AI ქცევითი პროგნოზირება: მანქანები, რომლებიც შექმნილია მომავლის პროგნოზირებისთვის

• ავტორი:
• ავტორის სახელი

  Quantumrun Foresight
• შეიძლება 17, 2023

მანქანური სწავლების (ML) ალგორითმებით აღჭურვილი მოწყობილობები სწრაფად ცვლის ჩვენს მუშაობასა და კომუნიკაციას. და შემდეგი თაობის ალგორითმების დანერგვით, ამ მოწყობილობებმა შეიძლება დაიწყონ მსჯელობისა და გაგების უფრო მაღალი დონის მიღწევა, რაც ხელს შეუწყობს მათი მფლობელების პროაქტიულ ქმედებებსა და წინადადებებს.

AI ქცევითი პროგნოზირების კონტექსტი

2021 წელს კოლუმბიის ინჟინერიის მკვლევარებმა გამოავლინეს პროექტი, რომელიც იყენებს პროგნოზირებულ ML-ს კომპიუტერულ ხედვაზე დაყრდნობით. ისინი ავარჯიშებდნენ მანქანებს, რათა წინასწარ გაეგოთ ადამიანის ქცევა მომავალში რამდენიმე წუთამდე ათასობით საათიანი ფილმების, სატელევიზიო შოუებისა და სპორტული ვიდეოების გამოყენებით. ეს უფრო ინტუიციური ალგორითმი ითვალისწინებს უჩვეულო გეომეტრიას, რაც მანქანებს საშუალებას აძლევს გააკეთონ პროგნოზები, რომლებიც ყოველთვის არ არის შეკრული ტრადიციული წესებით (მაგ., პარალელური ხაზები არასოდეს გადაკვეთს). 

ამგვარი მოქნილობა რობოტებს საშუალებას აძლევს შეცვალონ დაკავშირებული ცნებები, თუ ისინი არ არიან დარწმუნებული რა მოხდება შემდეგ. მაგალითად, თუ მანქანა არ არის დარწმუნებული, ჩამოართმევენ თუ არა ერთმანეთს ხელს შეხვედრის შემდეგ, ისინი აღიარებენ მას, როგორც "მისალმებას". ამ პროგნოზირებადი AI ტექნოლოგიას შეუძლია სხვადასხვა აპლიკაციების პოვნა ყოველდღიურ ცხოვრებაში, დაწყებული ადამიანების ყოველდღიური დავალებების შესრულებაში დახმარებამდე, გარკვეულ სცენარებში შედეგების წინასწარმეტყველებამდე. პროგნოზირებადი ML-ის გამოყენების წინა მცდელობები, როგორც წესი, კონცენტრირებული იყო ერთი მოქმედების მოლოდინზე ნებისმიერ მოცემულ დროს, ალგორითმები ამ მოქმედების კატეგორიზაციას ცდილობდნენ, როგორიცაა ჩახუტება, ხელის ჩამორთმევა, მაღალი ხუთი ან ქმედების გარეშე. თუმცა, თანდაყოლილი გაურკვევლობის გამო, ML მოდელების უმეტესობა ვერ იდენტიფიცირებს მსგავსებას ყველა პოტენციურ შედეგს შორის.

დამრღვევი გავლენა

ვინაიდან მიმდინარე ალგორითმები ჯერ კიდევ არ არის ისეთი ლოგიკური, როგორც ადამიანები (2022), მათი საიმედოობა, როგორც თანამშრომლები, ჯერ კიდევ შედარებით დაბალია. მიუხედავად იმისა, რომ მათ შეუძლიათ კონკრეტული ამოცანებისა და აქტივობების შესრულება ან ავტომატიზაცია, მათი დათვლა შეუძლებელია აბსტრაქციების ან სტრატეგიის შესაქმნელად. თუმცა, ხელოვნური ინტელექტის ქცევის პროგნოზირების განვითარებადი გადაწყვეტილებები შეცვლის ამ პარადიგმას, განსაკუთრებით იმაში, თუ როგორ მუშაობენ მანქანები ადამიანებთან ერთად მომდევნო ათწლეულების განმავლობაში.

მაგალითად, ხელოვნური ინტელექტის ქცევის პროგნოზირება საშუალებას მისცემს პროგრამულ უზრუნველყოფას და მანქანებს შემოგთავაზონ ახალი და ღირებული გადაწყვეტილებები გაურკვევლობის შემთხვევაში. სერვისებისა და წარმოების ინდუსტრიებში, კერძოდ, კობოტებს (თანამშრომლობითი რობოტები) შეეძლებათ წინასწარ წაიკითხონ სიტუაციები, იმის ნაცვლად, რომ დაიცვან პარამეტრების ნაკრები, ასევე შესთავაზონ ვარიანტები ან გაუმჯობესებები თავიანთ თანამშრომლებს. სხვა პოტენციური გამოყენების შემთხვევები არის კიბერუსაფრთხოებასა და ჯანდაცვაში, სადაც რობოტებსა და მოწყობილობებს უფრო მეტად შეიძლება ენდობოდნენ, რომ მიიღონ დაუყოვნებელი ზომები პოტენციურ საგანგებო სიტუაციებზე დაყრდნობით.

კომპანიები კიდევ უფრო აღჭურვილი გახდებიან, რათა შესთავაზონ მორგებული სერვისები თავიანთ მომხმარებლებს, რათა შექმნან უფრო ინდივიდუალური გამოცდილება. ბიზნესისთვის შეიძლება პოტენციურად ჩვეულებრივი გახდეს უაღრესად პერსონალიზებული შეთავაზებების მიწოდება. გარდა ამისა, ხელოვნური ინტელექტი საშუალებას მისცემს ფირმებს მიიღონ უფრო ღრმა ხედვა მომხმარებელთა ქცევის შესახებ, რათა მოახდინოს მარკეტინგული კამპანიების ოპტიმიზაცია მაქსიმალური ეფექტურობისა და ეფექტურობისთვის. თუმცა, ქცევითი პროგნოზირების ალგორითმების ფართოდ გამოყენებამ შეიძლება გამოიწვიოს ახალი ეთიკური მოსაზრებები კონფიდენციალურობის უფლებებთან და მონაცემთა დაცვის კანონებთან დაკავშირებით. შედეგად, მთავრობები შეიძლება აიძულონ მიიღონ დამატებითი ნაბიჯები, რათა დაარეგულირონ ამ ხელოვნური ინტელექტის ქცევის პროგნოზირების გადაწყვეტილებები.

აპლიკაციები ხელოვნური ინტელექტის ქცევის პროგნოზირებისთვის

ხელოვნური ინტელექტის ქცევის პროგნოზირების ზოგიერთი აპლიკაცია შეიძლება შეიცავდეს:

• თვითმართვადი მანქანები, რომლებსაც უკეთესად შეუძლიათ პროგნოზირება, თუ როგორ მოიქცევიან სხვა მანქანები და ფეხით მოსიარულეები გზაზე, რაც გამოიწვევს ნაკლებ შეჯახებას და სხვა ავარიებს.
• ჩატბოტები, რომლებსაც შეუძლიათ წინასწარ განსაზღვრონ, როგორ რეაგირებენ მომხმარებლები რთულ საუბრებზე და შემოგთავაზებენ უფრო მორგებულ გადაწყვეტილებებს.
• რობოტები ჯანდაცვისა და დამხმარე მოვლის დაწესებულებებში, რომლებსაც შეუძლიათ ზუსტად განსაზღვრონ პაციენტების საჭიროებები და დაუყოვნებლივ მიმართონ გადაუდებელ სიტუაციებს.
• მარკეტინგული ინსტრუმენტები, რომლებსაც შეუძლიათ პროგნოზირება მოახდინონ მომხმარებლის ტენდენციებზე სოციალური მედიის პლატფორმებზე, რაც საშუალებას აძლევს კომპანიებს, შესაბამისად შეცვალონ თავიანთი სტრატეგიები.
• ფინანსური მომსახურების ფირმები, რომლებიც იყენებენ მანქანებს მომავალი ეკონომიკური ტენდენციების იდენტიფიცირებისთვის და პროგნოზირებისთვის.
• პოლიტიკოსები იყენებენ ალგორითმებს იმის დასადგენად, თუ რომელ ზონაში იქნება ყველაზე ჩართული ამომრჩევლების ბაზა და მოსალოდნელია პოლიტიკური შედეგები.
• მანქანები, რომლებსაც შეუძლიათ დემოგრაფიული მონაცემების გაანალიზება და საზოგადოების საჭიროებებისა და პრეფერენციების შესახებ ინფორმაციის მიწოდება.
• პროგრამული უზრუნველყოფა, რომელსაც შეუძლია განსაზღვროს შემდეგი საუკეთესო ტექნოლოგიური წინსვლა კონკრეტული სექტორისთვის ან ინდუსტრიისთვის, როგორიცაა ახალი პროდუქტის კატეგორიის ან სერვისის შეთავაზების საჭიროების პროგნოზირება განვითარებად ბაზარზე.
• იმ სფეროების იდენტიფიცირება, სადაც შრომის დეფიციტი ან უნარების ხარვეზები არსებობს, ორგანიზაციების მომზადება ნიჭის მართვის გაუმჯობესებული გადაწყვეტილებებისთვის.
• ალგორითმები გამოიყენება ტყეების გაჩეხვის ან დაბინძურების ტერიტორიების დასადგენად, რომლებსაც შეიძლება განსაკუთრებული ყურადღება დასჭირდეს კონსერვაციის ან გარემოს დაცვის მცდელობების დაგეგმვისას.
• კიბერუსაფრთხოების ინსტრუმენტები, რომლებსაც შეუძლიათ აღმოაჩინონ ნებისმიერი საეჭვო ქცევა, სანამ ის საფრთხედ გადაიქცევა, ეხმარება ადრეული პრევენციული ზომების მიღებაში კიბერდანაშაულის ან ტერორისტული ქმედებების წინააღმდეგ.

კითხვები გასათვალისწინებელია

• როგორ ფიქრობთ, სხვაგვარად როგორ შეიცვლება ხელოვნური ინტელექტის ქცევის პროგნოზი რობოტებთან ურთიერთობის შესახებ?
• რა არის სხვა გამოყენების შემთხვევები პროგნოზირებადი მანქანური სწავლისთვის?