Alfortaatio on välttämätöntä, kuinka muuntajiin perustuvat kielimallit toimivat. Itse asiassa se on sen suurin omaisuus: tämä on menetelmä, jolla kielimallit löytävät yhteydet joskus erilaisten käsitteiden välillä. Mutta hallusinaatiosta voi tulla kirous, kun kielimalleja sovelletaan alueilla, joilla totuus on tärkeä. Esimerkit vaihtelevat sairaanhoitokäytännöistä koskevista kysymyksistä koodaukseen, joka käyttää oikein kolmannen osapuolen sovellusliittymiä. Agentin kanssa vedot ovat vielä korkeammat, koska itsenäiset robotit voivat ryhtyä peruuttamattomiin toimenpiteisiin, kuten rahan lähettämiseen, nimessämme.
On tärkeää ymmärtää, että emme puhu todennäköisyydestä tai parhaista oletuksista. Toisaalta nämä ovat tiukkoja todisteita, jotka löytyvät matemaattisesta logiikasta algoritmisen haun avulla. Symbolinen AI käyttää edeltäjien, kuten Aristoteleen, Boolin ja Free, perustamia säätiöitä, jotka ovat nykyaikana kehittäneet suuret mielet, kuten Claude Shannon ja Alan Turing.
Automaattinen päättely ei ole vain teoria: itse asiassa sillä on teollisuuden syvä omaksuminen
1990 -luvulla se alkoi matalan tason piirikokeilla vasteena FDIV -virheeseen. Myöhemmin se oli kriittisissä turvajärjestelmissä, joita Airbus ja NASA käyttivät. Nykyään se aukeaa yhä enemmän neurosimbolisten tapauksissa. Esimerkiksi Leibniz AI soveltaa virallista päättelyä AI: lla lailliselle alueelle, kun taas Atalanta soveltaa samoja ideoita hallituksen palkkaamiseen liittyviin ongelmiin, ja Deepmind -alfaprofisysteemissä ei aiheuta vääriä argumentteja matematiikassa, koska se käyttää Lean Prover -lausetta.
Luettelo jatkuu: Imandan koodelogia ei salli ohjelmien syntetisointia, että ne rikkovat sovellusliittymän käyttösääntöjä, koska se käyttää myös automatisoituja päättelytyökaluja. Amazonin automatisoidut päättelytarkastukset löytyvät Battedrock Buardrails -suodattimista väärien lauseiden suodattimista käyttämällä automatisoitua päättelyä yhdessä aksiomaattisten muodollisten kanssa, jotka asiakkaat voivat määritellä. Organisaatioille, jotka pyrkivät lisäämään työtään AI: n kanssa, kun he luottavat tuloksiinsa, voidaan käyttää automatisoitujen päättelytyökalujen loogisia vähennysominaisuuksia sen varmistamiseksi, että vuorovaikutukset elävät rajoituksissa ja määriteltyissä säännöissä.
Automaattisen päättelyn keskeinen piirre on, että hän myöntää “en tiedä”, kun hän ei voi osoittaa voimassa olevaa vastausta valmistustietojen sijasta. Monissa tapauksissa työkalut voivat myös tuoda esiin ristiriitaisen logiikan, jonka avulla ei voida todistaa tai kumota lausuntolauseketta ja näyttää päätelmien perusteet.
Automatisoidut päättelytyökalut ovat myös yleensä taloudellisia, etenkin verrattuna nälkäisiin muuntajiin perustuviin työkaluihin. Syynä on, että automatisoidut päättelytyökalut toimivat vain symbolisesti sen suhteen, mikä on totta ja väärää. Ei “rapeat numerot”, eikä GPU: ssa ole matriisinkertomuksia. Jos haluat nähdä miksi, ajatella ongelmia, kuten heidän matematiikan kursseistaan ”ratkaista x” koulussa. Kun kirjoitamme x+ya y+x, ox (y+z) XY+XZ: lle, perustelemme äärettömyyttä, kun teemme vain joitain yksinkertaisia vaiheita. Nämä vaiheet ovat helposti millisekondeissa.
On totta, että matemaattisen logiikan soveltaminen ei ole yleinen ratkaisu kaikille AI: n ongelmille. Esimerkiksi, olemme epävarmoja aksiomatiloinnista siitä, mikä tekee kappaleesta tai runosta “hyvän”. Kyselymme myös työkalut, jotka väittävät todistavan matemaattisessa logiikassa, että kotimainen uuni ei rikkoisi. Mutta sovelluksissa, joissa voimme määritellä aksiomaattisesti joukon todellisia ja vääriä lausuntoja tietyllä verkkotunnuksella (esimerkiksi perheen lääketieteellisen lisenssilain tai ohjelmistokirjaston oikean käytön kelpoisuus) lähestymistapa tarjoaa käytännön tavan toteuttaa AI turvallisesti kriittisellä liiketoiminta -alueella, jolla tarkkuus on välttämätöntä.
Aloitus-
Vaikka automatisoidut päättelytyökalut vaativat historiallisesti syvää matemaattista kokemusta käytettäväksi, generatiivisen AI: n kasvava voima tekee niistä yhä helpommin laajemmalle yleisölle, jossa käyttäjät voivat ilmaista luonnollisen kielen säännöt ja tarkistaa AI: n tuotokset automaattisesti näissä säännöissä. Itse asiassa: Monet kielimallit koulutetaan automatisoituihin päättelytyökaluihin (usein yhdessä vahvistusoppimisen kanssa). Tärkeintä on aloittaa selkeillä tapauksilla, jotka voidaan määritellä tarkasti: ajattele esimerkiksi koodausta, henkilöstöpolitiikkaa ja verolakeja. Sitä sovelletaan myös alueilla, joilla todentamisella on todella merkitystä turvallisuutena, vaatimustenmukaisuutena ja pilviinfrastruktuurina.
Tulevaisuuteen
Kun pyrimme integroimaan AI: n yhä syvemmin elämäämme, kyky todentaa heidän toimintansa ja tulosten korjaus ja todenmukaisuus muuttuu vain kriittisemmäksi. Organisaatiot, jotka investoivat automatisoituihin päättelyominaisuuksiin, ovat nyt paremmat mahdollisuudet kiivetä turvallisesti AI: n ja edustajien omaksumiseen säilyttäen samalla hallinnan ja noudattamisen. Harkitse seuraavassa AI -strategiakokouksessasi automatisoitua päättelyä. Se voi olla avain toteuttamiseen luottavaisesti koko organisaatiossaan ja asiakkaissaan.
Fortune.com -sivuston kommenttien mielipiteet ovat vain sen kirjoittajien mielipiteitä, eivätkä välttämättä heijasta omaisuuden mielipiteitä ja uskomuksia.
Fortune’s Global Form palaa 26. -27. -27. Riadissa. Toimitusjohtaja ja maailman johtajat tapaavat dynaamisen tapahtuman ja vain kutsun, joka muovaa liiketoiminnan tulevaisuutta. Pyydä kutsu.
