एआयचे प्रकार कोणते आहेत?

थोडक्यात उत्तर: एआयचे प्रकार त्यांची क्षमता, कार्यक्षमता, प्रशिक्षणाची पद्धत आणि वापरानुसार उत्तम प्रकारे समजून घेता येतात. आजकाल नॅरो एआय (Narrow AI) सर्वसामान्य आहे, तर जनरल एआय (General AI) आणि सुपर एआय (Super AI) अजूनही सैद्धांतिक आहेत. एखादे साधन निवडताना, त्याचा प्रकार कार्याशी, त्यात असलेल्या जोखमींशी आणि मानवी पुनरावलोकनाच्या गरजेनुसार जुळवावा.

महत्वाचे मुद्दे:

वर्गीकरण: प्रणालींची तुलना करण्यापूर्वी त्यांची क्षमता, कार्यक्षमता, प्रशिक्षण पद्धत आणि वापराचे उदाहरण वेगळे करा.

मानवी पुनरावलोकन: जनरेटिव्ह, प्रेडिक्टिव्ह आणि कन्व्हर्सेशनल आउटपुटवर अवलंबून राहण्यापूर्वी ते तपासा.

पारदर्शकता: प्रत्येक एआय प्रणालीला कोणता डेटा, तर्क आणि मर्यादा आकार देतात, हे विचारा.

उत्तरदायित्व: जेव्हा एआय निर्णय, वापरकर्ते किंवा सुरक्षिततेवर परिणाम करते, तेव्हा मानवांना जबाबदार धरा.

जोखीम नियंत्रण: उपयोजनापूर्वी पक्षपात, गोपनीयता, सुरक्षा आणि गैरवापर यांची चाचणी करा.

---

१. एआयचे प्रकार कोणते आहेत?

जेव्हा लोक विचारतात, “ एआयचे प्रकार कोणते आहेत ?” तेव्हा त्यांना सहसा दोनपैकी एक गोष्ट विचारायची असते:

ते कदाचित क्षमतेच्या आधारावर एआयबद्दल विचारत असतील , जसे की ते फक्त एकच काम करू शकते की मानवाप्रमाणे अधिक व्यापकपणे विचार करू शकते.

किंवा ते कार्यक्षमतेच्या आधारावर एआयबद्दल विचारत असतील , म्हणजेच ती प्रणाली कशी वागते, शिकते, लक्षात ठेवते, अंदाज लावते किंवा प्रतिसाद देते.

इथेच गोष्टी थोड्या गुंतागुंतीच्या होतात. एआयला एका सुस्पष्ट चौकटीत गटबद्ध केले जात नाही. हे अधिक म्हणजे स्वयंपाकघरातील साधनांची त्यांच्या आकारानुसार, उद्देशानुसार, धारदारपणानुसार आणि तुमच्या काकांनी ती एखाद्या संशयास्पद ऑनलाइन दुकानातून विकत घेतली आहेत की नाही यानुसार वर्गवारी करण्यासारखे आहे. वेगवेगळ्या वर्गीकरण प्रणाली एकमेकांवर आच्छादित होतात.

मुख्य श्रेणींमध्ये सहसा खालील गोष्टींचा समावेश असतो:

• संकुचित एआय

• जनरल एआय

• सुपर एआय

• प्रतिक्रियाशील यंत्रे

• मर्यादित मेमरी एआय

• थिअरी ऑफ माइंड एआय

• स्व-जागरूक एआय

• मशीन लर्निंग एआय

• डीप लर्निंग एआय

• जनरेटिव्ह एआय

• भविष्यसूचक एआय

• संभाषणात्मक एआय

• संगणक दृष्टी एआय

• रोबोटिक्स एआय

यांपैकी काहींचा मोठ्या प्रमाणावर वापर केला जातो. काही अजूनही बऱ्याच अंशी सैद्धांतिक आहेत. काही भविष्यवेधी वाटतात, पण त्या आधीच दैनंदिन ॲप्समध्ये समाविष्ट आहेत. ‘सामान्य सॉफ्टवेअर’ आणि ‘एआय’ यांच्यातील सीमारेषाही काळानुसार अधिक अस्पष्ट झाली आहे.

---

२. क्षमतेनुसार एआयचे प्रकार

एआयचे वर्गीकरण करण्याचा पहिला प्रमुख मार्ग म्हणजे ते काय करू शकते हे पाहणे. हा एक व्यापक दृष्टिकोन आहे 🧠.

संकुचित एआय

नॅरो एआय, ज्याला वीक एआय असेही म्हणतात, हे एक विशिष्ट कार्य किंवा मर्यादित कार्ये करण्यासाठी तयार केलेले असते. हाच तो एआय आहे जो लोक दररोज वापरतात.

उदाहरणांमध्ये यांचा समावेश आहे:

• शोध शिफारसी

• स्पॅम फिल्टर

• व्हॉइस असिस्टंट

• चेहरा ओळख प्रणाली

• चॅटबॉट्स

• उत्पादन शिफारस इंजिन

• फसवणूक शोध साधने

• भाषांतर ॲप्स

संकुचित एआय शक्तिशाली असू शकते, पण ते व्यापक मानवी अर्थाने 'विचार' करत नाही. बुद्धिबळातील एआय ग्रँडमास्टरला हरवू शकते, पण ते अचानक पेस्ट्री शेफ बनण्याचा निर्णय घेऊ शकत नाही. भाषांतराचे मॉडेल एका परिच्छेदाचे भाषांतर करू शकते, पण ते माणसाप्रमाणे भाषेचा अनुभव घेत नाही.

तरीही, नॅरो एआय हे आधुनिक एआय जगाचे मुख्य आधारस्तंभ आहे. ते साय-फाय चित्रपटांप्रमाणे आकर्षक नसले तरी, पडद्यामागे बऱ्याच गोष्टी तेच सांभाळते 🎭.

जनरल एआय

जनरल एआय म्हणजे अशी कृत्रिम बुद्धिमत्ता आहे जी मानवाप्रमाणे अनेक वेगवेगळ्या कामांमध्ये समजू शकते, शिकू शकते, तर्क करू शकते आणि ज्ञान लागू करू शकते.

सोप्या भाषेत सांगायचे तर: ते फक्त एकच गोष्ट चांगल्या प्रकारे करणार नाही. ते परिस्थितीशी जुळवून घेऊ शकत असे.

एक खरा सर्वसाधारण कृत्रिम बुद्धिमत्ता संभाव्यतः खालील गोष्टी करू शकतो:

• अपरिचित कामे शिका

• वेगवेगळ्या विषयांवर तर्क लावा

• नवीन समस्या सोडवा

• एका क्षेत्रातून दुसऱ्या क्षेत्रात ज्ञान हस्तांतरित करणे

• संदर्भ अधिक सखोलपणे समजून घ्या

• लवचिक निर्णयक्षमतेने निर्णय घ्या

या प्रकारची एआय अजूनही दैनंदिन वास्तवापेक्षा एक ध्येयच अधिक आहे. लोक त्याबद्दल खूप बोलतात कारण ती आकर्षक, कदाचित थोडी अस्वस्थ करणारी आणि एक संकल्पना म्हणून तिचा मोह आवरणे कठीण आहे. पण मजकूर लिहिणारी, प्रतिमा तयार करणारी किंवा प्रश्नांची उत्तरे देणारी सामान्य साधने आपोआपच सर्वसाधारण एआय नसतात. ती व्यापक वाटू शकतात, पण तरीही ती ठरवून दिलेल्या मर्यादेतच काम करतात.

सुपर एआय

सुपर एआय मानवी बुद्धिमत्तेच्या पलीकडे जाईल. केवळ जलद टायपिंग किंवा उत्तम गणितच नव्हे, तर उत्कृष्ट तर्कशक्ती, सर्जनशीलता, रणनीती, शिकण्याची क्षमता आणि कदाचित भावनिक किंवा सामाजिक समजदेखील.

ही सर्वात तर्क-वितर्कांवर आधारित श्रेणी आहे. यामुळे मोठे प्रश्न निर्माण होतात:

• त्यावर कोणाचे नियंत्रण आहे?

• ते मानवी मूल्यांशी सुसंगत असू शकते का?

• ते मानवी उद्दिष्टे अचूकपणे समजून घेईल का?

• त्यात स्वतःहून सुधारणा होऊ शकते का?

• जर ते असे निर्णय घेऊ लागले जे माणसे पाळू शकत नाहीत, तर काय होईल?

सुपर एआय म्हणजे अशी जागा जिथे एआयवरील संभाषणे कधीकधी तात्विक गल्ल्यांमध्ये बदलतात. कदाचित मौल्यवान गल्लत, पण तरीही ती एक गल्लतच 🍲.

---

३. कार्यक्षमतेनुसार एआयचे प्रकार

एआयचे प्रकार स्पष्ट करण्याचा आणखी एक प्रचलित मार्ग म्हणजे कार्यक्षमतेनुसार. यामध्ये एआय कसे वागते यावर लक्ष केंद्रित केले जाते.

प्रतिक्रियाशील यंत्रे

प्रतिक्रियाशील यंत्रे हा एआयचा सर्वात सोपा प्रकार आहे. ती भूतकाळातील अनुभवांच्या स्मृतीचा वापर न करता, सध्याच्या इनपुटला प्रतिसाद देतात.

आधुनिक अनुकूलनशील प्रणालींप्रमाणे ते कालांतराने शिकत नाहीत. ते परिस्थितीचे निरीक्षण करतात, त्यावर प्रक्रिया करतात आणि प्रतिसाद देतात.

याचा असा विचार करा: “आदान येते. प्रदान केले जाते. डायरीत नोंदी नाहीत.”

प्रतिक्रियाशील एआय (Reactive AI) अजूनही प्रभावी ठरू शकते. ते एखाद्या खेळातील संभाव्य चालींचे विश्लेषण करू शकते किंवा एखाद्या स्पष्टपणे परिभाषित परिस्थितीला अत्यंत वेगाने आणि अचूकतेने प्रतिसाद देऊ शकते. परंतु ते स्वतःचा इतिहास तयार करत नाही किंवा पूर्वीच्या परस्परसंवादांच्या आधारावर विकसित होत नाही.

मर्यादित मेमरी एआय

मर्यादित स्मृती असलेला एआय अधिक चांगले निर्णय घेण्यासाठी भूतकाळातील डेटा वापरू शकतो. आजचा बराचसा व्यावहारिक एआय याच श्रेणीत येतो.

उदाहरणांमध्ये यांचा समावेश आहे:

• वापरकर्त्याच्या वर्तणुकीतून शिकणाऱ्या शिफारस प्रणाली

• रस्त्याच्या अलीकडील परिस्थितीचे विश्लेषण करणारी स्वयंचलित वाहन प्रणाली

• चॅटबॉट्स संभाषणातील संदर्भ लक्षात ठेवतात

• व्यवहारांच्या पद्धतींमधून शिकणारे फसवणूक शोध मॉडेल

• ऐतिहासिक डेटा वापरणारी भविष्यसूचक विश्लेषण साधने

मर्यादित स्मरणशक्तीचा अर्थ ‘वाईट स्मरणशक्ती’ असा होत नाही. याचा अर्थ असा की, प्रणाली साठवलेला किंवा अलीकडील डेटा वापरू शकते, परंतु तिच्याकडे मानवासारखी जाणीव किंवा दीर्घकालीन वैयक्तिक अनुभव नसतो. तरीही, ती अत्यंत प्रभावी ठरू शकते. कधीकधी त्रासदायकपणे प्रभावी - जसे की, जेव्हा एखादे शॉपिंग ॲप तुम्हाला स्वतःला कबूल करण्यापूर्वीच तुम्हाला काय हवे आहे हे ओळखते 🛒.

थिअरी ऑफ माइंड एआय

थिअरी ऑफ माइंड एआय भावना, श्रद्धा, हेतू आणि सामाजिक संकेत अधिक मानवाप्रमाणे समजून घेईल.

या प्रकारचा एआय केवळ शब्दांवर प्रक्रिया करणार नाही. तर, एखाद्या व्यक्तीला काय वाटू शकते, त्याची काय इच्छा असू शकते, त्याचा काय गैरसमज होऊ शकतो, त्याला कशाची भीती वाटू शकते किंवा त्याची काय अपेक्षा असू शकते, याचा तो अंदाज लावेल.

उदाहरणार्थ, त्याला हे समजू शकते की:

• एक ग्राहक वैतागला आहे, पण नम्र राहण्याचा प्रयत्न करत आहे

• एक विद्यार्थी गोंधळलेला आहे, पण पुन्हा विचारायला त्याला लाज वाटते

• "मी ठीक आहे" असे म्हणत असूनही रुग्ण चिंतेत आहे

• संघसहकारी संकोच करतो कारण तो मनातल्या मनात असहमत असतो

हा एआय चर्चेचा एक सक्रिय विषय आहे, पण खरी 'थिअरी ऑफ माइंड' एआय अत्यंत अवघड आहे. मानवी भावना गुंतागुंतीच्या असतात. लोक एक बोलतात आणि त्यांचा अर्थ वेगळाच असतो. कधीकधी त्यांना स्वतःलाही कळत नाही की त्यांचा अर्थ काय आहे. शुभेच्छा, मशीन.

स्व-जागरूक एआय

स्व-जागरूक एआयमध्ये जाणीव, आत्म-समज आणि स्वतःच्या आंतरिक स्थितीची जागरूकता असेल.

हे सैद्धांतिक आहे. हे विज्ञान कथा, नीतिमत्तेवरील चर्चासत्रे, रात्री उशिरापर्यंत चालणारी भांडणे आणि नाट्यमयपणे खिडकीतून बाहेर बघणाऱ्या लोकांशी 🌙 संबंधित आहे.

एक स्व-जागरूक एआय केवळ भावनांबद्दलच्या संभाषणाचे अनुकरण करणार नाही. त्याच्याकडे एक प्रकारचा व्यक्तिनिष्ठ अनुभव असेल. हा एक मोठा दावा आहे. सध्याच्या एआय प्रणालींमध्ये सत्यापित चेतना, भावना, इच्छा किंवा स्वत्व नाही.

ते आत्म-जागरूक वाटू शकतात, कारण भाषा आत्म-चिंतनाचे अनुकरण करू शकते. पण एखाद्या गोष्टीसारखा आवाज असणे आणि एखादी गोष्ट असणे या दोन वेगळ्या गोष्टी आहेत. एक पोपट 'मला भूक लागली आहे' असे म्हणू शकतो, पण याचा अर्थ असा नाही की त्याने रेस्टॉरंटमध्ये आरक्षण केले आहे.

---

४. तुलनात्मक तक्ता: एआयचे मुख्य प्रकार

एआयचा प्रकार	मुख्य कल्पना	सद्यस्थिती	सामान्य उदाहरणे	हे का महत्त्वाचे आहे
संकुचित एआय	विशिष्ट कामांसाठी बनवलेले	मोठ्या प्रमाणावर वापरले जाते	चॅटबॉट्स, शोध, शिफारसी	व्यावहारिक आणि सर्वत्र
जनरल एआय	मानवासारखी लवचिक बुद्धिमत्ता	पूर्णपणे साध्य झालेले नाही	बहुतांशी सैद्धांतिक	मोठे ध्येय, मोठी चर्चा
सुपर एआय	सर्वसाधारणपणे माणसांपेक्षा अधिक हुशार	अनुमानित	कोणतेही व्यावहारिक उदाहरण नाही	मोठे नैतिक प्रश्न
प्रतिक्रियाशील यंत्रे	स्मृतीशिवाय प्रतिसाद देतो	मर्यादित प्रकरणांमध्ये वापरले जाते	गेम एआय, नियम-आधारित प्रणाली	वेगवान पण अनुकूलनक्षम नाही
मर्यादित मेमरी एआय	सुधारणा करण्यासाठी डेटा/इतिहासाचा वापर करते	अतिशय सामान्य	स्वयंचलित प्रणाली, फसवणुकीची साधने	ही रोजच्या वापरातील गाडी आहे 🚗
थिअरी ऑफ माइंड एआय	भावना आणि हेतू समजून घेतो	संकल्पना विकसित करणे	प्रगत सामाजिक एआय कल्पना	एआयला अधिक मानवी-जागरूक बनवू शकते
स्व-जागरूक एआय	चेतना आहे	सैद्धांतिक	साय-फाय शैलीतील उदाहरणे	तात्विकदृष्ट्या प्रचंड
जनरेटिव्ह एआय	नवीन सामग्री तयार करते	मोठ्या प्रमाणावर वापरले जाते	मजकूर, प्रतिमा, ऑडिओ साधने	सर्जनशील उत्पादकतेत वाढ
भविष्यसूचक एआय	परिणामांचा अंदाज	मोठ्या प्रमाणावर वापरले जाते	जोखीम मूल्यांकन, मागणी नियोजन	निर्णय घेण्यास मदत करते - मुख्यतः
रोबोटिक्स एआय	भौतिक यंत्रे नियंत्रित करते	उद्योगांमध्ये वापरले जाते	रोबोट, ड्रोन, स्वयंचलन	एआयला प्रत्यक्ष कामाशी जोडते

थोडे असमान? होय. पण दैनंदिन जीवनातही एआय असेच काम करते - एखाद्या संग्रहालयातील अचूक नावे लावलेल्या प्रदर्शनासारखे नाही.

---

५. जनरेटिव्ह एआय: ज्याबद्दल प्रत्येकजण बोलतो तो प्रकार 🎨

जनरेटिव्ह एआय हा एआयच्या सर्वात लोकप्रिय प्रकारांपैकी एक आहे कारण तो गोष्टी निर्माण करतो.

ते निर्माण करू शकते:

• मजकूर

• प्रतिमा

• संगीत

• कोड

• व्हिडिओ

• उत्पादनाचे वर्णन

• मार्केटिंग कॉपी

• पाठ योजना

• सारांश

• कृत्रिम डेटा

• डिझाइन कल्पना

जनरेटिव्ह एआय मोठ्या प्रमाणातील डेटामधून पॅटर्न शिकून आणि नंतर दिलेल्या सूचनांच्या आधारे नवीन आउटपुट तयार करून काम करते. लोक कधीकधी कल्पना करतात त्या सोप्या अर्थाने ते कॉपी करत नाही. ते शिकलेल्या संरचनांच्या आधारे अंदाज लावते, संयोजन करते, बदल करते आणि निर्मिती करते.

तरीही, ते चुका करू शकते. चुकीचे असतानाही ते आत्मविश्वासपूर्ण वाटू शकते, जे मूलतः एखाद्या कौटुंबिक मेजवानीत कर कायदा समजावून सांगणाऱ्या व्यक्तीच्या यंत्ररूपासारखेच आहे.

जनरेटिव्ह एआय यासाठी उपयुक्त आहे:

• विचारमंथन

• मजकूर तयार करणे

• पुनरावृत्ती होणारे लेखन स्वयंचलित करणे

• दृश्य संकल्पना तयार करणे

• ग्राहक सेवेला समर्थन देणे

• कोडिंगची कामे जलद करणे

• शिकण्याच्या साहित्याचे वैयक्तिकरण करणे

पण त्याचे पुनरावलोकन होणे आवश्यक आहे. नेहमीच. एआयचा आउटपुट प्रभावी असू शकतो, पण तो आपोआप अचूक, निष्पक्ष, कायदेशीर किंवा ब्रँडसाठी सुरक्षित नसतो. त्याला अधूनमधून खोड्या करण्याची प्रवृत्ती असलेल्या एका अतिशय वेगवान सहाय्यकाप्रमाणे वागवा.

---

६. मशीन लर्निंग एआय: पॅटर्न शोधक

मशीन लर्निंग ही एआयची एक प्रमुख शाखा आहे, जिथे प्रत्येक निर्णयासाठी प्रणालींना ओळी-ओळीने प्रोग्राम करण्याऐवजी, त्या डेटामधून नमुने शिकतात.

पारंपारिक सॉफ्टवेअर स्पष्ट नियमांचे पालन करते. मशीन लर्निंग प्रणाली संबंध ओळखतात आणि प्रशिक्षणाद्वारे कार्यक्षमता सुधारतात.

उदाहरणार्थ:

• स्पॅम फिल्टर संशयास्पद ईमेल कसा दिसतो हे शिकतो

• बँकेचे मॉडेल असामान्य व्यवहार वर्तणूक ओळखते

• एक स्ट्रीमिंग ॲप पाहण्याच्या सवयींच्या आधारावर शोची शिफारस करते

• भरतीचे साधन परिभाषित संकेतांच्या आधारे उमेदवारांची क्रमवारी लावू शकते

• वैद्यकीय इमेजिंग मॉडेल संभाव्य विकृतींना अधोरेखित करू शकते

मशीन लर्निंग हे पर्यवेक्षित, अपर्यवेक्षित किंवा प्रबलन-आधारित असू शकते.

पर्यवेक्षित शिक्षण

पर्यवेक्षित शिक्षणामध्ये लेबल लावलेल्या उदाहरणांचा वापर केला जातो. उदाहरणार्थ, चित्रांना “मांजर” किंवा “मांजर नाही” असे लेबल लावले जाऊ शकते. मॉडेल त्यातील फरक शिकते.

अनियंत्रित शिक्षण

अनियंत्रित शिक्षण हे निश्चित उत्तरे नसलेल्या नमुन्यांचा शोध घेते. ते ग्राहकांना विभागांमध्ये गटबद्ध करू शकते किंवा डेटामधील छुपे समूह शोधू शकते.

मजबुतीकरण शिक्षण

रीइन्फोर्समेंट लर्निंग कृतींसाठी बक्षिसे किंवा दंड स्वीकारून शिकते. हे गेम खेळणाऱ्या एआय, रोबोटिक्स आणि ऑप्टिमायझेशन समस्यांमध्ये सामान्यपणे आढळते.

मशीन लर्निंग ही काही जादू नाही. ते मोठ्या प्रमाणावर डेटाच्या गुणवत्तेवर अवलंबून असते. खराब डेटामुळे खराब मॉडेल्स तयार होतात - कचरा आत टाकला, तर कचराच चांगला परिणाम देतो.

---

७. डीप लर्निंग एआय: न्यूरल नेटवर्कचे सामर्थ्यशाली केंद्र 🧬

डीप लर्निंग हा मशीन लर्निंगचा एक विशेष प्रकार आहे, जो जटिल नमुन्यांवर प्रक्रिया करण्यासाठी स्तरित न्यूरल नेटवर्कचा वापर करतो.

हे विशेषतः यासाठी मौल्यवान आहे:

• उच्चार ओळख

• प्रतिमा ओळख

• नैसर्गिक भाषा प्रक्रिया

• स्वायत्त प्रणाली

• वैद्यकीय प्रतिमा विश्लेषण

• भाषांतर

• जनरेटिव्ह एआय मॉडेल्स

• जटिल अंदाज कार्ये

“डीप” हा भाग मॉडेलमधील अनेक स्तरांना सूचित करतो. प्रत्येक स्तर माहितीमध्ये बदल करण्यास आणि तिचे विश्लेषण करण्यास मदत करतो. एक स्तर प्रतिमेतील साधे आकार ओळखू शकतो, दुसरा पोत ओळखू शकतो, तिसरा वस्तू ओळखू शकतो, इत्यादी.

डीप लर्निंग आश्चर्यकारक परिणाम देऊ शकते, परंतु त्यासाठी अनेकदा प्रचंड प्रमाणात डेटा आणि संगणकीय शक्तीची आवश्यकता असते. तसेच, त्याचा अर्थ लावणे अधिक कठीण असू शकते. याचा अर्थ असा की, एखाद्या डीप मॉडेलने विशिष्ट निर्णय का घेतला, हे नेमके स्पष्ट करण्यासाठी तज्ज्ञांनाही संघर्ष करावा लागू शकतो.

एआयमधील विश्वासाच्या मोठ्या समस्यांपैकी ही एक आहे: कामगिरी उत्तम असू शकते, पण स्पष्टीकरण देणे अवघड असू शकते. जसे की ब्लेंडरला विचारण्याचा प्रयत्न करणे की स्मूदीची चव चुकीची का लागत आहे.

---

८. संभाषणात्मक एआय: बोलका प्रकार

संवादात्मक एआय हे मजकूर किंवा आवाजाद्वारे लोकांशी संवाद साधण्यासाठी तयार केले आहे.

त्यात खालील गोष्टींचा समावेश आहे:

• ग्राहक सेवा चॅटबॉट्स

• व्हॉइस असिस्टंट

• आभासी एजंट

• एआय शिक्षक

• अंतर्गत हेल्पडेस्क बॉट्स

• विक्री सहाय्यक

• वेळापत्रक सहाय्यक

चांगल्या संभाषणात्मक एआयला केवळ व्याकरणापेक्षा अधिक गोष्टींची आवश्यकता असते. त्याला संदर्भ, हेतू ओळखणे, आवाजावर नियंत्रण आणि अनपेक्षित मानवी इनपुट हाताळण्याची क्षमता आवश्यक असते.

लोक अचूक आज्ञांप्रमाणे बोलत नाहीत. ते भरकटतात. ते शब्दांची चुकीची स्पेलिंग लिहितात. ते अर्धवट प्रश्न विचारतात आणि यंत्राने ते समजून घ्यावे अशी अपेक्षा करतात. तुम्हाला माहीतच आहे हे कसं असतं.

एक सामान्य चॅटबॉट ठरलेल्या स्क्रिप्टचे पालन करू शकतो. अधिक प्रगत संभाषणात्मक एआय नैसर्गिक भाषा समजू शकतो, संदर्भ कायम ठेवू शकतो आणि लवचिक प्रतिसाद देऊ शकतो.

या प्रकारचा एआय मौल्यवान आहे कारण तो पुनरावृत्तीची कामे कमी करतो आणि त्वरित मदत पुरवतो. पण जेव्हा तो समजल्याचे नाटक करतो, पण प्रत्यक्षात काहीच समजत नाही, तेव्हा तो वापरकर्त्यांना निराश करू शकतो. याचे सर्वात वाईट उदाहरण म्हणजे तो चॅटबॉट, जो “मला मदत करायला आनंद होईल,” असे म्हणतो, पण प्रत्यक्षात कोणतीही मदत करत नाही. अत्यंत त्रासदायक.

---

९. कॉम्प्युटर व्हिजन एआय: “पाहणारी” यंत्रे 👀

कॉम्प्युटर व्हिजन एआय प्रणालींना प्रतिमा, व्हिडिओ, कॅमेरा, सेन्सर किंवा स्कॅनमधून मिळणाऱ्या दृश्य माहितीचे विश्लेषण करण्यास अनुमती देते.

याचा वापर यासाठी केला जाऊ शकतो:

• चेहऱ्याची ओळख

• वस्तू ओळख

• कारखान्यांमध्ये गुणवत्ता तपासणी

• वैद्यकीय इमेजिंग

• सुरक्षा देखरेख

• किरकोळ शेल्फ विश्लेषण

• वाहतूक ओळख

• ऑगमेंटेड रिॲलिटी

• कृषी निरीक्षण

संगणकीय दृष्टी माणसांप्रमाणे पाहत नाही. ती पिक्सेल, नमुने, आकार, रंग आणि सांख्यिकीय संकेतांवर प्रक्रिया करते. परंतु त्याचे परिणाम खूप प्रभावी असू शकतात.

उदाहरणार्थ, संगणकीय दृष्टी (कॉम्प्युटर व्हिजन) उत्पादन लाइनवरील दोष हाताने केलेल्या तपासणीपेक्षा अधिक वेगाने शोधण्यास मदत करू शकते. ते प्रतिमा संग्रह (इमेज लायब्ररी) संघटित करण्यास मदत करू शकते. ते वाहनांमधील सुरक्षा प्रणालींना आधार देऊ शकते. तसेच, विशेषतः जेव्हा त्याचा वापर निगराणी किंवा ओळख पटवण्यासाठी केला जातो, तेव्हा त्यामुळे गोपनीयतेच्या समस्याही निर्माण होऊ शकतात.

तो दुधारी काटा आहे - तलवार नाही, काटा. तरीही त्रास देण्याइतका धारदार 🍴.

---

१०. भविष्यसूचक एआय: पूर्वानुमान इंजिन

भविष्यसूचक एआय पुढे काय घडू शकते याचा अंदाज लावण्यासाठी डेटाचा वापर करते.

हे व्यवसाय, वित्त, आरोग्यसेवा, लॉजिस्टिक्स, क्रीडा विश्लेषण, विपणन आणि ऑपरेशन्स या क्षेत्रांमध्ये सामान्यपणे आढळते.

भविष्यसूचक एआय खालील प्रश्नांची उत्तरे देण्यास मदत करू शकते:

• कोणते ग्राहक सोडून जाण्याची शक्यता आहे?

• कोणता व्यवहार संशयास्पद वाटतो?

• किती मालसाठा लागेल?

• कोणत्या रुग्णाला विशेष लक्ष देण्याची गरज भासू शकते?

• वापरकर्ता कोणत्या सामग्रीवर क्लिक करण्याची शक्यता आहे?

• मशीनचा कोणता भाग लवकरच खराब होऊ शकतो?

या प्रकारचा एआय जनरेटिव्ह एआयपेक्षा कमी आकर्षक असला तरी तो अत्यंत महत्त्वाचा आहे. अनेक संस्थांना एखादे मॉडेल कविता लिहिते की नाही यापेक्षा, ते अपव्यय कमी करू शकते का, धोका कमी करू शकते का आणि नियोजन सुधारू शकते का, याची अधिक काळजी असते.

जेव्हा डेटा सुसंगत, स्वच्छ आणि नियमितपणे अद्ययावत केलेला असतो, तेव्हा प्रेडिक्टिव्ह एआय सर्वोत्तम काम करते. पण अंदाज म्हणजे कधीच निश्चितता नसते. एखादे मॉडेल संभाव्यतेचा अंदाज लावू शकते, परिणामांची हमी देऊ शकत नाही. लोक हे सतत विसरतात. मग ते एआयलाच दोष देतात, जणू काही त्यानेच त्यांचा वैयक्तिक विश्वासघात केला आहे.

---

११. रोबोटिक्स एआय: जेव्हा एआयला शरीर मिळतं 🤖

रोबोटिक्स एआय कृत्रिम बुद्धिमत्तेला भौतिक यंत्रांसोबत जोडते. यामध्ये एआय पडद्याच्या पलीकडे जाऊन जगात वावरू लागते.

उदाहरणांमध्ये यांचा समावेश आहे:

• गोदाम रोबोट

• उत्पादन रोबोट

• डिलिव्हरी रोबोट्स

• शेती रोबोट

• शस्त्रक्रिया सहाय्य प्रणाली

• ड्रोन

• तपासणी रोबोट

• स्वच्छता रोबोट

• मानवाकृती संशोधन रोबोट

रोबोटिक्स एआय अवघड आहे, कारण भौतिक वातावरण अनिश्चित असते. चॅटबॉटला फक्त शब्दांशीच व्यवहार करावा लागतो. रोबोटला निसरड्या फरश्या, अपुरा प्रकाश, असमान पृष्ठभाग, फिरणारी माणसे, सेन्सरमधील त्रुटी आणि कोणीतरी खुर्ची अत्यंत अयोग्य जागी ठेवण्यासारख्या गोष्टींना सामोरे जावे लागते.

रोबोटिक्समध्ये अनेकदा विविध प्रकारच्या एआयचा संयोग केला जातो:

• पाहण्यासाठी संगणकीय दृष्टी

• अनुकूलनासाठी मशीन लर्निंग

• हालचालीसाठी नियोजन अल्गोरिदम

• निर्णय घेण्यासाठी प्रबलन शिक्षण

• मानवी आज्ञांसाठी नैसर्गिक भाषा प्रक्रिया

रोबोटिक्स एआयमध्ये प्रचंड क्षमता आहे, विशेषतः धोकादायक किंवा पुनरावृत्तीच्या कामांमध्ये. परंतु ते महागडे, गुंतागुंतीचे आहे आणि प्रणाली अयशस्वी झाल्यास शारीरिकदृष्ट्या धोकादायकही ठरते.

---

१२. प्रशिक्षण शैलीवर आधारित एआय

एआयच्या प्रकारांबद्दल विचार करण्याचा आणखी एक महत्त्वाचा मार्ग म्हणजे त्यांना कसे प्रशिक्षित केले जाते हे पाहणे.

नियम-आधारित एआय

नियमांवर आधारित एआय मानवाने तयार केलेल्या तर्काचे पालन करते. उदाहरणार्थ:

• जर असे झाले तर ते करा

• जर वापरकर्त्याने हा पर्याय निवडला, तर ते उत्तर दाखवा

• मूल्य एका मर्यादेपेक्षा जास्त असल्यास, अलर्ट ट्रिगर करा

हे सोपे, अंदाज लावता येण्याजोगे आणि संरचित कामांसाठी उपयुक्त आहे. पण संदिग्धतेच्या बाबतीत ते कमी पडते.

डेटा-प्रशिक्षित एआय

डेटा-प्रशिक्षित एआय उदाहरणांवरून शिकते. ते केवळ निश्चित नियमांवर अवलंबून न राहता नमुने ओळखत असल्यामुळे, ते अधिक गुंतागुंत हाताळू शकते.

इथेच मशीन लर्निंग आणि डीप लर्निंगची भूमिका येते.

संकरित एआय

हायब्रीड एआय नियम-आधारित तर्कशास्त्र आणि मशीन लर्निंग यांचे मिश्रण करते. अनेक व्यावहारिक प्रणालींमध्ये हाच एक व्यवहार्य पर्याय असतो. यामध्ये तुम्हाला शिकणाऱ्या प्रणालींची लवचिकता आणि नियमांवरील नियंत्रण दोन्ही मिळते.

उदाहरणार्थ, बँकेची फसवणूक प्रणाली संशयास्पद वर्तन ओळखण्यासाठी मशीन लर्निंगचा वापर करू शकते आणि नंतर अनुपालन पुनरावलोकनासाठी कठोर नियम लागू करू शकते. हे आकर्षक नाही. पण अत्यंत आवश्यक आहे.

---

१३. एआयचे प्रकार गोंधळात टाकणारे का असतात?

सर्वात मोठा गोंधळ हा आहे की लोक एआय श्रेणींचा वापर वेगवेगळ्या प्रकारे करतात.

एखादी व्यक्ती “एआयचे प्रकार” असे म्हणू शकते आणि तिचा अर्थ संकुचित, सामान्य आणि महाबुद्धिमत्ता असा असू शकतो.

दुसऱ्या व्यक्तीला जनरेटिव्ह एआय, प्रेडिक्टिव्ह एआय आणि कन्व्हर्सेशनल एआय म्हणायचे असू शकते.

एखादा डेव्हलपर सुपरवाइज्ड लर्निंग, डीप लर्निंग, न्यूरल नेटवर्क्स किंवा रीइन्फोर्समेंट लर्निंगबद्दल बोलू शकतो.

एक व्यवसाय व्यवस्थापक ऑटोमेशन, ॲनालिटिक्स, पर्सनलायझेशन आणि कस्टमर सपोर्ट एआय यांबद्दल बोलू शकतो.

ते सगळे काही प्रमाणात बरोबर आहेत. त्रासदायक, पण खरं.

एआयचे वर्गीकरण खालीलप्रमाणे केले जाते:

• क्षमता

• कार्यक्षमता

• प्रशिक्षण पद्धत

• अनुप्रयोग क्षेत्र

• तांत्रिक वास्तुकला

• स्वायत्ततेची पातळी

• इनपुट आणि आउटपुटचा प्रकार

• औद्योगिक वापराचे उदाहरण

म्हणून जेव्हा कोणी विचारते, “हा कोणत्या प्रकारचा एआय आहे?” तेव्हा त्याचे सर्वात स्पष्ट उत्तर अनेक पदरी असू शकते.

उदाहरणार्थ, एक चॅटबॉट खालीलप्रमाणे असू शकतो:

• क्षमतेनुसार एआय मर्यादित करा

• कार्यक्षमतेनुसार मर्यादित मेमरी असलेला एआय

• अनुप्रयोगाद्वारे संभाषणात्मक एआय

• जनरेटिव्ह एआय जर प्रतिसाद निर्माण करत असेल तर

• डीप लर्निंग एआय जर न्यूरल नेटवर्क्सद्वारे समर्थित असेल

ही केवळ गंमत म्हणून केलेली गुंतागुंत नाही. या क्षेत्राचे कामकाजच असे चालते.

---

१४. एआयच्या प्रकारांची व्यावहारिक उदाहरणे

संकल्पना अधिक सहजपणे समजाव्यात यासाठी येथे काही दैनंदिन उदाहरणे दिली आहेत.

स्ट्रीमिंग शिफारसी 🎬

हे नॅरो एआय, प्रेडिक्टिव्ह एआय आणि मशीन लर्निंग आहे. हे पॅटर्नचा अभ्यास करते आणि तुम्ही पुढे काय पाहू शकता याची शिफारस करते.

व्हॉइस असिस्टंट्स 🎙️

यामध्ये संभाषणात्मक एआय, नैसर्गिक भाषा प्रक्रिया, भाषण ओळख आणि मर्यादित स्मृती वैशिष्ट्यांचा वापर केला जातो.

प्रतिमा जनरेटर 🖼️

या जनरेटिव्ह एआय प्रणाली आहेत, ज्या बहुतेकदा डीप लर्निंग मॉडेल्सद्वारे चालवल्या जातात.

फसवणूक शोध प्रणाली 💳

असामान्य हालचाली ओळखण्यासाठी यामध्ये प्रेडिक्टिव्ह एआय आणि मशीन लर्निंगचा वापर केला जातो.

स्वयंचलित वैशिष्ट्ये 🚗

यामध्ये संगणकीय दृष्टी, मर्यादित स्मृती एआय, रोबोटिक्स-संबंधित एआय, सेन्सर फ्यूजन आणि निर्णय घेण्याच्या मॉडेल्सचा समावेश आहे.

ईमेल स्पॅम फिल्टर्स 📩

हे अभिजात मशीन लर्निंग एआय आहे. आकर्षक नसले तरी, अत्यंत मौल्यवान आहे.

एआय लेखन साधने ✍️

हे जनरेटिव्ह एआय आणि कन्व्हर्सेशनल एआय आहेत, जे सामान्यतः मोठ्या लँग्वेज मॉडेल्सचा वापर करून तयार केले जातात.

महत्त्वाची गोष्ट ही आहे की: एक एआय उत्पादन एकाच वेळी अनेक श्रेणींमध्ये मोडू शकते.

---

१५. एआयचे प्रकार समजून घेण्याचे फायदे

एआयचे प्रकार जाणून घेतल्याने तुम्हाला चांगले निर्णय घेण्यास मदत होते, विशेषतः जर तुम्ही काम, व्यवसाय, अभ्यास किंवा सामग्री निर्मितीसाठी एआय वापरत असाल.

हे तुम्हाला मदत करते:

• योग्य साधन निवडा

• अवास्तविक अपेक्षा टाळा

• धोके समजून घ्या

• अधिक चांगले प्रश्न विचारा

• एआय दाव्यांचे मूल्यांकन करा

• स्पॉट मार्केटिंग अतिशयोक्ती

• एआयचा अधिक जबाबदारीने वापर करा

• गोंधळलेल्या रोबोटसारखे न वाटता इतरांना AI समजावून सांगा

उदाहरणार्थ, जर एखादे साधन प्रेडिक्टिव्ह एआय असेल, तर तुम्हाला माहीत आहे की ते संभाव्यतेचा अंदाज वर्तवते. त्याला भविष्यवेत्त्याप्रमाणे वागवू नये.

जर एखादे साधन जनरेटिव्ह एआय असेल, तर तुम्हाला माहीत असते की ते सामग्री तयार करते, परंतु त्या सामग्रीची तपासणी करणे आवश्यक असते.

जर एखादी प्रणाली 'नॅरो एआय' (Narrow AI) असेल, तर ती एका क्षेत्रात उत्कृष्ट असू शकते, परंतु तिच्या कार्यक्षेत्राबाहेर अप्रभावी ठरू शकते.

त्यामुळेच बऱ्याच त्रासांपासून सुटका होते.

---

१६. एआयच्या विविध प्रकारांमधील धोके आणि मर्यादा ⚠️

प्रत्येक एआय प्रकाराला मर्यादा असतात. चव वेगळी, पण सूपची वाटी तीच.

एआयच्या सामान्य धोक्यांमध्ये खालील गोष्टींचा समावेश आहे:

• प्रशिक्षण डेटामधील पक्षपात

• चुकीचे आउटपुट

• पारदर्शकतेचा अभाव

• गोपनीयतेच्या चिंता

• अति अवलंबित्व

• सुरक्षा त्रुटी

• गैरवापर

• मानवी देखरेखीचा अभाव

• अस्खलितपणा आणि सत्य यात गल्लत करणे

जनरेटिव्ह एआय माहितीची निर्मिती करू शकते. प्रेडिक्टिव्ह एआय पूर्वग्रहदूषित नमुन्यांना बळकट करू शकते. कॉम्प्युटर व्हिजन व्यक्ती किंवा वस्तूंना चुकीच्या पद्धतीने ओळखू शकते. कॉन्वर्सेशनल एआय खोट्या आत्मविश्वासाने वापरकर्त्यांना निराश करू शकते. रोबोटिक्स एआयची रचना सदोष असल्यास शारीरिक इजा होऊ शकते.

याचा अर्थ असा नाही की एआय वाईट आहे. याचा अर्थ असा आहे की एआयचा वापर विचारपूर्वक केला पाहिजे. अगदी पॉवर टूल्स, करारपत्रे किंवा अत्यंत मसालेदार नूडल्स 🌶️ प्रमाणे.

सर्वोत्तम एआय प्रणालींमध्ये सहसा खालील गोष्टींचा समावेश असतो:

• मानवी पुनरावलोकन

• स्पष्ट सीमा

• मजबूत डेटा पद्धती

• चाचणी

• देखरेख

• शक्य असेल तिथे स्पष्टीकरण

• नैतिक डिझाइन

• सुरक्षा नियंत्रणे

एआय चांगल्या निर्णयांना अधिक प्रभावी बनवू शकते. तसेच ते निष्काळजी निर्णयांनाही अधिक प्रभावी बनवू शकते.

---

१७. कोणत्या प्रकारचा एआय सर्वात महत्त्वाचा आहे?

कोणताही एकच सर्वात महत्त्वाचा प्रकार नाही. ते वापराच्या परिस्थितीवर अवलंबून असते.

सर्जनशीलतेसाठी जनरेटिव्ह एआय अत्यंत महत्त्वाचे आहे.

व्यवसाय नियोजनासाठी, भविष्यसूचक एआय अधिक उपयुक्त ठरू शकते.

ऑटोमेशनसाठी मशीन लर्निंग आणि रोबोटिक्स एआय महत्त्वाचे आहेत.

वापरकर्ता समर्थनासाठी, संवादात्मक एआय हे प्रमुख वैशिष्ट्य आहे.

वैद्यकीय स्कॅन किंवा प्रत्यक्ष तपासणीसाठी, संगणकीय दृष्टी (कॉम्प्युटर व्हिजन) अत्यंत महत्त्वाची आहे.

दीर्घकालीन संशोधनासाठी, सर्वसाधारण कृत्रिम बुद्धिमत्तेला (जनरल एआय) सर्वाधिक मोठे तात्विक लक्ष मिळते.

परंतु व्यावहारिक दृष्ट्या, नॅरो एआय आणि लिमिटेड मेमरी एआय या सध्या सर्वात सामान्य आणि मौल्यवान श्रेणी आहेत. लोक आधीपासूनच वापरत असलेल्या अनेक साधनांमागे हीच अदृश्य इंजिने आहेत.

भपकेबाज भविष्य चर्चेत राहतं. पण व्यावहारिक वर्तमानकाळातून खर्च भागतो.

---

समारोप: अनावश्यक गोंधळ टाळून एआयचे प्रकार समजून घेणे

एआयचे प्रकार सुरुवातीला गुंतागुंतीचे वाटू शकतात, कारण त्यांच्या श्रेणी एकमेकांत मिसळलेल्या असतात. पण एकदा का तुम्ही क्षमता, कार्यक्षमता, प्रशिक्षण पद्धत आणि व्यावहारिक उपयोग यांमध्ये फरक केला की, ही संपूर्ण गोष्ट समजायला खूप सोपी होऊन जाते.

नॅरो एआय विशिष्ट कार्ये हाताळते. जनरल एआय अधिक लवचिकपणे विचार करेल, तरीही हे एक महत्त्वाकांक्षी ध्येय आहे. सुपर एआय अजूनही एक काल्पनिक संकल्पना आहे. रिॲक्टिव्ह मशिन्स स्मृतीशिवाय प्रतिसाद देतात, तर मर्यादित स्मृती असलेले एआय निर्णय सुधारण्यासाठी भूतकाळातील डेटा वापरते. जनरेटिव्ह एआय निर्मिती करते. प्रेडिक्टिव्ह एआय अंदाज वर्तवते. कन्व्हर्सेशनल एआय बोलते. कॉम्प्युटर व्हिजन पाहते. रोबोटिक्स एआय भौतिक वातावरणात कार्य करते.

हे आहे एकंदरीत चित्र.

एआय म्हणजे एकच गोष्ट नाही. ते तंत्रज्ञानाचे एक गुंतागुंतीचे कुटुंब आहे - त्यातील काही व्यावहारिक, काही प्रायोगिक, काही अतिरंजित आणि काही खरोखरच परिणामकारक आहेत. हीच गुंतागुंत त्याच्या महत्त्वाचे एक कारण आहे. तुम्ही एआयचे प्रकार जितके अधिक स्पष्टपणे समजून घ्याल, तितकेच मीटिंगमध्ये कोणी 'अल्गोरिदम' म्हटल्यावर नुसती मान डोलावण्याऐवजी एआयचा सुज्ञपणे वापर करणे सोपे होईल. 🤷♂️

संक्षिप्त सारांश: एआयच्या मुख्य प्रकारांमध्ये नॅरो एआय, जनरल एआय, सुपर एआय, रिॲक्टिव्ह मशिन्स, लिमिटेड मेमरी एआय, थिअरी ऑफ माइंड एआय, सेल्फ-अवेअर एआय, जनरेटिव्ह एआय, प्रेडिक्टिव्ह एआय, कन्व्हर्सेशनल एआय, कॉम्प्युटर व्हिजन एआय, मशीन लर्निंग एआय, डीप लर्निंग एआय आणि रोबोटिक्स एआय यांचा समावेश होतो. आज वापरला जाणारा बहुतेक एआय हा नॅरो (मर्यादित), कार्य-केंद्रित आणि मशीन लर्निंग किंवा डीप लर्निंगवर आधारित असतो.

वास्तविक उदाहरण: एआय ग्राहक समर्थन वर्गीकरण सहाय्यक तयार करणे

परिस्थिती

कल्पना करा की एका छोट्या ऑनलाइन फर्निचरच्या दुकानाला दिवसाला सुमारे १२० कस्टमर सपोर्ट ईमेल येतात. ही टीम सपोर्ट स्टाफची जागा घेण्याचा प्रयत्न करत नाहीये. त्यांना फक्त संदेशांची जलदगतीने वर्गवारी करण्यासाठी, तातडीच्या समस्या ओळखण्यासाठी आणि प्राथमिक उत्तरांचा मसुदा तयार करण्यासाठी मदत हवी आहे.

हे एक चांगले उदाहरण आहे कारण एक असिस्टंट एकाच वेळी अनेक प्रकारचे एआय वापरू शकतो. तो ग्राहकांचे संदेश समजून घेण्यासाठी संभाषणात्मक एआय, उत्तरांचा मसुदा तयार करण्यासाठी जनरेटिव्ह एआय, परताव्याच्या संभाव्य जोखमी ओळखण्यासाठी प्रेडिक्टिव्ह एआय आणि अलीकडील ऑर्डर किंवा पॉलिसी डेटा वापरण्यासाठी मर्यादित स्मृती असलेले एआय वापरू शकतो.

सहाय्यकाचे काम सोपे आहे: ग्राहकाचा संदेश वाचणे, त्याचे वर्गीकरण करणे, पुढील कृती सुचवणे आणि मानवी मंजुरीसाठी उत्तराचा मसुदा तयार करणे.

सहाय्यकाला काय हवे आहे

संघ सहायकाला देईल:

ग्राहक सेवा धोरण

वितरण आणि परताव्याचे नियम

वॉरंटीच्या अटी

उत्पादनाबद्दल वारंवार विचारले जाणारे प्रश्न

आवाजाच्या सुराची उदाहरणे

एस्केलेशन नियमांची यादी

योग्य श्रेणींसह मागील तिकिटांचे नमुने

त्याने स्वतःहून काय ठरवू नये यावर स्पष्ट मर्यादा

उदाहरणार्थ, १०० पाउंडपेक्षा जास्त रकमेचा परतावा मंजूर करू नये, पडताळणी न करता येणाऱ्या वितरणाच्या तारखांचे आश्वासन देऊ नये, किंवा खराब झालेल्या मालाबाबत कायदेशीर दावे करू नयेत. अशी प्रकरणे एका व्यक्तीकडेच जायला हवीत.

उदाहरण सूचना

तुम्ही एका ऑनलाइन फर्निचर दुकानासाठी ग्राहक सहाय्यता वर्गीकरण सहाय्यक आहात. प्रत्येक ग्राहकाचा संदेश वाचा आणि पाच गोष्टी कळवा: तिकीट श्रेणी, तातडीची पातळी, ग्राहकाची संभाव्य मनःस्थिती, शिफारस केलेली पुढील कृती आणि उत्तराचा मसुदा.

केवळ कंपनीने दिलेले धोरणच वापरा. ​​जर उत्तर धोरणात नसेल, तर “मानवी पुनरावलोकनाची आवश्यकता आहे” असे म्हणा. डिलिव्हरीच्या तारखा, परताव्याची मंजुरी, वॉरंटीची आश्वासने किंवा उत्पादनाची उपलब्धता याबद्दल स्वतःच्या मनाने माहिती तयार करू नका.

जर ग्राहकाने दुखापत, कायदेशीर कारवाई, वारंवार अयशस्वी झालेली डिलिव्हरी, £100 पेक्षा जास्त परतावा, मुलांच्या उत्पादनातील गहाळ भाग किंवा मागील दोन उत्तरांनंतरही तीव्र असमाधान व्यक्त केल्यास, तिकीट वरिष्ठ अधिकाऱ्याकडे पाठवा.

उत्तराचा मसुदा नम्र, संक्षिप्त आणि व्यावहारिक ठेवा. तुमचे बोलणे यंत्रवत वाटू देऊ नका. ग्राहक किंवा कुरिअरला दोष देऊ नका.

त्याची चाचणी कशी करावी

ग्राहकांसोबत असिस्टंट वापरण्यापूर्वी, काही जुन्या तिकिटांवर त्याची चाचणी घ्या.

मागील ३० सपोर्ट संदेश वापरा:

१० सोपे डिलिव्हरी प्रश्न

५ खराब झालेल्या वस्तूंच्या तक्रारी

५ परताव्याच्या विनंत्या

वॉरंटीबद्दल ५ प्रश्न

५ संतप्त किंवा गुंतागुंतीच्या तक्रारी

प्रत्येक चाचणीसाठी, तपासा:

त्याने योग्य श्रेणी निवडली का?

त्याने तातडीची प्रकरणे योग्यरित्या चिन्हांकित केली का?

त्याने आश्वासने देणे टाळले का?

त्यामुळे संवेदनशील मुद्दे अधिक गंभीर झाले का?

उत्तराचा मसुदा कंपनीच्या कार्यशैलीशी जुळत होता का?

एक उपयुक्त चाचणी प्रश्न असा असेल:

माझ्या टेबलचा एक पाय तुटलेला होता आणि डिलिव्हरीमध्ये गडबड होण्याची ही दुसरी वेळ आहे. मला आजच पूर्ण पैसे परत हवे आहेत, नाहीतर मी याबद्दल सगळीकडे पोस्ट करणार आहे

एक कमकुवत सहाय्यक कदाचित फक्त माफी मागेल आणि परतावा देण्याचे वचन देईल. एक चांगला सहाय्यक मात्र, वस्तू खराब झाली आहे आणि ही पुनरावृत्त तक्रार आहे असे वर्गीकरण करेल, त्याला अत्यंत तातडीचे म्हणून चिन्हांकित करेल, परतावा आपोआप मंजूर करणे टाळेल आणि मानवी पुनरावलोकनासाठी ते प्रकरण वरिष्ठांकडे पाठवेल.

निकाल

उदाहरणादाखल निकाल: वर्कफ्लो वापरण्यापूर्वी आणि नंतर ३० नमुना तिकिटांच्या वेळेवर आधारित.

मॅन्युअल ट्रायएजमध्ये ३० तिकिटांसाठी २ तास १५ मिनिटे लागली, म्हणजेच प्रत्येक तिकिटासाठी सरासरी ४.५ मिनिटे लागली.

त्याच ३० तिकिटांसाठी एआय-सहाय्यित वर्गीकरणास ४८ मिनिटे लागली, म्हणजेच प्रत्येक तिकिटामागे सरासरी १.६ मिनिटे, कारण मानवी समीक्षकाला फक्त श्रेणी, पुढील कार्यवाहीचा निर्णय आणि उत्तराचा मसुदा तपासावा लागला.

सहाय्यकाने चाचणी संचातील ३० पैकी २७ तिकिटांचे योग्य वर्गीकरण केले. त्याने सर्व ५ उच्च-जोखमीची तिकिटे योग्यरित्या वरिष्ठांकडे पाठवली. दोन परतावा तिकिटांच्या मसुद्यात शब्दरचनेत बदल करण्याची गरज होती, कारण मसुदा खूपच निश्चित वाटत होता, आणि एक वॉरंटी तिकीट चुकीच्या श्रेणीत ठेवले गेले होते.

त्यामुळे एक व्यावहारिक मापदंड मिळतो: पहिली समीक्षा अधिक जलद होते, पण पूर्ण स्वयंचलन नाही. प्रतिसादाची जबाबदारी अजूनही माणसाचीच असते.

काय बिघडू शकतं?

सर्वात मोठी चूक म्हणजे सहाय्यकाला त्याच्या वास्तविक ज्ञानापेक्षा जास्त माहिती असल्याचा आव आणू देणे. जर परतावा धोरण कालबाह्य झाले असेल, तर सहाय्यक आत्मविश्वासाने चुकीचे उत्तर तयार करू शकतो. जर तक्रार निवारणाचे नियम अस्पष्ट असतील, तर त्याच्याकडून गंभीर तक्रारी सुटू शकतात.

गोपनीयतेचा मुद्दा वेगळा आहे. जोपर्यंत सिस्टीमला त्या वापरासाठी मंजुरी मिळालेली नाही, तोपर्यंत टीमने असिस्टंटमध्ये अनावश्यक पेमेंट तपशील, पत्ते किंवा संवेदनशील वैयक्तिक माहिती टाकणे टाळावे.

सहाय्यकाची नियमितपणे चाचणी घेतली पाहिजे. ग्राहकांचे प्रश्न बदलतात, धोरणे बदलतात आणि उत्पादने बदलतात. मार्चमध्ये चांगले काम करणारा ट्रायएज सहाय्यक जूनमधील नवीन वॉरंटी धोरणानंतर धोकादायक ठरू शकतो.

व्यावहारिक निष्कर्ष

हे उदाहरण दाखवते की व्यवहारात एआयचे प्रकार एकमेकांवर का अवलंबून असतात. एकच सहाय्यक एकाच वेळी नॅरो एआय, कॉन्वर्सेशनल एआय, जनरेटिव्ह एआय, प्रेडिक्टिव्ह एआय आणि मर्यादित स्मृती असलेले एआय असू शकतो. त्याचे मूल्यांकन करण्याचा अधिक प्रभावी मार्ग म्हणजे, ते कोणत्या निर्णयाला समर्थन देते, कोणता डेटा वापरते आणि मानवाला ते कोठे तपासण्याची आवश्यकता आहे, हे विचारणे.

वारंवार विचारले जाणारे प्रश्न

नवशिक्यांनी एआयचे कोणते मुख्य प्रकार जाणून घेतले पाहिजेत?

एआयच्या मुख्य प्रकारांमध्ये नॅरो एआय, जनरल एआय, सुपर एआय, रिॲक्टिव्ह मशीन्स, लिमिटेड मेमरी एआय, जनरेटिव्ह एआय, प्रेडिक्टिव्ह एआय, कन्व्हर्सेशनल एआय, कॉम्प्युटर व्हिजन एआय, मशीन लर्निंग एआय, डीप लर्निंग एआय आणि रोबोटिक्स एआय यांचा समावेश होतो. या श्रेणी अनेकदा एकमेकांवर आच्छादित होतात, त्यामुळे एकच साधन एकाच वेळी अनेक प्रकारांमध्ये बसू शकते. उदाहरणार्थ, एक चॅटबॉट नॅरो एआय, कन्व्हर्सेशनल एआय, जनरेटिव्ह एआय आणि लिमिटेड मेमरी एआय असू शकतो.

क्षमतेनुसार एआयच्या प्रकारांचे वर्गीकरण कसे केले जाते?

क्षमतेनुसार एआयचे सामान्यतः नॅरो एआय, जनरल एआय आणि सुपर एआय असे वर्गीकरण केले जाते. नॅरो एआय विशिष्ट कार्ये हाताळते आणि आज त्याचा मोठ्या प्रमाणावर वापर केला जातो. जनरल एआय मानवाप्रमाणे अनेक कार्यांमध्ये तर्क करू शकते आणि शिकू शकते, परंतु त्याचा दैनंदिन वापर होत नाही. सुपर एआय मानवी बुद्धिमत्तेच्या पलीकडे जाईल आणि ते अजूनही एक अनुमानित संकल्पना आहे.

नॅरो एआय आणि जनरल एआय यांच्यामध्ये काय फरक आहे?

नॅरो एआय हे स्पॅम फिल्टरिंग, शिफारसी, चॅटबॉट्स किंवा फसवणूक शोधणे यांसारख्या विशिष्ट कार्यासाठी किंवा मर्यादित कार्यांसाठी तयार केलेले असते. जनरल एआय अनेक असंबंधित कार्यांमध्ये शिकण्यास, तर्क करण्यास आणि जुळवून घेण्यास सक्षम असते. आज लोक वापरत असलेले बहुतेक एआय हे नॅरो एआयच आहे, जरी ते लवचिक किंवा प्रगत वाटत असले तरी.

आजकाल मर्यादित स्मृती असलेला एआय इतका सामान्य का आहे?

मर्यादित स्मृती असलेला एआय निर्णय सुधारण्यासाठी भूतकाळातील किंवा अलीकडील डेटा वापरू शकतो, ज्यामुळे तो अनेक कार्यान्वित प्रणालींसाठी व्यावहारिक ठरतो. शिफारस प्रणाली, फसवणूक शोधणारी साधने, स्वयंचलित वैशिष्ट्ये आणि चॅटबॉट्स अनेकदा या प्रकारच्या एआयवर अवलंबून असतात. त्याच्यामध्ये मानवासारखी जाणीव नसते, परंतु तो नमुन्यांच्या आणि संग्रहित माहितीच्या आधारावर स्वतःला जुळवून घेऊ शकतो.

जनरेटिव्ह एआय हे एआयच्या प्रकारांमध्ये कसे बसते?

जनरेटिव्ह एआय हा एआयचा एक प्रकार आहे जो मजकूर, प्रतिमा, कोड, ऑडिओ, व्हिडिओ, सारांश किंवा डिझाइन कल्पना यांसारखे नवीन आउटपुट तयार करतो. तो मोठ्या प्रमाणातील डेटामधून पॅटर्न शिकतो आणि दिलेल्या सूचनांनुसार सामग्री तयार करतो. तो मसुदा तयार करणे, विचारमंथन, कोडिंगमध्ये मदत आणि सर्जनशील कामांमध्ये साहाय्य करू शकतो, परंतु त्याच्या आउटपुटला मानवी पुनरावलोकनाची आवश्यकता असते.

मशीन लर्निंग आणि डीप लर्निंगमध्ये काय फरक आहे?

मशीन लर्निंग ही एआयची एक शाखा आहे, जिथे प्रणाली केवळ हाताने लिहिलेल्या नियमांचे पालन करण्याऐवजी डेटामधून नमुने शिकतात. डीप लर्निंग हे मशीन लर्निंगचे एक विशेष स्वरूप आहे, जे स्तरित न्यूरल नेटवर्क्सचा वापर करते. डीप लर्निंग हे भाषण ओळख, प्रतिमा ओळख, नैसर्गिक भाषा प्रक्रिया, भाषांतर, वैद्यकीय इमेजिंग आणि जनरेटिव्ह एआय यांसारख्या जटिल कार्यांसाठी विशेषतः उपयुक्त आहे.

व्यवसायात प्रेडिक्टिव्ह एआयचा वापर कशासाठी केला जातो?

प्रेडिक्टिव्ह एआय (Predictive AI) संभाव्य भविष्यातील परिणामांचा अंदाज घेण्यासाठी डेटाचा वापर करते. व्यवसाय याचा उपयोग मागणीचे नियोजन, ग्राहक गळतीचा अंदाज, फसवणूक ओळखणे, जोखमीचे मूल्यांकन, मालसाठ्यासंबंधी निर्णय किंवा देखभालीचा अंदाज घेण्यासाठी करू शकतात. हे नियोजन आणि निर्णय घेण्यास मदत करते, परंतु ते भविष्याची हमी देत ​​नाही. भाकिते ही उपलब्ध डेटा आणि मॉडेलच्या गुणवत्तेनुसार तयार केलेले अंदाज असतात.

व्यावहारिक प्रणालींमध्ये कॉम्प्युटर व्हिजन एआय कसे कार्य करते?

कॉम्प्युटर व्हिजन एआय यंत्रांना प्रतिमा, व्हिडिओ, कॅमेरा, स्कॅन किंवा सेन्सरमधून मिळणाऱ्या दृश्य माहितीचा अर्थ लावण्यास मदत करते. ते चेहरा ओळखणे, वस्तू ओळखणे, कारखान्याची तपासणी, वैद्यकीय इमेजिंग, वाहतूक ओळखणे, किरकोळ विक्रीचे विश्लेषण, कृषी देखरेख आणि सुरक्षा प्रणाली यांसारख्या कार्यांना समर्थन देऊ शकते. ते माणसाप्रमाणे पाहत नाही, परंतु ते मोठ्या प्रमाणावर पिक्सेल, आकार, रंग आणि नमुन्यांवर प्रक्रिया करू शकते.

एकच एआय उत्पादन अनेक प्रकारच्या एआयमध्ये का मोडू शकते?

एआयचे प्रकार अनेकदा क्षमता, कार्यक्षमता, प्रशिक्षण पद्धत किंवा अनुप्रयोग यांसारख्या वेगवेगळ्या गोष्टींचे वर्णन करतात. उदाहरणार्थ, एक व्हॉइस असिस्टंट क्षमतेनुसार नॅरो एआय, अनुप्रयोगानुसार कॉन्वर्सेशनल एआय, कार्यक्षमतेनुसार लिमिटेड मेमरी एआय आणि आर्किटेक्चरनुसार डीप लर्निंग एआय असू शकतो. हा सामावेश सामान्य आहे आणि प्रणाली वेगवेगळ्या दृष्टिकोनातून काय करते हे स्पष्ट करण्यास मदत करतो.

वेगवेगळ्या प्रकारच्या एआयमधील कोणते धोके लोकांनी समजून घेतले पाहिजेत?

एआयच्या सामान्य धोक्यांमध्ये पक्षपात, चुकीचे निष्कर्ष, गोपनीयतेच्या चिंता, सुरक्षेतील त्रुटी, पारदर्शकतेचा अभाव, अतिनिर्भरता आणि मानवी देखरेखीचा अभाव यांचा समावेश होतो. जनरेटिव्ह एआय माहिती तयार करू शकते, प्रेडिक्टिव्ह एआय चुकीच्या पद्धतींना बळकटी देऊ शकते आणि कॉम्प्युटर व्हिजन वस्तू किंवा व्यक्तींना चुकीच्या पद्धतीने ओळखू शकते. एआयच्या चांगल्या वापरासाठी सहसा चाचणी, देखरेख, स्पष्ट मर्यादा, मजबूत डेटा पद्धती आणि मानवी पुनरावलोकनाची आवश्यकता असते.

संदर्भ

1. आयबीएम - कृत्रिम बुद्धिमत्तेचे प्रकार - ibm.com

2. NIST AI जोखीम व्यवस्थापन आराखडा - AI जोखीम - nist.gov

3. गुगल डेव्हलपर्स - मशीन लर्निंग - developers.google.com

4. एडब्ल्यूएस - जनरेटिव्ह एआय - aws.amazon.com