传统 AI 与生成式 AI：IT 领导者指南

人工智能是一个广泛的术语，指的是使计算机能够模拟人类推理、交流和决策的技术。它使用机器学习 (ML)、自然语言处理 (NLP)、深度学习、神经网络和大型语言模型 (LLM) 来分析数据、识别模式并生成见解。人工智能的目标是增强各个领域的自动化和问题解决能力。人工智能涵盖多种类型的 AI，包括代理型 AI。然而，AI 领域的两大主要参与者是传统 AI 和生成式 AI。

传统 AI 是基于规则或确定性 AI，即经过训练以完成预先编程的任务或任务集的人工智能。 传统 AI 也被称为 狭义人工智能，旨在通过分析历史数据和识别模式来准确预测和决策，从而解决定义明确的问题并自动执行重复性任务。

传统 AI 可用于在安全运营中心 (SOC) 中实现分流和调查的自动化，使团队能够汇总安全事件、自动化复杂分析和管理任务，并对建议的行动方案进行排序。

例如，Randstad Netherlands 在其 SOC 中使用 AI，从数十个安全、云和其他应用程序中快速获取海量数据，仅依靠两名半全职员工进行 AI 检测、工程设计和警报分类。

如今，决策树、神经网络、逻辑回归、监督学习和强化学习与数据存储和知识库协同工作，以帮助传统的人工智能系统识别模式、分类数据并进行预测。

生成式AI是一种能够创造内容的人工智能。它通过在庞大的数据集上进行训练，学习识别数据模式和关系。这使得它能够从学习到的结构中推断并生成具有人类创造力特质的输出，创造出新的原创内容。换句话说，生成式AI可以创建图像、视频、代码和音乐，还可以翻译语言或回答问题。

例如，Elastic 支持助手是一种由生成式 AI 提供支持的聊天体验，旨在回答各种产品问题，并使用检索增强生成 (RAG) 来优化搜索效果。

生成式 AI 模型有多种类型。例如，像 Gemini、Grok 和 Claude 这样的应用程序都是生成式预训练变换器 (GPT) 模型。Transformer 模型依靠注意力机制来映射不同元素之间的关系。GAN 或生成式对抗网络由两个神经网络组成：生成器和判别器。两者协同运行，通过不断生成与完善的过程来合成内容。

因此，生成式 AI 代表了一种更先进的人工智能形式，超越了传统 AI 的能力，并极大地增强了创新潜力。

传统 AI 和生成式 AI 在一些关键方面存在差异，特别是在它们的能力、应用和学习方式上。让我们来比较一下。

传统 AI 模型相对固定，而生成式 AI 模型则更能适应新问题。之所以会出现这种情况，是因为传统AI模型需要明确的规则才能运行，并且在新的场景中需要人工干预。另一方面，生成式 AI 模型是在大量数据的基础上进行训练，从中学习模式和关系。传统 AI 模型通过重复进行学习，而生成式 AI 模型则会学习如何学习。因此，传统 AI 和生成式 AI 在其功能上存在显著差异：

• 传统 AI：分析数据、做出预测，并自动化执行基于规则的任务

• 生成式 AI：生成原创内容并适应动态输入

由于传统 AI 和生成式 AI 的能力不同，因此它们在不同的环境中最为有用。

• 传统 AI：适用于复杂的分析任务，例如欺诈检测、推荐系统和流程自动化

• 生成式 AI：超越传统 AI 的“分析和预测”功能，生成内容，例如文本、视频、声音、代码和图像；合成数据，例如总结文档；并作为安全分析师和 SRE 的助手

传统 AI 用例

每当您说“嘿 Siri”时，您就是在调用传统的AI来帮助您找到问题的答案或执行预定义的任务，例如设置闹钟。其他用例包括：

• 欺诈检测：传统 AI 算法用于分析银行和电子商务交易数据，以识别交易何时超出模式，可能表明存在欺诈活动。

• 预测分析：在医疗、金融和营销领域，AI 模型分析历史数据以预测未来趋势，帮助管理疾病爆发、指导经济决策和制定活动策略。

生成式 AI 用例

由于生成式 AI 代表了一种更直观的交互和访问数据的方式，它正迅速被世界各地的企业所接受，用于提升生产力、效率并改善工作方式。

• 内容生成：生成式 AI 正在通过其分析庞大数据集并从输入中衍生新内容的能力，彻底革新内容生成方式。例如，ElasticGPT 可帮助 Elastic 员工快速查找相关信息，提高工作效率。

• 个性化推荐：生成式 AI 通过在流媒体服务和电子商务平台中生成个性化内容和建议来增强用户体验。

• AI 驱动的设计：生成式 AI 通过创建新的产品概念、数字艺术和营销材料来协助设计师。

• 客户服务机器人：AI 驱动的聊天机器人提供自动化客户支持，快速高效地解决常见问题，同时帮助组织改善客户服务。生成式 AI 驱动的聊天机器人可以通过使用自然语言与客户交流，并使用个性化问题解答来帮助快速解决问题。

传统 AI 和生成式 AI 也需要各自的实施方法，这些方法依赖不同的数据、专业知识和基础架构要求。

• 传统 AI：依赖结构化数据、预定义算法和基于规则的逻辑，在特定的业务流程中更容易实现。

• 生成式 AI：需要大型数据集、强大的计算能力和复杂的深度学习模型，因此实施更复杂且资源消耗更高。

人工智能时代已经到来。但是，人工智能的未来会是什么样子呢？毫无疑问，生成式 AI 在全球企业中的应用不断增加，93% 的企业高管层已经投资或计划投资生成式 AI — 这源于他们对 AI 助手所能带来的速度与效率的巨大期待。然而，随着 AI 带来许多道德和安全方面的挑战，全球范围内对这项技术的接受也引发了一些警钟。在美国，放松监管的举措有利于创新。但在欧盟，《人工智能法》旨在保障安全、基本权利和以人为本的 AI。

对 AI 偏见的担忧有时会减缓企业采用 AI 的速度。毕竟，AI 的好坏取决于其训练数据，而数据往往包含固有的偏见，这些偏见最终会通过 AI 得到强化。AI 的可靠性也受到质疑；生成式 AI 可能会产生“幻觉”。其他令人担忧的问题还有环境。AI 需要大量的计算能力，这意味着它是一种非常耗费资源的技术。

然而，尽管存在这些挑战，AI 仍然代表着一个变革性的技术机遇，特别是在负责任地开发和使用的情况下。最新一波的 AI 模型提升了它们自我纠正和独立决策的能力 —— 这被称为代理型 AI。

搜索是 AI 的核心，而 Elastic 是搜索 AI 公司。凭借先进的搜索功能、实时分析和机器学习集成，Elastic 可助力企业高效发挥 AI 的潜能。看看我们是如何在客户支持、员工效率和安全运营方面实现这一目标。

深入探讨 Elastic 生成式 AI 工具和功能。