Mga modelo, machine learning, generative AI, mga ahente, automation, at responsableng pamamahala
Artipisyal na katalinuhan
Ang artificial intelligence ay ang larangan ng pagbuo ng mga computer system na maaaring matuto ng mga pattern, gumawa ng mga hula, bumuo ng content, magrekomenda ng mga aksyon, maunawaan ang wika, makakita ng mga larawan, mag-automate ng mga gawain, at suportahan ang mga desisyon sa software, agham, negosyo, kalusugan, edukasyon, at pang-araw-araw na buhay.
Ano ang ibig sabihin ng artificial intelligence
Ang artificial intelligence, kadalasang pinaikli sa AI, ay hindi isang tool o isang algorithm. Ito ay isang malawak na larangan na nakatuon sa paggawa ng mga computer system na gumanap ng mga gawain na karaniwang nangangailangan ng persepsyon, pagkatuto, pangangatwiran, wika, pagpaplano, hula, o paggawa ng desisyon. Ang AI ay maaaring isang search ranking system, isang fraud detector, isang medical image classifier, isang modelo ng wika, isang robot controller, isang engine ng rekomendasyon, o isang assistant na tumutulong sa pagkumpleto ng mga digital na gawain.
Paano natututo ang AI system
Maraming modernong AI system ang natututo mula sa data. Sa panahon ng pagsasanay, nakakakita ang isang modelo ng mga halimbawa at inaayos ang mga panloob na parameter upang makagawa ito ng mga kapaki-pakinabang na hula o makabuo ng mga kapaki-pakinabang na output sa ibang pagkakataon. Gumagamit ang pinangangasiwaang pag-aaral ng mga may label na halimbawa, ang hindi sinusubaybayang pag-aaral ay nakakahanap ng mga pattern na walang tahasang mga label, ang reinforcement learning ay natututo mula sa mga reward, at ang self-supervised na pag-aaral ay lumilikha ng mga signal ng pagsasanay mula sa raw data mismo. Pagkatapos ng pagsasanay, ang paggamit ng modelo upang makagawa ng isang sagot ay tinatawag na hinuha.
Machine learning at malalim na pag-aaral
Ang Machine learning ay bahagi ng AI na nakatuon sa mga system na umuunlad sa pamamagitan ng paghahanap ng mga pattern sa data. Gumagamit ang Deep learning ng mga neural network na may maraming layer, na maaaring magmodelo ng mga kumplikadong relasyon sa text, mga larawan, audio, video, code, at structured na data. Malaki ang pag-unlad ng Deep learning sa speech recognition, translation, image recognition, recommendation system, protein-structure prediction, at large language models, ngunit ito ay lubos na nakadepende sa kalidad ng data, computing power, at maingat na pagsusuri.
Generative AI at foundation models
Lumilikha ang Generative AI ng bagong text, mga larawan, audio, video, code, mga disenyo, o iba pang nilalaman. Ang malalaking modelo ng wika ay hinuhulaan at bumuo ng mga pagkakasunud-sunod ng mga token, na nagbibigay-daan sa kanila na sagutin ang mga tanong, buod, magsalin, mag-draft ng mga dokumento, magsulat ng code, at mag-power chat interface. Ang mga modelo ng pundasyon ay malalaking modelong magagamit muli na maaaring iakma sa maraming gawain. Maaari silang maging makapangyarihan, ngunit ang pagiging matatas ay hindi katulad ng katotohanan: ang mga generative system ay maaaring mag-hallucinate, magpakita ng bias, mag-leak ng mga sensitibong pattern, o makagawa ng hindi ligtas na content kung hindi kontrolado.
AI mga ahente at automation
Ang ahente ng AI ay isang system na maaaring gumamit ng mga tool, tandaan ang konteksto, magplano ng mga hakbang, at gumawa ng mga aksyon patungo sa isang layunin. Ang mga ahente ay maaaring maghanap ng mga file, tumawag sa APIs, magsulat ng code, magkontrol ng software, mag-iskedyul ng mga gawain, o mag-coordinate ng mga daloy ng trabaho. Ginagawa nitong mas kapaki-pakinabang ang AI ngunit mas mapanganib din, dahil maaaring magkaroon ng tunay na epekto ang mga pagkakamali. Ang mahusay na disenyo ng ahente ay gumagamit ng mga pahintulot, pag-log, pag-apruba ng tao para sa mga sensitibong pagkilos, sandboxing, malinaw na mga layunin, plano ng rollback, at mga limitasyon sa kung ano ang magagawa ng system nang walang pangangasiwa.
Kung saan lumalabas ang AI
Lumilitaw na ang AI sa mga search engine, social feed, mapa, spam filter, pagtuklas ng panloloko sa pagbabangko, pagsasalin, transkripsyon, serbisyo sa customer, pag-edit ng larawan, medikal na imaging, logistik, pagmamanupaktura, cybersecurity, siyentipikong pananaliksik, software sa edukasyon, mga tool sa pag-coding, at mga app ng produktibidad sa lugar ng trabaho. Kadalasan ang mga gumagamit ay hindi direktang nakikita ang modelo. Nakikita nila ang mga resulta ng ranggo, iminungkahing tugon, inirerekomendang mga video, natukoy na mga anomalya, nabuong mga buod, o mga awtomatikong desisyon.
Mga limitasyon, panganib, at pagsusuri
Ang mga system ng AI ay maaaring hindi tumpak, bias, malutong, sobrang kumpiyansa, malabo, hindi secure, o maling paggamit. Maaaring mabigo ang mga ito kapag nagbago ang mga kundisyon, gumanap nang mas malala para sa mga grupong kulang sa representasyon, o i-optimize ang maling layunin. Sinusuri ng pagsusuri kung gumagana ang isang sistema para sa mga tao at mga sitwasyon kung saan ito gagamitin. Tinitingnan ng responsableng pagsusuri ang katumpakan, katatagan, pagiging patas, privacy, seguridad, kakayahang ipaliwanag, potensyal na pang-aabuso, pangangasiwa ng tao, at kung ano ang mangyayari kapag hindi sigurado o mali ang modelo.
Bakit ito mahalaga
Mahalaga ang artificial intelligence dahil nagiging general-purpose layer ito sa software, science, media, business, education, health care, government, at infrastructure. Maaari nitong palawakin ang pag-access sa kadalubhasaan at i-automate ang paulit-ulit na trabaho, ngunit maaari rin itong magkonsentra ng kapangyarihan, makagambala sa paggawa, magkalat ng nakakumbinsi na maling impormasyon, at lumikha ng mga bagong problema sa kaligtasan at pananagutan. Ang epekto ng AI ay nakadepende hindi lamang sa kakayahan ng modelo, ngunit sa pamamahala, mga insentibo, mga pagpipilian sa deployment, at kung ang mga tao ay nananatiling makabuluhang nasa kontrol.