IA complexe : ingrédients clés du succès de l'IA en entreprise

Selon un récent rapport mondial publié par Dynatrace, motivé par l'augmentation des investissements dans l'intelligence artificielle, « l'intelligence artificielle composite » deviendra un facteur clé pour que les entreprises puissent appliquer avec succès l'intelligence artificielle. Dynatrace a souligné que si 83 % des leaders technologiques estiment que l'intelligence artificielle est essentielle, 95 % estiment que l'intelligence artificielle générative (GenAI) sera plus efficace si elle est assistée par d'autres types d'intelligence artificielle

Le rapport souligne que les entreprises doivent adopter une approche globale de l’intelligence artificielle combinant plusieurs types d’intelligence artificielle. Ces types peuvent inclure GenAI, l’IA prédictive et/ou causale, ainsi que des données provenant de sources disparates telles que l’observabilité, la sécurité et les événements commerciaux. Grâce à cette approche, les entreprises peuvent atteindre des niveaux de raisonnement plus élevés et rendre les résultats de l'intelligence artificielle plus précis, pertinents et significatifs

Comme on peut le voir, l'intelligence artificielle n'est pas une technologie simple. Cela implique une variété de types, de méthodes, de données et de scénarios, chacun ayant ses forces et ses limites. Pour exploiter tout le potentiel de l’intelligence artificielle, une seule technologie d’intelligence artificielle ne suffit pas. Il est nécessaire de combiner différentes technologies d’IA et sources de données pour fournir des inférences plus avancées et des résultats d’IA plus précis, significatifs et contextuels. C’est le concept d’intelligence artificielle composite. Il s'agit de combiner plusieurs types d'IA, tels que génératif, prédictif et causal, avec différentes sources de données, telles que l'observabilité, la sécurité et les événements commerciaux. L’IA composite est un facteur clé dans l’adoption réussie de l’IA par les entreprises. Parce qu'elle peut aider les entreprises à résoudre des problèmes complexes, à fournir des solutions plus précieuses et à mieux s'adapter à des environnements changeants

Cet article est basé sur un rapport mondial de Dynatrace pour analyser le concept, l'application et la valeur de l'intelligence artificielle composée, ainsi que ses avantages. et les défis de l’intelligence artificielle composite. Notre objectif est de mieux comprendre l'importance et le potentiel de l'intelligence artificielle composée et comment adopter efficacement l'intelligence artificielle composée pour améliorer la compétitivité et l'innovation des entreprises

01 Le concept d'intelligence artificielle composée

est bien connu, L'intelligence artificielle est un sujet interdisciplinaire impliquant l'informatique, les mathématiques, les statistiques, la psychologie, la philosophie et d'autres disciplines. Il permet aux ordinateurs ou aux machines de posséder une intelligence semblable à celle des humains, telle que la perception, la compréhension, l'apprentissage, le raisonnement, la prise de décision, la création et d'autres capacités. La recherche et le développement de l’intelligence artificielle ont une histoire de plusieurs décennies, au cours desquelles elle a connu de nombreux hauts, bas et changements. Cela a conduit à la formation de plusieurs types, méthodes, données et scénarios de technologie d'intelligence artificielle. Chaque technologie a ses propres avantages et limites

Le récent développement rapide de l'IA générative (IA générative) est l'utilisation de technologies profondes telles que à mesure que l'apprentissage génère de nouveaux contenus à partir de données, tels que du texte, des images, de l'audio, etc. L’avantage de l’intelligence artificielle générative est qu’elle peut nous aider à créer de nouveaux produits et services, comme des assistants virtuels, des recommandations personnalisées, du contenu intelligent, etc. Cependant, l'intelligence artificielle générative présente également certaines limites et elle peut causer des problèmes inexacts, déraisonnables ou contraires à l'éthique, tels que le contenu généré qui est incohérent avec les faits, viole le bon sens ou blesse les sentiments d'autrui, etc.

Intelligence artificielle prédictive (intelligence artificielle prédictive) L’histoire du développement de l’IA remonte aux années 1950, lorsque les premières théories d’apprentissage statistique et algorithmes d’apprentissage automatique ont émergé. L'intelligence artificielle prédictive utilise l'apprentissage statistique et d'autres technologies pour découvrir des modèles et des tendances à partir des données à des fins de classification, de régression, de regroupement, etc. L’avantage de l’intelligence artificielle prédictive est qu’elle peut nous aider à optimiser les produits et services existants, comme le suivi des performances, la prédiction de pannes, la détection d’anomalies, etc. Les limites de l'intelligence artificielle prédictive sont que les résultats prédits ne correspondent pas à la réalité, sont affectés par du bruit ou des anomalies, ou manquent d'explicabilité, etc.

L'IA causale est un type d'intelligence artificielle qui utilise des données et des algorithmes pour déduire des relations causales. .IA. Il aide les organisations à comprendre les causes et les effets des données, conduisant ainsi à de meilleures décisions et interventions. Certains domaines d'application de l'intelligence artificielle causale comprennent la médecine, les sciences sociales, l'économie, l'éducation, l'élaboration de politiques, etc. Le concept central de l’intelligence artificielle causale est le diagramme causal, qui est un modèle graphique qui utilise des nœuds et des flèches pour représenter les variables et les relations causales. Les diagrammes de cause à effet peuvent être utilisés pour représenter les mécanismes par lesquels les données sont générées et comment la distribution des données peut être modifiée par une intervention ou une expérimentation. Les diagrammes de cause à effet peuvent également être utilisés pour répondre à des questions de cause à effet, telles que « Que se passe-t-il si je fais cela ? » ou « Pourquoi cette variable affecte-t-elle cette variable ? »

Réécrit en chinois comme suit : En plus des différents types de technologies d'intelligence artificielle, il existe également différentes sources de données disponibles, notamment l'observabilité, la sécurité et les événements commerciaux, etc. Les données d'observabilité font référence aux données liées aux performances des applications, aux pratiques de développement de logiciels et de sécurité, à l'infrastructure informatique et à l'expérience utilisateur. Les données de sécurité font référence aux données liées à la cybersécurité, à la protection des données et au respect de la vie privée. Les données d'événements commerciaux font référence aux données liées aux processus commerciaux, aux transactions, au comportement et à la satisfaction des clients. Différentes sources de données fournissent des informations et une valeur différentes, mais sont également confrontées à des exigences et des défis différents en matière de qualité, de sécurité et de confidentialité.

L'intelligence artificielle composite est la combinaison de différents types de technologies d'intelligence artificielle et de sources de données pour fournir un raisonnement plus avancé et plus précis. , sortie d'IA significative et contextuelle. L’IA composée peut nous aider à résoudre des problèmes complexes, à fournir des solutions plus utiles et à mieux nous adapter à des environnements changeants. Le cœur de l'intelligence artificielle composite est d'utiliser les avantages des différentes technologies d'intelligence artificielle et sources de données pour compenser leurs limites respectives et parvenir à une synergie et une complémentarité entre les technologies d'intelligence artificielle et les sources de données

02 Intégration et ajustement de l'intelligence artificielle composite

L'intégration et l'ajustement de l'IA composite sont la combinaison de différents types de technologies d'IA et de sources de données pour fournir un raisonnement plus avancé et une sortie d'IA plus précise, significative et contextuelle. L'intégration et l'ajustement de l'intelligence artificielle composite nécessitent la prise en compte de multiples aspects, tels que les objectifs, la portée, les méthodes, la qualité des données, la sécurité et la confidentialité de l'intelligence artificielle, ainsi que l'évaluation et la supervision de l'intelligence artificielle. Par conséquent, certains concepts et principes de base sont nécessaires

Le but de l'intelligence artificielle est de résoudre des problèmes ou de mettre en œuvre des fonctions, telles que le diagnostic, la prédiction, la génération, la recommandation, etc. Ces objectifs déterminent le type, le format et le contenu des résultats de l’IA, ainsi que leur valeur et leur impact. Afin de faciliter la conception, la mise en œuvre et l'évaluation, les objectifs de l'intelligence artificielle doivent être clairs, spécifiques, quantifiables et réalisables.

Lors de la détermination de la portée de l'intelligence artificielle, les domaines ou scénarios impliqués doivent être pris en compte, tels que le médical, éducation, finance, fabrication, etc. La portée de l'intelligence artificielle détermine les sources, les caractéristiques et les exigences de ses entrées et sorties, ainsi que la complexité et la difficulté de ces entrées et sorties. Afin de faciliter l'acquisition, le traitement et l'application de l'intelligence artificielle, la portée doit être appropriée, raisonnable, réalisable et évolutive.

Les méthodes de sélection de l'intelligence artificielle incluent l'utilisation de technologies ou d'algorithmes d'intelligence artificielle générative, prédictive et causale, comme ainsi que l'apprentissage profond, l'apprentissage statistique et l'inférence causale, etc. Ces méthodes déterminent la qualité, la fiabilité et l’interprétabilité des résultats de l’IA, ainsi que les points forts et les limites des résultats de l’IA. Les méthodes d'intelligence artificielle doivent être adaptées, efficaces, innovantes et améliorables afin d'être optimisées, vérifiées et mises à jour

La qualité des données fait référence à l'exactitude, l'exhaustivité, la cohérence, l'actualité et la pertinence des données, etc. La qualité des données affecte directement l’exactitude, la rationalité et l’éthique des résultats de l’intelligence artificielle, ainsi que la confiance et l’acceptabilité des résultats de l’intelligence artificielle. Par conséquent, la qualité des données doit être élevée, stable, claire et nouvelle pour faciliter l'apprentissage, le raisonnement et la génération de l'intelligence artificielle.

Le contenu qui doit être réécrit est le suivant : la sécurité des données et la protection de la vie privée doivent également être prises en compte, y compris le cryptage des données, l'autorisation, l'audit, la sauvegarde et la suppression, etc. La sécurité et la confidentialité des données ont un impact sur la sécurité, la légalité et la responsabilité des résultats de l’IA, ainsi que sur les risques et les conséquences. Par conséquent, la sécurité et la confidentialité des données doivent être fortes et strictement conformes aux réglementations et aux lois pour faciliter la prévention, la réponse et la correction de l'intelligence artificielle

Il est très important pour l'évaluation et la supervision de l'intelligence artificielle, et son résultat doit être inspecté et amélioré. Cela comprend des travaux sur les tests, l’évaluation, le retour d’information et le suivi des résultats de l’IA. L’évaluation et la supervision de l’intelligence artificielle ont des implications sur l’efficience et l’efficacité de ses résultats, ainsi que sur l’innovation et le développement. Par conséquent, l'évaluation et la supervision de l'intelligence artificielle doivent être continues, complètes, objectives et opportunes pour faciliter son ajustement, son optimisation et sa mise à jour.

L'intégration et l'ajustement de l'intelligence artificielle composite est un processus impliquant de nombreux aspects et vise à fournir des solutions plus avancées. des capacités de raisonnement et des résultats d’IA plus précis, significatifs et contextuels. Il s'agit d'un processus qui nécessite beaucoup de temps, de ressources et d'expertise, ainsi qu'un haut degré de coordination et de coopération

03 Application de l'intelligence artificielle composée

L'application de l'intelligence artificielle composée consiste à utiliser différents types de technologies d'intelligence artificielle et de sources de données pour résoudre des problèmes complexes et fournir un raisonnement plus avancé et des résultats plus précieux. Cette approche combine plusieurs types d’intelligence artificielle pour obtenir un raisonnement plus avancé et de meilleures performances. Les domaines d'application de l'intelligence artificielle composée sont très larges. Par exemple, dans le domaine du traitement du langage naturel, l'intelligence artificielle composée peut être utilisée pour générer, comprendre et traduire le langage naturel, y compris l'utilisation de l'IA générative, de l'IA prédictive et de l'IA causale. autres technologies

Compound L'application de l'intelligence artificielle peut être appliquée à divers domaines et industries tels que les soins médicaux, l'éducation, la finance, la fabrication, le divertissement et la sécurité

Dans le domaine médical, l'intelligence artificielle composée peut combiner générative, l'intelligence artificielle prédictive et causale, ainsi que la sécurité de l'intelligence artificielle observable et les données d'événements commerciaux pour fournir des solutions de diagnostic, de traitement et de prévention plus précises, ainsi que des services médicaux plus personnalisés. Par exemple, l’intelligence artificielle générative peut générer de nouvelles informations médicales, telles que des lésions, des mutations, des diagnostics, etc., grâce à des données telles que des images médicales, des séquences génétiques et des dossiers médicaux. L'intelligence artificielle prédictive peut découvrir des modèles et des tendances à partir de la surveillance médicale, des tests, de l'évaluation et d'autres données, telles que l'état, le risque, l'effet, etc. L'intelligence artificielle causale peut déduire des relations causales à partir de données sur les interventions médicales, les traitements, la prévention, etc., telles que les médicaments, les interventions chirurgicales, le mode de vie, etc. Les données d'observabilité permettent de surveiller et d'analyser les dispositifs, systèmes et processus médicaux, améliorant ainsi la disponibilité et la fiabilité. Les données de sécurité peuvent protéger et respecter les données médicales et la confidentialité, empêchant ainsi toute utilisation abusive ou fuite de données. Les données d'événements commerciaux peuvent mesurer et améliorer les services médicaux et la satisfaction, augmenter les revenus et les bénéfices.

L'application de l'intelligence artificielle composite dans le domaine de l'éducation consiste à combiner l'intelligence artificielle générative, prédictive et causale avec les comportements, les capacités et les données de préférence des apprenants. se combinent pour nous offrir un meilleur enseignement, une meilleure évaluation et un meilleur feedback, ainsi que des parcours d'apprentissage qui nous conviennent mieux. Par exemple, l’intelligence artificielle générative peut créer pour nous de nouveaux contenus pédagogiques, tels que des questions, des réponses, des exemples, etc., basés sur des données telles que des manuels, des cours et des cartes de connaissances. L'intelligence artificielle prédictive peut nous aider à découvrir des règles et des tendances telles que le niveau d'apprentissage, la vitesse de progression et le style d'apprentissage en fonction de nos activités d'apprentissage, de nos résultats, de nos commentaires et d'autres données. L'intelligence artificielle causale peut déduire la relation causale entre les méthodes d'enseignement, les ressources d'apprentissage, les résultats d'apprentissage, etc. sur la base de nos interventions pédagogiques, de nos stratégies, de nos effets et d'autres données. Les données sur le comportement, les capacités et les préférences des apprenants peuvent permettre à l'intelligence artificielle de mieux nous comprendre, de nous fournir des services personnalisés et personnalisés et de rendre notre apprentissage plus efficace et efficient.

L'intelligence artificielle composée joue un rôle important dans l'effet du domaine financier. Il utilise l’intelligence artificielle générative, prédictive et causale pour combiner les données de marché, de clients et de risques afin de nous fournir de meilleures solutions et services financiers. Par exemple, l’IA générative peut nous fournir de nouvelles informations financières basées sur diverses données, comme des cotations, des recommandations, des stratégies, etc. L'intelligence artificielle prédictive peut nous aider à découvrir les règles et tendances financières en fonction de diverses données, telles que les prix, la demande, le comportement, etc. L’intelligence artificielle causale peut nous aider à analyser les relations causales financières en fonction de diverses données, telles que l’impact, le risque, le rendement, etc. Les données de marché peuvent nous aider à mieux comprendre et analyser les conditions du marché et à améliorer la transparence et l’efficacité du marché. Les données clients peuvent nous aider à mieux comprendre et servir nos clients, et à améliorer leur fidélité et leur satisfaction. Les données sur les risques peuvent nous aider à mieux identifier et gérer les risques, et à améliorer la contrôlabilité et la prévisibilité des risques

04 La valeur de l'intelligence artificielle composite

Le contenu réécrit est le suivant : L'application de l'intelligence artificielle composite peut améliorer la fiabilité et l'applicabilité de l'intelligence artificielle. En combinant différents types de technologies d'intelligence artificielle et de sources de données, l'intelligence artificielle composite peut exploiter pleinement les avantages de diverses technologies d'intelligence artificielle et sources de données pour compenser leurs lacunes respectives et réaliser un travail collaboratif et des effets complémentaires. De cette manière, l'IA composite peut fournir des résultats d'IA plus complets, précis, raisonnables et éthiques pour prendre en charge des scénarios commerciaux critiques et éviter les problèmes incohérents, inappropriés ou indésirables. un contenu auquel les utilisateurs peuvent avoir confiance pour résoudre un problème spécifique est une tâche difficile. L'équipe doit investir beaucoup de temps et d'efforts pour concevoir des invites appropriées afin que GenAI comprenne quel type de contenu il doit générer et pour vérifier que toute l'exactitude du contenu est générée. contenu »

Pour y parvenir, il a souligné l’importance de comprendre que les différentes IA ne sont pas universelles. De nombreux scénarios d'application de GenAI, notamment les scénarios complexes tels que l'optimisation du code logiciel ou la résolution de failles de sécurité, nécessitent l'utilisation d'une intelligence artificielle composite (IA composite). L'IA composite fait référence à la combinaison de différents types d'IA, tels que l'IA de raisonnement causal (qui peut découvrir les causes et les effets du comportement du système) et l'IA prédictive (qui peut prédire des événements futurs sur la base de données passées), fournissant les informations de base nécessaires.

Les entreprises capables de formuler la bonne stratégie et de combiner diverses technologies d'intelligence artificielle avec des données de haute qualité peuvent améliorer considérablement l'efficacité du travail des équipes de développement, d'exploitation et de sécurité tout en fournissant une valeur commerciale durable

L'IA composite est une approche qui combine différents types de technologies d’IA et de sources de données pour fournir un raisonnement plus avancé et des résultats plus précieux. Nous pouvons combiner l'IA générative (générer un nouveau contenu à partir de données), l'IA prédictive (prédire des événements futurs sur la base de données passées) et l'IA causale (identifier les relations de cause à effet dans les données) pour générer une signification plus précise, plus informative et plus contextuelle. contenu. De plus, nous pouvons exploiter différentes sources de données telles que les données d'observabilité (utilisées pour surveiller et analyser les performances et l'état du système), les données de sécurité (utilisées pour protéger et respecter l'utilisation et la transmission des données) et les données d'événements commerciaux (utilisées pour (pour mesurer et améliorant les processus et les effets commerciaux) pour garantir que l'intelligence artificielle puisse utiliser des données plus complètes, fiables et pertinentes

Référence : https://aimagazine.com/data-and-analytics/composite-ai -could-drive-success- à mesure que les investissements augmentent Le lien de référence mentionne qu'à mesure que les investissements augmentent, l'IA composée peut conduire au succès

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!