Tā daļa, kurā PPT cenšas parādīt AI vienkāršu
Runājot par lēmumu pieņemšanu mākslīgajā intelektā, visi izliekas, ka to saprot — līdz brīdim, kad tas vai nu pieņem izcilu lēmumu, vai arī iekrīt acīmredzamā kļūdā. Tad pēkšņi tas ir “pārāk sarežģīts” vai “melnā kaste”, it kā matemātika paslīdētu uz banāna mizas. Ja jūs kādreiz esat sēdējis pie prezentācijas “Lēmumu pieņemšana mākslīgajā intelektā” (Decision Making in Artificial Intelligence PPT), jūs zināt, kāda ir kārtība: lielas bultas, blokshēmas un klipkopas, kas liecina par neizbēgamību. Tas nav neizbēgami. Tā ir izvēle visā garumā.
Šis ir dziļš ieskats algoritmos — īstajos —, ko izmanto AI lēmumu pieņemšanai. Nevis slaidu komplekts ar kantainām bultām. Mērķis ir tikt pāri teātrim “AI izlems mūsu vietā” un parunāt par to, kā šīs sistēmas patiesībā izvēlas. Spoilers: tās mazāk līdzinās viszinošiem orākuliem un vairāk ļoti ātriem, ļoti burtiskiem spriedējiem, kuriem nekad nav bijis jāsēž sastrēgumos vai jāvienojas par mazuļa gulētiešanas laiku.
Ko mēs saprotam ar “Lēmumu pieņemšana AI” (un ko PPT reti atzīst)
“Lēmumu pieņemšana mākslīgajā intelektā” izklausās cēli, bet praksē tas ir paņēmienu kopums: uz noteikumiem balstīta spriešana, meklēšana, optimizācija, varbūtības secinājumi, pastiprināta apmācība, plānošana un hibrīdsistēmas, kas visu šo jucekli sašuj kopā. Algoritmi neko “nevēlas”. Tie optimizē noteiktas funkcijas saskaņā ar konkrētiem ierobežojumiem. Apmainiet funkciju vai ierobežojumus, un jūs iegūsit citu “intelektu”. Ja tas izklausās acīmredzami, apsveicam — jūs esat priekšā pusei SlideShare slaidu.
Īstā problēma ar lielāko daļu prezentāciju par lēmumu pieņemšanu mākslīgajā intelektā (Decision Making in Artificial Intelligence PPT) nav tā, ka tās vienkāršo. Problēma ir tā, ka tās vienkāršo nepareizā virzienā. Tās norāda, ka modeļi pieņem lēmumus tāpēc, ka tie ir “iemācījušies”. Mācīšanās nav lēmumu pieņemšana. Mācīšanās sniedz jums politiku vai modeli; lēmumu pieņemšana ir šīs politikas īstenošana kontekstā, kas nekad nav tieši tāds pats kā apmācības dati. Atšķirība starp šaha atklāšanas iegaumēšanu un izdzīvošanu vidusspēles haosā — pirmais labi izskatās aizzīmē; otrais ir tas, kas uzvar.
Faktiskie rīki: no noteikumiem līdz atlīdzībām
Iesim cauri slānim, sākot no lietām, kas izklausās dīvaini (bet joprojām ir svarīgas), līdz paņēmieniem, kas nodrošina mūsdienu sistēmas. Vienkārša valoda, bez romantikas.
Uz noteikumiem balstītas sistēmas: joprojām nav mirušas, vienkārši godīgas
Noteikumi dažiem AI cilvēkiem ir apkaunojoši, piemēram, valkāt zeķes ar sandalēm. Bet uz noteikumiem balstītai lēmumu pieņemšanai ir viena liela priekšrocība: pārredzamība. Ja prezentācija par lēmumu pieņemšanu mākslīgajā intelektā (Decision Making in Artificial Intelligence PPT) izlaiž noteikumus kā “mantojumu”, tā slēpj pusi no stāsta. Ekspertu sistēmas kodē domēna zināšanas kā if–then apgalvojumus. Tās ir trauslas, jā, bet tās ir auditējamas. Kad jums ir nepieciešama determinisms un izsekojamība — atbilstības pārbaudes, medicīnas triāžas protokoli —, noteikumi ne tikai joprojām darbojas; tie darbojas labāk.
- Plusi: deterministiski, izskaidrojami, viegli atkļūdojami
- Mīnusi: trausli, grūti mērogojami sarežģītās jomās
Jūs zināt, kad noteikumu sistēma neizdodas, jo tā jums to pasaka. Lielākā daļa mūsdienu sistēmu klusi neizdodas.
Meklēšana un optimizācija: lēmumi kā navigācija
Pirms mēs visu apmācījām uz datu okeāniem, mēs meklējām. Platuma meklēšana, dziļuma meklēšana, A*, staru meklēšana. Tas nav krāšņi, bet jebkurā laikā, kad risināt ceļa atrašanas problēmu — burtiski vai metaforiski —, meklēšana ir mugurkauls. A* ar labu heiristiku pārspēj “gudru” modeli ar stulbu mērķi.
Optimizācija to vispārina: jūs iestatāt mērķa funkciju un ierobežojumus, pēc tam virzāties uz labāko risinājumu, ko varat atļauties ar jums pieejamo aprēķinu. Lineārā programmēšana, jauktās veselas skaitļu programmēšana, evolūcijas algoritmi — alfabēta zupa, lai no “gandrīz labi” tiktu līdz “pietiekami labi” līdz termiņam.
- Plusi: pierādāmas garantijas, kontrolējami kompromisi
- Mīnusi: modelēšana ir sarežģīta; mērķus var nepareizi norādīt smalkos, katastrofālos veidos
Kad modelis dara kaut ko dīvainu, tas bieži vien ir tāpēc, ka jūs saņēmāt tieši to, ko prasījāt — tikai ne to, ko domājāt.
Varbūtības spriešana: nenoteiktība ir funkcija
Baisa tīkli, slēptie Markova modeļi, Kalmana filtri: klasika. Tā vietā, lai izliktos, ka pasaule ir pārliecināta, šīs metodes uztur nepārtrauktu nenoteiktības uzskaiti un izvēlas darbības, kas nodrošina aizsardzību pret to. Citiem vārdiem sakot, reālisms.
- Plusi: principiāls nenoteiktības apstākļos; interpretējama struktūra
- Mīnusi: mērogošana līdz augstas dimensijas juceklim ir sāpīga; pieņēmumi atsit atpakaļ
Varbūtības metodes ir tas, uz ko lielākā daļa prezentāciju par lēmumu pieņemšanu mākslīgajā intelektā (Decision Making in Artificial Intelligence PPT) norāda ar “pārliecības rādītājiem”. Pārliecība nav varbūtība. Varbūtība ir matemātika ar čekiem.
Pastiprināta apmācība: atlīdzības nosaka noteikumus
Pastiprināta apmācība — Q-mācīšanās, politikas gradienti, aktieru-kritiķu varianti — lēmumu pieņemšanu ietver kā izmēģinājumus un kļūdas ar rezultātu tablo. Jūs izvēlaties darbības, vide jums pasniedz atlīdzības, un jūs virzāt savu politiku uz darbībām, kas atmaksājas laika gaitā. Šeit AI patiesi “izlemj” tādā nozīmē, ka tas spēlē spēli — spēli, kuru jūs izstrādājāt, neatkarīgi no tā, vai jūs to sapratāt vai nē.
- Plusi: spēcīgs secīgiem lēmumu pieņemšanas uzdevumiem; apgūst stratēģijas, kuras jūs nav skaidri kodējis
- Mīnusi: atlīdzības uzlaušana; paraugu neefektivitāte; trausla vispārināšana, kad pasaule mainās pat nedaudz
Cilvēkiem patīk apgalvot, ka pastiprināta apmācība ir “līdzīga tam, kā mācās cilvēki”. Īsti ne. Cilvēkiem ir prioritātes, ķermeņi, garlaicība un vesais saprāts. RL aģentiem ir atlīdzības funkcija un bezgalīga pacietība, lai izmēģinātu muļķības, līdz tās darbojas.
Plānošana un POMDP: pasaule ir daļēji redzama
Lēmumu pieņemšana reālajā pasaulē reti notiek ar perfektu informāciju. Daļēji novērojamie Markova lēmumu procesi (POMDP) skaidri modelē šo nenoteiktību: jūs nezināt stāvokli, tikai novērojumus, kas uz to norāda. Plānošana daļējas novērojamības apstākļos liek jums saglabāt ticības stāvokli — iedomāts termins “ko mēs domājam, ka notiek, ņemot vērā to, ko esam redzējuši”.
- Plusi: godīgs par nenoteiktību; formāli pamati saprātīgai rīcībai
- Mīnusi: aprēķinu ziņā brutāli; tuvinājumi ir nepieciešama ļaunums
Ja jūsu prezentācija par lēmumu pieņemšanu mākslīgajā intelektā (Decision Making in Artificial Intelligence PPT) vismaz nečukst “POMDP”, tā izturas pret realitāti kā pret izvēles iestatījumu.
Hibrīdsistēmas un neirosimboliskie sajaukumi
Neironu tīkli redz un iezīmē; simboliskās sistēmas izskaidro un ierobežo. Salīmējiet tos kopā, un jūs iegūsit kaut ko noderīgu. Redzes modelis uztverei, noteikumi drošībai. Valodas modelis kandidātu darbībām, plānotājs izpildāmībai. Šie hibrīdi nav tikai moderni; tie atspoguļo inženiertehnisko pazemību: izmantojiet apmācītu modeli, kur uztvere ir grūta, izmantojiet skaidru loģiku, kur likmes ir augstas.
- Plusi: praktisks, kontrolējams, labākais no abiem
- Mīnusi: integrācijas galvassāpes, trausli interfeisi, dublēta sarežģītība
Lēmumu cikls: OODA mašīnām, ar mazāk akronīmiem
Lielākā daļa AI lēmumu sistēmu darbojas ciklā: novērot, secināt, plānot, rīkoties, atkārtot. Slaidu komplektiem patīk apļi un bultas; svarīgākais ir spriedze. Katrs solis ir kompromiss. Novērojiet (bet ne visu). Seciniet (bet saglabājiet savu nenoteiktību). Plānojiet (bet noteiktā laikā). Rīkojieties (bet nenodedziniet pasauli).
- Uztvere līdz simboliem: no neapstrādātiem datiem līdz funkcijām. Zaudējiet informāciju, cerams, pareizo informāciju.
- Prognozēšana līdz pārliecībai: no funkcijām līdz sadalījumam par to, kas patiesībā notiek.
- Politika līdz plānam: no pašreizējās pārliecības līdz darbību secībai, ko ierobežo aprēķins un riska apetīte.
- Darbība līdz atgriezeniskajai saitei: rīkojieties, izmēriet rezultātus, atjauniniet pārliecības un parametrus. Ja jūsu cikls neuzlabojas ar pieredzi, tā ir automatizācija, nevis AI.
Lielākā kļūda prezentācijā par lēmumu pieņemšanu mākslīgajā intelektā (Decision Making in Artificial Intelligence PPT) ir izlikšanās, ka cikls ir tīrs. Ražošanā sensori dreifē, cilvēki iejaucas un metrikas cīnās viena ar otru. Lieliskas sistēmas ir tās, kas pakāpeniski pasliktinās, kad pasaule parausta plecus.
Dziļš ieskats algoritmos (bez moderniem vārdiem)
Paskatīsimies uz algoritmiem, ko cilvēki izmanto — ko tie atrisina, kā tie neizdodas un kur tie spīd.
Vairāku bruņotu bandītu problēma: izpēte bez drāmas
Kad jums ir jāsabalansē jaunu lietu izmēģināšana ar to, kas darbojas — reklāmu atlase, ieteikumu uzlabojumi, UI eksperimenti —, vairāku bruņotu bandītu problēma ātruma ziņā pārspēj A/B testēšanu. Tompsona paraugu ņemšana ir pragmatisks favorīts: Baisa, vienkārša, efektīva. Tas neizliekas par pilnu RL aģentu. Tas ir labāk.
- Izmantojiet to: ātrai tiešsaistes lēmumu pieņemšanai ar atgriezenisko saiti
- Neizmantojiet to: ilgtermiņa stratēģijai, sarežģītām atkarībām, jebkam, kas ir kritisks drošībai
Monte Karlo koku meklēšana: paredzēšana ar budžetu
MCTS ņem paraugus no nākotnes, nevis no visām, tikai no pietiekami daudzām ticamām. Tas ir algoritmisks ekvivalents “padomāsim par to, bet ne visu pēcpusdienu”. Spēlēs un strukturētā plānošanā tas uzvar. Atvērtās juceklēs tas halucinē struktūru, kuras nav.
- Lieliski piemērots: ierobežotām, labi modelētām lēmumu telpām (spēlēm, ierobežotai plānošanai)
- Vājš: nemodelētam haosam (cilvēkiem, tirgiem, Twitter)
Dinamiskā programmēšana: optimāla ar noķeršanu
Bellmana vienādojumi, vērtību iterācija, politikas iterācija. Kontroles teorijas kroņa dārgakmeņi ar kroni, kas izgatavots no eksponenciālas izaugsmes. Ja stāvokļu telpa eksplodē, eksplodē arī jūsu optimisms.
- Lieliski piemērots: mazām un vidējām Markova pasaulēm ar zināmu dinamiku
- Vājš: visam pārējam, ja vien jūs netuvināt (kas nozīmē, vienmēr)
Heiristikas un metaheiristikas: nepretenciozi darba zirgi
Simulēta atkausēšana, tabu meklēšana, ģenētiskie algoritmi. Tie ir cildināti “mēģiniet daudz lietu, paturiet labāko, turpiniet”. Tas nav apvainojums. Lielākā daļa reālu lēmumu izskatās šādi mērogā, jo realitāte neļaus jums sēdēt un atrisināt precīzu vienādojumu, kamēr pulkstenis iet.
- Lieliski piemērots: sarežģītām kombinatoriskām problēmām, kur optimāls ir fantāzija
- Vājš: domēniem, kur garantijām ir lielāka nozīme nekā ātrumam
Cēloņu modeļi: jo korelācija ir krāpnieks
Cēloņsakarību lēmumu pieņemšana — jā, Pearl, grafiki, iejaukšanās — sniedz jums veidu, kā jautāt “ko darīt, ja mēs patiesībā kaut ko mainītu?” tā vietā, lai jautātu “kas notika pēdējo reizi?”. Ja jūsu prezentācija par lēmumu pieņemšanu mākslīgajā intelektā (Decision Making in Artificial Intelligence PPT) nenosauc cēloņsakarību secinājumus, bet jūsu produkts pieņem lēmumus, kas ietekmē cilvēkus, jūs veidojat nožēlas ieteikumu dzinēju.
- Lieliski piemērots: politikai, medicīnai, produktu izmaiņām ar otrās kārtas efektiem
- Vājš: tīriem paredzamiem uzdevumiem, kur pretfaktiskajiem nav nozīmes
Divas grūtās problēmas: mērķi un ierobežojumi
Pirmie meli AI lēmumu pieņemšanā ir tādi, ka mēs optimizējam “veiktspēju”. Ko tieši optimizējam? Klikšķus? Darbspējas laiku? Ieņēmumus? Drošību? Godīgumu? Latenci? Ja jūs to neizskaidrojat, jums nav sistēmas — jums ir vēlme. Mērķa funkcija ir produkts. Izturieties pret to kā pret juridisku standarttekstu, un tas kodīs kā juridisks standartteksts.
- Vairāku mērķu kompromisi nav kļūdas. Tie ir darbs. Nosveriet tos skaidri, godīgi izmēriet sāpes un neizliekieties, ka Pareto frontes ir morālie kompasi.
- Ierobežojumi nav pēdējās domas. Tie ir veids, kā ierobežot kaitējumu. Stingri ierobežojumi (nē, patiešām, nekad nepārsniedziet X) atšķiras no maigiem sodiem (lūdzu, nepārsniedziet X, ja vien tas nav izdevīgi). Pierakstiet tos tā, it kā jūs to domātu.
Nozares iecienītākā pašapmāns ir domāt, ka vairāk datu novērš sliktu mērķi. Tas tā nav. Tas padara nepareizo lietu ļoti efektīvu.
Paskaidrojamība nav obligāta; tas ir konteksts
Virzība uz paskaidrojamu AI bieži tiek veidota kā atbilstības apgrūtinājums. Tas ir atpakaļ. “Paskaidrojamība” ir veids, kā jūs veidojat uzticību ar cilvēkiem, kas paļaujas uz lēmumu — pat ja tie ir inženieri. Jums ir jāzina, kāpēc modelis teica “pagriezieties pa kreisi”, nevis lai nomierinātu regulatoru, bet gan lai atkļūdotu avāriju, pirms tā notiek vēlreiz.
- Pēckārtējie skaidrojumi (saliency maps, SHAP) ir labāki par neko, bet tie ir lūpu krāsa — noderīga lūpu krāsa — uz cūkas, kas varētu būt sacīkšu zirgs.
- Iebūvēta interpretējamība (monotoniski modeļi, vispārināti aditīvi modeļi, noteikumi ar apgūtām sliekšņvērtībām) apmaina nedaudz neapstrādātas precizitātes pret paredzamu uzvedību. Daudzos domēnos tas ir izdevīgs darījums.
Ja jūsu prezentācija par lēmumu pieņemšanu mākslīgajā intelektā (Decision Making in Artificial Intelligence PPT) parāda krāsainu siltuma karti un pasludina to par dienu, jūs esat iemācījies tieši to, kā nevajadzētu palaist sistēmu ražošanā.
Lieli valodu modeļi un lēmumu mirāža
Jā, LLM var izlemt — vai vismaz tie var ierosināt lēmumus ar pārdabisku raitumu. Tie ir lieliski piemēroti iespēju telpu skicēšanai, kompromisu uzskaitīšanai, pat plānošanas cikla sastatņu rakstīšanai. Bet vilinošā daļa ir vissliktākā daļa: tie izklausās pārliecinoši pat tad, kad tie to izdomā.
Drošais modelis nav “ļaut modelim izlemt”. Tas ir: ļaujiet modelim ieteikt, ierobežojiet ar noteikumiem, validējiet ar plānotāju vai optimizētāju un reģistrējiet katru soli. Ievietojiet LLM ciklā, nevis pie stūres. Jūs neļautu automātiskajai korekcijai vadīt jūsu automašīnu.
No slaidiem līdz sistēmām: kas patiesībā darbojas ražošanā
Funkcionāla lēmumu pieņemšanas sistēma AI neizskatās pēc slaida. Tas izskatās kā:
- Skaidrs mērķis, kas atspoguļo realitāti, nevis cerības.
- Ierobežojumi, kas ir stingri tur, kur tiem jābūt, maigi tur, kur tie var būt.
- Datu konveijers, kas atzīst savus trūkstošos elementus.
- Lēmumu dzinējs, kas apvieno metodes: apgūta uztvere, varbūtības secinājumi un politika, kas var teikt “es neesmu pārliecināts”.
- Novērojamība: izsekošana, skaidrojumi un atcelšana.
- Cilvēku uzraudzība ar tiesībām atcelt.
Pēdējā daļa dažās aprindās tiek uzskatīta par neveiklu. “AI jābūt autonomam.” Varbūt. Vai varbūt profesionāla pazemība pārspēj preses relīzes mačo.
Neizbēgamais jautājums “Rīki”
Jūs varat salikt šo lēmumu komplektu ar bibliotēku un pakalpojumu zvaigznāju. Daudzi ir labi. Mazāk ir konsekventi. Labākie iestatījumi samazina berzi — autorēšanas uzvednes, izvades pārbaude, spriešanas ķēde, malu gadījumu testēšana — un atvieglo drošības barjeru novietošanu tur, kur tām ir nozīme.
Apsveriet Sider.AI kā praktisku piemēru. Tas nemēģina jums pārdot saprātīgu būtni. Tas ir rīks, kas patiesībā palīdz cīnīties ar jucekli: spriešanas ķēžu projektēšana, algoritmisko iespēju salīdzināšana un LLM palīdzības ievietošana tur, kur tā ir produktīva, nevis izpildīta. Tas ir labs nepieredzējušās daļās — iterācija, pārbaude un “kas mainījās starp 12. un 13. versiju?” Hipe pasaulē “faktiski darbojas” ir superspēja. Bieži mīti no AI prezentāciju lēmumu pieņemšanas (Decision Making in AI PPT) shēmas
- Mīts: “Vairāk datu pārspēj labākus modeļus.” Dažreiz. Bieži tas pārspēj sliktu domāšanu. Skaidrs mērķis ar pieticīgiem datiem var pārspēt ugunsšļūteni, kas vērsta uz nepareizu metriku.
- Mīts: “Melnā kaste ir neizbēgama.” Nē. Dažreiz tas ir ērti. Jūs varat izveidot interpretējamus slāņus ap necaurspīdīgiem kodoliem. Jums vienkārši jāuztraucas.
- Mīts: “Izpēte ir riskanta.” Protams — un tā ir arī stagnācija. Bandīti pastāv ar iemeslu.
- Mīts: “Autonomija ir mērķis.” Autonomija ir līdzeklis. Uzticamība ir mērķis.
Gadījumu apraksti: kur gumija satiekas ar ceļu
- Loģistikas maršrutēšana: A* izpildāmībai, MILP izmaksām, heiristikas pēdējās jūdzes haosam. Pievienojiet pieprasījuma prognozi ar nenoteiktību, un jūs iegūsit stabilu sistēmu. Nē, viens vienots dziļais tīkls nedarbosies labāk otrajā nedēļā, kad pilsēta slēgs tiltu.
- Medicīnas triāža: noteikumi stingrai drošībai, varbūtības modeļi riska novērtēšanai, cilvēks cilpā novirzēm. Sistēmas tikums nav ātrums; tas zina, kad palēnināt tempu.
- Satura moderēšana: klasifikators triāžai, politikas noteikumi juridiskiem ierobežojumiem, apelācijas cilvēkiem. Jūs to “neatrisināsiet”, jūs to pārvaldīsiet — kā zāliena pļaušanu, kas aug sāniski.
Kā novērtēt lēmumu sistēmu (nevis slaidu komplektu)
Uzdodiet trīs jautājumus:
- Ko tieši jūs optimizējat? Ja atbilde aizņem vairāk nekā vienu teikumu vai mazāk nekā vienu teikumu, uztraucieties.
- Kas notiek, kad pasaule mainās? Ja atbilde ir “pārmācīt”, viņi nav domājuši par dreifu.
- Kā jūs zināt, kad kļūdāties? Ja atbilde ir klusums, aizejiet.
Veidojot savu dziļo ieskatu: praktisks izklāsts
Ja jūs veidojat savu prezentāciju par lēmumu pieņemšanu mākslīgajā intelektā (Decision Making in Artificial Intelligence PPT) — jo mēs visi galu galā esam vainīgi —, veidojiet to ap godīgumu:
- Sāciet ar lēmumu ciklu un savu mērķa funkciju. Viens slaids, vienkāršs teksts.
- Atšķiriet “mācīšanos” no “izlemšanas”. Divi slaidi, tikai piemēri.
- Parādiet savus ierobežojumus un to, kāpēc tie ir stingri. Viens slaids, bez eifēmismiem.
- Izvēlieties algoritmus uztverei, secinājumiem, plānošanai. Katram norādiet kļūdu režīmus.
- Paskaidrojiet uzraudzību: dreifs, atcelšanas, incidentu scenāriji.
- Noslēdziet ar neatrisinātiem riskiem. Ja jums tādu nav, jūs neesat pabeidzis.
Klusais spēks pateikt “Es nezinu”
AI sistēmām jāspēj atturēties. Nosauciet to par lēmumu pieņemšanu, kas apzinās nenoteiktību, selektīvu prognozēšanu vai jebko citu. Spēja pateikt "atteikties" ir atšķirība starp rīku un slogu. Cilvēki to dara instinktīvi. Mēs esam izveidojuši pārāk daudz sistēmu, kas to nespēj.
Kur tas mūs atstāj
Lēmumu pieņemšana mākslīgajā intelektā nav maģija, un dziļam ieskatam algoritmos nevajadzētu izklausīties kā jaunas reliģijas prezentācijai. Tā ir inženierija — rūpīgi mērķi, skaidri ierobežojumi, atklāta nenoteiktība un vēlme mainīt eleganci pret uzticamību. Nākamreiz, kad PPT jums paziņo, ka sistēma "iemācījusies pieņemt lēmumus", pajautājiet, kas notiek, kad tilts ir bojāts, metrika ir nepareiza vai lietotājs dara kaut ko tādu, ko neviens nav paredzējis.
Ja atbilde ir lielāka bultiņa, tad lēmums ir pieņemts.
Atsauce ar atslēgvārdiem (bez atslēgvārdu pārpildes)
- Lēmumu pieņemšana mākslīgajā intelektā: darbību izvēle nenoteiktības apstākļos, izmantojot skaidrus mērķus un ierobežojumus.
- Dziļa iedziļināšanās algoritmos: nevis metafora – meklēšana, optimizācija, varbūtību secināšana, pastiprināta mācīšanās, plānošana, cēloņu modelēšana, hibrīdi.
- Praktisks secinājums: apvienojiet metodes, pastipriniet ierobežojumus, pieņemiet nenoteiktību, instrumentējiet visu un pretojieties vēlmei izlikties, ka slaids ir sistēma.
BUJ
Q1: Kas īsti ir lēmumu pieņemšana mākslīgajā intelektā?
Tā ir darbību izvēle nenoteiktības apstākļos ar skaidru mērķi un ierobežojumiem – nevis sajūtām. Interesantākā daļa nav modelis; tā ir tas, kā modelis, dati un drošības pasākumi darbojas kopā, kad pasaule atsakās atbilst apmācību kopumam.
Q2: Kuri algoritmi ir svarīgi, lai dziļi iedziļinātos AI lēmumu pieņemšanā?
Meklēšana, optimizācija, varbūtību spriedumi, pastiprināta mācīšanās, plānošana un cēloņu modeļi ir mugurkauls. Hibrīdsistēmas, kas apvieno apgūto uztveri ar simboliskiem noteikumiem, ir tās, kas patiesībā izdzīvo ražošanā.
Q3: Vai lielie valodu modeļi ir piemēroti lēmumu pieņemšanai?
Tie ir lieliski piemēroti iespēju piedāvāšanai un plānu veidošanai, taču briesmīgi kā nekontrolēti lēmumu pieņēmēji. Izmantojiet LLM ciklā: iesakiet, ierobežojiet, apstipriniet — un pēc tam reģistrējiet katru soli tā, it kā jums tas būtu jāpaskaidro advokātam.
Q4: Kā izvairīties no lielākajām kļūdām lēmumu pieņemšanas mākslīgā intelekta PPT?
Atšķiriet mācīšanos no lēmumu pieņemšanas, definējiet mērķi un norādiet ierobežojumus. Parādiet kļūdu režīmus un uzraudzību — ja jūsu prezentācijā ir tikai bultiņas un nav kompromisu, tas ir teātris, nevis inženierija.
Q5: Kā Sider.AI iekļaujas AI lēmumu darbplūsmās?
Sider.AI palīdz ar sarežģīto vidusdaļu — autorizēšanu, salīdzināšanu un argumentācijas darbplūsmu pārbaudi —, lai jūs varētu ievietot LLM palīdzību tur, kur tā darbojas, nevis tur, kur mārketings vēlētos, lai tā darbotos. Domājiet par praktisku atkārtošanu, nevis par burvju nūjiņu. 
