根據Dynatrace最近發布的全球報告顯示,在不斷增加對人工智慧的投資的推動下,「複合人工智慧」將成為企業成功應用人工智慧的關鍵因素。 Dynatrace指出,儘管有83%的技術領導者認為人工智慧是不可或缺的,但有95%的人認為,如果有其他類型的人工智慧來協助,生成式人工智慧(GenAI)會更有效果
報告指出,企業需要採用一種綜合的人工智慧方法,即將多種類型的人工智慧結合。這些類型可能包括 GenAI、預測性和/或因果性 AI,以及來自可觀察性、安全性和業務事件等不同的資料來源。透過這種方法,企業可以實現更高層次的推理,並使人工智慧的輸出更準確、相關和有意義
#從這可以看出,人工智慧並不是一種簡單的技術。它涉及多種類型、方法、數據和場景,每一種都有其優勢和限制。要充分發揮人工智慧的潛力,單一的人工智慧技術是不夠的。需要將不同的人工智慧技術和資料來源結合起來,以提供更高級的推理,以及更準確、更有意義和更有上下文的人工智慧輸出。這就是複合人工智慧的概念。它指的是組合多種類型的人工智慧,例如生成型、預測型和因果型,以及不同的資料來源,例如可觀察性、安全性和業務事件。複合人工智慧是企業成功採用人工智慧的關鍵因素。因為它可以幫助企業解決複雜的問題,提供更有價值的解決方案,並更好地適應不斷變化的環境
本文基於Dynatrace的一項全球報告來分析複合人工智慧的概念、應用和價值,以及複合人工智慧的優勢和挑戰。我們的目的是更了解複合人工智慧的重要性和潛力,以及如何有效地採用複合人工智慧,以提升企業的競爭力和創新力
眾所周知,人工智慧是一門涉及電腦科學、數學、統計學、心理學、哲學等多個學科的交叉學科。它使得電腦或機器能夠具備類似人類的智能,例如感知、理解、學習、推理、決策、創造等能力。人工智慧的研究和發展已經有了幾十年的歷史,期間經歷了多次的興衰和變革。這導致了多種類型、方法、數據和場景的人工智慧技術的形成,每種技術都有其自身的優勢和限制
近期快速發展的生成人工智慧(generative AI)是利用深度學習等技術,從資料中產生新的內容,例如文字、圖像、音訊等。生成型人工智慧的優點在於可以幫助我們創造新的產品和服務,例如虛擬助理、個人化推薦、智慧內容等。然而,生成型人工智慧也存在一些限制,可能會出現不準確、不合理或不道德的問題,例如生成的內容與事實不符、違反常識或傷害他人感情等
#預測型人工智慧(predictive AI)的發展歷史可以追溯到1950年代,當時出現了第一批統計學習理論和機器學習演算法。預測型人工智慧利用統計學習等技術,從資料中發現規律和趨勢進行分類、迴歸、聚類等。預測型人工智慧的優點是可以幫助我們優化現有的產品和服務,例如效能監控、故障預測、異常檢測等。預測型人工智慧的限制是預測的結果與實際不符、受到雜訊或異常的影響或缺乏可解釋性等
因果人工智慧(causal AI)是一種利用數據和演算法來推斷因果關係的人工智慧。它可以幫助組織理解數據背後的原因和效果,從而進行更好的決策和介入。因果型人工智慧的一些應用領域包括醫療、社會科學、經濟、教育、政策制定等。因果型人工智慧的核心概念是因果圖,它是一種以節點和箭頭表示變數和因果關係的圖形模型。因果圖可以用來表示資料產生的機制,以及如何透過介入或實驗來改變資料的分佈。因果圖也可以用來回答因果問題,例如「如果我做了這個,會發生什麼?」或「為什麼這個變數會影響那個變數?」
#重新寫成中文如下:除了不同類型的人工智慧技術,還有不同的資料來源可供使用,包括可觀察性、安全性和業務事件等。可觀察性資料指與應用程式效能、軟體開發和安全實務、IT基礎設施和使用者體驗相關的資料。安全性資料指與網路安全、資料保護和隱私合規相關的資料。業務事件資料指與業務流程、交易、客戶行為和滿意度相關的資料。不同的資料來源提供不同的資訊和價值,但也面臨不同的品質、安全性和隱私要求和挑戰
複合人工智慧是將不同類型的人工智慧技術和數據源結合在一起,以提供更高級的推理,以及更準確、更有意義和更有上下文的人工智慧輸出。複合人工智慧能夠幫助我們解決複雜的問題,提供更有價值的解決方案,並且能夠更好地適應不斷變化的環境。複合人工智慧的核心在於利用不同的人工智慧技術和資料來源的優勢,彌補它們各自的限制,實現人工智慧技術和資料來源之間的協同和互補
複合人工智慧的整合和調整是將不同類型的人工智慧技術和資料來源結合,以提供更高級的推理,以及更準確、更有意義、更有上下文的人工智慧輸出。複合人工智慧的整合和調整需要考慮多個方面,例如人工智慧的目標、範圍、方法、資料的品質、安全性和隱私、以及人工智慧的評估和監督等。因此,需要一些基本的概念和原則
人工智慧的目標是解決問題或實現功能,例如診斷、預測、生成、推薦等。這些目標決定了人工智慧的輸出類型、格式和內容,以及其價值和影響。為了便於設計、實現和評估,人工智慧的目標應該是明確、具體、可量化和可達成的
在確定人工智慧的範圍時,需要考慮涉及的領域或場景,例如醫療、教育、金融、製造業等。人工智慧的範圍決定了其輸入和輸出的來源、特性和要求,以及輸入和輸出的複雜性和難度。為了方便取得、處理和應用人工智慧,範圍應該是適當、合理、可行和可擴展的
人工智慧的選擇方法包括採用生成型、預測型和因果型人工智能技術或演算法,以及深度學習、統計學習和因果推理等。這些方法決定了人工智慧輸出的品質、可靠性和可解釋性,同時也決定了人工智慧輸出的優點和限制。人工智慧的方法應該是適合、有效、創新和可改進的,以便進行最佳化、驗證和更新
#資料品質指的是資料的準確性、完整性、一致性、時效性和相關性等方面。數據的品質直接影響人工智慧輸出的準確性、合理性和道德性,以及人工智慧輸出的信任度和可接受度。因此,資料的品質應該是高、穩、清和新的,以便於人工智慧的學習、推理和生成
需要重新書寫的內容是:還需要考慮資料的安全和隱私保護,包括資料的加密、授權、稽核、備份和刪除等。資料的安全和隱私對人工智慧的輸出安全性、合法性和責任性以及風險和後果產生影響。因此,資料的安全和隱私應該是強而有力、嚴格遵守規定和法律的,以便於人工智慧的防範、應對和糾正
對人工智慧的評估和監督非常重要,需要對其輸出進行檢驗和改進。這包括對人工智慧輸出的測試、評估、回饋和監控等方面的工作。人工智慧的評估和監督對其輸出的效率、效果以及創新和發展都有影響。因此,人工智慧的評估和監督應該持續、全面、客觀和及時,以便於對其進行調整、優化和更新
複合人工智慧的整合和調整是一個涉及到多個方面的過程,旨在提供更高級的推理能力,以及更準確、更有意義和更具上下文的人工智慧輸出。這是一個需要投入大量時間、資源和專業知識,並且需要高度協調和合作的過程
複合人工智慧的應用是利用不同類型的人工智慧技術和資料來源,解決複雜問題並提供更高級推理和更有價值的輸出。這種方式將多種類型的人工智慧結合起來,以實現更高級的推理和更好的性能。複合人工智慧的應用領域非常廣泛,例如在自然語言處理領域,可以利用複合人工智慧來產生、理解和翻譯自然語言,包括使用生成式AI、預測性AI 和因果性AI 等技術
#複合人工智慧的應用可以適用於醫療、教育、金融、製造、娛樂和安全等各個領域和行業
在醫療領域,複合人工智慧可以結合生成型、預測型和因果型人工智慧,以及可觀察性、安全性和業務事件數據,來提供更準確的診斷、治療和預防方案,以及更個人化的醫療服務。舉例來說,生成型人工智慧可以透過醫療影像、基因序列、病歷等數據產生新的醫療訊息,如病灶、變異、診斷等。預測型人工智慧則可以從醫療監測、檢測、評估等數據中發現規律和趨勢,如病情、風險、效果等。而因果型人工智慧可以從醫療介入、治療、預防等數據推斷因果關係,如藥物、手術、生活型態等。可觀察性資料可以對醫療設備、系統和流程進行監控和分析,提高可用性和可靠性。安全性資料則可以保護和合規醫療資料和隱私,防止資料濫用或外洩。業務事件數據則可以衡量和提升醫療服務和滿意度,增加收入和利潤
複合人工智慧在教育領域的應用是將生成型、預測型和因果型人工智慧以及學習者的行為、能力和偏好數據結合起來,為我們提供更好的教學、評估和回饋,以及更適合我們的學習路徑。例如,生成型人工智慧可以根據教材、課程、知識圖譜等數據為我們創造新的教學內容,如問題、答案、範例等。預測型人工智慧可以根據我們的學習活動、成績、回饋等數據幫助我們發現學習程度、進步速度、學習風格等規律和趨勢。因果型人工智慧可以根據我們的教學介入、策略、效果等數據推斷出教學方法、學習資源、學習成果等之間的因果關係。學習者的行為、能力和偏好數據可以讓人工智慧更了解我們,為我們提供個人化和客製化的服務,使我們的學習更有效率、更有效
##複合人工智慧在金融領域發揮著重要作用。它能夠利用生成型、預測型和因果型人工智慧結合市場、客戶和風險數據,為我們提供更好的金融方案和服務。例如,生成型人工智慧能夠根據各種數據為我們提供新的金融訊息,如報價、建議、策略等。預測型人工智慧能夠根據各種數據幫助我們發現金融規律和趨勢,如價格、需求、行為等。因果型人工智慧能夠根據各種數據幫助我們分析金融的因果關係,如影響、風險、利益等。市場數據能夠幫助我們更了解和分析市場狀況,提高市場的透明度和效率。客戶數據能夠幫助我們更了解和服務客戶,提高客戶的忠誠度和滿意度。風險資料能夠幫助我們更好地識別和管理風險,提高風險的可控制性和可預測性
############################################# ###重寫的內容為:複合人工智慧的應用可以提高人工智慧的可靠性和適用性。透過將不同類型的人工智慧技術和資料來源結合,複合人工智慧可以充分利用各種人工智慧技術和資料來源的優勢,彌補它們各自的不足,實現協同工作和互補效果。這樣,複合人工智慧能夠提供更全面、更準確、更合理、更符合道德的人工智慧輸出,以支援關鍵的業務場景,避免出現不一致、不合適或不良的問題######### ###Dynatrace的技術長Bernd Greifeneder表示:「讓GenAI產生使用者可信賴的有意義內容來解決特定問題是一項艱鉅任務。團隊需要投入大量時間和精力來設計合適的提示,讓GenAI了解應該產生何種內容,並驗證所產生內容的準確性。」######
为了实现这一点,他强调了理解不同人工智能并非一概而论的重要性。GenAI的许多应用场景,尤其是一些复杂的场景,比如优化软件代码或解决安全漏洞,都需要采用复合人工智能(composite AI)。复合人工智能是指将不同类型的人工智能结合起来,例如因果推理人工智能(可以找出系统行为的原因和影响)和预测性人工智能(可以根据过去的数据预测未来事件),为GenAI提供必要的背景信息
企业能够制定正确的策略,将各类人工智能技术与高质量的数据相结合,就能够显著提升开发、运营和安全团队的工作效率,同时提供持久的业务价值
复合人工智能是一种结合不同类型的人工智能技术和数据源的方法,旨在提供更高级的推理和更有价值的输出。我们可以将生成式人工智能(通过数据生成新内容)、预测性人工智能(根据过去的数据预测未来事件)和因果人工智能(识别数据中的因果关系)结合起来,以生成更准确、更有意义和更具上下文的内容。此外,我们还可以利用不同的数据源,如可观察性数据(用于监控和分析系统性能和状态)、安全性数据(用于保护和合规数据的使用和传输)和业务事件数据(用于衡量和提升业务流程和效果),以确保人工智能可以使用更全面、更可靠和更相关的数据
参考资料:https://aimagazine.com/data-and-analytics/composite-ai-could-drive-success-as-investments-increase 参考资料链接中提到,随着投资的增加,复合人工智能可能推动成功
以上是複雜AI:實現企業AI成功的關鍵要素的詳細內容。更多資訊請關注PHP中文網其他相關文章!