復合人工智能：企業使用AI成功的關鍵

　　近日， Dynatrace 發布一份全球報告顯示，隨著對 AI 的投資不斷增加，“復合 AI”將成為企業成功運用AI的關鍵因素。Dynatrace 指出，盡管 83% 的技術領導者認為 AI 是必不可少的，但 95% 的人認為，如果有其他類型的 AI 來協助，生成式 AI(GenAI)會更有效果。

　　該報告認為，企業需要采用一種復合的人工智能方式，也就是說組織要把多種類型的人工智能結合在一起。這些可能包括 GenAI、預測性和/或因果性 AI，以及來自可觀察性、安全性和業務事件等不同的數據源。這種方式可以實現更高層次的推理，并讓人工智能的輸出更加準確、相關和有意義。

　　由此可見，人工智能并不是一種簡單的技術，它涉及到多種類型、方法、數據和場景，每一種都有其優勢和局限。要想充分發揮人工智能的潛力，單一的人工智能技術是不夠的，需要將不同的人工智能技術和數據源相結合，以提供更高級的推理，以及更準確、更有意義和更有上下文的人工智能輸出。這就是復合人工智能(composite AI)的概念，它是指組合多種類型的人工智能，如生成型、預測型和因果型，以及不同的數據源，如可觀察性、安全性和業務事件。復合人工智能是企業成功采用人工智能的關鍵因素，因為它可以幫助企業解決復雜的問題，提供更有價值的解決方案，以及更好地適應不斷變化的環境。

　　本文基于Dynatrace的一項全球報告來分析復合人工智能的概念、應用和價值，以及復合人工智能的優勢和挑戰。目的是為了我們更好地了解復合人工智能的重要性和潛力，以及如何有效地采用復合人工智能，以提升企業的競爭力和創新力。

　　01 復合人工智能的概念

　　眾所周知，人工智能是一門涉及到計算機科學、數學、統計學、心理學、哲學等多個學科的交叉學科，它讓計算機或機器具有類似于人類的智能，如感知、理解、學習、推理、決策、創造等。人工智能的研究和發展已經有了幾十年的歷史，期間經歷了多次的興衰和變革，形成了多種類型、方法、數據和場景的人工智能技術，每一種都有其優勢和局限。

　　近來發展迅猛的生成型人工智能(generative AI)是利用深度學習等技術，從數據中生成新的內容，如文本、圖像、音頻等。生成型人工智能的優勢是可以幫助我們創建新的產品和服務，如虛擬助理、個性化推薦、智能內容等。生成型人工智能的局限是可能存在不準確、不合理或不道德的問題，如生成的內容與事實不符、違反常識或傷害他人的感情等。

　　預測型人工智能(predictive AI)的發展歷史可以追溯到 20 世紀 50 年代，當時出現了第一批統計學習理論和機器學習算法。預測型人工智能利用統計學習等技術，從數據中發現規律和趨勢進行分類、回歸、聚類等。預測型人工智能的優勢是可以幫助我們優化現有的產品和服務，比如性能監控、故障預測、異常檢測等。預測型人工智能的局限是預測的結果與實際不符、受到噪聲或異常的影響或缺乏可解釋性等。

　　因果型人工智能(causal AI)是一種利用數據和算法來推斷因果關系的人工智能。它可以幫助組織理解數據背后的原因和效果，從而進行更好的決策和干預。因果型人工智能的一些應用領域包括醫療、社會科學、經濟學、教育、政策制定等。因果型人工智能的核心概念是因果圖，它是一種用節點和箭頭表示變量和因果關系的圖形模型。因果圖可以用來表示數據生成的機制，以及如何通過干預或實驗來改變數據的分布。因果圖還可以用來回答因果問題，如“如果我做了這個，會發生什么?”或“為什么這個變量會影響那個變量?”

　　除了不同類型的人工智能技術，還有不同的數據源，如可觀察性、安全性和業務事件?？捎^察性數據是指與應用程序性能、軟件開發和安全實踐、IT基礎設施和用戶體驗相關的數據。安全性數據是指與網絡安全、數據保護和隱私合規相關的數據。業務事件數據是指與業務流程、交易、客戶行為和滿意度相關的數據。不同的數據源可以提供不同的信息和價值，也有不同的質量、安全和隱私的要求和挑戰。

　　復合人工智能是指將不同類型的人工智能技術和數據源相結合，以提供更高級的推理，以及更準確、更有意義和更有上下文的人工智能輸出。復合人工智能可以幫助我們解決復雜的問題，提供更有價值的解決方案，以及更好地適應不斷變化的環境。復合人工智能的核心是利用不同的人工智能技術和數據源的優勢，彌補不同的人工智能技術和數據源的局限，實現人工智能技術和數據源的協同和互補。

　　02 復合人工智能的集成和調整

　　復合人工智能的集成和調整是將不同類型的人工智能技術和數據源相結合，以提供更高級的推理，以及更準確、更有意義和更有上下文的人工智能輸出。復合人工智能的集成和調整需要考慮多個方面，如人工智能的目標、范圍、方法、數據的質量、安全和隱私、以及人工智能的評估和監督等。所以需要一些基本的概念和原則。

　　目標是人工智能要解決的問題或實現的功能，如診斷、預測、生成、推薦等。人工智能的目標決定了人工智能的輸出的類型、格式和內容，以及人工智能的輸出的價值和影響。人工智能的目標應該是明確、具體、可量化和可達成的，以便于人工智能的設計、實現和評估。

　　還需要設定要涉及的領域或場景，如醫療、教育、金融、制造等。人工智能的范圍決定了人工智能的輸入和輸出的來源、特點和要求，以及人工智能的輸入和輸出的復雜性和難度。人工智能的范圍應該是適當、合理、可行和可擴展的，以便于人工智能的獲取、處理和應用。

　　選擇的方法是人工智能要采用的技術或算法，如生成型、預測型和因果型人工智能，以及深度學習、統計學習、因果推理等。方法決定了人工智能的輸出的質量、可靠性和可解釋性，以及人工智能的輸出的優勢和局限。人工智能的方法應該是合適、有效、創新和可改進的，以便于人工智能的優化、驗證和更新。

　　數據的質量是指數據的準確性、完整性、一致性、時效性和相關性等。數據的質量影響了人工智能的輸出的準確性、合理性和道德性，以及人工智能的輸出的信任度和可接受度。數據的質量應該是高、穩、清和新的，以便于人工智能的學習、推理和生成。

　　還要考慮數據的安全和隱私，也是數據的保護和合規，包括數據的加密、授權、審計、備份、刪除等。數據的安全和隱私影響了人工智能的輸出的安全性、合法性和責任性，以及人工智能的輸出的風險和后果。數據的安全和隱私應該是強、嚴、規和法的，以便于人工智能的防范、應對和糾正。

　　重要的是人工智能的評估和監督，對人工智能的輸出進行檢驗和改進，包括人工智能的輸出的測試、評價、反饋、監控等。人工智能的評估和監督影響了人工智能的輸出的效率和效果，以及人工智能的輸出的創新和發展。人工智能的評估和監督應該是持續、全面、客觀和及時的，以便于人工智能的調整、優化和更新。

　　復合人工智能的集成和調整是一個涉及到多個方面的過程，以提供更高級的推理，以及更準確、更有意義和更有上下文的人工智能輸出。這是一個需要大量的時間、資源和專業知識，以及高度的協調和合作的過程。