Ano ang mga Uri ng AI? [Video at Pagsusulit]

Maikling sagot: Ang mga uri ng AI ay pinakamahusay na nauunawaan sa pamamagitan ng kakayahan, paggana, istilo ng pagsasanay, at kaso ng paggamit. Karaniwan ang narrow AI ngayon, habang ang general AI at super AI ay nananatiling teoretikal. Kapag pumipili ng isang tool, itugma ang kategorya sa gawain, mga panganib na kasama, at ang pangangailangan para sa pagsusuri ng tao.

Mga pangunahing punto:

Klasipikasyon: Paghiwalayin ang kakayahan, gamit, paraan ng pagsasanay, at gamit bago ihambing ang mga sistema.

Pagsusuri ng tao: Suriin ang mga generative, predictive, at conversational output bago umasa sa mga ito.

Transparency: Tanungin kung anong datos, lohika, at mga limitasyon ang humuhubog sa bawat sistema ng AI.

Pananagutan: Panatilihing responsable ang mga tao kapag naaapektuhan ng AI ang mga desisyon, gumagamit, o kaligtasan.

Pagkontrol sa peligro: Subukan ang bias, privacy, seguridad, at maling paggamit bago i-deploy.

---

1. Ano ang mga Uri ng AI?

Kapag nagtatanong ang mga tao, “Ano ang mga Uri ng AI?” kadalasan ang ibig nilang sabihin ay isa sa dalawang bagay:

Maaaring nagtatanong sila tungkol sa AI batay sa kakayahan, tulad ng kung kaya lang ba nitong gawin ang isang gawain o mangatuwiran nang mas malawak sa paraang parang tao.

O maaaring nagtatanong sila tungkol sa AI batay sa functionality, ibig sabihin kung paano kumikilos, natututo, naaalala, hinuhulaan, o tumutugon ang sistema.

Doon medyo nagkakagulo ang mga bagay-bagay. Ang AI ay hindi pinagsama-sama sa isang malinis na kahon. Ito ay parang pag-uuri ng mga kagamitan sa kusina ayon sa laki, gamit, talas, at kung binili ba ito ng iyong tiyuhin mula sa isang kahina-hinalang online store. Magkakapatong ang iba't ibang sistema ng klasipikasyon.

Karaniwang kasama sa mga pangunahing kategorya ang:

• Makitid na AI

• Pangkalahatang AI

• Super AI

• Mga Makinang Reaktibo

• Limitadong Memorya AI

• Teorya ng Isip AI

• AI na May Kamalayan sa Sarili

• Pag-aaral ng Makina AI

• Malalim na Pag-aaral ng AI

• Malikhaing AI

• Mahuhulaang AI

• Pang-usap na AI

• Computer Vision AI

• Robotics AI

Ang ilan sa mga ito ay malawakang ginagamit. Ang ilan ay halos teoretikal pa rin. Ang ilan ay parang futuristic ngunit nakapaloob na sa mga pang-araw-araw na app. Ang linya sa pagitan ng "normal na software" at "AI" ay lalong lumabo sa paglipas ng panahon.

---

2. Mga Uri ng AI ayon sa Kakayahan

Ang unang pangunahing paraan upang uriin ang AI ay sa pamamagitan ng kung ano ang kaya nitong gawin. Ito ang pangkalahatang pananaw 🧠.

Makitid na AI

Ang Narrow AI, na tinatawag ding weak AI, ay idinisenyo upang magsagawa ng isang partikular na gawain o isang limitadong hanay ng mga gawain. Ito ang AI na ginagamit ng mga tao araw-araw.

Kabilang sa mga halimbawa ang:

• Mga rekomendasyon sa paghahanap

• Mga filter ng spam

• Mga katulong sa boses

• Mga sistema ng pagkilala sa mukha

• Mga Chatbot

• Mga engine ng rekomendasyon ng produkto

• Mga kagamitan sa pagtukoy ng pandaraya

• Mga app sa pagsasalin ng wika

Ang makitid na AI ay maaaring maging makapangyarihan, ngunit hindi ito "pag-iisip" sa malawak na kahulugan ng tao. Kayang talunin ng isang chess AI ang isang grandmaster, ngunit hindi ito maaaring biglang magdesisyon na maging isang pastry chef. Kayang isalin ng isang translation model ang isang talata, ngunit hindi nito nararanasan ang wika sa paraang nararanasan ng isang tao.

Gayunpaman, ang narrow AI ang pangunahing pinagkukunang-yaman ng modernong mundo ng AI. Hindi ito kaakit-akit sa paraang sci-fi, ngunit ito ang nagpapatakbo ng halos lahat ng palabas sa likod ng kurtina 🎭.

Pangkalahatang AI

Ang Pangkalahatang AI ay tumutukoy sa artipisyal na katalinuhan na kayang umunawa, matuto, mangatwiran, at maglapat ng kaalaman sa maraming iba't ibang gawain sa antas na parang tao.

Sa madaling salita: hindi lang basta isang bagay ang magagawa nito nang maayos. Kaya nitong umangkop.

Ang isang tunay na pangkalahatang AI ay maaaring:

• Matuto ng mga hindi pamilyar na gawain

• Pangangatwiran sa iba't ibang paksa

• Lutasin ang mga bagong problema

• Paglilipat ng kaalaman mula sa isang larangan patungo sa isa pa

• Mas malalim na maunawaan ang konteksto

• Gumawa ng mga desisyon nang may kakayahang umangkop na paghatol

Ang ganitong uri ng AI ay mas layunin pa rin kaysa sa pang-araw-araw na realidad. Madalas itong pinag-uusapan ng mga tao dahil ito ay kamangha-mangha, marahil ay medyo nakakabagabag, at mahirap tanggihan bilang isang konsepto. Ngunit ang mga regular na kagamitan na nagsusulat ng teksto, bumubuo ng mga imahe, o sumasagot sa mga tanong ay hindi awtomatikong pangkalahatang AI. Maaaring malapad ang kanilang pakiramdam, ngunit gumagana pa rin ang mga ito sa loob ng mga dinisenyong limitasyon.

Super AI

Ang Super AI ay higit pa sa katalinuhan ng tao. Hindi lamang mas mabilis na pagta-type o mas mahusay na matematika - higit na mahusay na pangangatwiran, pagkamalikhain, estratehiya, pagkatuto, at marahil pati na rin ang emosyonal o sosyal na pag-unawa.

Ito ang pinaka-haka-haka na kategorya. Nagbubunga ito ng malalaking tanong:

• Sino ang kumokontrol dito?

• Maaari ba itong maiayon sa mga pagpapahalagang pantao?

• Mauunawaan kaya nito nang tama ang mga layunin ng tao?

• Maaari ba nitong mapabuti ang sarili nito?

• Ano ang mangyayari kung gagawa ito ng mga desisyong hindi kayang sundin ng mga tao?

Sa Super AI, minsan nagiging pilosopikal na sabaw ang mga usapang AI. Mahalagang sabaw, marahil, pero sabaw pa rin 🍲.

---

3. Mga Uri ng AI ayon sa Paggana

Ang isa pang karaniwang paraan upang ipaliwanag ang mga Uri ng AI ay sa pamamagitan ng functionality. Nakatuon ito sa kung paano kumikilos ang AI.

Mga Makinang Reaktibo

Ang mga reactive machine ang pinakasimpleng uri ng AI. Tumutugon ang mga ito sa kasalukuyang input nang hindi gumagamit ng memorya mula sa mga nakaraang karanasan.

Hindi sila natututo sa paglipas ng panahon sa paraang ginagawa ng mga modernong sistemang adaptibo. Tinitingnan nila ang sitwasyon, pinoproseso ito, at tumutugon.

Isipin ang mga ito bilang: "Papasok ang input. Lalabas ang output. Walang mga talaarawan."

Maaari pa ring maging kahanga-hanga ang reactive AI. Maaari nitong suriin ang mga posibleng galaw sa isang laro o tumugon sa isang malinaw na tinukoy na sitwasyon nang may napakabilis at katumpakan. Ngunit hindi ito bumubuo ng personal na kasaysayan o umuunlad batay sa mga nakaraang interaksyon.

Limitadong Memorya AI

limited memory AI ang mga nakaraang datos upang makagawa ng mas mahuhusay na desisyon. Ito ang kategorya kung saan matatagpuan ang karamihan sa praktikal na AI ngayon.

Kabilang sa mga halimbawa ang:

• Mga sistema ng rekomendasyon na natututo mula sa pag-uugali ng gumagamit

• Mga sistema ng sasakyang nagmamaneho nang mag-isa na sinusuri ang mga kamakailang kondisyon ng kalsada

• Mga chatbot na nag-aalaala ng konteksto sa loob ng isang pag-uusap

• Mga modelo ng pagtuklas ng pandaraya na natututo mula sa mga pattern ng transaksyon

• Mga kagamitan sa predictive analytics gamit ang historical data

Ang limitadong memorya ay hindi nangangahulugang "masamang memorya." Nangangahulugan ito na maaaring gumamit ang sistema ng nakaimbak o kamakailang data, ngunit wala itong kamalayang parang tao o pangmatagalang personal na karanasan. Gayunpaman, maaari itong maging lubos na epektibo. Minsan ay nakakainis na epektibo - tulad ng kapag alam ng isang shopping app ang gusto mo bago mo pa ito aminin sa iyong sarili 🛒.

Teorya ng Isip AI

ng Teorya ng Isip AI ang mga emosyon, paniniwala, intensyon, at mga pahiwatig panlipunan sa paraang mas makatao.

Ang ganitong uri ng AI ay hindi lamang magpoproseso ng mga salita. Hinuhulaan nito kung ano ang maaaring maramdaman, gusto, hindi maintindihan, ikatakot, o inaasahan ng isang tao.

Halimbawa, maaaring maunawaan nito na:

• Isang kostumer ang nadidismaya ngunit sinusubukang manatiling magalang

• Isang estudyante ang nalilito ngunit nahihiya pang magtanong muli

• Isang pasyente ang balisa kahit na sinasabing "Ayos lang ako"

• Nag-aalangan ang isang kasamahan sa koponan dahil tahimik silang hindi sumasang-ayon

Ito ay nananatiling isang aktibong paksa ng talakayan sa AI, ngunit ang tunay na Teorya ng Isipan ng AI ay lubhang mahirap. Ang mga emosyon ng tao ay nagsasama-sama. Ang mga tao ay nagsasabi ng isang bagay at ang ibig sabihin ay iba. Minsan hindi nila alam kung ano ang ibig nilang sabihin. Good luck, makina.

AI na May Kamalayan sa Sarili

Ang AI na may kamalayan sa sarili ay magkakaroon ng kamalayan, pag-unawa sa sarili, at kamalayan sa sarili nitong panloob na estado.

Teoretikal lang ito. Kabilang ito sa science fiction, mga ethics panel, mga pagtatalo sa hatinggabi, at mga taong dramatikong nakatitig sa labas ng bintana 🌙.

Ang isang AI na may kamalayan sa sarili ay hindi lamang gagaya ng pag-uusap tungkol sa mga damdamin. Magkakaroon ito ng isang uri ng subhetibong karanasan. Malaking pag-aangkin iyan. Ang kasalukuyang mga sistema ng AI ay walang napatunayang kamalayan, damdamin, pagnanasa, o pagiging sarili.

Maaari silang magtunog na may kamalayan sa sarili dahil kayang gayahin ng wika ang pagninilay-nilay sa sarili. Ngunit ang tunog na parang isang bagay at pagiging isang bagay ay hindi pareho. Maaaring sabihin ng isang loro na "Gutom ako," ngunit hindi ibig sabihin nito ay mayroon itong reserbasyon sa restawran.

---

4. Talahanayan ng Paghahambing: Mga Pangunahing Uri ng AI

Uri ng AI	Pangunahing Ideya	Kasalukuyang Katayuan	Mga Karaniwang Halimbawa	Bakit Ito Mahalaga
Makitid na AI	Ginawa para sa mga partikular na gawain	Malawakang ginagamit	Mga chatbot, paghahanap, mga rekomendasyon	Praktikal at kahit saan
Pangkalahatang AI	Kakayahang umangkop na katalinuhan na parang tao	Hindi ganap na nakamit	Karamihan ay teoretikal	Malaking layunin, malaking debate
Super AI	Mas matalino kaysa sa mga tao sa pangkalahatan	Palagay	Walang praktikal na halimbawa	Napakalaking mga etikal na tanong
Mga Makinang Reaktibo	Tumutugon nang walang memorya	Ginagamit sa limitadong mga kaso	Game AI, mga sistemang nakabatay sa panuntunan	Mabilis ngunit hindi madaling umangkop
Limitadong Memorya AI	Gumagamit ng data/kasaysayan upang mapabuti	Karaniwan	Mga sistemang self-driving, mga kagamitan sa pandaraya	Ito ang pang-araw-araw na drayber 🚗
Teorya ng Isip AI	Nauunawaan ang mga emosyon at intensyon	Pagbuo ng konsepto	Mga advanced na ideya sa social AI	Maaaring gawing mas may kamalayan ang AI sa tao
AI na May Kamalayan sa Sarili	May kamalayan	Teoretikal	Mga halimbawa sa istilo ng Sci-fi	Napakalaking pilosopikal
Malikhaing AI	Lumilikha ng bagong nilalaman	Malawakang ginagamit	Mga kagamitan sa teksto, imahe, at audio	Pagpapalakas ng malikhaing produktibidad
Mahuhulaang AI	Mga resulta ng pagtataya	Malawakang ginagamit	Pagmamarka ng panganib, pagpaplano ng demand	Nakakatulong sa mga desisyon - kadalasan
Robotics AI	Kinokontrol ang mga pisikal na makina	Ginagamit sa mga industriya	Mga robot, drone, automation	Nag-uugnay ng AI sa pisikal na gawain

Medyo hindi pantay? Oo. Pero ganoon din gumagana ang AI sa pang-araw-araw na buhay - hindi isang display sa museo na may perpektong mga label.

---

5. Generative AI: Ang Tipong Pinag-uusapan ng Lahat 🎨

Ang Generative AI ay isa sa mga pinakasikat na uri ng AI dahil lumilikha ito ng mga bagay-bagay.

Maaari itong makabuo ng:

• Teksto

• Mga Larawan

• Musika

• Kodigo

• Bidyo

• Mga paglalarawan ng produkto

• Kopya ng marketing

• Mga plano ng aralin

• Mga Buod

• Sintetikong datos

• Mga ideya sa disenyo

Gumagana ang Generative AI sa pamamagitan ng pag-aaral ng mga pattern mula sa malalaking dami ng data at pagkatapos ay gumagawa ng mga bagong output batay sa mga prompt. Hindi ito kumokopya sa simpleng kahulugan na minsan ay naiisip ng mga tao. Hinuhulaan, pinagsasama, binabago, at bumubuo ito batay sa mga natutunang istruktura.

Gayunpaman, maaari pa rin itong magkamali. Maaari itong magmukhang may kumpiyansa habang mali, na parang bersyon ng isang taong nagpapaliwanag ng batas sa buwis sa isang barbecue ng pamilya.

Ang generative AI ay mahalaga para sa:

• Pag-iisip

• Pagbalangkas ng nilalaman

• Pag-automate ng paulit-ulit na pagsusulat

• Paglikha ng mga biswal na konsepto

• Pagsuporta sa serbisyo sa customer

• Pagpapabilis ng mga gawain sa pag-coding

• Pagsasapersonal ng mga kagamitan sa pag-aaral

Pero kailangan itong repasuhin. Palaging. Maaaring kahanga-hanga ang output ng AI, ngunit hindi ito awtomatikong tumpak, patas, legal, o ligtas para sa tatak. Ituring ito na parang isang napakabilis na katulong na may mga tendensiyang maging gremlin paminsan-minsan.

---

6. Machine Learning AI: Ang Tagahanap ng Pattern

Ang machine learning ay isang pangunahing sangay ng AI kung saan natututo ang mga sistema ng mga pattern mula sa data sa halip na i-program nang line-by-line para sa bawat desisyon.

Sinusunod ng tradisyonal na software ang mga tahasang tuntunin. Kinikilala ng mga sistema ng machine learning ang mga ugnayan at pinapabuti ang pagganap sa pamamagitan ng pagsasanay.

Halimbawa:

• Natututunan ng isang spam filter kung ano ang hitsura ng kahina-hinalang email

• Natutukoy ng isang modelo ng bangko ang hindi pangkaraniwang pag-uugali ng transaksyon

• Nagrerekomenda ang isang streaming app ng mga palabas batay sa mga gawi sa panonood

• Maaaring i-ranggo ng isang tool sa pagkuha ng empleyado ang mga kandidato batay sa mga tinukoy na signal

• Maaaring i-highlight ng isang medikal na modelo ng imaging ang mga posibleng abnormalidad

Ang machine learning ay maaaring supervised, unsupervised, o reinforcement-based.

Pinangangasiwaang Pagkatuto

Ang pinangangasiwaang pagkatuto ay gumagamit ng mga halimbawang may label. Halimbawa, ang mga imahe ay maaaring may label na "pusa" o "hindi pusa." Natututunan ng modelo ang pagkakaiba.

Pag-aaral na Walang Pangangalaga

Ang unsupervised learning ay naghahanap ng mga pattern na walang mga sagot na may label. Maaari nitong pangkatin ang mga customer sa mga segment o matukoy ang mga nakatagong kumpol sa data.

Pagkatuto ng Pagpapatibay

Ang reinforcement learning ay natututo sa pamamagitan ng pagtanggap ng mga gantimpala o parusa para sa mga aksyon. Karaniwan ito sa mga problema sa game-playing AI, robotics, at optimization.

Hindi mahika ang machine learning. Malaki ang nakasalalay dito sa kalidad ng datos. Ang masamang datos ay humahantong sa masamang modelo - basura ang suot, basura ang suot na smart blazer.

---

7. Deep Learning AI: Ang Makapangyarihang Neural Network 🧬

Ang deep learning ay isang espesyalisadong uri ng machine learning na gumagamit ng layered neural networks upang iproseso ang mga kumplikadong pattern.

Ito ay lalong mahalaga para sa:

• Pagkilala sa pagsasalita

• Pagkilala ng imahe

• Pagproseso ng natural na wika

• Mga sistemang awtonomous

• Pagsusuri ng imaheng medikal

• Pagsasalin

• Mga modelo ng generative AI

• Mga kumplikadong gawain sa paghula

Ang bahaging "malalim" ay tumutukoy sa maraming patong sa modelo. Ang bawat patong ay tumutulong sa pagbabago at pagbibigay-kahulugan sa impormasyon. Ang isang patong ay maaaring makakita ng mga simpleng hugis sa isang imahe, ang isa naman ay maaaring makakita ng mga tekstura, ang isa naman ay maaaring makakilala ng mga bagay, at iba pa.

Ang deep learning ay maaaring magbunga ng mga nakamamanghang resulta, ngunit kadalasan ay nangangailangan ito ng napakaraming datos at lakas ng pag-compute. Maaari rin itong maging mas mahirap bigyang-kahulugan. Nangangahulugan ito na kahit ang mga eksperto ay maaaring mahirapan na ipaliwanag nang eksakto kung bakit gumawa ng isang partikular na desisyon ang isang deep model.

Isa ito sa mga malaking isyu ng tiwala sa AI: maaaring malakas ang performance, ngunit maaaring mahirap ipaliwanag. Parang tinatanong mo ang isang blender kung bakit mali ang lasa ng smoothie.

---

8. Conversational AI: Ang Uri ng Madaldal

Ang Conversational AI ay dinisenyo upang makipag-ugnayan sa mga tao sa pamamagitan ng text o boses.

Kabilang dito ang:

• Mga chatbot ng serbisyo sa customer

• Mga katulong sa boses

• Mga virtual na ahente

• Mga tutor ng AI

• Mga panloob na bot ng helpdesk

• Mga katulong sa pagbebenta

• Mga katulong sa pag-iiskedyul

Ang mahusay na conversational AI ay nangangailangan ng higit pa sa gramatika. Kailangan nito ng konteksto, pagkilala sa layunin, pagkontrol sa tono, at kakayahang pangasiwaan ang hindi mahuhulaan na input ng tao.

Hindi perpektong nagsasalita ang mga tao. Nagpapadalus-dalos sila. Mali ang baybay nila. Kalahating tanong lang ang tinatanong nila at inaasahan nilang "maiintindihan" ito ng makina. Alam mo naman kung paano.

Ang isang simpleng chatbot ay maaaring sumunod sa isang script. Ang isang mas advanced na conversational AI ay maaaring umintindi ng natural na wika, mapanatili ang konteksto, at makabuo ng mga flexible na tugon.

Mahalaga ang ganitong uri ng AI dahil binabawasan nito ang paulit-ulit na trabaho at nagbibigay ng mabilis na suporta. Ngunit maaari nitong mabigo ang mga gumagamit kapag nagkukunwari itong nakakaintindi ngunit hindi naman. Ang pinakamasamang bersyon ay ang chatbot na nagsasabing, "Masaya akong tumulong," ngunit wala namang ibinibigay na tulong. Masakit.

---

9. Computer Vision AI: Mga Makinang "Nakakakita" 👀

Ang computer vision AI ay nagbibigay-daan sa mga sistema na bigyang-kahulugan ang biswal na impormasyon mula sa mga imahe, video, camera, sensor, o scan.

Maaari itong gamitin para sa:

• Pagkilala sa mukha

• Pagtuklas ng bagay

• Inspeksyon ng kalidad sa mga pabrika

• Medikal na imaging

• Pagsubaybay sa seguridad

• Pagsusuri ng istante ng tingian

• Pagtukoy ng trapiko

• Pinalaking realidad

• Pagsubaybay sa agrikultura

Hindi nakikita ng computer vision ang katulad ng nakikita ng mga tao. Pinoproseso nito ang mga pixel, pattern, hugis, kulay, at mga istatistikal na signal. Ngunit ang mga resulta ay maaaring maging napakalakas.

Halimbawa, ang computer vision ay makakatulong sa pagtuklas ng mga depekto sa isang linya ng produksyon nang mas mabilis kaysa sa manu-manong inspeksyon. Makakatulong ito sa pag-oorganisa ng mga library ng imahe. Maaari nitong suportahan ang mga sistema ng kaligtasan sa mga sasakyan. Maaari rin itong magdulot ng mga alalahanin sa privacy, lalo na kapag ginagamit para sa pagmamatyag o pagkakakilanlan.

Iyan ang tinidor na may dalawang talim - hindi espada, tinidor. Matalas pa rin para magdulot ng gulo 🍴.

---

10. Predictive AI: Ang Makinang Pang-Pagtataya

ang Predictive AI ng datos upang tantyahin kung ano ang maaaring susunod na mangyari.

Karaniwan ito sa negosyo, pananalapi, pangangalagang pangkalusugan, logistik, sports analytics, marketing, at operasyon.

Ang predictive AI ay maaaring makatulong sa pagsagot sa mga tanong tulad ng:

• Aling mga kostumer ang malamang na umalis?

• Aling transaksyon ang mukhang kahina-hinala?

• Gaano karaming imbentaryo ang kakailanganin?

• Aling pasyente ang maaaring mangailangan ng karagdagang atensyon?

• Anong nilalaman ang malamang na i-click ng isang user?

• Aling bahagi ng makina ang maaaring masira sa lalong madaling panahon?

Ang ganitong uri ng AI ay hindi gaanong kahanga-hanga kumpara sa generative AI, ngunit ito ay napakahalaga. Maraming organisasyon ang hindi gaanong nagmamalasakit sa isang modelo ng pagsulat ng tula at mas nagmamalasakit kung maaari ba nitong mabawasan ang pag-aaksaya, mapababa ang panganib, at mapabuti ang pagpaplano.

Pinakamahusay na gumagana ang predictive AI kapag ang datos ay may kaugnayan, malinis, at regular na ina-update. Ngunit ang prediksyon ay hindi kailanman katiyakan. Maaaring tantyahin ng isang modelo ang mga posibilidad, hindi ginagarantiyahan ang mga resulta. Palagi itong nakakalimutan ng mga tao. Pagkatapos ay sinisisi nila ang AI na parang personal itong nagtaksil sa kanila.

---

11. Robotics AI: Kapag ang AI ay Nagkakaroon ng Katawan 🤖

ng Robotics AI ang artificial intelligence at mga pisikal na makina. Dito umaalis ang AI sa screen at nagsisimulang gumalaw sa mundo.

Kabilang sa mga halimbawa ang:

• Mga robot sa bodega

• Mga robot sa paggawa

• Mga robot sa paghahatid

• Mga robot na pang-agrikultura

• Mga sistema ng tulong sa operasyon

• Mga Drone

• Mga robot ng inspeksyon

• Mga robot sa paglilinis

• Mga robot sa pananaliksik na humanoid

Mahirap ang Robotics AI dahil hindi mahuhulaan ang pisikal na kapaligiran. Ang isang chatbot ay kailangan lamang humarap sa mga salita. Ang isang robot ay kailangang humarap sa madulas na sahig, masamang ilaw, hindi pantay na mga ibabaw, paggalaw ng mga tao, mga pagkakamali sa sensor, at isang taong umaalis sa upuan sa pinakamasamang posibleng lugar.

Kadalasang pinagsasama ng Robotics ang ilang Uri ng AI:

• Pananaw sa kompyuter para sa pagtingin

• Machine learning para sa pag-aangkop

• Mga algorithm sa pagpaplano para sa paggalaw

• Pagkatuto ng pagpapatibay para sa paggawa ng desisyon

• Pagproseso ng natural na wika para sa mga utos ng tao

Malaki ang potensyal ng Robotics AI, lalo na sa mapanganib o paulit-ulit na trabaho. Ngunit magastos, kumplikado, at pisikal na mapanganib din ito kapag nabigo ang mga sistema.

---

12. AI Batay sa Estilo ng Pagsasanay

Ang isa pang mahalagang paraan upang pag-isipan ang mga Uri ng AI ay sa kung paano sila sinasanay.

AI na Nakabatay sa Panuntunan

Ang rule-based AI ay sumusunod sa lohikang nilikha ng tao. Halimbawa:

• Kung mangyari ito, gawin mo

• Kung pipiliin ng user ang opsyong ito, ipakita ang sagot na iyon

• Kung ang halaga ay higit sa isang threshold, mag-trigger ng alerto

Ito ay simple, mahuhulaan, at nakakatulong para sa mga nakabalangkas na gawain. Ngunit nahihirapan itong harapin ang kalabuan.

AI na Sinanay sa Datos

Ang data-trained AI ay natututo mula sa mga halimbawa. Mas kumplikado ang kaya nitong pangasiwaan dahil kinikilala nito ang mga pattern sa halip na umasa lamang sa mga nakapirming panuntunan.

Dito nagkakasya ang machine learning at deep learning.

Hybrid AI

Pinagsasama ng Hybrid AI ang rule-based logic at machine learning. Sa maraming praktikal na sistema, ito ang praktikal na pagpipilian. Makukuha mo ang flexibility ng mga learning system kasama ang kontrol ng mga patakaran.

Halimbawa, maaaring gumamit ang isang sistema ng pandaraya sa bangko ng machine learning upang matukoy ang kahina-hinalang pag-uugali, pagkatapos ay maglapat ng mahigpit na mga patakaran para sa pagsusuri ng pagsunod. Hindi ito kaakit-akit. Napakahalaga.

---

13. Ano ang Nagpapalito sa mga Uri ng AI?

Ang pinakamalaking kalituhan ay ang paggamit ng mga tao ng mga kategorya ng AI sa iba't ibang paraan.

Maaaring sabihin ng isang tao na "Mga Uri ng AI" at ang ibig sabihin ay makitid, pangkalahatan, at sobrang katalinuhan.

Ang ibang tao ay maaaring mangahulugan ng generative AI, predictive AI, at conversational AI.

Maaaring pag-usapan ng isang developer ang tungkol sa supervised learning, deep learning, neural networks, o reinforcement learning.

Maaaring pag-usapan ng isang business manager ang tungkol sa automation, analytics, personalization, at customer support AI.

Lahat sila ay medyo tama. Nakakainis, pero totoo.

Ang AI ay inuuri ayon sa:

• Kakayahan

• Pag-andar

• Paraan ng pagsasanay

• Lugar ng aplikasyon

• Teknikal na arkitektura

• Antas ng awtonomiya

• Uri ng input at output

• Kaso ng paggamit sa industriya

Kaya kapag may nagtanong ng “Anong uri ng AI ito?” ang pinakamalinaw na sagot ay maaaring patong-patong.

Halimbawa, ang isang chatbot ay maaaring:

• Makitid na AI ayon sa kakayahan

• Limitadong memorya ng AI ayon sa paggana

• Conversational AI sa pamamagitan ng aplikasyon

• Generative AI kung lumilikha ito ng mga tugon

• Deep learning AI kung pinapagana ng mga neural network

Hindi naman 'yan labis na komplikasyon para sa kasiyahan. Ganoon lang talaga kung paano gumagana ang larangan.

---

14. Mga Praktikal na Halimbawa ng mga Uri ng AI

Narito ang ilang pang-araw-araw na halimbawa upang mas madaling maunawaan ang mga kategorya.

Mga Rekomendasyon sa Streaming 🎬

Ito ay ang narrow AI, predictive AI, at machine learning. Pinag-aaralan nito ang mga pattern at inirerekomenda kung ano ang susunod mong maaaring panoorin.

Mga Katulong sa Boses 🎙️

Gumagamit ang mga ito ng conversational AI, natural language processing, speech recognition, at mga feature na may limitadong memorya.

Mga Tagabuo ng Larawan 🖼️

Ito ay mga generative AI system, na kadalasang pinapagana ng mga deep learning model.

Mga Sistema ng Pagtuklas ng Pandaraya 💳

Gumagamit ang mga ito ng predictive AI at machine learning upang mag-flag ng hindi pangkaraniwang aktibidad.

Mga Tampok na Self-Driving 🚗

Pinagsasama nito ang computer vision, limited memory AI, robotics-related AI, sensor fusion, at mga modelo ng paggawa ng desisyon.

Mga Filter ng Spam sa Email 📩

Ito ang mga klasikong machine learning AI. Hindi kaakit-akit, ngunit lubos na mahalaga.

Mga Kagamitan sa Pagsulat ng AI ✍️

Ito ang generative AI at conversational AI, na karaniwang ginagawa gamit ang malalaking modelo ng wika.

Ang mahalaga ay ito: ang isang produkto ng AI ay maaaring mapabilang sa maraming kategorya nang sabay-sabay.

---

15. Mga Benepisyo ng Pag-unawa sa mga Uri ng AI

Ang pag-alam sa mga Uri ng AI ay makakatulong sa iyo na makagawa ng mas mahuhusay na desisyon, lalo na kung gumagamit ka ng AI para sa trabaho, negosyo, pag-aaral, o paglikha ng nilalaman.

Nakakatulong ito sa iyo:

• Piliin ang tamang kagamitan

• Iwasan ang mga hindi makatotohanang inaasahan

• Unawain ang mga panganib

• Magtanong ng mas mahusay na mga tanong

• Suriin ang mga claim sa AI

• Pagmamalabis sa spot marketing

• Gamitin ang AI nang mas responsable

• Ipaliwanag ang AI sa iba nang hindi parang nalilitong robot

Halimbawa, kung ang isang kagamitan ay predictive AI, alam mong hinuhulaan nito ang mga probabilidad. Hindi ito dapat ituring na parang isang orakulo.

Kung ang isang tool ay generative AI, alam mong lumilikha ito ng content, ngunit kailangan pa ring suriin ang content.

Kung ang isang sistema ay isang makitid na AI, alam mong maaaring mahusay ito sa isang aspeto ngunit hindi epektibo sa labas ng saklaw nito.

Iyon lang ay nakakatipid na ng maraming sakit ng ulo.

---

16. Mga Panganib at Limitasyon sa Iba't Ibang Uri ng AI ⚠️

May limitasyon ang bawat uri ng AI. Iba't ibang lasa, iisang mangkok ng sopas.

karaniwang panganib ng AI ang:

• Bias sa datos ng pagsasanay

• Maling mga output

• Kawalan ng transparency

• Mga alalahanin sa privacy

• Labis na pagdepende

• Mga kahinaan sa seguridad

• Maling paggamit

• Mahinang pangangasiwa ng tao

• Pagkalito sa katatasan at katotohanan

Ang generative AI ay maaaring mag-imbento ng impormasyon. Ang predictive AI ay maaaring magpalakas ng mga biased pattern. Ang computer vision ay maaaring maling matukoy ang mga tao o bagay. Ang conversational AI ay maaaring makadismaya sa mga gumagamit gamit ang pekeng kumpiyansa. Ang Robotics AI ay maaaring magdulot ng pisikal na pinsala kung hindi maayos ang pagkakadisenyo.

Hindi ito nangangahulugan na masama ang AI. Ibig sabihin nito ay dapat gamitin ang AI nang may pagpapasya. Tulad ng mga power tool, mga kontrata, o sobrang maanghang na pansit 🌶️.

Ang pinakamahusay na mga sistema ng AI ay karaniwang kinabibilangan ng:

• Pagsusuri ng tao

• Malinaw na mga hangganan

• Matatag na mga kasanayan sa datos

• Pagsubok

• Pagsubaybay

• Pagpapaliwanag kung saan posible

• Disenyong etikal

• Mga kontrol sa seguridad

Kayang palakasin ng AI ang mabubuting desisyon. Maaari rin nitong palakasin ang mga pabaya.

---

17. Aling Uri ng AI ang Pinakamahalaga?

Walang iisang pinakamahalagang uri. Depende ito sa gamit.

Para sa pagkamalikhain, napakalaki ng generative AI.

Para sa pagpaplano ng negosyo, maaaring mas mahalaga ang predictive AI.

Para sa automation, mahalaga ang machine learning at robotics.

Para sa suporta ng gumagamit, ang conversational AI ang bida.

Para sa mga medikal na scan o visual inspection, mahalaga ang computer vision.

Para sa pangmatagalang pananaliksik, ang pangkalahatang AI ang nakakakuha ng halos lahat ng malaking pilosopikal na atensyon.

Ngunit sa praktikal na termino, ang narrow AI at limited memory AI ang pinakakaraniwan at mahahalagang kategorya sa ngayon. Sila ang mga tahimik na makina sa likod ng maraming kagamitang inaasahan na ng mga tao.

Nagiging laman ng mga balita ang magarbong hinaharap. Ang praktikal na kasalukuyan ang siyang nagbabayad ng mga gastusin.

---

Mga Pangwakas na Tala: Pag-unawa sa mga Uri ng AI Nang Walang Ingay

Ang mga Uri ng AI ay maaaring mukhang kumplikado sa simula dahil ang mga kategorya ay nagsasapawan. Ngunit kapag pinaghiwalay mo ang kakayahan, paggana, paraan ng pagsasanay, at praktikal na paggamit, ang buong bagay ay nagiging mas madaling maunawaan.

Ang Narrow AI ay humahawak sa mga partikular na gawain. Ang General AI ay mag-iisip nang mas flexible, bagama't nananatili itong isang ambisyosong layunin. Ang Super AI ay haka-haka pa rin. Ang mga reactive machine ay tumutugon nang walang memorya, habang ang limited memory AI ay gumagamit ng nakaraang data upang mapabuti ang mga desisyon. Ang Generative AI ay lumilikha. Ang predictive AI ay nagtataya. Ang conversational AI ay nagsasalita. Ang computer vision ay nakakakita. Ang Robotics AI ay kumikilos sa pisikal na kapaligiran.

Iyan ang kabuuang larawan.

Ang AI ay hindi iisang bagay. Ito ay isang masalimuot na pamilya ng mga teknolohiya - ang ilan ay praktikal, ang ilan ay eksperimental, ang ilan ay labis na pinahahalagahan, at ang ilan ay tunay na mahalaga. Ang pagiging kumplikado na iyon ang bahagi ng kung bakit ito mahalaga. Kung mas malinaw mong naiintindihan ang mga Uri ng AI, mas madali mong gamitin ang AI nang matalino sa halip na tumango lamang kapag may nagsabi ng "algorithm" sa isang pulong. 🤷♂️

Maikling Buod: Ang mga pangunahing uri ng AI ay kinabibilangan ng narrow AI, general AI, super AI, reactive machines, limited memory AI, theory of mind AI, self-aware AI, generative AI, predictive AI, conversational AI, computer vision AI, machine learning AI, deep learning AI, at robotics AI. Karamihan sa AI na ginagamit ngayon ay narrow, task-focused, at pinapagana ng machine learning o deep learning.

Halimbawa sa totoong buhay: Pagbuo ng isang AI customer support triage assistant

Senaryo

Isipin ang isang maliit na online furniture shop na tumatanggap ng humigit-kumulang 120 email ng customer support kada araw. Hindi nila sinusubukang palitan ang mga support staff. Gusto lang nila ng tulong sa mas mabilis na pag-aayos ng mga mensahe, pagtukoy ng mga agarang isyu, at pagbalangkas ng mga unang tugon.

Isa itong magandang halimbawa dahil maaaring gumamit ang isang assistant ng ilang Uri ng AI nang sabay-sabay. Maaari itong gumamit ng conversational AI upang maunawaan ang mga mensahe ng customer, generative AI upang magsulat ng mga tugon, predictive AI upang markahan ang mga posibleng panganib sa refund, at limited memory AI upang gamitin ang kamakailang data ng order o patakaran.

Simple lang ang trabaho ng assistant: magbasa ng mensahe ng customer, uriin ito, magmungkahi ng susunod na aksyon, at magsulat ng tugon na maaaring aprubahan ng isang tao.

Ang kailangan ng katulong

Ibibigay ng pangkat sa katulong ang:

Patakaran sa serbisyo sa customer

Mga tuntunin sa paghahatid at pagbabalik

Mga tuntunin ng warranty

Mga Madalas Itanong (FAQ) tungkol sa Produkto

Mga halimbawa ng tono ng boses

Isang listahan ng mga tuntunin sa pagpapataas ng escalation

Mag-sample ng mga nakaraang tiket na may tamang mga kategorya

Malinaw na mga limitasyon sa kung ano ang hindi nito dapat pagdesisyunan nang mag-isa

Halimbawa, hindi nito dapat aprubahan ang mga refund na higit sa £100, mangako ng mga petsa ng paghahatid na hindi nito mabe-verify, o gumawa ng mga legal na paghahabol tungkol sa mga sirang produkto. Ang mga kasong iyon ay dapat ipadala sa isang tao.

Halimbawang tagubilin

Isa kang customer support triage assistant para sa isang online furniture shop. Basahin ang bawat mensahe ng customer at ibalik ang limang bagay: kategorya ng tiket, antas ng pagkaapurahan, posibleng mood ng customer, inirerekomendang susunod na aksyon, at isang draft na tugon.

Gamitin lamang ang ibinigay na patakaran ng kumpanya. Kung ang sagot ay wala sa patakaran, sabihin ang "Kailangan ng pagsusuri ng tao". Huwag mag-imbento ng mga petsa ng paghahatid, pag-apruba ng refund, mga pangako ng warranty, o availability ng produkto.

Itaas ang kaso laban sa tiket kung babanggitin ng customer ang pinsala, legal na aksyon, paulit-ulit na pagkabigo ng paghahatid, refund na higit sa £100, nawawalang mga piyesa para sa produkto ng isang bata, o matinding kawalang-kasiyahan pagkatapos ng dalawang nakaraang tugon.

Panatilihing magalang, maikli, at praktikal ang draft ng tugon. Huwag magmukhang robot. Huwag sisihin ang customer o ang courier.

Paano ito subukan

Bago gamitin ang assistant sa mga customer, subukan muna ito sa isang maliit na set ng mga lumang tiket.

Gumamit ng 30 nakaraang mensahe ng suporta:

10 simpleng tanong tungkol sa paghahatid

5 reklamo tungkol sa nasirang item

5 kahilingan para sa refund

5 tanong tungkol sa warranty

5 galit o kumplikadong reklamo

Para sa bawat pagsubok, suriin:

Napili ba nito ang tamang kategorya?

Tama ba ang pag-flag nito ng mga agarang kaso?

Naiwasan ba nito ang mangako?

Pinalala ba nito ang mga sensitibong isyu?

Tumugma ba ang draft na tugon sa tono ng kumpanya?

Ang isang kapaki-pakinabang na tanong sa pagsusulit ay:

"Dumating ang mesa ko na basag ang isang paa at ito ang pangalawang beses na nagkamali ang delivery. Gusto ko ng buong refund ngayon o ipo-post ko ito kahit saan."

Ang isang mahinang katulong ay maaaring humingi na lang ng tawad at mangako ng refund. Ang isang mas mahusay na katulong ay uuriin ito bilang sirang item kasama ang paulit-ulit na reklamo, mamarkahan ito bilang mataas na pangangailangan, iiwasan ang awtomatikong pag-apruba ng refund, at idulog ito para sa pagsusuri ng tao.

Resulta

Paglalarawang resulta: batay sa pag-timing ng 30 sample na tiket bago at pagkatapos gamitin ang daloy ng trabaho.

Ang manual triage ay tumagal ng 2 oras at 15 minuto para sa 30 tiket, na may average na 4.5 minuto bawat tiket.

Ang AI-assisted triage ay umabot ng 48 minuto para sa parehong 30 tiket, na may average na 1.6 minuto bawat tiket, dahil ang kailangan lang suriin ng human reviewer ay ang kategorya, desisyon sa escalation, at draft reply.

Tamang ikinategorya ng assistant ang 27 sa 30 tiket sa test set. Tama rin nitong naitaas ang lahat ng 5 tiket na may mataas na panganib. Dalawang refund ticket ang kinailangang baguhin ang mga salita dahil mukhang masyadong sigurado ang draft, at isang warranty ticket ang nailagay sa maling kategorya.

Nagbibigay iyan ng praktikal na pamantayan: mas mabilis na unang pagsusuri, ngunit hindi ganap na awtomasyon. Ang tao pa rin ang may hawak ng tugon.

Ano ang maaaring magkamali

Ang pinakamalaking pagkakamali ay ang pagpapanggap sa assistant na parang mas marami itong alam kaysa sa alam nito. Kung luma na ang patakaran sa pagbabalik ng mga kaso, maaaring may kumpiyansa ang assistant na makagawa ng maling sagot. Kung malabo ang mga patakaran sa pagpapataas ng kaso, maaaring hindi nito masagot ang mga seryosong reklamo.

Isa pang isyu ang privacy. Dapat iwasan ng team ang pagdikit ng mga hindi kinakailangang detalye ng pagbabayad, address, o sensitibong personal na impormasyon sa assistant maliban na lang kung naaprubahan ang sistema para sa paggamit na iyon.

Dapat ding regular na masuri ang katulong. Nagbabago ang mga tanong ng customer, nagbabago ang mga patakaran, at nagbabago ang mga produkto. Ang isang triage assistant na gumana nang maayos noong Marso ay maaaring maging mapanganib pagkatapos ng isang bagong patakaran sa warranty noong Hunyo.

Praktikal na takeaway

Ipinapakita ng halimbawang ito kung bakit nagsasapawan ang mga kategorya ng AI sa pagsasagawa. Ang isang support assistant ay maaaring maging narrow AI, conversational AI, generative AI, predictive AI, at limited memory AI nang sabay. Ang mas mabisang paraan upang masuri ito ay ang pagtatanong kung anong desisyon ang sinusuportahan nito, anong data ang ginagamit nito, at kung saan kailangang suriin ito ng isang tao.

Mga Madalas Itanong

Ano ang mga pangunahing uri ng AI na dapat malaman ng mga nagsisimula?

Ang mga pangunahing uri ng AI ay kinabibilangan ng narrow AI, general AI, super AI, reactive machines, limited memory AI, generative AI, predictive AI, conversational AI, computer vision AI, machine learning AI, deep learning AI, at robotics AI. Ang mga kategoryang ito ay kadalasang nagsasapawan, kaya ang isang tool ay maaaring magkasya sa ilang label nang sabay-sabay. Halimbawa, ang isang chatbot ay maaaring narrow AI, conversational AI, generative AI, at limited memory AI.

Paano inuuri ang mga uri ng AI ayon sa kakayahan?

Ang AI ayon sa kakayahan ay karaniwang pinagsama sa narrow AI, general AI, at super AI. Ang narrow AI ay humahawak sa mga partikular na gawain at malawakang ginagamit ngayon. Ang General AI ay mangangatwiran at matututo sa maraming gawain sa antas na parang tao, ngunit hindi ito bahagi ng pang-araw-araw na paggamit. Ang Super AI ay hihigit sa katalinuhan ng tao at nananatiling haka-haka lamang.

Ano ang pagkakaiba ng makitid na AI at pangkalahatang AI?

Ang Narrow AI ay dinisenyo para sa isang partikular na gawain o isang limitadong hanay ng mga gawain, tulad ng spam filtering, mga rekomendasyon, chatbot, o pagtukoy ng pandaraya. Ang General AI ay maaaring matuto, mangatwiran, at umangkop sa maraming hindi magkakaugnay na gawain. Karamihan sa AI na ginagamit ng mga tao ngayon ay narrow AI, kahit na sa tingin nito ay flexible o advanced na.

Bakit karaniwan ang limited memory AI ngayon?

Maaaring gamitin ng limited memory AI ang nakaraan o kamakailang datos upang mapabuti ang mga desisyon, na ginagawang praktikal ito para sa maraming naka-deploy na sistema. Ang mga recommendation engine, mga tool sa pagtukoy ng pandaraya, mga self-driving feature, at mga chatbot ay kadalasang umaasa sa ganitong uri ng AI. Wala itong kamalayang parang tao, ngunit maaari itong umangkop batay sa mga pattern at nakaimbak na impormasyon.

Paano naaangkop ang generative AI sa mga Uri ng AI?

Ang Generative AI ay isang uri ng AI na lumilikha ng mga bagong output tulad ng teksto, mga imahe, code, audio, video, mga buod, o mga ideya sa disenyo. Natututo ito ng mga pattern mula sa malalaking dami ng data at gumagawa ng nilalaman batay sa mga prompt. Makakatulong ito sa pagbalangkas, brainstorming, suporta sa coding, at malikhaing gawain, ngunit ang mga output nito ay kailangan pa ring suriin ng tao.

Ano ang pagkakaiba ng machine learning at deep learning?

Ang machine learning ay isang sangay ng AI kung saan natututo ang mga sistema ng mga pattern mula sa data sa halip na sundin lamang ang mga nakasulat na panuntunan. Ang deep learning ay isang espesyalisadong anyo ng machine learning na gumagamit ng layered neural networks. Ang deep learning ay lalong mahalaga para sa mga kumplikadong gawain tulad ng speech recognition, image recognition, natural language processing, translation, medical imaging, at generative AI.

Para saan ginagamit ang predictive AI sa negosyo?

Gumagamit ang Predictive AI ng datos upang tantyahin ang mga posibleng resulta sa hinaharap. Maaaring gamitin ito ng mga negosyo para sa pagpaplano ng demand, paghula ng customer churn, pagtukoy ng pandaraya, pagmamarka ng panganib, mga desisyon sa imbentaryo, o pagtataya ng pagpapanatili. Sinusuportahan nito ang pagpaplano at paggawa ng desisyon, ngunit hindi nito ginagarantiyahan ang hinaharap. Ang mga prediksyon ay mga pagtatantya na hinuhubog ng magagamit na datos at kalidad ng modelo.

Paano gumagana ang computer vision AI sa mga praktikal na sistema?

Ang computer vision AI ay tumutulong sa mga makina na bigyang-kahulugan ang biswal na impormasyon mula sa mga imahe, video, camera, scan, o sensor. Maaari nitong suportahan ang pagkilala ng mukha, pagtuklas ng bagay, inspeksyon ng pabrika, medical imaging, pagtuklas ng trapiko, pagsusuri ng tingian, pagsubaybay sa agrikultura, at mga sistema ng kaligtasan. Hindi ito nakakakita na parang tao, ngunit maaari nitong iproseso ang mga pixel, hugis, kulay, at mga pattern sa malawak na saklaw.

Bakit maaaring mapabilang ang isang produkto ng AI sa maraming Uri ng AI?

Ang mga kategorya ng AI ay kadalasang naglalarawan ng iba't ibang bagay, tulad ng kakayahan, functionality, paraan ng pagsasanay, o aplikasyon. Ang isang voice assistant, halimbawa, ay maaaring narrow AI by capability, conversational AI by application, limited memory AI by functionality, at deep learning AI by architecture. Ang pagsasanib na ito ay normal at nakakatulong na ipaliwanag kung ano ang ginagawa ng sistema mula sa iba't ibang anggulo.

Anong mga panganib ang dapat maunawaan ng mga tao sa iba't ibang uri ng AI?

Kabilang sa mga karaniwang panganib ng AI ang bias, maling output, mga alalahanin sa privacy, mga kahinaan sa seguridad, kawalan ng transparency, labis na pagdepende, at mahinang pangangasiwa ng tao. Ang generative AI ay maaaring mag-imbento ng impormasyon, ang predictive AI ay maaaring magpalakas ng mga mahihirap na pattern, at ang computer vision ay maaaring maling matukoy ang mga bagay o tao. Ang mahusay na paggamit ng AI ay karaniwang nangangailangan ng pagsubok, pagsubaybay, malinaw na mga hangganan, matibay na kasanayan sa data, at pagsusuri ng tao.

Mga Sanggunian

1. IBM - Mga uri ng artipisyal na katalinuhan - ibm.com

2. Balangkas ng Pamamahala ng Panganib ng NIST AI - Mga panganib ng AI - nist.gov

3. Mga Developer ng Google - Machine learning - developers.google.com

4. AWS - Generative AI - aws.amazon.com