


Pourquoi l'application de l'intelligence artificielle nécessite un changement de mentalité majeur
Bien que l’IA fasse actuellement des progrès encourageants, elle n’a pas encore provoqué de changements révolutionnaires dans de nombreux secteurs. Dans de nombreux cas, le problème ne vient pas nécessairement de la technologie, mais de la façon dont les gens la perçoivent.
"Power and Prediction" est un nouveau livre écrit par un expert en intelligence artificielle qui explore les défis fondamentaux liés à l'application de la technologie de l'intelligence artificielle dans différentes industries. Suite de Prediction Machines, acclamé par la critique, ce livre explique ce que les entreprises doivent changer avant de pouvoir bénéficier de tout le potentiel des progrès de l'intelligence artificielle.
Des solutions et applications ponctuelles aux systèmes d'IA, les experts du secteur examinent les succès et les échecs de l'IA dans différents domaines. Ils fournissent également des informations importantes sur les révolutions technologiques passées et montrent comment repenser et concevoir des systèmes d’IA de A à Z peut contribuer à créer une réelle valeur basée sur de puissants algorithmes d’apprentissage automatique et d’apprentissage profond.
Solution ponctuelle vs systèmes d'intelligence artificielle
Les systèmes d'IA d'aujourd'hui sont des machines prédictives, ce qui signifie qu'ils peuvent prédire ce qui se passera dans le futur sur la base de données passées. C'est ce que fait tout modèle mathématique. Mais grâce à la disponibilité de grandes quantités de données et de calcul, ainsi qu’aux progrès des algorithmes d’apprentissage profond, les gens ont pu créer des modèles capables de faire des prédictions sur des informations complexes telles que des images, du texte et des données multidimensionnelles.
Dans le livre « Power and Prediction », l'auteur divise la valeur de l'intelligence artificielle en trois catégories : les solutions ponctuelles, les solutions applicatives et les solutions système.
La plupart de ce que les gens ont vu jusqu'à présent sont des solutions ponctuelles et des solutions d'application. Ces systèmes d’IA remplacent les tâches qui nécessitaient auparavant une prédiction. Par exemple, dans les services financiers, l’une des tâches consiste à prédire quelles transactions sont frauduleuses. Un modèle d’apprentissage automatique formé sur les bonnes données peut prendre en charge cette tâche. Les solutions ponctuelles sont le fruit de l’intelligence artificielle, car leur adoption ne nécessite que des investissements minimes et des modifications des systèmes sous-jacents.
Un autre exemple de solution ponctuelle est l'analyse des examens radiologiques. Il existe désormais plusieurs modèles d’apprentissage profond capables de détecter diverses maladies à partir des rayons X et des IRM à un niveau comparable à celui des radiologues expérimentés.
Ils automatisent l'une des nombreuses tâches effectuées par les radiologues sans nécessiter aucune modification du système de soins aux patients sous-jacent.
Les systèmes d'intelligence artificielle peuvent apporter une plus grande valeur en automatisant de nouvelles tâches et de nouveaux problèmes qui ne sont pas résolus par les applications et systèmes actuels. Cependant, les systèmes d’IA nécessitent une approche vierge, dans laquelle des processus, des flux de travail et des applications complets doivent être repensés pour résoudre non seulement les problèmes existants, mais également les nouveaux. Pour fonctionner, les systèmes d’IA nécessitent souvent de nouvelles structures organisationnelles et un alignement des objectifs et des incitations. Cela rend les systèmes d’IA plus difficiles et plus risqués, mais aussi plus gratifiants.
L'auteur de Power and Prediction écrit : « Les solutions système sont souvent plus difficiles à mettre en œuvre que les solutions ponctuelles ou les solutions d'application, car les décisions améliorées par l'IA affectent d'autres décisions dans le système. Les solutions ponctuelles et les solutions d'application améliorent souvent les systèmes existants, tandis que les solutions système. perturber les solutions existantes et conduire donc souvent à des perturbations. Cependant, dans de nombreux cas, les solutions système peuvent fournir le meilleur retour sur investissement global en IA "
L'ère intermédiaire de l'intelligence artificielle
Dans le livre "Puissance et prédiction", l'auteur. estime que nous sommes désormais dans « l'ère intermédiaire » de l'intelligence artificielle, après avoir été témoin de la puissance de cette technologie, et avant qu'elle ne soit largement adoptée. C’est pourquoi les solutions ponctuelles constituent actuellement un cas d’utilisation plus attrayant et plus populaire pour l’intelligence artificielle.
Cela a un précédent historique. Par exemple, à la fin du XIXe siècle, lorsque l’électricité a commencé à être industrialisée, ses premières applications ont été des solutions ponctuelles. Pour les usines, cela signifie remplacer les moteurs à vapeur par des moteurs électriques afin de réduire les coûts énergétiques. Changer la source d’électricité ne nécessite pas de repenser l’usine.
Cependant, la véritable proposition de valeur de l’électricité est de découpler la machine de la source d’alimentation. Cela a permis de nouvelles conceptions d'usines qui n'étaient pas possibles avec la vapeur et les a rendues plus productives et moins coûteuses. Mais cette adoption a pris des décennies car elle a nécessité des changements fondamentaux, une rupture des habitudes et un investissement initial que les entreprises existantes n’étaient pas disposées à faire. Les entrepreneurs qui ont saisi l’opportunité ont réussi à prendre une position de leader et à conquérir une grande partie du marché qui a ensuite remplacé l’ancien marché.
On peut constater ces changements dans de nombreux autres secteurs, comme l'essor des achats en ligne, l'avènement des ordinateurs personnels et le passage des médias imprimés aux médias numériques.
L'intelligence artificielle est une technologie d'infrastructure et les leaders technologiques ont comparé son impact à celui de l'électricité. Cela nécessite donc une nouvelle mentalité et une exploration audacieuse.
L'auteur de « Power and Prediction » écrit : « La transformation de l'industrie basée sur l'IA prend du temps, et il n'est pas évident de savoir comment y parvenir au début. De nombreuses personnes peuvent essayer et échouer parce qu'elles en comprennent mal le besoin, ou qu'elles ne parviennent pas à obtenir le unité pour travailler L'économie finira par réussir et établira un chemin vers la rentabilité. D'autres essaieront de protéger leur avantage. Parfois, cela réussira, comme toujours. "
Enfreindre les règles
. L'auteur de « Power and Prediction » déclare : « Il n'y a rien de mal à ne pas abandonner lorsque vous ne disposez pas des informations dont vous avez besoin pour faire un choix éclairé. Évitez les conséquences d'une action aveugle. Ainsi, lorsque des prédictions de l'IA émergent, ce n'est pas surprenant. que les décideurs potentiels construisent un échafaudage sans ces informations. »
Les opportunités intelligentes sont difficiles à repérer car elles sont souvent cachées derrière des règles et des procédures strictes qui fonctionnent bien et sont établies depuis longtemps. Ces règles compensent le manque d'information. Ils permettent aux gens de prendre des décisions sans pouvoir prédire des résultats précis. Ils aident à créer des systèmes qui, même s’ils ne sont pas optimaux, fonctionnent de manière fiable dans de nombreuses situations.
La clé pour trouver ces opportunités est, premièrement, de comprendre le pouvoir des machines de prédiction, et deuxièmement, de trouver où les prédictions peuvent remplacer les règles établies. Un exemple très intéressant que l’auteur explore dans le livre est l’utilisation de l’intelligence artificielle dans l’éducation.
Grâce aux algorithmes d'apprentissage automatique et aux données historiques, il est possible de prédire les performances des étudiants, les domaines dans lesquels ils excelleront et ceux où ils auront des difficultés. Cela nous donne la possibilité de proposer un contenu plus personnalisé à chaque étudiant.
Mais ces modèles prédictifs ne sont pas d’une grande aide dans le système éducatif actuel qui repose sur un programme scolaire basé sur l’âge avec un seul enseignant par classe. Ce système a été créé parce que les enseignants n’ont aucun moyen de mesurer avec précision les capacités d’apprentissage individuelles des élèves tout au long de leur parcours scolaire.
Pour pouvoir profiter pleinement de l’apprentissage automatique, les gens doivent repenser le système éducatif d’une nouvelle manière. Ce nouveau système remplacera le programme scolaire basé sur l'âge par des discussions personnalisées, des projets de groupe et le soutien des enseignants, créant ainsi un impact plus important sur l'éducation globale ainsi que sur la croissance et le développement personnels.
L'auteur de « Power and Prediction » écrit : « Les règles pédagogiques basées sur l'âge sont le ciment du système éducatif moderne, donc l'intelligence artificielle pour personnaliser le contenu d'apprentissage ne peut apporter que des avantages limités dans ce système. Libérer l'individualité Pour optimiser le potentiel de l'intelligence artificielle dans l'éducation, le principal défi n'est pas de construire des modèles prédictifs, mais de dissocier l'éducation des règles pédagogiques basées sur l'âge qui collent actuellement le système."
Power Shift
L'application réussie de l'intelligence artificielle nécessite" Quoi les auteurs de Power and Prediction appellent la « pensée systémique », par opposition à la « pensée par tâches ». Un état d’esprit de tâche se concentre sur les économies de coûts. La pensée systémique se concentre sur la création de valeur. L’état d’esprit de tâche se concentre sur l’automatisation de tâches individuelles. La pensée systémique reconnaît la nécessité de reconstruire des systèmes qui génèrent de la valeur sur la base des prédictions des machines et de la prise de décision humaine.
Les gens ont déjà vu cela se produire dans certains secteurs et grandes entreprises technologiques telles qu'Amazon et Google, qui ont créé des systèmes à but lucratif pour recommander du contenu personnalisé basé sur des prédictions d'intelligence artificielle.
L’un des éléments importants de la mentalité systémique est peut-être le changement de pouvoir qui se produit avec l’adoption de l’intelligence artificielle. À mesure que le système évolue, les personnes détenant le pouvoir de décision évoluent également.
L'auteur de "Power and Prediction" écrit : "Bien que l'intelligence artificielle ne puisse pas confier la prise de décision aux machines, elle peut changer qui prend les décisions. Les machines n'ont aucun pouvoir, mais une fois déployées, elles peuvent changer qui a le pouvoir et quand." Les machines changent les décideurs, les systèmes sous-jacents doivent également changer. Les ingénieurs qui construisent les machines doivent comprendre les conséquences des jugements qu'ils intègrent dans le produit, et ceux qui prenaient des décisions sur le moment n'en auront peut-être plus besoin.
L'auteur du livre. Un exemple hypothétique exploré est le risque de crise cardiaque. Actuellement, cette évaluation des risques se fait au moyen de tests en milieu hospitalier, la décision étant prise par le spécialiste qui effectue le test.
Supposons qu'il soit possible de créer un système d'intelligence artificielle pour prédire le risque de crise cardiaque sur la base des données collectées par des appareils portables tels que les montres intelligentes. Il serait alors possible de déplacer ces prédictions de l'espace de triage des services d'urgence d'un hôpital jusqu'au domicile du patient. Dans ce cas, de nombreux patients n’auront jamais besoin d’aller à l’hôpital après avoir reçu un diagnostic d’une maladie qu’un pharmacien ou un médecin de premier recours peut aider à traiter à domicile.
Peu importe où l’on se situe dans les débats scientifiques et philosophiques autour de l’intelligence artificielle, ce sur quoi on peut s’entendre, c’est que les machines prédictives ont beaucoup à offrir et ne font aujourd’hui qu’effleurer la surface. Pour exploiter tout leur potentiel, il faut d’abord retourner à la planche à dessin et repenser la façon dont les gens concevraient des systèmes s’ils avaient la capacité de prédire. ?
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g
