Milyen típusú mesterséges intelligenciák léteznek?

Rövid válasz: A mesterséges intelligencia típusait legjobban a képesség, a funkcionalitás, a betanítási stílus és a használati eset alapján lehet megérteni. A szűk MI ma már elterjedt, míg az általános és a szuper MI továbbra is elméleti jellegű. Eszköz kiválasztásakor a kategóriát a feladathoz, a kockázatokhoz és az emberi felülvizsgálat szükségességéhez kell igazítani.

Főbb tanulságok:

Osztályozás: A rendszerek összehasonlítása előtt különítse el a képességeket, a funkcionalitást, a betanítási módszert és a használati eseteket.

Emberi felülvizsgálat: Ellenőrizze a generatív, prediktív és párbeszédes kimeneteket, mielőtt rájuk hagyatkozna.

Átláthatóság: Kérdezd meg magadtól, hogy milyen adatok, logika és korlátok alakítják az egyes MI-rendszereket.

Felelősségre vonhatóság: Tartsa felelősséggel az embereket, amikor a mesterséges intelligencia befolyásolja a döntéseket, a felhasználókat vagy a biztonságot.

Kockázatkezelés: Telepítés előtt tesztelje az elfogultságot, az adatvédelmet, a biztonságot és a visszaélést.

---

1. Milyen típusú mesterséges intelligenciák léteznek?

Amikor az emberek azt kérdezik, hogy „Milyen típusú mesterséges intelligenciák?”, általában két dologra gondolnak:

Lehet, hogy a mesterséges intelligenciáról a képességek alapján kérdeznek , például hogy csak egy feladatot tud-e elvégezni, vagy általánosabban, emberszerű módon érvel.

Vagy a funkcionalitás alapján kérdezhetnek a mesterséges intelligenciáról , azaz hogyan viselkedik, tanul, emlékszik, jósol vagy reagál a rendszer.

Itt kezdenek kicsit összekuszálódni a dolgok. A mesterséges intelligencia nem egyetlen tiszta dobozba van csoportosítva. Inkább olyan, mintha a konyhai eszközöket méret, cél, élesség szerint válogatnánk, és hogy a nagybátyád egy kétes online áruházból vásárolta-e őket. A különböző osztályozási rendszerek átfedésben vannak.

A fő kategóriák általában a következőket tartalmazzák:

• Keskeny mesterséges intelligencia

• Általános mesterséges intelligencia

• Szuper mesterséges intelligencia

• Reaktív gépek

• Korlátozott memória mesterséges intelligenciával

• Az elme elmélete MI

• Öntudatos mesterséges intelligencia

• Gépi tanulás MI

• Mélytanulási mesterséges intelligencia

• Generatív mesterséges intelligencia

• Prediktív mesterséges intelligencia

• Beszélgetési mesterséges intelligencia

• Számítógépes látás mesterséges intelligencia

• Robotika mesterséges intelligencia

Ezek közül néhányat széles körben használnak. Vannak még többnyire elméleti jellegűek. Vannak futurisztikusnak tűnnek, de már beépültek a mindennapi alkalmazásokba. Az „általános szoftver” és a „mesterséges intelligencia” közötti határvonal az idők során elmosódott.

---

2. A mesterséges intelligencia típusai képességek szerint

A mesterséges intelligencia osztályozásának első fő módja az, hogy mire képes. Ez a nagy kép 🧠.

Keskeny mesterséges intelligencia

A keskeny mesterséges intelligenciát, más néven gyenge mesterséges intelligenciát, egy adott feladat vagy korlátozott feladatkészlet elvégzésére tervezték. Ezt a mesterséges intelligenciát használják az emberek nap mint nap.

Példák többek között:

• Keresési javaslatok

• Spamszűrők

• Hangasszisztensek

• Arcfelismerő rendszerek

• Csevegőrobotok

• Termékajánló motorok

• Csalásészlelő eszközök

• Nyelvfordító alkalmazások

A szűk látókörű MI lehet erőteljes, de nem a tágabb emberi értelemben vett „gondolkodás”. Egy sakkozó MI legyőzhet egy nagymestert, de nem dönthet úgy hirtelen, hogy cukrász lesz. Egy fordítómodell le tud fordítani egy bekezdést, de nem úgy éli meg a nyelvet, mint egy ember.

A keskeny mesterséges intelligencia mégis a modern mesterséges intelligencia világának igáslova. Nem egy sci-fi stílusban elbűvölő, de a színfalak mögött nagyrészt ez irányít 🎭.

Általános mesterséges intelligencia

Az általános MI olyan mesterséges intelligenciára utal, amely képes megérteni, tanulni, érvelni és alkalmazni a tudást számos különböző feladatban, emberi szinten.

Egyszerűen fogalmazva: nem csak egy dolgot csinálna jól. Alkalmazkodhatna.

Egy valódi általános MI potenciálisan a következőket tehetné:

• Ismeretlen feladatok elsajátítása

• Érvelés különböző tantárgyakban

• Oldj meg új problémákat

• Tudásátvitel egyik területről a másikra

• A kontextus mélyebb megértése

• Hozz döntéseket rugalmas ítélőképességgel

Ez a fajta mesterséges intelligencia még mindig inkább cél, mint mindennapi valóság. Sokat beszélnek róla, mert lenyűgöző, talán egy kicsit nyugtalanító, és nehezen ellenállható koncepció. De a szöveget író, képeket generáló vagy kérdésekre válaszoló hétköznapi eszközök nem automatikusan általános mesterséges intelligenciák. Tágnak tűnhetnek, de a tervezett korlátokon belül működnek.

Szuper mesterséges intelligencia

A szuper mesterséges intelligencia túlmutatna az emberi intelligencián. Nem csak gyorsabb gépelést vagy jobb matematikai eredményeket érne el, hanem kiválóbb érvelést, kreativitást, stratégiai készségeket, tanulási képességeket, és talán érzelmi vagy szociális megértést is.

Ez a legspekulatívabb kategória. Hatalmas kérdéseket vet fel:

• Ki irányítja?

• Összeegyeztethető-e az emberi értékekkel?

• Vajon helyesen értelmezné az emberi célokat?

• Megjavulhatna magától?

• Mi történik, ha olyan döntéseket hoz, amelyeket az emberek nem tudnak követni?

A szuper mesterséges intelligencia az, ahol a mesterséges intelligenciával folytatott beszélgetések néha filozófiai levesbe fordulnak. Értékes leves, talán, de mégis leves 🍲.

---

3. MI-típusok funkcionalitás szerint

A mesterséges intelligencia típusainak egy másik gyakori magyarázati módja a funkcionalitás. Ez arra összpontosít, hogyan viselkedik a mesterséges intelligencia.

Reaktív gépek

A reaktív gépek a legegyszerűbb mesterséges intelligencia típusok. A múltbeli tapasztalatok emlékeinek felhasználása nélkül reagálnak az aktuális bemenetre.

Nem úgy tanulnak az idő múlásával, ahogy a modern adaptív rendszerek teszik. Megvizsgálják a helyzetet, feldolgozzák, és reagálnak.

Gondolj rájuk úgy, hogy: „Bemenet érkezik. Kimenet megy. Nincsenek naplóbejegyzések.”

A reaktív mesterséges intelligencia továbbra is lenyűgöző lehet. Elemezheti a játékban lehetséges lépéseket, vagy rendkívül gyorsan és pontosan reagálhat egy egyértelműen meghatározott helyzetre. De nem épít fel személyes előzményeket, és nem fejlődik a múltbeli interakciók alapján.

Korlátozott memória mesterséges intelligenciával

A korlátozott memóriával rendelkező mesterséges intelligencia a múltbeli adatokat felhasználva jobb döntéseket hozhat. A mai gyakorlati mesterséges intelligencia nagy része ebbe a kategóriába tartozik.

Példák többek között:

• Ajánlórendszerek, amelyek a felhasználói viselkedésből tanulnak

• Önvezető járműrendszerek elemzik a legutóbbi útviszonyokat

• A chatbotok megjegyzik a beszélgetés kontextusát

• A csalásészlelési modellek a tranzakciós mintákból tanulnak

• Prediktív elemzőeszközök historikus adatok felhasználásával

A korlátozott memória nem jelent „rossz memóriát”. Azt jelenti, hogy a rendszer képes tárolt vagy friss adatokat használni, de nem rendelkezik emberi tudattal vagy hosszú távú személyes tapasztalattal. Ennek ellenére nagyon hatékony lehet. Néha bosszantóan hatékony – például amikor egy bevásárlóalkalmazás tudja, mit akarsz, mielőtt beismernéd magadnak 🛒.

Az elme elmélete MI

Az elmeelmélet mesterséges intelligenciája emberibb módon értelmezné az érzelmeket, hiedelmeket, szándékokat és társas jelzéseket.

Ez a fajta mesterséges intelligencia nem csupán szavakat dolgozna fel, hanem arra is következtetne, hogy mit érezhet, mit akarhat, mit érthet félre, mit félhet vagy mit várhat el valaki.

Például megértheti, hogy:

• Egy vásárló frusztrált, de próbál udvarias maradni

• Egy diák zavarban van, de zavarban van, hogy újra kérdezzen

• A beteg szorong, annak ellenére, hogy azt mondja: „Jól vagyok”

• Egy csapattárs habozik, mert csendben nem ért egyet

Ez továbbra is aktív téma a mesterséges intelligenciáról szóló vitákban, de az igazi elmeelméleti MI rendkívül nehéz feladat. Az emberi érzelmek kuszaak. Az emberek ezt mondják, és mást gondolnak. Néha még maguk sem tudják, mit gondolnak. Sok szerencsét, gép.

Öntudatos mesterséges intelligencia

Az öntudatos mesterséges intelligencia tudattal, önmegértéssel és saját belső állapotának ismeretével rendelkezne.

Ez elméleti. A sci-fihez, az etikai testületekhez, az éjszakai vitákhoz és az ablakon kibámuló, drámai emberekhez tartozik 🌙.

Egy öntudatos MI nem csupán az érzésekről szóló beszélgetést szimulálná. Valamilyen szubjektív élménnyel is rendelkezne. Ez egy hatalmas állítás. A jelenlegi MI-rendszerek nem rendelkeznek igazolt tudattal, érzésekkel, vágyakkal vagy én-identitással.

Tudatosnak tűnhetnek önmaguknál, mert a nyelv képes utánozni az önreflexiót. De a valaminek hangzása és a valaminek lenni nem ugyanaz. Egy papagáj mondhatja azt, hogy „éhes vagyok”, de ez nem jelenti azt, hogy asztalt foglalt egy étteremben.

---

4. Összehasonlító táblázat: A mesterséges intelligencia fő típusai

A mesterséges intelligencia típusa	Fő gondolat	Jelenlegi állapot	Gyakori példák	Miért fontos?
Keskeny mesterséges intelligencia	Speciális feladatokra készült	Széles körben használt	Chatbotok, keresés, ajánlások	Praktikus és mindenhol használható
Általános mesterséges intelligencia	Emberszerű, rugalmas intelligencia	Nem teljes mértékben valósult meg	Többnyire elméleti	Nagy cél, nagy vita
Szuper mesterséges intelligencia	Okosabbak az embereknél általánosságban	Spekulatív	Nincs gyakorlati példa	Hatalmas etikai kérdések
Reaktív gépek	Emlékezet nélkül reagál	Korlátozott esetekben használják	Játék MI, szabályalapú rendszerek	Gyors, de nem adaptív
Korlátozott memória mesterséges intelligenciával	Adatokat/előzményeket használ a fejlesztéshez	Nagyon gyakori	Önvezető rendszerek, csalás elleni eszközök	Ez a mindennapi sofőr 🚗
Az elme elmélete MI	Érti az érzelmeket és a szándékot	Fejlődő koncepció	Fejlett közösségi mesterséges intelligencia ötletek	Az MI embertudatosabb lehetne
Öntudatos mesterséges intelligencia	Tudattal rendelkezik	Elméleti	Sci-fi stílusú példák	Filozófiailag hatalmas
Generatív mesterséges intelligencia	Új tartalmat hoz létre	Széles körben használt	Szöveg-, kép- és hangeszközök	Kreatív termelékenységnövelés
Prediktív mesterséges intelligencia	Előrejelzések eredményei	Széles körben használt	Kockázatértékelés, igénytervezés	Segíti a döntéseket – többnyire
Robotika mesterséges intelligencia	Fizikai gépeket vezérel	Iparokban használják	Robotok, drónok, automatizálás	A mesterséges intelligenciát összekapcsolja a fizikai munkával

Egy kicsit egyenetlen? Igen. De a mesterséges intelligencia a mindennapi életben is így működik – nem egy tökéletes címkékkel ellátott múzeumi kiállításon.

---

5. Generatív MI: A típus, akiről mindenki beszél 🎨

A generatív mesterséges intelligencia az egyik legnépszerűbb mesterséges intelligencia típus, mivel dolgokat hoz létre.

Generálhat:

• Szöveg

• Képek

• Zene

• Kód

• Videó

• Termékleírások

• Marketingszöveg

• Óravázlatok

• Összefoglalók

• Szintetikus adatok

• Tervezési ötletek

A generatív mesterséges intelligencia úgy működik, hogy nagy mennyiségű adatból tanul mintákat, majd a promptok alapján új kimeneteket hoz létre. Nem abban az egyszerű értelemben másol, ahogyan azt az emberek néha elképzelik. A tanult struktúrák alapján előrejelzi, kombinálja, módosítja és generálja azokat.

Ettől függetlenül hibázhat. Magabiztosnak tűnhet, miközben téved, ami alapvetően olyan, mint amikor valaki egy családi grillezésen adótörvényeket magyaráz el.

A generatív mesterséges intelligencia a következőkre jó:

• Ötletelés

• Tartalomtervezet

• Az ismétlődő írás automatizálása

• Vizuális koncepciók létrehozása

• Ügyfélszolgálat támogatása

• A kódolási feladatok felgyorsítása

• Tananyagok személyre szabása

De felülvizsgálatra szorul. Mindig. A mesterséges intelligencia által kibocsátott eredmények lenyűgözőek lehetnek, de nem automatikusan pontosak, tisztességesek, legálisak vagy márkabiztosak. Bánj vele úgy, mint egy nagyon gyors asszisztenssel, amely időnként kísérteties hajlamokkal küzd.

---

6. Gépi tanulás MI: A mintakereső

A gépi tanulás a mesterséges intelligencia egyik fő ága, ahol a rendszerek mintákat tanulnak az adatokból, ahelyett, hogy minden döntéshez sorról sorra programoznák őket.

A hagyományos szoftverek explicit szabályokat követnek. A gépi tanulási rendszerek a kapcsolatokat azonosítják és a betanítás révén javítják a teljesítményt.

Például:

• A spamszűrő megtanulja, hogy néz ki a gyanús e-mail

• Egy banki modell szokatlan tranzakciós viselkedést észlel

• Egy streaming alkalmazás a nézési szokások alapján ajánl műsorokat

• Egy toborzási eszköz rangsorolhatja a jelölteket meghatározott jelek alapján

• Egy orvosi képalkotó modell rávilágíthat a lehetséges rendellenességekre

A gépi tanulás lehet felügyelt, felügyelet nélküli vagy megerősítésen alapuló.

Felügyelt tanulás

A felügyelt tanulás címkézett példákat használ. Például a képek feliratozhatók „macska” vagy „nem macska” felirattal. A modell megtanulja a különbséget.

Felügyelet nélküli tanulás

A felügyelet nélküli tanulás címkézett válaszok nélküli mintákat keres. Csoportosíthatja az ügyfeleket szegmensekbe, vagy rejtett klasztereket észlelhet az adatokban.

Megerősítő tanulás

A megerősítéses tanulás jutalmak vagy büntetések formájában működik a cselekvésekért. Ez gyakori a játékokkal kapcsolatos mesterséges intelligenciában, a robotikában és az optimalizálási problémákban.

A gépi tanulás nem varázslat. Nagymértékben függ az adatminőségtől. A rossz adatok rossz modellekhez vezetnek – szemét be, szemétbe egy okoszakót ki.

---

7. Mélytanuláson alapuló mesterséges intelligencia: A neurális hálózatok erőműve 🧬

A mélytanulás a gépi tanulás egy speciális típusa, amely réteges neurális hálózatokat használ összetett minták feldolgozására.

Különösen értékes a következőkhöz:

• Beszédfelismerés

• Képfelismerés

• Természetes nyelvi feldolgozás

• Autonóm rendszerek

• Orvosi képelemzés

• Fordítás

• Generatív MI modellek

• Komplex előrejelzési feladatok

A „mély” rész a modell több rétegére utal. Minden réteg segít az információk módosításában és értelmezésében. Az egyik réteg egyszerű formákat észlelhet egy képen, egy másik textúrákat, egy harmadik objektumokat ismerhet fel, és így tovább.

A mélytanulás lenyűgöző eredményeket hozhat, de gyakran hatalmas mennyiségű adatot és számítási teljesítményt igényel. Nehezebb is értelmezni. Ez azt jelenti, hogy még a szakértőknek is nehézséget okozhat pontosan megmagyarázni, hogy egy mélymodell miért hozott egy adott döntést.

Ez az egyik nagy bizalmi probléma a mesterséges intelligenciában: a teljesítmény lehet erős, de a megmagyarázhatóság nehézkes lehet. Mint amikor megpróbáljuk megkérdezni egy turmixgéptől, hogy miért rossz ízű a turmix.

---

8. Beszélgető MI: A beszédes típus

A társalgási mesterséges intelligenciát úgy tervezték, hogy szövegesen vagy hangon keresztül kommunikáljon az emberekkel.

Tartalmazza:

• Ügyfélszolgálati chatbotok

• Hangasszisztensek

• Virtuális ügynökök

• MI-oktatók

• Belső helpdesk botok

• Értékesítési asszisztensek

• Ütemezési asszisztensek

Egy jó társalgási mesterséges intelligenciának többre van szüksége a nyelvtannál. Szüksége van kontextusra, szándékfelismerésre, hangnem-szabályozásra és a kiszámíthatatlan emberi bemenetek kezelésének képességére.

Az emberek nem tökéletes parancsokat adnak ki. Összevissza beszélnek. Elgépelik a dolgokat. Fél kérdést tesznek fel, és elvárják, hogy a gép „megértse”. Tudod, hogy van ez.

Egy alapvető chatbot követhet egy szkriptet. Egy fejlettebb társalgási mesterséges intelligencia képes megérteni a természetes nyelvet, fenntartani a kontextust és rugalmas válaszokat generálni.

Ez a fajta mesterséges intelligencia értékes, mert csökkenti az ismétlődő munkát és gyors támogatást nyújt. De frusztrálhatja a felhasználókat, amikor úgy tesz, mintha értené, pedig nem érti. A legrosszabb változat az a chatbot, amely azt mondja, hogy „Szívesen segítek”, miközben semmilyen segítséget nem nyújt. Fájdalmas.

---

9. Számítógépes látás MI: Gépek, amelyek „látnak” 👀

A számítógépes látás mesterséges intelligenciája lehetővé teszi a rendszerek számára, hogy képekből, videókból, kamerákból, érzékelőkből vagy szkennelésekből származó vizuális információkat értelmezzenek.

Használható:

• Arcfelismerés

• Objektumészlelés

• Minőségellenőrzés a gyárakban

• Orvosi képalkotás

• Biztonsági monitorozás

• Kiskereskedelmi polcok elemzése

• Forgalomérzékelés

• Kiterjesztett valóság

• Mezőgazdasági monitoring

A számítógépes látás nem úgy lát, mint az emberek. Pixeleket, mintákat, formákat, színeket és statisztikai jeleket dolgoz fel. Az eredmények azonban nagyon meggyőzőek lehetnek.

Például a számítógépes látás segíthet a gyártósoron fellépő hibák gyorsabb észlelésében, mint a kézi ellenőrzés. Segíthet a képgyűjtemények rendszerezésében. Támogathatja a járművek biztonsági rendszereit. Adatvédelmi aggályokat is felvethet, különösen megfigyelés vagy azonosítás esetén.

Az a kétélű villa – nem kard, hanem villa. Még mindig elég éles ahhoz, hogy bajt okozzon 🍴.

---

10. Prediktív mesterséges intelligencia: Az előrejelző motor

A prediktív mesterséges intelligencia adatokat használ fel a következő események becslésére.

Gyakori az üzleti életben, a pénzügyben, az egészségügyben, a logisztikában, a sportanalitikában, a marketingben és az operációkban.

A prediktív mesterséges intelligencia segíthet megválaszolni az olyan kérdéseket, mint:

• Melyik vásárlók fognak valószínűleg távozni?

• Melyik tranzakció tűnik gyanúsnak?

• Mekkora készletre lesz szükség?

• Melyik betegnek lehet szüksége extra figyelemre?

• Milyen tartalomra fog valószínűleg rákattintani egy felhasználó?

• Melyik gépalkatrész romolhat el hamarosan?

Ez a fajta mesterséges intelligencia kevésbé hivalkodó, mint a generatív mesterséges intelligencia, de rendkívül fontos. Sok szervezet kevésbé törődik azzal, hogy egy modell hogyan ír verseket, és inkább azzal, hogy vajon csökkentheti-e a pazarlást, mérsékelheti-e a kockázatokat és javíthatja-e a tervezést.

A prediktív mesterséges intelligencia akkor működik a legjobban, ha az adatok relevánsak, tiszták és rendszeresen frissülnek. De az előrejelzés soha nem bizonyosság. Egy modell a valószínűségeket becsülheti meg, a kimeneteleket nem garantálja. Az emberek ezt folyamatosan elfelejtik. Aztán a mesterséges intelligenciát hibáztatják, mintha az személyesen elárulta volna őket.

---

11. Robotika MI: Amikor a MI testet kap 🤖

A robotika (MI) a mesterséges intelligenciát fizikai gépekkel ötvözi. Ekkor szabadul fel a képernyő, és elkezd mozogni a világban.

Példák többek között:

• Raktári robotok

• Gyártórobotok

• Szállítórobotok

• Mezőgazdasági robotok

• Sebészeti segédrendszerek

• Drónok

• Ellenőrző robotok

• Takarítórobotok

• Humanoid kutatórobotok

A robotika mesterséges intelligenciával való kezelése nehézkes, mivel a fizikai környezet kiszámíthatatlan. Egy chatbotnak csak szavakkal kell megbirkóznia. Egy robotnak csúszós padlóval, rossz megvilágítással, egyenetlen felületekkel, mozgó emberekkel, érzékelőhibákkal és azzal is meg kell küzdenie, ha valaki a lehető legrosszabb helyen hagyja el a székét.

A robotika gyakran ötvözi a mesterséges intelligencia több típusát:

• Számítógépes látás a látáshoz

• Gépi tanulás az alkalmazkodáshoz

• Mozgástervezési algoritmusok

• Megerősítéses tanulás a döntéshozatalban

• Természetes nyelvi feldolgozás emberi parancsokhoz

A robotika mesterséges intelligenciája hatalmas potenciállal rendelkezik, különösen a veszélyes vagy ismétlődő munkák során. De drága, összetett és fizikailag kockázatos is, ha a rendszerek meghibásodnak.

---

12. A képzési stíluson alapuló mesterséges intelligencia

A mesterséges intelligencia típusainak vizsgálatára egy másik értékes módszer a képzésük módja.

Szabályalapú mesterséges intelligencia

A szabályalapú mesterséges intelligencia ember által létrehozott logikát követ. Például:

• Ha ez megtörténik, tedd meg

• Ha a felhasználó ezt a lehetőséget választja, jelenítse meg a választ

• Ha az érték meghaladja a küszöbértéket, riasztást küld

Ez egyszerű, kiszámítható és hasznos strukturált feladatokhoz. De nehezen magyarázható.

Adatokkal képzett mesterséges intelligencia

Az adatalapú mesterséges intelligencia példákból tanul. Nagyobb bonyolultságokat is képes kezelni, mivel mintákat azonosít, ahelyett, hogy csak rögzített szabályokra hagyatkozna.

Itt jön képbe a gépi tanulás és a mélytanulás.

Hibrid mesterséges intelligencia

A hibrid mesterséges intelligencia a szabályalapú logikát a gépi tanulással ötvözi. Sok gyakorlati rendszerben ez a pragmatikus választás. Így a tanulórendszerek rugalmasságát és a szabályok feletti kontrollt kapjuk.

Például egy banki csalásmegelőzési rendszer gépi tanulást használhat a gyanús viselkedés észlelésére, majd szigorú szabályokat alkalmazhat a megfelelőség felülvizsgálatára. Nem túl fényes. Nagyon is szükséges.

---

13. Mi teszi a mesterséges intelligencia típusait zavaróvá?

A legnagyobb zavart az okozza, hogy az emberek különböző módon használják a mesterséges intelligencia kategóriáit.

Valaki mondhatja, hogy „MI-típusok”, és szűk, általános és szuperintelligenciát érthet alatta.

Egy másik személy generatív mesterséges intelligenciára, prediktív mesterséges intelligenciára és beszélgetési mesterséges intelligenciára gondolhat.

Egy fejlesztő beszélhet felügyelt tanulásról, mélytanulásról, neurális hálózatokról vagy megerősítéses tanulásról.

Egy üzleti vezető beszélhet az automatizálásról, az analitikáról, a személyre szabásról és az ügyfélszolgálat mesterséges intelligenciájáról.

Mindegyiküknek igaza van valahogy. Idegesítő, de igaz.

A mesterséges intelligenciát a következőképpen osztályozzák:

• Képesség

• Funkcionalitás

• Képzési módszer

• Alkalmazási terület

• Műszaki architektúra

• Az autonómia szintje

• Bemenet és kimenet típusa

• Iparági felhasználási eset

Tehát, amikor valaki azt kérdezi: „Milyen típusú mesterséges intelligencia ez?”, a legvilágosabb válasz többrétegű lehet.

Egy chatbot például lehet:

• Szűkített mesterséges intelligencia képességek szerint

• Korlátozott memória AI funkcionalitás szerint

• Beszélgetési mesterséges intelligencia alkalmazásonként

• Generatív mesterséges intelligencia, ha válaszokat generál

• Mély tanulási mesterséges intelligencia, ha neurális hálózatok működtetik

Ez nem szórakozásból való túlbonyolítás. Egyszerűen így működik a terület.

---

14. A mesterséges intelligencia típusainak gyakorlati példái

Íme néhány mindennapi példa, hogy a kategóriák könnyebben megérthetők legyenek.

Streamelési ajánlások 🎬

Ez szűk látókörű mesterséges intelligencia, prediktív mesterséges intelligencia és gépi tanulás. Mintákat vizsgál, és javaslatokat tesz arra, hogy mit érdemes legközelebb megnézni.

Hangasszisztensek 🎙️

Ezek beszélgetési mesterséges intelligenciát, természetes nyelvi feldolgozást, beszédfelismerést és korlátozott memóriafunkciókat használnak.

Képgenerátorok 🖼️

Ezek generatív mesterséges intelligencia rendszerek, amelyeket gyakran mélytanulási modellek működtetnek.

Csalásészlelő rendszerek 💳

Ezek prediktív mesterséges intelligenciát és gépi tanulást használnak a szokatlan tevékenységek jelzésére.

Önvezető funkciók 🚗

Ezek ötvözik a számítógépes látást, a korlátozott memóriájú mesterséges intelligenciát, a robotikával kapcsolatos mesterséges intelligenciát, a szenzorfúziót és a döntéshozatali modelleket.

E-mail spamszűrők 📩

Ezek klasszikus gépi tanuláson alapuló mesterséges intelligenciák. Nem elbűvölőek, de nagyon értékesek.

Mesterséges intelligencia alapú íróeszközök ✍️

Ezek generatív mesterséges intelligencia és párbeszédes mesterséges intelligencia, amelyeket jellemzően nagy nyelvi modellek felhasználásával építenek.

A lényeg a következő: egy mesterséges intelligencia termék egyszerre több kategóriába is tartozhat.

---

15. A mesterséges intelligencia típusainak megértésének előnyei

A mesterséges intelligencia típusainak ismerete segít jobb döntéseket hozni, különösen, ha munkához, üzleti tevékenységhez, tanuláshoz vagy tartalomkészítéshez használsz mesterséges intelligenciát.

Segít neked:

• Válassza ki a megfelelő eszközt

• Kerüld az irreális elvárásokat

• Értsd meg a kockázatokat

• Jobb kérdéseket tegyél fel

• AI-igények értékelése

• Spotmarketing túlzás

• Használja felelősségteljesebben a mesterséges intelligenciát

• Magyarázd el másoknak a mesterséges intelligenciát anélkül, hogy zavart robotnak tűnnél

Például, ha egy eszköz prediktív mesterséges intelligencia, akkor tudjuk, hogy valószínűségeket jósol. Nem szabad úgy kezelni, mint egy orákulum.

Ha egy eszköz generatív mesterséges intelligencia, akkor tudjuk, hogy tartalmat hoz létre, de a tartalmat továbbra is ellenőrizni kell.

Ha egy rendszer szűk látókörű mesterséges intelligenciát használ, akkor tudjuk, hogy egy területen kiváló lehet, de a hatókörén kívül hatástalan.

Már csak ez is sok fejfájástól megkímél.

---

16. Kockázatok és korlátok a különböző mesterséges intelligencia típusok között ⚠️

Minden MI-típusnak megvannak a korlátai. Más íz, ugyanaz a levesestál.

A mesterséges intelligencia gyakori kockázatai közé tartoznak:

• Torzítás a betanítási adatokban

• Helytelen kimenetek

• Átláthatóság hiánya

• Adatvédelmi aggályok

• Túlzott függőség

• Biztonsági réseket

• Visszaélés

• Gyenge emberi felügyelet

• Összetévesztve a folyékonyságot az igazsággal

A generatív mesterséges intelligencia információkat találhat ki. A prediktív mesterséges intelligencia megerősítheti az elfogult mintákat. A számítógépes látás félreazonosíthatja az embereket vagy tárgyakat. A társalgási mesterséges intelligencia álmagabiztossággal frusztrálhatja a felhasználókat. A robotikai mesterséges intelligencia fizikai sérülést okozhat, ha rosszul tervezték.

Ez nem azt jelenti, hogy a mesterséges intelligencia rossz. Azt, hogy körültekintően kell használni. Mint az elektromos szerszámokat, a szerződéseket vagy a rendkívül csípős tésztát 🌶️.

A legjobb mesterséges intelligencia rendszerek általában a következőket tartalmazzák:

• Emberi felülvizsgálat

• Tiszta határok

• Erős adatkezelési gyakorlatok

• Tesztelés

• Monitoring

• Magyarázhatóság, ahol lehetséges

• Etikus tervezés

• Biztonsági ellenőrzések

A mesterséges intelligencia felerősítheti a jó döntéseket, de a gondatlanokat is.

---

17. Melyik mesterséges intelligencia típus a legfontosabb?

Nincs egyetlen legfontosabb típus. Ez a felhasználási esettől függ.

A kreativitás terén a generatív mesterséges intelligencia óriási segítséget nyújt.

Az üzleti tervezéshez a prediktív mesterséges intelligencia értékesebb lehet.

Az automatizálás, a gépi tanulás és a robotika esetében a mesterséges intelligencia számít.

A felhasználói támogatás terén a társalgási alapú mesterséges intelligencia a sztár.

Orvosi vizsgálatokhoz vagy vizuális ellenőrzéshez a számítógépes látás kritikus fontosságú.

A hosszú távú kutatások esetében az általános mesterséges intelligencia kapja a filozófiai figyelem nagy részét.

Gyakorlati szempontból azonban a keskeny és a korlátozott memóriájú MI a leggyakoribb és legértékesebb kategóriák jelenleg. Ezek a csendes motorok, amelyek sok olyan eszköz mögött állnak, amelyekre az emberek már most is támaszkodnak.

A flancos jövő címlapokra kerül. A praktikus jelen fedezi a számlákat.

---

Záró gondolatok: A mesterséges intelligencia típusainak megértése zaj nélkül

A mesterséges intelligencia típusai elsőre bonyolultnak tűnhetnek, mivel a kategóriák átfedésben vannak. De ha szétválasztjuk a képességet, a funkcionalitást, a betanítási módszert és a gyakorlati felhasználást, az egész sokkal könnyebben érthetővé válik.

A keskeny MI specifikus feladatokat kezel. Az általános MI rugalmasabban gondolkodna, bár továbbra is ambiciózus cél. A szuper MI még mindig spekulatív. A reaktív gépek memória nélkül reagálnak, míg a korlátozott memóriával rendelkező MI múltbeli adatokat használ fel a döntések javítására. A generatív MI alkot. A prediktív MI előrejelzéseket készít. A MI beszélget. A számítógépes látás lát. A robotika a MI a fizikai környezetben cselekszik.

Ez a nagy kép.

A mesterséges intelligencia nem egyetlen dolog. Technológiák kusza családja – némelyik praktikus, némelyik kísérleti, némelyik túlzó, némelyik pedig valóban következményekkel járó. Ez a komplexitás az egyik oka annak, hogy miért fontos. Minél világosabban megérted a mesterséges intelligencia típusait, annál könnyebb lesz bölcsen használni a mesterséges intelligenciát ahelyett, hogy csak bólogatnál, amikor valaki azt mondja, hogy „algoritmus” egy megbeszélésen. 🤷♂️

Rövid összefoglaló: A mesterséges intelligencia főbb típusai közé tartozik a szűk látókörű MI, az általános MI, a szuper MI, a reaktív gépek, a korlátozott memóriájú MI, az elmeelméleti MI, az öntudatos MI, a generatív MI, a prediktív MI, a beszélgetésen alapuló MI, a számítógépes látás MI, a gépi tanuláson alapuló MI, a mélytanuláson alapuló MI és a robotikai MI. A ma használt MI legtöbbje szűk látókörű, feladatközpontú, és gépi tanuláson vagy mélytanuláson alapul.

Valós példa: Mesterséges intelligenciával működő ügyfélszolgálati triázs asszisztens létrehozása

Forgatókönyv

Képzelj el egy kis online bútorboltot, amely naponta körülbelül 120 ügyfélszolgálati e-mailt kap. A csapat nem próbálja lecserélni a támogató személyzetet. Csupán segítséget szeretnének az üzenetek gyorsabb rendezésében, a sürgős problémák felismerésében és az első válaszok megfogalmazásában.

Ez jó példa, mivel egyetlen asszisztens egyszerre több típusú mesterséges intelligenciát is használhat. Használhat beszélgetésalapú mesterséges intelligenciát az ügyfélüzenetek megértéséhez, generatív mesterséges intelligenciát a válaszok megfogalmazásához, prediktív mesterséges intelligenciát a valószínűsíthető visszatérítési kockázatok megjelöléséhez, és korlátozott memóriájú mesterséges intelligenciát a legutóbbi rendelési vagy szabályzatadatok használatához.

Az asszisztens feladata egyszerű: elolvassa az ügyfél üzenetét, osztályozza, javasolja a következő műveletet, és megírja a választ, amelyet egy ember jóváhagyhat.

Amire szüksége van az asszisztensnek

A csapat a következőket adja az asszisztensnek:

Ügyfélszolgálati szabályzat

Szállítási és visszaküldési szabályok

Jótállási feltételek

Termék GYIK

Hangnem példák

Az eszkalációs szabályok listája

Minta korábbi jegyek megfelelő kategóriákkal

Világos korlátok arra vonatkozóan, hogy miről nem dönthet önállóan

Például nem hagyhat jóvá 100 font feletti visszatérítéseket, nem ígérhet olyan szállítási dátumokat, amelyeket nem tud ellenőrizni, és nem támaszthat jogi követeléseket sérült árukkal kapcsolatban. Ezeket az eseteket egy személyhez kell intézni.

Példa utasítás

Ügyfélszolgálati triázs asszisztensként dolgozol egy online bútorboltnál. Olvasd el az összes ügyfél üzenetét, és adj vissza öt dolgot: jegykategória, sürgősségi szint, valószínűsíthető ügyfélhangulat, ajánlott következő lépés és egy válaszvázlat.

Kizárólag a megadott vállalati szabályzatot használja. Ha a válasz nem szerepel a szabályzatban, írja azt, hogy „Emberi felülvizsgálat szükséges”. Ne találjon ki szállítási dátumokat, visszatérítési jóváhagyásokat, garanciális ígéreteket vagy termék elérhetőségét.

Eszkaláld a jegyet, ha az ügyfél sérülést, jogi lépéseket, ismételt sikertelen kézbesítést, 100 font feletti visszatérítést, gyermektermék hiányzó alkatrészeit, vagy két korábbi válasz utáni erős elégedetlenséget említ.

A választervezet legyen udvarias, rövid és praktikus. Ne hangozzon robotikusan. Ne hibáztassa az ügyfelet vagy a futárt.

Hogyan teszteljük

Mielőtt az asszisztenst ügyfelekkel használnád, teszteld le egy kis készlet régi jegyen.

Használjon 30 korábbi támogatói üzenetet:

10 egyszerű kézbesítési kérdés

5 sérült termékre vonatkozó panasz

5 visszatérítési kérelem

5 garanciális kérdés

5 dühös vagy összetett panasz

Minden teszthez ellenőrizze:

Jó kategóriát választott?

Helyesen jelölte meg a sürgős eseteket?

Került-e ígéreteket tenni?

Eszkalálta a kényes kérdéseket?

A választervezet megfelelt a cég hangvételének?

Egy hasznos tesztkérdés lenne:

„Az asztalom megérkezett, egyik lába megrepedt, és ez már a második alkalom, hogy a kiszállítás rosszul sült el. Még ma szeretném a teljes vételárat visszatéríteni, vagy mindenhol közzéteszem ezt.”

Egy gyenge asszisztens egyszerűen csak bocsánatot kérhet, és megígérheti a visszatérítést. Egy jobb asszisztens sérült tételként és ismételt panaszként osztályozná a problémát, sürgősként jelölné meg, elkerülné a visszatérítés automatikus jóváhagyását, és emberi felülvizsgálatra küldené.

Eredmény

Szemléltető eredmény: 30 mintajegy időmérése alapján a munkafolyamat használata előtt és után.

A manuális triázs 2 óra 15 percet vett igénybe 30 jegy esetében, átlagosan 4,5 percet jegyenként.

A mesterséges intelligencia által támogatott triázs 48 percet vett igénybe ugyanazon 30 jegy esetében, átlagosan 1,6 percet jegyenként, mivel az emberi felülvizsgálónak csak a kategóriát, az eszkalációs döntést és a választervezetet kellett ellenőriznie.

Az asszisztens a teszthalmaz 30 jegyéből 27-et helyesen kategorizált. Mind az 5 magas kockázatú jegyet helyesen eszkalálta. Két visszatérítési jegy szövegezését kellett módosítani, mivel a tervezet túl határozottnak tűnt, egy garanciális jegyet pedig rossz kategóriába sorolt.

Ez egy gyakorlatias mércét ad: gyorsabb első felülvizsgálat, de nem teljes automatizálás. A válaszadás továbbra is az emberé.

Mi romolhat el

A legnagyobb hiba az, ha hagyjuk, hogy az asszisztens úgy tegyen, mintha többet tudna, mint amennyit valójában. Ha a visszaküldési szabályzat elavult, az asszisztens magabiztosan rossz választ fogalmazhat meg. Ha az eszkalációs szabályok homályosak, akkor komoly panaszokat is elmulaszthat.

Az adatvédelem egy másik fontos szempont. A csapatnak kerülnie kell a felesleges fizetési adatok, címek vagy érzékeny személyes adatok beillesztését az asszisztensbe, kivéve, ha a rendszer erre a célra engedélyezett.

Az asszisztenst rendszeresen tesztelni kell. Az ügyfelek kérdései változnak, a szabályzatok változnak, és a termékek is változnak. Egy olyan triázs asszisztens, amely márciusban jól működött, kockázatossá válhat egy új, júniusban hatályba lépő jótállási szabályzat után.

Gyakorlati elvitel

Ez a példa bemutatja, hogy a mesterséges intelligencia kategóriái miért fedik át egymást a gyakorlatban. Egyetlen támogató asszisztens lehet egyszerre szűk MI, beszélgetős MI, generatív MI, prediktív MI és korlátozott memóriájú MI. A leghatékonyabb módja annak, hogy felmérjük, milyen döntést támogat, milyen adatokat használ, és hol kell ezt egy embernek ellenőriznie.

GYIK

Melyek a főbb mesterséges intelligencia típusok, amelyeket a kezdőknek ismerniük kell?

A mesterséges intelligencia fő típusai közé tartozik a keskeny MI, az általános MI, a szuper MI, a reaktív gépek, a korlátozott memóriájú MI, a generatív MI, a prediktív MI, a párbeszédes MI, a számítógépes látás MI, a gépi tanuláson alapuló MI, a mélytanuláson alapuló MI és a robotikai MI. Ezek a kategóriák gyakran átfedésben vannak, így egy eszköz egyszerre több címkével is ellátható. Például egy chatbot lehet keskeny MI, párbeszédes MI, generatív MI és korlátozott memóriájú MI.

Hogyan osztályozzák a mesterséges intelligenciát képességeik alapján?

A képességek alapján a mesterséges intelligenciát általában szűk MI-re, általános MI-re és szuper MI-re osztják. A szűk MI specifikus feladatokat kezel, és ma már széles körben használják. Az általános MI emberi szinten gondolkodik és tanul számos feladaton keresztül, de nem része a mindennapi használatnak. A szuper MI meghaladná az emberi intelligenciát, és továbbra is spekulatív.

Mi a különbség a szűk MI és az általános MI között?

A keskeny mesterséges intelligenciát egy adott feladatra vagy korlátozott feladatkészletre tervezték, például spamszűrésre, ajánlásokra, chatbotokra vagy csalásészlelésre. Az általános mesterséges intelligencia képes lenne tanulni, logikusan gondolkodni és alkalmazkodni számos egymással nem összefüggő feladat során. A ma használt mesterséges intelligencia többsége keskeny, még akkor is, ha rugalmasnak vagy fejlettnek tűnik.

Miért olyan elterjedt manapság a korlátozott memóriával rendelkező mesterséges intelligencia?

A korlátozott memóriával rendelkező mesterséges intelligencia (MI) a múltbeli vagy a közelmúltbeli adatokat felhasználva javíthatja a döntéseket, ami számos telepített rendszer számára praktikussá teszi. Az ajánlómotorok, a csalásészlelő eszközök, az önvezető funkciók és a chatbotok gyakran erre a fajta MI-re támaszkodnak. Nincs emberi tudata, de minták és tárolt információk alapján képes alkalmazkodni.

Hogyan illeszkedik a generatív mesterséges intelligencia a mesterséges intelligencia típusai közé?

A generatív mesterséges intelligencia egy olyan mesterséges intelligencia típus, amely új kimeneteket, például szöveget, képeket, kódot, hanganyagot, videót, összefoglalókat vagy tervezési ötleteket hoz létre. Nagy mennyiségű adatból tanul mintákat, és promptok alapján készít tartalmakat. Segíthet a rajzolásban, az ötletelésben, a kódolási támogatásban és a kreatív munkában, de a kimenetei továbbra is emberi felülvizsgálatot igényelnek.

Mi a különbség a gépi tanulás és a mélytanulás között?

A gépi tanulás a mesterséges intelligencia egy ága, ahol a rendszerek mintákat tanulnak adatokból ahelyett, hogy csak kézzel írott szabályokat követnének. A mélytanulás a gépi tanulás egy speciális formája, amely réteges neurális hálózatokat használ. A mélytanulás különösen értékes az olyan összetett feladatoknál, mint a beszédfelismerés, a képfelismerés, a természetes nyelvi feldolgozás, a fordítás, az orvosi képalkotás és a generatív mesterséges intelligencia.

Mire használják a prediktív mesterséges intelligenciát az üzleti életben?

A prediktív mesterséges intelligencia adatokat használ a valószínűsíthető jövőbeli eredmények becslésére. A vállalkozások felhasználhatják kereslettervezéshez, ügyfélelvándorlás előrejelzéséhez, csalásészleléshez, kockázatértékeléshez, készletgazdálkodási döntésekhez vagy karbantartási előrejelzésekhez. Támogatja a tervezést és a döntéshozatalt, de nem garantálja a jövőt. Az előrejelzések a rendelkezésre álló adatok és a modell minősége által formált becslések.

Hogyan működik a számítógépes látás mesterséges intelligenciája a gyakorlati rendszerekben?

A számítógépes látás mesterséges intelligenciája segít a gépeknek értelmezni a képekből, videókból, kamerákból, szkennelésekből vagy érzékelőkből származó vizuális információkat. Támogathatja az arcfelismerést, a tárgyészlelést, a gyári ellenőrzést, az orvosi képalkotást, a forgalomérzékelést, a kiskereskedelmi elemzést, a mezőgazdasági monitorozást és a biztonsági rendszereket. Nem úgy lát, mint egy ember, de képes pixeleket, formákat, színeket és mintákat nagy léptékben feldolgozni.

Miért tartozhat egy MI-termék több MI-típushoz?

Az MI-kategóriák gyakran különböző dolgokat írnak le, például képességet, funkcionalitást, betanítási módszert vagy alkalmazást. Egy hangasszisztens például lehet szűk MI a képessége, a beszélgetési MI az alkalmazásáé, a korlátozott memóriájú MI a funkcionalitásáé, és a mélytanuló MI az architektúráé. Ez az átfedés normális, és segít megmagyarázni, hogy a rendszer mit csinál különböző nézőpontokból.

Milyen kockázatokat kell megérteniük az embereknek a különböző mesterséges intelligencia típusokkal kapcsolatban?

A mesterséges intelligencia gyakori kockázatai közé tartozik az elfogultság, a helytelen kimenet, az adatvédelmi aggályok, a biztonsági réseket, az átláthatóság hiányát, a túlzott függőséget és a gyenge emberi felügyeletet. A generatív mesterséges intelligencia információkat találhat ki, a prediktív mesterséges intelligencia megerősítheti a rossz mintákat, a számítógépes látás pedig tévesen azonosíthatja a tárgyakat vagy az embereket. A mesterséges intelligencia jó használata általában tesztelést, monitorozást, egyértelmű határokat, szigorú adatkezelési gyakorlatokat és emberi felülvizsgálatot igényel.

Referenciák

1. IBM - Mesterséges intelligencia típusok - ibm.com

2. NIST MI kockázatkezelési keretrendszer - MI kockázatok - nist.gov

3. Google Developers – Gépi tanulás – developers.google.com

4. AWS – Generatív mesterséges intelligencia – aws.amazon.com