόνομου οχήματος δεν ήταν πρόβλημα πρόβλεψης πριν από μια δεκαετία. Η μείωση του κόστους στην τεχνητή νοημοσύνη αλλάζει τον τρόπο σκέψης μας, που σημαίνει ότι ξεκινήσαμε να σκεφτόμαστε διάφορα προβλήματα ως πρόβλημα πρόβλεψης. Χρησιμοποιούσαμε ήδη αυτόνομα οχήματα σε ελεγχόμενα περιβάλλοντα, όπως εργοστάσια, όπου το όχημα μπορούσε να προγραμματιστεί χρησιμοποιώντας if-else συνθήκες προγραμματισμού. Η αλλαγή της νοοτροπίας και η εξέταση αυτού ως προβλήματος πρόβλεψης βοήθησε τους μηχανικούς να αναπτύξουν αυτόνομα αυτοκίνητα, τα οποία μπορούν να χρησιμοποιηθούν στην άγρια φύση.
Εδώ είναι πώς λειτουργούσε, βασικά. ένας μηχανικός δίδαξε μια τεχνητή νοημοσύνη τι θα έκανε ένας άνθρωπος σε διάφορες συνθήκες, και αυτό επέτρεψε τη δημιουργία ενός ενσωματωμένου λογισμικού που επιτρέπει στους οδηγούς να χρησιμοποιούν αυτοκίνητα για χιλιάδες μίλια αντί να κουράζονται μετά από μερικές εκατοντάδες. Το AI έμαθε τι θα έκανε ένας άνθρωπος και άρχισε να προβλέπει τι πρέπει να κάνει. Αυτό είναι ένα πολύ καλό παράδειγμα σκέψης για ένα πρόβλημα όσον αφορά τις προβλέψεις.
Ακολουθεί μια μεγάλη ερώτηση: Η AI θα επηρεάσει τη στρατηγική και τα επιχειρηματικά μοντέλα των εταιρειών; Εάν πιστεύετε ότι το AI είναι ένα εργαλείο πρόβλεψης που σας βοηθά να λάβετε κάποια απόφαση, μπορεί να μην είναι σαφές πώς θα επηρεάσει την καθαρή στρατηγική, επειδή είναι απλώς ένα άλλο εργαλείο που σας βοηθά να λαμβάνετε αποφάσεις. Αλλά, αν αρχίσετε να σκέφτεστε το AI ως εργαλείο πρόβλεψης που μπορεί να προβλέψει με υψηλή ακρίβεια, αυτό μπορεί να αλλάξει τις ίδιες τις στρατηγικές. Υπάρχει ένα εξαιρετικό παράδειγμα στο βιβλίο Μηχανές πρόβλεψης: Τα απλά οικονομικά της τεχνητής νοημοσύνης .
Όταν αγοράζουμε και αγοράζουμε αγαθά από την Amazon, αποστέλλει τα πακέτα στο γραφείο / το σπίτι μας. Έτσι, αυτή η μέθοδος μπορεί να ονομαστεί μέθοδος αγορών-μετά-αποστολής. Γνωρίζουμε επίσης ότι η Amazon διαθέτει μηχανή προτάσεων και συνιστά στοιχεία κατά την πλοήγηση στις σελίδες. Δεν αγοράζουμε όλα τα προτεινόμενα είδη, αλλά τουλάχιστον προτείνει τα είδη που μπορεί να μας ενδιαφέρουν. Ας υποθέσουμε ότι η Amazon άρχισε να προβλέπει τι θα αγοράσετε με υψηλή ακρίβεια. Εάν ξεκινήσατε να αγοράζετε το 80% των προτεινόμενων αντικειμένων, η Amazon ενδέχεται να αποφασίσει να στείλει τα αντικείμενα ακόμη και πριν τα αγοράσετε - ας καλέσουμε αυτήν την αποστολή-μετά-ψώνια. Αυτή είναι μια προφανής αλλαγή στην επιχειρηματική στρατηγική επειδή, μόλις φτάσουν τα αντικείμενα στο σπίτι σας, θα στείλετε το 20% των αντικειμένων πίσω και η τρέχουσα μοντελοποίηση τιμών του Amazon δεν βασίζεται σε αυτήν την υπόθεση. Ίσως, η Amazon θα αποφασίσει να στείλει ένα φορτηγό στην πόλη σας μία φορά την εβδομάδα για τη συλλογή των επιστρεφόμενων αντικειμένων και αυτό θα αλλάξει εντελώς τον τρόπο με τον οποίο η Amazon χρεώνει την πιστωτική σας κάρτα, πώς συσκευάζει τα αντικείμενα και πώς χειρίζεται τα επιστρεφόμενα αντικείμενα. Όλη αυτή η αλλαγή στρατηγικής είναι το όφελος της τεχνητής νοημοσύνης, η οποία έχει μεγαλύτερη ακρίβεια πρόβλεψης.
Πιστεύω ότι μπορούμε να εργαστούμε σε περισσότερα πειράματα σκέψης, όπως το προηγούμενο παράδειγμα του Αμαζονίου, απλώς σκεφτόμαστε τι θα συνέβαινε αν η AI μπορούσε να προβλέψει με μεγαλύτερη ακρίβεια
Πώς θα εξελιχθεί η αλληλεπίδραση ανθρώπου και τεχνητής νοημοσύνης στο μέλλον; Θα ανταγωνιστούν ή θα συνεργαστούν; Θα επικεντρωθώ σε αυτές τις ερωτήσεις κοιτάζοντας το βιβλίο Human + Machine: Επαναπροσδιορισμός της εργασίας στην εποχή της τεχνητής νοημοσύνης . Σύμφωνα με τους συγγραφείς, θα υπάρξουν σενάρια όπου οι άνθρωποι συμπληρώνουν την AI και όπου η AI θα συμπληρώνει τους ανθρώπους.
Οι άνθρωποι μπορούν να συμπληρώσουν την τεχνητή νοημοσύνη σε τρεις τομείς: εκπαίδευση, εξήγηση και διατήρηση.
Το AI χρειάζεται δεδομένα για να μάθει, το οποίο ονομάζεται φάση προπόνησης , έτσι μπορεί να κάνει προβλέψεις.
πώς να βρείτε πελάτες ως σύμβουλος
Στο μέλλον, ενδέχεται να διαθέτουμε εκπαιδευτικούς πράκτορες που να επικεντρώνονται αποκλειστικά στην εκπαίδευση AI βάσει των απαιτήσεων αυτής της επιχείρησης. Εάν είναι εργοστάσιο, ένας εκπαιδευτικός πράκτορας θα μπορούσε να είναι υπεύθυνος για την εκπαίδευση ενός ρομπότ. εάν πρόκειται για επιχείρηση ηλεκτρονικού εμπορίου, ένας εκπαιδευτικός πράκτορας θα μπορούσε να είναι υπεύθυνος για τη συγκέντρωση ιστορικών δεδομένων.
Πρέπει να καταλάβουμε πώς και γιατί η AI παρείχε μια συγκεκριμένη απάντηση σε ένα συγκεκριμένο πρόβλημα.
Γενικά, αντιμετωπίζουμε μια αντιστάθμιση μεταξύ της επεξήγησης και της ακρίβειας του AI. Οι μέθοδοι AI μαύρου κουτιού έχουν μεγαλύτερη ακρίβεια σε σύγκριση με μεθόδους που μπορούν εύκολα να εξηγηθούν. Ακόμα κι αν υπάρχουν εργαλεία που έχουν αναπτυχθεί για να εξηγήσουν γιατί μια AI-black box έκανε μια συγκεκριμένη πρόβλεψη, ίσως χρειαζόμαστε έναν ρόλο εργασίας που να μπορεί να κατανοήσει και να εξηγήσει τα αποτελέσματα της AI.
Πρέπει να είμαστε σίγουροι ότι το AI λειτουργεί όπως αναμενόταν.
Το 2015, ένα ρομπότ σε ένα εργοστάσιο της Volkswagen άρπαξε έναν εργαζόμενο και τον συνέτριψε θανάσιμα. Μπορεί να χρειαζόμαστε ρόλους των οποίων η ευθύνη είναι να διασφαλίσουμε ότι τα συστήματα AI λειτουργούν όπως αναμένεται.
Το δυναμικό της τεχνητής νοημοσύνης δίνει στον άνθρωπο υπερδυνάμεις, διότι η τεχνητή νοημοσύνη κάνει προβλέψεις γρηγορότερες και με μεγαλύτερη ακρίβεια από ό, τι οι άνθρωποι. Αυτές οι υπερδυνάμεις μπορούν να εκφραστούν στην αξία που φέρνουν σε μια δεδομένη κατάσταση ή δράση.
Τα εργαλεία AI βοηθούν τους ανθρώπους να αυξήσουν τις δυνατότητες του ανθρώπου. Στο βιβλίο Human + Machine: Επαναπροσδιορισμός της εργασίας στην εποχή της τεχνητής νοημοσύνης , οι συγγραφείς χρησιμοποιούν το παράδειγμα του λογισμικού Dreamcatcher της Autodesk, το οποίο χρησιμοποιεί γενετικούς αλγόριθμους για την επανάληψη μέσω πιθανών σχεδίων.
Ένας σχεδιαστής μπορεί να σχεδιάσει ένα φως καρέκλας, φθηνό και δυνατό με τη βοήθεια αυτού του εργαλείου. Η AI προσπαθεί να δημιουργήσει ένα σχέδιο που βασίζεται στα δεδομένα κριτήρια και παρέχει τα αποτελέσματα στον σχεδιαστή. Στη συνέχεια, ο σχεδιαστής χρησιμοποιεί επιλέγει ένα από τα συγκεκριμένα σχέδια και χρησιμοποιεί τη δημιουργικότητά του σε αυτό το σχέδιο για να κάνει τις τελευταίες πινελιές.
Αυτό είναι παρόμοιο με αυτό που παρείχαν οι υπολογιστές σε άτομα με την εποχή των υπολογιστών - ακριβώς σε ένα νέο και συναρπαστικό επίπεδο χωρητικότητας όσον αφορά τα είδη των πραγμάτων που μπορεί να βοηθήσει η AI.
Το AI μπορεί να λειτουργήσει ως βοηθός για να βοηθήσει τους ανθρώπους αλληλεπιδρώντας μαζί τους. Το Alexa του Amazon, το Google Home και το Siri της Apple είναι εξέχοντα παραδείγματα αυτού του είδους διαδραστικού παράγοντα AI. Καθώς αυτοί οι πράκτορες βελτιώνονται με κάθε επανάληψη, θα αρχίσουμε να τους χρησιμοποιούμε πιο συχνά και θα γίνει μέρος μας, όπως μια βαθύτερη έκδοση του τι κάνουμε με τα smartphone μας. Αυτοί οι πράκτορες θα είναι οι ιδιωτικοί βοηθοί μας και θα μας συμπληρώνουν.
Παραδείγματα φυσικής αύξησης που τροφοδοτούνται με τεχνητή νοημοσύνη μπορούν να βρεθούν στα εργοστάσια. Παρόλο που τα εργοστάσια λειτουργούν από ρομπότ αυτήν τη στιγμή, είναι ως επί το πλείστον συστήματα βασισμένα σε κανόνες και τοποθετούνται σε ένα κλουβί - για κάθε περίπτωση - για ασφάλεια. Τα ρομπότ θα βοηθήσουν τους ανθρώπους ως συνάδελφοι και θα σχεδιαστούν ώστε να μην βλάπτουν τους ανθρώπους ενώ μετακινούνται και εργάζονται ελεύθερα σε ένα εργοστάσιο.
πώς να χρησιμοποιήσετε τη δοκιμή junit
Αν και υπάρχουν κάποιες ανησυχίες που λένε ότι «τα ρομπότ είναι πιο αποτελεσματικά, οπότε οι ανθρώπινοι εργαζόμενοι θα απορριφθούν στο μέλλον», λέει ο Markus Schaefer, επικεφαλής του σχεδιασμού παραγωγής της Mercedes, «Απομακρύνεται από την προσπάθεια μεγιστοποίησης του αυτοματισμού, με ανθρώπους που παίρνουν ένα μεγαλύτερο μέρος στις βιομηχανικές διαδικασίες και πάλι. ' Οι νέες τεχνολογίες φέρνουν μνημειώδεις αλλαγές στον τρόπο που κάνουμε τα πράγματα, αλλά η εφεύρεση του αρότρου δεν εξάλειψε την ανάγκη για εργαζόμενους σε αγροκτήματα, ούτε η εφεύρεση του υπολογιστή εξάλειψε την ανάγκη για μαθηματικούς. Όπως συμβαίνει με όλες τις τεχνολογικές επαναστάσεις, η έλευση της AI θα χρησιμοποιηθεί για να βοηθήσει την ανθρωπότητα να φτάσει σε ένα νέο πρότυπο, όχι για να την αντικαταστήσει πλήρως.
Είστε έτοιμοι για περισσότερες τεχνικές γνώσεις AI; Δοκιμάστε Μια βαθιά κατάδυση στη μάθηση ενίσχυσης για να μάθετε πώς να διδάξετε ένα AI για να οδηγήσετε ένα αυτοκίνητο σε ένα βουνό.
Οι εφαρμογές της τεχνητής νοημοσύνης ποικίλλουν από αυτόνομα αυτοκίνητα σε μετάφραση, από chatbots έως αναγνώριση εικόνας. Οι ψηφιακοί βοηθοί όπως το Siri και το Alexa είναι τυπικά παραδείγματα εφαρμογών AI, και με τις πρόσφατες αυξημένες αποδόσεις στο AI, θα πρέπει να δούμε περισσότερες εφαρμογές AI στο μέλλον.
Βασικά, μπορείτε να χρησιμοποιήσετε το AI σε δύο διαφορετικούς τομείς στην επιχείρησή σας. μπορείτε να οικοδομήσετε την επιχείρησή σας σε AI, πράγμα που σημαίνει ότι η βασική σας πρόταση αξίας θα είναι μια τεχνολογία που βασίζεται σε AI. Η δεύτερη μέθοδος είναι η χρήση μεθόδων AI για τη βελτίωση των επιχειρήσεων και την αύξηση του όγκου των πωλήσεων.
Η Τεχνητή Νοημοσύνη ήταν ένας όρος που επινοήθηκε από τον John McCarthy το 1955 και είναι ένα πεδίο της επιστήμης των υπολογιστών που μελετά μηχανές (αλγόριθμοι) που λειτουργούν και αντιδρούν σαν τους ανθρώπους. Το AI έχει υπο-πεδία όπως μηχανική εκμάθηση, επεξεργασία φυσικών γλωσσών και όραμα υπολογιστή.
Οι αλγόριθμοι πρόβλεψης προβλέπουν ένα αποτέλεσμα που βασίζεται σε δεδομένες εισόδους. Λειτουργούν είτε σε μια φάση μάθησης ή πρόβλεψης. Στη φάση της μάθησης, τα ιστορικά δεδομένα των ζευγών εισόδου-εξόδου μεταφέρονται στον αλγόριθμο και χαρτογραφεί μια σχέση μεταξύ των δύο. Στο τελευταίο, δίνονται μόνο είσοδοι και προβλέπει έξοδο.
