Co to jest sztuczna inteligencja: charakterystyka, rodzaje, zastosowania

Dowiedz się, co to jest sztuczna inteligencja, jakie są jej główne cechy i rodzaje oraz jak zmienia ona nasze dzisiejsze życie.

Co to jest sztuczna inteligencja (AI)?

Sztuczna inteligencja to naśladowanie procesów inteligencji człowieka przez maszyny, zwłaszcza systemy komputerowe. Konkretne zastosowania sztucznej inteligencji obejmują systemy eksperckie, przetwarzanie języka naturalnego, rozpoznawanie mowy i widzenie maszynowe.

Jak działa sztuczna inteligencja?

Wraz z rosnącym zainteresowaniem sztuczną inteligencją, sprzedawcy starają się wyjaśnić, w jaki sposób wykorzystują ją w swoich produktach i usługach. Często to, co nazywają sztuczną inteligencją, jest po prostu składnikiem technologii, takiej jak uczenie maszynowe.

Sztuczna inteligencja wymaga specjalistycznego sprzętu i oprogramowania do pisania i trenowania algorytmów uczenia maszynowego. Żaden język programowania nie jest synonimem sztucznej inteligencji, ale Python, R, Java, C++ i Julia mają funkcje, które są popularne wśród programistów AI.

Ogólnie rzecz biorąc, systemy sztucznej inteligencji działają poprzez przyjmowanie dużych ilości oznaczonych danych szkoleniowych, analizowanie ich pod kątem korelacji i wzorców oraz wykorzystywanie tych wzorców do przewidywania przyszłych stanów.

W ten sposób chatbot, któremu prezentowane są przykłady tekstowe, może nauczyć się generować realistyczną komunikację międzyludzką lub narzędzie do rozpoznawania obrazów może nauczyć się identyfikować i opisywać obiekty na obrazach, patrząc na miliony przykładów. Nowe, szybko ulepszane metody generatywnej sztucznej inteligencji mogą tworzyć realistyczny tekst, obrazy, muzykę i inne media.

Programowanie sztucznej inteligencji koncentruje się na umiejętnościach poznawczych, które obejmują następujące elementy:

• Uczenie się. Ten aspekt programowania sztucznej inteligencji koncentruje się na pobieraniu danych i tworzeniu reguł w celu przekształcenia ich w przydatne informacje. Reguły te, zwane algorytmami, dostarczają urządzeniom komputerowym instrukcji krok po kroku, jak wykonać określone zadanie.
• Rozumowanie. Ten aspekt programowania AI koncentruje się na wyborze odpowiedniego algorytmu w celu osiągnięcia pożądanego rezultatu.
• Samokorekta. Ten aspekt programowania AI ma na celu ciągłe ulepszanie algorytmów i zapewnianie jak najdokładniejszych wyników.
• Kreatywność. Ten aspekt sztucznej inteligencji wykorzystuje sieci neuronowe, systemy oparte na regułach, metody statystyczne i inne techniki sztucznej inteligencji do tworzenia nowych obrazów, nowego tekstu, nowej muzyki i nowych pomysłów.

Różnice między sztuczną inteligencją, uczeniem maszynowym i uczeniem głębokim

Sztuczna inteligencja, uczenie maszynowe i głębokie uczenie są powszechnymi terminami w informatyce korporacyjnej i czasami są używane zamiennie, zwłaszcza przez firmy w ich materiałach marketingowych. Istnieją jednak między nimi różnice.

Termin sztuczna inteligencja, który pojawił się w latach 50. ubiegłego wieku, odnosi się do naśladowania ludzkiej inteligencji przez maszyny. Obejmuje on zestaw możliwości, który stale się zmienia wraz z rozwojem nowych technologii. Technologie wchodzące w zakres sztucznej inteligencji obejmują uczenie maszynowe i głębokie uczenie.

Uczenie maszynowe pozwala oprogramowaniu na dokładniejsze przewidywanie wyników bez wyraźnego zaprogramowania. Algorytmy uczenia maszynowego wykorzystują dane historyczne jako dane wejściowe do przewidywania nowych wartości wyjściowych.

Podejście to stało się znacznie bardziej skuteczne wraz ze wzrostem ilości danych dostępnych do nauki. Głębokie uczenie, podzbiór uczenia maszynowego, opiera się na naszym zrozumieniu działania mózgu. Wykorzystanie struktury sztucznych sieci neuronowych w uczeniu głębokim jest podstawą ostatnich postępów w dziedzinie sztucznej inteligencji, w tym autonomicznych samochodów i ChatGPT.

Dlaczego sztuczna inteligencja jest ważna?

Sztuczna inteligencja jest ważna ze względu na swój potencjał zmiany sposobu, w jaki żyjemy, pracujemy i bawimy się. Jest skutecznie wykorzystywana w biznesie do automatyzacji zadań wykonywanych przez ludzi, w tym obsługi klienta, generowania leadów, wykrywania oszustw i kontroli jakości.

W niektórych obszarach sztuczna inteligencja może wykonywać zadania znacznie lepiej niż ludzie. W szczególności, jeśli chodzi o powtarzalne, zorientowane na szczegóły zadania, takie jak analiza dużej liczby dokumentów prawnych w celu upewnienia się, że odpowiednie pola są wypełnione poprawnie, narzędzia AI często wykonują pracę szybko i przy stosunkowo niewielkiej liczbie błędów.

Dzięki ogromnym ilościom danych, które może przetwarzać, sztuczna inteligencja może również zapewnić firmom wgląd w ich operacje, z których mogły nawet nie zdawać sobie sprawy. Wraz z szybko rosnącą populacją narzędzi generatywnych, sztuczna inteligencja będzie ważna w obszarach od edukacji i marketingu po projektowanie produktów.

Rzeczywiście, postępy w technologii sztucznej inteligencji nie tylko przyczyniły się do gwałtownego wzrostu wydajności, ale także otworzyły drzwi do zupełnie nowych możliwości biznesowych dla niektórych dużych przedsiębiorstw. Przed obecną falą rozwoju sztucznej inteligencji trudno byłoby sobie wyobrazić wykorzystanie oprogramowania komputerowego do łączenia pasażerów z taksówkami, ale Uber stał się firmą z listy Fortune 500 właśnie dzięki temu.

Sztuczna inteligencja stała się centralnym elementem wielu największych i odnoszących największe sukcesy firm, w tym Alphabet, Apple, Microsoft i Meta, w których technologie AI są wykorzystywane do usprawniania operacji i wyprzedzania konkurencji. Na przykład w spółce zależnej Alphabet, Google, sztuczna inteligencja odgrywa kluczową rolę w wyszukiwarce, samojezdnych samochodach Waymo i Google Brain, który wynalazł transformacyjną architekturę sieci neuronowych leżącą u podstaw ostatnich przełomów w przetwarzaniu języka naturalnego.

Jakie są zalety i wady sztucznej inteligencji?

Sztuczne sieci neuronowe i technologie głębokiego uczenia szybko się rozwijają, głównie dlatego, że sztuczna inteligencja może przetwarzać duże ilości danych znacznie szybciej i przewidywać dokładniej niż jest to możliwe dla ludzi.

Podczas gdy sama ilość danych tworzonych każdego dnia pogrzebałaby ludzkiego badacza, aplikacje AI wykorzystujące uczenie maszynowe mogą pobierać te dane i szybko przekształcać je w przydatne informacje. W chwili pisania tego tekstu główną wadą sztucznej inteligencji jest to, że przetwarzanie dużych ilości danych wymaganych do jej zaprogramowania jest kosztowne.

Ponieważ technologie sztucznej inteligencji są wdrażane w coraz większej liczbie produktów i usług, organizacje muszą być również przygotowane na możliwość, że sztuczna inteligencja może tworzyć stronnicze i dyskryminujące systemy, celowo lub nieumyślnie.

Korzyści płynące ze sztucznej inteligencji

Poniżej przedstawiamy niektóre z zalet sztucznej inteligencji.

• Dobra w pracy zorientowanej na szczegóły. Wykazano, że sztuczna inteligencja jest równie dobra, jeśli nie lepsza, od lekarzy w diagnozowaniu niektórych rodzajów raka, w tym raka piersi i czerniaka.
• Skrócenie czasu wykonywania zadań obejmujących duże ilości danych. Sztuczna inteligencja jest szeroko stosowana w branżach intensywnie wykorzystujących dane, w tym w bankowości i papierach wartościowych, farmaceutyce i ubezpieczeniach, w celu skrócenia czasu wymaganego do analizy dużych ilości danych. Na przykład usługi finansowe regularnie wykorzystują sztuczną inteligencję do przetwarzania wniosków kredytowych i wykrywania oszustw.
• Oszczędność pracy i zwiększenie produktywności. Przykładem tego jest wykorzystanie automatyzacji magazynów, które wzrosło podczas pandemii i oczekuje się, że wzrośnie dzięki integracji sztucznej inteligencji i uczenia maszynowego.
• Zapewnia spójne wyniki. Najlepsze narzędzia do tłumaczenia AI zapewniają wysoki poziom spójności, oferując nawet małym firmom możliwość komunikowania się z klientami w ich ojczystym języku.
• Zwiększenie zadowolenia klientów dzięki personalizacji. Sztuczna inteligencja może personalizować treści, wiadomości, reklamy, rekomendacje i strony internetowe dla poszczególnych klientów.
• Wirtualni agenci ze sztuczną inteligencją są zawsze w kontakcie. Programy AI nie potrzebują snu ani przerw, zapewniając obsługę 24/7.

Co to jest sztuczna inteligencja w kontekście jej wad?

Poniżej przedstawiamy niektóre z wad sztucznej inteligencji.

• Wysoki koszt.
• Wymaga głębokiej wiedzy technicznej.
• Ograniczona podaż wykwalifikowanych pracowników do tworzenia narzędzi AI.
• Wyświetlanie stronniczości w danych treningowych na dużą skalę.
• Brak zdolności do uogólniania z jednego zadania na inne.
• Eliminuje ludzkie miejsca pracy, zwiększając bezrobocie.

Silna sztuczna inteligencja a słaba sztuczna inteligencja

Sztuczną inteligencję można podzielić na słabą i silną.

• Słaba sztuczna inteligencja, znana również jako wąska sztuczna inteligencja, jest zaprojektowana i przeszkolona do wykonywania określonego zadania. Roboty przemysłowe i wirtualni asystenci osobiści, tacy jak Siri firmy Apple, wykorzystują słabą sztuczną inteligencję.
• Silna sztuczna inteligencja, znana również jako sztuczna inteligencja ogólna (AGI), opisuje programowanie, które może replikować zdolności poznawcze ludzkiego mózgu. W obliczu nieznanego zadania system silnej sztucznej inteligencji może wykorzystać logikę rozmytą, aby zastosować wiedzę z jednej dziedziny do innej i samodzielnie znaleźć rozwiązanie.

Teoretycznie silny program AI powinien być w stanie przejść zarówno test Turinga, jak i argument chińskiego pokoju.

Jakie są 4 rodzaje sztucznej inteligencji?

Dowiedzieliśmy się już, co to jest sztuczna inteligencja, ale jakie są jej rodzaje? Arend Hintze, adiunkt biologii integracyjnej, informatyki i inżynierii na Michigan State University, wyjaśnił, że sztuczną inteligencję można podzielić na cztery typy, zaczynając od inteligentnych systemów zorientowanych na zadania, które są obecnie szeroko stosowane, a kończąc na inteligentnych systemach, które jeszcze nie istnieją. Kategorie są następujące.

Typ 1: Maszyny reaktywne. Te systemy sztucznej inteligencji nie mają pamięci i są zorientowane na zadania. Przykładem jest Deep Blue, program szachowy IBM, który pokonał Garry’ego Kasparova w latach 90-tych. Deep Blue może identyfikować figury na szachownicy i przewidywać, ale ponieważ nie ma pamięci, nie może wykorzystywać przeszłych doświadczeń do kształtowania przyszłości.
Typ 2: Ograniczona pamięć. Te systemy AI mają pamięć, więc mogą wykorzystywać przeszłe doświadczenia do podejmowania przyszłych decyzji. Niektóre funkcje decyzyjne w samochodach autonomicznych są zaprojektowane w ten sposób.
Typ 3: Teoria umysłu. Teoria umysłu to termin z psychologii. W odniesieniu do sztucznej inteligencji oznacza to, że system będzie posiadał inteligencję społeczną umożliwiającą zrozumienie emocji. Ten typ AI będzie w stanie wywnioskować ludzkie intencje i przewidzieć ludzkie zachowanie, co jest niezbędną umiejętnością, aby systemy AI stały się integralnymi członkami ludzkich zbiorowości.
Typ 4: Samoświadomość. W tej kategorii systemy AI mają poczucie własnej wartości, które nadaje im świadomość. Maszyny z samoświadomością rozumieją swój obecny stan. Ten typ sztucznej inteligencji jeszcze nie istnieje.

Jakie są przykłady technologii AI i jak jest ona obecnie wykorzystywana?

Sztuczna inteligencja jest zintegrowana z wieloma różnymi rodzajami technologii. Oto siedem przykładów.

Automatyzacja. W połączeniu z technologiami AI, narzędzia do automatyzacji mogą rozszerzyć zakres i rodzaje wykonywanych zadań. Przykładem jest zrobotyzowana automatyzacja procesów (RPA), rodzaj oprogramowania, które automatyzuje powtarzalne zadania przetwarzania danych w oparciu o reguły, które tradycyjnie były wykonywane przez ludzi.

W połączeniu z uczeniem maszynowym i nowymi narzędziami sztucznej inteligencji, RPA może zautomatyzować znaczną część pracy w przedsiębiorstwie, umożliwiając taktycznym botom RPA przekazywanie informacji ze sztucznej inteligencji i reagowanie na zmiany w procesie.

Uczenie maszynowe. Jest to nauka o tym, jak sprawić, by komputer działał bez programowania. Głębokie uczenie to podzbiór uczenia maszynowego, który można w bardzo prosty sposób traktować jako automatyzację analityki predykcyjnej. Istnieją trzy rodzaje algorytmów uczenia maszynowego:

• Uczenie nadzorowane. Zbiory danych są oznaczane etykietami, dzięki czemu można zidentyfikować wzorce i wykorzystać je do oznaczania nowych zbiorów danych.
• Uczenie bez nadzoru. Zbiory danych nie są etykietowane i są sortowane według podobieństwa lub różnicy.

Uczenie ze wzmocnieniem. Zbiory danych nie są etykietowane, ale po wykonaniu działania lub kilku działań system sztucznej inteligencji otrzymuje informacje zwrotne.
Widzenie maszynowe. Technologia ta daje maszynie zdolność widzenia. Widzenie maszynowe przechwytuje i analizuje informacje wizualne za pomocą kamery, konwersji analogowo-cyfrowej i cyfrowego przetwarzania sygnału. Często porównuje się ją do ludzkiego wzroku, ale widzenie maszynowe nie jest oparte na podstawach biologicznych i można je zaprogramować tak, aby na przykład widziało przez ściany.

Jest wykorzystywana w szerokim zakresie zastosowań, od rozpoznawania podpisów po analizę obrazów medycznych. Widzenie komputerowe, które koncentruje się na maszynowym przetwarzaniu obrazu, jest często mylone z widzeniem maszynowym.

Przetwarzanie języka naturalnego (NLP). Jest to przetwarzanie ludzkiego języka przez program komputerowy. Jednym z najstarszych i najbardziej znanych przykładów sztucznej inteligencji w NLP jest wykrywanie spamu, które analizuje temat i tekst wiadomości e-mail i decyduje, czy jest ona niechciana. Nowoczesne podejścia do NLP opierają się na uczeniu maszynowym. Zadania NLP obejmują tłumaczenie tekstu, analizę nastrojów i rozpoznawanie mowy.

Robotyka. Ta gałąź inżynierii skupia się na projektowaniu i produkcji robotów. Roboty są często wykorzystywane do wykonywania zadań, które są trudne do wykonania przez ludzi lub do wykonywania ich w sposób spójny. Na przykład roboty są wykorzystywane na liniach montażowych w produkcji samochodów lub przez NASA do przenoszenia dużych obiektów w przestrzeni kosmicznej. Naukowcy wykorzystują również uczenie maszynowe do tworzenia robotów, które mogą wchodzić w interakcje w środowiskach społecznych.

Samojezdne samochody. Co to jest sztuczna inteligencja w samochodach? Autonomiczne samochody wykorzystują połączenie wizji komputerowej, rozpoznawania obrazu i głębokiego uczenia się, aby stworzyć zautomatyzowane umiejętności pilotowania pojazdu, pozostając na danym pasie ruchu i unikając nieoczekiwanych przeszkód, takich jak piesi.

Generowanie tekstu, obrazu i dźwięku. Metody generatywnej sztucznej inteligencji, które tworzą różne rodzaje mediów na podstawie podpowiedzi tekstowych, są szeroko stosowane w biznesie do tworzenia pozornie nieograniczonego zakresu typów treści, od fotorealistycznej sztuki po odpowiedzi e-mail i skrypty.

Jakie są zastosowania sztucznej inteligencji?

Sztuczna inteligencja znalazła zastosowanie na wielu różnych rynkach. Oto 11 przykładów.

Sztuczna inteligencja w opiece zdrowotnej. Największy nacisk kładzie się na poprawę wyników leczenia pacjentów i obniżenie kosztów. Firmy wykorzystują uczenie maszynowe do stawiania diagnoz medycznych lepiej i szybciej niż ludzie. Jedną z najbardziej znanych technologii w sektorze opieki zdrowotnej jest IBM Watson. Rozumie on język naturalny i potrafi odpowiadać na zadawane mu pytania.

System analizuje dane pacjenta i inne dostępne źródła informacji w celu sformułowania hipotezy, którą następnie przedstawia w formie schematu zaufania.

Inne zastosowania sztucznej inteligencji obejmują wykorzystanie wirtualnych asystentów medycznych i chatbotów, aby pomóc pacjentom i klientom placówek opieki zdrowotnej znaleźć informacje medyczne, zaplanować wizyty, zrozumieć proces rozliczeniowy i wykonać inne procesy administracyjne. Różne technologie sztucznej inteligencji są również wykorzystywane do przewidywania, zwalczania i rozumienia pandemii, takich jak COVID-19.

Sztuczna inteligencja w biznesie. Algorytmy uczenia maszynowego są integrowane z platformami analitycznymi i zarządzania relacjami z klientami (CRM), aby zapewnić wgląd w to, jak lepiej obsługiwać klientów. Chatboty są integrowane ze stronami internetowymi w celu zapewnienia natychmiastowej obsługi klienta.

Oczekuje się, że szybki rozwój technologii generatywnej sztucznej inteligencji, takich jak ChatGPT, będzie miał daleko idące konsekwencje: eliminację miejsc pracy, zrewolucjonizowanie projektowania produktów i zakłócenie modeli biznesowych.

Sztuczna inteligencja w edukacji. Sztuczna inteligencja może zautomatyzować ocenianie, dając nauczycielom więcej czasu na inne zadania. Może oceniać uczniów i dostosowywać się do ich potrzeb, pomagając im pracować we własnym tempie. Nauczyciele AI mogą zapewnić dodatkowe wsparcie uczniom, zapewniając, że pozostaną na dobrej drodze.

Technologia może również zmienić miejsce i sposób uczenia się uczniów, być może nawet zastępując niektórych nauczycieli. Jak pokazują ChatGPT, Google Bard i inne duże modele językowe, generatywna sztuczna inteligencja może pomóc nauczycielom w tworzeniu zajęć i innych materiałów edukacyjnych oraz angażować uczniów na nowe sposoby. Pojawienie się tych narzędzi zmusza również nauczycieli do ponownego przemyślenia zadań domowych i testów oraz zrewidowania zasad dotyczących plagiatu.

Sztuczna inteligencja w finansach. Sztuczna inteligencja w aplikacjach do finansów osobistych, takich jak Intuit Mint czy TurboTax, zakłóca funkcjonowanie instytucji finansowych. Aplikacje te gromadzą dane osobowe i zapewniają porady finansowe. Inne aplikacje, takie jak IBM Watson, zostały zastosowane w procesie zakupu domu. Obecnie oprogramowanie AI wykonuje większość transakcji na Wall Street.

Sztuczna inteligencja w prawie. Proces wyszukiwania – przeglądania dokumentów – w prawie jest często przytłaczający dla ludzi. Wykorzystanie sztucznej inteligencji do automatyzacji pracochłonnych procesów w branży prawniczej oszczędza czas i poprawia obsługę klienta. Firmy prawnicze wykorzystują uczenie maszynowe do opisywania danych i przewidywania wyników, wizję komputerową do klasyfikowania i wyodrębniania informacji z dokumentów oraz NLP do interpretowania wniosków o udzielenie informacji.

Sztuczna inteligencja w rozrywce i mediach. Branża rozrywkowa wykorzystuje metody sztucznej inteligencji do ukierunkowanej reklamy, rekomendacji treści, dystrybucji, wykrywania oszustw, tworzenia scenariuszy i produkcji filmów. Zautomatyzowane dziennikarstwo pomaga redakcjom zoptymalizować przepływy pracy w mediach, zmniejszając czas, koszty i złożoność.

Newsroomy wykorzystują sztuczną inteligencję do automatyzacji rutynowych zadań, takich jak wprowadzanie danych i korekta, a także do wyszukiwania tematów i pomocy w pisaniu nagłówków. To, w jaki sposób dziennikarstwo może niezawodnie wykorzystywać ChatGPT i inne generatywne SI do tworzenia treści, pozostaje kwestią otwartą.

Sztuczna inteligencja w kodowaniu oprogramowania i procesach IT. Nowe narzędzia sztucznej inteligencji generatywnej mogą być wykorzystywane do tworzenia kodu aplikacji w oparciu o podpowiedzi w języku naturalnym, ale narzędzia te są wciąż w powijakach i jest mało prawdopodobne, aby w najbliższym czasie zastąpiły inżynierów oprogramowania.

Sztuczna inteligencja jest również wykorzystywana do automatyzacji wielu procesów IT, w tym wprowadzania danych, wykrywania oszustw, obsługi klienta oraz konserwacji i prognozowania bezpieczeństwa.

Bezpieczeństwo. Sztuczna inteligencja i uczenie maszynowe znajdują się na szczycie listy haseł wykorzystywanych przez dostawców zabezpieczeń do promowania swoich produktów, więc kupujący powinni podchodzić do nich z ostrożnością. Niemniej jednak techniki sztucznej inteligencji zostały z powodzeniem zastosowane w wielu aspektach cyberbezpieczeństwa, w tym w wykrywaniu anomalii, rozwiązywaniu fałszywych alarmów i behawioralnej analizie zagrożeń.

Organizacje wykorzystują uczenie maszynowe w oprogramowaniu do zarządzania informacjami i zdarzeniami bezpieczeństwa (SIEM) i powiązanych obszarach do wykrywania anomalii i identyfikowania podejrzanych działań wskazujących na zagrożenia. Analizując dane i wykorzystując logikę do wykrywania podobieństw do znanego złośliwego kodu, sztuczna inteligencja może ostrzegać o nowych i potencjalnych atakach znacznie wcześniej niż ludzie i poprzednie iteracje technologiczne.

Sztuczna inteligencja w produkcji. Branża produkcyjna przoduje we wprowadzaniu robotów do przepływu pracy. Na przykład roboty przemysłowe, które kiedyś były zaprogramowane do wykonywania określonych zadań i oddzielone od ludzkich pracowników, coraz częściej funkcjonują jako coboty: Mniejsze, wielozadaniowe roboty, które współpracują z ludźmi i przejmują większość pracy w magazynach, halach fabrycznych i innych miejscach pracy.

Sztuczna inteligencja w bankowości. Banki od dawna badają co to jest sztuczna inteligencja i z powodzeniem wykorzystują chatboty do informowania klientów o usługach i ofertach, a także do przeprowadzania transakcji, które nie wymagają interwencji człowieka. Wirtualni asystenci wykorzystujący sztuczną inteligencję są wykorzystywani do poprawy i obniżenia kosztów zgodności z przepisami bankowymi.

Jak Y Combinator zmienił świat: zmiana paradygmatu innowacji technologicznych

Organizacje bankowe wykorzystują sztuczną inteligencję do usprawnienia procesu podejmowania decyzji dotyczących udzielania pożyczek, ustalania limitów kredytowych i identyfikowania możliwości inwestycyjnych.

Sztuczna inteligencja w transporcie. Oprócz fundamentalnej roli AI w zarządzaniu autonomicznymi pojazdami, technologie AI są wykorzystywane w transporcie do zarządzania ruchem, przewidywania opóźnień lotów oraz poprawy bezpieczeństwa i wydajności transportu morskiego.

W łańcuchach dostaw sztuczna inteligencja zastępuje tradycyjne metody prognozowania popytu i przewidywania zakłóceń, a trend ten przyspieszył od czasu COVID-19, kiedy wiele firm zostało zaskoczonych wpływem globalnej pandemii na podaż i popyt.

Rozszerzona inteligencja a sztuczna inteligencja

Niektórzy eksperci branżowi twierdzą, że termin “sztuczna inteligencja” jest zbyt ściśle związany z kulturą popularną, co doprowadziło do niewiarygodnych oczekiwań ogółu społeczeństwa co do tego, jak sztuczna inteligencja zmieni miejsce pracy i życie w ogóle.

Zasugerowali użycie terminu “rozszerzona inteligencja”, aby odróżnić systemy AI, które działają autonomicznie – przykłady w kulturze popularnej to Hal 9000 i Terminator – od narzędzi AI, które wspierają ludzi.

Rozszerzona inteligencja. Niektórzy badacze i marketerzy mają nadzieję, że termin “rozszerzona inteligencja”, który ma bardziej neutralne konotacje, pomoże ludziom zrozumieć, że większość wdrożeń sztucznej inteligencji będzie słaba i po prostu ulepszy produkty i usługi.

Przykłady obejmują automatyczne wyświetlanie ważnych informacji w raportach wywiadu gospodarczego lub podkreślanie ważnych informacji w dokumentach prawnych.

Szybkie przyjęcie ChatGPT i Bard w różnych branżach pokazuje gotowość do wykorzystania sztucznej inteligencji do wspierania ludzkiego procesu decyzyjnego.

Sztuczna inteligencja. Prawdziwa sztuczna inteligencja, czyli AGI, jest ściśle powiązana z koncepcją technologicznej osobliwości – przyszłości zdominowanej przez sztuczną superinteligencję, która znacznie przekracza zdolność ludzkiego mózgu do jej zrozumienia lub tego, jak kształtuje naszą rzeczywistość. Pozostaje to w sferze science fiction, choć niektórzy deweloperzy pracują nad tym problemem.

Wielu uważa, że technologie takie jak obliczenia kwantowe mogą odegrać ważną rolę w urzeczywistnieniu AGI i że powinniśmy zarezerwować użycie terminu AI dla tego typu ogólnej inteligencji.

Kiedy nadejdzie prawdziwa sztuczna inteligencja? Prognoza dla liderów technologii

Etyczne wykorzystanie sztucznej inteligencji

Podczas gdy narzędzia sztucznej inteligencji zapewniają firmom szereg nowych funkcji, korzystanie ze sztucznej inteligencji wiąże się również z kwestiami etycznymi, ponieważ, na dobre lub na złe, system sztucznej inteligencji wzmacnia to, czego już się nauczył.

Może to być problematyczne, ponieważ algorytmy uczenia maszynowego, które stanowią podstawę wielu najbardziej zaawansowanych narzędzi AI, są tak inteligentne, jak dane, z których się uczą. Ponieważ to ludzie wybierają dane, które mają być wykorzystane do szkolenia programu AI, potencjał stronniczości uczenia maszynowego jest nieodłączny i musi być uważnie monitorowany.

Każdy, kto chce wykorzystać uczenie maszynowe jako część rzeczywistych systemów produkcyjnych, powinien wziąć pod uwagę etykę w procesie szkolenia AI i starać się unikać stronniczości. Jest to szczególnie ważne w przypadku korzystania z algorytmów sztucznej inteligencji, które są z natury niewytłumaczalne w aplikacjach głębokiego uczenia i generatywnych sieci przeciwstawnych (GAN).

Wyjaśnialność jest potencjalną przeszkodą w stosowaniu sztucznej inteligencji w branżach, które działają zgodnie z surowymi wymogami regulacyjnymi. Na przykład instytucje finansowe w Stanach Zjednoczonych działają zgodnie z zasadami, które wymagają od nich wyjaśniania swoich decyzji kredytowych.

Jednak gdy decyzja o odmowie udzielenia pożyczki jest podejmowana przy użyciu programowania AI, wyjaśnienie, w jaki sposób decyzja została podjęta, może być trudne, ponieważ narzędzia AI wykorzystywane do podejmowania takich decyzji działają poprzez wyszukiwanie subtelnych korelacji między tysiącami zmiennych. Gdy nie można wyjaśnić procesu decyzyjnego, aplikację można nazwać “czarną skrzynką” AI.

Podsumowując, wyzwania etyczne związane ze sztuczną inteligencją są następujące:

• Stronniczość wynikająca z niewłaściwie wyszkolonych algorytmów i ludzkich uprzedzeń.
• Nadużycia poprzez podrabianie i phishing.
• Kwestie prawne, w tym zniesławienie AI i naruszenie praw autorskich.
• Likwidacja miejsc pracy ze względu na rosnące możliwości sztucznej inteligencji.
• Obawy o prywatność danych, zwłaszcza w sektorze bankowym, opieki zdrowotnej i prawnym.

Zarządzanie i regulacja sztucznej inteligencji

Pomimo potencjalnych zagrożeń, obecnie istnieje niewiele przepisów regulujących, czym jest sztuczna inteligencja i jak jest wykorzystywana, a tam, gdzie istnieją przepisy, są one zwykle pośrednio związane z AI.

Na przykład, jak wspomniano wcześniej, amerykańskie przepisy dotyczące uczciwych pożyczek wymagają od instytucji finansowych wyjaśniania decyzji kredytowych potencjalnym klientom. Ogranicza to zakres, w jakim pożyczkodawcy mogą korzystać z algorytmów głębokiego uczenia, które są z natury nieprzejrzyste i niewytłumaczalne.

Ogólne rozporządzenie Unii Europejskiej o ochronie danych (RODO) odnosi się do regulacji AI. Surowe ograniczenia RODO dotyczące sposobu, w jaki firmy mogą wykorzystywać dane konsumentów, już teraz ograniczają szkolenia i funkcjonalność wielu aplikacji AI skierowanych do konsumentów.

Politycy w Stanach Zjednoczonych nie uchwalili jeszcze przepisów dotyczących sztucznej inteligencji, ale wkrótce może się to zmienić. “Draft AI Bill of Rights” opublikowany w październiku 2022 r. przez Biuro Polityki Naukowej i Technologicznej Białego Domu (OSTP) zawiera zalecenia dla firm dotyczące wdrażania etycznych systemów sztucznej inteligencji. Amerykańska Izba Handlowa również wezwała do regulacji sztucznej inteligencji w raporcie opublikowanym w marcu 2023 r.

Opracowanie przepisów regulujących, czym jest sztuczna inteligencja (AI), będzie wyzwaniem, częściowo dlatego, że AI obejmuje różnorodne technologie, które firmy wykorzystują do różnych celów, a częściowo dlatego, że regulacja mogłaby utrudnić postęp i rozwój AI. Szybka ewolucja technologii AI jest kolejną przeszkodą w tworzeniu znaczących regulacji AI, podobnie jak wyzwania związane z brakiem przejrzystości w AI, co utrudnia zrozumienie, w jaki sposób algorytmy osiągają swoje wyniki.

Ponadto przełomy technologiczne i nowe aplikacje, takie jak ChatGPT i Dall-E, mogą natychmiast sprawić, że istniejące przepisy staną się nieaktualne. Oczywiście przepisy, które rządy zdołają opracować w celu uregulowania sztucznej inteligencji, nie powstrzymają przestępców przed wykorzystywaniem tej technologii w złych zamiarach.

Etapy rozwoju sztucznej inteligencji od 1950 roku do dnia dzisiejszego.
Sztuczna inteligencja ma długą i czasami kontrowersyjną historię, począwszy od testu Turinga w 1950 roku, a skończywszy na nowoczesnych chatbotach generatywnych, takich jak ChatGPT.

Jaka jest historia sztucznej inteligencji?

Koncepcja obiektów nieożywionych obdarzonych inteligencją istnieje od czasów starożytnych. Grecki bóg Hefajstos był przedstawiany w mitach jako wykuwający ze złota robotopodobnych służących. W starożytnym Egipcie inżynierowie budowali posągi bogów, które kapłani ożywiali. Na przestrzeni wieków myśliciele od Arystotelesa po XIII-wiecznego hiszpańskiego teologa Ramona Llulla, René Descartesa i Thomasa Bayesa wykorzystywali narzędzia i logikę swoich czasów do opisywania ludzkich procesów myślowych w formie symboli, kładąc podwaliny pod koncepcje sztucznej inteligencji, takie jak reprezentowanie wiedzy ogólnej.

Pod koniec XIX i w pierwszej połowie XX wieku pojawiły się fundamentalne prace, które doprowadziły do stworzenia nowoczesnego komputera. W 1836 roku matematyk z Uniwersytetu Cambridge Charles Babbage i Augusta Ada King, hrabina Lovelace, wynaleźli pierwszy projekt programowalnej maszyny.

1940s. Matematyk z Princeton, John von Neumann, opracował architekturę komputera z pamięcią trwałą – chodzi o to, że program komputerowy i przetwarzane przez niego dane mogą być przechowywane w pamięci komputera. Warren McCulloch i Walter Pitts położyli podwaliny pod sieci neuronowe.

1950s. Wraz z pojawieniem się nowoczesnych komputerów naukowcy byli w stanie przetestować swoje pomysły dotyczące inteligencji maszyn. Alan Turing, brytyjski matematyk i odkrywca kodów z czasów II wojny światowej, opracował jedną z metod określania, czy komputer jest inteligentny. Test Turinga koncentrował się na zdolności komputera do oszukiwania śledczych, aby uwierzyli, że odpowiedzi na ich pytania zostały udzielone przez człowieka.

Współczesna dziedzina sztucznej inteligencji jest powszechnie cytowana jako zapoczątkowana w tym roku podczas letniej konferencji w Dartmouth College. Sponsorowana przez Agencję Zaawansowanych Projektów Badawczych Obrony (DARPA) konferencja zgromadziła 10 wybitnych ekspertów w tej dziedzinie, w tym pionierów sztucznej inteligencji Marvina Minsky’ego, Olivera Selfridge’a i Johna McCarthy’ego, któremu przypisuje się ukucie terminu “sztuczna inteligencja”.

Obecni byli również Allen Newell, informatyk, oraz Herbert A. Simon, ekonomista, politolog i psycholog poznawczy. Zaprezentowali oni swój innowacyjny program Logic Theorist, program komputerowy zdolny do dowodzenia pewnych twierdzeń matematycznych, który nazywany jest pierwszym programem ze sztuczną inteligencją.

Lata 50. i 60. XX wieku. Po konferencji w Dartmouth College liderzy w raczkującej dziedzinie sztucznej inteligencji przewidywali, że sztuczna inteligencja równoważna ludzkiemu mózgowi jest tuż za rogiem, przyciągając uwagę rządu i przemysłu.

Rzeczywiście, prawie 20 lat dobrze finansowanych badań podstawowych doprowadziło do znacznego postępu w dziedzinie sztucznej inteligencji: na przykład pod koniec lat 50. Newell i Simon opublikowali algorytm General Problem Solver (GPS), który nie rozwiązywał złożonych problemów, ale położył podwaliny pod rozwój bardziej zaawansowanych architektur poznawczych; a McCarthy opracował język programowania Lisp AI, który jest nadal w użyciu.

W połowie lat 60. profesor MIT Joseph Weisenbaum opracował ELIZA, wczesny program NLP, który położył podwaliny pod nowoczesne chatboty.

Lata 70. i 80. XX wieku. Osiągnięcie sztucznej inteligencji ogólnej okazało się raczej nieosiągalne niż nieuniknione, ze względu na ograniczenia w przetwarzaniu komputerowym i pamięci, a także złożoność problemu. Rządy i korporacje wycofały swoje wsparcie dla badań nad sztuczną inteligencją, co doprowadziło do okresu ciszy, który trwał od 1974 do 1980 roku i stał się znany jako pierwsza “zima sztucznej inteligencji”.

W latach 80. badania Edwarda Feigenbauma nad głębokim uczeniem się i wdrażaniem systemów eksperckich wywołały nową falę entuzjazmu dla sztucznej inteligencji, po której nastąpił kolejny spadek finansowania rządowego i wsparcia ze strony przemysłu. Druga zima AI trwała do połowy lat 90-tych.

1990s. Wzrost mocy obliczeniowej i eksplozja danych zapoczątkowały renesans sztucznej inteligencji pod koniec lat 90-tych, co przygotowało grunt pod znaczące postępy w sztucznej inteligencji, które obserwujemy dzisiaj.

Połączenie dużych ilości danych i rosnącej mocy obliczeniowej doprowadziło do przełomów w NLP, wizji komputerowej, robotyce, uczeniu maszynowym i głębokim uczeniu. W 1997 roku, gdy rozwój sztucznej inteligencji przyspieszył, Deep Blue firmy IBM pokonał rosyjskiego arcymistrza Garry’ego Kasparowa, stając się pierwszym programem komputerowym, który pokonał mistrza świata w szachach.

2000s. Dalszy rozwój w dziedzinie uczenia maszynowego, głębokiego uczenia, NLP, rozpoznawania mowy i wizji komputerowej doprowadził do pojawienia się produktów i usług, które ukształtowały nasz dzisiejszy styl życia.

Obejmują one uruchomienie wyszukiwarki Google w 2000 roku i uruchomienie systemu rekomendacji Amazon w 2001 roku. Netflix opracował system rekomendacji filmów, Facebook wprowadził system rozpoznawania twarzy, a Microsoft uruchomił system rozpoznawania mowy do konwersji mowy na tekst. IBM uruchomił Watson, a Google uruchomił swoją inicjatywę autonomicznej jazdy Waymo.

2010s. Dekada między 2010 a 2020 rokiem upłynęła pod znakiem stałego rozwoju sztucznej inteligencji. Obejmowały one uruchomienie asystentów głosowych Apple Siri i Amazon Alexa; zwycięstwa IBM Watson w Jeopardy; samojezdne samochody; opracowanie pierwszej generatywnej sieci przeciwstawnej; oraz uruchomienie TensorFlow, platformy głębokiego uczenia Google typu open source; założenie laboratorium badawczego OpenAI, twórców modelu językowego GPT-3 i generatora obrazu Dall-E; pokonanie mistrza świata w grze Go Lee Sedola przez AlphaGo z Google DeepMind; wprowadzenie systemów opartych na sztucznej inteligencji, które diagnozują raka z dużą dokładnością.

2020s. Ta dekada była naznaczona pojawieniem się generatywnej sztucznej inteligencji, rodzaju technologii sztucznej inteligencji zdolnej do tworzenia nowych treści. Generatywna sztuczna inteligencja zaczyna od podpowiedzi, która może mieć postać tekstu, obrazów, filmów, projektów, nut lub innych danych, które system sztucznej inteligencji może przetworzyć. Różne algorytmy sztucznej inteligencji zwracają następnie nową treść w odpowiedzi na podpowiedź.

Treść może obejmować eseje, rozwiązywanie problemów lub realistyczne podróbki oparte na ludzkich zdjęciach lub nagraniach audio. Zdolności modeli językowych, takich jak ChatGPT-3, Google’s Bard i Microsoft’s Megatron-Turing NLG zrobiły wrażenie na świecie, ale technologia ta jest wciąż na wczesnym etapie, o czym świadczy jej tendencja do halucynacji lub zniekształcania odpowiedzi.

Co to jest sztuczna inteligencja: narzędzia i usługi

Narzędzia i usługi AI szybko się rozwijają. Obecne innowacje w narzędziach i usługach AI można prześledzić wstecz do sieci neuronowej AlexNet w 2012 roku, która zapoczątkowała nową erę wysokowydajnej sztucznej inteligencji opartej na procesorach graficznych i dużych zbiorach danych. Kluczową zmianą była możliwość trenowania sieci neuronowych na ogromnych ilościach danych na wielu rdzeniach GPU równolegle w bardziej skalowalny sposób.

W ciągu ostatnich kilku lat symbioza odkryć w zakresie sztucznej inteligencji dokonanych przez Google, Microsoft i OpenAI oraz innowacji sprzętowych firmy Nvidia umożliwiła uruchamianie coraz większych modeli sztucznej inteligencji na większej liczbie układów GPU, co doprowadziło do radykalnej poprawy wydajności i skalowalności.

Współpraca między tymi luminarzami AI miała kluczowe znaczenie dla niedawnego sukcesu ChatGPT, nie wspominając o dziesiątkach innych przełomowych usług AI. Oto krótki przegląd ważnych innowacji w narzędziach i usługach AI.

Google, na przykład, stał się liderem w poszukiwaniu bardziej wydajnego procesu szkolenia AI na dużym klastrze konwencjonalnych komputerów z procesorami graficznymi. Utorowało to drogę do odkrycia transformatorów, które automatyzują wiele aspektów szkolenia AI na nieoznakowanych danych.

Optymalizacja sprzętu. Co równie ważne, producenci sprzętu, tacy jak Nvidia, również optymalizują mikrokod, aby działał równolegle na wielu rdzeniach GPU dla najpopularniejszych algorytmów.

Nvidia twierdzi, że połączenie szybszego sprzętu, bardziej wydajnych algorytmów AI, precyzyjnego dostrojenia instrukcji GPU i lepszej integracji z centrum danych skutkuje milionkrotnym wzrostem wydajności AI. Nvidia współpracuje również ze wszystkimi dostawcami usług w chmurze, aby szerzej udostępnić te możliwości jako usługę AI-as-a-Service za pośrednictwem modeli IaaS, SaaS i PaaS.

Generatywne, wstępnie wytrenowane transformatory. Stos AI również szybko ewoluował w ciągu ostatnich kilku lat. Wcześniej firmy musiały trenować swoje modele AI od podstaw. Coraz więcej dostawców, takich jak OpenAI, Nvidia, Microsoft, Google i inni, oferuje wstępnie wytrenowane transformatory generatywne (GPT), które można precyzyjnie dostroić do konkretnego zadania przy znacznie niższych kosztach, wiedzy specjalistycznej i czasie.

Podczas gdy niektóre z największych modeli kosztują od 5 do 10 milionów dolarów za pojedyncze uruchomienie, przedsiębiorstwa mogą dostroić wynikowe modele za kilka tysięcy dolarów. Skraca to czas wprowadzania produktów na rynek i zmniejsza ryzyko.

Usługi AI oparte na chmurze: Jedną z największych przeszkód uniemożliwiających przedsiębiorstwom skuteczne wykorzystanie sztucznej inteligencji w ich działalności jest inżynieria danych i zadania związane z nauką o danych wymagane do zintegrowania możliwości AI z istniejącymi aplikacjami lub opracowania nowych.

Wszyscy wiodący dostawcy usług w chmurze wprowadzają własne markowe usługi AI, aby uprościć przygotowywanie danych, opracowywanie modeli i wdrażanie aplikacji. Najlepszymi przykładami są AWS AI Services, Google Cloud AI, platforma Microsoft Azure AI, rozwiązania IBM AI i Oracle Cloud Infrastructure AI Services.

Microsoft zapowiada Windows Copilot, osobistego asystenta ze sztuczną inteligencją

Zaawansowane modele AI jako usługa. Wiodący twórcy modeli AI oferują również najnowocześniejsze modele AI oparte na tych usługach w chmurze. OpenAI ma dziesiątki dużych modeli językowych zoptymalizowanych pod kątem czatu, NLP, generowania obrazów i kodu, które są dostarczane za pośrednictwem Azure.

Nvidia przyjęła podejście bardziej oparte na chmurze, sprzedając infrastrukturę sztucznej inteligencji i modele bazowe zoptymalizowane pod kątem tekstu, obrazu i danych medycznych, dostępne u wszystkich dostawców usług w chmurze. Setki innych graczy oferuje również modele dostosowane do różnych branż i przypadków użycia.

Źródło: https://www.techtarget.com