许多生成式人工智能工具似乎都拥有预测能力。像 ChatGPT 这样的对话式人工智能聊天机器人可以建议一首歌或一首诗的下一节。像 DALL-E 或 Midjourney 这样的软件可以根据自然语言描述创作原创艺术或逼真的图像。像 GitHub Copilot 这样的代码完成工具可以推荐接下来的几行代码。
但生成式人工智能并非预测式人工智能。预测式人工智能是一种独特的人工智能，虽然它可能是一种鲜为人知的方法，但它仍然是企业的强大工具。让我们来看看这两种技术以及它们之间的主要区别。
什么是生成式人工智能？
生成式人工智能 (gen AI) 是 人工智能通过生成的原创内容（例如音频、图像、软件代码、文本或视频）来响应用户的提示或请求。
新一代人工智能模型基于大量原始数据进行训练。然后，这些模型利用训练数据中的编码模式和关系来理解用户请求，并创建与原始数据相似但不完全相同的相关新内容。
大多数生成式 AI 模型都以基础模型开始，基础模型是一种深度学习模型，在收到提示时会“学习”生成统计上可能的输出。大型语言模型 (LLM) 是文本生成的常见基础模型，但对于不同类型的内容生成，还存在其他基础模型。
什么是预测性人工智能？
预测性人工智能将统计分析与机器学习算法相结合，以发现数据模式并预测未来结果。它从历史数据中提取见解，对最有可能发生的事件、结果或趋势做出准确预测。
预测性人工智能模型提高了预测分析的速度和精度，通常用于业务预测，以预测销售、估计产品或服务需求、个性化客户体验和优化物流。简而言之，预测性人工智能可帮助企业就其业务的下一步行动做出明智的决策。
生成式人工智能和预测式人工智能有什么区别？
生成式人工智能和预测式人工智能都属于人工智能范畴，但它们是不同的。以下是这两种人工智能技术的不同之处：
输入或训练数据
生成式人工智能在包含数百万样本内容的大型数据集上进行训练。预测式人工智能可以使用更小、更有针对性的数据集作为输入数据。
输出
虽然两种人工智能系统都采用预测元素来产生输出，但生成型人工智能可以创造新颖的内容，而预测型人工智能则可以预测未来的事件和结果。
算法和架构
- 扩散模型 其工作原理是首先向训练数据中添加噪声，直到其变得随机且无法识别，然后训练算法迭代地扩散噪声以显示所需的输出。
- 生成对抗网络 （GAN）由两个神经网络组成：一个生成新内容的生成器和一个评估生成内容准确性和质量的鉴别器。这些对抗性 AI 算法鼓励模型生成越来越高质量的输出。
- 变压器模型 使用注意力的概念来确定序列中数据中最重要的部分。然后，Transformers 使用这种自注意力机制同时处理整个数据序列，捕获序列中数据的上下文，并将训练数据编码为表示数据及其上下文的嵌入或超参数。
- 变分 自动编码器 (VAE) 是一种生成模型，它学习训练数据的压缩表示，并创建这些学习到的表示的变体来生成新的样本数据。
同时，许多预测性人工智能模型应用了这些统计算法和机器学习模型：
- 聚类 根据相似性将不同的数据点或观察结果分类为组或聚类，以了解底层数据模式。
- 决策树 实施分而治之的分割策略以实现最佳分类。同样， 随机森林 算法将多个决策树的输出结合起来以得出单个结果。
- 回归模型 确定变量之间的相关性。例如，线性回归表示两个变量之间的线性关系。
- 时间序列 方法将历史数据建模为按时间顺序绘制的一系列数据点，以预测未来趋势。
可解释性和可阐释性
大多数生成式 AI 模型缺乏可解释性，因为通常很难或不可能理解其结果背后的决策过程。相反，预测性 AI 估计更容易解释，因为它们基于数字和统计数据。但解释这些估计仍然取决于人类的判断，错误的解释可能会导致错误的行动方针。
生成式人工智能与预测式人工智能用例
选择使用 AI 取决于多种因素。在 IBM® AI Academy 关于为您的企业选择正确的 AI 用例的视频中，IBM Client Engineering 首席 AI 工程师 Nicholas Renotte 指出：“最终，为新一代 AI、AI 和机器学习工具选择正确的用例需要关注众多活动部件。您需要确保最佳技术能够解决正确的问题。”
在决定使用生成式 AI 还是预测式 AI 时，情况也是如此。“如果您正在为您的企业实施 AI，那么您真的需要考虑您的用例，以及它是否适合生成式 AI，或者它是否更适合另一种 AI 技术或工具，”Renotte 说。“例如，许多企业希望生成财务预测，但这通常不需要生成式 AI 解决方案，尤其是当有模型可以以极低的成本做到这一点时。”
生成式 AI 用例
由于在内容创作方面表现出色，生成式人工智能具有多种多样的用例。随着技术的进步，可能会出现更多用例。以下是生成式人工智能应用可以在各个行业实施的地方：
- 客户服务： 组织可以使用新一代人工智能聊天机器人和虚拟代理来提供实时支持、提供个性化响应并代表客户采取行动。
- 赌博： 通用人工智能模型可以帮助为视频游戏和虚拟模拟创建真实世界环境、逼真的角色、动态动画和生动的视觉效果。
- 卫生保健： 生成式人工智能可以创建合成数据来训练和测试医学成像系统，从而更好地保护患者隐私。生成式人工智能还可以提出全新的分子，从而加速药物研发过程。
- 营销 和广告： 生成式人工智能可以设计引人入胜的视觉效果，并为每个目标受众定制引人注目的广告和销售文案。
- 软件开发： 代码生成工具可以加快编写新代码的过程并自动化调试和测试阶段。
预测性人工智能用例
预测性人工智能主要应用于金融、零售、电子商务和制造业。以下是预测性人工智能应用的几个例子：
- 财务预测： 金融机构使用预测性人工智能模型来预测市场趋势、股票价格和其他经济因素。
- 欺诈检测： 银行采用预测性人工智能来实时发现暗示欺诈活动的可疑交易。
- 库存管理： 通过预测销售和需求，预测人工智能可以帮助公司规划和控制库存水平。
- 个性化 建议： 预测性人工智能模型可以帮助分析客户行为数据中的模式，从而提供更有针对性的建议，改善客户体验。
- 供应链管理： 预测性人工智能可以帮助优化物流和运营、生产计划、资源分配和工作负载调度。
了解生成式人工智能和预测式人工智能如何助力您的业务
在这两种技术之间做出选择并不一定非此即彼。企业可以同时采用生成式人工智能和预测式人工智能，并战略性地结合使用它们来为其业务带来好处。
详细了解 IBM watsonx™ 平台以及它如何加速您的 AI 目标。利用基于 watsonx.ai™ 构建的模型的生成 AI 功能来帮助发现模式和异常，这样您就可以根据自己的需求进行精确的预测和预报。
了解 Watsonx 如何将您的 AI 愿景变为现实
这篇文章有帮助吗？
是的不
