Čo je umelá inteligencia a čo ňou nie je

Keď tabuľka spočíta výdavky, počítač vykonal výpočet. Keď aplikácia odhadne, ktoré výdavky sú nezvyčajné, rieši odlišnú úlohu. Súčet má presný postup. Posúdenie nezvyčajnosti potrebuje vymedziť, čo považujeme za bežné, a pracovať s neistotou. Práve rozdiel medzi takýmito úlohami pomáha pochopiť AI.

Po tejto kapitole budete vedieť odlíšiť algoritmus, automatizáciu, strojové učenie a AI systém. Dokážete tiež vysvetliť, prečo jeden produkt môže obsahovať všetky tieto prvky a prečo úspešná odpoveď nepreukazuje ľudské myslenie.

Definícia začína úlohou systému

Umelá inteligencia je oblasť výskumu a technológií, ktoré umožňujú strojovým systémom vykonávať úlohy, ako sú rozpoznávanie, usudzovanie, plánovanie, učenie alebo tvorba obsahu. Konkrétny AI systém prijíma vstupy a vytvára výstupy, ktoré môžu ovplyvniť digitálne alebo fyzické prostredie.

OECD vo svojej aktualizovanej definícii zdôrazňuje, že systém zo vstupov odvodzuje spôsob vytvárania predikcií, obsahu, odporúčaní alebo rozhodnutí. Systémy sa líšia mierou autonómie a tým, či sa po nasadení prispôsobujú. Definícia preto nevyžaduje, aby sa každá AI priebežne učila od každého používateľa. OECD, 2024.

Slovo inteligencia tu označuje schopnosti systému pri riešení určitých úloh. Samo osebe nehovorí, že systém má vedomie, prežívanie, úmysly alebo ľudské porozumenie svetu. Počítač môže veľmi dobre triediť fotografie a zároveň nezvládnuť vysvetlenie situácie, ktorú človek pochopí z bežnej skúsenosti.

Aj hranice pojmu závisia od účelu. Výskumník môže skúmať algoritmus ako súčasť AI, zatiaľ čo používateľ vidí iba jednu funkciu aplikácie. Právne vymedzenie slúži inému účelu než historický opis odboru. Pri odbornom texte preto potrebujeme povedať, v akom význame pojem používame.

Algoritmus je postup, nie označenie inteligencie

Algoritmus predstavuje určený postup riešenia problému. Môže spočítať čísla, usporiadať mená, nájsť cestu v sieti alebo upravovať parametre modelu pri tréningu. AI používa algoritmy, ale algoritmy nájdeme aj v množstve programov, ktoré za AI bežne nepovažujeme.

Predstavte si zoznam kníh. Postup „porovnaj názvy a zoraď ich podľa abecedy“ nepotrebuje učenie z čitateľských návykov. Zadaná operácia je dostatočne presná. Ak chceme odporučiť knihu, ktorú si čitateľ pravdepodobne obľúbi, vzniká úloha odhadu. Rozličné systémy ju môžu riešiť pravidlami, štatistikou alebo strojovým učením.

Nie každý algoritmus je deterministický. Deterministický postup pri rovnakých vstupoch a podmienkach poskytne rovnaký výsledok. Iné postupy využívajú náhodnosť. Rozdiel medzi náhodným a deterministickým výpočtom však nie je hranicou medzi AI a ostatným softvérom. Náhodnosť môže používať aj jednoduchá hra a AI môže poskytovať opakovateľné výsledky.

Pri vysvetľovaní preto nestačí veta „AI je algoritmus“. Je približne taká užitočná ako tvrdenie, že doprava používa motory. Pomenúva súčasť, ale neobjasňuje účel, spôsob práce ani rozdiely medzi riešeniami.

Automatizácia opisuje vykonávanie práce

Automatizácia znamená, že časť činnosti prebieha bez toho, aby človek každý krok vykonal ručne. Časovač zapne osvetlenie. Program odošle potvrdenie po prijatí objednávky. Tabuľka vypočíta sumu faktúry. Všetky tieto úlohy sa dajú automatizovať bez modelu strojového učenia.

AI môže byť súčasťou automatizácie. Program napríklad prijme správu, model odhadne jej tému a ďalší krok ju presunie do príslušného oddelenia. Automatizovaný proces tu zahŕňa naučený odhad aj bežné softvérové operácie.

Tieto dve označenia odpovedajú na rôzne otázky. Automatizácia opisuje, koľko práce vykonáva systém bez ručného zásahu. AI opisuje použitú technológiu alebo schopnosť. Automatizovaný proces môže byť založený na pevných pravidlách. AI nástroj zase môže človeku iba ponúkať návrhy, ktoré vôbec automaticky nevykonáva.

Pri pracovnom procese je tento rozdiel zásadný. Návrh odpovede zákazníkovi sa dá skontrolovať pred odoslaním. Automatické odoslanie mení dôsledky prípadnej chyby. Rovnaký jazykový model tak môže mať v dvoch aplikáciách odlišnú praktickú zodpovednosť.

Klasický softvér a strojové učenie

V tradičnom prístupe programátor určuje postup, podľa ktorého program spracuje vstup. Pri strojovom učení sa časť vzťahov potrebných na riešenie úlohy odhaduje z príkladov. Tréningový algoritmus upravuje model tak, aby dosahoval vhodné výsledky podľa zvoleného kritéria. Google: What is Machine Learning?.

Pre výpočet poštovného môže stačiť tabuľka sadzieb. Hmotnosť balíka a druh služby určia cenu. Pre rozpoznanie adresy na pokrčenom papieri je ručné vypísanie všetkých možných tvarov písmen oveľa náročnejšie. Model sa môže naučiť vzťahy z mnohých ukážok, hoci výsledok ostáva závislý od kvality obrazu a od skúseností získaných pri tréningu.

Strojové učenie však nie je softvér bez ľudských rozhodnutí. Ľudia vyberajú úlohu, zbierajú dáta, nastavujú spôsob hodnotenia a rozhodujú o nasadení. Programujú tiež okolie modelu: nahrávanie súborov, prístupové práva, používateľské rozhranie a kontrolu výstupov.

Ani bežný softvér nemusí byť jednoduchý. Fyzikálna simulácia počasia môže obsahovať mimoriadne náročné výpočty. Ich zložitosť sama osebe neznamená učenie z dát. Naopak, niektorý model strojového učenia môže mať pomerne jednoduchú podobu a pracovať s malým počtom premenných.

AI zahŕňa aj prístupy založené na znalostiach

Strojové učenie tvorí významnú časť AI, ale nie celý odbor. Historicky aj prakticky sem patria metódy využívajúce logiku, vyhľadávanie možností, plánovanie a reprezentáciu znalostí. Znalosť môže mať podobu pravidla alebo vzťahu medzi pojmami.

Uvažujme modelový systém, ktorý plánuje presun tovaru. Vie, ktoré vozidlo má akú kapacitu, kedy je sklad otvorený a ktoré zásielky treba doručiť skôr. Hľadá vhodnú kombináciu krokov. Nemusí sa pritom učiť z fotografií ani písať text podobne ako chatbot.

Nemali by sme však opačne označiť každú podmienku „ak, tak“ za expertnú AI. Jednoduchá kontrola veku vo formulári nie je automaticky znalostný systém. Záleží na tom, aké znalosti systém reprezentuje a aké odvodzovanie alebo plánovanie nad nimi vykonáva.

Moderné aplikácie môžu prístupy kombinovať. Naučený model rozpozná obsah dokumentu, pravidlo overí povinné pole a plánovací algoritmus navrhne ďalšiu činnosť. Pri hodnotení produktu je presnejší opis jednotlivých funkcií než jedno široké označenie.

Dáta, model a systém sú tri odlišné veci

Dáta sú zaznamenané informácie: text, merania, fotografie, zvuk alebo údaje o udalostiach. Model je výpočtová reprezentácia vzťahov, ktorú používame na určitú úlohu. AI systém zahŕňa model a ďalšie časti potrebné na jeho fungovanie.

Predstavte si rozpoznávanie chybných výrobkov. Fotografie z výrobnej linky sú dáta. Naučený mechanizmus, ktorý z fotografie vypočíta odhad chyby, je model. Kamera, program, ovládanie linky, zaznamenávanie výsledkov a pravidlo pre kontrolu človekom patria do systému.

Zlyhanie môže vzniknúť v ktorejkoľvek časti. Kamera môže byť znečistená. Model môže byť málo overený na novom výrobku. Program môže priradiť výsledok k nesprávnemu kusu. Operátor môže nesprávne pochopiť upozornenie. Tvrdenie „model mal dobré skóre“ nevylučuje tieto chyby.

Používateľ zvyčajne pracuje s celým produktom, hoci sa reklama sústreďuje na model. Pre užitočnosť produktu však záleží aj na dostupnosti, rýchlosti, spracovaní dokumentov a možnosti skontrolovať výsledok. Výborná schopnosť modelu nevyrieši chýbajúce oprávnenie k súboru alebo nesprávne pripojený zdroj.

Tréning nie je to isté ako odpoveď

Pri tréningu sa upravujú parametre modelu podľa údajov a cieľa učenia. Pri používaní, často označovanom ako inferencia, model spracuje nový vstup a vytvorí výstup. Tieto fázy sa môžu časovo aj technicky odohrávať oddelene.

Keď nástroju vložíte text a požiadate o jeho skrátenie, tento text môže slúžiť ako kontext aktuálnej úlohy. To samo osebe neznamená, že sa okamžite zmenili parametre modelu. Priebežné zapamätanie informácie v produkte, využitie kontextu a neskoršie použitie údajov na tréning sú rozdielne procesy.

V modelovej situácii aplikácia pozná vaše preferované oslovenie, pretože ho má uložené v nastavení. Nemusí sa kvôli nemu pretrénovať základný model. Podobne môže načítať aktuálny dokument a odpovedať podľa neho, hoci bol dokument vytvorený až po tréningu.

Pre praktické posúdenie údajov treba čítať podmienky a nastavenia konkrétnej služby. Univerzálna veta „AI sa učí zo všetkého, čo jej napíšem“ je príliš hrubá. Rovnako nepresné je tvrdenie, že žiadna služba nepoužíva interakcie na ďalšie zlepšovanie.

Predikcia nemusí hovoriť o budúcnosti

Predikcia je výstupný odhad modelu. Môže sa týkať budúceho dopytu, ale aj už existujúcej fotografie alebo správy. Model predikuje, do akej kategórie e-mail patrí, hoci e-mail už prišiel.

Ak systém označí transakciu za neobvyklú, ide o výpočtové posúdenie na základe dostupných vstupov. Neznamená to automaticky dôkaz podvodu. Výstup sa môže použiť na vyžiadanie dodatočného overenia alebo na kontrolu pracovníkom.

Význam čísla závisí od jeho definície. Skóre 0,8 nemusí bez ďalších informácií znamenať spoľahlivo kalibrovanú osemdesiatpercentnú pravdepodobnosť. Môže ísť o interné skóre, o výstup určený na poradie alebo o odhad, ktorého presnosť treba osobitne overiť.

Pre začiatočníka je preto užitočné rozlišovať tri kroky: model vytvorí odhad, pravidlo z neho určí postup a človek alebo iný program tento postup vykoná. Zmiešanie týchto krokov môže viesť k nesprávnej predstave, že model sám rozhoduje o všetkom.

Generatívna AI vytvára obsah

Generatívna AI produkuje text, obraz, zvuk alebo iný obsah podľa naučených vzťahov a zadania. Môže pripraviť pracovný návrh, preformulovať vetu alebo vytvoriť ilustráciu. Nie je totožná s celou AI. Rozpoznávanie chybných dielov či odhad času jazdy môžu používať iné typy modelov.

Nástroj, ktorý píše odpoveď, nemusí čerpať z práve vyhľadanej stránky. Nástroj, ktorý má vyhľadávanie, môže kombinovať získané dokumenty s generovaním. Z rozhrania rozhovoru nemožno vyčítať, ktoré kroky sa uskutočnili. Potrebujeme sledovať zdroje a informácie o funkcii.

Novovytvorený obsah tiež nemusí byť fakticky nový poznatok. Vymyslené vysvetlenie udalosti nie je objavom iba preto, že ho nikto predtým nenapísal rovnakými slovami. Pri informatívnom texte má význam zhoda s overiteľnými podkladmi; pri ilustrácii môže byť cieľom zámerná fikcia.

Táto odlišnosť vysvetľuje, prečo je rovnaká schopnosť užitočná v jednom kontexte a nebezpečne zavádzajúca v druhom. Vymyslený názov pre poviedku je vítaný. Vymyslený názov vedeckého článku v zozname literatúry je chyba.

Úzka AI, všeobecnosť a vedomie

Úzka AI rieši vymedzené úlohy alebo oblasti. Jeden systém môže mať široké jazykové schopnosti a zároveň obmedzenú spoľahlivosť pri práci s fyzickým svetom. Rozsah úloh a spoľahlivosť ich riešenia sú odlišné vlastnosti.

Pojem všeobecná umelá inteligencia, často AGI, označuje ambíciu vytvoriť systémy s podstatne širšou schopnosťou zvládať rozličné intelektuálne úlohy. Jeho presné kritériá nie sú jednotné. Oznámenie, že produkt je „všeobecný“, preto treba posudzovať podľa konkrétnych úloh a dôkazov.

Vedomie je ďalšia otázka. Úspech v jazykovej alebo matematickej úlohe sám osebe nedokazuje subjektívne prežívanie. Keď chatbot napíše „teší ma to“, ide o vytvorený jazykový prejav. Bez ďalšieho dôkazu ho nemožno používať ako záznam pocitu.

Pre bežné používanie netreba vyriešiť celú filozofiu mysle. Potrebujeme vedieť, čo systém urobí, ako sa to overí a aké dôsledky má chyba. Pripisovanie ľudských úmyslov môže tieto praktické otázky zakryť.

Rozbor jedného pracovného procesu

Vymyslená knižnica chce spracovať žiadosti o predĺženie výpožičky. Obyvateľ napíše: „Knihu ešte potrebujem na víkend, dá sa posunúť termín?“ Systém musí zistiť, čo žiada, dohľadať výpožičku a overiť pravidlá.

Rozpoznanie zámeru môže vykonať jazykový model. Overenie, či na knihu čaká ďalší čitateľ, je otázkou databázy. Pravidlo, že rezervovanú knihu nemožno predĺžiť, môže byť bežnou programovou podmienkou. Návrh odpovede môže opäť vytvoriť model.

Ak systém iba pripraví odpoveď knihovníčke, jeho oprávnenie je obmedzené. Ak môže meniť termíny, potrebuje presné spojenie s účtom a kontrolu vykonanej zmeny. Kvalitne napísaná veta nepreukazuje, že termín bol naozaj zmenený.

Pri hodnotení projektu treba zistiť, kde vzniká úspora práce. Možno stačí jednoduché tlačidlo na predĺženie výpožičky. Možno je užitočný model pre voľne formulované otázky. Úloha rozhoduje o vhodnej technológii. Vyberanie technológie pred pochopením problému môže vytvoriť drahší a menej prehľadný postup.

Praktické rozlišovanie

Tabuľka ukazuje, že samotný vzhľad aplikácie nestačí na klasifikáciu. Dve okná rozhovoru môžu v pozadí fungovať rozdielne. Jeden systém vyberá pripravené odpovede, druhý generuje text a tretí navyše používa nástroje. Presný opis potrebuje informáciu o mechanizme a rozsahu činnosti.

Úloha: oddeľte schopnosť a akciu

Predstavte si aplikáciu, ktorá z fotografie odčíta údaje z bločka, zaradí nákup medzi výdavky na potraviny a pridá ho do mesačného prehľadu. Ktorý krok môže využívať naučený odhad? Ktorý krok môže fungovať jednoduchým pravidlom? Ktorú chybu by ste skontrolovali najskôr?

Rozpoznanie znakov môže využívať model pracujúci s obrazom. Zaradenie môže používať pravidlo podľa názvu predajcu alebo model podľa obsahu. Súčet výdavkov môže vykonať vzorec. Najskôr má zmysel skontrolovať odčítanú sumu a dátum, pretože chybný vstup poškodí aj správne vykonaný súčet.

Nejde o hádanie technológie konkrétnej značky. Cieľom je rozobrať úlohu na časti a pripustiť viac spôsobov realizácie. Ak nepoznáte vnútorné fungovanie produktu, správna odpoveď môže byť aj „z dostupných informácií to nemožno určiť“.

Otázky, ktoré preveria porozumenie

Je každý automatický program AI? Nie. Automatické spustenie alebo vykonanie pevného postupu nepreukazuje schopnosť učenia, odvodzovania či ďalšie vlastnosti spájané s AI.

Musí sa AI učiť pri každom použití? Nie. Mnohé modely pri bežnom použití spracujú vstup bez úpravy parametrov. Kontext úlohy a tréning treba rozlišovať.

Je model celá aplikácia? Nie. Aplikácia obsahuje aj rozhranie, prácu so súbormi, kontrolu prístupov, vyhľadávanie a ďalšie komponenty. Používateľská skúsenosť závisí od ich spolupráce.

Preukazuje plynulý rozhovor vedomie? Samotný jazykový výkon taký dôkaz neposkytuje. Pri hodnotení sledujeme schopnosti a spoľahlivosť v konkrétnych podmienkach.

Kedy je jednoduché pravidlo lepšou voľbou? Keď je problém presne vymedzený a pravidlo pokrýva potrebné prípady. Napríklad kontrola, či vyplnené pole obsahuje dátum v správnom formáte, nemusí potrebovať generovanie textu.

Čo pozorovať pri najbližšom stretnutí s AI

Vyberte si jednu funkciu telefónu alebo pracovného programu a opíšte ju bez slova inteligentný. Napríklad: „Zo zvuku vytvorí text“ alebo „Podľa predošlých nákupov zoradí ponuku“. Potom uveďte vstup, výstup a miesto, kde by mohla vzniknúť chyba.

Takýto opis je konkrétnejší než zoznam módnych označení. V ďalších kapitolách sa k nemu dá pridať spôsob učenia, typ modelu a metóda hodnotenia. Základ zostáva rovnaký: úloha, dostupné informácie a overiteľný výsledok.

Keď rovnakú úlohu riešia tri rôzne postupy

Pozrime sa bližšie na triedenie správ v malej organizácii. Na spoločnú adresu prichádzajú objednávky, otázky a reklamácie. Pracovník chce znížiť čas potrebný na ich rozdelenie. Má niekoľko možností, ktoré môžu navonok vytvárať rovnaký výsledok.

Prvé riešenie používa jednoduché pravidlo. Ak predmet správy obsahuje slovo reklamácia, presunie správu do príslušného priečinka. Je prehľadné a ľahko sa vysvetľuje. Zlyhá však pri správe „Výrobok prestal fungovať, potrebujem výmenu“, pretože hľadané slovo chýba. Môže tiež nesprávne presunúť správu „Prosím, pošlite mi vzor reklamačného formulára“, hoci nejde o podanie reklamácie.

Druhé riešenie používa model učený na starších označených správach. Môže zachytiť viac spôsobov vyjadrenia. Jeho kvalita však závisí od označení a od podobnosti nových správ s tréningovými. Ak organizácia zmení sortiment alebo začne komunikovať v inom jazyku, treba overiť výsledky znova.

Tretie riešenie využíva jazykový model, ktorému poskytne kategórie a ich vysvetlenie. Nemusí potrebovať vlastný tréning na každej historickej správe. Môže však nesprávne interpretovať nejednoznačný text alebo prekročiť požadovaný formát. Organizácia preto kontroluje výstup aj v tomto prípade.

Výber nemožno urobiť iba podľa toho, ktoré riešenie je označené ako pokročilé. Záleží na počte správ, jazykovej rozmanitosti, nákladoch a dôsledkoch chyby. Ak prichádza desať správ týždenne, náročné zavedenie môže mať malú hodnotu. Ak ich prichádzajú tisíce, vhodne overená automatizácia môže byť užitočná.

Táto modelová situácia ukazuje aj hranicu odborného tvrdenia. Z toho, že systém triedi správy, nevieme určiť jeho vnútorný mechanizmus. Potrebujeme dokumentáciu alebo opis tvorcu. Vlastné pozorovanie výkonu dopĺňa túto informáciu, ale nenahrádza ju.

Čo znamená autonómia v konkrétnom procese

Predstavme si rovnaký systém v troch úrovniach oprávnenia. Na prvej iba navrhuje priečinok. Pracovník označenie potvrdí. Na druhej správy presúva automaticky, ale nemení ich obsah a nikomu neodpovedá. Na tretej pripravuje a odosiela odpovede podľa odhadnutej témy.

Tieto úrovne majú odlišné dôsledky. Nesprávny návrh pracovník opraví. Nesprávne presunutá správa môže zostať nepovšimnutá. Nesprávna odpoveď už môže vytvoriť očakávanie zákazníka alebo prezradiť informáciu, ktorú nebolo vhodné poslať.

Autonómiu preto opisujeme konkrétne. Čo môže systém urobiť bez zásahu? V ktorých prípadoch zastaví postup? Kto môže rozhodnutie zmeniť? Ako sa zistí, že nastala chyba? Takéto otázky sú presnejšie než neurčitá predstava samostatnej AI.

Aj úplne automatický proces môže mať úzko obmedzený rozsah. Program posiela potvrdenie prijatia formulára, ale nerozhoduje o vybavení žiadosti. Naopak, systém s rozhovorovým rozhraním môže mať prístup k veľkému množstvu údajov a nástrojov. Rozsah sa nečíta z podoby obrazovky.

Vhodná úroveň oprávnenia závisí od úlohy. Pri triedení fotografií na vlastnom zariadení môže byť jednoduchá oprava. Pri zmene údajov v spoločnej databáze potrebujeme dôslednejšiu kontrolu. Modelová chyba má v rôznych prostrediach rozdielnu cenu.

Hranica medzi údajom, interpretáciou a rozhodnutím

Na fotografii vidíme tmavú škvrnu na stene. To je pozorovateľný obsah snímky. Výrok „môže ísť o vlhkosť“ je interpretácia. Výrok „treba vymeniť konkrétnu časť potrubia“ už predstavuje návrh zásahu, ktorý potrebuje ďalšie podklady.

AI môže tieto úrovne vo výstupe spojiť do jedného presvedčivého odseku. Používateľ potom ľahko prehliadne, kde sa končí dostupná informácia a začína odhad. Pri odbornom používaní má byť hranica viditeľná.

V modelovej servisnej správe je vhodné oddeliť opis fotografie od možných príčin. Zásah možno navrhnúť ako ďalší krok kontroly, ak chýba potrebné meranie. Takýto postup nevyžaduje, aby model vyriešil celé fyzické prostredie z jedného obrázka.

Rovnaký rozdiel platí pri textových údajoch. Záznam, že zákazník napísal dve sťažnosti, je informácia o udalosti. Tvrdenie, že je trvalo nespokojný, je širšia interpretácia. Rozhodnutie zmeniť podmienky služby predstavuje ďalšiu úroveň. Každá má vlastné požiadavky na oporu.

Rozlíšenie je užitočné aj pri vlastnom písaní. Ak pripravujete vysvetlenie s pomocou AI, označte, ktoré vety opisujú zdroj a ktoré vyjadrujú váš záver. Plynulý prechod medzi nimi nemusí byť pre čitateľa dostatočne jasný.

AI môže odhaliť vzorec, ktorý človek ľahko prehliadne

Silnou stránkou mnohých modelov je spracovanie veľkého počtu príkladov. Človek môže vidieť niekoľko prípadov, zatiaľ čo výpočtový systém porovnáva rozsiahly súbor vlastností. Pri vhodnej úlohe sa tým objaví užitočný vzorec.

V modelovom sklade sa oneskorenia dodávok sústreďujú pri určitej kombinácii dňa, trasy a typu zásielky. Jednotlivá udalosť nevyzerá výnimočne. Súbor údajov však umožní skúmať opakovanie. Model môže podporiť upozornenie alebo predikciu.

Tento prínos neznamená, že každý nájdený vzorec je významný. Vo veľkom súbore sa objavia aj náhodné súvislosti. Preto sa výsledok overuje na ďalších dátach a podľa znalosti prevádzky. Zistenie má byť použiteľné pri nových prípadoch, nie iba zaujímavé v minulosti.

Človek zároveň dopĺňa kontext, ktorý v dátach nemusí byť. Vie, že sa v danom mesiaci opravoval most alebo menil dodávateľ. Taká informácia môže objasniť výsledok a zabrániť nesprávnemu zásahu.

Praktická spolupráca preto nespočíva v nahradení úsudku jedným skóre. Model spracúva dostupné vstupy; človek posudzuje ich význam v širšej situácii. Oba príspevky treba pomenovať, aby sa dalo zistiť, čo skutočne zlepšilo rozhodnutie.

Prečo AI nie je vhodná odpoveď na každú úlohu

Niektoré problémy sú presne definované a bežný softvér ich rieši spoľahlivo. Ak chceme skontrolovať povinné pole, vypočítať súčet alebo preniesť overený údaj, generovanie môže pridať zbytočnú neistotu.

Predstavte si zoznam účastníkov podujatia. Potrebujeme spočítať osoby so zaplateným poplatkom. Ak tabuľka obsahuje jasné označenie, vzorec poskytne kontrolovateľný výsledok. Jazykový model môže pomôcť vysvetliť vzorec, ale nemusel by sám odhadovať počet zo slovného opisu.

Iná situácia vznikne, keď máme nejednotné e-maily a potrebujeme z nich pripraviť návrh zoznamu. Model môže pomôcť s extrakciou, ale následný súčet sa dá vykonať presným programom. Vhodný postup kombinuje metódy podľa časti problému.

Niekedy je najväčší problém v organizácii práce. Neexistuje jednotný formulár, dokumenty majú nejasné názvy alebo nikto neudržiava platné verzie. Nasadenie AI môže príznaky zakryť bez odstránenia príčiny. Jednotné údaje a jasné pravidlá môžu priniesť väčší úžitok než nový model.

Pred výberom technológie preto opíšte, čo dnes zaberá čas a prečo. Odlišujte nedostatok informácií, opakovanie ručnej práce a potrebu jazykovej interpretácie. Každý problém môže vyžadovať iné riešenie.

Pojmy, ktoré sa dajú používať presnejšie

Výrok „AI to vie“ nahraďte opisom úlohy a podmienok. Napríklad „pri týchto fotografiách správne odhadla kategóriu“. Výrok „AI sa rozhodla“ možno spresniť na „model vytvoril skóre a program podľa hranice vybral ďalší krok“.

Takéto formulácie nemusia byť dlhé. Ich výhodou je, že umožňujú overenie. Ak pomenujete vstup a výsledok, ďalší človek vie skúšku zopakovať alebo upozorniť na odlišnú situáciu.

Pri vysvetlení pre začiatočníkov môžeme krátko povedať, že systém sa učí. Hneď však doplníme, že ide o úpravu výpočtových parametrov, nie o rovnakú skúsenosť ako školské učenie dieťaťa. Analógia pomáha iba v rozsahu, v ktorom zachováva význam.

Rovnako slovo pamäť môže znamenať viac vecí. Parametre zachytávajú naučené vzťahy. Kontext obsahuje informácie aktuálnej úlohy. Aplikácia môže mať uložené nastavenia. Externý vyhľadávací systém môže pracovať s dokumentmi. Ak tieto možnosti zamieňame, nesprávne odhadneme dostupnosť informácie.

Presnosť jazyka teda nie je iba akademická požiadavka. Chráni praktické rozhodovanie pred tým, aby názov schopnosti nahradil poznanie mechanizmu.

Vysvetlenie pre človeka, ktorý AI ešte nepoužil

Skúste opísať AI bez názvu konkrétnej značky: „Niektoré programy sa z príkladov učia vzťahy, ktoré potom používajú pri nových vstupoch. Iné AI postupy pracujú so znalosťami a hľadaním možností. Výsledkom môže byť odhad, odporúčanie alebo nový obsah. Správnosť treba posudzovať podľa úlohy.“

Takéto vysvetlenie zachováva šírku odboru a zároveň nevyžaduje technické predpoklady. Následne pridajte konkrétnu situáciu, napríklad triedenie správ. Poslucháč môže porovnať pravidlo, naučený odhad a vykonanú akciu.

Ak sa opýta, či AI rozumie, vyžiadajte si význam otázky. Môže sa pýtať na schopnosť správne použiť jazyk, odhaliť vzťah alebo na vedomé prežívanie. Jedna odpoveď bez tohto rozlíšenia by mohla byť zavádzajúca.

Pedagogicky správne vysvetlenie môže priznať hranicu poznania. Nie je potrebné zmeniť všetku neistotu na jednoduchú istotu. Začiatočník sa učí aj tým, že spozná rozdiel medzi otázkou s jasným testom a otázkou, na ktorú zatiaľ neexistuje jednotné kritérium.

Záverečná samostatná úloha

Vyberte jednu činnosť z vlastného dňa a navrhnite, ako by pri nej pomohol softvér. Uveďte, čo možno vyriešiť presným pravidlom a kde by bol užitočný odhad alebo jazyková interpretácia. Nepredpokladajte, že celá činnosť musí byť vykonaná jedným nástrojom.

Pri každom kroku určte vstup, výsledok a kontrolu. Ak systém vykonáva akciu, uveďte rozsah oprávnenia. Ak vytvára obsah, rozlíšte podklad a novú formuláciu. Ak odhaduje kategóriu, vysvetlite, čo znamená správne označenie.

Takáto úloha preverí porozumenie všetkých základných rozdielov. Nevyžaduje programovanie ani nákup aplikácie. Potrebujete jasný opis problému a schopnosť oddeliť informáciu, výpočet, odhad a rozhodnutie.

Prípad na preverenie: pomoc pri príprave podujatia

Komunitné centrum pripravuje verejnú prednášku. Má zoznam prihlásených, krátke životopisy hostí a technické požiadavky. Chce vytvoriť program, prehľad účastníkov a návrh pozvánky. Ide o jednu organizačnú úlohu, ale jej jednotlivé časti potrebujú rozdielne postupy.

Spočítanie prihlásených môže vykonať tabuľka. Zoznam treba najprv skontrolovať, pretože jedna osoba sa mohla prihlásiť dvakrát. Program môže vyhľadať zhodné záznamy podľa pravidla, ale podobnosť mena nemusí znamenať totožnú osobu. Pri nejednoznačnosti je potrebná kontrola.

Životopisy možno skrátiť pomocou jazykového modelu. Podmienkou je zachovanie doložených informácií. Ak má hosť uvedenú účasť na projekte, skrátený text ho nesmie označiť za vedúceho projektu bez opory. Pekné znenie nemení význam pôvodného údaja.

Program podujatia potrebuje rešpektovať časové obmedzenia. Jeden hosť môže prísť až popoludní, iný potrebuje odísť skôr. Presná kontrola nadväznosti časov sa dá vykonať pravidlami. Model môže navrhnúť usporiadanie, ale návrh musí zodpovedať všetkým obmedzeniam, ktoré organizátor uviedol.

Pozvánka je tvorivá aj informačná úloha. Formulácia môže byť nová, dátum a miesto však musia pochádzať z overených podkladov. Ak miesto nie je potvrdené, nástroj nemá doplniť pravdepodobnú adresu iba preto, aby text vyzeral hotový.

Napokon prichádza odoslanie. Vytvorenie textu a poslanie pozvánky sú dve odlišné činnosti. Automatické odoslanie potrebuje overený zoznam adresátov a oprávnenie. Chyba tu môže zasiahnuť človeka, ktorý dostal nesprávnu informáciu alebo správu nemal dostať.

Skúste pri každej časti pomenovať, čo je údaj, čo je odhad a čo je akcia. Údajom je potvrdený termín príchodu hosťa. Odhadom môže byť návrh vhodnej dĺžky jeho predstavenia. Akciou je uloženie programu alebo odoslanie správy. Tieto označenia pomáhajú určiť spôsob kontroly.

Potom navrhnite najjednoduchší použiteľný postup. Nemusí byť úplne automatický. Tabuľka môže zabezpečiť počty, model pomôcť s návrhom textu a človek schváliť program. Úspech sa meria tým, či organizátor získal správne podklady s menšou námahou.

Ak projekt nefunguje, nájdite konkrétny krok. Nesprávny počet môže pochádzať z duplicity. Zmenený životopis z preformulovania. Nemožný program z chýbajúceho obmedzenia. Rozbor je užitočnejší než všeobecná veta, že AI sa pomýlila.

Pri tomto prípade si všimnite aj hranicu očakávania. Nástroj nedokáže overiť dostupnosť miestnosti, ak nemá aktuálnu informáciu alebo príslušný prístup. Vie vytvoriť návrh programu, ale tým ešte miestnosť nerezervoval. Vedomie tohto rozdielu predchádza praktickým nedorozumeniam.

Rovnakú schému môžete preniesť na školskú akciu, pracovné stretnutie alebo rodinnú oslavu. Menia sa podklady a dôsledky chyby, základné rozlíšenie však zostáva. Presné pravidlá riešia jasne vymedzené operácie. Naučené modely pomáhajú s odhadmi a obsahom. Oprávnené nástroje vykonávajú akcie. Človek určuje cieľ a posudzuje vhodnosť výsledku.

Pri spoločnej práci uveďte aj osobu, ktorá potvrdzuje poslednú verziu. Ak program upraví jeden človek a pozvánku druhý, môžu vzniknúť dva rozdielne termíny. To je organizačná chyba, ktorú prítomnosť AI sama neodstráni. Pomáha spoločný overený podklad a jasný postup schválenia. Kontrola sa potom nesústredí iba na jazyk, ale aj na zhodu všetkých materiálov. Účastník potrebuje dostať rovnakú informáciu v pozvánke, programe aj potvrdení. Práve takéto konkrétne kritérium umožňuje rozhodnúť, či použitý systém splnil svoju úlohu a či výsledok možno bezpečne použiť pri skutočnom podujatí.

Pojmy v slovníku

strojové učenie (machine learning)

Zhrnutie kapitoly

Algoritmus je postup, automatizácia vykonáva kroky a model odhaduje výsledok z naučených vzťahov. AI systém môže tieto časti kombinovať; nie každá automatická funkcia potrebuje AI.