Traditional AI Vs Generative AI - KDnuggets

Αναδημοσίευση από τον Πλάτωνα

Ακολουθούν: 0

Παραδοσιακό AI vs Generative AI
Εικόνα από συγγραφέα

Το «Generative AI» είναι το επόμενο τσιτάτο που κυκλοφορεί αυτή τη στιγμή. Ανεξάρτητα από τον τομέα στον οποίο εργάζεστε, σίγουρα έχετε ακούσει τη λέξη. Μας έδειξε μόνο τους τελευταίους 6 μήνες τις σημαντικές προόδους στην τεχνητή νοημοσύνη (AI). Έχει αναδιαμορφώσει διάφορες βιομηχανίες, και όλοι θέλουν να το πάρουν στα χέρια τους.

Για κάποιους από εσάς, μπορεί να μην γνωρίζετε πραγματικά τη διαφορά μεταξύ των υποσυνόλων της τεχνητής νοημοσύνης, και αυτό είναι το νόημα αυτού του άρθρου.

Για να σου ξεκαθαρίσω τα πράγματα.

Παραδοσιακή τεχνητή νοημοσύνη – ένα μέρος της τεχνητής νοημοσύνης στο οποίο γνωρίζει η πλειονότητα των ατόμων με μη τεχνική προδιάθεση. Γνωστή και ως στενή ή αδύναμη τεχνητή νοημοσύνη, η παραδοσιακή μορφή της τεχνητής νοημοσύνης εστιάζει στην εκτέλεση μιας συγκεκριμένης εργασίας με έξυπνο τρόπο.

Έτσι, αυτό που γνωρίζουμε για την παραδοσιακή τεχνητή νοημοσύνη είναι βοηθοί φωνής όπως οι Siri και Alexa που έχουν σχεδιαστεί για να ανταποκρίνονται σε μια είσοδο και να παράγουν μια έξοδο. Ο τρόπος με τον οποίο αυτό είναι εφικτό είναι να μαθαίνουν αυτά τα συστήματα τεχνητής νοημοσύνης από δεδομένα, χαρακτηριστικά και πολλά άλλα για τη λήψη αποφάσεων και προβλέψεων.

Σκεφτείτε πότε παίζετε σκάκι στον υπολογιστή. Ο υπολογιστής δεν φτιάχνει απλώς κανόνες καθώς προχωράει, γνωρίζει όλους τους κανόνες και τους χρησιμοποιεί για να κάνει την επόμενη κίνησή του. Είναι μια προκαθορισμένη στρατηγική.

Στρατηγική. Σε αυτό βασίζεται η παραδοσιακή τεχνητή νοημοσύνη. Λαμβάνει τις αποφάσεις του χρησιμοποιώντας ένα συγκεκριμένο σύνολο κανόνων στους οποίους επανέρχεται κάθε φορά.

Λαμβάνει μια είσοδο και παράγει μια έξοδο – με βάση κανόνες, όχι με τη δημιουργία κανόνων.

Τώρα, στο τσιτάτο «Generative AI». Όπως μπορείτε να φανταστείτε, έχω τονίσει ότι η παραδοσιακή τεχνητή νοημοσύνη βασίζεται σε κανόνες και δεν μπορεί να δημιουργήσει κάτι νέο. Λοιπόν, πού αφήνει αυτό το Generative AI;

Ναι έχεις δίκιο. Το Generative AI έχει τη δυνατότητα να δημιουργήσει κάτι νέο. Ακριβώς όπως η παραδοσιακή τεχνητή νοημοσύνη, η γενετική τεχνητή νοημοσύνη έχει μάθει πολλά δεδομένα και τα χρησιμοποιεί για τη λήψη αποφάσεων και προβλέψεων. Αλλά αντί να είναι μια απλή διαδικασία εισόδου και εξόδου.

Το Generative AI παίρνει την είσοδο, την κατανοεί και δημιουργεί κάτι νέο χρησιμοποιώντας τις πληροφορίες από την είσοδο. Εκπαιδεύεται σε δεδομένα και μαθαίνει τα υποκείμενα μοτίβα για να μπορεί να δημιουργεί νέα δεδομένα με βάση τις πληροφορίες εισόδου που είναι παρόμοιες με τα δεδομένα εκπαίδευσης.

Μέχρι σήμερα, μπορείτε να χρησιμοποιήσετε το Generative AI για να δημιουργήσετε εξόδους σε διαφορετικές μορφές, όπως κείμενο, εικόνα και μουσική, καθώς και να το χρησιμοποιήσετε για να σας βοηθήσει με εργασίες όπως η συμπλήρωση κώδικα.

Παραδείγματα γενετικής τεχνητής νοημοσύνης περιλαμβάνουν τα GPT, Soundful, Synthesia και DALL-E 2.

Λοιπόν, ποια είναι η διαφορά μεταξύ της παραδοσιακής τεχνητής νοημοσύνης και της γενετικής τεχνητής νοημοσύνης;

Οι δυνατότητες και οι εφαρμογές είναι η κύρια διαφορά.

Όπως ανέφερα προηγουμένως, η παραδοσιακή τεχνητή νοημοσύνη βασίζεται στη λήψη μιας εισόδου και στην παραγωγή μιας εξόδου. Τα δεδομένα εισόδου αναλύονται και χρησιμοποιούνται για τη λήψη αποφάσεων και προβλέψεων. Αν ψάχνετε για αναγνώριση μοτίβων, η παραδοσιακή τεχνητή νοημοσύνη είναι το πάθος σας. Η παραδοσιακή τεχνητή νοημοσύνη εξακολουθεί να είναι πολύ δημοφιλής και χρησιμοποιείται για να τροφοδοτήσει πολλά τρέχοντα συστήματα τεχνητής νοημοσύνης, όπως τα chatbots και τα προγνωστικά αναλυτικά στοιχεία. Επικεντρώνεται σε εφαρμογές που αφορούν συγκεκριμένες εργασίες, τις οποίες πολλοί άνθρωποι χρησιμοποιούν για τις καθημερινές τους εργασίες.

Από την άλλη πλευρά, η γενετική τεχνητή νοημοσύνη θα υπερβεί και θα δημιουργήσει νέα δεδομένα, τα οποία είναι παρόμοια με τα δεδομένα εκπαίδευσης. Αν ψάχνετε για δημιουργία μοτίβων, η γενετική τεχνητή νοημοσύνη είναι το πάθος σας. Η Generative AI ανοίγει νέες πόρτες για τις εταιρείες να είναι πιο δημιουργικές και καινοτόμες. Μπορεί να μειώσει δραστικά τον χρόνο που αφιερώνεται σε εργασίες όπως η διαδικασία ιδεασμού. Μπορεί να γράφει στίχους τραγουδιών, να γράφει άρθρα και να δημιουργεί deepfakes. Όπου η δημιουργία και η καινοτομία είναι σημαντικές, η γενετική τεχνητή νοημοσύνη έχει μεγάλες δυνατότητες να την ανεβάσει στο επόμενο επίπεδο.

Για να ολοκληρώσετε αυτό το γενικό άρθρο σχετικά με την παραδοσιακή τεχνητή νοημοσύνη και τη γενετική τεχνητή νοημοσύνη, πρέπει να καταλάβετε ότι οι λειτουργίες τους δεν μπορούν ακόμη να συνδυαστούν. Για παράδειγμα, η γενετική τεχνητή νοημοσύνη μπορεί να χρησιμοποιηθεί με την παραδοσιακή τεχνητή νοημοσύνη για την παροχή πιο αποτελεσματικών λύσεων. Από την άλλη πλευρά, η παραδοσιακή τεχνητή νοημοσύνη μπορεί να παράσχει ένα συγκεκριμένο αποτέλεσμα που θα μπορούσε να αναλυθεί περαιτέρω για τη δημιουργία εξατομικευμένου περιεχομένου χρησιμοποιώντας γενετική τεχνητή νοημοσύνη.

Η κατανόηση της διαφοράς μεταξύ των δύο και του συγκεκριμένου ρόλου τους στον κόσμο της τεχνητής νοημοσύνης είναι σημαντική. Και οι δύο διαμορφώνουν το μέλλον μας και οι δύο αγκαλιάζονται ιδιαίτερα στη σημερινή κοινωνία.

Ξέρετε ότι καταλαβαίνετε τις μοναδικές δυνατότητες των δύο και θα απολαύσετε τη βόλτα καθώς συνεχίζουν να είναι καινοτόμοι.

Nisha Arya είναι Επιστήμονας Δεδομένων, Ανεξάρτητος Τεχνικός Συγγραφέας και Διευθυντής Κοινότητας στο KDnuggets. Ενδιαφέρεται ιδιαίτερα να παρέχει συμβουλές σταδιοδρομίας ή σεμινάρια της Επιστήμης Δεδομένων και γνώσεις βασισμένες στη θεωρία γύρω από την Επιστήμη των Δεδομένων. Επιθυμεί επίσης να διερευνήσει τους διαφορετικούς τρόπους με τους οποίους η Τεχνητή Νοημοσύνη μπορεί/μπορεί να ωφελήσει τη μακροζωία της ανθρώπινης ζωής. Μια δεινή μαθήτρια, που επιδιώκει να διευρύνει τις τεχνολογικές της γνώσεις και τις δεξιότητες γραφής, βοηθώντας παράλληλα να καθοδηγήσει άλλους.