- Pinagsasama ng malalim na pangangatwiran ang mga advanced na modelo ng wika na may mga panloob na kadena ng pag-iisip upang malutas ang mga kumplikadong problema nang paunti-unti.
- Ang mga kagamitang tulad ng Copilot Studio ay nagpapagana lamang sa mga modelong ito sa mga kritikal na gawain gamit ang mga keyword, pagbabalanse ng katumpakan, gastos, at bilis.
- Ang deep learning at mga arkitektura tulad ng mga CNN, ViT, at transformer ang naglalatag ng teknikal na pundasyon para sa mga aplikasyon sa medikal, pinansyal, at serbisyo sa customer.
- Ang pag-aampon nito ay nangangailangan ng pagsusuri sa katuwiran, katumpakan, at responsableng AI, na nagpapagaan sa mga limitasyon tulad ng latency at ang panganib ng mga tugon na hindi maayos na kinokontrol.
Malaki ang hakbang na tinatahak ng artificial intelligence dahil sa isang bagong henerasyon ng mga modelo na may kakayahang mag-isip nang mas istruktura. Hindi lamang sila nakakabuo ng teksto o mga imahe: kaya nilang suriin ang mga problema, suriin ang mga opsyon, at bigyang-katwiran ang kanilang mga sagot nang paunti-unti. Ito ang tinatawag na malalim na pangangatwiran sa teknikal na mundo.
Ang pag-unawa kung ano talaga ang malalim na pangangatwiran sa artificial intelligence , kung paano ito naiiba sa klasikong deep learning, at kung paano ito ginagamit sa mga totoong kagamitan tulad ng Copilot Studio o sa mga larangan tulad ng medisina o serbisyo sa customer ay susi upang maunawaan kung saan patungo ang AI. Tatalakayin natin ang lahat ng ito nang mahinahon, ngunit gamit ang pinakamalinaw at pinakamadaling gamiting wika.
Ano ang malalim na pangangatwiran sa artipisyal na katalinuhan?
Kapag pinag-uusapan natin ang malalim na pangangatwiran, tinutukoy natin ang mga napaka-advanced, malawakang modelo ng wika na partikular na idinisenyo upang hawakan ang mga kumplikadong gawain na nangangailangan ng maraming hakbang ng pag-iisip. Sa halip na magbigay ng direkta at mababaw na sagot, gumugugol sila ng oras upang "mag-isip nang malalim," na bumubuo ng isang kadena ng panloob na pag-iisip bago ipakita ang resulta sa gumagamit.
Ang mga modelong ito ay may kakayahang lohikal na pangangatwiran, detalyadong pagsusuri, at paglutas ng problema sa pamamagitan ng paghahati-hati ng gawain sa mas maliliit na subproblema. Bagama't ang panloob na proseso ng pag-iisip na ito ay hindi palaging itinuturo sa end user, naroon ito at ito ang nagbibigay-daan sa kanila na magbigay ng mas sopistikadong mga sagot kaysa sa mga tradisyonal na modelo ng wika.
Ang pangunahing ideya ay ang isang malalim na modelo ng pangangatwiran ay hindi limitado sa paghula ng susunod na salita batay lamang sa mga estadistika; sinusubukan nitong sundan ang isang pagkakasunud-sunod ng mga panloob na hinuha, katulad ng kung paano lulutasin ng isang tao ang isang problema sa matematika, susuriin ang datos sa pananalapi, o bubuo ng isang estratehiya.
Sa pagsasagawa, nagbubukas ito ng pinto para sa isang ahente ng AI na harapin ang mahahabang gawain na maraming pabagu-bago na dating halos eksklusibong sakop ng mga espesyalistang tao: mula sa pagsusuri ng mga uso sa merkado hanggang sa pagkomento sa isang kumplikadong ulat medikal.
Malalim na pangangatwiran sa Copilot Studio: kung paano ito gumagana at kung paano ito gamitin
Kapag nagdidisenyo ng isang ahente, tinutukoy ng tagalikha ang mga tagubilin at gawain na dapat nitong gawin . Ang mga gawaing ito ay maaaring mula sa napakasimpleng mga interaksyon (pagsagot sa mga madalas itanong) hanggang sa napakakumplikadong mga daloy na nangangailangan ng masusing pagsusuri. Sa mga hakbang na nangangailangan ng mas malalim na pagsusuri, maaaring turuan ang modelo na gumamit ng advanced na pangangatwiran.
Para ma-activate ang mga kakayahang ito sa Copilot Studio, magdagdag ng partikular na keyword (“reason”) sa mga kaugnay na hakbang sa mga tagubilin ng ahente. Halimbawa: “Gamitin ang reason para matukoy ang susunod na numero sa serye 2, 5, 10, 17…”. Sa puntong iyon, habang isinasagawa, tatawagin ng Copilot ang deep reasoning model (kasalukuyang Azure OpenAI o3 model) para iproseso ang partikular na bahaging iyon.
Ang sunud-sunod na pamamaraang ito ay nagbibigay-daan sa developer na kontrolin kung kailan nagsasagawa ang ahente ng advanced na pangangatwiran at kung kailan sapat ang isang mabilis at mas simpleng tugon. Ino-optimize nito ang balanse sa pagitan ng kalidad ng tugon, gastos sa pagkalkula, at bilis.
Sa madaling salita, ginagamit ng Copilot Studio ang malalim na pangangatwiran bilang isang naka-target na pagpapatibay sa kakayahan ng ahente sa paggawa ng desisyon , hindi bilang isang bagay na palaging pinagana para sa lahat ng bagay. Ginagawa nitong posible ito sa mga totoong sitwasyon sa negosyo.
Mga nilalayong gamit ng malalim na pangangatwiran: mula sa pananalapi hanggang sa advanced na matematika
Ang mga modelo ng malalim na pangangatwiran ay mahusay sa mga kumplikadong gawain na may maraming hakbang at dependency . Ang ilan sa mga malinaw na halimbawa ng kanilang paggamit, na naipatupad na sa mga platform tulad ng Copilot Studio, ay ang mga sumusunod:
Pagsusuri ng trend sa merkado at mga rekomendasyon sa pamumuhunan : maaaring hatiin ng modelo ang datos pinansyal sa mga piraso na mapapamahalaan, mga serye ng oras ng pag-aaral, cross-reference na makasaysayang impormasyon, kasalukuyang mga kondisyon at projection ng merkado, at mula roon ay magrerekomenda ng mga pinakapangakong pagkakataon sa pamumuhunan.
Pamamahala ng imbentaryo at pagtataya ng demand : Batay sa impormasyon tungkol sa mga nakaraang benta, pana-panahon, daloy ng supply chain at mga pagbabago sa pag-uugali ng customer, maaaring magmungkahi ang modelo ng mga estratehiya sa stock , muling pag-isipan ang mga antas ng kaligtasan at magmungkahi ng mga pagsasaayos upang mabawasan ang mga stockout o labis na paninda.
Paglutas ng mga differential equation at mga kumplikadong problema sa matematika : maaaring tugunan ng mga modelong ito ang mga advanced na pagsasanay sa pamamagitan ng paghahati-hati ng problema sa magkakaugnay na mga lohikal na hakbang , na nagpapaliwanag kung ano ang ginagawa sa bawat yugto, isang bagay na lalong kapaki-pakinabang sa mga kontekstong pang-edukasyon o pananaliksik.
Sa esensya, tuwing kailangang sundin ang isang hindi-mahirap at sunud-sunod na proseso ng pangangatwiran , ang mga modelo ng malalim na pangangatwiran ay nagbibigay ng napakalaking dagdag na halaga kumpara sa mga mas simpleng modelo na direktang tumutugon lamang.
Ebalwasyon, mga sukatan, at pananagutan sa mga modelo ng malalim na pangangatwiran
Para maging kapaki-pakinabang ang mga sistemang ito sa mga totoong kapaligiran, hindi sapat na maging "matalino" lamang ang mga ito: dapat itong maging maaasahan, ligtas, at masusubaybayan . Kaya naman ang mga modelo ng malalim na pangangatwiran tulad ng mga ginagamit sa Copilot Studio ay sumasailalim sa ilang pagsusuri bago magamit ng mga gumagamit.
Una, sinusuri ang pundasyon ng modelo ; ibig sabihin, pinapatunayan na ito ay batay sa konteksto ng totoong mundo at hindi basta-basta nag-iimbento ng datos nang walang pakundangan. Ginagawa ito sa pamamagitan ng pagsubok sa modelo sa mga senaryo na may alam na impormasyon at pagsuri kung gaano ito katumpak na nananatiling tapat sa kontekstong iyon.
Pangalawa, sinusuri ang pagsunod sa mga responsableng prinsipyo ng AI : proteksyon laban sa mga pagtatangka ng jailbreak (pagpilit sa modelo na lampasan ang mga limitasyon nito), mga cross-domain injection attack (malisyosong paghahalo ng mga tagubilin mula sa iba't ibang mapagkukunan) at pagsala ng mapaminsala o hindi naaangkop na nilalaman.
Panghuli, ang katumpakan ng mga tugon ay sinusukat sa maraming pagkakataon ng paggamit. Ang pagganap ay binibigyan ng marka sa mga dimensyong ito sa magkakaibang hanay ng mga pagsubok, kaya tanging ang mga modelong nakakatugon sa isang partikular na pamantayan ang kalaunan ay inilalathala.
Ang ganitong uri ng patuloy na pagsusuri ay susi sa pagtiyak na ang mga modelo ng malalim na pangangatwiran ay hindi nagiging isang "hindi makontrol na itim na kahon ," kundi mga kagamitan na maaaring i-audit, subukan, at ihambing ng mga organisasyon.
Mga Limitasyon ng Malalim na Pangangatwiran at Paano Mapapagaan ang mga Ito
Hindi porket mas "malalim" ang isang modelo ay nangangahulugang perpekto na ito. Sa katunayan, ang mga sistemang ito ay may malalaking limitasyon , tulad ng mga gawain kung saan nabibigo ang ChatGPT , na mahalagang maunawaan.
Ang una ay ang oras ng pagtugon . Dahil nangangailangan ang mga ito ng mas maraming panloob na pagkalkula, ang mga modelo ng pangangatwiran ay karaniwang mas matagal kaysa sa mga karaniwang modelo ng wika. Maaari itong maging problema sa mga aplikasyon na sensitibo sa latency (halimbawa, isang pakikipag-chat sa isang naiinip na customer) kung labis ang paggamit ng mga ito.
Ang pangalawang limitasyon ay magagamit lamang ng isang ahente ang mga ganitong uri ng modelo kung pinahihintulutan ito ng konpigurasyon nito . Sa madaling salita, ang mga function ng malalim na pangangatwiran ay dapat na tahasang i-activate sa ahente; hindi ang mga ito ay naka-enable bilang default sa lahat ng mga sitwasyon.
Upang mabawasan ang mga disbentahang ito, inirerekomenda na: paganahin lamang ang malalim na pangangatwiran sa mga ahente na nangangailangan nito ; gamitin lamang ang kaukulang keyword sa mga hakbang na tunay na nakikinabang mula sa malalim na pagsusuri; at ilaan ang mga modelong ito para sa mga gawain kung saan katanggap-tanggap na maghintay nang kaunti pa kapalit ng higit na mahusay na kalidad ng tugon.
Bukod pa rito, mainam na kasanayan na bigyan ng babala ang mga end user na ang ilang kumplikadong tugon ng ahente ay maaaring tumagal ng ilang segundo pa, upang mapamahalaan ang mga inaasahan at maiwasan ang pagkadismaya.
Mahusay na kasanayan sa pagpapatakbo para sa responsableng paggamit
Mula sa punto de bista ng operasyon, mayroong ilang mga estratehiya upang matiyak na ang malalim na pangangatwiran ay ginagamit nang epektibo at ligtas sa mga organisasyon.
Ang una ay ang paglimita sa paggamit nito sa mga ahente na tunay na nangangailangan ng mga kumplikadong kadena ng pangangatwiran , tulad ng hindi nakabalangkas na pagsusuri ng datos, mga kritikal na desisyon batay sa maraming salik, o ang pagbuo ng mahahabang at mahusay na makatwirang mga ulat. Ang pagpapagana nito bilang default para sa lahat ng bagay ay isang pag-aaksaya ng mga mapagkukunan.
Ang pangalawang rekomendasyon ay ang lubusang pagsubok sa ahente, pagsusuri sa kalidad, pagkakapare-pareho, at pagiging maaasahan ng mga output kapag ginamit ang modelo ng pangangatwiran. Ang mga pagsubok na ito ay nagbibigay-daan sa iyo upang matukoy ang mga sitwasyon kung saan ang modelo ay maaaring mabigo, gumawa ng datos, o hindi umangkop nang maayos sa partikular na larangan ng kumpanya.
Ang mga kagamitang tulad ng mapa ng aktibidad ay nagbibigay-daan sa iyo upang makita kung kailan, sa isang sesyon, gumamit ang ahente ng malalim na pangangatwiran, suriin ang mga panloob na hakbang, at ihambing ang mga resulta. Nakakatulong ito upang matukoy kung ang modelo ay tunay na naghahatid ng inaasahang halaga.
Kapaki-pakinabang din ang sistematikong paghahambing ng mga resulta nang mayroon at walang malalim na pangangatwiran sa pamamagitan ng pag-update ng mga tagubilin at pagpapatakbo ng mga A/B test. Tinutukoy nito kung aling mga bahagi ng daloy ang nakikinabang sa paggamit ng mga modelong ito at kung saan sapat ang isang mas simpleng modelo ng wika.
Mula sa machine learning hanggang sa deep learning at generative AI
Upang maayos na mailagay ang malalim na pangangatwiran, makakatulong na suriin ang ebolusyon ng mga teknolohiya ng AI: ang machine learning, deep learning, at generative AI ay bumubuo ng isang uri ng hagdan ng pagiging kumplikado.
Ang tradisyonal na machine learning ay lubos na umaasa sa supervised learning. Halimbawa, upang lumikha ng isang sistema na makakakilala ng mga hayop sa mga imahe, kinakailangang manu-manong lagyan ng label ang daan-daang libong mga larawan, sanayin ang algorithm, subukan ito gamit ang mga bagong imahe, suriin ang mga error, at pagkatapos ay palawakin muli ang naka-label na dataset upang mapabuti ang katumpakan.
Ang prosesong ito ay nangailangan ng maraming interbensyon ng tao sa tinatawag na attribute engineering : ang pagpapasya kung aling mga katangian ang kukunin (kulay, tekstura, mga hugis, atbp.) at kung paano ito kakatawanin gamit ang numero upang matuto ang algorithm.
Sa pamamagitan ng deep learning , ang mga multi-layered neural network ang pumalit sa gawain ng direktang pag-aaral ng mga representasyong ito mula sa hilaw na datos (mga imahe, teksto, audio, atbp.). Hindi na kailangang manu-manong tukuyin ang lahat ng katangian: natuklasan mismo ng modelo kung aling mga pattern ang may kaugnayan.
Ang susunod na hakbang ay ang mga generative AI model batay sa mga transformative architecture . Ang mga modelong ito, tulad ng malalaking language model, ay hindi lamang kumikilala ng mga pattern kundi bumubuo rin ng mga bagong nilalaman (teksto, mga imahe, code) sa pamamagitan ng pagsasama-sama ng mga pattern na iyon sa mga nobelang paraan.
Ang malalim na pangangatwiran ay nakabatay sa pundasyong ito: pinagsasama nito ang kapasidad sa pagbuo ng mga transformer sa mga panloob na estratehiya na idinisenyo upang sundan ang mas mahaba at mas nakabalangkas na kadena ng pag-iisip.
Mga kalamangan ng deep learning kumpara sa classical machine learning
Ang deep learning ay nagpakilala ng ilang malinaw na bentahe kumpara sa tradisyonal na ML , na siyang teknikal na batayan para sa maraming pagsulong sa deep reasoning.
Sa isang banda, nag-aalok ito ng mas mahusay na pagproseso ng hindi nakabalangkas na datos (malayang teksto, mga imahe, audio). Bagama't ang isang klasikong algorithm ay malulula sa halos walang katapusang iba't ibang paraan upang maipahayag ang parehong ideya, ang isang malalim na network ay maaaring direktang matutunan ang mga katumbas na ito. Kaya, mauunawaan nito na ang "Paano ako magpapadala ng pera?" at "Maaari mo bang ipaliwanag kung paano gawin ang pagbabayad?" ay tumutukoy sa parehong uri ng aksyon.
Bukod pa rito, ang mga malalalim na network ay napakahusay sa pagtuklas ng mga nakatagong ugnayan at hindi inaasahang mga pattern . Ang isang modelo na sinanay sa datos ng pagbili ay maaaring magmungkahi ng mga produktong hindi pa nabibili ng isang customer, sa pamamagitan lamang ng paghahambing ng kanilang pag-uugali sa pag-uugali ng mga katulad na gumagamit, kahit na hindi pa sila tahasang naituro sa partikular na rekomendasyong iyon.
Isa pang bentahe ay ang kakayahang matuto nang walang superbisyon o bahagyang superbisyon . Maaaring umangkop ang mga network sa paglipas ng panahon sa pag-uugali ng gumagamit nang hindi nangangailangan ng milyun-milyong may label na data point. Halimbawa, ang isang awtomatikong spell checker ay maaaring magsama ng mga salita sa ibang mga wika habang madalas itong tinatype ng gumagamit.
Panghuli, ang deep learning ay napakalakas sa mga pabagu-bago o lubos na pabagu-bagong datos , tulad ng mga transaksyong pinansyal. Matututunan nitong makilala ang mga normal na pattern ng pag-uugali sa pagbabayad at markahan ang mga lumilihis bilang potensyal na pandaraya.
Mga aplikasyon ng malalim na pagkatuto: mula sa medisina hanggang sa mga sasakyang nagmamaneho nang mag-isa
Ang deep learning ay naging lubhang laganap sa medisina at mga diagnostic . Ginagamit ito upang uriin ang mga medikal na imahe, hatiin ang mga organo at sugat, suriin ang digital histopathology, at tumulong sa diagnosis gamit ang X-ray, MRI, at mga pagsusuri sa laboratoryo.
Simula noong 2022, ang mga arkitektura ng Vision Transformer (ViT) ay nagpakita ng pagganap na maihahambing o mas mahusay pa sa mga klasikong convolutional neural network sa malawakang mga gawain sa pag-uuri ng medikal na imahe. Ang kanilang pangunahing bentahe ay ang kanilang kakayahang makuha ang mga pandaigdigang dependency sa mga gigapixel na imahe sa pamamagitan ng mga hierarchical na mekanismo ng pangangalaga sa sarili.
Bukod sa larangan ng medisina, ang deep learning ay nasa likod ng mga autonomous vehicle, facial recognition, mga voice assistant tulad ng Alexa at Siri, mga TV at music recommendation system, at marami pang iba. Sa lahat ng mga kasong ito, dapat bigyang-kahulugan ng modelo ang maingay at lubos na pabagu-bagong datos sa totoong mundo.
Ang mga mahahalagang eksperimento tulad ng AlphaGo , na natutong maglaro ng Go at daig ang mga piling human master, ay nagpakita ng lawak kung saan ang isang malalim na neural network ay maaaring makamit ang mga kasanayang itinuturing na "intuitive" o "creative," nang hindi kinakailangang sabihin dito ng isang programmer ang bawat galaw.
Ano nga ba ang deep learning: mga layer, hierarchy, at computing power
Bagama't walang iisang pangkalahatang kahulugan, karamihan sa mga mananaliksik ay sumasang-ayon na ang deep learning ay batay sa maraming patong ng nonlinear processing na kumukuha ng lalong mga abstraktong katangian mula sa datos.
Sa mga ibabang patong, natututunan ang mga simpleng katangian (mga hangganan sa isang imahe, mga pangunahing kombinasyon ng salita), habang pinagsasama ng mga nasa itaas na patong ang mga katangiang iyon upang bumuo ng mas kumplikadong mga konsepto (mga mukha, bagay, kahulugan ng pangungusap).
Ang pagkakaiba sa mga "mababaw" na algorithm ay pangunahing nakasalalay sa bilang ng mga naka-chain na transformasyon . Bagama't ang isang klasikal na modelo ay maaaring maglapat ng isa o dalawang transformasyon, ang isang malalim na modelo ay maaaring magkaroon ng sampu o daan-daang mga intermediate layer, na nagbibigay-daan dito upang kumatawan sa mas kumplikadong mga function.
Ang gastos ay ang pagsasanay sa malalalim na network ay nangangailangan ng napakalaking lakas ng pag-compute . Kaya naman ang mga GPU ay naging pangunahing kagamitan para sa pagsasanay sa mga modelong ito, salamat sa kanilang kakayahang magsagawa ng malalaking parallel operations (GPGPU).
Ang mga pangunahing provider ng cloud (Amazon, Azure, IBM, Google, atbp.) ay nag-aalok na ng mga imprastraktura na may mga espesyalisadong GPU at mga platform ng machine learning PaaS, tulad ng mga nakabatay sa TensorFlow, na may mga paunang sinanay na modelo at tool upang iakma ang mga ito sa bawat kaso.
Mga pinaka-kaugnay na algorithm at arkitektura ng deep learning
Sa loob ng deep learning, maraming uri ng neural network ang lumitaw , bawat isa ay na-optimize para sa isang partikular na uri ng data o problema.
Ang mga convolutional neural network (CNN) ay dinisenyo upang iproseso ang mga imahe at video. Gumagamit ang mga ito ng mga filter (convolution) na nag-i-scan sa imahe upang matukoy ang mga lokal na pattern at pagkatapos ay pagsamahin ang mga ito. Ang mga ito ang pundasyon ng modernong computer vision: pagkilala sa mukha, pag-uuri ng bagay, pagsusuri ng medikal na imahe, at marami pang iba.
Ang mga recurrent neural network (RNN) , at ang kanilang mga modernong variant, ay nagsasama ng mga feedback loop na nagbibigay-daan sa kanila na "maalala" ang nakaraang impormasyon. Ginagawa nitong lubhang kapaki-pakinabang ang mga ito para sa mga sequence, tulad ng teksto, audio, o time series. Halimbawa, maaaring gamitin ng isang navigation system ang mga alaalang ito upang mahulaan ang mga karaniwang trapiko at magmungkahi ng mga alternatibong ruta.
Kasabay nito, lumitaw ang mga konsepto tulad ng ensemble learning, residual networks, vision transformers , at marami pang iba, na nagpapalawak at nagpapahusay sa kakayahan ng malalalim na network na umangkop sa mga partikular na problema.
Ang buong teknikal na ekosistemang ito ang siyang nagbibigay-daan, ngayon, upang bumuo ng mga modelo na may malalim na pangangatwiran : kung wala ang pundasyong ito ng makapangyarihan at nasusukat na mga arkitektura, magiging imposible ito.
Mga uri ng pangangatwiran na maaaring tularan ng AI
Maaaring pagsamahin ng mga modernong sistema ng AI ang ilang iba't ibang estratehiya sa pangangatwiran , depende sa uri ng datos at sa target na aplikasyon. Hindi sila limitado sa iisang "paraan ng pag-iisip."
Kabilang sa mga karaniwang pamamaraan ang deduktibong pangangatwiran (simula sa mga pangkalahatang tuntunin hanggang sa makarating sa mga tiyak na konklusyon), induktibong pangangatwiran (paglalahat mula sa mga halimbawa), probabilistikong pangangatwiran (paggawa gamit ang kawalang-katiyakan), at malabong pangangatwiran (paghawak sa mga hindi tumpak na termino tulad ng "mataas", "mababa", "katamtaman").
Sinusuri rin ang mga pamamaraan tulad ng abductive reasoning (pagmumungkahi ng pinaka-makatwirang paliwanag para sa isang hanay ng mga katotohanan), common sense reasoning , spatial at temporal reasoning (napakahalaga sa robotics at autonomous driving), at neurosymbolic reasoning , na nagsasama ng mga neural network na may symbolic logic.
Ang malalim na pangangatwiran ay umaasa sa kagamitang ito upang bumuo ng mas mayamang kadena ng hinuha , paghahalo ng datos, estadistika, at mga tuntunin kung kinakailangan.
AI, machine learning at deep learning: mga pangunahing pagkakaiba
Para linawin ang mga termino: ang artificial intelligence (AI) ang pinakamalawak na termino, na sumasaklaw sa anumang sistemang may kakayahang magsagawa ng mga gawaing nauugnay sa katalinuhan ng tao (pangangatwiran, pagkatuto, pagdama, atbp.). Sa loob ng AI, mayroon tayong machine learning (ML) , na nakatuon sa mga algorithm na natututo mula sa datos nang hindi napoprograma sa bawat kaso.
Ang deep learning naman ay isang subset ng machine learning na gumagamit ng multi-layered neural networks upang direktang matuto mula sa malalaking volume ng data. Ang pangunahing pagkakaiba ay nasa istruktura ng modelo at kung paano kinukuha ang mga feature.
Sa praktikal na antas, ang klasikong ML ay karaniwang nangangailangan ng mas maraming manu-manong trabaho sa feature engineering , mas kaunting data at mas kaunting computing power, habang ang deep learning ay nangangailangan ng malalaking dataset, malalakas na GPU at mahabang oras ng pagsasanay, ngunit nag-aalok ng kahanga-hangang paglaki sa kakayahan para sa mga kumplikadong gawain at hindi nakabalangkas na data.
Sa usapin ng interpretasyon, ang mga simpleng modelo ng machine learning (linear regression, shallow trees) ay mas madaling ipaliwanag, habang ang mga malalalim na network ay kumikilos na parang mga "black box." Nakakaapekto rin ito sa mga modelo ng malalalim na pangangatwiran, na nagmamana ng ilan sa opacity na ito, bagama't may mga pagsisikap na ginagawa upang gawing mas transparent ang mga ito.
Malalim na pangangatwiran at serbisyo sa customer
Isa sa mga larangan kung saan ang praktikal na paggamit ng AI at deep learning ay higit na lumalago ay ang serbisyo sa customer . Maraming kasalukuyang sistema ang gumagamit ng mga algorithm ng ML para sa self-service, suporta para sa mga ahente ng tao, at orkestasyon ng daloy ng trabaho.
Ang datos na nagpapakain sa mga sistemang ito ay nagmumula sa mga totoong katanungan ng customer , kasaysayan ng insidente, konteksto ng pagbili, at gawi sa paggamit. Habang pinapakain ang mga modelong ito, ang mga hula at mungkahi ay nagiging mas mabilis at mas tumpak.
Sa ganitong sitwasyon, ang malalim na pangangatwiran ay nagbibigay-daan sa mga bot hindi lamang upang sagutin ang mga simpleng tanong, kundi pati na rin upang suriin ang buong sitwasyon ng isang customer , suriin ang kanilang kasaysayan, suriin ang iba't ibang posibleng solusyon at makipagtalo para sa pinakamahusay, nang may mas mataas na antas ng pag-personalize.
Pinagsasama na ng mga espesyalisadong plataporma, tulad ng mga advanced na bot ng ilang solusyon sa CX, ang malalaking database ng layunin ng customer at mga deep learning model upang mag-alok ng mas natural at kapaki-pakinabang na mga tugon , na nagpapataas ng produktibidad ng mga ahente ng tao at nagpapadali sa pag-setup ng mga daloy ng suporta.
Habang ang mga modelo ng malalim na pangangatwiran ay mas mahusay na naisama sa ganitong uri ng mga kagamitan, makakakita tayo ng mga virtual na ahente na may kakayahang magsagawa ng mahaba at kumplikadong mga pag-uusap , mapanatili ang usapan, bigyang-katwiran ang mga desisyon, at umangkop sa tono ng gumagamit halos tulad ng gagawin ng isang tao.
Ang buong paglalakbay na ito, mula sa klasikong machine learning hanggang sa deep learning, generative AI, at malalim na pangangatwiran, ay nagpapakita ng isang malinaw na landas: tayo ay lalong lumalapit sa mga sistemang hindi lamang kumikilala ng mga pattern kundi may kakayahan ding istrukturadong pag-iisip tungkol sa mga kumplikadong problema . Ang hamon ngayon ay hindi lamang teknikal kundi pati na rin etikal at operasyonal: tinitiyak na ang mga modelong ito ay wastong sinusuri, ginagamit kung saan nagbibigay ang mga ito ng tunay na halaga, pinamamahalaan ang kanilang mga panganib, at responsableng isinama ang mga ito sa mga tool tulad ng Copilot Studio, upang ang artificial intelligence ay maging isang malakas at maaasahang kakampi sa pang-araw-araw na gawain.
