复杂AI：实现企业AI成功的关键要素

根据Dynatrace最近发布的一份全球报告显示，在不断增加对人工智能的投资的推动下，“复合人工智能”将成为企业成功应用人工智能的关键因素。Dynatrace指出，尽管83%的技术领导者认为人工智能是必不可少的，但有95%的人认为，如果有其他类型的人工智能来协助，生成式人工智能（GenAI）会更加有效果

报告指出，企业需要采用一种综合的人工智能方法，即将多种类型的人工智能相结合。这些类型可能包括 GenAI、预测性和/或因果性 AI，以及来自可观察性、安全性和业务事件等不同的数据源。通过这种方法，企业可以实现更高级别的推理，并使人工智能的输出更准确、相关和有意义

从这可以看出，人工智能并不是一种简单的技术。它涉及到多种类型、方法、数据和场景，每一种都有其优势和局限。要充分发挥人工智能的潜力，单一的人工智能技术是不够的。需要将不同的人工智能技术和数据源结合起来，以提供更高级的推理，以及更准确、更有意义和更有上下文的人工智能输出。这就是复合人工智能的概念。它指的是组合多种类型的人工智能，比如生成型、预测型和因果型，以及不同的数据源，比如可观察性、安全性和业务事件。复合人工智能是企业成功采用人工智能的关键因素。因为它可以帮助企业解决复杂的问题，提供更有价值的解决方案，并更好地适应不断变化的环境

本文基于Dynatrace的一项全球报告来分析复合人工智能的概念、应用和价值，以及复合人工智能的优势和挑战。我们的目的是更好地了解复合人工智能的重要性和潜力，以及如何有效地采用复合人工智能，以提升企业的竞争力和创新力

 01  复合人工智能的概念

众所周知，人工智能是一门涉及到计算机科学、数学、统计学、心理学、哲学等多个学科的交叉学科。它使得计算机或机器能够具备类似于人类的智能，例如感知、理解、学习、推理、决策、创造等能力。人工智能的研究和发展已经有了几十年的历史，期间经历了多次的兴衰和变革。这导致了多种类型、方法、数据和场景的人工智能技术的形成，每一种技术都有其自身的优势和局限

近期迅猛发展的生成型人工智能（generative AI）是利用深度学习等技术，从数据中生成新的内容，例如文本、图像、音频等。生成型人工智能的优点在于可以帮助我们创造新的产品和服务，例如虚拟助理、个性化推荐、智能内容等。然而，生成型人工智能也存在一些局限，可能会出现不准确、不合理或不道德的问题，例如生成的内容与事实不符、违反常识或伤害他人感情等

预测型人工智能（predictive AI）的发展历史可以追溯到20世纪50年代，当时出现了第一批统计学习理论和机器学习算法。预测型人工智能利用统计学习等技术，从数据中发现规律和趋势进行分类、回归、聚类等。预测型人工智能的优势是可以帮助我们优化现有的产品和服务，比如性能监控、故障预测、异常检测等。预测型人工智能的局限是预测的结果与实际不符、受到噪声或异常的影响或缺乏可解释性等

因果型人工智能（causal AI）是一种利用数据和算法来推断因果关系的人工智能。它可以帮助组织理解数据背后的原因和效果，从而进行更好的决策和干预。因果型人工智能的一些应用领域包括医疗、社会科学、经济学、教育、政策制定等。因果型人工智能的核心概念是因果图，它是一种用节点和箭头表示变量和因果关系的图形模型。因果图可以用来表示数据生成的机制，以及如何通过干预或实验来改变数据的分布。因果图还可以用来回答因果问题，如“如果我做了这个，会发生什么？”或“为什么这个变量会影响那个变量？”

重新写成中文如下：除了不同类型的人工智能技术，还有不同的数据源可供使用，包括可观察性、安全性和业务事件等。可观察性数据指与应用程序性能、软件开发和安全实践、IT基础设施和用户体验相关的数据。安全性数据指与网络安全、数据保护和隐私合规相关的数据。业务事件数据指与业务流程、交易、客户行为和满意度相关的数据。不同的数据源提供不同的信息和价值，但也面临不同的质量、安全性和隐私要求和挑战

复合人工智能是将不同类型的人工智能技术和数据源结合在一起，以提供更高级的推理，以及更准确、更有意义和更有上下文的人工智能输出。复合人工智能能够帮助我们解决复杂的问题，提供更有价值的解决方案，并且能够更好地适应不断变化的环境。复合人工智能的核心在于利用不同的人工智能技术和数据源的优势，弥补它们各自的局限，实现人工智能技术和数据源之间的协同和互补

 02  复合人工智能的集成和调整

复合人工智能的集成和调整是将不同类型的人工智能技术和数据源相结合，以提供更高级的推理，以及更准确、更有意义和更有上下文的人工智能输出。复合人工智能的集成和调整需要考虑多个方面，如人工智能的目标、范围、方法、数据的质量、安全和隐私、以及人工智能的评估和监督等。因此，需要一些基本的概念和原则

人工智能的目标是解决问题或实现功能，例如诊断、预测、生成、推荐等。这些目标决定了人工智能的输出类型、格式和内容，以及其价值和影响。为了便于设计、实现和评估，人工智能的目标应该是明确、具体、可量化和可达成的

在确定人工智能的范围时，需要考虑涉及的领域或场景，例如医疗、教育、金融、制造等。人工智能的范围决定了其输入和输出的来源、特点和要求，以及输入和输出的复杂性和难度。为了便于获得、处理和应用人工智能，范围应该是适当、合理、可行和可扩展的

人工智能的选择方法包括采用生成型、预测型和因果型人工智能技术或算法，以及深度学习、统计学习和因果推理等。这些方法决定了人工智能输出的质量、可靠性和可解释性，同时也决定了人工智能输出的优势和局限。人工智能的方法应该是适合、有效、创新和可改进的，以便进行优化、验证和更新

数据质量指的是数据的准确性、完整性、一致性、时效性和相关性等方面。数据的质量直接影响着人工智能输出的准确性、合理性和道德性，以及人工智能输出的信任度和可接受度。因此，数据的质量应该是高、稳、清和新的，以便于人工智能的学习、推理和生成

需要重新书写的内容是：还需要考虑数据的安全和隐私保护，包括数据的加密、授权、审计、备份和删除等。数据的安全和隐私对人工智能的输出安全性、合法性和责任性以及风险和后果产生影响。因此，数据的安全和隐私应该是强有力、严格遵守规定和法律的，以便于人工智能的防范、应对和纠正

对于人工智能的评估和监督非常重要，需要对其输出进行检验和改进。这包括对人工智能输出的测试、评价、反馈和监控等方面的工作。人工智能的评估和监督对其输出的效率、效果以及创新和发展都有影响。因此，人工智能的评估和监督应该持续、全面、客观和及时，以便于对其进行调整、优化和更新

复合人工智能的集成和调整是一个涉及到多个方面的过程，旨在提供更高级的推理能力，以及更准确、更有意义和更具上下文的人工智能输出。这是一个需要投入大量时间、资源和专业知识，并且需要高度协调和合作的过程

 03  复合人工智能的应用

复合人工智能的应用是利用不同类型的人工智能技术和数据源，解决复杂问题并提供更高级推理和更有价值的输出。这种方式将多种类型的人工智能结合起来，以实现更高级的推理和更好的性能。复合人工智能的应用领域非常广泛，例如在自然语言处理领域，可以利用复合人工智能来生成、理解和翻译自然语言，包括使用生成式 AI、预测性 AI 和因果性 AI 等技术

复合人工智能的应用可以适用于医疗、教育、金融、制造、娱乐和安全等各个领域和行业

在医疗领域，复合人工智能可以结合生成型、预测型和因果型人工智能，以及可观察性、安全性和业务事件数据，来提供更准确的诊断、治疗和预防方案，以及更个性化的医疗服务。举例来说，生成型人工智能可以通过医疗影像、基因序列、病历等数据生成新的医疗信息，如病灶、变异、诊断等。预测型人工智能则可以从医疗监测、检测、评估等数据中发现规律和趋势，如病情、风险、效果等。而因果型人工智能可以从医疗干预、治疗、预防等数据中推断因果关系，如药物、手术、生活方式等。可观察性数据可以对医疗设备、系统和流程进行监控和分析，提高可用性和可靠性。安全性数据则可以保护和合规医疗数据和隐私，防止数据滥用或泄露。业务事件数据则可以衡量和提升医疗服务和满意度，增加收入和利润

复合人工智能在教育领域的应用是将生成型、预测型和因果型人工智能以及学习者的行为、能力和偏好数据结合起来，为我们提供更好的教学、评估和反馈，以及更适合我们的学习路径。例如，生成型人工智能可以根据教材、课程、知识图谱等数据为我们创造新的教学内容，如问题、答案、例子等。预测型人工智能可以根据我们的学习活动、成绩、反馈等数据帮助我们发现学习水平、进步速度、学习风格等规律和趋势。因果型人工智能可以根据我们的教学干预、策略、效果等数据推断出教学方法、学习资源、学习成果等之间的因果关系。学习者的行为、能力和偏好数据可以让人工智能更加了解我们，为我们提供个性化和定制化的服务，使我们的学习更高效、更有效

复合人工智能在金融领域发挥着重要作用。它能够利用生成型、预测型和因果型人工智能结合市场、客户和风险数据，为我们提供更好的金融方案和服务。例如，生成型人工智能能够根据各种数据为我们提供新的金融信息，如报价、建议、策略等。预测型人工智能能够根据各种数据帮助我们发现金融规律和趋势，如价格、需求、行为等。因果型人工智能能够根据各种数据帮助我们分析金融的因果关系，如影响、风险、收益等。市场数据能够帮助我们更好地了解和分析市场情况，提高市场的透明度和效率。客户数据能够帮助我们更好地了解和服务客户，提高客户的忠诚度和满意度。风险数据能够帮助我们更好地识别和管理风险，提高风险的可控性和可预测性

 04  复合人工智能的价值

重新写的内容为：复合人工智能的应用可以提高人工智能的可靠性和适用性。通过将不同类型的人工智能技术和数据源相结合，复合人工智能可以充分利用各种人工智能技术和数据源的优势，弥补它们各自的不足，实现协同工作和互补效果。这样，复合人工智能能够提供更全面、更准确、更合理、更符合道德的人工智能输出，以支持关键的业务场景，避免出现不一致、不合适或不良的问题

Dynatrace的首席技术官Bernd Greifeneder表示：“让GenAI生成用户可信赖的有意义内容来解决特定问题是一项艰巨任务。团队需要投入大量时间和精力来设计合适的提示，使GenAI了解应该生成何种内容，并验证所生成内容的准确性。”

为了实现这一点，他强调了理解不同人工智能并非一概而论的重要性。 GenAI的许多应用场景，尤其是一些复杂的场景，比如优化软件代码或解决安全漏洞，都需要采用复合人工智能（composite AI）。复合人工智能是指将不同类型的人工智能结合起来，例如因果推理人工智能（可以找出系统行为的原因和影响）和预测性人工智能（可以根据过去的数据预测未来事件），为GenAI提供必要的背景信息

企业能够制定正确的策略，将各类人工智能技术与高质量的数据相结合，就能够显着提升开发、运营和安全团队的工作效率，同时提供持久的业务价值

复合人工智能是一种结合不同类型的人工智能技术和数据源的方法，旨在提供更高级的推理和更有价值的输出。我们可以将生成式人工智能（通过数据生成新内容）、预测性人工智能（根据过去的数据预测未来事件）和因果人工智能（识别数据中的因果关系）结合起来，以生成更准确、更有意义和更具上下文的内容。此外，我们还可以利用不同的数据源，如可观察性数据（用于监控和分析系统性能和状态）、安全性数据（用于保护和合规数据的使用和传输）和业务事件数据（用于衡量和提升业务流程和效果），以确保人工智能可以使用更全面、更可靠和更相关的数据

参考资料：https://aimagazine.com/data-and-analytics/composite-ai -could-drive-success-as-investments-increase 参考资料链接中提到，随着投资的增加，复合人工智能可能推动成功

以上是复杂AI：实现企业AI成功的关键要素的详细内容。更多信息请关注PHP中文网其他相关文章！