Efficiency Redefined: The Power Of Automatic Bug Bounty Tools – Mengadopsi teknologi baru seperti kecerdasan buatan dan robotika dapat mengubah proses organisasi secara dramatis dari atas ke bawah. Profesor Lynn Wu bergabung dengan Dekan Analisis Wharton Eric Bradlow untuk membahas bagaimana otomatisasi dan kecerdasan buatan akan berdampak pada pekerjaan fisik, produktivitas, dan sumber daya manusia. Wawancara ini adalah bagian dari seri 10 bagian khusus yang disebut “AI Spotlight.”
Eric Bradlow: Selamat datang di seri podcast Wharton Sirius XM tentang kecerdasan buatan, disponsori oleh Wharton Analytics dan Wharton AI. Saya Eric Bradlow, profesor pemasaran, statistik, dan ilmu data di Wharton School. Saya juga dekan bidang analitik di Wharton. Saya di sini untuk mewawancarai para pemimpin pemikiran Wharton tentang dampak kecerdasan buatan terhadap bisnis. Tentu saja, episode hari ini, bagian dari serial multi-bagian kami, tidak terkecuali. Kita akan membahas tentang kecerdasan buatan dalam robotika atau kecerdasan buatan dalam otomatisasi, jika Anda mau.
Efficiency Redefined: The Power Of Automatic Bug Bounty Tools
Saya sedang mengobrol dengan rekan saya Lynn Wu. Lynn adalah seorang profesor di Departemen Operasi, Informasi dan Pengambilan Keputusan di Wharton School. Dia mengajar semua orang – BA, MBA dan PhD. Kelas – Tentang penggunaan dan dampak teknologi baru. Lynn, selamat datang di podcast kami.
Ey India Insights Podcasts
BRADLOW: Senang bisa bersamamu. Salah satu hal yang saya sebutkan secara singkat kepada Anda semua saat siaran adalah bahwa banyak orang mungkin mendengarkan podcast ini dan berkata, “Tunggu sebentar. Saya pikir AI hanyalah AI generatif. Itulah yang saya dengar hari ini. Saya” Saya mendengar tentang ChatGPT, Bard, dan Open AI. Apa hubungan kecerdasan buatan dengan otomatisasi? Jadi saya pikir akan lebih baik jika Anda dapat mengajak audiens kami sejenak dan membawa kami menelusuri sejarah kecerdasan buatan. Apa yang dimaksud dengan kecerdasan buatan? Jadi bagaimana AI generatif bisa masuk ke dalam kategori AI yang paling luas?
Wu: Oh terima kasih. Ini adalah masalah besar. Kecerdasan buatan sebagai suatu bidang telah ada selama beberapa dekade, sejak tahun 1950an dan 1960an ketika istilah “kecerdasan buatan” diciptakan. Jika Anda hidup pada tahun 1970-an dan 1980-an, Anda mungkin mengetahui tentang “sistem pakar”, yang merupakan seperangkat aturan, klausa jika/maka. “Jika Anda melihat A, maka B terjadi. Saya pikir itu akan menjadi kode bagi banyak hal di luar bidang medis atau hal-hal lain. Tapi itu tidak akan berjalan dengan baik.
Lalu ada jaringan saraf. Jaringan saraf muncul kembali pada tahun 1970an dan 1980an. Saat itu, pengaruhnya kurang bagus. Karena seperti yang Anda ketahui, jaringan saraf membutuhkan banyak data. Kita sudah sampai di tahun 90an. Faktanya, kita pernah mengalami musim dingin kecerdasan buatan. Pada dasarnya, jaringan saraf tidak berfungsi. Banyak teknologi AI yang tidak berfungsi. Jadi mereka benar-benar tidak berpikir IT akan terjadi dalam waktu yang lama.
Lalu kita mengalami ledakan Internet. Kita semua memiliki pelacakan digital atas aktivitas online, aktivitas pencarian, media sosial, video, dan foto kita. Ledakan data ini pada akhirnya mendorong revolusi AI saat ini. Karena sekarang jaringan saraf memiliki banyak data. Kemudian Anda dapat membangun jaringan saraf yang sangat besar, yang kami sebut pembelajaran mendalam. Pembelajaran mendalam mendorong revolusi AI dari tahun 2010 hingga 2018. Lalu ada teknologi AI khusus yang disebut Transformer – yang jika dipikir-pikir, pada dasarnya adalah jaringan saraf yang membuat AI berjalan lebih cepat. Efisiensi perhitungannya sangat tinggi. Dan itu menghemat banyak sumber daya. Hal ini memungkinkan terjadinya kecerdasan buatan generatif.
Steps To Better Software Localization Management
Jadi meskipun saya menjaga semuanya tetap sederhana, itulah intinya. Jadi jika Anda berpikir tentang penciptaan kecerdasan buatan, itu hanyalah puncak gunung es. Meskipun itu bervariasi. Maksudku, aku sangat setuju denganmu. Alangkah baiknya jika Anda melihat ChatGPT dan DALL-E. Namun sebenarnya ini merupakan perpanjangan dari teknologi yang ada dalam jaringan saraf dan pembelajaran mendalam.
Bradlow: Ya. Dalam hal ini, ia hanya menggunakan bahasa untuk memprediksinya. Jadi ini adalah pola bahasa yang besar. Namun seperti yang akan kita bahas hari ini, kecerdasan buatan dapat diterapkan di berbagai bidang. Dan menurut saya itu juga berharga bagi audiens kami. Banyak dari kita dilatih sebagai ahli statistik pada zaman dahulu. Namun kita semua juga familiar dengan regresi, yang tentunya merupakan salah satu bentuk model prediksi linier. Tentu saja, jaringan saraf dan pembelajaran mendalam hanya memungkinkan interaksi yang lebih kompleks antar variabel. Mungkin Anda bisa menjelaskannya secara singkat. Oleh karena itu, aturan sederhana ini seringkali tidak berjalan dengan baik. Karena kehidupan nyata bekerja dalam lebih banyak cara daripada jika/maka. Ini tidak seperti regresi linier, yang pasti lebih baik atau lebih buruk. Ada hubungan yang kompleks.
Wu: Itu benar sekali. Seringkali kita tidak dapat mendeskripsikan hubungan menggunakan grafik sederhana atau model linier. Jaringan saraf dapat memiliki banyak bentuk fungsional berbeda yang tidak dapat kami jelaskan dengan cara apa pun. Namun mesin mengetahui cara mengubah masukan menjadi keluaran melalui berbagai lapisan transformasi.
Related Articles: 99houston truck accident lawyer
- 1. The Role of the Best Houston Truck Accident Lawyer in Your Recovery
- 2. Finding the Best Houston Truck Accident Lawyer for Your Case
- 3. Lawyer Tips for Choosing the Right Houston Lawyer for Your Legal Needs
- 4. 5 reason why houston lawyer can help
- 5. Best Houston Truck Accident Lawyer dinaputri
- 6. Best Houston accident lawyer near me
Related Articles: Construction Accident Lawyer faktalaw
