Priežastinis AI: vystosi nuo pripažinimo iki samprotavimo

Dirbtinis intelektas yra kertiniame savo evoliucijos taške, pereinant į naują erą, kuri apima ne tik modelio atpažinimą, bet ir samprotavimą, o priežastinis AI yra šios evoliucijos priešakyje.

Priežastinis AI suteikia įžvalgų ne tik apie tai, kas vyksta, bet ir kodėl. Šis sprendimų priėmimo žvalgybos šuolis gali iš naujo apibrėžti rinką, nes įmonės naudoja šiuos įrankius, kad įgalintų išmanesnius ir labiau reaguojančius procesus. Šis kitas AI evoliucijos etapas nulems AI ekosistemos ateitį. Priežastinis AI, skirtingai nuo tradicinių modelių, kurie remiasi statistiniais modeliais, yra skirtas paaiškinimams ir samprotavimams pateikti, teigia Scottas Hebneris, pagrindinis „CUBE Research“ analitikas.

„Daugelis žmonių kalba apie generatyvųjį dirbtinį intelektą… bet kaip lyderis, jūs taip pat turite galvoti į priekį, ypač su dirbtiniu intelektu, kuris juda dar greičiau nei ankstesnės technologinės transformacijos“, – sakė Hebneris. „Svarbu pažvelgti į futuristinį požiūrį… todėl darau penkių straipsnių seriją apie priežastinio AI atsiradimą.

Hebneris kalbėjosi su „CUBE Research“ pagrindiniu analitiku Robu Strechay per „AnalystANGLE“ segmentą „TheCUBE“, SiliconANGLE Media tiesioginės transliacijos studijoje. Jie aptarė, kaip priežastinis AI leis taikyti labiau struktūrizuotą požiūrį, integruojant didelių ir mažų kalbų modelius, kad būtų sukurta darnesnė, jautresnė AI ir mašininio mokymosi ekosistema.

Priežasties ir pasekmės supratimas

Organizacijoms peržengiant dirbtinio intelekto ribas, jos supranta, kad šiandieniniai modeliai, ypač dideli kalbų modeliai, yra veiksmingi nustatant modelius ir prognozuojant, tačiau nepaaiškina tokių prognozių priežasčių. LLM naudoja statistines tikimybes, kurios yra naudingos, tačiau gali būti ribotos dinamiškoje, nuolat kintančioje aplinkoje.

„Šiandieniniai nuspėjamieji modeliai ir generaciniai AI modeliai, įkūnyti LLM, yra modelių atpažinimo mašinos. Jie veikia pagal statistines tikimybes… statiškame pasaulyje“, – sakė Hebneris. „Ką priežastinis AI pasakys, kaip tos statistinės tikimybės pasikeičia, kai keičiasi jus supantis pasaulis.

Priežastinis AI prasideda nuo agentinio DI, kuris sujungia AI agentus į DI didelių kalbų modelių ir specifinių domeno mažų kalbų modelių ekosistemą, kad suprastų priežasties ir pasekmės ryšius, kurie yra esminis veiksnys, padedantis žmonėms spręsti problemas ir priimti geresnius sprendimus. kaip aptarta straipsnyje „The Causal AI Marketplace“, kurio autorius Hebner.

Pasak Hebnerio, organizacijos nuolat keičiasi, o norint, kad dirbtinis intelektas iš tikrųjų suprastų, kaip veikia verslas, jis turi sugebėti suprasti priežastis ir pasekmes. Kodėl? Nes versle viskas yra priežastis ir viskas yra pasekmė – AI turi neatsilikti nuo šios realybės.

„Priežastinis AI yra skirtas padėti žmonėms suprasti, kaip veikia verslas. Tada jis palaiko dinamišką pokyčių pasaulį“, – sakė Hebneris. „Tai leis tiems statistiniams modeliams, tikimybėms, kurias veikia tradicinis AI ir mašininis mokymasis, prisitaikyti.

Galimybė modeliuoti ir išbandyti „kas būtų, jei“ scenarijus remiantis modeliu yra dar vienas priežastinio AI privalumas. Tai suteikia įmonėms lankstumo modeliuoti geriausio atvejo rezultatus, turinčius įtakos pelningumo, klientų išlaikymo ir pajamų scenarijams.

„Šiandieniniai modeliai gana gerai nuspėja, ką turėtumėte daryti (ir) prognozuoti, ir generuoja ką, bet negali pasakyti, kaip tai padarė. Ir tikrai negali pasakyti, kodėl tai yra geriausias atsakymas“, – sakė Hebneris. „Priežastinis dirbtinis intelektas palaipsniui leis į šiuos modelius įtraukti šį paaiškinimą ne tik aprašomuoju ir nuspėjamuoju, bet ir… preskriptyviai.

Specializuotų AI modelių ir agentinio AI vaidmuo

Nors LLM teikia bendros paskirties sistemą, mažų kalbų modeliai yra sukurti tikslinėms užduotims, leidžiančioms įmonėms optimizuoti dirbtinį intelektą konkretiems poreikiams. Šie modeliai užtikrina aukštą duomenų apsaugą ir specializuotą pritaikymą.

„Jums reikia mažų kalbos modelių, kurie būtų specializuoti, saugūs ir suverenūs, suprantantys kiekvieną verslo sritį“, – sakė Hebneris.

Jis numato SLM ir LLM tinklą, kuriame dirbtinio intelekto agentai bendradarbiauja ir įneša specialių žinių. „Visas dalykas susijungs į architektūrinį požiūrį, ir tai reprezentuos ateitį“, – pridūrė jis.

Šis architektūrinis požiūris leis dirbtinio intelekto sistemoms veiksmingiau sąveikauti tarpusavyje. LLM suteiks bendrų žinių, o SLM sutelks dėmesį į konkrečias sritis, sukurdami vientisą informacijos srautą, paaiškino Hebneris.

„Mes judame link ekosistemos, kurioje dirbtinio intelekto agentai moko vieni kitus, mokosi vieni iš kitų ir tampa vis protingesni“, – pridūrė jis. „Tai bus architektūrinis požiūris, kai agentai bendradarbiaus, ir tai bus raktas į ateitį.

Priežastinio AI atvejis

Priežastinis AI nėra tik sąvoka horizonte – ji jau populiarėja pramonės šakose, kurioms reikalingas gilesnis sprendimų žvalgybos lygis. Neseniai atlikta Databricks Inc. ir Dataiku Inc. apklausa, kurioje dalyvavo 400 DI profesionalų, rodo, kad daugiau nei pusė jų jau naudoja arba eksperimentuoja su priežastiniu DI, kuris, kaip tikimasi, ateinančiais metais bus viena iš labiausiai pritaikytų dirbtinio intelekto technologijų, pasak Hebnerio.

„Pagrindinė technologija, kuri šiandien nenaudojama, bet planuojama panaudoti kitais metais, yra priežastinis AI“, – sakė Hebneris. „(Klientai) nori sukurti didesnius (investicijų grąžos) naudojimo atvejus, kuriems reikia… samprotavimo, sprendimų žvalgybos problemų sprendimo ir paaiškinamumo.

Augant labiau paaiškinamo ir pritaikomo AI paklausai, priežastinis AI greičiausiai vaidins vis svarbesnį vaidmenį verslui panaudoti dirbtinį intelektą, kad galėtų priimti geresnius sprendimus. Hebnerio teigimu, dirbtinio intelekto ateitį lems jos gebėjimas suprasti priežastį ir pasekmes. Šis pokytis galėtų iš naujo apibrėžti, kaip įmonės sprendžia problemas ir priima sprendimus vis dinamiškesnėje rinkoje.

„Gen AI šiandien yra didžiausias dalykas. Tai buvo ne prieš penkerius metus. Manau, laikui bėgant, priežastinis AI ir samprata, kodėl viskas vyksta, ir (pvz., klausimai): „Ką aš galiu padaryti, kad pagerinčiau dalykus?“ čia taps vis didesne mišinio dalimi“, – sakė Hebneris.

Štai visas CUBE „AnalystANGLE“ segmentas su Scottu Hebneriu:

Nuotrauka: SiliconANGLE/Bing