Une IA Qui Accomplit Vos Tâches Et Une IA Qui Comprend Vos Schémas Résolvent Des Problèmes Complètement Différents, Même Si Elles Se Ressemblent De L'extérieur
De l'extérieur, une IA qui accomplit efficacement des tâches et une IA qui reconnaît le schéma comportemental récurrent d'une personne peuvent se ressembler — les deux sont décrites comme « utiles », toutes deux traitent les informations d'une personne, toutes deux répondent en langage naturel. La ressemblance est superficielle ; les problèmes sous-jacents résolus n'ont presque rien en commun.
Une IA qui accomplit des tâches résout un problème d'exécution : étant donné une demande, produire efficacement le résultat correct. Une IA qui comprend les schémas résout un problème de reconnaissance : étant donné un comportement dispersé dans le temps, identifier la structure récurrente en dessous. Celles-ci exigent des données différentes, des horizons temporels différents, et des critères de succès différents — l'une est jugée sur la qualité d'un seul résultat, l'autre sur le fait qu'un schéma réel, auparavant non remarqué, émerge ou non.
Confondre les deux mène à une déception précise et courante : s'attendre à ce qu'une IA très capable d'accomplir des tâches livre aussi de la reconnaissance de schéma, alors que rien dans sa conception ne visait réellement ce problème, puis lire son échec à le faire comme une limitation générale de l'IA plutôt qu'un décalage entre l'outil et le travail précis demandé.
Les deux sont légitimement « de l'IA qui aide », et les traiter comme le même type d'aide crée des attentes qu'aucune des deux n'a été construite pour satisfaire. Savoir quel problème est réellement résolu est la première étape pour savoir quel type d'IA vous avez réellement besoin.
Fait partie de Explain Ori →
Momar Lissa Ndiaye (« MLN ») est le fondateur et CEO de weyoga Inc., société du Delaware. — weyoga.ai · mln@weyoga.ai