Внедрение искусственного интеллекта в бизнес-практику: Преимущества и сложности

Технологии решают — и создают — проблемы. Постыдный секрет технологического мира заключается в том, что каждое решение рождает проблему. Стоит исправить А, как из строя выходит B. Стоит разработать C (что просто прекрасно), как оказывается, что вместе с ним появилось и D, от которого нужно как можно скорее избавиться. Умные машины решат многие проблемы общества (см. выше), но при этом также создадут множество новых проблем, с которыми придется работать людям. И эта работа будет монетизирована. Работа никогда не стоит на месте.

программных интерфейсов (API) — небольших модульных программ, которые получают данные, выполняют конкретную задачу и выдают результат (и эти интерфейсы можно комбинировать для решения конкретных проблем).
Преи

Теперь же Watson превратился в бренд и решает не одну задачу, а множество. Он может не только отвечать на вопросы, но и распознавать изображения, анализировать метеорологические данные, работать с интернетом вещей, проводить базовый статистический анализ и организовывать отчетность. Даже

Роботизированная автоматизация процессов (РАП)
Эта технология выполняет структурированные цифровые задачи (то есть задачи, связанные с информационными системами) так, как если бы их выполнял человек, следующий сценарию или правилам. Не все согласны, что РАП принадлежит к семейству технологий ИИ и когнитивных технологий, поскольку она не слишком интеллектуальна

Экспертные системы требуют, чтобы эксперты и инженеры знаний разработали набор правил для конкретной области знаний. Они широко распространены

семантическая ОЕЯ, а поскольку в этой сфере нет серьезных технических прорывов, системы, которые отвечают на вопросы или решают конкретные задачи, контекстно обусловлены и требуют тренировки. Компьютер IBM Watson прекрасно справился с ответами на вопросы Jeopardy!, но не сможет отвечать на вопросы Wheel of Fortune, если его не тренировать, а эти тренировки часто весьма трудоемки. Возможно, в будущем для ответов на вопросы будет применяться

сил. Для этого необходима разработка онтологий или моделей отношений между словами и фразами. Хотя создавать семантические модели ОЕЯ нелегко, сегодня этим занимаются несколько систем интеллектуальных агентов

эффективен.
До последнего десятилетия внимание уделялось исключительно семантической ОЕЯ, и она демонстрирует умеренную эффективность, если система удачно натренирована на распознавание слов, синтаксиса и концептуальных связей. Однако обучение языку и инженерия знаний (которая часто предполагает создание графа знаний в определенной области)

Есть два основных подхода к ОЕЯ — статистический и семантический. Статистическая ОЕЯ основана на машинном обучении и сегодня совершенствуется быстрее семантической. Она требует большого корпуса, или совокупности, текстов, на которых учится. Например

человека. В эту сферу, называемую обработкой естественного языка, входят такие варианты использования технологий, как распознавание речи, текстовый анализ, перевод, генерация текста и решение других языковых задач. ОЕЯ использовали 53% компаний, участвовавших в опросе об осведомленности о когнитивных технологиях.