IA vs Algorithmes déterministes

La version française de Wikipédia définit l'Intelligence Artificielle (IA) comme un “ensemble de théories et de techniques visant à créer des machines capables de simuler l'intelligence humaine“. La version anglaise, d'autre part, décrit AI “dans son sens le plus large, l'intelligence est exposé par des machines, en particulier les systèmes informatiques. C'est un champ de recherche en informatique qui développe des études et de méthodes et de logiciels qui permettent à des machines à percevoir leur environnement et de l'utilisation de l'apprentissage et de l'intelligence de prendre des mesures pour maximiser leurs chances d'atteindre des buts définis.“

Cependant, je trouve la définition française font particulièrement défaut, et même la version anglaise tombe à court de capturer l'essence de l'IA. À mon avis, une définition plus précise serait: “les systèmes qui sont capables de résoudre des problèmes sans être explicitement la solution de chemin.” Ils déterminent la solution de chemin de manière autonome sur la base des données et de l'expérience qu'ils ont été fournis. Cette capacité de façon autonome à découvrir des solutions est ce qui distingue fondamentalement de l'IA traditionnelle des algorithmes.

Le terme l'intelligence dans l'IA est moins une source de préoccupation pour moi, tant qu'il ne recouvre pas la caractéristique fondamentale de ces algorithmes: tout comme n'importe quel autre logiciel, leur but premier n'est pas de reproduire l'intelligence humaine, mais à trouver des solutions efficaces. La valeur de l'IA se trouve dans la fourniture de solutions en vue soit d'nécessitent très complexe des algorithmes déterministes ou peut-être irréalisable par des méthodes déterministes tout à fait.

Prenez, par exemple, Waze, qui utilise l'Une-Étoile de l'algorithme pour calculer les itinéraires. Cet algorithme est déterministe, conçu pour trouver le chemin le plus court d'un point de départ à un objectif dans un graphique ou un tableau. Bien qu'il peut imiter certains aspects de l'humain, de la prise de décision, il n'est pas admissible que l'IA.

Approche déterministe / workflow approche

Dans la gestion des processus, à la fois algorithmique et AI approches sont disponibles:

• À la réception d'un email,
• Identifier le client à l'aide de son adresse e-mail.
• Ensuite, recherche pour le client de données dans le CRM.
• Ensuite, récupérer l'historique du client à partir de l'ERP.
• Enfin, préparer une réponse.

Dans cette approche, les étapes pour atteindre l'objectif sont clairement décrites et prédéterminé.

IA Approche / approche Système Expert

• Objectif: Quand un email est reçu, de préparer une réponse.
• Objectif: Pour identifier le client utiliser l'adresse email de l'expéditeur
• Contrainte: La réponse doit inclure l'historique du client.
• Contrainte: L'accès à l'historique des clients exige de données des clients de la CRM.
• Contrainte: L'accès au CRM nécessite l'id du client

Dans ce scénario, le système est donné des objectifs et des contraintes, mais de manière autonome, détermine le meilleur chemin pour parvenir au résultat souhaité.

Alors que l'approche déterministe est simple et plus facile à mettre en œuvre, mise à jour ou de modifier le processus peut être lourd, car il implique de redéfinir les étapes et la reprogrammation du flux de travail. Cette approche peut également être moins efficace car il suit un chemin fixe sans optimisation en fonction du contexte particulier ou données disponibles.

En revanche, l'IA approche permet au système de déterminer de manière autonome le chemin le plus efficace pour parvenir au résultat souhaité, rendant adaptable à diverses situations et d'intrants. Cependant, la mise en œuvre d'un système d'IA est plus complexe, nécessitant une technologie de pointe et savoir-faire pour développer et à maintenir.

Le système d'IA a le potentiel d'évoluer et de gérer des tâches plus complexes qu'il apprend et de gains en plus de données, menant à d'éventuelles améliorations au fil du temps. À un coût.

La Construction Agents

Agents traditionnels utilisent généralement le flux de travail, car il offre un cadre clair, prédéfinis séquence d'étapes à suivre pour atteindre un objectif spécifique.

Dans cette approche, chaque tâche est décomposée en étapes distinctes, où l'ordre des actions et les points de décision sont explicitement définis par les développeurs.

Il y a beaucoup de bonnes raisons pour lesquelles cette approche est couramment utilisée:

• Simplicité: Un flux de travail basé sur le système est simple à concevoir et à comprendre. L'ensemble du processus est tracée à l'avance, le rendant facile à suivre les étapes du début à la fin. Chaque étape suit une trajectoire prédéterminée, en assurant la cohérence et la répétabilité.
• Facilité De Mise En Œuvre: Pour de nombreux processus de routine, telles que service à la clientèle flux de travail ou des activités de back-office, les étapes de l'changent rarement. Mise en œuvre d'un flux de travail est plus rapide et moins complexe, car il nécessite peu ou pas de temps réel de prise de décision ou d'adaptation.
• Bas Frais Généraux: Flux de travail basés sur des systèmes ne nécessitent pas l'infrastructure complexe de l'IA-systèmes. Agents traditionnels peuvent être déployés avec relativement simple architectures logicielles qui ont un faible taux de calcul et les coûts de maintenance.

Cependant, cette rigidité est aussi une limitation. Tout changement de processus ou de nouvelles données d'entrée nécessite souvent la reprogrammation du flux de travail. À mesure que la complexité augmente, le nombre de chemins fixes augmente, ce qui rend le système moins adaptables.

Synapse Postmaster Approche

Synapse Postmaster™ utilise l'IA approche spécifiquement parce qu'il est conçu pour traiter de grands volumes de données, la combinaison d'informations provenant à la fois des documents et analyse des données et des systèmes externes.

Le défi réside dans la gestion des dépendances entre les données. Par exemple,

• Pour accepter une demande du client, le système doit vérifier le paiement du client de l'histoire,
• Pour ce faire, il doit d'abord récupérer les données des clients de la CRM
• Ce qui nécessite l'obtention de l'ID du client,
• L'obtention de l'ID de client consiste à comprendre le contenu de la lettre
• Et, avant que, la lettre doit être lue et traitée.
• Qui avait déjà été fait pour identifier la nature de la demande.

Déterminer si des données spécifiques est nécessaire pour atteindre le but peut être exprimé comme une règle simple. Toutefois, lorsqu'il est appliqué sur de vastes ensembles de données, ces règles simples à se multiplier en des centaines, sinon des milliers, de petits flux de travail ou des branches.

Pour gérer cette complexité combinatoire, maître de poste s'appuie sur un modèle de relations entre données, permettant à son moteur d'inférence à volonté de trouver le chemin optimal à travers le labyrinthe de dépendances. Cette approche simplifie la prise de décision et d'exécution, ce qui permet au système efficace de naviguer à travers les nombreux interconnectés tâches sans des flux de travail prédéfinis.

Les leçons Tirées de moteurs d'Échecs de l'histoire

Traditionnels moteurs d'échecs comme de la Morue utilisé la force brute des algorithmes de recherche, combiné avec l'homme-conçu fonctions d'évaluation pour analyser des millions de coups possibles rapidement. AlphaZero révolutionné moteurs d'échecs en tirant parti de l'apprentissage en profondeur et réseaux de neurones pour apprendre à jouer aux échecs. Les versions récentes de la Morue intégrer à la fois la force brute et de l'IA.

L'avenir réside peut-être dans l'amélioration de la traditionnelle déterministe logiciel avec des algorithmes d'IA pour atteindre des performances supérieures.