Կարճ պատասխան. Արհեստական բանականությունը մեթոդների մի ամբողջություն է, որը թույլ է տալիս համակարգիչներին սովորել տվյալներից, հայտնաբերել օրինաչափություններ, հասկանալ կամ ստեղծել լեզու և աջակցել որոշումների կայացմանը: Այն սովորաբար ներառում է մոդելի ուսուցումը օրինակների վրա, ապա դրա կիրառումը՝ կանխատեսումներ անելու կամ բովանդակություն ստեղծելու համար. աշխարհը փոխվելուն զուգընթաց այն պահանջում է շարունակական մոնիթորինգ և պարբերական վերապատրաստում:
Հիմնական եզրակացություններ՝
Սահմանում. Արհեստական ինտելեկտի համակարգերը կանխատեսումներ, առաջարկություններ կամ որոշումներ են եզրակացնում բարդ մուտքային տվյալներից։
Հիմնական կարողություններ. հիմքը կազմում են ուսուցումը, օրինաչափությունների ճանաչումը, լեզուն, ընկալումը և որոշումների կայացման աջակցությունը։
Տեխնոլոգիական փաթեթ. մեքենայական ուսուցումը, խորը ուսուցումը, NLP-ն, տեսլականը, կյանքի իրավունքը և գեներատիվ արհեստական բանականությունը հաճախ աշխատում են համակցված։
Կյանքի ցիկլ՝ մարզել, վավերացնել, տեղակայել, ապա վերահսկել շեղումները և կատարողականի անկումը։
Կառավարում. Կիրառեք կողմնակալության ստուգումներ, մարդկային վերահսկողություն, գաղտնիության/անվտանգության վերահսկողություն և հստակ հաշվետվողականություն։
Հոդվածներ, որոնք կարող են ձեզ դուր գալ կարդալ սրանից հետո
🔗 Ինչպես փորձարկել արհեստական բանականության մոդելները
Գործնական մեթոդներ ճշգրտությունը, կողմնակալությունը, կայունությունը և կատարողականը գնահատելու համար։.
🔗 Ի՞նչ է նշանակում AI-ն
Արհեստական բանականության իմաստի և տարածված թյուրըմբռնումների պարզ բացատրություն։.
🔗 Ինչպես օգտագործել արհեստական բանականությունը բովանդակության ստեղծման համար
Օգտագործեք արհեստական բանականությունը՝ բովանդակությունը գաղափարներ մշակելու, նախագծեր կազմելու, խմբագրելու և մասշտաբավորելու համար։.
🔗 Արհեստական բանականությունը գերագնահատվա՞ծ է
Արհեստական բանականության խոստումների, սահմանափակումների և իրական աշխարհի արդյունքների հավասարակշռված հայացք։.
Ի՞նչ է արհեստական բանականությունը 🧠
տեխնոլոգիան (AI տեխնոլոգիա) մեթոդների և գործիքների լայն շրջանակ է, որը թույլ է տալիս մեքենաներին կատարել «խելացի» վարքագծեր, ինչպիսիք են՝
-
Սովորել տվյալներից (յուրաքանչյուր սցենարի համար հստակ ծրագրավորված լինելու փոխարեն)
-
Շաբլոնների (դեմքեր, խարդախություն, բժշկական ազդանշաններ, միտումներ) ճանաչում
-
Լեզվի հասկացում կամ ստեղծում (չաթբոտներ, թարգմանություն, ամփոփումներ)
-
Պլանավորում և որոշումների կայացում (ուղղորդում, առաջարկություններ, ռոբոտաշինություն)
-
Ընկալում (տեսողություն, խոսքի ճանաչում, սենսորային մեկնաբանություն)
Եթե ցանկանում եք «պաշտոնական» հիմք, ապա Տնտեսական համագործակցության և զարգացման կազմակերպության (OECD) կառուցվածքը օգտակար խարիսխ է. այն արհեստական բանականության համակարգը դիտարկում է որպես մի բան, որը կարող է եզրակացություններ անել մուտքային տվյալներից՝ ելքային տվյալներ ստանալու համար, ինչպիսիք են կանխատեսումները, առաջարկությունները կամ շրջակա միջավայրի վրա ազդող որոշումները: Այլ կերպ ասած՝ այն ընկալում է բարդ իրականությունը → ստեղծում է «լավագույն ենթադրության» ելքային տվյալներ → ազդում է հետագա իրադարձությունների վրա: [1]
Չեմ ստելու. «Արհեստական բանականությունը» ընդհանուր եզրույթ է։ Դրա տակ կգտնեք բազմաթիվ ենթաոլորտներ, և մարդիկ պատահաբար բոլորն էլ անվանում են «Արհեստական բանականություն», նույնիսկ երբ դրանք պարզապես գլխարկով ֆանտաստիկ վիճակագրություն են։.
Արհեստական բանականության տեխնոլոգիա պարզ անգլերենով (առանց վաճառքի ձևականությունների) 😄
Պատկերացրեք, որ դուք սրճարան ունեք և սկսում եք հետևել պատվերներին։.
Սկզբում դուք կռահում եք. «Զգո՞ւմ եք, որ վերջերս մարդիկ ավելի շատ են ուզում վարսակի կաթ»։
Հետո նայում եք թվերին և ասում. «Պարզվում է, որ վարսակի կաթի քանակը կտրուկ աճում է հանգստյան օրերին»։
Հիմա պատկերացրեք մի համակարգ, որը
-
հետևում է այդ հրամաններին,
-
գտնում է օրինաչափություններ, որոնք դուք չեք նկատել,
-
կանխատեսում է, թե վաղը ինչ կվաճառեք,
-
և առաջարկում է, թե որքան ապրանք գնել…
Այդ օրինաչափությունների որոնումը + կանխատեսումը + որոշումների աջակցությունը արհեստական բանականության տեխնոլոգիայի առօրյա տարբերակն է։ Դա նման է ձեր ծրագրին լավ աչք և մի փոքր մոլուցքային տետր տալուն։.
Երբեմն դա նույնն է, թե նրան թութակ տալ, որը շատ լավ խոսել է սովորել։ Օգտակար է, բայց… ոչ միշտ իմաստուն։ Դրա մասին՝ ավելի ուշ։
Արհեստական բանականության տեխնոլոգիայի հիմնական կառուցվածքային բլոկները 🧩
Արհեստական բանականությունը մեկ բան չէ։ Այն մոտեցումների մի ամբողջություն է, որոնք հաճախ միասին են աշխատում։
Մեքենայական ուսուցում (ML)
Համակարգերը սովորում են հարաբերությունները տվյալներից, այլ ոչ թե ֆիքսված կանոններից:
Օրինակներ՝ սպամի ֆիլտրեր, գների կանխատեսում, հաճախորդների արտահոսքի կանխատեսում:
Խորը ուսուցում
Բազմաշերտ նեյրոնային ցանցեր օգտագործող մեքենայական ուսուցման ենթաբազմություն (լավ է խառնաշփոթ տվյալների, ինչպիսիք են պատկերները և աուդիոն, համար):
Օրինակներ՝ խոսքի տեքստի վերածում, պատկերի պիտակավորում, որոշ առաջարկությունների համակարգեր:
Բնական լեզվի մշակում (NLP)
Տեխնոլոգիա, որն օգնում է մեքենաներին աշխատել մարդկային լեզվի հետ։
Օրինակներ՝ որոնում, չաթբոտներ, տրամադրության վերլուծություն, փաստաթղթերի արդյունահանում։
Համակարգչային տեսողություն
Արհեստական բանականություն, որը մեկնաբանում է տեսողական մուտքային տվյալները:
Օրինակներ՝ գործարաններում թերությունների հայտնաբերում, պատկերման աջակցություն, նավիգացիա:
Ուժեղացված ուսուցում (ՈՒՈՒ)
Փորձի և սխալի միջոցով սովորելը՝ օգտագործելով պարգևատրումներ և պատժամիջոցներ:
Օրինակներ՝ ռոբոտաշինության ուսուցում, խաղային գործակալներ, ռեսուրսների օպտիմալացում:
Գեներատիվ արհեստական բանականություն
Մոդելներ, որոնք ստեղծում են նոր բովանդակություն՝ տեքստ, պատկերներ, երաժշտություն, կոդ:
Օրինակներ՝ գրավոր օգնականներ, դիզայնի մակետներ, ամփոփման գործիքներ:
Եթե ցանկանում եք մի վայր, որտեղ կազմակերպվում են ժամանակակից արհեստական բանականության հետազոտություններ և հանրության հետ քննարկումներ (առանց ձեր ուղեղը անմիջապես հալեցնելու), Սթենֆորդի HAI-ը հուսալի հղումային կենտրոն է։ [5]
Արագ «ինչպես է այն աշխատում» մտավոր մոդել (մարզում vs. օգտագործում) 🔧
Ժամանակակից արհեստական բանականության մեծ մասն ունի երկու մեծ փուլ՝
-
Ուսուցում. մոդելը սովորում է օրինաչափություններ բազմաթիվ օրինակներից։
-
Եզրակացություն. մարզված մոդելը ստանում է նոր մուտքային տվյալներ և ստեղծում է ելքային տվյալներ (կանխատեսում / դասակարգում / գեներացված տեքստ և այլն):
Գործնական, ոչ այնքան մաթեմատիկական պատկեր
-
Հավաքագրել տվյալներ (տեքստ, պատկերներ, գործարքներ, սենսորային ազդանշաններ)
-
Ձևավորեք այն (վերահսկվող ուսուցման պիտակներ կամ ինքնուրույն/կիսավերահսկվող մոտեցումների կառուցվածք)
-
Մարզել (օպտիմալացնել մոդելը, որպեսզի այն ավելի լավ աշխատի օրինակների վրա)
-
Հաստատել այն տվյալները, որոնք այն չի տեսել (գերհարմարեցումը հայտնաբերելու համար)
-
Տեղակայել
-
Մոնիթորինգ (քանի որ իրականությունը փոխվում է, և մոդելները կախարդականորեն չեն համընթացում միմյանց)
Հիմնական գաղափար՝ շատ արհեստական բանականության համակարգեր չեն «հասկանում» այնպես, ինչպես մարդիկ։ Նրանք սովորում են վիճակագրական հարաբերություններ։ Ահա թե ինչու արհեստական բանականությունը կարող է հիանալի լինել օրինաչափությունների ճանաչման մեջ և միևնույն ժամանակ ձախողվել տարրական առողջ բանականության մեջ։ Դա նման է հանճարեղ խոհարարի, որը երբեմն մոռանում է ափսեների գոյության մասին։.
Համեմատական աղյուսակ. արհեստական բանականության տեխնոլոգիաների տարածված տարբերակներ (և ինչի համար են դրանք լավ) 📊
Ահա արհեստական բանականության տեխնոլոգիայի «տեսակների» մասին մտածելու գործնական եղանակ։ Կատարյալ չէ, բայց օգնում է։.
| Արհեստական բանականության տեխնոլոգիայի տեսակ | Լավագույնը (հանդիսատեսի համար) | Գինու չափ | Ինչու է այն աշխատում (արագ) |
|---|---|---|---|
| Կանոնների վրա հիմնված ավտոմատացում | Փոքր օպերացիոն թիմեր, կրկնվող աշխատանքային հոսքեր | Ցածր | Պարզ «եթե-ապա» տրամաբանություն, հուսալի… բայց փխրուն, երբ կյանքը դառնում է անկանխատեսելի։ |
| Դասական մեքենայական ուսուցում | Վերլուծաբաններ, արտադրանքի թիմեր, կանխատեսումներ | Միջին | Սովորում է կառուցվածքային տվյալներից օրինաչափություններ՝ հիանալի է «աղյուսակներ + միտումներ» ստեղծելու համար |
| Խորը ուսուցում | Տեսողության/ձայնի թիմեր, բարդ ընկալում | Բարձրակարգ | Ուժեղ է խառնաշփոթ մուտքագրման հարցում, բայց պահանջում է տվյալներ + հաշվարկներ (և համբերություն) |
| NLP (լեզվի վերլուծություն) | Աջակցության թիմեր, հետազոտողներ, համապատասխանության կանոններ | Միջին | Արտածում է իմաստը/էությունները/մտադրությունը. դեռ կարող է սխալ մեկնաբանել սարկազմը 😬 |
| Գեներատիվ արհեստական բանականություն | Մարքեթինգ, գրելը, կոդավորումը, գաղափարների ստեղծումը | Տարբեր է | Արագ է ստեղծում բովանդակություն. որակը կախված է հուշումներից + պաշտպանիչ ցանկապատերից… և այո, երբեմն՝ վստահ անհեթեթություններ |
| Ուժեղացված ուսուցում | Ռոբոտաշինության, օպտիմալացման սիրահարներ (ասված սիրով) | Բարձր | Սովորում է ռազմավարություններ՝ ուսումնասիրելով. հզոր է, բայց ուսուցումը կարող է թանկ լինել |
| Edge AI | Ինտերնետային իրերի ցանց, գործարաններ, առողջապահական սարքավորումներ | Միջին | Գործարկում է մոդելները սարքի վրա՝ արագության և գաղտնիության համար՝ ամպային կախվածության նվազեցմամբ |
| Հիբրիդային համակարգեր (արհեստական բանականություն + կանոններ + մարդիկ) | Ձեռնարկություններ, բարձր ռիսկային աշխատանքային հոսքեր | Միջին-բարձր | Գործնականում՝ մարդիկ դեռ որսում են «սպասե՛ք, ի՞նչ» պահերը |
Այո, սեղանը մի փոքր անհարթ է. այդպիսին է կյանքը։ Արհեստական բանականության տեխնոլոգիայի ընտրությունները համընկնում են, ինչպես ականջակալները դարակում։.
Ի՞նչն է դարձնում արհեստական բանականության տեխնոլոգիական համակարգը լավը։ ✅
Սա այն մասն է, որը մարդիկ բաց են թողնում, քանի որ այն այդքան էլ փայլուն չէ։ Բայց գործնականում, հենց այստեղ է, որ հաջողությունը կայանում է։.
«Լավ» արհեստական բանականության տեխնոլոգիական համակարգը սովորաբար ունի
-
Հստակ աշխատանքը, որը պետք է անել՝
«Օգնել տեսակավորման աջակցության տոմսերի հարցում», ավելի լավ է, քան «դառնալ ավելի խելացի»։ -
Բավարար որակի տվյալներ։
Աղբը մտնում է, աղբը դուրս է գալիս… և երբեմն էլ՝ վստահությամբ աղբը դուրս է գալիս 😂 -
Չափելի արդյունքներ
՝ ճշգրտություն, սխալների մակարդակ, խնայված ժամանակ, ծախսերի կրճատում, օգտագործողի գոհունակության բարձրացում։ -
Կողմնակալության և արդարության ստուգումներ (հատկապես բարձր ռիսկերի դեպքում):
Եթե դա ազդում է մարդկանց կյանքի վրա, դուք այն լրջորեն ստուգում եք և ռիսկերի կառավարումը դիտարկում եք որպես կյանքի ցիկլի գործընթաց, այլ ոչ թե միանգամյա օգտագործման վանդակ: NIST-ի արհեստական բանականության ռիսկերի կառավարման շրջանակը այս տեսակի «կառուցել + չափել + կառավարել» մոտեցման ամենահստակ հանրային ձեռնարկներից մեկն է: [2] -
Մարդկային վերահսկողություն, որտեղ դա կարևոր է։
Ոչ թե որովհետև մարդիկ կատարյալ են (lol), այլ որովհետև պատասխանատվությունը կարևոր է։ -
Գործարկումից հետո մոնիթորինգ
։ Մոդելների տեղաշարժ։ Օգտատիրոջ վարքագծի փոփոխություններ։ Իրականությանը չի հետաքրքրում ձեր մարզման տվյալները։
Արագ «կոմպոզիտային օրինակ» (հիմնված շատ տիպիկ տեղակայումների վրա)
Աջակցության թիմը ներկայացնում է մեքենայական ուսուցման տոմսերի երթուղայնացման գործիքը։ 1-ին շաբաթ. մեծ հաղթանակ։ 8-րդ շաբաթ. նոր արտադրանքի թողարկումը փոխում է տոմսերի թեմաները, և երթուղայնացումը դանդաղորեն վատանում է։ Լուծումը «ավելի շատ արհեստական բանականություն» չէ, այլ մոնիթորինգ + վերապատրաստում + մարդկային պահեստային ուղի։ Անփույթ սանտեխնիկան փրկում է օրը։
Անվտանգություն + գաղտնիություն. ոչ պարտադիր, ոչ մի ծանոթագրություն 🔒
Եթե ձեր արհեստական բանականությունը դիպչում է անձնական տվյալներին, ապա դուք գտնվում եք «մեծահասակների կանոնների» տարածքում։.
Ընդհանուր առմամբ, ձեզ անհրաժեշտ են՝ մուտքի վերահսկողություն, տվյալների նվազագույնի հասցնելը, զգույշ պահպանումը, նպատակի հստակ սահմանափակումները և անվտանգության ուժեղ թեստավորումը՝ գումարած լրացուցիչ զգուշություն այն դեպքերում, երբ ավտոմատացված որոշումները ազդում են մարդկանց վրա: Մեծ Բրիտանիայի ICO-ի ուղեցույցը արհեստական բանականության և տվյալների պաշտպանության վերաբերյալ գործնական, կարգավորող մարմնի մակարդակի ռեսուրս է՝ արդարության, թափանցիկության և GDPR-ին համապատասխան տեղակայման մասին մտածելու համար: [3]
Ռիսկերը և սահմանափակումները (այսինքն՝ այն մասը, որը մարդիկ սովորում են դժվարին ճանապարհով) ⚠️
Արհեստական բանականությունը ավտոմատ կերպով վստահելի չէ։ Հաճախակի հանդիպող թերություններ՝
-
Կողմնակալություն և անարդար արդյունքներ։
Եթե վերապատրաստման տվյալները արտացոլում են անհավասարությունը, մոդելները կարող են կրկնել այն կամ ուժեղացնել այն։ -
Հալյուցինացիաներ (գեներատիվ արհեստական ինտելեկտի համար):
Որոշ մոդելներ ստեղծում են պատասխաններ, որոնք ճիշտ են հնչում, բայց այդպես չեն: Սա ճիշտ «ստել» չէ. այն ավելի շատ նման է վստահությամբ իմպրովիզացիոն կատակերգության: -
Անվտանգության խոցելիություններ
՝ հակառակորդական հարձակումներ, արագ ներարկում, տվյալների թունավորում. այո, սա սյուրռեալիստական է դառնում։ -
Չափազանց կախվածություն։
Մարդիկ դադարում են կասկածի տակ դնել արդյունքները, և սխալները աննկատ են մնում։ -
Մոդելի շեղում
Աշխարհը փոխվում է։ Մոդելը չի փոխվում, եթե դուք այն չպահպանեք։
Եթե ցանկանում եք կայուն «էթիկա + կառավարում + չափորոշիչներ» տեսանկյունից, IEEE-ի աշխատանքը ինքնավար և ինտելեկտուալ համակարգերի էթիկայի վերաբերյալ հզոր հենակետ է այն բանի համար, թե ինչպես է պատասխանատու դիզայնը քննարկվում ինստիտուցիոնալ մակարդակում: [4]
Ինչպես ընտրել ճիշտ արհեստական բանականություն տեխնոլոգիան ձեր օգտագործման դեպքի համար 🧭
Եթե գնահատում եք արհեստական բանականության տեխնոլոգիան (բիզնեսի, նախագծի կամ պարզապես հետաքրքրասիրության համար), սկսեք այստեղից
-
Սահմանեք արդյունքը։
Ո՞ր որոշումը կամ առաջադրանքը կբարելավվի։ Ի՞նչ չափանիշներ կփոխվեն։ -
Վերստուգեք ձեր տվյալների իրականությունը։
Արդյո՞ք դուք ունեք բավարար տվյալներ։ Դրանք մաքուր են։ Դրանք կողմնակալ են։ Ո՞վ է դրանց սեփականատերը։ -
Ընտրեք ամենապարզ մոտեցումը, որն աշխատում է
։ Երբեմն կանոնները գերազանցում են մեքենայական ուսուցմանը։ Երբեմն դասական մեքենայական ուսուցումը գերազանցում է խորը ուսուցմանը։
Չափազանց բարդացումը հարկ է, որը դուք վճարում եք հավերժ։ -
Տեղակայման պլան, ոչ թե պարզապես ցուցադրական տարբերակ։
Ինտեգրացիա, լատենտություն, մոնիթորինգ, վերապատրաստում, թույլտվություններ։ -
Ավելացրեք պաշտպանիչ ցանկապատեր։
Մարդկային վերանայում՝ բարձր ռիսկերի, գրանցումների, անհրաժեշտության դեպքում բացատրելիության համար։ -
Փորձարկեք իրական օգտատերերի հետ։
Օգտատերերը կանեն այնպիսի բաներ, որոնց մասին ձեր դիզայներները երբեք չէին պատկերացնի։ Ամեն անգամ։
Ասեմ պարզ. լավագույն արհեստական բանականության տեխնոլոգիական նախագիծը հաճախ 30 տոկոսով մոդել է, 70 տոկոսով՝ սանտեխնիկա։ Ոչ թե շքեղ։ Շատ իրական։.
Հակիրճ ամփոփում և եզրափակիչ նշում 🧁
Արհեստական բանականությունը գործիքակազմ է, որն օգնում է մեքենաներին սովորել տվյալներից, ճանաչել օրինաչափությունները, հասկանալ լեզուն, ընկալել աշխարհը և որոշումներ կայացնել՝ երբեմն նույնիսկ ստեղծելով նոր բովանդակություն։ Այն ներառում է մեքենայական ուսուցում, խորը ուսուցում, NLP, համակարգչային տեսողություն, ամրապնդող ուսուցում և գեներատիվ արհեստական բանականություն։
Եթե մեկ բան հաշվի առնենք. արհեստական բանականությունը հզոր է, բայց այն ավտոմատ կերպով հուսալի չէ: Լավագույն արդյունքները ստացվում են հստակ նպատակներից, լավ տվյալներից, ուշադիր փորձարկումից և շարունակական մոնիթորինգից: Բացի այդ, կա նաև առողջ սկեպտիկության չափաբաժին, օրինակ՝ ռեստորանների մասին կարծիքներ կարդալը, որոնք մի փոքր չափազանց ոգևորված են թվում 😬
Իրական աշխարհի օրինակ՝ արհեստական բանականության աջակցության տոմսերի տեսակավորման օգնականի կառուցում 🎫
Սցենար
Պատկերացրեք, որ մի փոքր SaaS ընկերություն ամեն շաբաթ ստանում է 180-220 հաճախորդների աջակցության հարցում։ Թիմն ունի երեք աջակցության գործակալ, և ամենաշատ ժամանակը վատնում է հարցումներին չպատասխանելը, այլ դրանք տեսակավորելը։.
Որոշ տոմսեր հաշվառման խնդիրներ են։ Որոշները՝ սխալների մասին հաղորդագրություններ։ Որոշները՝ «ինչպե՞ս վերականգնել գաղտնաբառը» հարցեր են։ Մի քանիսը հաշվի մուտքի հետ կապված հրատապ խնդիրներ են, որոնք չպետք է կես օր սպասեն։.
Պարզ արհեստական ինտելեկտի տեսակավորման օգնականը կարող է օգնել՝ կարդալով նոր տոմսերը, դասակարգելով դրանք, առաջարկելով առաջնահերթության մակարդակ, կազմելով կարճ ներքին ամփոփում և ուղղորդելով դրանք ճիշտ անձին: Այն չի փոխարինում աջակցության թիմին: Այն պարզապես վերացնում է կրկնվող առաջին փուլի տեսակավորման աշխատանքը:.
Ինչ է պետք օգնականին
Սա արժեքավոր դարձնելու համար թիմին անհրաժեշտ կլինի
Հաճախորդների աջակցության կատեգորիաներ, ինչպիսիք են՝ Հաշիվ-ապրանքագիր, Սխալ, Հաշվի մուտք, Հնարավորությունների հարցում և Ընդհանուր հարց
Առաջնահերթության կանոններ, օրինակ՝ «Հաշիվը կողպված է + վճարող հաճախորդ = բարձր առաջնահերթություն»
Ճիշտ պիտակավորված անցյալ տոմսերի մի քանի օրինակներ
Ցանկ այն բաների, որոնք արհեստական բանականությունը չպետք է անի, ինչպիսիք են՝ վերադարձնել գումարը, խոստանալ շտկումներ կամ փոխել հաշվի կարգավորումները։
Անհետաձգելի, իրավական, հաշվարկային կամ անվտանգության հետ կապված տոմսերի մարդկային վերանայման քայլ
Պարզ միջոց՝ հետևելու համար, թե արդյոք արհեստական բանականության ուղղորդումը ընդունվել է, թե ուղղվել է աջակցության թիմի կողմից
Օրինակային հրահանգ
Դուք կարող եք օգնականին տալ հետևյալ հրահանգը
Կարդացեք հաճախորդների աջակցության տոմսը և դասակարգեք այն մեկ կատեգորիայի՝ Հաշիվ-ապրանքագիր, Սխալ, Հաշվի մուտք, Հնարավորության հարցում կամ Ընդհանուր հարց: Նշեք ցածր, միջին կամ բարձր առաջնահերթություն՝ օգտագործելով ընկերության աջակցության կանոնները: Գրեք մեկ նախադասությունից բաղկացած ներքին ամփոփում: Մի խոստացեք վերադարձներ, շտկումներ, ժամանակացույցեր կամ քաղաքականության բացառություններ: Եթե տոմսում նշվում է փակված հաշիվ, ձախողված վճարում, անվտանգության հետ կապված խնդիր կամ զայրացած հաճախորդ, նշեք այն մարդկային վերանայման համար:.
Օրինակ տոմս՝
«Ես երեկ վճարեցի Pro պլանի համար, բայց իմ հաշվի վրա դեռ գրված է «Անվճար»։ Ես պետք է սա շտկեմ, նախքան հաճախորդը այսօր կեսօրին կզանգահարի»։
Լավ ելք
Կատեգորիա՝ Հաշվարկի
առաջնահերթություն՝ Բարձր
Ամփոփում՝ Հաճախորդը վճարել է Pro-ի համար, բայց դեռևս տեսնում է անվճար պլանը և անհրաժեշտ է մուտք գործել մինչև հաճախորդի այսօրվա զանգը։
Մարդկային վերանայում՝ Այո՝ վճարման/մուտքի խնդիր ժամանակի սղության պատճառով։
Վատ արդյունք՝
«Կներեք, մենք թարմացրել ենք ձեր հաշիվը։»
Այդ վատ պատասխանը ռիսկային է, քանի որ արհեստական բանականությունը ձևացնում է, թե կատարում է մի գործողություն, որի համար, հնարավոր է, թույլտվություն չունի։.
Ինչպես փորձարկել այն
Նախքան օգնականը ուղիղ տոմսերի վրա օգտագործելը, փորձարկեք այն 30-50 հին տոմսերի վրա, որոնց ճիշտ կատեգորիան և առաջնահերթությունն արդեն հայտնի են։.
Արժեքավոր թեստային հավաքածուն կարող է ներառել
10 պարզ «ինչպես անել» հարց
10 հաշվարկային կամ պլանային մուտքի տոմսեր
10 սխալի մասին հաղորդում
5 զայրացած կամ շտապող հաճախորդի հաղորդագրություն
5 խճճված տոմս, որոնք միաժամանակ երկու խնդիր են հիշատակում
Հետևեք երեք բանի
Արդյո՞ք այն ճիշտ կատեգորիա է ընտրել։
Արդյո՞ք այն ճիշտ առաջնահերթություն ընտրեց։
Արդյո՞ք այն ճիշտ նշեց ռիսկային տոմսերը մարդկային վերանայման համար։
Թիմը պետք է նաև ստուգի անսովոր մուտքային տվյալները, ինչպիսիք են շատ կարճ հաղորդագրությունները, հեգնանքը, տեքստ չունեցող էկրանի կադրերը, անորոշ բողոքները և սխալ ապրանքի անվանումներ օգտագործող հաճախորդները։.
Արդյունք
Նկարազարդ արդյունք՝ հիմնված աշխատանքային հոսքի օգտագործումից առաջ և հետո 40 նմուշային տոմսերի ժամանակագրման վրա։.
Ձեռքով տեսակավորման ժամանակը. 3 րոպե մեկ տոմսի համար։
Արհեստական բանականության օգնությամբ տեսակավորման ժամանակը. 45 վայրկյան մեկ տոմսի համար, ներառյալ մարդկային վերանայումը։
Շաբաթական 200 տոմսի վրա խնայված մոտավոր ժամանակը. 7.5 ժամ։
Մեկնարկից առաջ երթուղավորման ճշգրտության նպատակը. փորձարկման հավաքածուի առնվազն 85%։
Մարդկային վերանայման նպատակը. հաշվարկային, հաշվի մուտքի, անվտանգության կամ շտապ բողոքների տոմսերի 100%-ը։
Այս թվերը համընդհանուր չափանիշ չեն։ Դրանք օրինակելի գնահատական են, որը թիմը կարող է ստուգել՝ ժամանակաչափելով ուղիղ եթերում տոմսերը, հաշվելով ուղղված դասակարգումները և վերանայելով շաբաթական աջակցության գրանցամատյանները։.
Ի՞նչը կարող է սխալ ընթանալ
Օգնականը կարող է թերագնահատել զայրացած հաճախորդի առաջնահերթությունները, քանի որ հաղորդագրության մեջ չեն օգտագործվում ակնհայտորեն հրատապ բառեր։.
Այն կարող է հաշվառման սխալը դասակարգել որպես միայն «Հաշիվ-ապրանքագիր», երբ այն նաև կարիք ունի արտադրանքի թիմի։.
Այն կարող է ստեղծել վստահ ամփոփում, որը բաց է թողնում տոմսի վերջում թաքնված կարևոր մանրամասնությունը։.
Այն կարող է հույսը դնել հնացած աջակցության կանոնների վրա, եթե գնագոյացումը, վերադարձի քաղաքականությունը կամ էսկալացիայի ուղիները փոխվեն։.
Ամենամեծ սխալը թույլ տալն է, որ արհեստական բանականությունը լուռ ուղղորդի տոմսերը՝ առանց ուղղումները չափելու։ Եթե գործակալները շարունակեն շտկել նույն արհեստական բանականության սխալը, դա կդառնա բարելավման համար նախատեսված ուսումնական տվյալներ, այլ ոչ թե անտեսելու բան։.
Գործնական ուսուցողական նյութ
Ահա թե որտեղ է արհեստական բանականության տեխնոլոգիան արժեքավոր դառնում գործնականում. ոչ թե որպես կախարդական ուղեղ, այլ որպես վերահսկվող աշխատանքային հոսք: Տվեք դրան նեղ աշխատանք, հստակ կանոններ, թեստային օրինակներ, չափելի նպատակներ և մարդկային պահեստային ուղի: Այդ համադրությունը սովորաբար շատ ավելի հուսալի է, քան արհեստական բանականությանը խնդրելը «աջակցությունը կարգավորել» և լավագույնի վրա հույս դնելը:.
Հաճախակի տրվող հարցեր
Ի՞նչ է արհեստական բանականության տեխնոլոգիան պարզ լեզվով։
Արհեստական բանականությունը մեթոդների ամբողջություն է, որն օգնում է համակարգիչներին սովորել տվյալներից և ստեղծել գործնական արդյունքներ, ինչպիսիք են կանխատեսումները, առաջարկությունները կամ ստեղծված բովանդակությունը: Յուրաքանչյուր իրավիճակի համար ֆիքսված կանոններով ծրագրավորվելու փոխարեն, մոդելները մարզվում են օրինակների վրա, ապա կիրառվում նոր մուտքային տվյալների վրա: Արտադրական տեղակայումներում արհեստական բանականությունը կարիք ունի շարունակական մոնիթորինգի, քանի որ այն տվյալները, որոնց հանդիպում է, կարող են ժամանակի ընթացքում փոխվել:.
Ինչպե՞ս է արհեստական բանականության տեխնոլոգիան գործում գործնականում (ուսուցում ընդդեմ եզրակացության):
Արհեստական բանականության տեխնոլոգիաների մեծ մասն ունի երկու հիմնական փուլ՝ ուսուցում և եզրակացություն։ Ուսուցման ընթացքում մոդելը սովորում է օրինաչափություններ տվյալների բազմությունից՝ հաճախ օպտիմալացնելով իր կատարողականությունը հայտնի օրինակների վրա։ Եզրակացության ընթացքում մարզված մոդելը ընդունում է նոր մուտքային տվյալներ և ստեղծում է ելքային տվյալներ, ինչպիսիք են դասակարգումը, կանխատեսումը կամ ստեղծված տեքստը։ Տեղակայումից հետո կատարողականությունը կարող է վատթարանալ, ուստի մոնիթորինգը և վերագործարկումը կարևոր են։.
Ի՞նչ տարբերություն կա մեքենայական ուսուցման, խորը ուսուցման և արհեստական բանականության միջև։
Արհեստական բանականությունը «խելացի» մեքենայի վարքագծի լայն, ընդհանուր տերմինն է, մինչդեռ մեքենայական ուսուցումը արհեստական բանականության մեջ տարածված մոտեցում է, որը տվյալներից սովորում է հարաբերություններ: Խորը ուսուցումը մեքենայական ուսուցման ենթաբազմություն է, որն օգտագործում է բազմաշերտ նեյրոնային ցանցեր և հակված է լավ աշխատել աղմկոտ, չկառուցվածքային մուտքային տվյալների վրա, ինչպիսիք են պատկերները կամ աուդիոն: Շատ համակարգեր համատեղում են մոտեցումները՝ մեկ տեխնիկայի վրա հույսը դնելու փոխարեն:.
Ինչպիսի՞ խնդիրների համար է արհեստական բանականությունը լավագույնը։
Արհեստական բանականությունը (ԱԲ) հատկապես ուժեղ է օրինաչափությունների ճանաչման, կանխատեսման, լեզվական առաջադրանքների և որոշումների աջակցության ոլորտներում: Հաճախակի օրինակներից են սպամի հայտնաբերումը, հաճախորդների արտահոսքի կանխատեսումը, աջակցության տոմսերի ուղղորդումը, խոսքի վերածումը տեքստի և տեսողական թերությունների հայտնաբերումը: Գեներացնող ԱԲ-ն հաճախ օգտագործվում է նախագծման, ամփոփման կամ գաղափարների ստեղծման համար, մինչդեռ ուժեղացված ուսուցումը կարող է օգնել օպտիմալացման խնդիրների և գործակալներին մարզելու հարցում՝ պարգևատրումների և տուգանքների միջոցով:.
Ինչո՞ւ են արհեստական բանականության մոդելները շեղվում, և ինչպե՞ս կանխել արտադրողականության անկումը։
Մոդելի շեղումը տեղի է ունենում, երբ պայմանները փոխվում են՝ նոր օգտատիրոջ վարքագիծ, նոր ապրանքներ, նոր խարդախության ձևեր, փոփոխվող լեզու, մինչդեռ մոդելը շարունակում է մարզվել հին տվյալների հիման վրա: Արդյունավետության անկումը նվազեցնելու համար թիմերը սովորաբար վերահսկում են հիմնական չափանիշները թողարկումից հետո, սահմանում են ահազանգերի շեմեր և պլանավորում պարբերական վերանայումներ: Երբ շեղում է հայտնաբերվում, վերավարժեցումը, տվյալների թարմացումները և մարդկային պահեստային ուղիները օգնում են պահպանել արդյունքների հուսալիությունը:.
Ինչպե՞ս ընտրել ճիշտ արհեստական բանականության տեխնոլոգիան որոշակի օգտագործման դեպքի համար։
Սկսեք արդյունքը և այն չափանիշը սահմանելով, որը ցանկանում եք բարելավել, այնուհետև գնահատեք ձեր տվյալների որակը, կողմնակալության ռիսկերը և պատասխանատվությունը: Հաճախակի մոտեցում է պահանջներին համապատասխանող ամենապարզ մեթոդի ընտրությունը. երբեմն կանոնները գերազանցում են մեքենայական ուսուցմանը, և դասական մեքենայական ուսուցումը կարող է գերազանցել խորը ուսուցմանը կառուցվածքային «աղյուսակներ + միտումներ» տվյալների համար: Պլանավորեք ինտեգրացիան, լատենտությունը, թույլտվությունները, մոնիթորինգը և վերապատրաստումը՝ ոչ թե պարզապես ցուցադրություն:.
Որո՞նք են արհեստական բանականության տեխնոլոգիայի ամենամեծ ռիսկերն ու սահմանափակումները։
Արհեստական բանականության համակարգերը կարող են կողմնակալ կամ անարդար արդյունքներ տալ, երբ վերապատրաստման տվյալները արտացոլում են հասարակական անհավասարությունը: Գեներացնող արհեստական բանականությունը կարող է նաև «հալյուցինացիաներ առաջացնել»՝ ստեղծելով վստահ հնչող արդյունք, որը հուսալի չէ: Գոյություն ունեն նաև անվտանգության ռիսկեր, այդ թվում՝ արագ ներարկում և տվյալների թունավորում, և թիմերը կարող են չափազանց կախված լինել արդյունքներից: Շարունակական կառավարումը, թեստավորումը և մարդկային վերահսկողությունը կարևոր են, հատկապես բարձր ռիսկային աշխատանքային հոսքերում:.
Ի՞նչ է նշանակում «կառավարում» հասկացությունը արհեստական բանականության տեխնոլոգիայի համար գործնականում։
Կառավարումը նշանակում է վերահսկողության սահմանում արհեստական բանականության կառուցման, տեղակայման և պահպանման շուրջ, որպեսզի հաշվետվողականությունը մնա հստակ: Գործնականում սա ներառում է կողմնակալության ստուգումներ, գաղտնիության և անվտանգության վերահսկողություն, մարդկային վերահսկողություն, որտեղ ազդեցությունը մեծ է, և աուդիտի ունակության գրանցում: Դա նաև նշանակում է ռիսկերի կառավարումը դիտարկել որպես կյանքի ցիկլի գործունեություն՝ ուսուցում, վավերացում, տեղակայում, ապա շարունակական մոնիթորինգ և թարմացումներ՝ պայմանների փոփոխությանը զուգընթաց:.
Հղումներ
-
NIST - Արհեստական բանականության ռիսկերի կառավարման շրջանակ (AI RMF 1.0) PDF
-
Մեծ Բրիտանիայի ICO - Արհեստական բանականության և տվյալների պաշտպանության վերաբերյալ ուղեցույց
-
IEEE ստանդարտների ասոցիացիա - ինքնավար և ինտելեկտուալ համակարգերի էթիկայի գլոբալ նախաձեռնություն