Jaké jsou typy umělé inteligence?

Stručná odpověď: Typy umělé inteligence se nejlépe chápou podle schopností, funkčnosti, stylu trénování a případu použití. Úzká umělá inteligence je dnes běžná, zatímco obecná umělá inteligence a super umělá inteligence zůstávají teoretické. Při výběru nástroje přizpůsobte kategorii úkolu, souvisejícím rizikům a potřebě lidské kontroly.

Klíčové poznatky:

Klasifikace: Před porovnáním systémů oddělte schopnosti, funkčnost, metodu trénování a případ použití.

Lidská kontrola: Před spoléháním se na generativní, prediktivní a konverzační výstupy zkontrolujte jejich význam.

Transparentnost: Zeptejte se, jaká data, logika a omezení formují každý systém umělé inteligence.

Odpovědnost: Udržujte lidi zodpovědnými, když umělá inteligence ovlivňuje rozhodnutí, uživatele nebo bezpečnost.

Kontrola rizik: Před nasazením otestujte zaujatost, soukromí, bezpečnost a zneužití.

---

1. Jaké jsou typy umělé inteligence?

Když se lidé ptají: „Jaké jsou typy umělé inteligence?“, obvykle tím myslí jednu ze dvou věcí:

Mohou se ptát na umělou inteligenci založenou na jejích schopnostech, například zda dokáže vykonávat pouze jeden úkol, nebo uvažovat v širším smyslu lidským způsobem.

Nebo se mohou ptát na umělou inteligenci založenou na funkčnosti, tedy na tom, jak se systém chová, učí, pamatuje si, předpovídá nebo reaguje.

A tady se věci trochu zamotávají. Umělá inteligence není seskupena do jedné přehledné krabice. Je to spíš jako třídění kuchyňského náčiní podle velikosti, účelu, ostrosti a toho, zda si ho váš strýc koupil v pochybném internetovém obchodě. Různé klasifikační systémy se překrývají.

Mezi hlavní kategorie obvykle patří:

• Úzká umělá inteligence

• Obecná umělá inteligence

• Super umělá inteligence

• Reaktivní stroje

• Omezená paměť umělé inteligence

• Teorie mysli AI

• Sebevědomá umělá inteligence

• Strojové učení umělé inteligence

• Hluboké učení umělé inteligence

• Generativní umělá inteligence

• Prediktivní umělá inteligence

• Konverzační umělá inteligence

• Počítačové vidění (AI)

• Robotická umělá inteligence

Některé z nich jsou široce používány. Některé jsou stále převážně teoretické. Některé zní futuristicky, ale jsou již zabudovány do každodenních aplikací. Hranice mezi „běžným softwarem“ a „umělou inteligencí“ se také v průběhu času stírá.

---

2. Typy umělé inteligence podle schopností

Prvním hlavním způsobem, jak klasifikovat umělou inteligenci, je podle toho, co dokáže. Toto je pohled z celkového hlediska 🧠.

Úzká umělá inteligence

Úzká umělá inteligence, nazývaná také slabá umělá inteligence, je navržena k provádění specifického úkolu nebo omezené sady úkolů. Jedná se o umělou inteligenci, kterou lidé používají každý den.

Mezi příklady patří:

• Doporučení pro vyhledávání

• Spamové filtry

• Hlasoví asistenti

• Systémy rozpoznávání obličeje

• Chatboti

• Doporučovací nástroje pro produkty

• Nástroje pro odhalování podvodů

• Aplikace pro překlad jazyků

Úzká umělá inteligence může být silná, ale není „myšlenkou“ v širokém lidském smyslu. Šachová umělá inteligence může porazit velmistra, ale nemůže se náhle rozhodnout stát se cukrářem. Překladový model dokáže přeložit odstavec, ale nevnímá jazyk tak, jak ho vnímá člověk.

Přesto je úzká umělá inteligence tahounem moderního světa umělé inteligence. Není sice okouzlující ve sci-fi smyslu, ale v zákulisí řídí velkou část dění 🎭.

Obecná umělá inteligence

Obecná umělá inteligence označuje umělou inteligenci, která dokáže rozumět, učit se, uvažovat a aplikovat znalosti v mnoha různých úkolech na úrovni podobné lidské.

Jednoduše řečeno: nedělalo by dobře jen jednu věc. Mohlo by se přizpůsobit.

Skutečná obecná umělá inteligence by potenciálně mohla:

• Učit se neznámé úkoly

• Zdůvodnění napříč různými předměty

• Řešit nové problémy

• Přenos znalostí z jedné oblasti do druhé

• Hlouběji pochopte kontext

• Rozhodujte se s flexibilním úsudkem

Tento druh umělé inteligence je stále spíše cílem než každodenní realitou. Lidé o ní hodně mluví, protože je fascinující, možná trochu znepokojivá a těžko se jí odolává jako konceptu. Běžné nástroje, které píší text, generují obrázky nebo odpovídají na otázky, však nejsou automaticky obecnou umělou inteligencí. Mohou se zdát obecné, ale stále fungují v rámci navržených limitů.

Super umělá inteligence

Super umělá inteligence by překonala lidskou inteligenci. Nejen rychlejší psaní nebo lepší matematiku – ale i lepší uvažování, kreativitu, strategii, učení a možná i emoční nebo sociální porozumění.

Toto je nejvíce spekulativní kategorie. Vyvolává obrovské množství otázek:

• Kdo to ovládá?

• Dá se to sladit s lidskými hodnotami?

• Chápalo by správně lidské cíle?

• Mohlo by se to samo zlepšit?

• Co se stane, když učiní rozhodnutí, která lidé nemohou následovat?

Super AI je místo, kde se konverzace o AI někdy mění ve filozofickou polévku. Cennou polévku, možná, ale pořád polévku 🍲.

---

3. Typy umělé inteligence podle funkčnosti

Dalším běžným způsobem, jak vysvětlit typy umělé inteligence, je podle funkčnosti. Ta se zaměřuje na to, jak se umělá inteligence chová.

Reaktivní stroje

Reaktivní stroje jsou nejjednodušším typem umělé inteligence. Reagují na aktuální vstupy, aniž by využívaly paměť z minulých zkušeností.

Neučí se postupem času tak, jako to dělají moderní adaptivní systémy. Dívají se na situaci, zpracovávají ji a reagují.

Představte si je takto: „Vstup přichází. Výstup odchází. Žádné záznamy do deníku.“

Reaktivní umělá inteligence může být stále působivá. Může analyzovat možné pohyby ve hře nebo reagovat na jasně definovanou situaci s extrémní rychlostí a přesností. Nevytváří si však osobní historii ani se nevyvíjí na základě minulých interakcí.

Omezená paměť umělé inteligence

Umělá inteligence s omezenou pamětí dokáže využívat minulá data k lepšímu rozhodování. Do této kategorie patří velká část dnešní praktické umělé inteligence.

Mezi příklady patří:

• Systémy doporučení, které se učí z chování uživatelů

• Systémy autonomních vozidel analyzující aktuální stav silnic

• Chatboti si pamatují kontext v rámci konverzace

• Modely detekce podvodů se učí z transakčních vzorců

• Nástroje prediktivní analýzy využívající historická data

Omezená paměť neznamená „špatnou paměť“. Znamená to, že systém může používat uložená nebo nedávná data, ale nemá lidské vědomí ani dlouhodobé osobní zkušenosti. Může to však být velmi efektivní. Někdy až otravně efektivní – například když nákupní aplikace ví, co chcete, dříve než si to sami přiznáte 🛒.

Teorie mysli AI

Teorie mysli, umělá inteligence , by chápala emoce, přesvědčení, záměry a sociální signály lidštějším způsobem.

Tento typ umělé inteligence by nejen zpracovával slova. Dokázal by odvodit, co by někdo mohl cítit, chtít, co špatně chápat, čeho se obávat nebo očekávat.

Například by mohlo chápat, že:

• Zákazník je frustrovaný, ale snaží se zůstat zdvořilý

• Student je zmatený, ale stydí se zeptat znovu

• Pacient je úzkostlivý, i když říká „Jsem v pořádku“

• Spoluhráč váhá, protože tiše nesouhlasí

Toto zůstává aktivní oblastí diskuse o umělé inteligenci, ale skutečná teorie mysli v oblasti umělé inteligence je extrémně složitá. Lidské emoce jsou propletené. Lidé říkají jednu věc a myslí druhou. Někdy ani sami nevědí, co tím myslí. Hodně štěstí, stroji.

Sebevědomá umělá inteligence

Sebevědomá umělá inteligence by měla vědomí, sebepochopení a uvědomění si svého vlastního vnitřního stavu.

Tohle je teoretické. Patří to do sci-fi, etických panelů, nočních hádek a k lidem dramaticky zírajícím z okna 🌙.

Sebevědomá umělá inteligence by nejen simulovala konverzaci o pocitech. Měla by nějaký druh subjektivní zkušenosti. To je rozsáhlé tvrzení. Současné systémy umělé inteligence nemají ověřené vědomí, pocity, touhy ani individualitu.

Mohou znít sebeuvědoměle, protože jazyk může napodobovat sebereflexi. Ale znít jako něco a být něčím není totéž. Papoušek může říct „Mám hlad“, ale to neznamená, že má rezervaci v restauraci.

---

4. Srovnávací tabulka: Hlavní typy umělé inteligence

Typ umělé inteligence	Hlavní myšlenka	Aktuální stav	Běžné příklady	Proč na tom záleží
Úzká umělá inteligence	Vytvořeno pro specifické úkoly	Široce používané	Chatboti, vyhledávání, doporučení	Praktické a všude
Obecná umělá inteligence	Flexibilní inteligence podobná lidské	Není plně dosaženo	Většinou teoretické	Velký cíl, velká debata
Super umělá inteligence	Chytřejší než lidé obecně	Spekulativní	Žádný praktický příklad	Obrovské etické otázky
Reaktivní stroje	Reaguje bez paměti	Používá se v omezených případech	Herní umělá inteligence, systémy založené na pravidlech	Rychlý, ale ne adaptivní
Omezená paměť umělé inteligence	Využívá data/historii ke zlepšení	Velmi časté	Systémy pro autonomní řízení, nástroje pro podvody	Tohle je každodenní tahák 🚗
Teorie mysli AI	Rozumí emocím a záměrům	Rozvoj konceptu	Pokročilé nápady pro sociální umělou inteligenci	Mohla by umělá inteligence lépe vnímat lidi
Sebevědomá umělá inteligence	Má vědomí	Teoretický	Příklady sci-fi stylu	Filozoficky masivní
Generativní umělá inteligence	Vytváří nový obsah	Široce používané	Textové, obrazové a zvukové nástroje	Zvýšení kreativní produktivity
Prediktivní umělá inteligence	Výsledky prognóz	Široce používané	Bodové hodnocení rizik, plánování poptávky	Pomáhá s rozhodováním - většinou
Robotická umělá inteligence	Řídí fyzické stroje	Používá se v průmyslu	Roboti, drony, automatizace	Propojuje umělou inteligenci s fyzickou prací

Trochu nerovnoměrné? Ano. Ale takhle funguje umělá inteligence i v každodenním životě – ne jako muzejní expozice s dokonalými popisky.

---

5. Generativní umělá inteligence: Typ, o kterém všichni mluví 🎨

Generativní umělá inteligence je jedním z nejpopulárnějších typů umělé inteligence, protože vytváří věci.

Může generovat:

• Text

• Obrázky

• Hudba

• Kód

• Video

• Popisy produktů

• Marketingový text

• Plány lekcí

• Souhrny

• Syntetická data

• Designové nápady

Generativní umělá inteligence funguje tak, že se učí vzory z velkého množství dat a poté na základě pokynů vytváří nové výstupy. Nekopíruje v tom jednoduchém smyslu, jak si lidé někdy představují. Předpovídá, kombinuje, mění a generuje na základě naučených struktur.

Nicméně i tak může dělat chyby. Může znít sebejistě, i když se mýlí, což je v podstatě strojová verze někoho, kdo vysvětluje daňové zákony na rodinném grilování.

Generativní umělá inteligence je cenná pro:

• Brainstorming

• Návrh obsahu

• Automatizace opakovaného psaní

• Vytváření vizuálních konceptů

• Podpora zákaznického servisu

• Zrychlení kódovacích úkolů

• Personalizace výukových materiálů

Ale potřebuje to revizi. Vždy. Výstup umělé inteligence může být působivý, ale není automaticky přesný, spravedlivý, legální nebo bezpečný pro značku. Zacházejte s ním jako s velmi rychlým asistentem, který má čas od času sklony k skřítkům.

---

6. Strojové učení AI: Vyhledávač vzorů

Strojové učení je hlavní odvětví umělé inteligence, kde se systémy učí vzory z dat, místo aby byly programovány řádek po řádku pro každé rozhodnutí.

Tradiční software se řídí explicitními pravidly. Systémy strojového učení identifikují vztahy a zlepšují výkon prostřednictvím školení.

Například:

• Spamový filtr se naučí, jak vypadá podezřelý e-mail

• Bankovní model detekuje neobvyklé chování transakcí

• Streamovací aplikace doporučuje pořady na základě diváckých zvyklostí

• Náborový nástroj může kandidáty hodnotit na základě definovaných signálů

• Lékařský zobrazovací model může odhalit možné abnormality

Strojové učení může být založené na dohledu, bez dohledu nebo na posilování.

Řízené učení

Kontrolované učení používá označené příklady. Například obrázky mohou být označeny jako „kočka“ nebo „není kočka“. Model se učí rozdíl.

Neupravené učení

Neupravené učení hledá vzory bez označených odpovědí. Může seskupovat zákazníky do segmentů nebo detekovat skryté shluky v datech.

Posilovací učení

Učení s posilováním se učí přijímáním odměn nebo sankcí za činy. To je běžné u herní umělé inteligence, robotiky a optimalizačních problémů.

Strojové učení není magie. Silně závisí na kvalitě dat. Špatná data vedou ke špatným modelům – když je dovnitř odpad, pak odpad, co nosí elegantní sako, ven.

---

7. Hluboké učení s umělou inteligencí: Silná stránka neuronových sítí 🧬

Hluboké učení je specializovaný typ strojového učení, který využívá vrstvené neuronové sítě ke zpracování složitých vzorů.

Je obzvláště cenný pro:

• Rozpoznávání řeči

• Rozpoznávání obrázků

• Zpracování přirozeného jazyka

• Autonomní systémy

• Analýza lékařských obrazů

• Překlad

• Generativní modely umělé inteligence

• Složité predikční úlohy

„Hluboká“ část označuje více vrstev v modelu. Každá vrstva pomáhá měnit a interpretovat informace. Jedna vrstva může detekovat jednoduché tvary v obrázku, jiná textury, další objekty a tak dále.

Hluboké učení může přinést ohromující výsledky, ale často vyžaduje obrovské množství dat a výpočetního výkonu. Může být také obtížnější ho interpretovat. To znamená, že i odborníci mohou mít problém přesně vysvětlit, proč hluboký model učinil konkrétní rozhodnutí.

To je jeden z velkých problémů s důvěrou v umělou inteligenci: výkon může být silný, ale vysvětlitelnost může být kluzká. Jako byste se snažili zeptat mixéra, proč smoothie chutná špatně.

---

8. Konverzační AI: Upovídaný typ

Konverzační umělá inteligence je navržena tak, aby komunikovala s lidmi prostřednictvím textu nebo hlasu.

Zahrnuje:

• Chatboti pro zákaznický servis

• Hlasoví asistenti

• Virtuální agenti

• Lektoři umělé inteligence

• Interní boti helpdesku

• Prodejní asistenti

• Asistenti pro plánování

Dobrá konverzační umělá inteligence potřebuje víc než jen gramatiku. Potřebuje kontext, rozpoznávání záměru, ovládání tónu a schopnost zvládat nepředvídatelné lidské vstupy.

Lidé nemluví dokonalými příkazy. Blábolí. Píšou věci špatně. Ptají se jen napůl a očekávají, že jim stroj „pochopí“. Víte, jak to chodí.

Základní chatbot může řídit se skriptem. Pokročilejší konverzační umělá inteligence dokáže rozumět přirozenému jazyku, udržovat kontext a generovat flexibilní odpovědi.

Tento typ umělé inteligence je cenný, protože snižuje opakující se práci a poskytuje rychlou podporu. Může však uživatele frustrovat, když předstírá, že rozumí, ale nerozumí. Nejhorší verzí je chatbot, který říká: „Rád pomůžu,“ ale neposkytuje žádnou pomoc. Bolestivé.

---

9. Počítačové vidění s umělou inteligencí: Stroje, které „vidí“ 👀

Počítačové vidění s umělou inteligencí umožňuje systémům interpretovat vizuální informace z obrázků, videí, kamer, senzorů nebo skenů.

Lze jej použít pro:

• Rozpoznávání obličeje

• Detekce objektů

• Kontrola kvality v továrnách

• Lékařské zobrazování

• Monitorování zabezpečení

• Analýza maloobchodních regálů

• Detekce provozu

• Rozšířená realita

• Monitorování zemědělství

Počítačové vidění nevidí tak, jako vidí lidé. Zpracovává pixely, vzory, tvary, barvy a statistické signály. Výsledky však mohou být velmi účinné.

Například počítačové vidění může pomoci odhalit vady na výrobní lince rychleji než manuální kontrola. Může pomoci uspořádat knihovny obrázků. Může podporovat bezpečnostní systémy ve vozidlech. Může také vyvolat obavy o soukromí, zejména pokud se používá pro sledování nebo identifikaci.

To je ta dvousečná vidlička - ne meč, ale vidlička. Pořád dost ostrá na to, aby způsobila potíže 🍴.

---

10. Prediktivní umělá inteligence: Předpovědní engine

Prediktivní umělá inteligence využívá data k odhadu toho, co se může stát dál.

Je to běžné v obchodě, financích, zdravotnictví, logistice, sportovní analytice, marketingu a provozu.

Prediktivní umělá inteligence může pomoci odpovědět na otázky jako:

• Kteří zákazníci pravděpodobně odejdou?

• Která transakce vypadá podezřele?

• Kolik zásob bude potřeba?

• Který pacient může potřebovat zvláštní pozornost?

• Na jaký obsah uživatel pravděpodobně klikne?

• Která část stroje by mohla brzy selhat?

Tento typ umělé inteligence je méně okázalý než generativní umělá inteligence, ale je nesmírně důležitý. Mnoho organizací se méně zajímá o model psaní poezie a více o to, zda může snížit plýtvání, snížit riziko a zlepšit plánování.

Prediktivní umělá inteligence funguje nejlépe, když jsou data relevantní, čistá a pravidelně aktualizovaná. Predikce však nikdy není jistota. Model dokáže odhadnout pravděpodobnosti, nikoli zaručit výsledky. Lidé na to neustále zapomínají. Pak obviňují umělou inteligenci, jako by je osobně zradila.

---

11. Robotická umělá inteligence: Když umělá inteligence dostane tělo 🤖

Robotika a umělá inteligence kombinují umělou inteligenci s fyzickými stroji. V tomto okamžiku umělá inteligence opouští obrazovku a začíná se pohybovat světem.

Mezi příklady patří:

• Skladové roboty

• Výrobní roboti

• Doručovací roboti

• Zemědělští roboti

• Chirurgické asistenční systémy

• Drony

• Inspekční roboti

• Čisticí roboti

• Humanoidní výzkumní roboti

Robotická umělá inteligence je obtížná, protože fyzické prostředí je nepředvídatelné. Chatbot se musí vypořádat pouze se slovy. Robot se musí vypořádat s kluzkými podlahami, špatným osvětlením, nerovným povrchem, pohybujícími se lidmi, chybami senzorů a s tím, že někdo nechá židli na tom nejhorším možném místě.

Robotika často kombinuje několik typů umělé inteligence:

• Počítačové vidění pro vidění

• Strojové učení pro adaptaci

• Plánovací algoritmy pro pohyb

• Posilovací učení pro rozhodování

• Zpracování přirozeného jazyka pro lidské příkazy

Robotická umělá inteligence má obrovský potenciál, zejména v nebezpečné nebo opakující se práci. Je však také drahá, složitá a fyzicky riskantní, když systémy selžou.

---

12. Umělá inteligence založená na stylu tréninku

Dalším cenným způsobem, jak přemýšlet o typech umělé inteligence, je to, jak jsou trénovány.

Umělá inteligence založená na pravidlech

Umělá inteligence založená na pravidlech se řídí logikou vytvořenou člověkem. Například:

• Pokud se to stane, udělejte to

• Pokud uživatel vybere tuto možnost, zobrazte tuto odpověď

• Pokud je hodnota nad prahovou hodnotou, spustit upozornění

To je jednoduché, předvídatelné a užitečné pro strukturované úkoly. Potýká se to však s nejednoznačností.

Datově trénovaná umělá inteligence

Datově trénovaná umělá inteligence se učí z příkladů. Dokáže zvládat složitější situace, protože identifikuje vzory, spíše než aby se spoléhala pouze na pevná pravidla.

A právě zde se doplňuje strojové učení a hluboké učení.

Hybridní umělá inteligence

Hybridní umělá inteligence kombinuje logiku založenou na pravidlech se strojovým učením. V mnoha praktických systémech je to pragmatická volba. Získáte flexibilitu učících se systémů a zároveň kontrolu nad pravidly.

Například systém pro bankovní podvody může využívat strojové učení k detekci podezřelého chování a poté uplatňovat přísná pravidla pro kontrolu dodržování předpisů. Nic okouzlujícího. Velmi nutné.

---

13. Co způsobuje, že typy umělé inteligence jsou matoucí?

Největším zmatkem je, že lidé používají kategorie umělé inteligence různými způsoby.

Jeden člověk může říct „Typy umělé inteligence“ a mít na mysli úzkou, obecnou a superinteligenci.

Jiná osoba může mít na mysli generativní umělou inteligenci, prediktivní umělou inteligenci a konverzační umělou inteligenci.

Vývojář může hovořit o supervidovaném učení, hlubokém učení, neuronových sítích nebo posilovacím učení.

Obchodní manažer může hovořit o automatizaci, analytice, personalizaci a zákaznické podpoře s využitím umělé inteligence.

Všechny mají tak nějak pravdu. Je to otravné, ale pravdivé.

Umělá inteligence je klasifikována podle:

• Schopnost

• Funkčnost

• Metoda tréninku

• Oblast použití

• Technická architektura

• Úroveň autonomie

• Typ vstupu a výstupu

• Případ použití v průmyslu

Takže když se někdo zeptá: „Co je to za typ umělé inteligence?“, nejjasnější odpověď může být vrstvená.

Chatbot by například mohl být:

• Zúžení umělé inteligence podle schopností

• Omezená paměť umělé inteligence podle funkcí

• Konverzační umělá inteligence podle aplikace

• Generativní umělá inteligence, pokud vytváří odpovědi

• Hluboké učení umělé inteligence, pokud je poháněno neuronovými sítěmi

To není žádná přehnaná komplikace pro zábavu. Takhle to prostě v oboru funguje.

---

14. Praktické příklady typů umělé inteligence

Zde je několik příkladů z každodenního života, které usnadní pochopení kategorií.

Doporučení pro streamování 🎬

Jedná se o úzkou umělou inteligenci, prediktivní umělou inteligenci a strojové učení. Studuje vzorce a doporučuje, co byste mohli sledovat příště.

Hlasoví asistenti 🎙️

Ty využívají konverzační umělou inteligenci, zpracování přirozeného jazyka, rozpoznávání řeči a funkce omezené paměti.

Generátory obrázků 🖼️

Jedná se o generativní systémy umělé inteligence, často poháněné modely hlubokého učení.

Systémy pro detekci podvodů 💳

Ty využívají prediktivní umělou inteligenci a strojové učení k označení neobvyklé aktivity.

Funkce pro autonomní řízení 🚗

Ty kombinují počítačové vidění, umělou inteligenci s omezenou pamětí, umělou inteligenci související s robotikou, fúzi senzorů a modely rozhodování.

Filtry spamu v e-mailech 📩

Tohle jsou klasické příklady umělé inteligence s využitím strojového učení. Nic okouzlujícího, ale velmi cenného.

Nástroje pro psaní s umělou inteligencí ✍️

Jedná se o generativní umělou inteligenci a konverzační umělou inteligenci, obvykle vytvářené s využitím rozsáhlých jazykových modelů.

Důležité je toto: jeden produkt umělé inteligence může patřit do více kategorií najednou.

---

15. Výhody pochopení typů umělé inteligence

Znalost typů umělé inteligence vám pomůže činit lepší rozhodnutí, zejména pokud ji používáte pro práci, podnikání, studium nebo tvorbu obsahu.

Pomáhá vám to:

• Vyberte si správný nástroj

• Vyhněte se nerealistickým očekáváním

• Pochopit rizika

• Ptejte se lépe

• Vyhodnoťte tvrzení o umělé inteligenci

• Přehánění v bodovém marketingu

• Používejte umělou inteligenci zodpovědněji

• Vysvětlete ostatním, co je umělá inteligence, aniž byste zněli jako zmatený robot

Například pokud je nástroj prediktivní umělá inteligence, víte, že předpovídá pravděpodobnosti. Nemělo by se s ním zacházet jako s věštbou.

Pokud je nástroj generativní umělá inteligence, víte, že vytváří obsah, ale obsah je stále třeba kontrolovat.

Pokud je systém úzce zaměřený na umělou inteligenci, víte, že může být v jedné oblasti vynikající, ale mimo ni neefektivní.

Už jen to ušetří spoustu bolestí hlavy.

---

16. Rizika a omezení napříč typy umělé inteligence ⚠️

Každý typ umělé inteligence má svá omezení. Jiná příchuť, stejná polévka.

běžná rizika umělé inteligence patří:

• Zkreslení v tréninkových datech

• Nesprávné výstupy

• Nedostatek transparentnosti

• Obavy o soukromí

• Přílišná závislost

• Bezpečnostní zranitelnosti

• Zneužít

• Špatný lidský dohled

• Matoucí plynulost s pravdou

Generativní umělá inteligence si může vymýšlet informace. Prediktivní umělá inteligence může posilovat zkreslené vzorce. Počítačové vidění může chybně identifikovat lidi nebo objekty. Konverzační umělá inteligence může uživatele frustrovat falešnou sebedůvěrou. Robotická umělá inteligence může při špatném návrhu způsobit fyzickou újmu.

To neznamená, že umělá inteligence je špatná. Znamená to, že by se umělá inteligence měla používat s rozvahou. Stejně jako elektrické nářadí, smlouvy nebo extrémně pikantní nudle 🌶️.

Mezi nejlepší systémy umělé inteligence obvykle patří:

• Lidská kontrola

• Jasné hranice

• Důkladné postupy v oblasti dat

• Testování

• Monitorování

• Vysvětlitelnost, kde je to možné

• Etický design

• Bezpečnostní kontroly

Umělá inteligence může zesílit dobrá rozhodnutí. Může také zesílit ta nedbalá.

---

17. Který typ umělé inteligence je nejdůležitější?

Neexistuje jeden nejdůležitější typ. Záleží na případu použití.

Pro kreativitu je generativní umělá inteligence obrovským přínosem.

Pro obchodní plánování může být prediktivní umělá inteligence cennější.

Pro automatizaci, strojové učení a robotiku je důležitá umělá inteligence.

Pro uživatelskou podporu je hvězdou konverzační umělá inteligence.

Pro lékařské vyšetření nebo vizuální kontrolu je počítačové vidění zásadní.

V dlouhodobém výzkumu se největší filozofické pozornosti věnuje obecné umělé inteligenci.

Ale v praxi jsou v současnosti nejběžnějšími a nejcennějšími kategoriemi úzká umělá inteligence a umělá inteligence s omezenou pamětí. Jsou to tiché motory stojící za mnoha nástroji, na které se lidé již spoléhají.

Luxusní budoucnost se dostává na titulní stránky novin. Praktická přítomnost platí účty.

---

Závěrečné poznámky: Pochopení typů umělé inteligence bez šumu

Typy umělé inteligence se mohou zpočátku zdát složité, protože se kategorie překrývají. Jakmile ale oddělíte schopnosti, funkčnost, metodu trénování a praktické využití, celá věc se stane mnohem srozumitelnější.

Úzká umělá inteligence se zabývá specifickými úkoly. Obecná umělá inteligence by myslela flexibilněji, i když to zůstává ambiciózním cílem. Super umělá inteligence je stále spekulativní. Reaktivní stroje reagují bez paměti, zatímco umělá inteligence s omezenou pamětí využívá minulá data ke zlepšení rozhodnutí. Generativní umělá inteligence tvoří. Prediktivní umělá inteligence předpovídá. Konverzační umělá inteligence mluví. Počítačové vidění vidí. Robotická umělá inteligence působí ve fyzickém prostředí.

To je celkový obraz.

Umělá inteligence není jedna věc. Je to propletená rodina technologií – některé praktické, některé experimentální, některé přehnané a některé skutečně závažné. Tato složitost je jedním z důvodů, proč je důležitá. Čím jasněji pochopíte typy umělé inteligence, tím snazší bude umělou inteligenci moudře používat, místo abyste jen přikyvovali, když někdo na schůzce řekne „algoritmus“. 🤷♂️

Stručné shrnutí: Mezi hlavní typy umělé inteligence patří úzká umělá inteligence, obecná umělá inteligence, super umělá inteligence, reaktivní stroje, umělá inteligence s omezenou pamětí, umělá inteligence s teorií mysli, sebeuvědomělá umělá inteligence, generativní umělá inteligence, prediktivní umělá inteligence, konverzační umělá inteligence, umělá inteligence počítačového vidění, umělá inteligence strojového učení, umělá inteligence hlubokého učení a robotická umělá inteligence. Většina dnes používané umělé inteligence je úzká, zaměřená na úkoly a poháněná strojovým učením nebo hlubokým učením.

Příklad z reálného světa: Vytvoření asistenta zákaznické podpory s umělou inteligencí

Scénář

Představte si malý internetový obchod s nábytkem, který denně dostává přibližně 120 e-mailů se zákaznickou podporou. Tým se nesnaží nahradit pracovníky podpory. Chce jen pomoc s rychlejším tříděním zpráv, rozpoznáváním naléhavých problémů a psaním prvních odpovědí.

Toto je dobrý příklad, protože jeden asistent může používat několik typů umělé inteligence najednou. Může používat konverzační umělou inteligenci k pochopení zpráv zákazníků, generativní umělou inteligenci k vytváření odpovědí, prediktivní umělou inteligenci k označování pravděpodobných rizik vrácení peněz a umělou inteligenci s omezenou pamětí k použití dat o nedávných objednávkách nebo zásadách.

Úkol asistenta je jednoduchý: přečíst zprávu od zákazníka, zařadit ji, navrhnout další akci a napsat odpověď, kterou může schválit člověk.

Co asistent potřebuje

Tým by dal asistentovi:

Zásady zákaznického servisu

Pravidla pro doručování a vrácení zboží

Záruční podmínky

Často kladené otázky k produktům

Příklady tónu hlasu

Seznam pravidel eskalace

Ukázky starších vstupenek se správnými kategoriemi

Jasné limity toho, o čem nesmí samo rozhodovat

Například by neměla schvalovat vrácení peněz přesahující 100 liber, slibovat termíny dodání, které nemůže ověřit, ani uplatňovat právní nároky na poškozené zboží. Tyto případy by měly být řešeny osobně.

Příklad instrukce

Jste asistent zákaznické podpory pro online obchod s nábytkem. Přečtěte si každou zprávu od zákazníka a odešlete pět věcí: kategorii požadavku, úroveň naléhavosti, pravděpodobnou náladu zákazníka, doporučený další postup a koncept odpovědi.

Používejte pouze uvedené firemní zásady. Pokud odpověď v zásadách není, uveďte „Vyžaduje lidskou kontrolu“. Nevymýšlejte si dodací lhůty, schválení vrácení peněz, záruční sliby ani dostupnost produktů.

Pokud zákazník zmíní zranění, právní kroky, opakované neúspěšné doručení, vrácení peněz nad 100 liber, chybějící díly u dětského produktu nebo silnou nespokojenost po dvou předchozích odpovědích, eskalujte požadavek.

Návrh odpovědi udržujte zdvořilý, stručný a praktický. Neznějte roboticky. Neobviňujte zákazníka ani kurýra.

Jak to otestovat

Než začnete asistenta používat se zákazníky, vyzkoušejte ho na malé sadě starých lístků.

Použijte 30 předchozích zpráv podpory:

10 jednoduchých otázek týkajících se doručení

5 reklamací poškozených věcí

5 žádostí o vrácení peněz

5 otázek ohledně záruky

5 rozzlobených nebo složitých stížností

U každého testu zkontrolujte:

Vybrala se správná kategorie?

Označil správně naléhavé případy?

Vyhýbalo se slibům?

Vyhrotilo to citlivé otázky?

Odpovídal návrh odpovědi tónu společnosti?

Užitečná testovací otázka by mohla být:

„Můj stůl dorazil s jednou prasklou nohou a tohle je podruhé, co se doručení pokazilo. Chci ještě dnes plnou náhradu, jinak o tom všude napíšu.“

Slabý asistent by se mohl jednoduše omluvit a slíbit vrácení peněz. Lepší asistent by to klasifikoval jako poškozenou položku a opakovanou reklamaci, označil by to jako vysoce naléhavé, vyhnul by se automatickému schválení vrácení peněz a eskaloval by to k lidskému posouzení.

Výsledek

Ilustrativní výsledek: na základě načasování 30 vzorových tiketů před a po použití pracovního postupu.

Manuální třídění trvalo 2 hodiny 15 minut u 30 lístků, v průměru 4,5 minuty na lístek.

Třídění s využitím umělé inteligence trvalo u stejných 30 tiketů 48 minut, v průměru 1,6 minuty na tiket, protože lidský kontrolor musel zkontrolovat pouze kategorii, rozhodnutí o eskalaci a koncept odpovědi.

Asistent správně kategorizoval 27 z 30 tiketů v testovací sadě. Správně eskaloval všech 5 vysoce rizikových tiketů. Dva tikety s žádostí o vrácení peněz potřebovaly úpravy formulace, protože návrh zněl příliš jistě, a jeden tikety s žádnou zárukou byly zařazeny do nesprávné kategorie.

To poskytuje praktický referenční bod: rychlejší první kontrola, ale ne plná automatizace. Člověk stále odpovídá za odpověď.

Co se může pokazit

Největší chybou je nechat asistenta předstírat, že ví víc, než ve skutečnosti je. Pokud jsou pravidla pro vrácení zboží zastaralá, asistent si může s jistotou napsat špatnou odpověď. Pokud jsou pravidla pro eskalaci vágní, může přehlédnout závažné stížnosti.

Soukromí je dalším problémem. Tým by se měl vyvarovat vkládání zbytečných platebních údajů, adres nebo citlivých osobních údajů do asistenta, pokud systém pro toto použití není schválen.

Asistent by měl být také pravidelně testován. Mění se dotazy zákazníků, mění se zásady i produkty. Asistent pro třídění, který v březnu fungoval dobře, se může po nové záruční politice v červnu stát rizikovým.

Praktické ponaučení

Tento příklad ukazuje, proč se kategorie umělé inteligence v praxi překrývají. Jeden podpůrný asistent může být zároveň úzko zaměřená umělá inteligence, konverzační umělá inteligence, generativní umělá inteligence, prediktivní umělá inteligence a umělá inteligence s omezenou pamětí. Důkladnějším způsobem, jak ho posoudit, je zeptat se, jaké rozhodnutí podporuje, jaká data používá a kde ho člověk potřebuje zkontrolovat.

Často kladené otázky

Jaké jsou hlavní typy umělé inteligence, které by měli začátečníci znát?

Mezi hlavní typy umělé inteligence patří úzká umělá inteligence, obecná umělá inteligence, super umělá inteligence, reaktivní stroje, umělá inteligence s omezenou pamětí, generativní umělá inteligence, prediktivní umělá inteligence, konverzační umělá inteligence, umělá inteligence počítačového vidění, umělá inteligence strojového učení, umělá inteligence hlubokého učení a umělá inteligence robotiky. Tyto kategorie se často překrývají, takže jeden nástroj může odpovídat několika označením současně. Například chatbot může být úzká umělá inteligence, konverzační umělá inteligence, generativní umělá inteligence a umělá inteligence s omezenou pamětí.

Jak se typy umělé inteligence klasifikují podle schopností?

Umělá inteligence se podle schopností obvykle dělí na úzkou umělou inteligenci, obecnou umělou inteligenci a super umělou inteligenci. Úzká umělá inteligence zvládá specifické úkoly a dnes se široce používá. Obecná umělá inteligence by uvažovala a učila se v mnoha úkolech na lidské úrovni, ale není součástí každodenního používání. Super umělá inteligence by překonala lidskou inteligenci a zůstává spekulativní.

Jaký je rozdíl mezi úzkou umělou inteligencí a obecnou umělou inteligencí?

Úzká umělá inteligence je navržena pro konkrétní úkol nebo omezený soubor úkolů, jako je filtrování spamu, doporučení, chatboti nebo detekce podvodů. Obecná umělá inteligence by se měla učit, uvažovat a přizpůsobovat se mnoha nesouvisejícím úkolům. Většina umělé inteligence, kterou dnes lidé používají, je úzká umělá inteligence, i když se zdá být flexibilní nebo pokročilá.

Proč je dnes umělá inteligence s omezenou pamětí tak běžná?

Umělá inteligence s omezenou pamětí může využívat minulá i nedávná data ke zlepšení rozhodování, což ji činí praktickou pro mnoho nasazených systémů. Na tento druh umělé inteligence se často spoléhají doporučovací nástroje, nástroje pro detekci podvodů, funkce samořídící se techniky a chatboti. Nemá lidské vědomí, ale dokáže se přizpůsobit na základě vzorců a uložených informací.

Jak generativní umělá inteligence zapadá do typů umělé inteligence?

Generativní umělá inteligence je typ umělé inteligence, která vytváří nové výstupy, jako je text, obrázky, kód, zvuk, video, shrnutí nebo nápady na design. Učí se vzory z velkého množství dat a na základě pokynů vytváří obsah. Může pomoci s tvorbou návrhů, brainstormingem, podporou kódování a kreativní prací, ale její výstupy stále vyžadují lidskou kontrolu.

Jaký je rozdíl mezi strojovým učením a hlubokým učením?

Strojové učení je odvětví umělé inteligence, kde se systémy učí vzory z dat, místo aby se řídily pouze ručně psanými pravidly. Hluboké učení je specializovaná forma strojového učení, která využívá vrstvené neuronové sítě. Hluboké učení je obzvláště cenné pro složité úkoly, jako je rozpoznávání řeči, rozpoznávání obrázků, zpracování přirozeného jazyka, překlad, lékařské zobrazování a generativní umělá inteligence.

K čemu se prediktivní umělá inteligence používá v podnikání?

Prediktivní umělá inteligence využívá data k odhadování pravděpodobných budoucích výsledků. Firmy je mohou využít pro plánování poptávky, predikci odchodu zákazníků, detekci podvodů, bodování rizik, rozhodování o zásobách nebo prognózování údržby. Podporuje plánování a rozhodování, ale nezaručuje budoucnost. Predikce jsou odhady formované dostupnými daty a kvalitou modelu.

Jak funguje umělá inteligence počítačového vidění v praktických systémech?

Počítačové vidění (AI) pomáhá strojům interpretovat vizuální informace z obrázků, videí, kamer, skenů nebo senzorů. Může podporovat rozpoznávání obličejů, detekci objektů, inspekci továren, lékařské zobrazování, detekci dopravy, analýzu maloobchodu, monitorování zemědělství a bezpečnostní systémy. Nevidí jako člověk, ale dokáže zpracovávat pixely, tvary, barvy a vzory ve velkém měřítku.

Proč může jeden produkt umělé inteligence patřit do více typů umělé inteligence?

Kategorie umělé inteligence často popisují různé věci, jako jsou schopnosti, funkčnost, metoda trénování nebo aplikace. Hlasový asistent může být například úzko zařazen do kategorie umělé inteligence podle schopností, konverzační umělá inteligence podle aplikace, omezená paměťová umělá inteligence podle funkčnosti a umělá inteligence s hlubokým učením podle architektury. Toto překrývání je normální a pomáhá vysvětlit, co systém dělá z různých úhlů pohledu.

Jaká rizika by si lidé měli u různých typů umělé inteligence uvědomit?

Mezi běžná rizika umělé inteligence patří zkreslení, nesprávné výstupy, obavy o soukromí, bezpečnostní zranitelnosti, nedostatek transparentnosti, přílišná závislost a slabý lidský dohled. Generativní umělá inteligence si může vymýšlet informace, prediktivní umělá inteligence může posilovat špatné vzorce a počítačové vidění může chybně identifikovat objekty nebo osoby. Správné používání umělé inteligence obvykle vyžaduje testování, monitorování, jasné hranice, silné datové postupy a lidskou kontrolu.

Reference

1. IBM - Typy umělé inteligence - ibm.com

2. Rámec NIST pro řízení rizik v oblasti umělé inteligence - Rizika umělé inteligence - nist.gov

3. Vývojáři Google - Strojové učení - developers.google.com

4. AWS – Generativní umělá inteligence – aws.amazon.com