AI tạo sinh so với AI truyền thống: Cái nào tốt hơn?

Ngoài những dự đoán: Khám phá các khía cạnh sáng tạo và phân tích của AI

Năm ngoái, khi tôi viết Beyond the Hype: Hướng tới một định nghĩa thực dụng về AI , ChatGPT của OpenAI mới bắt đầu gây chú ý. Chuyển nhanh đến ngày hôm nay, những hứa hẹn về AI có thể tạo ra đã đạt đến đỉnh cao. Công ty phân tích McKinsey dự đoán rằng trí tuệ nhân tạo tổng quát (AI) sẽ bổ sung tới 4 nghìn tỷ đô la cho nền kinh tế toàn cầu. [1] Mặc dù AI tổng quát sẽ tác động đến mọi ngành, chức năng kinh doanh và bộ phận, nhưng những tác động đáng kể nhất sẽ được thấy trong hoạt động bán hàng, tiếp thị, phát triển phần mềm, hoạt động của khách hàng và R&D sản phẩm. MIT ước tính rằng AI tổng quát sẽ tăng năng suất của người lao động lên 40%. [2] Để biết thêm về các ứng dụng kinh doanh AI tạo sinh , hãy xem bài đăng của tôi, Ứng dụng kinh doanh của AI tạo sinh .

Mặc dù AI tổng quát chắc chắn có tính biến đổi nhưng sức mạnh của nó sẽ được tăng lên gấp 10 lần hoặc hơn khi kết hợp với AI truyền thống. Tôi đã nhận được nhiều câu hỏi từ các nhà lãnh đạo doanh nghiệp, nhà giáo dục và bạn bè về sự khác biệt giữa AI tạo sinh và AI truyền thống. Blog này sẽ so sánh và đối chiếu AI truyền thống (mà một số người gọi là AI dự đoán) với AI tạo sinh và chia sẻ cách nó khuếch đại tính hiệu quả của chúng khi kết hợp.

Quay lại vấn đề cơ bản: Trí tuệ nhân tạo là gì?

Phân tích 101

Trước khi đi sâu vào AI, hãy đảm bảo rằng chúng ta tuân thủ thuật ngữ của mình. Analytics thường được phân loại thành bốn loại chính: mô tả, chẩn đoán, dự đoán và quy định. Hầu hết các tổ chức sử dụng kết hợp các loại phân tích để giải quyết các vấn đề kinh doanh cụ thể và đạt được lợi thế cạnh tranh. Các doanh nghiệp có một số loại câu hỏi cơ bản được sắp xếp theo từng danh mục phân tích.

Chuyện gì đã xảy ra thế?

Loại phân tích: phân tích mô tả
Trường hợp sử dụng ví dụ: doanh số tuần trước là bao nhiêu?

Tại sao nó lại xảy ra?

Loại phân tích: phân tích chẩn đoán
Các trường hợp sử dụng ví dụ: điều gì khiến doanh số bán hàng của chúng tôi tăng vào tuần trước? 10 khiếm khuyết hàng đầu khiến năng suất của chúng ta giảm trong tháng trước là gì? Những lý do chính khiến yêu cầu bảo hiểm được nộp là gì?

Điều gì có khả năng xảy ra?

Loại phân tích: phân tích dự đoán (hay còn gọi là AI dự đoán)
Các trường hợp sử dụng ví dụ: dựa trên các xu hướng trong quá khứ, dự báo doanh số của quý tiếp theo là bao nhiêu? Khi nào thiết bị trong nhà máy của chúng ta sẽ hỏng? Với điều kiện hiện tại, chúng ta dự đoán số yêu cầu bồi thường bảo hiểm tăng cao sẽ kéo dài trong bao lâu?

Chúng ta nên làm gì?

Loại phân tích: phân tích theo quy định
Các trường hợp sử dụng mẫu: dựa trên dự đoán về doanh số bán hàng, chúng tôi khuyên bạn nên chạy các biện pháp khuyến khích cho nhóm bán hàng của mình để khuyến khích bán một gói cụ thể. Do khả năng xảy ra lỗi thiết bị, chúng tôi khuyên bạn nên thực hiện bảo trì vào tuần tới. Để giảm bớt tình trạng khách hàng rời bỏ, vui lòng cung cấp cho khách hàng mã khuyến mãi PROMO20 để ở lại với công ty chúng tôi.

Bây giờ chúng ta đã có ngôn ngữ phổ biến, hãy định nghĩa AI.

AI được xác định

Trong TinyTechGuide đầu tiên của tôi, Trí tuệ nhân tạo: Hướng dẫn thực hành để thành công , tôi đã phát triển một định nghĩa thực tế về trí tuệ nhân tạo vì không có một định nghĩa thích hợp nào tồn tại. Đã làm việc trong lĩnh vực dữ liệu, phân tích và AI trong toàn bộ sự nghiệp của tôi, cả với tư cách là người thực hành và nhà tiếp thị, không có định nghĩa rõ ràng về AI. Theo tôi, định nghĩa khá đơn giản:

Trí tuệ nhân tạo = Dữ liệu + Phân tích + Tự động hóa

Hình 1.1: Định nghĩa thực dụng về AI

Dữ liệu + Thông tin chuyên sâu + Tự động hóa = Trí tuệ nhân tạo

Đó là nó. Chỉ cần dữ liệu, phân tích và tự động hóa. Các ứng dụng bao gồm:

Sử dụng chatbot và AI đàm thoại để hoàn thành các nhiệm vụ cụ thể như mở tài khoản ngân hàng hoặc đặt bánh pizza. (Điều này cải thiện chất lượng dịch vụ khách hàng và giảm chi phí vận hành.)
Sử dụng các thuật toán phân tích dự đoán và máy học để cá nhân hóa các ưu đãi, phát hiện những điểm bất thường như gian lận hoặc đề xuất nội dung nên xem tiếp theo trên Netflix. (Điều này dẫn đến doanh thu cao hơn, chi phí thấp hơn và sự hài lòng của khách hàng được cải thiện.)
Sử dụng thị giác máy tính và nhận dạng ký tự quang học (OCR) để trích xuất dữ liệu văn bản từ biên lai, hóa đơn và tệp PDF nhằm tự động hóa yêu cầu bảo hành hoặc sàng lọc các nguồn dữ liệu riêng biệt để chọn ứng viên phù hợp cho thử nghiệm lâm sàng dược phẩm. (Điều này có thể giảm chi phí, cải thiện sự hài lòng và giảm thiểu rủi ro.)
Sử dụng xử lý ngôn ngữ tự nhiên (NLP) và phân tích văn bản để xác định các chủ đề và cảm xúc chính trong dữ liệu văn bản. Hiểu rõ hơn ý kiến của khách hàng sẽ giúp cải thiện chất lượng dịch vụ và đề xuất các hành động tốt nhất tiếp theo. (Điều này có thể tăng doanh thu, giảm sự can thiệp thủ công và nâng cao hiệu quả.)
Ứng dụng thị giác máy tính để tự động quét hình ảnh và xác định các điểm bất thường trong hình ảnh y tế hoặc lỗi sản xuất. (Điều này có thể cải thiện chẩn đoán, giảm chi phí và cải thiện chất lượng.)

Phân tích dự đoán

Bây giờ chúng ta đã hiểu rõ hơn về các loại câu hỏi kinh doanh khác nhau mà phân tích có thể trả lời, hãy chuyển trọng tâm sang phân tích dự đoán—nền tảng công nghệ được sử dụng cho AI. Phương pháp phổ biến nhất được sử dụng trong AI là công nghệ học máy (ML). Với ML, các nhà khoa học dữ liệu sẽ sử dụng thuật ngữ ‘mô hình’ và ‘triển khai mô hình’. Một mô hình không gì khác hơn là một công thức hoặc thuật toán toán học.

Bạn có nhớ công thức “y=mx + b” trong đại số cơ bản không? Đây là một phương trình hoặc mô hình cho một đường thẳng trong đó m là độ dốc của đường thẳng và b là giao điểm y (nơi nó cắt trục y). Bây giờ, chúng ta không cần đi sâu vào chi tiết về cách vẽ đường thẳng phù hợp nhất thông qua một tập hợp các điểm trên biểu đồ 2D (x/y), nhưng nó liên quan đến việc giảm thiểu một số loại hàm lỗi. Tất cả những gì bạn thực sự cần biết là có những phương pháp đã biết để thực hiện những tính toán này. Và ngày nay, sau khi hình thành bài toán và chuẩn bị dữ liệu, máy tính sẽ thực hiện hầu hết công việc! Trên thực tế, AI tổng quát có thể giúp giải quyết vấn đề này, nhưng chúng ta đừng vượt quá chính mình.

Hiện nay, có nhiều loại thuật toán khác nhau được các tổ chức sử dụng. Các công thức có thể phức tạp hơn phương trình đường thẳng của chúng tôi, nhưng phần mềm hiện đại xử lý sự phức tạp này cho các nhà khoa học dữ liệu. Nhìn chung, hầu hết các mô hình đều được tạo ra bằng cách “huấn luyện” chúng dựa trên dữ liệu lịch sử. Sau đó, mô hình kết quả sẽ được triển khai vào hệ thống kinh doanh và thuật toán sẽ cung cấp dữ liệu mà nó chưa từng thấy trước đây. Kết quả của công thức, được gọi là điểm, chỉ đơn giản là xác suất hoặc khả năng xảy ra điều gì đó. Xác suất này có thể là khả năng một giao dịch là gian lận, xác suất bạn sẽ nhấp vào quảng cáo được phân phối cho bạn trong nguồn cấp dữ liệu truyền thông xã hội của bạn hoặc khả năng thiết bị của bạn bị hỏng. Hình 1.2 khái niệm hóa cách hoạt động của phân tích dự đoán và cách phân tích dự đoán được sử dụng để đưa ra quyết định kinh doanh.

Hình 1.2: Minh họa phân tích dự đoán

Phân tích dự đoán (còn gọi là AI dự đoán) đang hoạt động

AI tạo sinh là gì?

Không giống như AI truyền thống, chủ yếu xử lý dữ liệu số và đôi khi là một lượng nhỏ văn bản, AI tổng quát đề cập đến một loại hệ thống AI có khả năng tự tạo ra nội dung hoàn toàn mới. AI truyền thống tập trung vào phân tích dữ liệu lịch sử và đưa ra dự đoán số trong tương lai, trong khi AI tổng quát cho phép máy tính tạo ra các kết quả hoàn toàn mới thường không thể phân biệt được với nội dung do con người tạo ra.

Cốt lõi của hầu hết các hệ thống AI tổng quát là các mô hình nền tảng (FM) và mô hình ngôn ngữ lớn (LLM)—là các mạng thần kinh được đào tạo trên khối lượng dữ liệu khổng lồ—hầu hết trong số đó được lấy ra khỏi Internet mà không quan tâm đến quyền riêng tư và sở hữu trí tuệ ( quyền sở hữu trí tuệ). Bằng cách học các mô hình và cấu trúc của ngôn ngữ con người, mã máy tính, hình ảnh, video và âm nhạc, LLM có thể hiểu các khái niệm theo ngữ cảnh và tạo ra nội dung mới, có chung những điểm tương đồng về mặt thống kê với kho ngữ liệu ban đầu mà nó được đào tạo. Khi được nhắc bằng một vài từ hoặc câu, LLM có thể tạo ra các đoạn văn, câu chuyện, bài thơ, mã chức năng, dữ liệu tổng hợp, hình ảnh chân thực, nhạc gốc và video.

Tóm lại, AI tạo sinh đã đưa chúng ta vượt xa những con số. AI tạo sinh có thể tạo nội dung mới – có thể là blog, chú giải công cụ, bài viết hỗ trợ, bài viết thuật ngữ, hình ảnh hoặc thậm chí là một bản nhạc. AI tạo sinh chắc chắn dựa trên các con số, nhưng cách bạn tương tác với nó và đầu ra được tạo ra mới là yếu tố thay đổi trò chơi. Bạn có thể cung cấp cho nó một kho tài liệu và yêu cầu nó bằng gần một trăm ngôn ngữ khác nhau để phân tích các mẫu, điểm tương đồng hoặc khác biệt giữa các tài liệu. Bạn có thể nhanh chóng tóm tắt tài liệu và hỏi những điểm chính, những khoảnh khắc thú vị và những câu trích dẫn chính. Không sử dụng gì khác ngoài trình duyệt internet và khả năng đặt câu hỏi bẩm sinh, khả năng sáng tạo của bạn không còn bị giới hạn bởi các kỹ năng bẩm sinh. Những câu hỏi này, được gọi là lời gợi ý, cho phép bất kỳ ai viết văn xuôi, viết mã, sáng tác bài hát và tạo ra tác phẩm nghệ thuật mà các Bậc thầy thời xưa phải ghen tị.

Nói chung, giờ đây bất kỳ ai cũng có thể tạo mô tả sản phẩm, email tuyển dụng, bản sao quảng cáo được cá nhân hóa, phản hồi RFP, ghi chú phát hành phần mềm và nhiều trường hợp sử dụng khác mà doanh nghiệp của bạn thường cần. Bạn có thể yêu cầu AI tạo sinh tạo hình ảnh cho bản trình bày, mã phần mềm hoặc thậm chí tạo nhạc nền cho video hướng dẫn của bạn. Có một số loại chế độ khác nhau, bao gồm mô hình văn bản, mô hình mã, mô hình dữ liệu tổng hợp, mô hình ngôn ngữ hóa học (CLM), mô hình hình ảnh, mô hình âm thanh và mô hình video mà tôi đã thảo luận trong Sáu loại mô hình AI thế hệ & Thế giới thực Trường hợp sử dụng .

Bây giờ, với tất cả các từ thông dụng, thuật toán và thuật ngữ trôi nổi xung quanh, có lẽ có một cách để suy nghĩ về điều này:

Hình 1.3: Mối quan hệ giữa AI và AI tạo sinh

AI, ML, Mạng thần kinh, Học sâu và AI sáng tạo

Sự khác biệt chính

Bây giờ, hãy thảo luận về những khác biệt quan trọng giữa AI truyền thống và AI tạo sinh .

Nó làm gì?

AI tạo sinh : Hiểu bối cảnh và tạo ra nội dung mới giống con người (ví dụ: văn bản, mã, âm nhạc, âm thanh, video, dữ liệu, v.v.)
AI truyền thống : Dựa trên các mẫu dữ liệu lịch sử, dự đoán kết quả cho các trường hợp sử dụng cụ thể (ví dụ: dự đoán số)

Nó được áp dụng như thế nào?

AI tạo sinh : Áp dụng cho nhiều trường hợp và ứng dụng sử dụng chung khác nhau (ví dụ: trả lời các câu hỏi phức tạp, tạo hình ảnh, âm thanh, video hoàn toàn mới)
AI truyền thống : Được xác định trong phạm vi hẹp–trường hợp sử dụng cụ thể (ví dụ: phát hiện gian lận, chơi cờ, nhận ra điểm bất thường trong hình ảnh)

Dữ liệu nào được sử dụng để đào tạo mô hình?

AI tạo sinh : Dữ liệu được thu thập từ internet
AI truyền thống : Dữ liệu được quản lý cẩn thận cho các mục đích cụ thể

Nó được giao như thế nào?

AI tạo sinh : Nhiều giao diện con người hơn (ví dụ: giao diện trò chuyện qua ứng dụng và trình duyệt web
AI truyền thống : Các ứng dụng chuyên dụng dành riêng cho từng trường hợp (ví dụ: báo cáo BI, bảng điều khiển, màn hình trung tâm cuộc gọi, v.v.)

Ai có thể sử dụng nó?

AI tạo sinh : Bất cứ ai
AI truyền thống : Nói chung đòi hỏi kiến thức và kỹ năng chuyên môn

Hình 1.4: AI tạo sinh so với AI truyền thống

Vì vậy, tóm lại, sự khác biệt chính giữa AI tổng quát và AI truyền thống là:

Các trường hợp sử dụng chung so với các trường hợp sử dụng chuyên biệt
Tạo nội dung hoàn toàn mới so với dự đoán kết quả đầu ra bằng số hoặc mô tả dữ liệu lịch sử
Có thể tiếp cận, đa phương thức (văn bản, hình ảnh, âm thanh, video) so với ít loại đầu vào ít dễ tiếp cận hơn, ít hơn.

Khi nào nên sử dụng AI tạo sinh

Nhìn chung, các giải pháp AI tổng quát vượt trội trong các nhiệm vụ như sau:

Tạo và đề xuất nội dung.
Hỗ trợ tìm kiếm đàm thoại và chatbot.
Mở rộng quy mô và tự động hóa quy trình làm việc cho các nhiệm vụ lặp đi lặp lại.
Sử dụng lý luận kết hợp để tìm ra những hiểu biết sâu sắc và mối quan hệ trong các tài liệu và dữ liệu.
Tạo mã và hỗ trợ các nhà phát triển viết, giải thích và ghi lại mã.

Các phần sau đây cung cấp ví dụ về các trường hợp sử dụng AI tổng quát, phổ biến này có thể được tùy chỉnh cho các ngành khác nhau.

Sáng tạo và đề xuất nội dung

Tạo nội dung liên quan đến tiếp thị như hình ảnh sản phẩm, bài đăng trên mạng xã hội và email có hình ảnh liên quan.
Dịch các nội dung như tài liệu, nội dung website, hội thoại chatbot đa ngôn ngữ.
Tóm tắt nội dung văn bản, bao gồm tài liệu, bài viết, phản hồi của khách hàng và báo cáo, để giúp đưa ra các quyết định dựa trên dữ liệu sáng suốt hơn.
Tạo bản tóm tắt thông tin từ nhiều nguồn có thể bao gồm văn bản, hình ảnh và các thành phần video hoặc âm thanh.
Tự động chú thích hoặc phụ đề cho video.
Tạo nội dung đa phương tiện sáng tạo như tạo hình ảnh mới từ mô tả lời nhắc văn bản, sửa đổi hoặc sửa hình ảnh bằng lời nhắc văn bản (ví dụ: xóa đối tượng hoặc thay đổi cách phối màu) và tạo video ngắn hoặc hoạt ảnh từ lời nhắc văn bản hoặc tập lệnh.
Tạo giọng nói tổng hợp thực tế cho âm thanh như bản nhạc và bản lồng tiếng.
Phân tích và hiểu hành vi, sở thích, đánh giá và tương tác trước đây của người dùng để đưa ra đề xuất nội dung được cá nhân hóa. Phân tích có thể được kết hợp với các yếu tố thời gian thực như vị trí để điều chỉnh đề xuất nội dung cho các nội dung như sản phẩm, bài viết và video.

Tìm kiếm đàm thoại và chatbot

Xây dựng trợ lý ảo để tương tác với người dùng như hỗ trợ khách hàng và bán hàng trực tuyến.
Cho phép tìm kiếm đàm thoại thông qua cơ sở kiến thức lớn với các truy vấn ngôn ngữ tự nhiên.
Tìm câu trả lời cho các câu hỏi phức tạp kết hợp các câu hỏi bằng văn bản với các hình ảnh liên quan.

Hiểu biết về tài liệu và dữ liệu

Trích xuất dữ liệu và phân tích nội dung từ văn bản như báo cáo, hóa đơn, biên lai, giao dịch tài chính hoặc hợp đồng để nêu bật các lỗi có thể xảy ra hoặc các vấn đề tuân thủ, xác định rủi ro tiềm ẩn hoặc phát hiện các điểm bất thường cho thấy gian lận.
Phân tích cảm xúc của nội dung do người dùng tạo như bài đăng trên mạng xã hội và đánh giá sản phẩm.
Phân tích các cuộc hội thoại được chép lại trong trung tâm cuộc gọi để rút ra những hiểu biết sâu sắc, chẳng hạn như những lý do phổ biến nhất khiến khách hàng xếp hạng thấp cho các tương tác của trung tâm cuộc gọi.
Phân tích dữ liệu an ninh mạng như báo cáo mối đe dọa, bài viết và kho lưu trữ để trích xuất các chỉ số mối đe dọa chính. Phân tích này cho phép phòng thủ an ninh mạng chủ động tóm tắt và ưu tiên các chiến lược giảm nhẹ cùng với các đề xuất để phản ứng nhanh hơn.Phân tích có thể chuyển các biểu đồ tấn công phức tạp sang các giải thích bằng văn bản thuần túy về mức độ phơi nhiễm. Nó cũng có thể mô phỏng các đường tấn công có thể xảy ra để làm nổi bật các tài sản bị ảnh hưởng và có thể đề xuất các biện pháp giảm thiểu trước khi tài sản có thể bị khai thác.

Hỗ trợ tạo mã và nhà phát triển

AI tạo sinh có thể trợ giúp thực hiện các loại nhiệm vụ sau ở tất cả các giai đoạn của vòng đời phát triển phần mềm (SDLC):

Tạo thông số kỹ thuật và tài liệu API bằng cách sử dụng lời nhắc ngôn ngữ tự nhiên.
Tạo các nội dung như mã, hàm, lệnh dòng lệnh và tập lệnh Terraform từ lời nhắc ngôn ngữ tự nhiên.
Tạo các bài kiểm tra và giải thích mã, bao gồm nhận xét và tài liệu để giải thích mã.

Để biết thêm thông tin về cách AI tạo ra có thể chuyển đổi các hoạt động kinh doanh như dịch vụ khách hàng, năng suất của nhân viên và tự động hóa quy trình, hãy xem các trường hợp sử dụng dành cho doanh nghiệp trong “Generative AI trên Google Cloud”.

Khi nào nên sử dụng AI truyền thống

Các trường hợp sử dụng AI truyền thống thường tập trung vào việc dự đoán kết quả trong tương lai hoặc phân loại một danh mục dựa trên mô hình AI được đào tạo trên các nguồn dữ liệu lịch sử hiện có như dữ liệu dạng bảng và hình ảnh. Các giải pháp AI truyền thống thường đủ để giải quyết một số trường hợp sử dụng AI phân loại và dự đoán, chẳng hạn như sau:

Các trường hợp sử dụng phân loại :
- Lọc thư rác bằng cách phân loại email là thư rác hoặc không phải thư rác , dựa trên mô hình AI phân loại truyền thống được đào tạo dựa trên dữ liệu lịch sử.
- Đào tạo mô hình phân loại hình ảnh truyền thống trên các hình ảnh cụ thể của sản phẩm tốt và bị lỗi để hỗ trợ hiệu quả cho việc kiểm tra và phát hiện lỗi theo thời gian thực trong sản xuất.
Các trường hợp sử dụng hồi quy :
- Dự đoán các giá trị số liên tục như dự đoán giá nhà dựa trên đặc điểm và vị trí ngôi nhà cụ thể.
- Dự đoán doanh thu mà khách hàng của nền tảng thương mại điện tử sẽ tạo ra trong mối quan hệ của họ với công ty dựa trên dữ liệu mua hàng lịch sử.
Các trường hợp sử dụng dự báo chuỗi thời gian : Dự báo doanh số và nhu cầu.
Các trường hợp sử dụng phân cụm : Thực hiện phân khúc khách hàng.

Để biết thêm thông tin về cách sử dụng AI truyền thống, hãy xem Công dụng và ví dụ về phân tích dự đoán trong phần “Phân tích dự đoán là gì?”

Quyết định giữa AI truyền thống và AI tạo sinh

Cây quyết định đơn giản hóa sau đây cung cấp tham chiếu cấp cao cho một số đường dẫn quyết định dựa trên trường hợp sử dụng. Trong một số trường hợp, tốt nhất nên sử dụng cả AI truyền thống và AI thế hệ, như được mô tả trong phần tiếp theo, “Khi nào nên kết hợp AI thế hệ với AI truyền thống”.

Cây quyết định bao gồm các câu hỏi và câu trả lời dựa trên trường hợp sử dụng sau:

Nếu trường hợp sử dụng của bạn liên quan đến phân loại hoặc phát hiện, hãy kiểm tra xem mô hình AI truyền thống được đào tạo trước có thể đáp ứng các yêu cầu của trường hợp sử dụng của bạn hay không. Các mô hình truyền thống được đào tạo trước bao gồm các API AI như Document AI, Vision AI, Natural Language API và Video Intelligence API.
- Nếu mô hình được đào tạo trước đáp ứng yêu cầu của bạn, hãy sử dụng mô hình được đào tạo trước.
- Nếu mô hình được đào tạo trước không thể đáp ứng yêu cầu của bạn, hãy kiểm tra xem liệu có đủ dữ liệu đào tạo để đào tạo mô hình tùy chỉnh hay không.
  - Nếu có đủ dữ liệu đào tạo, điều gì cần được ưu tiên: kiểm soát nhiều hơn việc đào tạo mô hình hoặc đạt được tốc độ tiếp cận thị trường (GTM) nhanh hơn?
    - Nếu bạn yêu cầu kiểm soát cao việc đào tạo mô hình với các tùy chỉnh như sử dụng bất kỳ thuật toán mô hình ưa thích nào, phát triển các hàm mất mát của riêng bạn, sử dụng các tính năng cụ thể của khả năng giải thích mô hình , số lớp trong mô hình, tốc độ học tập và các siêu tham số mô hình khác , hãy sử dụng tùy chỉnh đào tạo mô hình AI truyền thống. Để biết thông tin về sự khác biệt giữa đào tạo tùy chỉnh hoặc đào tạo mô hình trong Vertex AI bằng cách sử dụng AutoML, hãy xem Chọn phương pháp đào tạo .
    - Nếu ưu tiên kinh doanh của bạn là GTM nhanh hơn, hãy sử dụng AI tạo sinh . Nếu trường hợp sử dụng của bạn là chuyên biệt, bạn có thể cải thiện hiệu suất của mô hình bằng cách sử dụng điều chỉnh mô hình như điều chỉnh có giám sát để phân loại, phân tích cảm tính hoặc trích xuất thực thể.
  - Nếu tập dữ liệu huấn luyện không có sẵn hoặc nếu tập dữ liệu có sẵn không đủ lớn để huấn luyện mô hình tùy chỉnh, hãy sử dụng các mô hình AI tổng quát với kỹ thuật nhanh chóng . Những mô hình này có thể được điều chỉnh thêm để thực hiện các nhiệm vụ chuyên biệt bằng cách sử dụng các ví dụ về dữ liệu .
Nếu trường hợp sử dụng của bạn liên quan đến trường hợp sử dụng AI dự đoán, hãy sử dụng AI truyền thống. AI dự đoán truyền thống đặc biệt hiệu quả với dữ liệu có cấu trúc.
Nếu trường hợp sử dụng của bạn liên quan đến các trường hợp sử dụng AI tổng quát như tóm tắt, tạo nội dung hoặc phiên âm nâng cao, hãy sử dụng AI tổng quát. Việc sử dụng AI tổng quát bao gồm các trường hợp sử dụng yêu cầu xử lý và nhập thông tin từ nhiều phương thức như văn bản, hình ảnh, video hoặc âm thanh.

Mặc dù các nhà khoa học dữ liệu và kỹ sư ML thường dẫn đầu quá trình lựa chọn mô hình, nhưng điều quan trọng là cũng phải xem xét ý kiến đóng góp của các bên liên quan chính như lãnh đạo doanh nghiệp, chủ sở hữu sản phẩm, chuyên gia miền và người dùng cuối. Ví dụ: các bên liên quan này có thể tham gia theo những cách sau:

Lãnh đạo doanh nghiệp và người ra quyết định : Phê duyệt lựa chọn khi nó phù hợp với các ưu tiên kinh doanh.
Chủ sở hữu sản phẩm : Có thể yêu cầu ảnh hưởng hoặc có nhiều quyền kiểm soát hơn đối với hành vi của mô hình để điều chỉnh nó phù hợp với các ưu tiên của sản phẩm.
Chuyên gia tên miền : Áp dụng kiến thức chuyên môn về tên miền của họ để cải thiện hiệu quả của mô hình.
Người dùng cuối : Có thể cần hiểu đầu ra của mô hình và cách kết hợp đầu ra để đưa ra quyết định sáng suốt hơn.

Khi nào nên kết hợp AI tạo sinh với AI truyền thống

AI truyền thống và AI tạo sinh không loại trừ lẫn nhau. Trong một số trường hợp sử dụng kinh doanh, chúng có thể được sử dụng để bổ sung cho nhau nhằm giải quyết mục tiêu kinh doanh cuối cùng. Ví dụ: bạn có thể sử dụng đầu ra từ mô hình AI truyền thống như một phần lời nhắc cho mô hình AI tổng quát. Sau đây là một số ví dụ về các trường hợp sử dụng để kết hợp các khả năng AI truyền thống và tổng quát:

AI dự đoán truyền thống có thể phân tích dữ liệu lịch sử để dự báo xác suất rời bỏ khách hàng. Phân tích này có thể được tích hợp với LLM hoặc chatbot tổng hợp được hỗ trợ bởi AI, giúp nhóm bán hàng của bạn khám phá các dự đoán bằng cách sử dụng các cuộc hội thoại bằng ngôn ngữ tự nhiên. Bạn cũng có thể tạo bảng thông tin kinh doanh thông minh (BI) thông qua cuộc trò chuyện đơn giản với chatbot.
AI dự đoán truyền thống có thể dự báo rủi ro trong một trường hợp sử dụng cụ thể, trong khi AI tổng quát có thể mô phỏng các tình huống khác nhau để giúp xây dựng các chiến lược giảm thiểu khả thi.
AI dự đoán truyền thống có thể xác định các phân khúc khách hàng để giúp tạo chiến dịch và tiếp thị được cá nhân hóa. Sau đó, bạn có thể sử dụng AI tổng quát để tạo nội dung tiếp thị được cá nhân hóa phù hợp với từng phân khúc được xác định.
Thị giác máy tính AI truyền thống có thể phát hiện và phân loại ngôn ngữ ký hiệu để dịch video đầu vào thành văn bản. AI tạo sinh có thể bổ sung thêm sự hiểu biết về ngữ cảnh và sắc thái trong ngôn ngữ ký hiệu, cho phép dịch sang văn bản viết được tối ưu hóa hơn, bao gồm nhiều ngôn ngữ. AI tạo sinh cũng có thể tạo đầu ra giọng nói từ bản dịch văn bản, cho phép giao tiếp hai chiều liền mạch giữa người ký và người không ký.
AI truyền thống có thể thực hiện phân tích video và sử dụng các khả năng thông minh của video để trích xuất những thông tin chi tiết và tính năng quan trọng từ nội dung video. Ví dụ: nó có thể thực hiện phát hiện đối tượng, phát hiện người, phát hiện văn bản và trích xuất từ nội dung video. Sau đó, AI tạo sinh có thể sử dụng những hiểu biết sâu sắc đó để tạo ra những trải nghiệm mới lạ như chatbot, danh sách, báo cáo hoặc bài viết.

Để tối đa hóa lợi ích kinh doanh của các khoản đầu tư vào AI tổng quát và AI truyền thống, hãy ưu tiên các kết quả kinh doanh cần thiết và nhu cầu của người dùng (các giải pháp AI hướng đến doanh nghiệp và lấy người dùng làm trung tâm). Cách tiếp cận này đảm bảo rằng các giải pháp luôn phù hợp, thúc đẩy việc áp dụng, nâng cao hiệu quả và thúc đẩy đổi mới. Ưu tiên trải nghiệm người dùng trong các giải pháp hỗ trợ AI giúp điều chỉnh kỳ vọng và mang lại kết quả có ý nghĩa.

Kết luận

Khi công nghệ tiến bộ, AI truyền thống và AI tạo sinh sẽ hoạt động cùng nhau. AI tạo sinh sẽ được sử dụng để đơn giản hóa và hợp lý hóa sự tương tác giữa người và máy cũng như tạo ra các ứng dụng sử dụng AI truyền thống. Nói cách khác, chúng sẽ được sử dụng song song chứ không phải riêng lẻ. Hiện nay, nhiều bài báo tôi đã đọc trong vài tháng qua về cơ bản nói rằng AI có thể tạo ra sẽ trợ giúp hầu hết mọi việc.

Ví dụ: lấy trường hợp sử dụng chuỗi cung ứng điển hình như dự báo nhu cầu. Có vô số bài viết mô tả cách AI có thể giúp dự báo nhu cầu. Hầu hết các bài viết này đều khẳng định rằng AI tổng quát có thể giúp tăng cường dữ liệu, phân tích kịch bản và nhận dạng mẫu nâng cao hơn. Một vấn đề tôi muốn chỉ ra là tất cả những điều này đều có thể được thực hiện ngay hôm nay mà không cần sự hỗ trợ của AI tạo sinh . Để tăng cường dữ liệu, các doanh nghiệp có nghĩ rằng AI tạo sinh sẽ khắc phục một cách kỳ diệu tất cả các vấn đề về dữ liệu của họ không? Nếu nó không được lập danh mục và lộn xộn, chúc may mắn. Một lần nữa, để phân tích kịch bản và nhận dạng mẫu nâng cao, tất cả đều có trong bộ công cụ ngày nay.

Điều khác biệt với AI tổng quát là số lượng người có thể giúp giải quyết những vấn đề này. Giả sử các tổ chức có dữ liệu được tổ chức tốt và có thể tìm thấy, giờ đây tôi có thể yêu cầu ứng dụng giúp tạo dự báo cho các giai đoạn cụ thể và thực hiện phân tích kịch bản. Chúng ta có thể yêu cầu nó sử dụng thuật toán ML cho dự báo thay vì các phương pháp thống kê – thay đổi nó từ mô hình một biến thành mô hình đa biến. Tuy nhiên, khi bạn hỏi những câu hỏi này, nó sẽ viết mã Python để phân tích dữ liệu và tạo đồ họa đầu ra – do đó tận dụng AI truyền thống.

Các doanh nghiệp có kế hoạch triển khai các dự án AI mang tính sáng tạo của mình nên lùi lại, hít một hơi và suy nghĩ một cách tổng thể về vấn đề kinh doanh cần giải quyết và làm việc ngược lại từ đó. Dữ liệu khả thi tối thiểu cần thiết là gì, quy trình kinh doanh của bạn sẽ thay đổi như thế nào và nó sẽ giúp chúng tôi đạt được các mục tiêu của tổ chức như thế nào? Hãy nhớ rằng, AI tạo sinh không phải là thuốc chữa bách bệnh; nó chỉ đơn giản là một công cụ khác trong hộp công cụ.

[1] Mckinsey & Công ty. 2023. “Tiềm năng kinh tế của AI tạo sinh | McKinsey.” www.mckinsey.com . Ngày 14 tháng 6 năm 2023. https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-kinh tế-potential-of-generative-ai-the-next-productivity-frontier# introduction .

[2] Somers, Meredith. 2023. “AI tạo sinh có thể nâng cao năng suất của người lao động có tay nghề cao như thế nào | MIT Sloan.” Mitsloan.mit.edu . Ngày 17 tháng 10 năm 2023. https://mitsloan.mit.edu/ideas-made-to-matter/how-generative-ai-can-boost-highly-skilled-workers-productivity .

[3] cloud.google.com/docs/ai-ml/generative-ai/generative-ai-or-traditional-ai

Smart Business Vietnam dịch

Nguồn: https://tinytechguides.com/blog/generative-ai-vs-traditional-ai-whats-better/

Nổi bật