Dalis, kurioje PPT bando pavaizduoti AI kaip paprastą dalyką
Sprendimų priėmimas dirbtiniame intelekte yra toks dalykas, kur visi apsimeta jį suprantantys – kol jis arba nepriima genialaus sprendimo, arba neįklimpsta į akivaizdžią klaidą. Tada staiga jis tampa „pernelyg sudėtingas“ arba „juodąja dėže“, tarsi matematika būtų paslydusi ant banano žievės. Jei kada nors dalyvavote pristatyme „Sprendimų priėmimas dirbtiniame intelekte“ (angl. Decision Making in Artificial Intelligence PPT), žinote tą rutiną: didelės rodyklės, schemos ir iliustracijos, kurios sufleruoja neišvengiamybę. Tai nėra neišvengiama. Tai nuolatiniai pasirinkimai.
Tai yra gilus nardymas į algoritmus – tikrus algoritmus – naudojamus AI sprendimų priėmimui. Ne skaidrių rinkinys su kampuotomis rodyklėmis. Tikslas yra peržengti tą „AI nuspręs už mus“ teatrą ir pakalbėti apie tai, kaip šios sistemos iš tikrųjų renkasi. : jos mažiau panašios į visaregius orakulus ir labiau į labai greitus, labai tiesmukiškus argumentuotojus, kuriems niekada nereikėjo sėdėti spūstyse ar derėtis dėl vaiko miego laiko.
Ką mes turime omenyje sakydami „Sprendimų priėmimas AI“ (ir ką PPT retai pripažįsta)
„Sprendimų priėmimas dirbtiniame intelekte“ skamba iškilmingai, bet praktiškai tai yra technikų rinkinys: taisyklėmis pagrįstas argumentavimas, paieška, optimizavimas, tikimybinis išvedimas, sustiprintas mokymasis, planavimas ir hibridinės sistemos, kurios visą šią netvarką sujungia. Algoritmai nieko „nenori“. Jie optimizuoja konkrečias funkcijas esant konkretiems apribojimams. Pakeiskite funkciją arba apribojimus ir gausite kitą „intelektą“. Jei tai skamba akivaizdžiai, sveikiname – jūs esate priekyje pusės „SlideShare“ skaidrių rinkinių.
Tikroji problema su dauguma „Sprendimų priėmimas dirbtiniame intelekte“ (angl. Decision Making in Artificial Intelligence PPT) pristatymų yra ne ta, kad jie supaprastina. Problema ta, kad jie supaprastina neteisinga kryptimi. Jie nurodo, kad modeliai nusprendžia, nes jie „išmoko“. Mokymasis nėra sprendimas. Mokymasis suteikia jums politiką ar modelį; sprendimų priėmimas yra tos politikos vykdymas kontekste, kuris niekada nėra visiškai toks, kaip mokymo duomenys. Skirtumas tarp šachmatų debiuto įsiminimo ir išgyvenimo chaose žaidimo viduryje – pirmasis gerai atrodo punkte su ženkleliu; pastarasis yra tai, kas laimi.
Tikrieji įrankiai: nuo taisyklių iki atlygio
Eikime per visą rinkinį, nuo dalykų, kurie skamba senamadiškai (bet vis dar svarbūs), iki technikų, kurios maitina šiuolaikines sistemas. Paprasta kalba, be romantikos.
Taisyklėmis pagrįstos sistemos: vis dar nemirė, tiesiog sąžiningos
Taisyklės kai kuriems AI specialistams kelia gėdą, tarsi avėti kojines su sandalais. Tačiau taisyklėmis pagrįstas sprendimų priėmimas turi vieną didelį pranašumą: skaidrumą. Jei „Sprendimų priėmimas dirbtiniame intelekte“ (angl. Decision Making in Artificial Intelligence PPT) pristatyme taisyklės praleidžiamos kaip „palikimas“, jis slepia pusę istorijos. Ekspertų sistemos užkoduoja srities žinias kaip „jei–tada“ teiginius. Jie yra trapūs, taip, bet jie yra audituojami. Kai jums reikia determinizmo ir atsekamumo – atitikties patikrinimai, medicininiai atrankos protokolai – taisyklės ne tik vis dar veikia; jos veikia geriau.
- Privalumai: deterministinis, paaiškinamas, lengva derinti
- Trūkumai: trapus, sunku išplėsti sudėtingose srityse
Jūs žinote, kada taisyklių sistema sugenda, nes ji jums tai pasako. Dauguma šiuolaikinių sistemų sugenda tyliai.
Paieška ir optimizavimas: sprendimai kaip navigacija
Prieš apmokydami viską vandenynais duomenų, mes ieškojome. Paieška į plotį, paieška į gylį, A*, spindulio paieška. Tai nėra žavinga, bet bet kuriuo atveju, kai sprendžiate kelio paieškos problemą – tiesiogine ar perkeltine prasme – paieška yra pagrindas. A* su gera heuristika įveikia „protingą“ modelį su buku tikslu.
Optimizavimas tai apibendrina: jūs nustatote tikslo funkciją ir apribojimus, tada stumiate link geriausio sprendimo, kurį galite sau leisti su turimais skaičiavimo ištekliais. Tiesinis programavimas, mišrusis sveikaskaitinis programavimas, evoliuciniai algoritmai – abėcėlės sriuba, kaip pereiti nuo „beveik gerai“ prie „pakankamai gerai“ iki termino pabaigos.
- Privalumai: įrodomos garantijos, valdomi kompromisai
- Trūkumai: modeliavimas yra sunkus; tikslai gali būti neteisingai nurodyti subtiliais, katastrofiškais būdais
Kai modelis daro kažką keisto, dažnai taip yra todėl, kad gavote būtent tai, ko prašėte – tik ne tai, ką turėjote omenyje.
Tikimybinis argumentavimas: neapibrėžtumas yra savybė
Bayeso tinklai, paslėpti Markovo modeliai, Kalmano filtrai: klasika. Užuot apsimetę, kad pasaulis yra tikras, šie metodai nuolat skaičiuoja neapibrėžtumą ir pasirenka veiksmus, kurie nuo jo apsisaugo. Kitaip tariant, realizmas.
- Privalumai: principingas esant neapibrėžtumui; interpretuojama struktūra
- Trūkumai: išplėtimas iki didelio matmens painiavos yra skausmingas; prielaidos atsiperka
Tikimybiniai metodai yra tai, ką dauguma „Sprendimų priėmimas dirbtiniame intelekte“ (angl. Decision Making in Artificial Intelligence PPT) pristatymų nurodo „pasitikėjimo balais“. Pasitikėjimas nėra tikimybė. Tikimybė yra matematika su kvitais.
Sustiprintas mokymasis: atlygis nustato taisykles
Sustiprintas mokymasis – Q-mokymasis, politikos gradientai, aktoriaus-kritiko variantai – formuoja sprendimų priėmimą kaip bandymus ir klaidas su rezultatų suvestine. Jūs pasirenkate veiksmus, aplinka jums įteikia atlygį ir jūs stumiate savo politiką link veiksmų, kurie laikui bėgant atsipirks. Čia AI iš tikrųjų „nusprendžia“ ta prasme, kad jis žaidžia žaidimą – žaidimą, kurį jūs sukūrėte, ar jūs tai supratote, ar ne.
- Privalumai: stiprus nuoseklioms sprendimų užduotims; išmoksta strategijų, kurių jūs aiškiai nekodavote
- Trūkumai: atlygio įsilaužimas; imties neveiksmingumas; trapus apibendrinimas, kai pasaulis pasikeičia net šiek tiek
Žmonės mėgsta teigti, kad sustiprintas mokymasis yra „panašus į tai, kaip mokosi žmonės“. Ne visai. Žmonės turi išankstinių nuostatų, kūnus, nuobodulį ir sveiką protą. RL agentai turi atlygio funkciją ir begalinę kantrybę išbandyti nesąmones, kol tai neveikia.
Planavimas ir POMDP: pasaulis yra pusiau matomas
Realaus pasaulio sprendimų priėmimas retai būna su tobula informacija. Iš dalies stebimi Markovo sprendimų procesai (angl. Partially Observable Markov Decision Processes, POMDP) aiškiai modeliuoja tą neapibrėžtumą: jūs nežinote būsenos, tik stebėjimus, kurie tai nurodo. Planavimas esant daliniam stebėjimui verčia jus išlaikyti įsitikinimų būseną – išgalvotą terminą, reiškiantį „tai, kas, mūsų manymu, vyksta, atsižvelgiant į tai, ką matėme“.
- Privalumai: sąžiningas dėl neapibrėžtumo; formalūs pagrindai protingam veiksmui
- Trūkumai: skaičiavimo prasme žiaurus; apytiksliai įvertinimai yra būtinas blogis
Jei jūsų „Sprendimų priėmimas dirbtiniame intelekte“ (angl. Decision Making in Artificial Intelligence PPT) pristatyme bent jau neužsimenama apie „POMDP“, tai reiškia, kad realybė vertinama kaip pasirenkamas nustatymas.
Hibridinės sistemos ir neurosimboliniai mišiniai
Neuroniniai tinklai mato ir žymi; simbolinės sistemos paaiškina ir apriboja. Suklijuokite juos kartu ir gausite kažką naudingo. Vizijos modelis suvokimui, taisyklės saugumui. Kalbos modelis kandidatiniams veiksmams, planuotojas įgyvendinamumui. Šie hibridai yra ne tik madingi; jie atspindi inžinerinį nuolankumą: naudokite išmoktą modelį, kai suvokimas yra sunkus, naudokite aiškią logiką, kai statymai yra dideli.
- Privalumai: praktiškas, valdomas, geriausias iš abiejų
- Trūkumai: integracijos galvos skausmai, trapios sąsajos, pasikartojantis sudėtingumas
Sprendimų ciklas: OODA mašinoms, su mažiau akronimų
Dauguma AI sprendimų sistemų vykdo ciklą: stebėkite, darykite išvadas, planuokite, veikite, kartokite. Skaidrių rinkiniai mėgsta apskritimus ir rodykles; svarbiausia yra įtampa. Kiekvienas žingsnis kompromituoja. Stebėkite (bet ne viską). Darykite išvadas (bet išlaikykite savo neapibrėžtumą). Planuokite (bet per tam tikrą laiką). Veikite (bet nesunaikinkite pasaulio).
- Suvokimas į simbolius: nuo neapdorotų duomenų iki funkcijų. Praraskite informaciją, tikėkimės, teisingą informaciją.
- Prognozė į įsitikinimą: nuo funkcijų iki pasiskirstymo pagal tai, kas iš tikrųjų vyksta.
- Politika į planą: nuo dabartinio įsitikinimo iki veiksmų sekos, apribotos skaičiavimo ir rizikos apetito.
- Veiksmas į atsiliepimą: veikite, įvertinkite rezultatus, atnaujinkite įsitikinimus ir parametrus. Jei jūsų ciklas nepagerėja su patirtimi, tai yra automatizavimas, o ne AI.
Didžiausia klaida „Sprendimų priėmimas dirbtiniame intelekte“ (angl. Decision Making in Artificial Intelligence PPT) pristatyme yra apsimesti, kad ciklas yra švarus. Gamyboje jutikliai dreifuoja, žmonės kišasi ir metrikos kovoja viena su kita. Puikios sistemos yra tos, kurios grakščiai blogėja, kai pasaulis gūžteli pečiais.
Gilus nardymas į algoritmus (be madingų žodžių padažo)
Pažvelkime į algoritmus, kuriuos žmonės naudoja – ką jie sprendžia, kaip jie sugenda ir kur jie spindi.
Daugybę ginklų turintys banditas: tyrinėjimas be dramos
Kai jums reikia subalansuoti naujų dalykų išbandymą su tuo, kas veikia – skelbimų atranka, rekomendacijų patobulinimai, vartotojo sąsajos eksperimentai – daugybę ginklų turintys banditai įveikia A/B testavimą pagal greitį. Thompsono atranka yra pragmatiškas favoritas: Bayeso, paprastas, efektyvus. Jis neapsimeta, kad yra pilnas RL agentas. Jam tai geriau.
- Naudokite jį: greitam sprendimų priėmimui internete su atsiliepimais
- Nenaudokite jo: ilgalaikei strategijai, sudėtingoms priklausomybėms, bet kam, kas yra kritiškai svarbu saugumui
Monte Carlo medžio paieška: įžvalgos žaidimas su biudžetu
MCTS imties ateities, ne visų jų, tiesiog pakankamai tikėtinų. Tai yra algoritminis atitikmuo „pagalvokime apie tai, bet ne visą popietę“. Žaidimuose ir struktūrizuotame planavime jis laimi. Atvirose painiavose jis haliucinuoja struktūrą, kurios nėra.
- Puikiai tinka: apribotoms, gerai sumodeliuotoms sprendimų erdvėms (žaidimai, apribotas planavimas)
- Silpnas: nemodeliuotam chaosui (žmonės, rinkos, „Twitter“)
Dinaminis programavimas: optimalus su kabliuku
Bellmano lygtys, vertės iteracija, politikos iteracija. Kontrolės teorijos karūnos brangakmeniai su karūna, pagaminta iš eksponentinio augimo. Jei būsenos erdvė sprogsta, taip pat sprogsta jūsų optimizmas.
- Puikiai tinka: mažiems ir vidutiniams Markovo pasauliams su žinoma dinamika
- Silpnas: viskam kitam, nebent apytiksliai įvertinate (tai yra, visada)
Heuristikos ir metaheuristikos: nepretenzingi arkliai
Imituotas atkaitinimas, tabu paieška, genetiniai algoritmai. Tai yra pašlovinti „išbandykite daug dalykų, išlaikykite geriausius, tęskite“. Tai nėra įžeidimas. Dauguma realių sprendimų atrodo taip dideliu mastu, nes realybė neleis jums sėdėti ir išspręsti tikslios lygties, kol laikrodis tiksi.
- Puikiai tinka: sunkioms kombinatorinėms problemoms, kai optimalus sprendimas yra fantazija
- Silpnas: sritims, kuriose garantijos yra svarbesnės už greitį
Priežastiniai modeliai: nes koreliacija yra sukčius
Priežastinis sprendimų priėmimas – taip, Pearlas, grafikai, intervencijos – suteikia jums būdą paklausti „kas būtų, jei mes iš tikrųjų ką nors pakeistume?“, o ne „kas atsitiko paskutinį kartą?“. Jei jūsų „Sprendimų priėmimas dirbtiniame intelekte“ (angl. Decision Making in Artificial Intelligence PPT) pristatyme neminima priežastinė išvada, bet jūsų produktas priima pasirinkimus, kurie veikia žmones, jūs kuriate apgailestavimo rekomendacijų variklį.
- Puikiai tinka: politikai, medicinai, produktų pakeitimams su antrojo laipsnio efektais
- Silpnas: grynai numatomoms užduotims, kuriose kontrafaktai nesvarbūs
Dvi sunkios problemos: tikslai ir apribojimai
Pirmasis melas AI sprendimų priėmime yra tas, kad mes optimizuojame „veikimą“. Ką tiksliai optimizuojame? Paspaudimus? Veikimo laiką? Pajamas? Saugumą? Teisingumą? Latenciją? Jei to neišdėstysite, neturite sistemos – turite norą. Tikslo funkcija yra produktas. Elkitės su ja kaip su teisiniu standartiniu tekstu ir ji įkąs kaip teisinis standartinis tekstas.
- Kelių tikslų kompromisai nėra klaidos. Tai yra darbas. Pasverkite juos aiškiai, nuoširdžiai įvertinkite skausmą ir neapsimeskite, kad Pareto frontai yra moraliniai kompasai.
- Apribojimai nėra pasekmės. Jie yra tai, kaip jūs apribojate žalą. Griežti apribojimai (ne, tikrai, niekada neviršykite X) skiriasi nuo švelnių nuobaudų (prašome neviršyti X, nebent tai pelninga). Užrašykite juos taip, lyg turėtumėte omenyje.
Mėgstamiausia pramonės saviapgaulė yra manyti, kad daugiau duomenų ištaiso blogą tikslą. Tai nepadaro. Tai daro neteisingą dalyką labai efektyviai.
Paaiškinamumas nėra pasirinktinis; tai yra kontekstas
Pastangos siekti paaiškinamo AI dažnai įvardijamos kaip atitikties trikdžiai. Tai yra atvirkščiai. „Paaiškinamumas“ yra tai, kaip jūs kuriate pasitikėjimą su žmonėmis, kurie pasikliauja sprendimu – net jei jie yra inžinieriai. Jūs turite žinoti, kodėl modelis pasakė „pasukite į kairę“, ne tam, kad nuramintumėte reguliavimo instituciją, o tam, kad derintumėte avariją, kol ji nepasikartos.
- Paaiškinimai (ryškumo žemėlapiai, SHAP) yra geriau nei nieko, bet tai yra lūpų dažai – naudingi lūpų dažai – ant kiaulės, kuri gali būti žirgas.
- Integruotas aiškinamumas (monotoniniai modeliai, apibendrinti adityvūs modeliai, taisyklės su išmoktomis slenkstinėmis vertėmis) šiek tiek sumažina neapdorotą tikslumą, kad būtų užtikrintas nuspėjamas elgesys. Daugelyje sričių tai yra geras sandoris.
Jei jūsų „Sprendimų priėmimas dirbtiniame intelekte“ (angl. Decision Making in Artificial Intelligence PPT) pristatyme rodomas spalvingas šilumos žemėlapis ir tai laikoma dienos pabaiga, jūs išmokote, kaip neturėtumėte vykdyti sistemos gamyboje.
Dideli kalbos modeliai ir sprendimų miražas
Taip, LLM gali nuspręsti – arba bent jau jie gali pasiūlyti sprendimus su neįtikėtinu sklandumu. Jie puikiai tinka braižyti parinkčių erdves, išvardyti kompromisus, netgi rašyti pastolius aplink planavimo ciklą. Tačiau viliojanti dalis yra blogiausia dalis: jie skamba užtikrintai, net kai jie tai išgalvoja.
Saugus modelis nėra „leiskite modeliui nuspręsti“. Tai yra: leiskite modeliui pasiūlyti, apribokite taisyklėmis, patvirtinkite su planuotoju ar optimizatoriumi ir registruokite kiekvieną žingsnį. Įtraukite LLM į ciklą, o ne prie vairo. Jūs neleistumėte automatinio taisymo vairuoti jūsų automobilio.
Nuo skaidrių iki sistemų: kas iš tikrųjų veikia gamyboje
Funkcinė sprendimų priėmimo sistema AI neatrodo kaip skaidrė. Tai atrodo kaip:
- Aiškaus tikslo, kuris atspindi realybę, o ne viltį.
- Apribojimų, kurie yra griežti ten, kur jie turi būti, švelnūs ten, kur jie gali būti.
- Duomenų srauto, kuris pripažįsta savo trūkstamas dalis.
- Sprendimų variklio, kuris maišo metodus: išmoktas suvokimas, tikimybinis išvedimas ir politika, kuri gali pasakyti „Aš nesu tikras“.
- Stebėjimo galimybės: atsekimas, paaiškinimai ir atšaukimas.
- Žmonių priežiūra su įgaliojimais nepaisyti.
Paskutinė dalis kai kuriuose ratuose laikoma nemandagia. „AI turėtų būti autonomiškas“. Galbūt. O gal profesionalus nuolankumas įveikia pranešimo spaudai macho stilių.
Neišvengiamas klausimas apie „įrankius“
Jūs galite surinkti šį sprendimų rinkinį su bibliotekų ir paslaugų rinkiniu. Daugelis yra geri. Mažiau yra nuoseklūs. Geriausi nustatymai sumažina trintį – raginimų kūrimą, išvesties tikrinimą, argumentavimo grandinės sujungimą, kraštinių atvejų testavimą – ir leidžia lengvai įdėti apsaugas ten, kur jie yra svarbūs.
Apsvarstykite Sider.AI kaip praktinį pavyzdį. Jis nebando jums parduoti jaučiančios būtybės. Tai yra įrankiai, kurie iš tikrųjų padeda įveikti netvarkingą vidurį: argumentavimo grandinių rengimą, algoritmų parinkčių palyginimą ir LLM pagalbos įterpimą ten, kur jis yra produktyvus, o ne vaizduojamas. Jis gerai veikia su nepatraukliomis dalimis – iteracija, patikrinimas ir „kas pasikeitė tarp 12 ir 13 versijų?“. Pasaulyje, kuriame vyrauja triukšmas, „iš tikrųjų veikia“ yra supergalia. Dažni mitai iš „Sprendimų priėmimas AI“ (angl. Decision Making in AI PPT) grandinės
- Mitas: „Daugiau duomenų įveikia geresnius modelius“. Kartais. Dažnai jis įveikia blogą mąstymą. Aiškaus tikslo su kukliais duomenimis gali viršyti gaisrinį čiaupą, nukreiptą į neteisingą metriką.
- Mitas: „Juodoji dėžė yra neišvengiama“. Ne. Tai kartais patogu. Jūs galite sukurti interpretuojamus sluoksnius aplink nepermatomas šerdis. Jūs tiesiog turite rūpintis.
- Mitas: „Tyrinėjimas yra rizikingas“. Žinoma – ir stagnacija. Banditai egzistuoja ne be reikalo.
- Mitas: „Autonomija yra tikslas“. Autonomija yra priemonė. Patikimumas yra tikslas.
Atvejų analizės: kur guma susitinka su keliu
- Logistikos maršrutas: A* įgyvendinamumui, MILP kainai, heuristikos paskutinės mylios chaosui. Įpilkite paklausos prognozės su neapibrėžtumu ir gausite patikimą sistemą. Ne, vienas galutinis giluminis tinklas nepadarys geriau antrą savaitę, kai miestas uždaro tiltą.
- Medicininė atranka: taisyklės griežtam saugumui, tikimybiniai modeliai rizikos įvertinimui, žmogus-cikle atšokimams. Sistemos dorybė nėra greitis; ji žino, kada sulėtinti.
- Turinio moderavimas: klasifikatorius atrankai, politikos taisyklės teisiniams apribojimams, apeliacijos žmonėms. Jūs „neišspręsite“ to, jūs valdysite tai – kaip šienauti veją, kuri auga į šoną.
Kaip įvertinti sprendimų sistemą (o ne skaidrių rinkinį)
Užduokite tris klausimus:
- Ką tiksliai jūs optimizuojate? Jei atsakymas užtrunka daugiau nei vieną sakinį arba mažiau nei vieną sakinį, nerimaukite.
- Kas atsitinka, kai pasaulis pasikeičia? Jei atsakymas yra „apmokyti iš naujo“, jie nepagalvojo apie dreifą.
- Kaip jūs žinote, kada klystate? Jei atsakymas yra tyla, pasitraukite.
Savo gilus nardymas: praktinis planas
Jei rengiate savo „Sprendimų priėmimas dirbtiniame intelekte“ (angl. Decision Making in Artificial Intelligence PPT) pristatymą – nes mes visi esame kalti, galiausiai – sukurkite jį remdamiesi sąžiningumu:
- Pradėkite nuo sprendimų ciklo ir savo tikslo funkcijos. Viena skaidrė, paprastas tekstas.
- Atskirkite „mokymąsi“ nuo „sprendimų priėmimo“. Dvi skaidrės, tik pavyzdžiai.
- Parodykite savo apribojimus ir kodėl jie yra griežti. Viena skaidrė, be eufemizmų.
- Pasirinkite algoritmus suvokimui, išvedimui, planavimui. Kiekvienam išvardykite gedimų režimus.
- Paaiškinkite stebėjimą: dreifą, nepaisymus, incidentų knygas.
- Užbaikite neišspręstomis rizikomis. Jei neturite jokių, jūs nebaigėte.
Tyli galia pasakyti „Aš nežinau“
AI sistemos turėtų turėti galimybę susilaikyti. Pavadinkite tai neapibrėžtumo įvertinimu paremtu sprendimų priėmimu, selektyviu prognozavimu ar kaip kitaip. Gebėjimas pasakyti „praleidžiu“ yra skirtumas tarp įrankio ir atsakomybės. Žmonės tai daro instinktyviai. Sukūrėme per daug sistemų, kurios to negali.
Kur tai mus palieka
Sprendimų priėmimas dirbtiniame intelekte nėra magija, o gilus algoritmu analizavimas neturėtų skambėti kaip naujos religijos pristatymas. Tai yra inžinerija – kruopštūs tikslai, aiškūs apribojimai, atviras neapibrėžtumas ir noras paaukoti eleganciją dėl patikimumo. Kai kitą kartą PPT pateiktyje jums pasakys, kad sistema „išmoko nuspręsti“, paklauskite, kas nutinka, kai tiltas sugriautas, metrika neteisinga arba vartotojas padaro kažką, ko niekas neprognozavo.
Jei atsakymas yra didesnė rodyklė, jūs turite savo sprendimą.
Raktažodžiais paremtas priedas (be raktažodžių "kimšimo")
- Sprendimų priėmimas dirbtiniame intelekte: veiksmai, kuriuos pasirenkame esant neapibrėžtumui, naudojant aiškius tikslus ir apribojimus.
- Gilus algoritmu analizavimas: tai nėra metafora – paieška, optimizavimas, tikimybinis išvedimas, pastiprinimo mokymasis, planavimas, priežastinis modeliavimas, hibridai.
- Praktinė išvada: derinkite metodus, sugriežtinkite apribojimus, priimkite neapibrėžtumą, instrumentuokite viską ir atsispirkite norui apsimesti, kad skaidrė yra sistema.
DUK
Q1: Kas iš tikrųjų yra sprendimų priėmimas dirbtiniame intelekte?
Tai veiksmų pasirinkimas esant neapibrėžtumui, turint aiškų tikslą ir apribojimus – ne nuojautą. Įdomiausia dalis yra ne modelis; tai, kaip modelis, duomenys ir apsaugos priemonės veikia kartu, kai pasaulis atsisako atitikti mokymo duomenų rinkinį.
Q2: Kurie algoritmai yra svarbūs gilinantis į AI sprendimų priėmimą?
Paieška, optimizavimas, tikimybinis argumentavimas, pastiprinimo mokymasis, planavimas ir priežastiniai modeliai yra pagrindas. Hibridinės sistemos, kurios sujungia išmoktą suvokimą su simbolinėmis taisyklėmis, yra tai, kas iš tikrųjų išlieka gamyboje.
Q3: Ar dideli kalbos modeliai tinka sprendimų priėmimui?
Jie puikiai siūlo variantus ir planuoja, bet yra baisūs kaip nekontroliuojami sprendėjai. Naudokite LLM kilpoje: siūlykite, apribokite, patvirtinkite – tada registruokite kiekvieną žingsnį taip, lyg turėtumėte jį paaiškinti teisininkui.
Q4: Kaip išvengti didžiausių klaidų sprendimų priėmimo dirbtiniame intelekte PPT?
Atskirkite mokymąsi nuo sprendimų priėmimo, apibrėžkite tikslą ir išdėstykite apribojimus. Parodykite gedimų režimus ir stebėseną – jei jūsų pateiktis yra vien tik rodyklės ir nėra kompromisų, tai yra teatras, o ne inžinerija.
Q5: Kaip Sider.AI įsilieja į AI sprendimų priėmimo darbo eigas?
Sider.AI padeda atlikti netvarkingą vidurį – kuriant, lyginant ir tikrinant argumentavimo darbo eigas – kad galėtumėte įdiegti LLM pagalbą ten, kur ji veikia, o ne ten, kur rinkodara norėtų. Galvokite apie praktinę iteraciją, o ne apie stebuklingą lazdelę. 
