Тенденции корпоративных данных и ИИ в 2025 году: интеллигенция, платформы и перспективы на будущее

Делать прогнозы, особенно в такой быстро меняющейся сфере, как данные и ИИ, как известно, очень сложно. Тем не менее, мы.Раджеш Парих ответить пением Санджив МоханВ прошлом году мы выпустили наш Прогнозы тенденций на 2024 год. По мере приближения 2024 года мы с радостью подтверждаем, что наши прогнозы оправдались. Этот успех тем более примечателен, учитывая беспрецедентные темпы развития ИИ - скорость изменений, редкая для ИТ-индустрии.

В наших четырех главных прогнозах мы отметили подъем интеллектуальных платформ данных и искусственного интеллекта. Хотя в 2023 году эти тенденции будут менее очевидны, импульс развития интеллектуального ИИ уже неоспорим и предвещает дальнейшее ускорение.

Что касается платформ для обработки данных, то мы наблюдаем активный переход к интеллектуальным, унифицированным платформам, вызванный необходимостью упростить работу пользователей и ускорить разработку продуктов для обработки данных и ИИ. Ожидается, что эта тенденция будет усиливаться по мере выхода на рынок новых поставщиков и расширения спектра доступных предприятиям возможностей.

Ожидания на 2025 год

По мере приближения к 2025 году ландшафт корпоративных данных и искусственного интеллекта подвергнется серьезной трансформации, которая изменит отрасли и переосмыслит взаимодействие людей с технологиями. Не называя это прогнозом, мы хотим использовать данный документ для изучения этих трансформационных тенденций, которые, по нашему мнению, требуют пристального внимания со стороны руководителей предприятий и менеджеров по технологиям. Поэтому читатели должны использовать его как руководство для определения приоритетов и подготовки своих организаций к выбору правильного направления.

Давайте без лишних слов рассмотрим тенденции, которые, по нашему мнению, будут доминировать в сфере корпоративных данных и ИИ. На рисунке 1 показаны тенденции, разделенные на категории "Прикладной ИИ", "Данные и операционная деятельность" и "Лунная программа".

Рисунок 1. Ландшафт данных и ИИ в 2025 году характеризуется ростом интеллекта, эволюцией платформ данных и реализацией амбициозных планов по высадке на Луну, которые способны изменить мир вокруг нас.

• Прикладной искусственный интеллект: Эти тенденции существенно повлияют на то, как организации используют модели ИИ для трансформации, особенно в плане того, как интеллекты автоматизируют повседневные задачи и функции. По мере того как модели будут развивать свои способности к рассуждениям, эти интеллекты смогут решать все более сложные задачи и беспрепятственно сотрудничать друг с другом.
• Данные и тенденции развития платформ:Конвергентные платформы данных и метаданных, поддерживающие структурированные и неструктурированные данные, станут движущей силой искусственного интеллекта и основой для приложений интеллектуального тела и ИИ. В поддержку этого видения сходятся несколько ключевых тенденций, включая достижения в области управления платформами данных и разработку надежного промежуточного программного обеспечения для приложений "умного тела".
• Программа высадки на Луну:Эти амбициозные и рискованные попытки расширяют границы современных технологий и исследуют области, которые сегодня могут показаться передовыми. Несмотря на высокий риск неудачи, прорывы в этих областях способны произвести революцию в индустрии и переосмыслить взаимодействие человека и компьютера.

Прикладной искусственный интеллект

2025Прикладной искусственный интеллект Тенденции сосредоточены вокруг практического применения и внедрения интеллекта в массы. Как показано на рисунке 2, мы выделили четыре ключевые подтемы, которые, как ожидается, окажут наиболее значительное влияние в этой категории.

Рисунок 2. Как и в случае с машинным обучением, демократизация ИИ будет достигнута благодаря процветающей экосистеме интеллектов, способных решать различные задачи и специфические проблемы.

Далее рассмотрим тенденции для каждой области применения ИИ/АИ.

Разумные тела повсюду

В 2025 году мы вступим в эру интеллектуального тела AI.

Вот выдержки из прошлогодних трендов об искусственном интеллекте и наши советы для бизнеса.

Мы считаем, что интеллекты, основанные на ИИ, - это тенденция, на реализацию которой могут уйти годы, однако, учитывая ее перспективность, мы ожидаем, что 2024 год станет годом значительного прогресса в развитии инфраструктуры/инструментария интеллектов, а также их раннего внедрения. Следует отметить, что наше понимание потенциала современных архитектур ИИ для решения более сложных задач все еще в значительной степени относится к потенциалу, и есть много нерешенных вопросов.

Тем не менее, организации должны придерживаться прагматичного подхода к созданию интеллектуальных приложений и в определенной степени ожидать, что разрыв между текущими технологиями ИИ в выполнении все более сложных задач автоматизации будет сокращаться год от года. Кроме того, необходимо учитывать, в какой степени автоматизация может быть реализована в каждом конкретном случае в течение следующих 12 месяцев. Эволюционный путь/путь таких проектов может быть более успешным в таких начинаниях.

В 2025 году ожидается ускоренное внедрение интеллектуальных автономных систем искусственного интеллекта на предприятиях в связи с растущей потребностью в автоматизации повторяющихся задач и повышении качества обслуживания клиентов. Эти интеллектуальные системы будут дополнять возможности человека и позволят нам сосредоточиться на творческой, стратегической и сложной работе.

Они позволяют автоматизировать задачи, требующие высокого уровня мышления, рассуждений и решения проблем - задачи, которые в настоящее время требуют значительного участия человека. Например, интеллектуальные системы могут проводить маркетинговые исследования, анализировать данные или отвечать на запросы службы поддержки клиентов. Они также могут автоматизировать сложные многоэтапные рабочие процессы, которые раньше считались нецелесообразными из-за сложности, стоимости или того и другого.

Интеллект ИИ - это программа или система, которая воспринимает окружающую среду, рассуждает, разбивает поставленную задачу на ряд шагов, принимает решения и предпринимает действия для автономного выполнения конкретных задач, подобно человеку.

В настоящее время мы наблюдаем появление инструментов, управляемых искусственным интеллектом, таких как совместные пилоты для разработчиков, которые можно использовать примерно за 20 долларов в месяц, и инструменты, подобные Девин Интеллекты раннего уровня, такие как эти, стоят от 500 долларов (что все еще представляет собой решение 2-го уровня автоматизации). Интеллекты 2-го уровня - это те, которые могут выполнять определенные задачи автономно, но все еще требуют значительного контроля и вмешательства человека.

Однако в 2025 году мы ожидаем появления более продвинутых интеллектов с соответствующими более высокими ценами, отражающими их ценность. Например, стоимость специализированного интеллектуального органа, который может превзойти младшего маркетолога в разработке стратегии входящего и исходящего маркетинга отдела, может достигать 20 000 долларов.

мультиинтеллектуальная система

Мультиинтеллектуальные системы (MASЭта специализация в рамках MAS позволяет каждому интеллекту сосредоточиться на своей области знаний, что повышает общую эффективность системы, поскольку интеллекты используют свои уникальные навыки и знания для решения сложных задач. Эти интеллекты взаимодействуют друг с другом, часто используя различные режимы и каналы связи, для достижения своих индивидуальных целей или общих целей системы.

На рисунке 3 показано, как многочисленные интеллекты могут взаимодействовать друг с другом, чтобы повысить эффективность создания контента в организации.

Рисунок 3. Мультиинтеллектуальная система, состоящая из трех интеллектов, которые сосредоточены на задачах исследования, создания и распространения контента и работают совместно для удовлетворения потребностей отдела маркетинга.

MAS могут демонстрировать различные уровни управления и различные архитектурные модели для связи и координации через общие архитектурные модели:

1. Многослойные команды:В этом типе MAS обычно используется центральный менеджер или делегатор задач для посредничества в общении. Рабочие интеллекты в системе общаются только через этот центральный интеллект, что предотвращает прямую связь между интеллектами.
2. Равный равному:В одноранговых MAS интеллекты общаются друг с другом напрямую, не полагаясь на централизованное агентство.
3. Групповое сотрудничество:Этот тип MAS похож на групповые чаты (например, Slack, Microsoft Teams), в которых интеллектуалы подписываются на соответствующие каналы и координируются через архитектуру публикации-подписки.

В отличие от систем с одним интеллектуальным телом, в которых одно интеллектуальное тело выполняет несколько ролей, MAS позволяют эффективно специализироваться, что повышает производительность широкого спектра приложений. MAS важны для масштабирования комплексной автоматизации интеллектуальных тел; загрузка слишком большого количества задач в одно интеллектуальное тело приводит к сложности и проблемам масштабируемости/надежности.

Мы предвидим тенденцию к развитию в компаниях более специализированных интеллектов. Эти интеллекты должны работать в командных конфигурациях, взаимодействуя и координируя друг с другом, чтобы обеспечить более крупные и сложные рабочие процессы. В результате MAS будет играть ключевую роль в общем успехе инициатив по автоматизации рабочих процессов на основе интеллекта.

Интеллектуальная система управления кузовом (IBMS)

Система управления интеллектом (AMS) облегчает разработку, оценку, развертывание и мониторинг интеллекта ИИ после развертывания. Упрощая создание и доработку таких интеллектов, AMS позволяет ускорить итерации и упростить управление жизненным циклом. Она также обеспечивает соответствие интеллектов ожиданиям благодаря всестороннему тестированию перед развертыванием и непрерывному мониторингу производства.

На рисунке 4 показаны компоненты репрезентативной AMS.

Рисунок 4: Компоненты представительной интеллектуальной системы управления кузовом (AMS)

Репрезентативная система AMS содержит следующие компоненты:

1. Интеллектуальный культурист:Конструкторы интеллектуальных тел, часто называемые фреймворками интеллектуальных тел, помогают быстро создавать новые интеллектуальные тела и итеративно улучшать существующие.
2. Интеллектуальный реестр тел:Реестр Intelligentsia ведет каталог доступных Intelligentsia и обеспечивает контроль и управление доступом, включая версионирование, чтобы обеспечить соответствующий доступ для целевой аудитории.
3. Игровая площадка "Интеллектуальное тело":Игровая площадка "Интеллектуальное тело" для ручное управление Тестирование производительности интеллекта в различных задачах и пользовательских запросах обеспечивает удобный интерфейс "подключи и работай". Эта среда позволяет быстро оценить эффективность работы интеллекта.
4. Эксперименты с разумным телом:Экспериментальная поддержка Smart Body автоматизация Проведите оценку интеллектуальных систем перед развертыванием. Этот структурированный подход позволяет оценить производительность интеллектуальных систем путем определения набора данных, выбора соответствующих метрик, настройки среды, анализа результатов и составления отчета об оценке. Часто также доступны журналы ранее проведенных экспериментов.
5. Развертывание и мониторинг:Развертывание интеллектуального тела включает в себя настройку необходимых ресурсов для интеллектуального тела в среде постановки или производства, при этом отслеживаются соответствующие метрики времени выполнения. Это обеспечивает надежность и эффективность интеллектуальных систем.
6. Интерфейс чата:Chat UI обеспечивает необходимый пользовательский интерфейс, требуемый для взаимодействия с интеллектами, развернутыми в производственной среде.

Мы ожидаем, что организации развернут большое количество специально созданных интеллектов для решения широкого спектра специфических задач. AMS будет играть ключевую роль в поддержке организаций в создании, развертывании и управлении этими интеллектами на протяжении всего жизненного цикла, что приведет к созданию интеллектуального предприятия с поддержкой тела.

модель, ориентированная на конкретную задачу

(действуйте и делайте) без колебаний Антропология Клод, семейство OpenAI GPT, Google's Близнецы и ведущие модели, такие как Nova от AWS, будут доминировать в 2024 году, но есть несколько примечательных тенденций в развитии моделей, ориентированных на конкретные задачи и области, которые особенно актуальны для корпоративных сценариев использования.

На рисунке 5 показаны этапы процесса создания модели. Этот процесс принято называть выравнивание после тренировки.

Рисунок 5: Методы, использованные для создания модели домена

1. контролируемая тонкая настройка

Супервизорная тонкая настройка (SFT) предполагает обучение базовой модели (обычно это предварительно обученная базовая модель или вариант, настроенный по команде) с использованием набора данных предпочтений. В цепочка мыслей (CoT), каждая запись в этом наборе данных обычно содержит тройку (prompt, CoT, output), где CoT явно ссылается на соответствующую спецификацию безопасности.

Процесс контекстного уточнения создает набор данных, начиная с модели, обученной только на полезность, и предлагая ей спецификацию безопасности и соответствующие подсказки. Результатом этого процесса является Модель SFT.

2. Расширенная настройка обучения

На втором этапе используется высокопроизводительное обучение с подкреплением (RL). На этом этапе используется суждение LLM для вознаграждения сигналов, основанных на следовании модели спецификации безопасности, что еще больше улучшает способность модели рассуждать о безопасности. Важно, что весь процесс требует минимального вмешательства человека, кроме создания первоначальной спецификации и высокоуровневой оценки.

Рассуждения CoT позволяют LLM явно выразить процесс рассуждений, делая свои решения более прозрачными и интерпретируемыми. При согласовании фазы RL CoT включает ссылки на спецификации безопасности, которые иллюстрируют, как модель пришла к своему ответу. Это позволяет модели тщательно рассмотреть вопросы, связанные с безопасностью, прежде чем генерировать ответ. Включение CoT в обучающие данные позволяет модели научиться использовать эту форму рассуждений для получения более безопасного ответа, что повышает безопасность и интерпретируемость. Результаты этого этапа часто называют "Модели рассуждений"

3. постоянная тонкая настройка

Непрерывная тонкая настройка позволяет инженерам ИИ и специалистам по анализу данных адаптировать модели к конкретным условиям использования. Инженеры по глубокому обучению и специалисты по анализу данных теперь могут точно настраивать передовые модели с открытым исходным кодом, используя от 10 до 1 000 примеров, что значительно повышает качество моделей для целевых приложений. Это очень важно для организаций, стремящихся повысить надежность своих моделей, ориентированных на конкретные случаи использования, без необходимости инвестировать в обширную инфраструктуру посттренингового обучения.

Большинство передовых моделей сегодня предлагают API для непрерывной тонкой настройки предпочтений и тонкой настройки обучения с подкреплением (RLFT), что снижает порог создания моделей, специфичных для конкретной задачи или области.

Выход этого этапа можно назвать "Моделирование, ориентированное на конкретную задачу или домен".

Фреймворки для тонкой настройки с открытым исходным кодом (например, Hugging Face Transformers Reinforcement Learning (TRL), Unsloth и т. д.) предоставляют аналогичные возможности непрерывной настройки для моделей OSS. Например, ранние последователи модели Llama провели ее тонкую настройку более 85 000 раз с момента выпуска.

По мере того как мы продолжаем внедрять ИИ на предприятиях, мы наблюдаем две разные тенденции:

1. Организации со значительными капитальными ресурсами (которые мы называем "Frontiers") могут принять стратегию посттренинговых моделей с открытым исходным кодом, широко настраивая их для конкретных доменов и случаев использования путем постоянной доработки.
2. Для тех, кто ограничен в бюджете, но уделяет большое внимание надежным вариантам использования.Амбициозный бизнесЭкономически эффективная стратегия заключается в выборе готовых LLM и приоритетном согласовании с конкретной задачей путем постоянной тонкой настройки.

Тенденции в области данных, эксплуатации и технического обслуживания

Данные имеют решающее значение для успешного внедрения ИИ и требуют применения передовых методов управления данными. На рисунке 6 показаны основные тенденции в области данных и эксплуатации и управления ими в 2025 году.

Рисунок 6: Ключевые данные и тенденции в области эксплуатации и обслуживания

Давайте разберемся в каждом из трендов.

Интеллектуальная платформа данных

Чтобы ускорить внедрение инноваций в области данных и ИИ и снизить операционные издержки, в 2024 году мы предлагаем создать единую интеллектуальную платформу данных и ИИ (IDP). Эта попытка унификации и упрощения получила значительное распространение среди основных поставщиков программного обеспечения, что привело к созданию архитектуры, показанной на рисунке 7.

Рисунок 7: Архитектура платформы интеллектуальных данных

IDP упрощает интеграцию жизненного цикла данных (хранение, обработка, аналитика и машинное обучение), снижая тем самым потребность в разрозненных инструментах и трудозатратах. Она также обеспечивает централизованную структуру для стратегии и реализации управления данными.

В то время как основные предложения как известных технологических компаний, так и стартапов продолжают расширять функциональность в 2024 году, повсеместное внедрение данных и платформ для ИИ-интеллекта все еще находится в процессе разработки.

В 2025 году поставщики платформ данных продолжат интегрировать свои услуги, чтобы создать критически важную основу для интеллектуальных систем ИИ и мультиинтеллектуальных систем, обеспечивая эти приложения информацией, необходимой им для работы и принятия решений. Эти платформы выполняют три ключевые функции:

1. Гармонизация плоскостей данных:Унифицированная плоскость данных поддерживает загрузку, хранение, управление и контроль различных форматов данных, включая текст (например, PDF), изображения (например, PNG, JPEG) и аудио/видео (например, MP3). Ключевой подтренд в этой унифицированной плоскости данных - принятие открытых форматов таблиц, таких как Apache Iceberg, Delta Lake и Apache Hudi.
2. Унифицированная плоскость метаданных:Метаданные предоставляют приложениям ИИ основную контекстную информацию о данных, которые они обрабатывают. Например, если данные содержат документ о кадровой политике, соответствующие метаданные могут включать номер версии документа, дату последнего редактирования и автора. Без богатых метаданных, предоставляющих эти нюансы, интеллекту будет сложно установить достаточный контекст и обеспечить требуемую функциональность.
3. Многофункциональный оркестратор:IDP также предоставляет расширяемый уровень оркестровки, предназначенный для управления и оркестровки различных вычислительных машин, включая те, которые используются для аналитической обработки, преобразования данных и выполнения моделей искусственного интеллекта.
4. Плоскость управленияIDP также выступает в качестве промежуточного ПО для контроля доступа, управления и персонализации, позволяя интеллектуальным системам лучше понимать роли пользователей (включая роли, доступ к данным и историю запросов) и персонализировать ответы.

ETL для искусственного интеллекта

ETL (Extract, Transform and Load) - это ключевой процесс интеграции данных, используемый для подготовки исходных данных для моделей искусственного интеллекта и машинного обучения. Этот процесс включает в себя извлечение данных из различных источников, их преобразование путем очистки и форматирования, а затем загрузку в систему управления данными или их хранения, такую как IDP, хранилище данных или векторное хранилище, как было описано ранее.

Если организации уже знакомы с ETL для структурированных данных (извлечение, преобразование и загрузка данных из оперативных баз данных в хранилища или озера данных), то ETL для ИИ расширяет этот процесс, охватывая широкий спектр форматов данных, включая текст (.pdf, .md, .docx), аудио/видео (mp3, mpeg) и изображения (jpeg, png).

К таким источникам неструктурированных данных могут относиться различные хранилища контента, приложения и веб-ресурсы, используемые предприятием. Фактически, сам процесс ETL может использовать ИИ для задач извлечения, например, для извлечения сущностей (изображений, таблиц и именованных сущностей) из PDF-файлов с помощью мультимодальных моделей большого языка (LLM) или моделей оптического распознавания символов (OCR).

ETL для неструктурированных данных Поддержка различных вариантов использования в дальнейшем:

• Понимание на основе искусственного интеллекта:Поиск расширенной генерации (RAG) позволяет приложениям облегчать взаимодействие пользователя с документами, извлекать ключевые резюме и поддерживать подобные сценарии использования. Извлечение и преобразование данных из таких разнообразных источников, как SharePoint, Dropbox, Notion и различные облачные хранилища и приложения, станет ключевым фактором, способствующим созданию аналитических материалов на основе ИИ. Мы ожидаем, что поставщики продолжат извлекать RAG и интегрировать его в качестве легкодоступной функции в унифицированные платформы данных, аналитики и ИИ.
• ИИ-поиск: Повышение доступности и интеллектуальности корпоративного контента по сравнению с традиционным поиском по ключевым словам.
• Автоматизация на основе искусственного интеллекта: Обеспечение необходимого слоя знаний из неструктурированных данных для предоставления базовой контекстуальной информации интеллектам.
• Выравнивание после обучения и постоянная доработка: Обеспечение доступности новых и обновленных данных для беспрепятственной и непрерывной персонализации моделей для различных ведомственных целей.

Подготовка данных для искусственного интеллекта

Подготовка данных является основополагающим фактором для успешного внедрения моделей, ориентированных на конкретные задачи, и искусственного интеллекта.

Это ключ к успеху таких программ".предварительное условие".

Чтобы сделать данные доступными для ИИ, их необходимо всесторонне подготовить по нескольким параметрам. Хотя ИИ может использовать практически все имеющиеся у организации данные, правильный подход заключается в том, чтобы вывести требования к подготовке данных из приоритетных сценариев использования.

На рисунке 8 показаны некоторые ключевые аспекты подготовки данных для ИИ

Рисунок 8: Подготовка данных для ИИ

Качество данных и наблюдаемость

Соответствуют ли эти данные установленным показателям качества? Это может означать одно или несколько из следующего:

1. доверие
2. свежесть
3. корректность
4. Целостность метаданных
5. спуски
6. Законность/отклонение
7. актуальность
8. версионирование

Как управляются, отслеживаются и представляются в реальном времени вышеперечисленные показатели?

1. Данные о наблюдаемости
2. Родословная данных
3. история пересмотра (документа, веб-страницы и т.д.)

Продукты данных для искусственного интеллекта

Продукты данных имеют решающее значение для успешной разработки моделей, ориентированных на конкретные задачи, бенчмаркинга и тестирования моделей ИИ и интеллектуальных приложений. Некоторые важные продукты данных ИИ включают:

1. Данные, доступные для обучения: Маркированные данные становятся ценным информационным продуктом, который можно сразу же использовать для обучения искусственного интеллекта.

2. Набор данных Chain (CoT):В отличие от традиционных наборов данных, которые обычно предоставляют входные и выходные данные для обучения, наборы данных CoT также включают промежуточные шаги умозаключений, которые объясняют, как были получены ответы. Такой пошаговый подход к рассуждениям тесно связан с тем, как люди решают сложные проблемы, что делает наборы данных CoT ценными для обучения моделей ИИ, способных выполнять задачи, требующие логического мышления, планирования и интерпретации.

3. уточненный набор данных:Предоставьте меньшее репрезентативное подмножество набора данных, которое отражает разнообразие и изменчивость полного набора данных. Ниже приведено несколько примеров дистиллированных наборов данных:

a. Подмножество отзывов покупателей, отражающих различные уровни настроения и категории товаров.

b. Высококачественные наборы данных по конкретным задачам, созданные для обучения небольших моделей (моделей учеников), имитирующих работу больших, более сложных моделей (моделей учителей).

c. Подмножество технической документации, доработанной для тонкой настройки модели технических вопросов и ответов.

4. Синтетические наборы данных:Уточненные данные используются для создания синтетических наборов данных, которые имитируют основные атрибуты исходного набора данных. Они часто используются для дополнения реальных наборов данных, когда данных мало или они несбалансированы. Генерируя варианты, можно обучать модели на более разнообразных наборах данных.

5. Наборы данных для составления карт знаний:Продукты данных на базе GraphRAG используют возможности поиска и создания данных на основе графов. Например, наборы данных графов знаний в области здравоохранения, связывающие медицинскую терминологию, диагноз, лечение и результаты лечения пациентов, могут использоваться для предоставления индивидуальных медицинских консультаций, предложения возможных вариантов лечения и помощи врачам в принятии решений на основе данных.

6. данные пользователя:Данные о пользователе имеют решающее значение для создания более интеллектуальных, персонализированных приложений ИИ. Эти данные обычно включают в себя любую информацию о роли пользователя и его взаимодействиях или вводимых данных, которые интеллектуальный ИИ или приложение использует для понимания роли пользователя (которые он может использовать для предоставления значимых результатов или ответов). Вот некоторые примеры пользовательских данных:

a. Интеллектуальные данные аналитика данных с учетом ролей пользователей и информации об истории взаимодействия пользователя с набором данных/запросом/приборной панелью могут персонализировать ответы на запросы путем фильтрации и выбора соответствующей истории доступа к набору данных и выполнения запросов.

b. Интеллектуальные системы поддержки клиентов, понимающие статус пользователя (например, Premium или Normal) и характер прошлых запросов на поддержку, могут использовать прошлые рабочие заказы, проблемы и решения для определения приоритета ответов, предоставления более быстрых решений или рекомендации конкретных статей базы знаний.

c. Анализируя историю общения и модели взаимодействия с потенциальными клиентами и покупателями, интеллектуальные системы продаж могут персонализировать стратегии последующих действий, рекомендовать конкретные продукты или услуги и определять приоритетность потенциальных клиентов на основе их поведения в прошлом.

план полета на Луну

Программы высадки на Луну - это амбициозные, исследовательские попытки решить серьезные проблемы с помощью прорывных решений. Такие проекты обычно раздвигают границы существующих технологий и работают на острие инноваций. Хотя по своей сути они сопряжены с высоким риском неудачи, потенциал для преобразовательных результатов огромен.

Хотя этот раздел - пространство для творческого поиска, мы хотели бы рассмотреть более умозрительные концепции, представленные на рисунке 9.

Рисунок 9: Программа высадки на Луну

когнитивный агент

Представители когнитивного интеллекта чрезвычайно быстро и постоянно учатся на своем опыте, адаптируются и совершенствуются. На рисунке 10 показаны определяющие характеристики когнитивного интеллекта.

Рисунок 10: Пять ключевых характеристик когнитивного интеллекта: обучение, память, самосознание, самосовершенствование и самоэскалация

В дополнение к общим возможностям интеллектов ИИ, когнитивные интеллекты обычно обладают еще несколькими возможностями:

1. сохранение памяти

Длительное сохранение памяти - одна из ключевых характеристик когнитивного интеллекта. Способность сохранять память позволяет интеллектуалам вспоминать предыдущие разговоры, часто помнить конкретные события, в том числе когда и где они происходили, и часто извлекать из них уроки.

Таким образом, когнитивные интеллекты имеют сложную архитектуру памяти, которая включает в себя долговременное хранение информации и специфические формы памяти (например, ситуативную память), позволяющие интеллектам вспоминать и припоминать конкретные события во времени, в том числе когда и где они произошли.

Примером использования ситуационной памяти может быть вспоминание шагов, предпринятых для успешного выполнения задачи в предыдущем событии. Если перед разумным организмом снова встанет та же задача, он сможет вспомнить шаги, предпринятые в предыдущем успешном случае, и в этот раз выполнить задание более эффективно.

2. извлечение уроков из прошлых взаимодействий

Эти интеллекты учатся на опыте прошлых взаимодействий и используют его для принятия лучших решений в будущем.

3. Самосознание

Эти интеллекты также могут осознавать детали и функции своей конструкции.

Потенциально они могут учиться на взаимодействии с пользователями и обновлять свою базу знаний для получения нового учебного контента.

4. самовосстановление

Благодаря самовосстановлению Интеллект может расширять свою функциональность, добавляя новые функции, например, инструменты для создания наборов данных предпочтений на основе последних взаимодействий и запуска следующего задания по тонкой настройке. Кроме того, он может проводить дальнейшую оценку новых моделей и регистрировать новые редакции моделей в реестре моделей, а также генерировать подробные отчеты о моделях для просмотра инженерами ИИ.

5. самоэскалация

(Необязательно) Intelligentsia может самостоятельно перейти на новую ревизию модели, созданную выше.

воплощённый интеллект

Воплощенные интеллекты - это типы интеллектов ИИ, которые имеют физическое присутствие (например, роботы). Такое "воплощение" очень важно, поскольку позволяет интеллекту воспринимать физический мир и действовать в нем так же, как человек, что дает ему возможность обучаться и выполнять задачи, требующие от интеллекта глубокого понимания физического пространства и выполнения поставленных задач. Ожидается, что генеративный ИИ произведет революцию в робототехнике, выйдя за рамки традиционного программирования, основанного на правилах, и позволит работать в более сложных и динамичных средах.

На рисунке 11 показано, как организации могут использовать эти новые интеллекты для различных целей.

Рисунок 11: Пример предприятия, использующего встроенные интеллекты.

Давайте посмотрим, как банки используют воплощенный интеллект. Олицетворенные интеллекты в отделениях клиентской поддержки могут инициировать первое взаимодействие с пришедшим клиентом, предоставлять индивидуальные финансовые консультации и помогать в оформлении транзакций.

В розничной торговле воплощенные интеллекты могут принимать форму ассистентов, которые предоставляют информацию о товарах и помогают ориентироваться в магазине. В производстве такие интеллекты могут выполнять задачи, требующие мобильности и ловкости, которые опасны для безопасности человека.

интеллектуальная сеть

Эффективное взаимодействие между несколькими ИИ-интеллектами для достижения общих целей или решения сложных проблем в настоящее время затруднено из-за отсутствия стандартизированных форматов сообщений, протоколов и механизмов разрешения конфликтов. Будущие сетевые подходы должны быть масштабируемыми, малозамедленными и безопасными, обеспечивающими доверие между интеллектами и защиту коммуникационных сетей от вредоносных атак.

Это подводит нас к последней ожидаемой тенденции, касающейся совершенствования сетей "умного тела".

Эффективные сети интеллигенции могут революционизировать способы общения, сотрудничества, координации, выполнения работы и обучения интеллигенции как внутри предприятия, так и за его пределами. Эта тенденция похожа на первые дни существования Интернета и стандартизации интернет-протоколов, а также на развитие сообществ и форумов в эпоху web 2.0. Эти тенденции значительно расширили возможности сотрудничества между людьми за пределами физических границ.

На рисунке 12 показаны четыре варианта построения эффективной сети интеллекта.

Рисунок 12: Примеры возможных стандартов сети "умного тела

Преимущества всех тенденций программы высадки на Луну огромны. Когнитивные интеллекты могут обучаться в ходе этих взаимодействий, анализируя обмениваемые данные, обновляя собственную базу знаний, анализируя обмениваемые данные, улучшая человекоподобное общение и ускоряя инновации в границах предприятия.

вынести вердикт

В целом, направление "Прикладной ИИ" ускоряет значимое внедрение интеллектуальных систем и приложений ИИ на предприятиях, а направления "Данные" и "Оперативная деятельность" обеспечивают прочную основу для поддержки и ускорения применения этих интеллектуальных систем. Кроме того, программа "Посадка на Луну" охватывает темы, которые сегодня могут показаться радикальными, но могут оказать следующее преобразующее воздействие.

Как обычно, цель данного исследования - сосредоточиться на технологических решениях, а не на организационных последствиях. Автономные интеллекты, естественно, вызывают опасения по поводу потери рабочих мест, поскольку ожидается, что интеллекты ИИ возьмут на себя выполнение повторяющихся задач. Организациям необходимо заново открыть синергию/координацию между людьми и искусственным интеллектом, критически переосмыслив должностные роли и создав новые, связанные с созданием, управлением и сотрудничеством с ИИ. Таким образом, эта трансформация создает еще одну важную задачу, поскольку большинству организаций необходимо будет критически улучшить и переобучить свой персонал наряду с трансформацией ИИ.

Наконец, любые прорывы в архитектуре модели LLM, решения, позволяющие внедрить адаптивное внедрение знаний экономически эффективным способом, или значительные улучшения в возможностях понимания и рассуждения могут оказать дальнейшее влияние на потенциальную реальность приложений ИИ.