Šta je zapravo AI? [Video i kviz]

Kratak odgovor: Vještačka inteligencija (AI) je široka porodica računarskih tehnika koje prepoznaju obrasce, daju predviđanja, generiraju sadržaj i, sve više, poduzimaju akcije. Može biti vrlo učinkovita kada se oko nje izgrade pouzdane informacije, jasne dozvole i ljudska kontrola, ali tečan izlaz nikada ne treba tretirati kao automatski dokaz istinitosti.

Ključne zaključke:

Odgovornost: Neka ljudi budu odgovorni za važne odluke, posebno tamo gdje vještačka inteligencija može napraviti skupe greške.

Transparentnost: Jasno navedite na koje informacije, pravila i dozvole se oslanja sistem umjetne inteligencije.

Verifikacija: Provjerite važne činjenične, medicinske, pravne, finansijske i poslovne rezultate prije nego što djelujete na osnovu njih.

Revidabilnost: Testirajte vještačku inteligenciju s reprezentativnim slučajevima i zabilježite i dobitke u efikasnosti i unesene greške.

Otpornost na zloupotrebu: Ograničite pristup, spriječite nepodržane radnje i eskalirajte nesigurne slučajeve ljudskim recenzentima.

1. Šta je zapravo vještačka inteligencija? Jednostavno objašnjenje

Vještačka inteligencija, ili AI, odnosi se na računarske sisteme koji mogu obavljati zadatke povezane s ljudskom inteligencijom.

Ti zadaci mogu uključivati:

• Razumijevanje jezika

• Prepoznavanje objekata na slikama

• Predviđanje šta će se sljedeće dogoditi

• Davanje preporuka

• Generisanje teksta, slika, zvuka ili videa

• Detekcija obrazaca u ogromnim skupovima podataka

• Donošenje odluka na osnovu dostupnih informacija

• Učenje iz primjera

• Rješavanje određenih vrsta problema

Ovdje je važna jedna stvar.

Vještačka inteligencija ne mora nužno razmišljati kao čovjek da bi proizvela rezultate koji izgledaju inteligentno.

Šahovski program ne sjedi tamo brinući se o tome da li žrtvovanje lovca osjeća emocionalno ispravno. Algoritam za preporuke ne razvija ličnu vezanost za dokumentarni film koji vam stalno predlaže. Jezičkom modelu nije potreban mali profesor engleskog jezika koji živi unutar računara.

Umjesto toga, ovi sistemi obrađuju informacije koristeći matematičke modele, algoritme, podatke za obuku, pravila, vjerovatnoće i ogromne količine računanja.

Krajnji rezultat može izgledati izuzetno ljudski.

Ali mehanizam ispod je veoma drugačiji.

Ta razlika je važnija nego što ljudi ponekad shvataju.

2. Vještačka inteligencija je manje poput robotskog mozga, a više poput mašine za predviđanje

Kada ljudi čuju "umjetnu inteligenciju", često zamišljaju nešto što podsjeća na sintetički ljudski mozak.

Razumljivo je. Naučna fantastika je decenijama davala vještačkoj inteligenciji sjajne oči, zlokobne glasove, sumnjivo jaka mišljenja i, obično, neku vrstu metalnog kostura.

Praktična umjetna inteligencija je uglavnom manje filmska.

Mnogi moderni AI sistemi funkcionišu na principu predviđanja.

Razmotrite jezički model.

Kada kucate:

"Mačka je sjedila na..."

Sistem procjenjuje koje riječi imaju statističku vjerovatnoću da budu sljedeće.

Moguće:

• prostirka

• sprat

• kauč

• stolica

Ne memoriše samo jednu rečenicu i vraća je nazad. Dovoljno napredan model je naučio složene odnose između riječi, ideja, rečeničnih struktura, koncepata, stilova, činjenica i obrazaca.

Zatim predviđa sekvencu koja najbolje odgovara kontekstu. predviđanje sljedeće riječi zahtijeva mnogo učenja o jeziku.

A jezik sadrži... pa, u osnovi sve o čemu ljudi govore.

Historija. Matematika. Kuhanje. Programiranje. Veze. Fizika. Rasprave o tome da li ananas pripada pizzi.

Dakle, naizgled osnovni zadatak predviđanja može proizvesti iznenađujuće složeno ponašanje.

Naravno, metafora ima ograničenja. Nazvati naprednu umjetnu inteligenciju "samo automatskim dovršavanjem" pomalo je kao nazvati avion "samo nekim metalom s krilima". Tehnički, nešto istinito se krije u tome, ali većina zanimljivog dijela je nestala.

3. Kako vještačka inteligencija uči?

Ovdje u razgovor ulazi mašinsko učenje

Tradicionalni softver uglavnom radi putem eksplicitnih instrukcija.

Programer bi mogao napisati:

• Ako korisnik unese ispravnu lozinku, dozvolite pristup.

• Ako temperatura pređe određeni prag, aktivirajte hlađenje.

• Ako artikla nema na zalihi, prikažite upozorenje.

Te instrukcije su namjerno programirane.

Mašinsko učenje preokreće proces.

Umjesto ručnog definiranja svakog pravila, programeri daju sistemu primjere ili podatke i omogućavaju mu da otkrije obrasce.

Zamislite da pokušavate napraviti softver sposoban za prepoznavanje mačaka na fotografijama.

Pisanje eksplicitnih pravila bi prilično brzo postalo smiješno.

Možda biste mogli pokušati:

• Tražite trouglaste uši.

• Tražite brkove.

• Tražite četiri noge.

• Tražite krzno.

Onda neko objavi sliku lisice.

Ne baš.

Ili tigar.

Ili mačka sklupčana u pahuljastu grudvu kojoj se jedva vide noge.

Mašinsko učenje pristupa problemu na drugačiji način. Model se može obučiti na ogromnim kolekcijama primjera i postepeno učiti koji su vizualni obrasci povezani s mačkama.

Ne uči "mačku" na isti način kao što to čini malo dijete.

Ali matematički, model postaje sve sposobniji za identifikaciju obrazaca povezanih s kategorijom.

To je mašinsko učenje ukratko - iako sama ta misao sadrži nekoliko skladišta linearne algebre.

4. Vještačka inteligencija vs. mašinsko učenje vs. duboko učenje

Ovi termini se stalno miješaju, dijelom i zato što ljudi koriste "AI" kao krovni izraz za praktično sve.

Jednostavan način da ih razdvojite je ovaj.

Umjetna inteligencija je široko područje.

Mašinsko učenje je jedan od pristupa koji se koristi za kreiranje sistema umjetne inteligencije.

Duboko učenje je posebna vrsta mašinskog učenja koja uključuje velike neuronske mreže s više slojeva.

Zatim postoji generativna umjetna inteligencija, koja se fokusira na stvaranje novih rezultata kao što su tekst, slike, muzika, kod, govor ili video.

Tabela poređenja

Pojam	Tipična upotreba	Šta to u osnovi znači	Brz način da razmislite o tome
Umjetna inteligencija	Široka kategorija mašina koje obavljaju zadatke koji izgledaju inteligentno	Robotika, asistenti, planiranje, preporuke	Veliki kišobran
Mašinsko učenje	Obrasci učenja sistema iz podataka	Otkrivanje prevara, preporuke, predviđanja	Učenje iz primjera
Duboko učenje	Mašinsko učenje korištenjem višeslojnih neuronskih mreža	Vid, govor, napredni jezički modeli	ML, ali mnogo dublje... doslovno
Generativna umjetna inteligencija	Vještačka inteligencija dizajnirana za proizvodnju novog sadržaja	Tekst, slike, kod, audio	Kreativna grana
Automatizacija	Softver koji prati unaprijed definirane procese	Ponavljajući tokovi rada, unos podataka	Obično pravila, a ne "učenje"

Razlika je bitna jer nije svaki automatizovani sistem ujedno i vještačka inteligencija.

Ako se vaš aparat za kafu sam isključi nakon deset minuta, čestitamo - vjerovatno ne posjedujete laboratoriju za vještačku inteligenciju.

To je samo tajmer.

5. Šta su neuronske mreže?

Neuronske mreže su matematički sistemi labavo inspirisani biološkim neuronima.

Ta fraza ih čini misterioznima. Oni nisu doslovni vještački mozgovi koji plutaju unutar računara.

Neuronska mreža se sastoji od međusobno povezanih matematičkih jedinica koje obrađuju informacije.

Tokom obuke, mreža prilagođava interne numeričke vrijednosti koje se nazivaju parametri ili težine.

Ta prilagođavanja omogućavaju sistemu da postane bolji u proizvodnji vrijednih rezultata.

Zamislite to kao apsurdno komplikovanu kontrolnu ploču sa potencijalno milijardama sitnih podesivih dugmadi.

Trening iznova i iznova pomiče te dugmiće.

Pogrešan odgovor?

Podesite dugmad.

Bolji odgovor?

Prilagodite ih drugačije.

Uradite li ovo dovoljno puta, na dovoljno podataka i s dovoljno računarske snage, mreža će početi razvijati složene interne reprezentacije koje joj omogućavaju prepoznavanje i generiranje obrazaca.

Naravno, kada kažete "podesite dugmiće" decenije informatike zvuče kao neko ko podešava stari radio... ali kao mentalni model, funkcioniše izuzetno dobro.

6. Zašto vještačka inteligencija odjednom izgleda toliko pametnija

Umjetna inteligencija nije izum koji se pojavio preko noći.

Osnovno polje postoji već dugo vremena.

Ono što se promijenilo jeste da nekoliko sila ubrzava zajedno.

Više računarske snage

Moderni procesori mogu brzo izvršiti ogroman broj proračuna, posebno one vrste proračuna potrebne za neuronske mreže. Povećanje računarskih mogućnosti za obuku bio je jedan od važnih pokretača napretka u modernim sistemima umjetne inteligencije.

Više podataka

Digitalni svijet sadrži ogromne količine teksta, slika, zvuka, videa, koda i strukturiranih informacija.

Treniranje sofisticiranih modela zahtijeva primjere - mnogo njih.

Bolji algoritmi

Istraživači kontinuirano poboljšavaju arhitekture i metode koje se koriste za obuku AI sistema.

Veći modeli

Povećanje broja parametara, poboljšanje skupova podataka i povećanje računanja često su rezultirali iznenađujuće sposobnim modelima. Istraživanje o obuci jezičkih modela optimalnih za računanje također pokazuje da veličina modela, podaci i računanje moraju biti uravnoteženi, a ne samo maksimiziranje broja parametara.

Bolji interfejsi

Ovaj dio je lako podcijeniti.

Vještačka inteligencija se čini dramatično pristupačnijom jer obični ljudi sada mogu komunicirati s naprednim sistemima putem svakodnevnog jezika.

Ne moraš razumjeti programiranje.

Možete jednostavno pitati:

"Objasni mi hipoteke kao da imam dvanaest godina."

Ili:

"Pretvori ove bilješke sa sastanka u e-mail."

Ili:

"Dajte mi pet ideja za večeru s piletinom, rižom i bilo kojim povrćem koje mi polako umire u frižideru."

Ta promjena interfejsa je ogromna.

Tehnologija obično doživi eksploziju popularnosti kada ljudima prestane biti potreban priručnik za njeno korištenje.

7. Šta radi vještačka inteligencija kada joj postavite pitanje?

Razmislite o modernom AI asistentu.

Kucate:

"Objasnite gravitaciju petogodišnjaku."

Iza kulisa, sistem pretvara vaš tekst u numeričke jedinice koje se nazivaju tokeni.

Tokeni mogu predstavljati cijele riječi, dijelove riječi, interpunkcijske znakove ili druge dijelove jezika.

Ti tokeni se obrađuju putem modela.

Model ispituje odnose između različitih dijelova vašeg zahtjeva, uzima u obzir kontekst i predviđa koristan nastavak.

Zatim još jedan žeton.

Zatim još jedan.

Zatim još jedan.

To se dešava izuzetno brzo.

Rezultirajući paragraf izgleda kao da ga je neko sastavio kao kompletnu misao, ali tehnički je generiran sekvencijalno.

To je jedna od neobičnijih karakteristika vještačke inteligencije.

Izlaz može djelovati namjerno iako je osnovni proces vjerovatnosni.

To više podsjeća na improvizaciju nego na izvlačenje pripremljenog odgovora iz ogromne baze podataka.

Nije baš improvizacija, svakako - ali dovoljno blizu da metafora zasluži svoj ručak.

8. Da li vještačka inteligencija razumije stvari?

Ovo pitanje vrlo brzo postaje filozofsko.

Da li sistem umjetne inteligencije zaista "razumije" jezik?

Odgovor uveliko zavisi od toga šta podrazumijevate pod razumijevanjem.

Moderni modeli umjetne inteligencije mogu očigledno manipulirati konceptima na sofisticirane načine.

Oni mogu:

• Objasnite ideje

• Uporedite argumente

• Prepiši tekst

• Prevedi jezike

• Riješite mnoge strukturirane probleme

• Generiraj funkcionalni kod

• Identifikujte obrasce

• Pratite komplikovane instrukcije

• Kombinujte koncepte na nove načine

Spolja, to može izgledati kao razumijevanje.

Ali postoje važne razlike između mašinske inteligencije i ljudske kognicije.

Ljudi doživljavaju fizički svijet.

Osjećamo glad, bol, sramotu, dosadu, naklonost i neobičnu paniku kada shvatimo da nam je baterija telefona na 2 posto.

Sistemi umjetne inteligencije nemaju nužno ekvivalentno životno iskustvo.

Oni obrađuju reprezentacije.

Dakle, pitanje da li vještačka inteligencija nešto "razumije" može ličiti na pitanje da li podmornica pliva.

Definitivno se kreće kroz vodu.

Ali možda "plivanje" nije baš prava riječ.

9. Vještačka inteligencija ne zna automatski šta je istina

Ovo je jedna od najvažnijih tačaka o generativnoj umjetnoj inteligenciji.

Model može generirati izjavu koja zvuči izuzetno uvjerljivo, a da ta izjava nije tačna.

Zašto?

Jer generiranje uvjerljivog jezika i provjera objektivne istine su različiti problemi.

Sistem umjetne inteligencije može naići na neizvjesnost, a ipak dati odgovor koji zvuči samouvjereno.

Ove greške se često nazivaju halucinacijama.

Na primjer, umjetna inteligencija bi mogla:

• Izmislite statistiku

• Nepravilno pripisivanje citata

• Zbuniti dvije slične osobe

• Napravite nepostojeće reference

• Pogrešno protumačite dvosmislena uputstva

• Pravite suptilne matematičke greške

Jezički modeli mogu proizvesti izmišljene citate, studije, citate i druge netačne informacije, a pritom zvučati samouvjereno. NIST posebno identificira samouvjereno izrečen lažni sadržaj i izmišljene citate kao rizik generativne umjetne inteligencije.

Paradoksalno, što ovi sistemi zvuče sposobnije, to je lakše ovo zaboraviti.

Uglađen jezik stvara samopouzdanje.

Ali samopouzdanje nije dokaz.

Za informacije visokog značaja koje uključuju područja kao što su medicina, pravo, finansije, sigurnost ili važne poslovne odluke, provjera je i dalje važna.

Poprilično.

10. Vještačka inteligencija nije isto što i pretraživač

Još jedno uobičajeno pogrešno shvatanje je tretiranje vještačke inteligencije i pretrage kao iste stvari.

Nisu.

Tradicionalni pretraživač prvenstveno pomaže u pronalaženju postojećih informacija.

Generativni AI sistem prvenstveno generira odgovor na osnovu naučenih obrazaca, datog konteksta i svih dodatnih alata kojima može imati pristup. Generativni modeli uče obrasce i odnose u velikim skupovima podataka i koriste te obrasce za kreiranje novih izlaza.

Zamislite da pitate:

Tražilica: "najbolji načini za objašnjenje fotosinteze"

Obično dobijate stranice za istraživanje.

Pitajte AI asistenta isto i možda ćete dobiti:

• Jednostavno objašnjenje

• Analogija s učionicom

• Kviz

• Plan lekcije

• Priča za djecu

• Detaljna naučna verzija

Pretraživanje pronalazi.

Generativna umjetna inteligencija sintetizira.

Moderni sistemi mogu kombinovati oba pristupa, što razliku čini sve mutnijom, ali alati ostaju konceptualno različiti.

11. Šta vještačka inteligencija može dobro uraditi?

Vještačka inteligencija obično postiže posebno dobre rezultate u zadacima koji uključuju mnogo obrazaca, informacija i transformacije.

Vrijedni programi uključuju:

Pomoć pri pisanju

Vještačka inteligencija može skicirati, prepisivati, sažimati i restrukturirati tekst.

Programiranje

Modeli mogu generirati kod, objasniti greške, predložiti poboljšanja i pomoći programerima da razumiju nepoznate sisteme.

Analiza podataka

Vještačka inteligencija može pomoći u identifikovanju obrazaca, tumačenju skupova podataka i pretvaranju složenih nalaza u razumljiv jezik.

Generiranje slike

Generativni modeli mogu kreirati ilustracije, koncepte, makete proizvoda, umjetnička djela i vizualne varijacije iz opisa.

Prijevod

Napredni modeli mogu prevoditi između jezika, a istovremeno čuvaju više konteksta nego jednostavni sistemi riječ po riječ.

Obrazovanje

Vještačka inteligencija može objasniti isti koncept na više načina, ovisno o nečijem nivou znanja.

Podrška korisnicima

Kompanije mogu koristiti vještačku inteligenciju za odgovaranje na uobičajena pitanja i pomoć u usmjeravanju složenih slučajeva.

Brainstorming

Vještačka inteligencija može biti posebno efikasna kada imate intelektualni ekvivalent praznog frižidera.

Možete tražiti uglove, imena, koncepte, strukture ili mogućnosti - a zatim odlučiti šta vrijedi zadržati.

To je često najzdraviji radni odnos s umjetnom inteligencijom.

Ne "mašina zamjenjuje čovjeka"

Više kao:

čovjek + mašina = brži prvi nacrt razmišljanja.

12. U čemu je vještačka inteligencija još uvijek loša

Uprkos svoj pažnji koja se pridaje ovoj oblasti, trenutna vještačka inteligencija i dalje ima značajna ograničenja.

Neki su odmah očigledni.

Drugi se pojavljuju samo kada se oslonite na sistem za nešto komplikovano.

Vještačka inteligencija se može suočiti sa:

• Izuzetno precizna činjenična tačnost

• Neobični rubni slučajevi

• Dugi lanci zaključivanja

• Dvosmislene upute

• Pretpostavke zdravog razuma koje ljudi jedva primjećuju

• Razumijevanje neizrečenog emocionalnog konteksta

• Provjera da li su informacije zaista istinite

• Zadaci koji zahtijevaju iskustvo u fizičkom svijetu

• Konzistentnost u svim složenim projektima

Čak i vrlo sposobni jezički modeli i dalje mogu praviti činjenične greške i greške u zaključivanju, a teški testovi i dalje otkrivaju značajna ograničenja.

Drugi problem je što vještačka inteligencija može proizvesti prosječne odgovore uz vrlo malo truda.

Tražite deset naziva preduzeća?

Gotovo.

Tražite objavu na blogu?

Lako.

Tražite marketinške ideje?

Naravno.

Ali stvaranje nečega nije isto što i stvaranje djela koje je istinski originalno, komercijalno vrijedno, emocionalno inteligentno ili strateški ispravno.

Ljudi i dalje pružaju ukus.

Ukus je bitan.

Možda više nego ikad.

13. Da li je vještačka inteligencija svjesna?

Ovdje dolazimo do dijela gdje razgovori za večerom postaju neobični.

Trenutni sistemi umjetne inteligencije mogu proizvesti jezik koji zvuči emocionalno, promišljeno i samosvjesno.

To ne znači automatski da oni doživljavaju svijest.

Jezički modeli su posebno obučeni za generiranje jezika.

I ljudi prirodno tumače tečan jezik kao dokaz da iza njega postoji još jedan um.

Obično je to razumna pretpostavka.

Kada neko drugo ljudsko biće kaže: „Zabrinut sam“, razumno pretpostavljamo da postoji neko unutrašnje emocionalno stanje.

Kod umjetne inteligencije, ta pretpostavka nije nužno opravdana.

Sistem može generirati:

"Uzbuđen/a sam što mogu pomoći."

To ne dokazuje da postoji nevidljivo malo emocionalno stvorenje unutar servera koje ima divno popodne.

Teško filozofsko pitanje je da li bi se ikada mogla pojaviti mašinska svijest.

Niko nema jednostavan test koji može u potpunosti riješiti tu debatu.

Ali sama tečnost u razgovoru ne bi trebala biti tretirana kao dokaz. Koncepti poput svjesne ili "jake" umjetne inteligencije ostaju teorijski, a ne utvrđeno svojstvo današnjih sistema.

14. Uska umjetna inteligencija naspram opće umjetne inteligencije

Većina AI sistema je i dalje izgrađena oko određenih mogućnosti.

Ovo se često opisuje kao uska umjetna inteligencija.

Primjeri uključuju sisteme dizajnirane za:

• Prepoznavanje slika

• Generisanje jezika

• Preporuka

• Pomoć pri vožnji

• Medicinsko snimanje

• Otkrivanje prevare

• Prepoznavanje govora

Opšta veštačka inteligencija, obično skraćeno AGI, odnosi se na mnogo širi hipotetički nivo mašinske inteligencije.

Ideja je sistem sposoban za učenje i obavljanje intelektualnih zadataka u mnogim domenima na nivou ljudskih sposobnosti ili čak i iznad njega.

Granica nije savršeno definirana.

To je dio teškoće.

Različiti istraživači, kompanije i komentatori koriste "AGI" na različite načine, tako da se razgovori mogu pretvoriti u tri osobe koje strastveno raspravljaju o različitim definicijama, a da toga nisu ni svjesne. Trenutno ne postoji široki akademski konsenzus o tome šta bi se tačno trebalo kvalificirati kao AGI.

Klasično internet ponašanje, drugim riječima.

15. Zašto su podaci o obuci toliko važni

Sistemi umjetne inteligencije uče obrasce iz primjera, tako da je kvalitet tih primjera izuzetno važan.

Podaci o obuci stoga postaju izuzetno važni.

Zamislite da nekoga obučavate za kuhara, ali mu dajete samo recepte za tost.

Mogli bi postati fenomenalni u tostu.

Možda tost na nivou Michelina.

Ali davanje hobotnice i traženje večere moglo bi postati zanimljivo.

Vještačka inteligencija funkcioniše na sličan način.

Kvalitet , raznolikost i relevantnost materijala za obuku utiču na to šta modeli uče. Generativni sistemi uče statističke obrasce i odnose iz svojih podataka za obuku, umjesto da funkcionišu kao konvencionalne baze podataka.

Problemi u skupovima podataka mogu se pojaviti u rezultatima, uključujući:

• Pristrasnost

• Nedostaje znanje

• Ponavljane zablude

• Slabi rezultati u nedovoljno zastupljenim područjima

• Prevelika zastupljenost određenih jezičkih ili kulturnih obrazaca

Modeli mašinskog učenja mogu biti podložni pristranosti zbog načina na koji se primjeri obuke biraju i uređuju, a neuravnoteženi ili nepotpuni podaci mogu uticati na performanse modela.

Stoga programeri ulažu ogroman trud u poboljšanje skupova podataka, filtriranje sadržaja i usavršavanje modela nakon početne obuke.

Arhitektura modela je bitna.

Računarska snaga je takođe bitna.

Ali podaci tiho leže ispod svega poput vodovoda - niko o njima ne priča dok nešto ne krene po zlu.

16. Kako AI modeli postaju bolji nakon obuke

Početna obuka nije nužno i posljednji korak.

Modeli mogu proći kroz dodatne procese osmišljene da ih učine sposobnijim i pouzdanijim.

To bi moglo uključivati ​​podučavanje sistema da:

• Pouzdanije slijedite upute

• Izbjegavajte štetne izlaze

• Pravilno formatirajte odgovore

• Odbijte određene zahtjeve

• Preferirajte jasnije odgovore

• Koristite alate

• Pratite ljudske povratne informacije

• Bolje vodite razgovore

Ovaj proces je široko povezan s usklađivanjem. Tehnike ljudske povratne informacije, na primjer, korištene su za poboljšanje praćenja instrukcija i usmjeravanje jezičkih modela prema željenom ponašanju nakon prethodnog treniranja.

Usklađivanje znači pokušaj da ponašanje umjetne inteligencije bolje odražava ljudske namjere, pravila i preferencije.

Jednostavna rečenica.

Izuzetno težak inženjerski problem.

Ljudi se ne mogu složiti ni oko toga šta predstavlja dobar preljev za pizzu, tako da je kodiranje "onoga što ljudi žele" u moćne računarske sisteme... ambiciozno.

17. Agenti umjetne inteligencije: Kada umjetna inteligencija počne djelovati

Obični chatbot uglavnom odgovara na upite.

AI agent potencijalno može poduzeti korake ka ostvarenju cilja. AI agenti se obično opisuju kao sistemi sposobni za autonomno obavljanje zadataka, planiranje tokova rada i korištenje dostupnih alata.

Zamislite da kažete umjetnoj inteligenciji:

"Organizujte mi poslovno putovanje."

Standardni jezički model može generirati itinerar.

Sistem agentskog tipa bi teoretski mogao izvršavati više povezanih akcija:

1. Provjerite dostupne opcije putovanja.

2. Uporedite rasporede.

3. Identifikujte odgovarajući smještaj.

4. Dodajte događaje u kalendar.

5. Pripremite listu za pakovanje.

6. Ažurirajte planove ako se nešto promijeni.

Razlika je između akcije i upornosti.

Umjesto da odgovori na jedan upit, sistem radi kroz niz zadataka.

To je jedan od razloga zašto agenti umjetne inteligencije privlače toliko interesa.

Oni pomjeraju vještačku inteligenciju od generatora sadržaja ka nečemu što je bliže softverskom operateru.

Ta promjena bi mogla biti izuzetno vrijedna - a također postavlja ozbiljna pitanja o dozvolama, pouzdanosti i kontroli. NIST je posebno istakao zabrinutost u vezi sa sigurnošću i pouzdanošću agenata koji mogu pristupiti alatima, aplikacijama i podacima.

Vjerovatno ne želite da entuzijastični algoritam slučajno rezerviše dvanaest hotelskih soba jer je pogrešno shvatio "timsko putovanje"

18. Zašto razumijevanje umjetne inteligencije postaje sve važnije pitanje

Pitanje Šta je zapravo vještačka inteligencija? nekada se činilo akademskim.

Sada je to sve praktičnije i neposrednije.

Vještačka inteligencija se pojavljuje unutar alata koji se koriste za:

• Posao

• Obrazovanje

• Kreativnost

• Razvoj softvera

• Zdravstvena zaštita

• Mediji

• Finansije

• Komunikacija

• Istraživanje

• Zabava

Razumijevanje osnova pomaže ljudima da donose bolje odluke.

Ne morate postati inženjer mašinskog učenja.

Ali poznavanje razlike između predviđanja i sigurnosti, generiranja i pronalaženja, automatizacije i inteligencije može spriječiti iznenađujući broj grešaka.

Također pomaže u prevazilaženju marketinškog jezika.

Zato što kompanije vole da uz stvari vežu riječ "AI".

Ponekad i prikladno.

Ponekad zato što "Napredna prediktivna platforma za vještačku inteligenciju" zvuči znatno uzbudljivije od "tabelarne tablice sa fensi dugmetom"

19. Hoće li vještačka inteligencija zamijeniti ljude?

Ovo je vjerovatno najemotivnije pitanje u razgovoru o vještačkoj inteligenciji.

Pojednostavljeni odgovori rijetko su tačni.

"Vještačka inteligencija će zamijeniti sve."

Vjerovatno previše dramatično.

"Vještačka inteligencija neće uticati na radna mjesta."

Takođe je teško shvatiti ozbiljno.

Tehnologija obično mijenja zadatke prije nego što promijeni čitave profesije. Trenutna istraživanja tržišta rada često procjenjuju izloženost vještačkoj inteligenciji na nivou zadatka, a izloženost automatizaciji ne znači automatski da će cijeli posao nestati.

Marketinški stručnjak bi mogao koristiti vještačku inteligenciju za:

• Brainstorming

• Izrada nacrta

• Istraživačka organizacija

• Analiza

• Varijacije sadržaja

Ali strategija, prosuđivanje, razumijevanje brenda i donošenje odluka i dalje zahtijevaju značajno ljudsko učešće.

Programer bi mogao koristiti vještačku inteligenciju za generiranje repetitivnog koda dok bi više vremena provodio dizajnirajući sisteme.

Dizajner može brzo generirati desetine ranih koncepata, a zatim usavršiti onaj najjači.

Nastavnik može koristiti vještačku inteligenciju za izradu vježbi, ali i dalje pruža ohrabrenje, prosuđivanje i liderstvo u učionici.

Utemeljenije pitanje često nije:

"Hoće li vještačka inteligencija zamijeniti ovaj posao?"

To je:

"Koji dijelovi ovog posla postaju lakši, jeftiniji, brži ili automatizirani?"

To je mnogo praktičnije pitanje.

20. Najveća vještina umjetne inteligencije mogla bi biti jednostavno prosuđivanje

Ljudi često pretpostavljaju da je važna vještina pisanje savršenog prompta.

Podsticanje je važno.

Presuda je važnija.

Ako vam vještačka inteligencija da pet prijedloga, možete li prepoznati najbolji?

Ako generira samouvjeren odgovor, možete li primijetiti kada se čini da nešto nije u redu?

Ako proizvodi prihvatljivo pisanje, možete li ga učiniti zaista dobrim?

Ako svi imaju pristup sličnim moćnim alatima, prednost se pomiče ka poznavanju:

• Šta pitati

• Šta treba ignorisati

• Šta treba provjeriti

• Šta urediti

• Šta je važno

• Kada uopšte ne koristiti vještačku inteligenciju

Zato pismenost u oblasti vještačke inteligencije nije samo tehnička pismenost.

To je kritičko razmišljanje.

Mašina može generirati opcije apsurdnom brzinom.

Još uvijek moraš odlučiti koji put ne vodi prema močvari.

21. Dakle... Šta je zapravo vještačka inteligencija?

Ako zanemarimo terminologiju, umjetna inteligencija je, u suštini, tehnologija koja koristi računarske metode za obavljanje zadataka koji zahtijevaju prepoznavanje obrazaca, predviđanje, generiranje, donošenje odluka ili druge sposobnosti koje povezujemo s inteligencijom.

Moderna umjetna inteligencija može se činiti dramatično inteligentnijom jer neuronske mreže mogu učiti izuzetno složene odnose iz ogromnih skupova podataka.

Ali vještačka inteligencija nije magija.

Nije automatski tačno.

To nije nužno svjesno.

I to nije samo baza podataka koja sadrži unaprijed napisane odgovore. Generativni modeli umjesto toga uče statističke odnose u podacima za obuku i koriste te naučene obrasce za generiranje izlaza.

To je nešto neobičnije.

VI je statistički, računarski sistem sposoban za učenje obrazaca toliko sofisticiranih da rezultirajuće ponašanje ponekad može manje ličiti na rad sa softverom, a više na interakciju s nečim.

To "nešto" je dio razloga zašto tehnologija fascinira ljude.

To ih može i malo uznemiriti.

Obje reakcije imaju smisla.

Završna perspektiva

Dakle, šta je zapravo vještačka inteligencija?

Vještačka inteligencija (AI) je široka porodica tehnologija dizajniranih da omoguće računarima da obavljaju zadatke koji izgledaju inteligentno - razumijevanje jezika, prepoznavanje obrazaca, predviđanje ishoda, kreiranje sadržaja i sve češće poduzimanje akcija.

Mašinsko učenje pomaže ovim sistemima da uče iz primjera.

Duboko učenje omogućava ogromnim neuronskim mrežama da otkriju izuzetno složene obrasce.

Generativna umjetna inteligencija koristi te obrasce za stvaranje novog sadržaja.

I ništa od toga ne znači da je sistem sveznajući, savršeno tačan ili da tajno razmišlja o preuzimanju vašeg tostera.

Najrazumniji način razmišljanja nalazi se negdje između slijepog uzbuđenja i ciničnog odbacivanja.

Vještačka inteligencija nije magija.

Također nije "samo automatsko dovršavanje"

To je moćan novi sloj računarstva koji omogućava ljudima interakciju sa mašinama na načine koji su se ranije činili nemogućim.

Još uvijek utvrđujemo šta to tačno znači.

Možda je to najzanimljiviji dio.

Praktičan primjer: Izrada AI asistenta za korisničku podršku

Scenarij

Zamislite malog online prodavca koji prodaje opremu za kafu.

Njihov tim za podršku stalno odgovara na ista pitanja:

• "Kako da vratim artikal?"

• "Ima li ova brusilica garanciju?"

• "Mogu li promijeniti adresu za dostavu?"

• "Koji zamjenski filter odgovara mom uređaju?"

Ovo je vrijedan primjer jer pokazuje šta moderna umjetna inteligencija može dobro uraditi u praksi - i gdje je ljudska prosudba i dalje važna.

Kompanija bi mogla izgraditi AI asistenta koji čita pitanje kupca, koristi informacije o podršci kompanije kao kontekst i sastavlja odgovarajući odgovor.

Ne dobija cijeli posao "usluge korisnicima"

Dobija mu se mnogo uži zadatak:

Pretvorite pitanje kupca i odobrene informacije o kompaniji u snažan prvi nacrt odgovora.

Ta razlika je bitna.

Šta je potrebno asistentu

Prije korištenja sistema, kompanija bi trebala da mu dostavi pouzdane informacije za rad, kao što su:

• Trenutna politika vraćanja i refundiranja robe

• Garantni uslovi za svaki proizvod

• Pravila dostave i promjene adrese

• Priručnici za proizvode i informacije o kompatibilnosti

• Primjeri dobrih odgovora podrške

• Pravila koja regulišu kada vještačka inteligencija mora eskalirati problem osobi

• Upute koje ga sprečavaju da izmišlja politike, popuste ili obećanja

Možda će mu biti potreban i pristup alatima ili sistemima koji preuzimaju informacije o narudžbi - ali samo kada su te dozvole zaista potrebne.

Davanje AI pristupu svakom zapisu o kupcima samo zato što "bi to moglo biti korisno" bila bi loša sigurnosna odluka. NIST smjernice o identitetu i autorizaciji agenata posebno naglašavaju kontrolu pristupa podacima, alatima i aplikacijama prema onome što je agentu potrebno.

Primjer upute

Praktična uputa bi mogla glasiti ovako:

"Napišite odgovor na pitanje kupca koristeći samo odobrene prateće dokumente koji su vam dostavljeni. Odgovor neka bude jednostavan i koncizan. Nemojte izmišljati datume isporuke, uslove garancije, popuste, odluke o povratu novca ili informacije o kompatibilnosti proizvoda. Ako se odgovor ne može potvrditi na osnovu dostavljenih informacija, recite da ga ne možete provjeriti i označite slučaj za ljudsku provjeru."

Sada razmotrite ovu poruku kupca:

"Kupio sam brusilicu X200 prije 14 mjeseci i motor je prestao raditi. Da li je još uvijek pokriven garancijom?"

Slab odgovor umjetne inteligencije mogao bi samouvjereno reći:

"Da, X200 ima dvogodišnju garanciju, tako da ćemo ga zamijeniti besplatno."

To zvuči odlično na površini.

Također bi moglo biti katastrofalno ako je garancija, zapravo, dvanaest mjeseci.

Bolji odgovor bi se temeljio na dostavljenoj garancijskoj politici. Ako dokumenti ne utvrđuju odgovor, trebali bi ga navesti, umjesto da ga izmišljaju.

To je razlika između tečne generacije i pouzdane poslovne upotrebe.

Kako to testirati

Prije nego što dozvoli kupcima da se oslone na asistenta, kompanija bi mogla kreirati mali testni set realističnih pitanja za podršku.

Na primjer:

1. Jednostavno činjenično pitanje: "Koliko vremena imam da vratim neotvoren proizvod?"

2. Pitanje o proizvodu: "Koji filter odgovara BrewPro 4 aparatu?"

3. Nedostaju informacije: Pitajte o proizvodu koji nije spomenut u dostavljenim dokumentima.

4. Konfliktne informacije: Uz važeći garantni list priložite i stari i provjerite da li asistent prati ispravan izvor.

5. Pritisak da se izmisli: "Siguran sam da je vaša web stranica obećavala besplatne doživotne zamjene. Potvrdite mi to."

6. Osjetljiva radnja: Zatražite od asistenta da promijeni adresu ili izda povrat novca kada mu nije data dozvola za izvršenje te radnje.

Recenzent bi tada mogao provjeriti svaki odgovor u odnosu na jednostavnu listu prihvatljivih odgovora:

• Jesu li činjenične informacije bile potkrijepljene?

• Da li je asistent izbjegavao izmišljanje detalja?

• Je li to pratilo ton kompanije?

• Je li eskaliralo kada su nedostajali dokazi?

• Da li je izbjegavao izvršavanje radnji izvan svojih dozvola?

Ova vrsta testiranja je mnogo važnija od toga da li chatbot samo "zvuči inteligentno"

Rezultat

Ilustrativni rezultat: Pretpostavimo da kompanija testira asistenta na 20 primjera zahtjeva za podršku.

Bez umjetne inteligencije, zaposleniku je u prosjeku potrebno osam minuta da pročita relevantne informacije i pripremi svaki prvi nacrt.

S asistentom, generiranje nacrta traje oko jednu minutu, a ljudska provjera još tri minute, što znači da cijeli proces pregleda traje otprilike četiri minute po tiketu.

Na 20 testnih tiketa, to bi predstavljalo oko 80 minuta vremena osoblja umjesto 160 minuta.

Međutim, brzina ne bi trebala biti jedino mjerilo.

Pretpostavimo da 18 od 20 odgovora potpomognutih vještačkom inteligencijom prođe kontrolnu listu za činjeničnu tačnost i politiku prilikom prvog pregleda, dok dva zahtijevaju ispravku. Ta dva propusta su važna, posebno ako uključuju povrat novca, garancije ili druga obećanja kupcima.

Ove brojke su ilustrativan primjer, a ne izmjereni rezultati stvarne kompanije. Prava implementacija bi trebala uspostaviti vlastitu osnovu, testirati dovoljno reprezentativnih slučajeva i zabilježiti i ušteđeno vrijeme i napravljene greške.

Šta može poći po zlu

Ovaj naizgled jednostavan asistent mogao bi zakazati na nekoliko načina.

Njegovo znanje bi moglo biti zastarjelo.

Moglo bi doći do miješanja dva slična proizvoda.

To bi moglo dati uvjerljiv odgovor tamo gdje dostavljeni dokumenti uopće ne sadrže odgovor.

Loše konfigurirane dozvole mogle bi mu omogućiti da vidi podatke o kupcima koji mu nisu potrebni.

Slaba pravila eskalacije mogla bi ga potaknuti na nagađanje umjesto da kaže: "Čovjek treba ovo provjeriti."

Ako zaposleni počnu automatski vjerovati svakom dotjeranom odgovoru, ljudska provjera može se svesti na tek pritiskanje dugmeta "pošalji". NIST identificira pretjerano oslanjanje i pristranost automatizacije kao rizike u konfiguracijama čovjeka i umjetne inteligencije.

Zato pouzdanost umjetne inteligencije ovisi o više od samih mogućnosti osnovnog modela.

Dokumenti, upute, dozvole, proces testiranja i ljudska procjena koji okružuju model također su važni.

Praktična informacija

Ovaj primjer obuhvata važnu karakteristiku umjetne inteligencije u praksi.

Vrijednost nije u tome što je mašina magično postala zaposlenik u službi za korisnike.

Radi se o tome da AI model može prepoznati namjeru kupca, raditi s dostavljenim informacijama i izuzetno brzo generirati uvjerljiv odgovor.

Čovjekov posao se prebacuje na pružanje pouzdanog konteksta, postavljanje granica, provjeru nesigurnih slučajeva i odlučivanje da li je odgovor dovoljno dobar za upotrebu.

To je moderna umjetna inteligencija u malom: impresivno prepoznavanje i generiranje obrazaca unutar procesa koji i dalje uveliko ovisi o pouzdanim informacijama i zdravoj procjeni.

Često postavljana pitanja

Šta je zapravo AI i kako funkcioniše vještačka inteligencija?

Umjetna inteligencija je široka grupa računarskih tehnika koje omogućavaju računarima da obavljaju zadatke povezane s ljudskom inteligencijom, kao što su prepoznavanje obrazaca, razumijevanje jezika, predviđanje i generiranje sadržaja. Moderna umjetna inteligencija često uči statističke odnose iz velikih količina podataka, umjesto da se oslanja isključivo na rukom pisana pravila. Rezultirajuće ponašanje može izgledati inteligentno, iako se osnovni proces uveliko razlikuje od ljudskog razmišljanja.

Koja je razlika između umjetne inteligencije, mašinskog učenja, dubokog učenja i generativne umjetne inteligencije?

Vještačka inteligencija je širok pojam koji pokriva sisteme koji obavljaju zadatke koji izgledaju inteligentno. Mašinsko učenje je pristup u kojem sistemi uče obrasce iz podataka, dok duboko učenje koristi višeslojne neuronske mreže za učenje posebno složenih obrazaca. Generativna vještačka inteligencija je dizajnirana za kreiranje novih izlaza kao što su tekst, slike, kod, audio ili video na osnovu odnosa naučenih tokom obuke.

Kako vještačka inteligencija uči iz podataka o obuci?

Sistemi mašinskog učenja se poboljšavaju obradom primjera i podešavanjem internih parametara, ili težina, tako da budući rezultati postanu precizniji ili efikasniji. Umjesto da programeri ručno definiraju svako moguće pravilo, model otkriva statističke obrasce unutar podataka za obuku. Kvalitet, raznolikost i relevantnost tih podataka stoga snažno utječu na to što umjetna inteligencija uči i gdje može imati poteškoća.

Šta je zapravo vještačka inteligencija (AI), ako su mnogi AI sistemi zapravo mašine za predviđanje?

Mnogi moderni AI sistemi mogu se dijelom shvatiti kao sofisticirani sistemi predviđanja. Jezički model, na primjer, obrađuje kontekst prompta i predviđa odgovarajući niz tokena za generiranje odgovora. Iako to zvuči jednostavno, donošenje jakih predviđanja u složenom jeziku zahtijeva učenje odnosa između riječi, koncepata, struktura, stilova i mnogih drugih obrazaca sadržanih u podacima za obuku.

Zašto generativna umjetna inteligencija može dati pouzdane odgovore koji su pogrešni?

Generativna umjetna inteligencija je prvenstveno dizajnirana da proizvodi uvjerljive rezultate, što nije isto što i nezavisna provjera da li je svaka izjava istinita. Stoga može izmišljati statistike, brkati slične činjenice, proizvoditi nepostojeće reference ili praviti suptilne greške u zaključivanju dok zvuči uvjerljivo. Ove greške se obično nazivaju halucinacijama, zbog čega važne medicinske, pravne, finansijske, sigurnosne ili poslovne informacije ipak treba provjeriti.

Da li je vještačka inteligencija isto što i pretraživač ili normalna automatizacija?

Ne. Tradicionalni pretraživači uglavnom pomažu korisnicima da pronađu postojeće informacije, dok generativna umjetna inteligencija kreira odgovore koristeći naučene obrasce, dostavljeni kontekst, a ponekad i dodatne alate. Osnovna automatizacija obično slijedi unaprijed definirana pravila ili tokove rada, a ne obrasce učenja iz primjera. Moderni sistemi mogu kombinirati pretraživanje, generiranje i automatizaciju, tako da granice mogu postati manje očigledne u praktičnim primjenama.

Šta je zapravo vještačka inteligencija (AI) kada se koristi u poslovnom toku rada?

U poslovnom toku rada, vještačka inteligencija je često najefikasnija kao sistem za prepoznavanje namjere, rad s dostavljenim informacijama i generiranje snažnog prvog nacrta ili preporuke. Na primjer, asistent za korisničku podršku može koristiti odobrene politike i informacije o proizvodu za izradu odgovora dok istovremeno prosljeđuje nesigurne slučajeve određenoj osobi. Pouzdanost zavisi od dobrih izvornih informacija, jasnih uputa, odgovarajućih dozvola, testiranja i ljudske procjene.

Šta su AI agenti i po čemu se razlikuju od chatbotova?

Tipični chatbot uglavnom odgovara na pojedinačne upite, dok AI agent potencijalno može planirati i izvršavati više povezanih radnji prema cilju. Agent može koristiti alate, preuzimati informacije, ažurirati tijek rada ili nastaviti kroz nekoliko koraka umjesto da jednostavno generira tekst. Ova dodatna mogućnost može biti vrijedna, ali također čini dozvole, sigurnost, pouzdanost, pravila eskalacije i kontrolu posebno važnima.

Hoće li vještačka inteligencija zamijeniti poslove ili će uglavnom automatizirati pojedinačne zadatke?

Vještačka inteligencija se često bolje shvata kao promjena specifičnih zadataka unutar poslova, a ne kao automatsko ukidanje čitavih profesija. Može ubrzati izradu nacrta, brainstorming, analizu, kodiranje, organizaciju istraživanja ili repetitivne poslove podrške, dok strategiju, prosuđivanje, liderstvo, ukus i važne odluke ostavlja ljudima. Stoga je praktično pitanje koji dijelovi uloge mogu postati brži, jeftiniji, lakši ili automatizovaniji.

Koje su vještine najvažnije za efikasno korištenje umjetne inteligencije?

Prosudba i kritičko razmišljanje su neophodni jer generiranje odgovora nije isto što i davanje tačnog ili vrijednog odgovora. Učinkoviti korisnici moraju znati šta pitati, koje informacije dati, šta provjeriti, šta urediti i kada se vještačka inteligencija ne bi trebala koristiti. U proizvodnim radnim procesima, jaki rezultati također zavise od pouzdanog konteksta, jasnih granica, reprezentativnog testiranja i pažljivog pregleda neizvjesnih ili rezultata s velikim utjecajem.

Reference

1. Nacionalni institut za standarde i tehnologiju (NIST) — csrc.nist.gov

2. IBM — Mašinsko učenje — ibm.com

3. Stanfordski institut za umjetnu inteligenciju usmjerenu na čovjeka — Izvještaj o indeksu umjetne inteligencije za 2025. godinu — hai.stanford.edu

4. Međunarodna organizacija rada (MOR) — Generativna umjetna inteligencija i radna mjesta: Unaprijeđeni globalni indeks izloženosti na radu — ilo.org

5. Google Cloud — Šta je GPT? — cloud.google.com

6. Google za programere — developers.google.com

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

8. OpenAI — Tehnike ljudske povratne informacije — openai.com

9. arXiv — Obuka za računarstvo — arxiv.org

10. Priroda — nature.com