Vysvětlení důležitých informací pro Technici AI
Softwarová řešení stále častěji zahrnují funkce umělé inteligence; takže softwaroví inženýři potřebují vědět, jak integrovat funkce umělé inteligence do svých aplikací a služeb.
Pokroky ve strojovém učení společně se zvýšenou dostupností velkých objemů dat a výkonných výpočetních prostředků, na kterých je možné zpracovávat a trénovat prediktivní modely, vedly k dostupnosti předem zabalených softwarových služeb, které zapouzdřují funkce umělé inteligence. Softwaroví inženýři můžou tyto služby využít k vytváření aplikací a agentů, kteří používají základní funkce AI, pomocí nich jako stavebních bloků k vytváření inteligentních řešení.
To znamená, že softwaroví inženýři mohou použít své stávající dovednosti v programování, testování, práci se systémy správy zdrojového kódu a balení aplikací pro nasazení, aniž by se museli stát odborníky na datové vědce nebo odborníky na strojové učení.
Aby se však plně zaměřili na příležitosti umělé inteligence, vyžadují softwaroví inženýři alespoň koncepční znalosti základních principů umělé inteligence a strojového učení.
Trénování a odvozování modelů
Mnoho systémů AI spoléhá na prediktivní modely, které je potřeba trénovat pomocí ukázkových dat. Trénovací proces analyzuje data a určuje vztahy mezi funkcemi v datech (datové hodnoty, které budou obecně přítomny v nových pozorováních) a popiskem (hodnota, kterou model trénuje k predikci).
Po vytrénování modelu můžete odeslat nová data obsahující známé hodnoty funkcí a model předpovědět nejpravděpodobnější popisek. Použití modelu k vytváření předpovědí se označuje jako odvozování.
Řada služeb a architektur, které můžou softwaroví inženýři použít k vytváření řešení s podporou umělé inteligence, vyžadují proces vývoje, který zahrnuje trénování modelu z existujících dat, než je možné použít k odvození nových hodnot v aplikaci.
Skóre pravděpodobnosti a spolehlivosti
Dobře natrénovaný model strojového učení může být přesný, ale žádný prediktivní model není nechytný. Předpovědi vytvořené modely strojového učení jsou založené na pravděpodobnosti a zatímco softwaroví inženýři nevyžadují hluboké matematické znalosti teorie pravděpodobnosti, je důležité pochopit, že předpovědi odrážejí statistickou pravděpodobnost, ne absolutní pravdu. Ve většině případů mají předpovědi přidružené skóre spolehlivosti, které odráží pravděpodobnost, na které se predikce provádí. Vývojáři softwaru by měli použít hodnoty skóre spolehlivosti k vyhodnocení předpovědí a použít odpovídající prahové hodnoty pro optimalizaci spolehlivosti aplikací a zmírnění rizika předpovědí, které mohou být provedeny na základě mezních pravděpodobností.
Zodpovědná AI a etika
Je důležité, aby softwaroví inženýři zvážili dopad jejich softwaru na uživatele a společnost obecně; včetně etických úvah o jeho použití. Když je aplikace naplněná umělou inteligencí, jsou tyto aspekty zvlášť důležité z důvodu povahy fungování systémů AI a informování rozhodnutí; často založené na pravděpodobnostních modelech, které jsou zase závislé na datech, se kterými byly natrénovány.
Lidská povaha řešení umělé inteligence je významnou výhodou při vytváření aplikací uživatelsky přívětivých, ale může také vést uživatele k tomu, aby umisťovali velkou důvěru v schopnost aplikace provádět správná rozhodnutí. Potenciál škod jednotlivcům nebo skupinám prostřednictvím nesprávných předpovědí nebo zneužití schopností umělé inteligence je zásadním zájmem a softwaroví inženýři vytvářející řešení s podporou umělé inteligence by měli zvážit z důvodu zmírnění rizik a zajištění spravedlnosti, spolehlivosti a přiměřené ochrany před škodou nebo diskriminací.