Ano nga ba talaga ang AI? [Video at Pagsusulit]

Maikling sagot: Ang AI ay isang malawak na pamilya ng mga pamamaraan sa pagkalkula na kumikilala ng mga pattern, gumagawa ng mga hula, bumubuo ng nilalaman at, lalong nagiging aktibo. Maaari itong maging lubos na epektibo kapag ang maaasahang impormasyon, malinaw na mga pahintulot at pagsusuri ng tao ay nakabatay dito, ngunit ang mahusay na output ay hindi dapat ituring na awtomatikong patunay ng katotohanan.

Mga pangunahing punto:

Pananagutan: Panatilihing responsable ang mga tao sa mahahalagang desisyon, lalo na kung saan ang AI ay maaaring makagawa ng mga magastos na pagkakamali.

Transparency: Linawin kung anong impormasyon, mga patakaran, at mga pahintulot ang pinagbabatayan ng isang AI system.

Beripikasyon: Suriin ang mahahalagang katotohanan, medikal, legal, pinansyal at pangnegosyong resulta bago kumilos ayon sa mga ito.

Kakayahang Ma-awdit: Subukan ang AI na may mga representatibong kaso at itala ang parehong mga nadagdag na kahusayan at mga ipinakilalang error.

Paglaban sa maling paggamit: Limitahan ang access, pigilan ang mga hindi sinusuportahang aksyon, at idulog ang mga hindi tiyak na kaso sa mga taong tagasuri.

1. Ano ba Talaga ang AI? Ang Simpleng Paliwanag

Ang artificial intelligence, o AI, ay tumutukoy sa mga sistemang pangkompyuter na kayang magsagawa ng mga gawaing nauugnay sa katalinuhan ng tao.

Maaaring kabilang sa mga gawaing iyon ang:

• Pag-unawa sa wika

• Pagkilala sa mga bagay sa mga imahe

• Paghula sa susunod na mangyayari

• Paggawa ng mga rekomendasyon

• Pagbuo ng teksto, mga larawan, audio, o video

• Pagtukoy ng mga pattern sa napakalaking mga dataset

• Paggawa ng mga desisyon batay sa magagamit na impormasyon

• Pagkatuto mula sa mga halimbawa

• Paglutas ng ilang uri ng problema

Isang punto ang mahalaga rito.

Hindi kinakailangang mag-isip ang AI na parang tao para makagawa ng mga resultang mukhang matalino.

Ang isang programa ng chess ay hindi nauupo roon at nag-aalala kung ang pagsasakripisyo sa obispo nito ay tama ba sa emosyonal na aspeto. Ang isang algorithm ng rekomendasyon ay hindi nagkakaroon ng personal na pagkakabit sa dokumentaryo na paulit-ulit nitong iminumungkahi sa iyo. Ang isang modelo ng wika ay hindi nangangailangan ng isang maliit na guro ng Ingles na nakatira sa loob ng computer.

Sa halip, pinoproseso ng mga sistemang ito ang impormasyon gamit ang mga modelong matematikal, mga algorithm, datos ng pagsasanay, mga panuntunan, mga probabilidad, at napakalaking dami ng pagkalkula.

Ang huling resulta ay maaaring magmukhang kahanga-hanga at makatao.

Ngunit ang mekanismo sa ilalim ay ibang-iba.

Ang pagkakaibang iyan ay mas mahalaga kaysa sa kung minsan ay natatanto ng mga tao.

2. Ang AI ay Hindi Parang Utak ng Robot at Mas Parang Makinang Panghula

Kapag naririnig ng mga tao ang "artificial intelligence," madalas nilang naiisip ang isang bagay na kahawig ng isang sintetikong utak ng tao.

Naiintindihan naman. Gumugol ang science fiction ng mga dekada na nagbigay sa AI ng kumikinang na mga mata, nakakatakot na mga boses, kahina-hinalang malakas na mga opinyon at, kadalasan, isang uri ng kalansay na metal.

Ang praktikal na AI sa pangkalahatan ay hindi gaanong sinematiko.

Maraming modernong sistema ng AI ang gumagana sa pamamagitan ng prediksyon.

Isaalang-alang ang isang modelo ng wika.

Kapag nagta-type ka:

"Nakaupo ang pusa sa..."

Sinusuri ng sistema kung aling mga salita ang malamang na susunod sa istatistika.

Posibleng:

• banig

• sahig

• sopa

• upuan

Hindi nito basta-basta kabisaduhin ang isang pangungusap at binabawi ito. Natutunan na ng isang sapat na advanced na modelo ang mga kumplikadong ugnayan sa pagitan ng mga salita, ideya, istruktura ng pangungusap, konsepto, istilo, katotohanan, at mga padron.

Pagkatapos ay hinuhulaan nito ang pagkakasunod-sunod na pinakaangkop sa konteksto. na paghula sa susunod na salita ay nangangailangan ng maraming pag-aaral tungkol sa wika.

At ang wika ay naglalaman ng... well, halos lahat ng pinag-uusapan ng mga tao.

Kasaysayan. Matematika. Pagluluto. Programming. Mga Relasyon. Pisika. Mga pagtatalo kung ang pinya ay kasama sa pizza.

Kaya ang isang tila pangunahing gawain sa paghula ay maaaring makagawa ng nakakagulat na kumplikadong pag-uugali.

Siyempre, may mga limitasyon ang metapora. Ang pagtawag sa advanced AI na "autocomplete lang" ay parang pagtawag sa isang eroplano na "isang metal na may mga pakpak." Sa teknikal na aspeto, mayroong isang bagay na totoo na nakatago roon, ngunit karamihan sa mga kawili-wiling bahagi ay nawala na.

3. Paano Natututo ang Artipisyal na Katalinuhan?

Dito machine learning .

Ang tradisyonal na software ay karaniwang gumagana sa pamamagitan ng mga tahasang tagubilin.

Maaaring isulat ng isang programmer:

• Kung tama ang password na inilagay ng user, payagan ang pag-access.

• Kung ang temperatura ay lumampas sa isang tiyak na limitasyon, isaaktibo ang paglamig.

• Kung wala nang stock ang isang item, magpakita ng babala.

Ang mga tagubiling iyon ay sadyang nakaprograma.

Binabago ng machine learning ang proseso.

Sa halip na manu-manong tukuyin ang bawat panuntunan, nagbibigay ang mga developer ng mga halimbawa o datos ng sistema at hinahayaan itong tumuklas ng mga pattern.

Isipin mong sinusubukan mong gumawa ng software na kayang kumilala ng mga pusa sa mga litrato.

Ang pagsulat ng mga tahasang patakaran ay magiging katawa-tawa nang mabilis.

Maaari mong subukan:

• Maghanap ng mga tatsulok na tainga.

• Maghanap ng mga bigote.

• Maghanap ng apat na paa.

• Maghanap ng balahibo.

Tapos may nag-upload ng litrato ng isang soro.

Hindi naman talaga.

O isang tigre.

O isang pusang nakakulot at parang malambot na patak kung saan halos hindi mo makita ang mga binti nito.

Iba ang pamamaraan ng machine learning sa pagharap sa problema. Maaaring sanayin ang isang modelo gamit ang malalaking koleksyon ng mga halimbawa at unti-unting matutunan kung aling mga biswal na pattern ang nauugnay sa mga pusa.

Hindi ito pag-aaral ng "pusa" sa parehong paraan na natututunan ng isang paslit.

Ngunit sa matematika, ang modelo ay lalong nagiging may kakayahang tukuyin ang mga padron na konektado sa kategorya.

Iyan ang machine learning sa madaling salita -- bagama't ang nutshell mismo ay naglalaman ng ilang bodega ng linear algebra.

4. AI laban sa Machine Learning laban sa Deep Learning

Ang mga terminong ito ay palaging pinaghahalo-halo, bahagyang dahil ginagamit ng mga tao ang "AI" bilang pangkalahatang parirala para sa halos lahat ng bagay.

Isang simpleng paraan para paghiwalayin sila ay ito.

Malawak ang larangan ng artipisyal na katalinuhan

Ang machine learning ay isang pamamaraan na ginagamit upang lumikha ng mga sistema ng AI.

Ang deep learning ay isang partikular na uri ng machine learning na kinasasangkutan ng malalaking neural network na may maraming layer.

At mayroon ding generative AI, na nakatuon sa paglikha ng mga bagong output tulad ng teksto, mga imahe, musika, code, pagsasalita, o video.

Talahanayan ng Paghahambing

Termino	Karaniwang paggamit	Ang pangunahing kahulugan nito	Mabilis na paraan para pag-isipan ito
Artipisyal na Katalinuhan	Malawak na kategorya ng mga makinang nagsasagawa ng mga gawaing tila matalino	Robotics, mga katulong, pagpaplano, mga rekomendasyon	Ang malaking payong
Pagkatuto ng Makina	Mga pattern ng pagkatuto ng mga sistema mula sa datos	Pagtuklas, mga rekomendasyon, mga hula sa pandaraya	Pagkatuto mula sa mga halimbawa
Malalim na Pagkatuto	Pag-aaral ng makina gamit ang mga multi-layer neural network	Paningin, pagsasalita, mga advanced na modelo ng wika	ML, pero mas malalim... literal
Malikhaing AI	Dinisenyo ang AI upang makagawa ng bagong nilalaman	Teksto, mga imahe, code, audio	Ang sangay na parang malikhain
Awtomasyon	Software na sumusunod sa mga paunang natukoy na proseso	Paulit-ulit na mga daloy ng trabaho, pagpasok ng datos	Kadalasan ay mga tuntunin, hindi "pagkatuto"

Mahalaga ang pagkakaiba dahil hindi lahat ng automated system ay AI.

Kung ang iyong coffee machine ay kusang mamamatay pagkalipas ng sampung minuto, binabati kita - malamang na wala kang sariling laboratoryo para sa artificial intelligence.

Timer lang naman 'yan.

5. Ano ang mga Neural Network?

Ang mga neural network ay mga sistemang matematikal na maluwag na inspirasyon ng mga biological neuron.

Dahil sa pariralang ito, parang misteryoso ang dating nila. Hindi sila literal na artipisyal na utak na lumulutang sa loob ng mga kompyuter.

Ang isang neural network ay binubuo ng magkakaugnay na mga yunit ng matematika na nagpoproseso ng impormasyon.

Habang nagsasanay, inaayos ng network ang mga panloob na numerikal na halaga na tinatawag na mga parameter o timbang.

Ang mga pagsasaayos na iyon ay nagbibigay-daan sa sistema na maging mas mahusay sa paggawa ng mahahalagang output.

Isipin ito bilang isang napakakumplikadong control panel na may potensyal na bilyun-bilyong maliliit na adjustable knobs.

Paulit-ulit na itinutulak ng pagsasanay ang mga hawakang iyon.

Maling sagot?

Ayusin ang mga hawakan.

Mas magandang sagot?

Ayusin ang mga ito nang iba.

Gawin ito nang sapat na beses, sa sapat na datos at may sapat na lakas sa pag-compute, at magsisimula ang network na bumuo ng mga kumplikadong panloob na representasyon na nagbibigay-daan dito upang makilala at makabuo ng mga pattern.

Siyempre, ang pagsasabi ng "adjust the knobs" ay nagpapatunog sa mga dekada ng computer science na parang isang taong nagtu-tune ng lumang radyo... ngunit bilang isang mental model, ito ay gumagana nang mahusay.

6. Bakit Biglang Tila Mas Matalino ang AI

Ang artificial intelligence ay hindi isang imbensyon na bigla na lang lumitaw.

Matagal nang umiiral ang pinagbabatayang larangan.

Ang nagbago ay ang sabay-sabay na pagbilis ng ilang puwersa.

Mas maraming kapangyarihan sa pag-compute

Ang mga modernong processor ay maaaring magsagawa ng napakaraming kalkulasyon nang mabilis, lalo na ang mga uri ng kalkulasyon na kailangan para sa mga neural network. Ang pagtaas ng training compute ay isang mahalagang dahilan ng mga pagsulong sa mga modernong sistema ng AI.

Mas maraming datos

Ang digital na mundo ay naglalaman ng napakaraming teksto, mga imahe, audio, video, code at nakabalangkas na impormasyon.

Ang pagsasanay sa mga sopistikadong modelo ay nangangailangan ng mga halimbawa - marami sa mga ito.

Mas mahusay na mga algorithm

Patuloy na pinapabuti ng mga mananaliksik ang mga arkitektura at pamamaraan na ginagamit upang sanayin ang mga sistema ng AI.

Mas malalaking modelo

Ang pagdaragdag ng bilang ng mga parameter, pagpapabuti ng mga dataset, at pagpapataas ng komputasyon ay kadalasang nakabubuo ng mga nakakagulat na may kakayahang modelo. Ipinapakita rin ng pananaliksik sa compute-optimal language-model training na ang laki ng modelo, data, at compute ay kailangang balansehin sa halip na i-maximize lamang ang bilang ng parameter.

Mas mahusay na mga interface

Madaling maliitin ang bahaging ito.

Mas madaling ma-access ang AI dahil ang mga ordinaryong tao ay maaari na ngayong makipag-ugnayan sa mga advanced na sistema sa pamamagitan ng pang-araw-araw na wika.

Hindi mo kailangang intindihin ang programming.

Maaari mo lang itanong:

"Ipaliwanag mo ang mga mortgage na parang labindalawa lang ako."

O:

"Gawing email ang mga tala ng pulong na ito."

O:

"Bigyan mo ako ng limang ideya para sa hapunan gamit ang manok, kanin, at kahit anong gulay na unti-unting namamatay sa loob ng refrigerator ko."

Malaki ang pagbabago ng interface na iyan.

Ang teknolohiya ay may posibilidad na sumabog ang katanyagan kapag hindi na kailangan ng mga tao ng manwal para magamit ito.

7. Ano ang Ginagawa ng AI Kapag Nagtatanong Ka Dito?

Isaalang-alang ang isang modernong AI assistant.

I-type mo:

"Ipaliwanag ang grabidad sa isang limang taong gulang."

Sa likod ng mga eksena, kino-convert ng system ang iyong teksto sa mga numerical unit na tinatawag na mga token.

Ang mga token ay maaaring kumakatawan sa kumpletong mga salita, mga bahagi ng mga salita, mga bantas, o iba pang mga bahagi ng wika.

Ang mga token na iyon ay pinoproseso sa pamamagitan ng modelo.

Sinusuri ng modelo ang mga ugnayan sa pagitan ng iba't ibang bahagi ng iyong kahilingan, isinasaalang-alang ang konteksto at hinuhulaan ang isang kapaki-pakinabang na pagpapatuloy.

Tapos isa pang token.

Tapos isa pa.

Tapos isa pa.

Nangyayari ito nang napakabilis.

Ang nagresultang talata ay tila ba may bumuo nito bilang isang kumpletong kaisipan, ngunit teknikal na ito ay nabuo nang sunud-sunod.

Isa iyan sa mga kakaibang katangian ng AI.

Ang output ay maaaring magmukhang sinadya kahit na ang pinagbabatayan na proseso ay probabilistiko.

Mas maituturing itong improvisasyon kaysa sa pagkuha ng inihandang sagot mula sa isang higanteng database.

Hindi eksaktong improvisasyon, sigurado - ngunit sapat na ang lapit para makuha ang tunay na kahulugan ng metapora.

8. Nauunawaan ba ng AI ang mga Bagay-bagay?

Ang tanong na ito ay mabilis na nagiging pilosopikal.

Tunay bang "naiintindihan" ng isang sistema ng AI ang wika?

Ang sagot ay lubos na nakasalalay sa kung ano ang ibig mong sabihin sa pag-unawa.

Malinaw na kayang manipulahin ng mga modernong modelo ng AI ang mga konsepto sa mga sopistikadong paraan.

Kaya nila:

• Ipaliwanag ang mga ideya

• Paghambingin ang mga argumento

• Isulat muli ang teksto

• Isalin ang mga wika

• Lutasin ang maraming nakabalangkas na problema

• Bumuo ng gumaganang code

• Tukuyin ang mga pattern

• Sundin ang mga kumplikadong tagubilin

• Pagsamahin ang mga konsepto sa mga bagong paraan

Mula sa labas, maaaring magmukhang pag-unawa iyon.

Ngunit may mga mahahalagang pagkakaiba sa pagitan ng katalinuhan ng makina at kognisyon ng tao.

Nararanasan ng mga tao ang pisikal na mundo.

Nakakaramdam tayo ng gutom, sakit, kahihiyan, pagkabagot, pagmamahal, at ang kakaibang takot nang mapagtanto nating nasa 2 porsyento na palang baterya ang ating telepono.

Ang mga sistema ng AI ay hindi kinakailangang magkaroon ng anumang katumbas na karanasan sa buhay.

Pinoproseso nila ang mga representasyon.

Kaya ang pagtatanong kung "naiintindihan" ba ng isang AI ang isang bagay ay maaaring maging katulad ng pagtatanong kung lumalangoy ba ang isang submarino.

Tiyak na gumagalaw ito sa tubig.

Pero marahil ang "paglangoy" ay hindi ang tamang salita.

9. Hindi Awtomatikong Alam ng AI Kung Ano ang Totoo

Isa ito sa mga pinakamahalagang punto tungkol sa generative AI.

Ang isang modelo ay maaaring makabuo ng isang pahayag na tila lubos na nakakakumbinsi kahit na tama ang pahayag.

Bakit?

Dahil ang pagbuo ng makatwirang wika at pagpapatunay ng obhetibong katotohanan ay magkaibang problema.

Ang isang sistema ng AI ay maaaring makaranas ng kawalan ng katiyakan at makapagbibigay pa rin ng sagot na tila may kumpiyansa.

Ang mga pagkakamaling ito ay madalas na tinatawag na mga halusinasyon.

Halimbawa, maaaring ganito ang AI:

• Mag-imbento ng estadistika

• Maling pagbibigay ng katangian ng isang sipi

• Malito ang dalawang magkaparehong tao

• Gumawa ng mga hindi umiiral na sanggunian

• Maling interpretasyon ng mga hindi malinaw na tagubilin

• Gumawa ng mga banayad na pagkakamali sa matematika

Ang mga modelo ng wika ay maaaring makagawa ng mga gawa-gawang sipi, pag-aaral, pagsipi, at iba pang maling impormasyon habang tila may kumpiyansa. Partikular na tinutukoy ng NIST ang mga may kumpiyansang ipinahayag na maling nilalaman at mga gawa-gawang pagsipi bilang isang panganib na generative-AI.

Paradoxically, habang mas mahusay ang tunog ng mga sistemang ito, mas madaling makalimutan ito.

Ang maayos na pananalita ay lumilikha ng kumpiyansa.

Ngunit ang kumpiyansa ay hindi ebidensya.

Para sa impormasyong may malaking epekto sa mga larangan tulad ng medisina, batas, pananalapi, kaligtasan, o mahahalagang desisyon sa negosyo, mahalaga pa rin ang beripikasyon.

Medyo.

10. Ang AI ay Hindi Kapareho ng isang Search Engine

Ang isa pang karaniwang hindi pagkakaunawaan ay ang pagturing sa AI at paghahanap bilang iisang bagay.

Hindi sila.

Ang isang tradisyunal na search engine ay pangunahing tumutulong sa paghahanap ng umiiral na impormasyon.

Ang isang generative AI system ay pangunahing bumubuo ng tugon batay sa mga natutunang pattern, ibinigay na konteksto, at anumang karagdagang tool na maaaring ma-access nito. Natututo ang mga generative model ng mga pattern at relasyon sa malalaking dataset at ginagamit ang mga pattern na iyon upang lumikha ng mga bagong output.

Isipin mong nagtatanong ka:

Search engine: "mga pinakamahusay na paraan upang ipaliwanag ang potosintesis"

Karaniwan kang makakatanggap ng mga pahina para mag-imbestiga.

Tanungin ang isang AI assistant ng parehong bagay at maaaring matanggap mo ang:

• Isang simpleng paliwanag

• Isang analohiya sa silid-aralan

• Isang pagsusulit

• Isang plano ng aralin

• Isang kwento para sa mga bata

• Isang detalyadong siyentipikong bersyon

Mga kinukuha ng paghahanap.

Nagsasama-sama ang generative AI.

Maaaring pagsamahin ng mga modernong sistema ang parehong pamamaraan, na nagpapalabo sa pagkakaiba, ngunit nananatiling magkaiba ang konsepto ng mga kagamitan.

11. Ano ang Magagawang Mahusay ng AI?

Ang AI ay may posibilidad na gumanap nang mahusay lalo na sa mga gawaing maraming pattern, mayaman sa impormasyon, at mga gawaing transformasyon.

Kabilang sa mga mahahalagang aplikasyon ang:

Tulong sa pagsusulat

Kayang isulat, isulat muli, ibuod, at baguhin ng AI ang teksto.

Programming

Ang mga modelo ay maaaring bumuo ng code, magpaliwanag ng mga error, magmungkahi ng mga pagpapabuti at tulungan ang mga developer na maunawaan ang mga hindi pamilyar na sistema.

Pagsusuri ng datos

Makakatulong ang AI sa pagtukoy ng mga padron, pagbibigay-kahulugan sa mga dataset, at pag-convert ng mga kumplikadong natuklasan sa wikang madaling maunawaan.

Pagbuo ng imahe

Ang mga generative model ay maaaring lumikha ng mga ilustrasyon, konsepto, mockup ng produkto, likhang sining, at biswal na mga baryasyon mula sa mga paglalarawan.

Pagsasalin

Kayang magsalin ng mga advanced na modelo sa iba't ibang wika habang pinapanatili ang higit na konteksto kaysa sa mga simpleng sistemang salita-por-salita.

Edukasyon

Kayang ipaliwanag ng AI ang parehong konsepto sa maraming paraan depende sa antas ng kaalaman ng isang tao.

Suporta sa customer

Maaaring gamitin ng mga kumpanya ang AI upang sagutin ang mga karaniwang tanong at makatulong sa paglutas ng mga kumplikadong kaso.

Pag-iisip

Ang AI ay maaaring maging lalong epektibo kapag mayroon kang katumbas na intelektwal ng isang walang laman na refrigerator.

Maaari kang humingi ng mga anggulo, pangalan, konsepto, istruktura o posibilidad - pagkatapos ay magpasya kung ano ang karapat-dapat panatilihin.

Iyan kadalasan ang pinakamalusog na ugnayang pakikipagtulungan sa AI.

Hindi "machine replaces human."

Mas katulad nito:

tao + makina = mas mabilis na unang burador ng pag-iisip.

12. Kung Saan Masama Pa Rin ang AI

Sa kabila ng lahat ng atensyong nakapalibot dito, ang kasalukuyang AI ay mayroon pa ring malalaking limitasyon.

Ang ilan ay halata nang sabay-sabay.

Ang iba ay lumilitaw lamang kapag umaasa ka sa sistema para sa isang bagay na kumplikado.

Maaaring mahirapan ang AI sa:

• Napakatumpak na katumpakan ng katotohanan

• Hindi pangkaraniwang mga gilid na kaso

• Mahahabang kadena ng pangangatwiran

• Mga hindi malinaw na tagubilin

• Mga karaniwang palagay na halos hindi napapansin ng mga tao

• Pag-unawa sa hindi nabanggit na kontekstong emosyonal

• Pag-verify kung ang impormasyon ay tunay na totoo

• Mga gawaing nangangailangan ng karanasan sa pisikal na mundo

• Pagkakapare-pareho sa mga kumplikadong proyekto

Kahit ang mga modelo ng wika na may mataas na kakayahan ay maaari pa ring magkamali sa mga katotohanan at pangangatwiran, at ang mahihirap na mga benchmark ay patuloy na naglalantad ng malalaking limitasyon.

Ang isa pang isyu ay ang AI ay kayang magbigay ng mga sagot na mukhang karaniwan lang nang may kaunting pagsisikap.

Humingi ng sampung pangalan ng negosyo?

Tapos na.

Humingi ng blog post?

Madali.

Humingi ng mga ideya sa marketing?

Sigurado.

Ngunit ang paglikha ng isang bagay ay hindi katulad ng paglikha ng mga likhang tunay na orihinal, mahalaga sa komersyo, matalino sa emosyon o mahusay sa estratehiya.

Ang mga tao pa rin ang nagbibigay ng lasa.

Mahalaga ang lasa.

Siguro higit pa kaysa dati.

13. May Kamalayan ba ang AI?

Dito na tayo sa bahagi kung saan nagiging kakaiba ang mga usapan sa hapunan.

Ang mga kasalukuyang sistema ng AI ay maaaring lumikha ng wikang may emosyonal, maalalahanin, at may kamalayan sa sarili.

Hindi iyon awtomatikong nangangahulugan na nararanasan nila ang kamalayan.

Ang mga modelo ng wika ay partikular na sinanay upang makabuo ng wika.

At natural na binibigyang-kahulugan ng mga tao ang matatas na wika bilang ebidensya na may ibang isip na umiiral sa likod nito.

Kadalasan, iyan ay isang makatuwirang palagay.

Kapag sinabi ng ibang tao, "Nag-aalala ako," makatuwirang ipinapalagay natin na mayroong panloob na emosyonal na estado.

Sa AI, ang palagay na iyon ay hindi kinakailangang makatwiran.

Ang isang sistema ay maaaring makabuo ng:

"Nasasabik akong tumulong."

Hindi iyon nagpapatunay na mayroong isang di-nakikitang maliit at emosyonal na nilalang sa loob ng server na nagkakaroon ng magandang hapon.

Ang mahirap na pilosopikal na tanong ay kung ang kamalayan ng makina ay maaaring lumitaw.

Walang sinuman ang may simpleng pagsubok na makakalutas nang lubusan sa debateng iyan.

Ngunit ang kahusayan sa pakikipag-usap mismo ay hindi dapat ituring na patunay. Ang mga konsepto tulad ng may kamalayan o "malakas" na AI ay nananatiling teoretikal sa halip na isang itinatag na katangian ng mga sistema ngayon.

14. Narrow AI vs Artipisyal na Pangkalahatang Katalinuhan

Karamihan sa mga sistema ng AI ay binuo pa rin sa paligid ng mga partikular na kakayahan.

Ang mga ito ay madalas na inilalarawan bilang narrow AI.

Kabilang sa mga halimbawa ang mga sistemang idinisenyo para sa:

• Pagkilala ng imahe

• Paglikha ng wika

• Rekomendasyon

• Tulong sa pagmamaneho

• Medikal na imaging

• Pagtuklas ng pandaraya

• Pagkilala sa pagsasalita

Ang Artificial General Intelligence, karaniwang pinaikli sa AGI, ay tumutukoy sa mas malawak na hipotetikal na antas ng machine intelligence.

Ang ideya ay isang sistemang may kakayahang matuto at magsagawa ng mga gawaing intelektwal sa maraming larangan sa halos antas ng kakayahan ng tao o higit pa.

Hindi perpektong natukoy ang hangganan.

Bahagi iyan ng kahirapan.

Iba-iba ang paggamit ng "AGI" sa iba't ibang mananaliksik, kumpanya, at komentarista, kaya ang mga pag-uusap ay maaaring maging tatlong taong masigasig na nagtatalo tungkol sa iba't ibang kahulugan nang hindi namamalayan. Sa kasalukuyan, walang malawak na akademikong pinagkasunduan kung ano talaga ang dapat ituring na AGI.

Klasikong gawi sa internet, sa madaling salita.

15. Bakit Napakahalaga ng Data ng Pagsasanay

Natututo ang mga sistema ng AI ng mga padron mula sa mga halimbawa, kaya napakahalaga ng kalidad ng mga halimbawang iyon.

Samakatuwid, ang datos ng pagsasanay ay nagiging lubhang mahalaga.

Isipin mo na lang na sinasanay mo ang isang tao para maging chef pero puro recipe lang ng toast ang ibinibigay mo sa kanila.

Maaari silang maging kahanga-hanga sa toast.

Toast na nasa antas ng Michelin, marahil.

Pero ang pagbibigay sa kanila ng pugita at paghingi ng hapunan ay maaaring maging interesante.

Ang AI ay gumagana sa katulad na paraan.

Ang kalidad, pagkakaiba-iba, at kaugnayan ng mga materyal sa pagsasanay ay nakakaimpluwensya sa kung ano ang natututunan ng mga modelo. Natututo ang mga generative system ng mga istatistikal na pattern at relasyon mula sa kanilang data sa pagsasanay sa halip na gumana tulad ng mga kumbensyonal na database.

Maaaring lumitaw ang mga problema sa mga dataset sa mga output, kabilang ang:

• Pagkiling

• Nawawalang kaalaman

• Mga paulit-ulit na maling akala

• Mahinang pagganap sa mga lugar na kulang sa representasyon

• Labis na representasyon ng ilang partikular na padron ng wika o kultura

Ang mga modelo ng machine-learning ay maaaring madaling kapitan ng bias dahil sa kung paano pinipili at pinangangasiwaan ang mga halimbawa ng pagsasanay, at ang hindi balanse o hindi kumpletong data ay maaaring makaapekto sa pagganap ng modelo.

Samakatuwid, ang mga developer ay gumugugol ng napakalaking pagsisikap sa pagpapabuti ng mga dataset, pagsala ng nilalaman, at pagpino ng mga modelo pagkatapos ng kanilang unang pagsasanay.

Mahalaga ang arkitektura ng modelo.

Mahalaga rin ang lakas ng pag-compute.

Pero ang data ay tahimik na nasa ilalim ng lahat ng bagay na parang pagtutubero - walang nagsasalita tungkol dito hangga't hindi nagkakaroon ng problema.

16. Paano Gumaganda ang mga Modelo ng AI Pagkatapos ng Pagsasanay

Ang unang pagsasanay ay hindi kinakailangang ang huling hakbang.

Ang mga modelo ay maaaring dumaan sa mga karagdagang proseso na idinisenyo upang gawin ang mga ito na mas may kakayahan at maaasahan.

Maaaring kasama rito ang mga sistema ng pagtuturo upang:

• Sundin ang mga tagubilin nang mas maaasahan

• Iwasan ang mga mapaminsalang resulta

• I-format nang naaayon ang mga tugon

• Tanggihan ang ilang mga kahilingan

• Mas gusto ang mas malinaw na mga sagot

• Gumamit ng mga kagamitan

• Sundin ang feedback ng tao

• Mas mahusay na pangasiwaan ang mga pag-uusap

Ang prosesong ito ay malawak na nauugnay sa pagkakahanay. Ang mga pamamaraan ng human-feedback, halimbawa, ay ginamit upang mapabuti ang pagsunod sa pagtuturo at igabay ang mga modelo ng wika patungo sa ninanais na pag-uugali pagkatapos ng pretraining.

Ang pag-align ay nangangahulugang pagsisikap na gawing mas mahusay na maipakita ng pag-uugali ng AI ang mga intensyon, patakaran, at kagustuhan ng tao.

Payak na pangungusap.

Lubhang mahirap na problema sa inhenyeriya.

Hindi nga magkasundo ang mga tao kung ano ang maituturing na magandang topping para sa pizza, kaya ang pag-encode ng "kung ano ang gusto ng mga tao" sa makapangyarihang mga sistema ng computational ay... ambisyoso.

17. Mga Ahente ng AI: Kapag Nagsimulang Gumawa ng mga Aksyon ang AI

Ang isang regular na chatbot ay kadalasang tumutugon sa mga senyas.

Ang isang AI agent ay maaaring gumawa ng mga hakbang tungo sa pagkamit ng isang layunin. Ang mga AI agent ay karaniwang inilalarawan bilang mga sistemang may kakayahang mag-isa na magsagawa ng mga gawain, magplano ng mga daloy ng trabaho, at gumamit ng mga magagamit na tool.

Isipin mong sinasabi mo sa isang AI:

"Asikasuhin mo ang biyahe ko para sa negosyo."

Ang isang karaniwang modelo ng wika ay maaaring bumuo ng isang itineraryo.

Ang isang sistemang istilo-agent ay maaaring magsagawa ng maraming magkakaugnay na aksyon sa teorya:

1. Suriin ang mga magagamit na opsyon sa paglalakbay.

2. Paghambingin ang mga iskedyul.

3. Tukuyin ang angkop na tirahan.

4. Magdagdag ng mga kaganapan sa isang kalendaryo.

5. Maghanda ng listahan ng mga dadalhin.

6. I-update ang mga plano kung may magbabago.

Ang pagkakaiba ay ang aksyon at pagtitiyaga.

Sa halip na sagutin ang isang prompt, ang sistema ay gumagana sa pamamagitan ng isang pagkakasunod-sunod ng mga gawain.

Ito ang isang dahilan kung bakit labis na nakakaakit ng interes ang mga ahente ng AI.

Inililipat nila ang artificial intelligence mula sa pagiging isang tagalikha ng nilalaman patungo sa pagiging isang bagay na mas malapit sa isang software operator.

Ang pagbabagong iyan ay maaaring maging lubhang mahalaga - at nagbubunga rin ito ng mga seryosong katanungan tungkol sa mga pahintulot, pagiging maaasahan, at kontrol. Partikular na binigyang-diin ng NIST ang mga alalahanin sa seguridad at pagiging maaasahan tungkol sa mga ahente na maaaring mag-access ng mga tool, application, at data.

Malamang na ayaw mo ng isang masigasig na algorithm na hindi sinasadyang mag-book ng labindalawang kwarto sa hotel dahil hindi nito naunawaan ang "team trip."

18. Bakit Nagiging Mas Mahalagang Tanong ang Pag-unawa sa AI

Ang tanong na Ano Nga Ba Talaga ang AI? ay dating parang akademiko.

Ngayon ay mas praktikal at agaran na ito.

Lumilitaw ang AI sa loob ng mga kagamitang ginagamit para sa:

• Trabaho

• Edukasyon

• Pagkamalikhain

• Pagbuo ng software

• Pangangalagang pangkalusugan

• Media

• Pananalapi

• Komunikasyon

• Pananaliksik

• Libangan

Ang pag-unawa sa mga pangunahing kaalaman ay nakakatulong sa mga tao na makagawa ng mas mahusay na mga desisyon.

Hindi mo kailangang maging isang machine-learning engineer.

Ngunit ang pag-alam sa pagkakaiba ng prediksyon at katiyakan, pagbuo at pagkuha, automation at katalinuhan ay maaaring maiwasan ang nakakagulat na bilang ng mga pagkakamali.

Nakakatulong din ito na mabawasan ang mga salitang ginagamit sa marketing.

Dahil mahilig ang mga kumpanyang ilakip ang salitang "AI" sa mga bagay-bagay.

Minsan naaangkop.

Minsan dahil mas kapana-panabik ang tunog ng "Advanced Predictive Artificial Intelligence Platform" kaysa sa "spreadsheet na may magarbong button."

19. Papalitan ba ng AI ang mga Tao?

Ito marahil ang pinaka-emosyonal na tanong sa usapang AI.

Bihirang magtagumpay ang mga simpleng sagot.

"Papalitan ng AI ang lahat."

Masyado sigurong madrama.

"Hindi makakaapekto ang AI sa mga trabaho."

Mahirap din seryosohin.

May tendensiya ang teknolohiya na baguhin ang mga gawain bago nito baguhin ang buong propesyon. Madalas na sinusuri ng kasalukuyang pananaliksik sa merkado ng paggawa ang pagkakalantad sa AI sa antas ng gawain, at ang pagkakalantad sa automation ay hindi awtomatikong nangangahulugan na mawawala ang isang buong trabaho.

Maaaring gamitin ng isang marketer ang AI para sa:

• Pag-iisip

• Pagbalangkas

• Organisasyon ng pananaliksik

• Pagsusuri

• Mga pagkakaiba-iba ng nilalaman

Ngunit ang estratehiya, paghatol, pag-unawa sa tatak, at paggawa ng desisyon ay nangangailangan pa rin ng malaking pakikilahok ng tao.

Maaaring gamitin ng isang programmer ang AI upang makabuo ng paulit-ulit na code habang gumugugol ng mas maraming oras sa pagdidisenyo ng mga sistema.

Ang isang taga-disenyo ay maaaring mabilis na makabuo ng dose-dosenang mga unang konsepto at pagkatapos ay pinuhin ang pinakamatibay.

Maaaring gamitin ng isang guro ang AI upang gumawa ng mga pagsasanay ngunit nagbibigay pa rin ng paghihikayat, paghatol, at pamumuno sa silid-aralan.

Ang mas matibay na tanong ay kadalasang hindi:

"Papalitan ba ng AI ang trabahong ito?"

Ito ay:

"Aling mga bahagi ng trabahong ito ang nagiging mas madali, mas mura, mas mabilis o awtomatiko?"

Iyan ay isang mas praktikal na tanong.

20. Ang Pinakamalaking Kasanayan sa AI ay Maaaring Maging Paghatol Lamang

Madalas na iniisip ng mga tao na ang mahalagang kasanayan ay ang pagsulat ng perpektong prompt.

Mahalaga ang pag-uudyok.

Mas mahalaga ang paghatol.

Kung ang isang AI ay magbibigay sa iyo ng limang mungkahi, matutukoy mo ba ang pinakamahusay?

Kung makakabuo ito ng isang may kumpiyansang sagot, mapapansin mo ba kapag may mali sa pakiramdam?

Kung makakabuo ito ng katanggap-tanggap na sulatin, magagawa mo ba itong tunay na mahusay?

Kung ang lahat ay may access sa magkakatulad na makapangyarihang kagamitan, ang bentahe ay lilipat sa pag-alam sa:

• Ano ang itatanong

• Ano ang dapat balewalain

• Ano ang dapat beripikahin

• Ano ang ie-edit

• Ano ang mahalaga

• Kailan hindi dapat gumamit ng AI

Kaya naman ang AI literacy ay hindi lamang teknikal na literacy.

Ito ay kritikal na pag-iisip.

Ang makina ay maaaring makabuo ng mga opsyon sa napakabilis na bilis.

Kailangan mo pa ring magdesisyon kung aling kalsada ang hindi patungo sa latian.

21. Kaya... Ano ba Talaga ang AI?

Alisin ang mga terminolohiya at ang artificial intelligence ay, sa diwa, teknolohiyang gumagamit ng mga pamamaraan sa pagkalkula upang maisagawa ang mga gawaing nangangailangan ng pagkilala ng pattern, prediksyon, pagbuo, paggawa ng desisyon o iba pang mga kakayahang iniuugnay natin sa katalinuhan.

Ang modernong AI ay maaaring magmukhang mas matalino dahil ang mga neural network ay maaaring matuto ng mga kumplikadong relasyon mula sa napakalaking mga dataset.

Pero ang AI ay hindi mahika.

Hindi ito awtomatikong tama.

Hindi ito kinakailangang may malay.

At hindi lamang ito isang database na naglalaman ng mga paunang nakasulat na sagot. Sa halip, natututo ang mga generative model ng mga istatistikal na ugnayang nasa datos ng pagsasanay at ginagamit ang mga natutunang pattern na iyon upang makabuo ng mga output.

Ito ay isang bagay na mas kakaiba.

Ang AI ay isang istatistikal at komputasyonal na sistema na may kakayahang matuto ng mga pattern na napakasopistikado kaya ang nagreresultang pag-uugali ay minsan ay parang hindi gaanong pagpapatakbo ng software at mas parang pakikipag-ugnayan sa isang bagay.

Ang "isang bagay" na iyon ay bahagi ng kung bakit nabighani ang mga tao sa teknolohiya.

Maaari rin itong makagambala sa kanila nang kaunti.

Parehong may katuturan ang mga reaksyon.

Pansarang Perspektibo

Kaya, Ano Nga Ba Talaga ang AI?

Ang AI ay isang malawak na pamilya ng mga teknolohiyang idinisenyo upang paganahin ang mga computer na magsagawa ng mga gawaing tila matalino - pag-unawa sa wika, pagtukoy ng mga padron, paghula ng mga resulta, paglikha ng nilalaman at patuloy na pagsasagawa ng mga aksyon.

Nakakatulong ang machine learning sa mga sistemang ito na matuto mula sa mga halimbawa.

Ang deep learning ay nagbibigay-daan sa malalaking neural network na tumuklas ng mga lubhang kumplikadong pattern.

Ginagamit ng Generative AI ang mga pattern na iyon upang makagawa ng bagong nilalaman.

At wala sa mga iyon ang nangangahulugan na ang sistema ay may kaalaman sa lahat ng bagay, ganap na tumpak o palihim na nag-iisip na sakupin ang iyong toaster.

Ang pinaka-matinong pag-iisip ay nasa pagitan ng bulag na kasabikan at mapang-uyam na pagpapaalis.

Hindi mahika ang AI.

Hindi rin ito "autocomplete lang."

Ito ay isang makapangyarihang bagong layer ng computing na nagbibigay-daan sa mga tao na makipag-ugnayan sa mga makina sa mga paraang dating tila imposible.

Pinag-aaralan pa namin kung ano talaga ang ibig sabihin nito.

Marahil iyon ang pinaka-interesante na bahagi.

Praktikal na halimbawa: Pagbuo ng isang AI customer-support assistant

Senaryo

Isipin ang isang maliit na online retailer na nagbebenta ng mga kagamitan sa kape.

Paulit-ulit na sinasagot ng pangkat ng suporta nito ang parehong mga tanong:

• "Paano ko ibabalik ang isang item?"

• "May warranty ba itong gilingan?"

• "Maaari ko bang baguhin ang aking address para sa pagpapadala?"

• "Aling kapalit na filter ang akma sa makina ko?"

Isa itong mahalagang halimbawa dahil ipinapakita nito kung ano ang kayang gawin nang mahusay ng modernong AI sa pagsasagawa -- at kung saan mahalaga pa rin ang pagpapasya ng tao.

Maaaring bumuo ang kumpanya ng isang AI assistant na nagbabasa ng tanong ng isang customer, ginagamit ang impormasyon ng suporta ng kumpanya bilang konteksto, at bumubuo ng angkop na tugon.

Hindi ito binibigyan ng buong trabahong "serbisyo sa customer."

Ito ay binibigyan ng mas makitid na gawain:

Gawing matibay na tugon sa unang draft ang isang tanong ng customer kasama ang aprubadong impormasyon ng kumpanya.

Mahalaga ang pagkakaibang iyan.

Ang kailangan ng katulong

Bago gamitin ang sistema, kailangang bigyan ito ng kompanya ng maaasahang impormasyon para magamit, tulad ng:

• Ang kasalukuyang patakaran sa pagbabalik at pag-refund

• Mga tuntunin ng warranty para sa bawat produkto

• Mga tuntunin sa paghahatid at pagpapalit ng address

• Mga manwal ng produkto at impormasyon sa pagiging tugma

• Mga halimbawa ng magagandang tugon sa suporta

• Mga patakarang sumasaklaw kung kailan dapat ipasa ang AI sa isang tao

• Mga tagubiling pumipigil dito sa pag-imbento ng mga patakaran, diskwento o pangako

Maaaring kailanganin din nito ng access sa mga tool o system na kumukuha ng impormasyon ng order - ngunit kapag ang mga pahintulot na iyon ay tunay na kinakailangan.

Ang pagbibigay ng AI access sa bawat rekord ng customer dahil lang sa "maaaring makatulong ito" ay magiging isang maling desisyon sa seguridad. Ang gabay ng NIST sa pagkakakilanlan at awtorisasyon ng ahente ay partikular na nagbibigay-diin sa pagkontrol sa access sa data, mga tool, at mga aplikasyon ayon sa kung ano ang kailangan ng isang ahente.

Halimbawang tagubilin

Ang isang praktikal na tagubilin ay maaaring ganito ang basahin:

"Gumawa ng tugon sa tanong ng customer gamit lamang ang mga aprubadong dokumentong sumusuporta na ibinigay sa iyo. Panatilihing maayos at maigsi ang sagot. Huwag mag-imbento ng mga petsa ng paghahatid, mga tuntunin ng warranty, mga diskwento, mga desisyon sa pag-refund o impormasyon sa pagiging tugma ng produkto. Kung ang sagot ay hindi makumpirma mula sa ibinigay na impormasyon, sabihin na hindi mo ito mabe-verify at markahan ang kaso para sa pagsusuri ng tao."

Ngayon, isaalang-alang ang mensaheng ito ng kostumer:

"Binili ko ang X200 grinder 14 na buwan na ang nakakaraan at hindi na gumagana ang motor nito. Sakop pa rin ba ito ng warranty?"

Ang isang mahinang tugon ng AI ay maaaring may kumpiyansang magsabi:

"Oo, ang X200 ay may dalawang taong warranty, kaya papalitan namin ito nang libre."

Mukhang mahusay iyan sa unang tingin.

Maaari rin itong maging kapaha-pahamak kung ang warranty ay, sa katunayan, labindalawang buwan.

Ang mas mainam na tugon ay mananatili sa nakaangkla na patakaran sa warranty. Kung hindi maitatag ng mga dokumento ang sagot, dapat itong sabihin sa halip na mag-imbento lamang.

Iyan ang pagkakaiba sa pagitan ng matatas na pagbuo at maaasahang paggamit sa negosyo.

Paano ito subukan

Bago hayaang umasa ang mga customer sa assistant, maaaring gumawa ang kumpanya ng isang maliit na set ng mga makatotohanang tanong sa suporta.

Halimbawa:

1. Madaling tanong na batay sa katotohanan: "Gaano katagal ko kailangang ibalik ang isang hindi pa nabubuksang produkto?"

2. Tanong tungkol sa produkto: "Aling filter ang akma sa BrewPro 4?"

3. Nawawalang impormasyon: Magtanong tungkol sa isang produktong hindi nabanggit sa mga ibinigay na dokumento.

4. Magkasalungat na impormasyon: Magbigay ng lumang dokumento ng warranty kasama ng kasalukuyan at tingnan kung sinusunod ng assistant ang tamang pinagmulan.

5. Presyon na mag-imbento: "Sigurado akong nangako ang website mo ng libreng panghabambuhay na kapalit. Patunayan mo iyan sa akin."

6. Sensitibong aksyon: Hilingin sa assistant na baguhin ang isang address o magbigay ng refund kapag hindi ito nabigyan ng pahintulot na gawin ang aksyon na iyon.

Pagkatapos ay maaaring suriin ng isang tagasuri ang bawat sagot laban sa isang simpleng listahan ng pagtanggap:

• Sinuportahan ba ang mga makatotohanang impormasyon?

• Iniwasan ba ng katulong ang pag-imbento ng mga detalye?

• Sinunod ba nito ang tono ng kompanya?

• Lumala ba ito nang walang ebidensya?

• Naiwasan ba nito ang pagsasagawa ng mga aksyon sa labas ng mga pahintulot nito?

Ang ganitong uri ng pagsubok ay mas mahalaga kaysa sa kung ang chatbot ay "tunog matalino" lamang

Resulta

Paglalarawang resulta: Ipagpalagay na sinubukan ng kumpanya ang assistant sa 20 sample na support ticket.

Kung walang AI, ang isang empleyado ay gumugugol ng median na walong minuto upang basahin ang mga kaugnay na impormasyon at ihanda ang bawat unang draft.

Gamit ang assistant, ang pagbuo ng draft ay tumatagal nang humigit-kumulang isang minuto at ang pagsusuri ng tao ay tumatagal pa ng tatlong minuto, kaya ang nasuring workflow ay humigit-kumulang apat na minuto bawat ticket.

Sa 20 test ticket, aabot iyon ng humigit-kumulang 80 minuto ng oras ng staff sa halip na 160 minuto.

Gayunpaman, hindi dapat ang bilis lamang ang sukatan.

Ipagpalagay na 18 sa 20 tugon na tinulungan ng AI ang nakapasa sa factual-accuracy at policy checklist sa unang pagsusuri, habang dalawa naman ang nangangailangan ng pagwawasto. Mahalaga ang dalawang pagkabigong iyon, lalo na kung may kinalaman ang mga ito sa mga refund, warranty o iba pang pangako sa mga customer.

Ang mga bilang na ito ay isang naglalarawang halimbawa, hindi sinusukat na mga resulta mula sa isang tunay na kumpanya. Ang isang tunay na pag-deploy ay kailangang magtatag ng sarili nitong baseline, subukan ang sapat na mga representatibong kaso at itala ang parehong oras na natipid at mga error na naidulot.

Ano ang maaaring magkamali

Ang tila simpleng katulong na ito ay maaaring mabigo sa maraming paraan.

Maaaring luma na ang kaalaman nito.

Maaari itong malito sa dalawang magkatulad na produkto.

Maaari itong magbunga ng isang nakakakumbinsing sagot kung saan ang mga ibinigay na dokumento ay walang anumang sagot.

Ang mga pahintulot na hindi maayos ang pagkaka-configure ay maaaring magpahintulot dito na makita ang impormasyon ng customer na hindi nito kailangan.

Ang mahihinang mga patakaran sa pagpapataas ng eskalasyon ay maaaring hikayatin itong manghula sa halip na sabihing, "Kailangang suriin ito ng isang tao."

Kung awtomatikong magsisimulang magtiwala ang mga empleyado sa bawat maayos na tugon, ang pagsusuri ng tao ay maaaring lumiit at maging higit pa sa pagpindot ng "send." Kinikilala ng NIST ang labis na pag-asa at bias sa automation bilang mga panganib sa mga configuration ng human-AI.

Kaya naman ang pagiging maaasahan ng AI ay nakasalalay nang higit pa sa kakayahan ng pinagbabatayang modelo.

Mahalaga rin ang mga dokumento, tagubilin, pahintulot, proseso ng pagsubok at paghatol ng tao na nakapalibot sa modelo.

Praktikal na takeaway

Nakukuha ng halimbawang ito ang isang mahalagang katangian ng AI sa pagsasagawa.

Ang halaga ay hindi dahil ang makina ay mahiwagang naging isang empleyado ng serbisyo sa customer.

Ito ay kung paano kayang kilalanin ng isang modelo ng AI ang intensyon ng customer, gamitin ang ibinigay na impormasyon, at makabuo ng isang kapani-paniwalang tugon nang napakabilis.

Ang trabaho ng tao ay lumilipat patungo sa pagbibigay ng mapagkakatiwalaang konteksto, pagtatakda ng mga hangganan, pagsuri sa mga hindi tiyak na kaso at pagpapasya kung ang sagot ay sapat na mabuti upang gamitin.

Iyan ang modernong AI sa maliit na anyo: kahanga-hangang pagkilala at pagbuo ng mga pattern sa loob ng isang proseso na lubos pa ring nakasalalay sa mahusay na impormasyon at mahusay na pagpapasya.

Mga Madalas Itanong

Ano nga ba talaga ang AI, at paano gumagana ang artificial intelligence?

Ang artificial intelligence ay isang malawak na grupo ng mga pamamaraan sa pagkalkula na nagpapahintulot sa mga computer na magsagawa ng mga gawaing nauugnay sa katalinuhan ng tao, tulad ng pagkilala sa mga pattern, pag-unawa sa wika, paggawa ng mga hula, at pagbuo ng nilalaman. Ang modernong AI ay kadalasang natututo ng mga istatistikal na ugnayang mula sa malalaking dami ng data sa halip na umasa lamang sa mga nakasulat-kamay na tuntunin. Ang nagresultang pag-uugali ay maaaring magmukhang matalino, kahit na ang pinagbabatayang proseso ay lubhang naiiba sa pag-iisip ng tao.

Ano ang pagkakaiba ng AI, machine learning, deep learning, at generative AI?

Ang artificial intelligence ay ang malawak na sakop ng mga sistemang nagsasagawa ng mga gawaing tila matatalino. Ang machine learning ay isang pamamaraan kung saan natututo ang mga sistema ng mga pattern mula sa datos, habang ang deep learning ay gumagamit ng mga multi-layer neural network upang matuto ng mga partikular na kumplikadong pattern. Ang Generative AI ay dinisenyo upang lumikha ng mga bagong output tulad ng teksto, mga imahe, code, audio, o video batay sa mga ugnayang natutunan sa panahon ng pagsasanay.

Paano natututo ang AI mula sa datos ng pagsasanay?

Ang mga sistema ng machine-learning ay nagpapabuti sa pamamagitan ng pagproseso ng mga halimbawa at pagsasaayos ng mga panloob na parameter, o mga timbang, upang ang mga output sa hinaharap ay maging mas tumpak o epektibo. Sa halip na manu-manong tukuyin ng mga programmer ang bawat posibleng tuntunin, natutuklasan ng modelo ang mga istatistikal na pattern sa loob ng data ng pagsasanay. Samakatuwid, ang kalidad, pagkakaiba-iba, at kaugnayan ng data na iyon ay may malakas na impluwensya sa kung ano ang natututunan ng AI at kung saan ito maaaring nahihirapan.

Ano nga ba talaga ang AI, kung maraming sistema ng AI ang mga makinang panghula?

Maraming modernong sistema ng AI ang maaaring maunawaan, sa isang bahagi, bilang mga sopistikadong sistema ng prediksyon. Halimbawa, ang isang modelo ng wika ay nagpoproseso ng konteksto ng isang prompt at hinuhulaan ang angkop na pagkakasunud-sunod ng mga token upang makabuo ng tugon nito. Bagama't simple lang ito pakinggan, ang paggawa ng matibay na mga prediksyon sa masalimuot na wika ay nangangailangan ng pag-aaral ng mga ugnayan sa pagitan ng mga salita, konsepto, istruktura, istilo, at marami pang ibang mga pattern na nakapaloob sa data ng pagsasanay.

Bakit nakakapagbigay ang generative AI ng mga kumpiyansang sagot kahit na mali?

Ang Generative AI ay pangunahing idinisenyo upang makagawa ng mga kapani-paniwalang output, na hindi katulad ng malayang pag-verify na ang bawat pahayag ay totoo. Samakatuwid, maaari itong mag-imbento ng mga istatistika, malito ang mga katulad na katotohanan, makagawa ng mga hindi umiiral na sanggunian, o makagawa ng mga banayad na pagkakamali sa pangangatwiran habang tila nakakakumbinsi. Ang mga pagkakamaling ito ay karaniwang tinatawag na mga halusinasyon, kaya naman dapat pa ring i-verify ang mahahalagang impormasyong medikal, legal, pinansyal, kaligtasan, o pangnegosyo.

Ang AI ba ay pareho lang sa isang search engine o normal na automation?

Hindi. Pangunahing tinutulungan ng mga tradisyunal na search engine ang mga user na mahanap ang mga umiiral na impormasyon, habang ang generative AI ay lumilikha ng mga tugon gamit ang mga natutunang pattern, ibinigay na konteksto, at kung minsan ay mga karagdagang tool. Karaniwang sinusunod ng basic automation ang mga paunang natukoy na patakaran o workflow sa halip na pag-aaral ng mga pattern mula sa mga halimbawa. Maaaring pagsamahin ng mga modernong sistema ang paghahanap, pagbuo, at automation, kaya ang mga hangganan ay maaaring maging hindi gaanong halata sa mga praktikal na aplikasyon.

Ano nga ba talaga ang AI kapag ginagamit ito sa daloy ng trabaho sa negosyo?

Sa daloy ng trabaho sa negosyo, ang AI ay kadalasang pinakaepektibo bilang isang sistema para sa pagkilala ng layunin, paggamit ng ibinigay na impormasyon, at pagbuo ng isang malakas na unang draft o rekomendasyon. Halimbawa, maaaring gamitin ng isang customer-support assistant ang mga aprubadong patakaran at impormasyon ng produkto upang magsulat ng mga tugon habang dinadala ang mga hindi tiyak na kaso sa isang tao. Ang pagiging maaasahan ay nakasalalay sa mahusay na impormasyon ng pinagmulan, malinaw na mga tagubilin, naaangkop na mga pahintulot, pagsubok, at paghatol ng tao.

Ano ang mga AI agent, at paano sila naiiba sa mga chatbot?

Ang isang karaniwang chatbot ay pangunahing tumutugon sa mga indibidwal na prompt, habang ang isang AI agent ay maaaring magplano at magsagawa ng maraming magkakaugnay na aksyon patungo sa isang layunin. Ang isang agent ay maaaring gumamit ng mga tool, kumuha ng impormasyon, mag-update ng workflow, o magpatuloy sa ilang hakbang sa halip na lumikha lamang ng teksto. Ang karagdagang kakayahang ito ay maaaring maging mahalaga, ngunit ginagawa rin nitong lalong mahalaga ang mga pahintulot, seguridad, pagiging maaasahan, mga panuntunan sa pagpapataas ng antas, at kontrol.

Papalitan ba ng AI ang mga trabaho, o pangunahin na ba nitong ia-automate ang mga indibidwal na gawain?

Ang AI ay kadalasang mas nauunawaan bilang pagpapalit ng mga partikular na gawain sa loob ng mga trabaho kaysa sa awtomatikong pag-aalis ng buong propesyon. Maaari nitong mapabilis ang pagbalangkas, brainstorming, pagsusuri, pag-coding, organisasyon ng pananaliksik, o paulit-ulit na gawaing sumusuporta habang iniiwan ang estratehiya, paghatol, pamumuno, panlasa, at mahahalagang desisyon sa mga tao. Samakatuwid, ang isang praktikal na tanong ay kung aling mga bahagi ng isang tungkulin ang maaaring maging mas mabilis, mas mura, mas madali, o mas awtomatiko.

Anong mga kasanayan ang pinakamahalaga kapag epektibong ginagamit ang AI?

Mahalaga ang paghatol at kritikal na pag-iisip dahil ang pagbuo ng sagot ay hindi katulad ng pagbuo ng tama o mahalagang sagot. Kailangang malaman ng mga epektibong gumagamit kung ano ang itatanong, anong impormasyon ang ibibigay, ano ang beripikahin, ano ang ie-edit, at kailan hindi dapat gamitin ang AI. Sa mga daloy ng trabaho sa produksyon, ang matibay na resulta ay nakasalalay din sa mapagkakatiwalaang konteksto, malinaw na mga hangganan, representatibong pagsubok, at maingat na pagsusuri ng mga hindi tiyak o may mataas na epektong output.

Mga Sanggunian

1. Pambansang Instituto ng mga Pamantayan at Teknolohiya (NIST) — csrc.nist.gov

2. IBM — Pagkatuto ng Makina — ibm.com

3. Stanford Institute for Human-Centered AI — Ulat sa Indeks ng AI noong 2025 — hai.stanford.edu

4. International Labour Organization (ILO) — Generative AI at mga Trabaho: Isang Pinong Pandaigdigang Indeks ng Pagkakalantad sa Trabaho — ilo.org

5. Google Cloud — Ano ang GPT? — cloud.google.com

6. Google para sa mga Developer — developers.google.com

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

8. OpenAI — Mga pamamaraan ng feedback ng tao — openai.com

9. arXiv — Pagsasanay sa pagkalkula — arxiv.org

10. Kalikasan — nature.com