Dyp resonnering i kunstig intelligens: en komplett guide

Informatec Digital » Ressurser » Dyp resonnering i kunstig intelligens: En komplett guide

Kunstig intelligens tar et stort sprang fremover takket være en ny generasjon modeller som er i stand til mye mer strukturert tenkning. De genererer ikke bare tekst eller bilder: de kan bryte ned problemer, evaluere alternativer og begrunne svarene sine trinn for trinn. Dette er det som i den tekniske verden kalles dyp resonnering.

Å forstå nøyaktig hva dyp resonnering i kunstig intelligens er , hvordan det skiller seg fra klassisk dyp læring, og hvordan det brukes i virkelige verktøy som Copilot Studio eller innen felt som medisin eller kundeservice, er nøkkelen til å forstå hvor AI er på vei. Vi vil bryte ned alt dette rolig, men ved å bruke det klareste og mest tilgjengelige språket som mulig.

Hva er dyp resonnering i kunstig intelligens?

Når vi snakker om dyp resonnering, refererer vi til svært avanserte språkmodeller i stor skala som er spesielt utviklet for å håndtere komplekse oppgaver som krever flere tankesteg. I stedet for å gi et direkte, overfladisk svar, tar de seg tid til å «tenke internt», og genererer en kjede av interne tanker før resultatet presenteres for brukeren.

Disse modellene er i stand til logisk resonnering, detaljert analyse og problemløsning ved å dele opp oppgaven i mindre delproblemer. Selv om denne interne tankeprosessen ikke alltid læres opp til sluttbrukeren, er den der, og det er det som lar dem gi mye mer sofistikerte svar enn tradisjonelle språkmodeller.

Hovedideen er at en dyp resonneringsmodell ikke er begrenset til å forutsi det neste ordet utelukkende basert på statistikk; den forsøker å følge en sekvens av interne slutninger, på samme måte som en person ville løst et matteproblem, analysert økonomiske data eller utviklet en strategi.

I praksis åpner dette døren for at en AI-agent kan takle lange, flervariable oppgaver som tidligere nesten utelukkende var domenet til menneskelige spesialister: fra å analysere markedstrender til å kommentere en kompleks medisinsk rapport.

Dyp resonering i Copilot Studio: hvordan det fungerer og hvordan du bruker det

Når en agent designes, definerer utvikleren instruksjonene og oppgavene den må utføre . Disse oppgavene kan variere fra svært enkle interaksjoner (svar på ofte stilte spørsmål) til svært komplekse flyter som krever grundig analyse. I trinn som krever mer dyptgående analyse, kan modellen instrueres til å bruke avansert resonnement.

For å aktivere disse funksjonene i Copilot Studio, legg til et spesifikt nøkkelord («årsak») i de relevante trinnene i agentinstruksjonene. For eksempel: «Bruk årsaken til å bestemme det neste tallet i serien 2, 5, 10, 17…». På det tidspunktet, under kjøringen, kaller Copilot den dype resonneringsmodellen (for tiden Azure OpenAI o3-modellen) for å behandle den spesifikke delen.

Denne trinnvise tilnærmingen lar utvikleren kontrollere når agenten utfører avansert resonnement og når et raskt, enklere svar er tilstrekkelig. Dette optimaliserer balansen mellom svarkvalitet, beregningskostnader og hastighet.

Kort sagt bruker Copilot Studio dyp resonnering som en målrettet forsterkning av agentens beslutningstaking , ikke som noe som konstant er aktivert for alt. Dette gjør det levedyktig i virkelige forretningsscenarier.

Tiltenkte bruksområder for dyp resonnering: fra finans til avansert matematikk

Dyp resonneringsmodeller utmerker seg ved komplekse oppgaver med mange trinn og avhengigheter . Noen klare eksempler på bruken av dem, som allerede er implementert i plattformer som Copilot Studio, er følgende:

Markedstrendanalyse og investeringsanbefalinger : modellen kan dele økonomiske data inn i håndterbare deler, studere tidsserier, kryssreferere historisk informasjon, nåværende markedsforhold og prognoser, og derfra anbefale de mest lovende investeringsmulighetene.

Lagerstyring og etterspørselsprognoser : Basert på informasjon om tidligere salg, sesongvariasjoner, forsyningskjedeflyt og endringer i kundeatferd, kan modellen foreslå lagerstrategier , revurdere sikkerhetsnivåer og foreslå justeringer for å minimere lageruttak eller overflødige varer.

Løsning av differensialligninger og komplekse matematiske problemer : disse modellene kan håndtere avanserte øvelser ved å dele opp problemet i sammenhengende logiske trinn , og forklare hva som gjøres i hver fase, noe som er spesielt nyttig i utdannings- eller forskningssammenhenger.

I hovedsak, når en ikke-triviell trinnvis resonneringsprosess må følges , gir dypresonneringsmodeller enorm merverdi sammenlignet med enklere modeller som bare responderer direkte.

Evaluering, målinger og ansvarlighet i dype resonneringsmodeller

For at disse systemene skal være nyttige i virkelige miljøer, er det ikke nok at de er «smarte»: de må være pålitelige, sikre og sporbare . Derfor gjennomgår dyp resonneringsmodeller som de som brukes i Copilot Studio flere evalueringer før de blir tilgjengelige for brukere.

Først vurderes modellens grunnlag ; det vil si at det verifiseres at den er basert på en virkelig kontekst og ikke bare finner opp data tilfeldig. Dette gjøres ved å teste modellen i scenarier med kjent informasjon og kontrollere hvor nøyaktig den forblir tro mot den konteksten.

For det andre analyseres samsvar med ansvarlige AI- prinsipper : beskyttelse mot jailbreak-forsøk (som tvinger modellen til å omgå sine grenser), injeksjonsangrep på tvers av domener (ondsinnet blanding av instruksjoner fra forskjellige kilder) og filtrering av skadelig eller upassende innhold.

Til slutt måles nøyaktigheten av svarene på tvers av flere brukstilfeller. Ytelsen scores på tvers av disse dimensjonene i et mangfoldig sett med tester, slik at bare modeller som oppfyller en viss standard til slutt publiseres.

Denne typen kontinuerlig evaluering er nøkkelen til å sikre at dyp resonneringsmodeller ikke blir en «ukontrollerbar svart boks », men snarere verktøy som organisasjoner kan revidere, teste og sammenligne.

Begrensninger ved dyp resonnering og hvordan man kan redusere dem

Bare fordi en modell er mer «dyptgående» betyr det ikke at den er perfekt. Faktisk har disse systemene betydelige begrensninger , for eksempel oppgavene der ChatGPT feiler , som er viktige å forstå.

Den første er responstid . Fordi de krever mer intern beregning, tar resonneringsmodeller vanligvis lengre tid enn standard språkmodeller. Dette kan bli et problem i latensfølsomme applikasjoner (for eksempel en chat med en utålmodig kunde) hvis de blir overbrukt.

Den andre begrensningen er at en agent bare kan bruke denne typen modeller hvis konfigurasjonen tillater det . Med andre ord må dyp resonneringsfunksjoner eksplisitt aktiveres i agenten; de er ikke aktivert som standard i alle scenarier.

For å minimere disse ulempene anbefales det å: aktivere dyp resonnering kun hos agenter som trenger det ; bruke det tilsvarende nøkkelordet kun i trinn som virkelig drar nytte av dyp analyse; og reservere disse modellene for oppgaver der det er akseptabelt å vente litt lenger i bytte mot overlegen responskvalitet.

I tillegg er det god praksis å advare sluttbrukere om at noen komplekse agentsvar kan ta noen ekstra sekunder, for å håndtere forventninger og unngå frustrasjon.

God driftspraksis for ansvarlig bruk

Fra et operasjonelt synspunkt finnes det flere strategier for å sikre at dybderesonnering brukes effektivt og trygt i organisasjoner.

Det første er å begrense bruken til agenter som virkelig krever komplekse resonnementskjeder , som ustrukturert dataanalyse, kritiske beslutninger basert på flere faktorer eller generering av lange og velbegrunnede rapporter. Å aktivere det som standard for alt er sløsing med ressurser.

Den andre anbefalingen er å teste agenten grundig, og gjennomgå kvaliteten, konsistensen og påliteligheten til resultatene når resonnementsmodellen aktiveres. Disse testene lar deg oppdage situasjoner der modellen kan feile, fabrikkere data eller ikke tilpasse seg selskapets spesifikke domene.

Verktøy som aktivitetskartet lar deg se når agenten har engasjert seg i dyp resonnering i løpet av en økt, gjennomgå de interne trinnene og sammenligne resultater. Dette bidrar til å avgjøre om modellen virkelig leverer forventet verdi.

Det er også nyttig å systematisk sammenligne resultater med og uten dyp resonnering ved å oppdatere instruksjoner og kjøre A/B-tester. Dette identifiserer hvilke deler av flyten som drar nytte av å bruke disse modellene, og hvor en enklere språkmodell er tilstrekkelig.

Fra maskinlæring til dyp læring og generativ AI

For å sette dyp resonnering på riktig måte, er det nyttig å se på utviklingen av AI-teknologier: maskinlæring, dyp læring og generativ AI danner en slags kompleksitetsstige.

Tradisjonell maskinlæring var i stor grad avhengig av veiledet læring. For å lage et system som kunne gjenkjenne dyr i bilder, var det for eksempel nødvendig å manuelt merke hundretusenvis av bilder, trene algoritmen, teste den med nye bilder, analysere feil og deretter utvide det merkede datasettet igjen for å forbedre nøyaktigheten.

Denne prosessen krevde mye menneskelig inngripen i det som kalles attributtteknikk : å bestemme hvilke funksjoner som skulle trekkes ut (farge, tekstur, former osv.) og hvordan de skulle representeres numerisk slik at algoritmen kunne lære.

Med dyp læring overtok flerlags nevrale nettverk oppgaven med å lære disse representasjonene direkte fra rådata (bilder, tekst, lyd osv.). Det var ikke lenger nødvendig å definere alle attributtene manuelt: modellen oppdaget selv hvilke mønstre som var relevante.

Det neste steget er generative AI-modeller basert på transformative arkitekturer . Disse modellene, i likhet med store språkmodeller, gjenkjenner ikke bare mønstre, men genererer også nytt innhold (tekst, bilder, kode) ved å kombinere disse mønstrene på nye måter.

Dyp resonnering er bygget på dette fundamentet: den kombinerer transformatorenes generative kapasitet med interne strategier som er utformet for å følge lengre, mer strukturerte tankekjeder.

Fordeler med dyp læring fremfor klassisk maskinlæring

Dyp læring introduserte en rekke klare fordeler i forhold til tradisjonell ML , som er det tekniske grunnlaget for mange fremskritt innen dyp resonnering.

På den ene siden tilbyr den mye mer effektiv behandling av ustrukturerte data (fritekst, bilder, lyd). Mens en klassisk algoritme ville bli overveldet av det nesten uendelige utvalget av måter å uttrykke den samme ideen på, kan et dypt nettverk lære disse ekvivalensene direkte. Dermed kan det forstå at «Hvordan kan jeg overføre penger?» og «Kan du forklare hvordan du foretar betalingen?» refererer til samme type handling.

Videre er dype nettverk svært gode til å avdekke skjulte sammenhenger og uventede mønstre . En modell trent på kjøpsdata kan foreslå produkter en kunde ennå ikke har kjøpt, ganske enkelt ved å sammenligne deres atferd med lignende brukeres, selv om de ikke eksplisitt har blitt lært opp til den spesifikke anbefalingen.

En annen fordel er muligheten til å lære uten eller med delvis overvåking . Nettverk kan tilpasse seg brukeratferd over tid uten å trenge millioner av merkede datapunkter. En automatisk stavekontroll kan for eksempel innlemme ord på andre språk etter hvert som brukeren skriver dem ofte.

Til slutt er dyp læring svært kraftig med ustabile eller svært variable data , som for eksempel finansielle transaksjoner. Den kan lære å skille mellom normale mønstre for betalingsatferd og flagge de som avviker som potensiell svindel.

Anvendelser av dyp læring: fra medisin til selvkjørende biler

Dyp læring har blitt enormt utbredt innen medisin og diagnostikk . Det brukes til å klassifisere medisinske bilder, segmentere organer og lesjoner, analysere digital histopatologi og hjelpe til med diagnose ved hjelp av røntgenbilder, MR-bilder og laboratorietester.

Siden 2022 har Vision Transformer (ViT) -arkitekturer vist ytelse som er sammenlignbar med eller til og med bedre enn klassiske konvolusjonelle nevrale nettverk i storskala medisinske bildeklassifiseringsoppgaver. Hovedfordelen deres er evnen til å fange opp globale avhengigheter i gigapikselbilder gjennom hierarkiske egenomsorgsmekanismer.

Utenfor det medisinske feltet ligger dyp læring bak autonome kjøretøy, ansiktsgjenkjenning, stemmeassistenter som Alexa og Siri, TV- og musikkanbefalingssystemer og mye mer. I alle disse tilfellene må modellen tolke støyende og svært variable data fra den virkelige verden.

Landemerkeeksperimenter som AlphaGo , der man lærte å spille Go og slå elitemenneskelige mestere, demonstrerte i hvilken grad et dypt nevralt nettverk kan oppnå ferdigheter som anses som «intuitive» eller «kreative», uten at en programmerer må fortelle det hvert trekk.

Hva er egentlig dyp læring: lag, hierarkier og datakraft

Selv om det ikke finnes noen universell definisjon, er de fleste forskere enige om at dyp læring er basert på flere lag med ikke-lineær prosessering som trekker ut stadig mer abstrakte funksjoner fra data.

I de nedre lagene læres enkle funksjoner (kantlinjer i et bilde, grunnleggende ordkombinasjoner), mens de øvre lagene kombinerer disse funksjonene for å danne mer komplekse konsepter (ansikter, objekter, setningsbetydninger).

Forskjellen med "grunne" algoritmer ligger først og fremst i antallet kjedede transformasjoner . Mens en klassisk modell kan bruke én eller to transformasjoner, kan en dyp modell ha titalls eller hundrevis av mellomlag, slik at den kan representere mye mer komplekse funksjoner.

Kostnaden er at trening av dype nettverk krever en enorm mengde datakraft . Det er derfor GPU-er har blitt det grunnleggende verktøyet for å trene disse modellene, takket være deres evne til å utføre parallelle operasjoner i stor skala (GPGPU).

Store skyleverandører (Amazon, Azure, IBM, Google, osv.) tilbyr allerede infrastrukturer med spesialiserte GPU-er og PaaS-plattformer for maskinlæring, som de som er basert på TensorFlow, med forhåndstrente modeller og verktøy for å tilpasse dem til hvert enkelt tilfelle.

De mest relevante algoritmene og arkitekturene for dyp læring

Innen dyp læring har det dukket opp flere typer nevrale nettverk , som hver er optimalisert for en bestemt type data eller et problem.

Konvolusjonelle nevrale nettverk (CNN-er) er utviklet for å behandle bilder og video. De bruker filtre (konvolusjoner) som skanner bildet for å oppdage lokale mønstre og deretter kombinere dem. De er grunnlaget for moderne datasyn: ansiktsgjenkjenning, objektklassifisering, medisinsk bildeanalyse og mer.

Gjentakende nevrale nettverk (RNN-er) , og deres moderne varianter, har tilbakekoblingsløkker som lar dem «huske» tidligere informasjon. Dette gjør dem svært nyttige for sekvenser, som tekst, lyd eller tidsserier. Et navigasjonssystem kan for eksempel bruke disse minnene til å forutse vanlige trafikkorker og foreslå alternative ruter.

Parallelt har det dukket opp konsepter som ensemblelæring, residualnettverk, visjonstransformatorer og mange andre, som utvider og forbedrer dype nettverks evne til å tilpasse seg spesifikke problemer.

Hele dette tekniske økosystemet er det som gjør det mulig i dag å bygge modeller med dyp resonering oppå dem: uten dette fundamentet av kraftige og skalerbare arkitekturer ville det være umulig.

Typer resonnement som AI kan etterligne

Moderne AI-systemer kan kombinere flere forskjellige resonneringsstrategier , avhengig av datatypen og målapplikasjonen. De er ikke begrenset til én enkelt «måte å tenke på».

Vanlige tilnærminger inkluderer deduktiv resonnering (å starte fra generelle regler for å komme frem til spesifikke konklusjoner), induktiv resonnering (generalisering fra eksempler), sannsynlighetsresonnering (arbeid med usikkerhet) og fuzzy resonnering (håndtering av upresise begreper som "høy", "lav", "middels").

Tilnærminger som abduktiv resonnering (å foreslå den mest plausible forklaringen på et sett med fakta), sunn fornuft-resonnering , romlig og tidsmessig resonnering (svært viktig innen robotikk og autonom kjøring), og nevrosymbolsk resonnering , som integrerer nevrale nettverk med symbolsk logikk, utforskes også.

Dyp resonnering er avhengig av denne verktøykassen for å bygge rikere slutningskjeder , og blande data, statistikk og regler når det er nødvendig.

AI, maskinlæring og dyp læring: viktige forskjeller

For å avklare begrepene: kunstig intelligens (KI) er det bredeste paraplybegrepet, og omfatter ethvert system som er i stand til å utføre oppgaver knyttet til menneskelig intelligens (resonnering, læring, persepsjon osv.). Innen KI har vi maskinlæring (ML) , som fokuserer på algoritmer som lærer av data uten å bli programmert fra tilfelle til tilfelle.

Dyp læring er på sin side en delmengde av maskinlæring som bruker flerlags nevrale nettverk for å lære direkte fra store datamengder. Hovedforskjellen ligger i modellens struktur og hvordan funksjoner trekkes ut.

På et praktisk nivå krever klassisk ML vanligvis mer manuelt arbeid innen funksjonsteknikk , mindre data og mindre datakraft, mens dyp læring trenger enorme datasett, kraftige GPU-er og lange treningstider, men tilbyr et bemerkelsesverdig sprang i kapasitet for komplekse oppgaver og ustrukturerte data.

Når det gjelder tolkbarhet, er enkle maskinlæringsmodeller (lineær regresjon, grunne trær) lettere å forklare, mens dype nettverk oppfører seg mer som «svarte bokser». Dette påvirker også dyp resonneringsmodeller, som arver noe av denne opasiteten, selv om det pågår arbeid for å gjøre dem mer transparente.

Dyptgående resonnement og kundeservice

Et av feltene der den praktiske bruken av AI og dyp læring vokser mest, er kundeservice . Mange nåværende systemer bruker ML-algoritmer for selvbetjening, støtte for menneskelige agenter og arbeidsflytorkestrering.

Dataene som mates inn i disse systemene kommer fra reelle kundehenvendelser , hendelseshistorikk, kjøpskontekst og bruksatferd. Etter hvert som disse modellene mates inn, blir prediksjonene og forslagene raskere og mer nøyaktige.

I dette miljøet lar dyp resonnering roboter ikke bare svare på enkle spørsmål, men også analysere en kundes hele situasjon , gjennomgå historikken deres, vurdere ulike mulige løsninger og argumentere for den beste, med en større grad av personalisering.

Spesialiserte plattformer, som de avanserte robotene i noen CX-løsninger, kombinerer allerede store databaser med kundeintensjon med modeller for dyp læring for å tilby mer naturlige og nyttige svar , noe som øker produktiviteten til menneskelige agenter og effektiviserer oppsettet av supportflyter.

Etter hvert som dyp resonneringsmodeller blir bedre integrert i denne typen verktøy, vil vi se virtuelle agenter som er i stand til å føre lange og kompliserte samtaler , opprettholde tråden, begrunne beslutninger og tilpasse seg brukerens tone nesten slik en person ville gjort.

Hele denne reisen, fra klassisk maskinlæring til dyp læring, generativ AI og dyp resonnering, avslører en klar bane: vi er stadig nærmere systemer som ikke bare gjenkjenner mønstre, men som også er i stand til strukturert tenkning om komplekse problemer . Utfordringen nå er ikke bare teknisk, men også etisk og operasjonell: å sikre at disse modellene evalueres på riktig måte, brukes der de gir reell verdi, at risikoene deres håndteres, og at de integreres ansvarlig i verktøy som Copilot Studio, slik at kunstig intelligens blir en kraftig og pålitelig alliert i det daglige arbeidet.