החלק שבו מצגת ה-PPT מנסה לגרום לבינה מלאכותית להיראות פשוטה
העניין עם קבלת החלטות בבינה מלאכותית הוא שכולם מעמידים פנים שהם מבינים את זה - עד שהיא מקבלת החלטה מבריקה או נופלת על הפנים בטעות ברורה. ואז פתאום זה "מסובך מדי" או "קופסה שחורה", כאילו המתמטיקה החליקה על קליפת בננה. אם אי פעם ישבתם דרך מצגת PPT בנושא קבלת החלטות בבינה מלאכותית, אתם מכירים את השגרה: חיצים גדולים, תרשימי זרימה וקטעי קליפ ארט שמציעים הכרחיות. זה לא הכרחי. אלה בחירות לכל אורך הדרך.
זהו צלילה עמוקה לתוך אלגוריתמים - האמיתיים - המשמשים לקבלת החלטות בבינה מלאכותית. לא מצגת עם חיצים מרובעים. המטרה היא לחתוך דרך התיאטרון של "הבינה המלאכותית תחליט עבורנו" ולדבר על איך המערכות האלה באמת בוחרות. ספוילר: הן פחות כמו אורקלים יודעי כל ויותר כמו אנשים הגיוניים מהירים מאוד ומאוד מילוליים שמעולם לא היו צריכים לשבת בפקקים או לנהל משא ומתן על שעת השינה של פעוט.
למה אנחנו מתכוונים ב"קבלת החלטות בבינה מלאכותית" (ומה שמצגות PPT לעתים רחוקות מודות בו)
"קבלת החלטות בבינה מלאכותית" נשמעת נשגבת, אבל בפועל זהו אוסף של טכניקות: חשיבה מבוססת כללים, חיפוש, אופטימיזציה, הסקה הסתברותית, למידת חיזוק, תכנון ומערכות היברידיות שתופרות את כל הבלאגן הזה יחד. האלגוריתמים לא "רוצים" שום דבר. הם מבצעים אופטימיזציה של פונקציות ספציפיות תחת אילוצים ספציפיים. החליפו את הפונקציה או את האילוצים ותקבלו "אינטליגנציה" אחרת. אם זה נשמע מובן מאליו, מזל טוב - אתם מקדימים חצי מהמצגות ב-SlideShare.
הבעיה האמיתית ברוב מצגות ה-PPT בנושא קבלת החלטות בבינה מלאכותית היא לא שהן מפשטות. זה שהן מפשטות בכיוון הלא נכון. הן מרמזות שמודלים מחליטים כי הם "למדו". למידה היא לא החלטה. למידה מביאה אותך למדיניות או מודל; קבלת החלטות היא הפעלת המדיניות הזו בהקשר שלעולם לא יהיה בדיוק כמו נתוני האימון. ההבדל בין שינון פתיחת שחמט להישרדות בתוהו ובוהו של אמצע המשחק - הראשון נראה טוב בנקודת תבליט; האחרון הוא מה שמנצח.
הכלים האמיתיים: מכללים לתגמולים
בואו נלך על הסטאק, מהדברים שנשמעים מוזרים (אבל עדיין חשובים) לטכניקות שמפעילות מערכות מודרניות. דיבור רגיל, בלי רומנטיקה.
מערכות מבוססות כללים: עדיין לא מתות, רק כנות
כללים מביכים כמה אנשי בינה מלאכותית, כמו לנעול גרביים עם סנדלים. אבל לקבלת החלטות מבוססת כללים יש יתרון גדול אחד: שקיפות. אם מצגת PPT בנושא קבלת החלטות בבינה מלאכותית מדלגת על כללים כ"מורשת", היא מסתירה חצי מהסיפור. מערכות מומחים מקודדות ידע תחום כמשפטי אם–אז. הם שבירים, כן, אבל הם ניתנים לביקורת. כשאתם צריכים דטרמיניזם ועקיבות - בדיקות תאימות, פרוטוקולי מיון רפואי - כללים לא רק עדיין עובדים; הם עובדים טוב יותר.
- יתרונות: דטרמיניסטי, ניתן להסברה, קל לאיתור באגים
- חסרונות: שביר, קשה להרחבה על פני תחומים מבולגנים
אתם יודעים מתי מערכת כללים נכשלת כי היא אומרת לכם. רוב המערכות המודרניות נכשלות בשקט.
חיפוש ואופטימיזציה: החלטות כניווט
לפני שאילפנו הכל על אוקיינוסים של נתונים, חיפשנו. חיפוש לרוחב, חיפוש לעומק, A*, חיפוש קרן. זה לא זוהר, אבל בכל פעם שאתם פותרים בעיית מציאת נתיב - ממש או באופן מטפורי - חיפוש הוא עמוד השדרה. A* עם היוריסטיקה טובה מנצח מודל "חכם" עם מטרה טיפשה.
אופטימיזציה מכלילה את זה: אתם מגדירים פונקציית מטרה ואילוצים, ואז דוחפים לעבר הפתרון הטוב ביותר שאתם יכולים להרשות לעצמכם עם המחשוב שיש לכם. תכנות ליניארי, תכנות מעורב שלמים, אלגוריתמים אבולוציוניים - מרק האלפבית של מעבר מ"כמעט טוב" ל"טוב מספיק" תחת מועד אחרון.
- יתרונות: ערבויות ניתנות להוכחה, פשרות ניתנות לשליטה
- חסרונות: מידול קשה; ניתן לציין מטרות באופן שגוי בדרכים עדינות וקטסטרופליות
כאשר מודל עושה משהו מוזר, זה לרוב בגלל שקיבלתם בדיוק את מה שביקשתם - רק לא את מה שהתכוונתם.
חשיבה הסתברותית: אי ודאות היא תכונה
רשתות בייסיאניות, מודלים נסתרים של מרקוב, מסנני קלמן: הקלאסיקות. במקום להעמיד פנים שהעולם בטוח, השיטות האלה שומרות רישום שוטף של אי ודאות ובוחרות פעולות שמגדרות נגדה. במילים אחרות, ריאליזם.
- יתרונות: עקרוני תחת אי ודאות; מבנה ניתן לפירוש
- חסרונות: קנה מידה לבלאגן רב ממדי הוא כואב; הנחות נושכות בחזרה
שיטות הסתברותיות הן מה שרוב מצגות ה-PPT בנושא קבלת החלטות בבינה מלאכותית מסמנות עם "ציוני ביטחון". ביטחון הוא לא הסתברות. הסתברות היא מתמטיקה עם קבלות.
למידת חיזוק: תגמולים יוצרים את הכללים
למידת חיזוק - Q-learning, שיפועי מדיניות, גרסאות של שחקן-מבקר - ממסגרת קבלת החלטות כניסוי וטעייה עם לוח תוצאות. אתם בוחרים פעולות, הסביבה נותנת לכם תגמולים, ואתם דוחפים את המדיניות שלכם לכיוון פעולות שמשתלמות לאורך זמן. כאן הבינה המלאכותית באמת "מחליטה", במובן זה שהיא משחקת משחק - המשחק שעיצבתם, בין אם הבנתם את זה ובין אם לא.
- יתרונות: חזק למשימות החלטה רציפות; לומד אסטרטגיות שלא קידדתם במפורש
- חסרונות: פריצת תגמולים; חוסר יעילות לדוגמה; הכללה שבירה כשהעולם משתנה אפילו קצת
אנשים אוהבים לטעון שלמידת חיזוק היא "כמו איך שבני אדם לומדים". לא ממש. לבני אדם יש קדימויות, גופים, שעמום ושכל ישר. לסוכני RL יש פונקציית תגמול וסבלנות אינסופית לנסות שטויות עד שזה עובד.
תכנון ו-POMDPs: העולם גלוי למחצה
קבלת החלטות בעולם האמיתי מגיעה לעתים רחוקות עם מידע מושלם. Partially Observable Markov Decision Processes (POMDPs) מדגמנים את אי הוודאות הזו במפורש: אתם לא יודעים את המצב, רק תצפיות שמרמזות עליו. תכנון תחת יכולת תצפית חלקית מאלץ אתכם לשמור על מצב אמונה - מונח מפואר ל"מה שאנחנו חושבים שקורה, בהתחשב במה שראינו".
- יתרונות: כנה לגבי אי ודאות; יסודות פורמליים לפעולה הגיונית
- חסרונות: קשה מבחינה חישובית; קירובים הם רע הכרחי
אם מצגת ה-PPT שלכם בנושא קבלת החלטות בבינה מלאכותית לא לוחשת לפחות "POMDP", היא מתייחסת למציאות כאל הגדרה אופציונלית.
מערכות היברידיות ושילובי Neuro-Symbolic
רשתות עצביות רואות ומתייגות; מערכות סמליות מסבירות ומגבילות. הדביקו אותם יחד ותקבלו משהו שימושי. מודל ראייה לתפיסה, כללים לבטיחות. מודל שפה לפעולות מועמדות, מתכנן להיתכנות. הכלאות אלה הן לא רק טרנדיות; הן משקפות צניעות הנדסית: השתמשו במודל נלמד היכן שהתפיסה קשה, השתמשו בלוגיקה מפורשת היכן שההימור גבוה.
- יתרונות: פרקטי, ניתן לשליטה, הטוב משני העולמות
- חסרונות: כאבי ראש בשילוב, ממשקים שבירים, מורכבות משוכפלת
לולאת ההחלטה: OODA למכונות, עם פחות ראשי תיבות
רוב מערכות קבלת ההחלטות של הבינה המלאכותית מריצות לולאה: צפו, הסיקו, תכננו, פעלו, חזרו. מצגות השקופיות אוהבות עיגולים וחיצים; החלק החשוב הוא מתח. כל שלב מתפשר. צפו (אבל לא על הכל). הסיקו (אבל שמרו על אי הוודאות שלכם). תכננו (אבל תחת זמן). פעלו (אבל אל תשמידו את העולם).
- תפיסה לסמלים: מנתונים גולמיים לתכונות. תאבדו מידע, בתקווה את המידע הנכון.
- חיזוי לאמונה: מתכונות להתפלגות על פני מה שקורה בפועל.
- ממדיניות לתכנון: מאמונה נוכחית לרצף פעולות, המוגבל על ידי מחשוב ותיאבון לסיכון.
- פעולה למשוב: פעלו, מדדו תוצאות, עדכנו אמונות ופרמטרים. אם הלולאה שלכם לא משתפרת עם ניסיון, זו אוטומציה, לא בינה מלאכותית.
הטעות הגדולה ביותר במצגת PPT בנושא קבלת החלטות בבינה מלאכותית היא להעמיד פנים שהלולאה נקייה. בייצור, חיישנים נסחפים, בני אדם מתערבים ומדדים נלחמים זה בזה. מערכות נהדרות הן אלה שמדרדרות בחן כשהעולם מושך בכתפיו.
צלילה עמוקה לתוך אלגוריתמים (ללא רוטב מילות הבאז)
בואו באמת נציץ באלגוריתמים שאנשים משתמשים בהם - מה הם פותרים, איך הם נכשלים והיכן הם זורחים.
שודדים מרובי זרועות: חקירה ללא הדרמה
כשאתם צריכים לאזן בין ניסיון דברים חדשים לניצול מה שעובד - בחירת מודעות, שינויים בהמלצות, ניסויי UI - שודדים מרובי זרועות מנצחים בדיקות A/B למהירות. דגימת תומפסון היא המועדפת הפרגמטית: בייסיאנית, פשוטה, יעילה. היא לא מעמידה פנים שהיא סוכן RL מלא. היא טובה יותר בשביל זה.
- השתמשו בה עבור: קבלת החלטות מקוונת מהירה עם משוב
- אל תשתמשו בה עבור: אסטרטגיה ארוכת טווח, תלותיות מורכבות, כל דבר קריטי לבטיחות
חיפוש עץ מונטה קרלו: משחק תובנה בתקציב
MCTS דוגם עתידים, לא את כולם, רק מספיק מהסבירים. זה המקביל האלגוריתמי של "בואו נחשוב על זה, אבל לא כל אחר הצהריים". במשחקים ותכנון מובנה, הוא מנצח. בבלאגן פתוח, הוא הוזה מבנה שאינו קיים.
- נהדר עבור: חללי החלטה תחומים ומודלים היטב (משחקים, תכנון מוגבל)
- חלש עבור: תוהו ובוהו לא מודל (בני אדם, שווקים, Twitter)
תכנות דינמי: אופטימלי עם תפיסה
משוואות בלמן, איטרציית ערך, איטרציית מדיניות. תכשיטי הכתר של תורת הבקרה, עם כתר העשוי מצמיחה אקספוננציאלית. אם מרחב המדינה מתפוצץ, כך גם האופטימיות שלכם.
- נהדר עבור: עולמות מרקוביאניים קטנים עד בינוניים עם דינמיקה ידועה
- חלש עבור: כל השאר, אלא אם כן אתם מבצעים קירוב (מה שאומר, תמיד)
היוריסטיקות ומטהיוריסטיקות: סוסי העבודה הלא יומרניים
חישול מדומה, חיפוש טאבו, אלגוריתמים גנטיים. אלה "נסו הרבה דברים, שמרו על הטוב ביותר, המשיכו" מהוללים. זו לא עלבון. רוב ההחלטות האמיתיות נראות כך בקנה מידה מכיוון שהמציאות לא תיתן לכם לשבת ולפתור משוואה מדויקת בזמן שהשעון אוזל.
- נהדר עבור: בעיות קומבינטוריות קשות שבהן אופטימלי הוא פנטזיה
- חלש עבור: תחומים שבהם ערבויות חשובות יותר ממהירות
מודלים סיבתיים: מכיוון שמתאם הוא רמאי
קבלת החלטות סיבתיות - כן, פרל, גרפים, התערבויות - נותנת לכם דרך לשאול "מה אם באמת נשנה משהו?" במקום "מה קרה בפעם האחרונה?". אם מצגת ה-PPT שלכם בנושא קבלת החלטות בבינה מלאכותית לא מזכירה הסקה סיבתית, אבל המוצר שלכם מקבל החלטות שמשפיעות על אנשים, אתם בונים מנוע המלצות לחרטה.
- נהדר עבור: מדיניות, רפואה, שינויי מוצר עם השפעות מסדר שני
- חלש עבור: משימות חיזוי טהורות שבהן עובדות נגדיות לא משנות
שתי הבעיות הקשות: מטרות ואילוצים
השקר הראשון בקבלת החלטות בבינה מלאכותית הוא שאנחנו מבצעים אופטימיזציה של "ביצועים". אופטימיזציה של מה, בדיוק? קליקים? זמן פעולה? הכנסות? בטיחות? הוגנות? חביון? אם אתם לא מפרטים את זה, אין לכם מערכת - יש לכם משאלה. פונקציית המטרה היא המוצר. התייחסו אליה כמו אל נוסח משפטי סטנדרטי והיא תנשוך כמו נוסח משפטי סטנדרטי.
- פשרות מרובות מטרות אינן באגים. זו העבודה. שקלו אותם במפורש, מדדו את הכאב בכנות ואל תעמידו פנים שחזיתות פארטו הן מצפנים מוסריים.
- אילוצים אינם מחשבות שניות. הם איך שאתם מגבילים נזק. אילוצים קשים (לא, באמת, לעולם אל תחרגו מ-X) שונים מעונשים רכים (בבקשה אל תחרגו מ-X אלא אם כן זה רווחי). כתבו אותם כאילו אתם מתכוונים לזה.
ההונאה העצמית האהובה על התעשייה היא לחשוב שיותר נתונים מתקנים מטרה גרועה. זה לא. זה עושה את הדבר הלא נכון ליעיל מאוד.
יכולת הסברה אינה אופציונלית; זה הקשר
הדחיפה לבינה מלאכותית ניתנת להסברה ממוסגרת לעתים קרובות כמטרד תאימות. זה הפוך. "יכולת הסברה" היא איך שאתם בונים אמון עם האנשים שמסתמכים על ההחלטה - גם אם הם מהנדסים. אתם צריכים לדעת למה המודל אמר "פנה שמאלה", לא כדי לפייס רגולטור, אלא כדי לאתר באגים בהתרסקות לפני שהיא קורית שוב.
- הסברים פוסט-הוק (מפות בולטות, SHAP) עדיפים על כלום, אבל הם שפתון - שפתון שימושי - על חזיר שאולי הוא סוס מרוץ.
- פרשנות מובנית (מודלים מונוטוניים, מודלים תוספיים מוכללים, כללים עם ספי התחלואה נלמדים) סוחרת קצת דיוק גולמי עבור התנהגות צפויה. בתחומים רבים, זה מציאה.
אם מצגת ה-PPT שלכם בנושא קבלת החלטות בבינה מלאכותית מציגה מפת חום צבעונית וקוראת לה יום, למדתם בדיוק איך לא להריץ מערכת בייצור.
מודלים גדולים של שפה ואשליית ההחלטה
כן, LLMs יכולים להחליט - או לפחות הם יכולים להציע החלטות ברהיטות מוזרה. הם נהדרים בשרטוט חללי אפשרויות, רישום פשרות, אפילו כתיבת הפיגומים סביב לולאת תכנון. אבל החלק המפתה הוא החלק הגרוע ביותר: הם נשמעים בטוחים בעצמם גם כשהם ממציאים את זה.
הדפוס הבטוח הוא לא "תן למודל להחליט". זה: תן למודל להציע, להגביל עם כללים, לאמת עם מתכנן או אופטימיזטור ולתעד כל שלב. שימו LLMs בלולאה, לא בהגה. לא הייתם נותנים לתיקון שגיאות אוטומטי לנהוג במכונית שלכם.
משקופיות למערכות: מה באמת עובד בייצור
מערכת קבלת החלטות פונקציונלית בבינה מלאכותית לא נראית כמו שקופית. זה נראה כמו:
- מטרה ברורה המשקפת מציאות, לא תקווה.
- אילוצים קשים היכן שהם חייבים להיות, רכים היכן שהם יכולים להיות.
- צינור נתונים שמודה בחלקים החסרים שלו.
- מנוע החלטות שמשלב שיטות: תפיסה נלמדת, הסקה הסתברותית ומדיניות שיכולה לומר "אני לא בטוח".
- יכולת תצפית: מעקב, הסברים וגלגול לאחור.
- פיקוח אנושי עם סמכות לבטל.
החלק האחרון הזה נחשב למגושם בחוגים מסוימים. "הבינה המלאכותית צריכה להיות אוטונומית." אולי. או שאולי צניעות מקצועית מנצחת מאצ'יזם של הודעות לעיתונות.
שאלת ה"כלים" הבלתי נמנעת
אתם יכולים להרכיב את מחסנית ההחלטות הזו עם קבוצה של ספריות ושירותים. רבים טובים. פחות עקביים. ההגדרות הטובות ביותר מצמצמות חיכוך - יצירת הנחיות, בדיקת פלטים, שרשור חשיבה, בדיקת מקרי קצה - ומקלות על הצבת מעקות בטיחות היכן שהם חשובים.
שקלו את Sider.AI כדוגמה מעשית. היא לא מנסה למכור לכם יצור תבוני. זה כלי שעוזר באמת להיאבק באמצע המבולגן: ניסוח שרשראות חשיבה, השוואת אפשרויות אלגוריתמיות ושילוב סיוע LLM היכן שהוא פרודוקטיבי במקום ביצועי. היא טובה בחלקים הלא סקסיים - איטרציה, בדיקה ו"מה השתנה בין גרסה 12 ל-13?". בעולם של הייפ, "עובד באמת" הוא כוח על. מיתוסים נפוצים ממסלול ה-PPT של קבלת החלטות בבינה מלאכותית
- מיתוס: "יותר נתונים מנצחים מודלים טובים יותר." לפעמים. לעתים קרובות זה מנצח חשיבה רעה. מטרה ברורה עם נתונים צנועים יכולה לעלות על צינור כיבוי אש המכוון למדד הלא נכון.
- מיתוס: "קופסה שחורה היא בלתי נמנעת." לא. זה לפעמים נוח. אתם יכולים לבנות שכבות ניתנות לפירוש סביב ליבות אטומות. אתם רק צריכים לדאוג.
- מיתוס: "חקירה מסוכנת." בטח - וכך גם קיפאון. שודדים קיימים מסיבה כלשהי.
- מיתוס: "אוטונומיה היא המטרה." אוטונומיה היא אמצעי. אמינות היא המטרה.
מקרים לדוגמה: היכן שהגומי פוגש את הכביש
- ניתוב לוגיסטי: A* להיתכנות, MILP לעלות, היוריסטיקות לתוהו ובוהו של מייל אחרון. פזרו תחזית ביקוש עם אי ודאות ותקבלו מערכת חזקה. לא, רשת עמוקה אחת מקצה לקצה לא תעשה טוב יותר בשבוע השני כשהעיר סוגרת גשר.
- מיון רפואי: כללים לבטיחות קשה, מודלים הסתברותיים לניקוד סיכון, אדם בלולאה לחריגים. המעלה של המערכת אינה מהירות; היא יודעת מתי להאט.
- בקרת תוכן: מסווג למיון, כללי מדיניות לאילוצים משפטיים, פניות לבני אדם. אתם לא "תפתרו" את זה, אתם תנהלו את זה - כמו כיסוח דשא שגדל הצידה.
איך לשפוט מערכת החלטות (לא את המצגת)
שאלו שלוש שאלות:
- מה בדיוק אתם מבצעים אופטימיזציה? אם התשובה אורכת יותר ממשפט אחד או פחות ממשפט אחד, תדאגו.
- מה קורה כשהעולם משתנה? אם התשובה היא "אימון מחדש", הם לא חשבו על סחף.
- איך אתם יודעים מתי אתם טועים? אם התשובה היא שתיקה, תתרחקו.
בניית צלילה עמוקה משלכם: מתאר מעשי
אם אתם מרכיבים מצגת PPT משלכם בנושא קבלת החלטות בבינה מלאכותית - כי כולנו אשמים, בסופו של דבר - בנו אותה סביב יושר:
- התחילו עם לולאת ההחלטות ופונקציית המטרה שלכם. שקופית אחת, טקסט רגיל.
- הפרידו "למידה" מ"החלטה". שתי שקופיות, דוגמאות בלבד.
- הראו את האילוצים שלכם ולמה הם קשים. שקופית אחת, בלי לשון נקייה.
- בחרו את האלגוריתמים לתפיסה, הסקה, תכנון. עבור כל אחד, רשמו מצבי כשל.
- הסבירו ניטור: סחף, ביטולים, ספרי משחקים של תקריות.
- סיימו עם סיכונים שלא נפתרו. אם אין לכם כאלה, לא סיימתם.
הכוח השקט של אמירת "אני לא יודע"
מערכות בינה מלאכותית צריכות להיות מסוגלות להימנע. תקראו לזה קבלת החלטות מודעת-אי-ודאות, חיזוי סלקטיבי, מה שתרצו. היכולת להגיד "פס" היא ההבדל בין כלי לבין נטל. בני אדם עושים זאת באופן אינסטינקטיבי. בנינו יותר מדי מערכות שלא מסוגלות לכך.
לאן זה מביא אותנו
קבלת החלטות בבינה מלאכותית אינה קסם, וצלילה עמוקה לתוך אלגוריתמים לא צריכה להיראות כמו מצגת משקיעים לדת חדשה. מדובר בהנדסה - מטרות מוגדרות בקפידה, אילוצים מפורשים, אי-ודאות גלויה ונכונות להחליף אלגנטיות באמינות. בפעם הבאה שמצגת {PPT} מספרת לכם שהמערכת "למדה להחליט", שאלו מה קורה כשהגשר הרוס, המדד שגוי או שהמשתמש עושה משהו שאף אחד לא צפה.
אם התשובה היא חץ גדול יותר, יש לכם את ההחלטה.
נספח מודע למילות מפתח (ללא דחיסת מילות מפתח)
- קבלת החלטות בבינה מלאכותית: תרגול של בחירת פעולות בתנאי אי ודאות תוך שימוש במטרות ואילוצים מפורשים.
- צלילה עמוקה לתוך אלגוריתמים: לא מטאפורה - חיפוש, אופטימיזציה, הסקה הסתברותית, למידת חיזוק, תכנון, מודלים סיבתיים, שילובים.
- לקח מעשי: שלבו שיטות, הקשיחו אילוצים, אמצו אי ודאות, מדדו הכל והתנגדו לדחף להעמיד פנים שמצגת שקופיות היא מערכת.
שאלות נפוצות
ש1: מהי בעצם קבלת החלטות בבינה מלאכותית?
זהו בחירת פעולות בתנאי אי ודאות עם מטרה ואילוצים מפורשים - לא תחושות. החלק המעניין הוא לא המודל; זה איך המודל, הנתונים ומנגנוני הבטיחות עובדים יחד כאשר העולם מסרב להתאים למערך האימונים.
ש2: אילו אלגוריתמים חשובים לצלילה עמוקה לקבלת החלטות בינה מלאכותית?
חיפוש, אופטימיזציה, חשיבה הסתברותית, למידת חיזוק, תכנון ומודלים סיבתיים הם עמוד השדרה. מערכות היברידיות המשלבות תפיסה נלמדת עם כללים סמליים הן אלו שבעצם שורדות בייצור.
ש3: האם מודלים גדולים של שפה טובים לקבלת החלטות?
הם נהדרים בהצעת אפשרויות ותוכניות פיגומים, אבל נוראיים כמקבלי החלטות ללא ביקורת. השתמשו ב-{LLM} בלולאה: הציעו, הגבילו, אשרו - ואז רשמו כל שלב כאילו תצטרכו להסביר זאת לעורך דין.
ש4: איך אני נמנע מהטעויות הגדולות ביותר במצגת {PPT} בנושא קבלת החלטות בבינה מלאכותית?
הפרידו למידה מהחלטה, הגדירו את המטרה ובארו אילוצים. הציגו מצבי כשל וניטור - אם המצגת שלכם מלאה בחצים ולא בפשרות, זה תיאטרון, לא הנדסה.
ש5: איפה Sider.AI משתלבת בתהליכי עבודה של קבלת החלטות בינה מלאכותית?
Sider.AI עוזרת עם האמצע המבולגן - יצירה, השוואה ובדיקה של תהליכי עבודה של הסקת מסקנות - כך שתוכלו למקם את סיוע ה-{LLM} במקום שבו הוא עובד במקום שבו השיווק היה רוצה שהוא יעבוד. חישבו על איטרציה מעשית, לא שרביט קסמים. 
