雜交預測性AI和生成AI的5種方法

解決方案？生成的AI（Genai）和預測性AI可以相互增強彼此的能力。

Genai在可靠性方面掙扎。例如，儘管將近四分之三的律師打算在其工作中利用Genai，但他們的AI工具至少在六分之一的時間裡經歷了幻覺。

另一方面，預測性AI面臨著可用性的挑戰。儘管在增強大規模業務運營方面取得了長期的成功，但它僅涉及其潛力的一小部分，因為部署它要求利益相關者必須具有半技術性的理解。

這兩種類型的AI（本質上是兩類機器學習用例）有望解決彼此的缺點。這是他們可以有效協作的五種方法。

1。對Genai的預測性干預

預測性AI可以實現原本無法實現的目標：實現Genai對自治的雄心勃勃的承諾，或者至少有很大一部分。通過確定需要人干預的案例，原本不可靠的Genai系統可以獲得廣泛部署的必要信任。

考慮一個基於Genai的問答系統。當這種系統僅限於回答有關幾頁信息的問題時，這些系統可以可靠，但是在更廣泛的系統中，它們的性能受到質疑。假設系統可靠95％，這意味著用戶在5％的時間內收到錯誤或有問題的信息。這通常使其無法進行部署。

該解決方案在於預測干預。如果預測AI確定了15％的案件最有可能在人類審查中是有問題的，那麼這可能會將有問題的內容的速度降低到可接受的1％。

有關更多信息，請參閱此《福布斯》文章，在這裡我深入研究這種方法。

剩下的四種整合預測性和生成性AI的方法在相反的方向上有助於：Genai使預測性AI更加用戶友好，易於訪問。

2。聊天機器人預測助理AI

Genai可以訪問每個人，因為它響應了人類語言提示，但是普通業務用戶不容易訪問預測性AI。為了利用它，業務專業人員需要支持數據科學家的支持，並對機器學習模型如何增強運營的方式進行半技術性的理解。由於通常缺乏這種理解，因此即使有可用的數據科學家，大多數預測性AI項目也無法部署。

AI聊天機器人可以彌合此差距。配置正確，它為企業用戶提供了一個虛擬，直接的數據科學家，該科學家指導項目並回答有關預測性AI的任何問題。它充當助手和思想夥伴，澄清，闡明，提出建議，並回答無盡的問題，而沒有用戶感到他們正在困擾或提出“愚蠢的問題”。

例如，對於使用預測性AI的營銷項目，我詢問了一個備受推薦的聊天機器人（由人類的Claude Sonnet 3大語言模型提供動力），以“使用一個故事的10歲兒童”來解釋利潤曲線。它以迷人且容易理解的描述對營銷檸檬水攤位時所面臨的退貨降低的描述。

有關更多信息，請參閱此《福布斯》文章，在其中我更詳細地探討了聊天機器人的這種使用。

3。編碼預測性AI

一個有趣的故事。儘管我是一名數據科學家已有30多年了，但我對思想領導力的關注使我遠離動手實踐了這麼長時間，直到最近，我從未使用過Scikit-Learn，這已經成為機器學習的領先開源解決方案。

但是，在Genai時代，入門非常容易。 I simply asked an LLM, "Write Python code to use scikit-learn to split the data into a training set and test set, train a random forest model, and then evaluate the model on the test set. For the training data, load a (local) file 'XYZ.csv'. The dependent variable is called 'isFraud'. Include clear comments on every line. Ensure your code can be used within Jupyter notebooks and include any necessary 'import' lines."

它起作用。此外，生成的代碼是各種用途的教程，消除了我對Scikit-Learn文檔進行篩選的需求（這可能很乏味！）。

有關更多信息，該方法將在機器學習周培訓研討會上介紹，“預測模型的自動化建築：預測性AI生成性AI”，計劃於2025年6月5日。

4。產生預測功能

由於LLM在處理人類語言方面表現出色 - 自然語言處理的領域，也稱為處理非結構化數據 - 它們可能會超過某些語言密集型任務的標準機器學習方法，例如檢測錯誤信息或分析在線評論的情感。

為了創建概念驗證，我們利用了一個斯坦福項目，該項目在不同的基準測試中測試了各種LLM，其中包括一個測量模型可以確定給定語句是真實還是錯誤的頻率的項目。在某些業務假設下，正如本《福布斯》文章中詳細介紹的，由此產生的檢測功能被證明是有價值的。

更廣泛的是，LLM不僅是作為完整的預測模型，還可以更適合特徵工程 - 將非結構化數據字段轉換為可以用作預測模型的輸入的功能。例如，Dataiku使用戶（通常是數據科學家）可以選擇要使用的LLM以及執行哪些任務，例如情感分析。另一個示例是粘土，它使用LLM從整個Web中得出新的模型輸入。幾十年來，NLP一直用於將非結構化數據轉換為結構化數據，然後可以通過標準的機器學習方法將其使用。為此，LLM代表了NLP的更高級形式。

5。大數據庫模型

儘管LLM一直在引起波浪，但另一種出現的AI趨勢正在悄悄地獲得吸引力：大型數據庫模型。

LDMS通過利用世界其他主要數據來源：企業數據庫來補充LLMS。 LLM並沒有利用諸如書籍，文檔和網絡本身之類的大量人類寫作，而不是利用公司的表格數據。

瑞士最古老的私人保險公司瑞士動員僱用了LDMS來推動預測性AI項目。他們的系統通知銷售人員關閉新客戶的可能性，使他們可以相應地調整其建議的保險報價。部署的系統導致銷售大幅增加。

瑞士動員將在2025年的機器學習周中介紹這些結果。有關更多詳細信息，另請參閱我的《大型數據庫模型》中的《福布斯》文章。

混合AI作為AI炒作的解毒劑

預測AI和Genai是相互依存的。整合兩者將解決他們各自的問題，擴大AI從業者可用的工具和方法的生態系統，並將目前零散的領域匯總到更具凝聚力的領域。

最重要的是，這些混合方法將通過專注於項目成果而不是將任何單一技術方法視為治療方法，將AI值優先於AI炒作。

幾週後，我將在2025年6月2日至5日在亞利桑那州鳳凰城的機器學習週上發表有關此主題“五種雜交預測和生成AI的方法”的主題演講。除了我的主題演講外，會議還將在組織如何應用這種混合方法的整個會議上進行整個課程。您還可以查看我在此在線活動中提供的有關此主題的演示文稿的檔案。

以上是雜交預測性AI和生成AI的5種方法的詳細內容。更多資訊請關注PHP中文網其他相關文章！