Тип задачи показывает, анализирует ли приложение ИИ числа в сравнении с нецифровыми данными (например, текст, голос, изображения или выражения лица). Все эти различные типы данных обеспечивают исходные данные для принятия решений, однако анализ цифр значительно легче, чем анализ других форм данных.
Специалисты-практики, такие как топ-менеджеры Infinia ML, формулируют эту классификацию несколько иначе, отмечая, что данные, которые могут быть организованы в табличные форматы, гораздо легче анализировать, чем те, которые не могут.
Например, сотрудники Stitch Fix собирает данные от клиентов, используя как прямые вопросы об их предпочтениях (которые могут быть помещены в табличной форме), так и косвенные запросы со страниц Pinterest и likes. Stitch Fix использует запатентованные алгоритмы искусственного интеллекта для анализа последних, нецифровых данных и считает эти данные очень полезными, поскольку выяснилось, что клиенты не всегда могут четко сформулировать свои предпочтения в числовой шкале.
Различие в приведенном выше пункте имеет решающее значение, поскольку многие данные не являются табличными по форме, и поэтому способность понимать и анализировать такие данные значительно усиливает воздействие искусственного интеллекта.
Многие приложения ИИ начали анализировать ввод текста, голоса, изображений и лицевых данных. Первоначально эти данные вводятся в нецифровом формате, но часто переводятся в числовые форматы, например, значения яркости пикселей, относящиеся к изображениям.
Приложения, которые могут обрабатывать такие данные, например:
-IPSoft, которая обрабатывает слова, произнесенные перед агентами клиента для интерпретации того, что хотят клиенты;
-Affectiva, которая работает над автомобильным ИИ, который может чувствовать эмоции и усталость водителя и переключить управление на автономный ИИ,;
-Cloverleaf's shopPoint, установленный на полках магазинов, который изучает выражения лица клиентов для анализа их эмоциональной реакции на покупки в пункте.
Хотя в настоящее время возможности ИИ по пониманию и анализу таких нецифровых форматов данных остаются несколько ограниченными, развитие этой способности будет иметь решающее значение для полной реализации потенциала ИИ, и компьютерщики работают над улучшением возможностей ИИ в этом отношении.
Отдельно следует отметить, что возможности анализа неструктурированных данных могут быть ограничены унаследованными инфраструктурами.
Менеджеры отмечают, что данные часто хранятся в форматах и структурах, менее пригодных для развертывания ИИ. Кроме того, даже если есть приложение для ИИ, которое автоматизирует визуальный осмотр отсутствующих на складе товаров на полках магазинов, но недоработаны некоторые аспекты.
Так для правильного функционирования приложения искусственного интеллекта требуется модернизация оборудования, в частности, камеры должны быть улучшены до более высокого разрешения, чтобы приложение искусственного интеллекта работало должным образом.
В сравнении с контекстной осведомленностью происходит сопоставление автоматизации задач с контекстной осведомленностью. Первый включает приложения искусственного интеллекта, которые стандартизированы или основаны на правилах, поэтому они требуют последовательности и навязывания логики.
Например, Deep Blue от IBM применяет стандартизированные правила и алгоритмы "грубой силы", чтобы победить лучшего шахматиста. Такой искусственный интеллект лучше всего подходит для контекстов с четкими правилами и предсказуемыми результатами, такими как шахматы. На круизном лайнере два робота - Rock'em и Sock'em - делают коктейли для клиентов. В других местах робот Pepper может передать приветствие, а Watson IBM может предоставить помощь в подготовке к налогообложению.
Несмотря на то, что эти приложения по искусственному интеллекту включают достаточно структурированный контекст, многие компании с трудом могут реализовать даже это и полагаются на специализированные компании или консультационные фирмы для разработки и реализации первоначальных инициатив по искусственному интеллекту.
Напротив, продолжается работа по повышению осведомленности о контексте, и исследователи в области компьютерных наук работают над продвижением потенциала ИИ от автоматизации задач к контекстуальной осведомленности.
Контекстная осведомленность - это форма интеллекта, которая требует машин и алгоритмов, чтобы "научиться учиться" и выходить за рамки их первоначального программирования человеком. Такие приложения искусственного интеллекта могут решать сложные, специфические задачи, применяя целостное мышление и реагирование с учетом конкретных условий.
Однако такие возможности остаются отдаленными; вероятность достижения понимания контекста (или его эквивалента) к 2050 году составит лишь 50% . Исходя из вышеизложенного, ученые предостерегают, что такого ИИ в настоящее время на существует.
Тем не менее, эта способность является целью развития искусственного интеллекта, о чем свидетельствуют убедительные примеры из научной фантастики, такие как Джарвис из фильмов "Железный человек" или Карен из фильма "Возвращение человека-паука"; оба они могут понять новые и сложные контексты и найти решения этой проблемы.
Различия между автоматизацией задач и контекстной картой понимания на концепции узкого и общего ИИ.
Как узкий, так и общий ИИ может быть равен или превосходить человеческие показатели, но узкий ИИ сосредоточен на конкретной области и не может научиться распространяться на новые области, в то время как общий ИИ может распространяться на новые области.
Некоторые приложения искусственного интеллекта вышли за рамки автоматизации задач, но все еще не знакомы с контекстом. Эти приложения представляют собой значительные достижения, однако современный искусственный интеллект все еще ближе к автоматизации задач.
