近日， Dynatrace 发布一份全球报告显示，随着对 AI 的投资不断增加，“复合 AI”将成为企业成功运用 AI 的关键因素。Dynatrace 指出，尽管 83% 的技术领导者认为 AI 是必不可少的，但 95% 的人认为，如果有其他类型的 AI 来协助，生成式 AI（GenAI）会更有效果。
该报告认为，企业需要采用一种复合的人工智能方式，也就是说组织要把多种类型的人工智能结合在一起。这些可能包括 GenAI、预测性和/或因果性 AI，以及来自可观察性、安全性和业务事件等不同的数据源。这种方式可以实现更高层次的推理，并让人工智能的输出更加准确、相关和有意义。
由此可见，人工智能并不是一种简单的技术，它涉及到多种类型、方法、数据和场景，每一种都有其优势和局限。要想充分发挥人工智能的潜力，单一的人工智能技术是不够的，需要将不同的人工智能技术和数据源相结合，以提供更高级的推理，以及更准确、更有意义和更有上下文的人工智能输出。这就是复合人工智能（composite AI）的概念，它是指组合多种类型的人工智能，如生成型、预测型和因果型，以及不同的数据源，如可观察性、安全性和业务事件。复合人工智能是企业成功采用人工智能的关键因素，因为它可以帮助企业解决复杂的问题，提供更有价值的解决方案，以及更好地适应不断变化的环境。
本文基于Dynatrace的一项全球报告来分析复合人工智能的概念、应用和价值，以及复合人工智能的优势和挑战。目的是为了我们更好地了解复合人工智能的重要性和潜力，以及如何有效地采用复合人工智能，以提升企业的竞争力和创新力。
01 复合人工智能的概念
众所周知，人工智能是一门涉及到计算机科学、数学、统计学、心理学、哲学等多个学科的交叉学科，它让计算机或机器具有类似于人类的智能，如感知、理解、学习、推理、决策、创造等。人工智能的研究和发展已经有了几十年的历史，期间经历了多次的兴衰和变革，形成了多种类型、方法、数据和场景的人工智能技术，每一种都有其优势和局限。
近来发展迅猛的生成型人工智能（generative AI）是利用深度学习等技术，从数据中生成新的内容，如文本、图像、音频等。生成型人工智能的优势是可以帮助我们创建新的产品和服务，如虚拟助理、个性化推荐、智能内容等。生成型人工智能的局限是可能存在不准确、不合理或不道德的问题，如生成的内容与事实不符、违反常识或伤害他人的感情等。
预测型人工智能（predictive AI）的发展历史可以追溯到 20 世纪 50 年代，当时出现了第一批统计学习理论和机器学习算法。预测型人工智能利用统计学习等技术，从数据中发现规律和趋势进行分类、回归、聚类等。预测型人工智能的优势是可以帮助我们优化现有的产品和服务，比如性能监控、故障预测、异常检测等。预测型人工智能的局限是预测的结果与实际不符、受到噪声或异常的影响或缺乏可解释性等。
因果型人工智能（causal AI）是一种利用数据和算法来推断因果关系的人工智能。它可以帮助组织理解数据背后的原因和效果，从而进行更好的决策和干预。因果型人工智能的一些应用领域包括医疗、社会科学、经济学、教育、政策制定等。因果型人工智能的核心概念是因果图，它是一种用节点和箭头表示变量和因果关系的图形模型。因果图可以用来表示数据生成的机制，以及如何通过干预或实验来改变数据的分布。因果图还可以用来回答因果问题，如“如果我做了这个，会发生什么？”或“为什么这个变量会影响那个变量？”
除了不同类型的人工智能技术，还有不同的数据源，如可观察性、安全性和业务事件。可观察性数据是指与应用程序性能、软件开发和安全实践、IT基础设施和用户体验相关的数据。安全性数据是指与网络安全、数据保护和隐私合规相关的数据。业务事件数据是指与业务流程、交易、客户行为和满意度相关的数据。不同的数据源可以提供不同的信息和价值，也有不同的质量、安全和隐私的要求和挑战。
复合人工智能是指将不同类型的人工智能技术和数据源相结合，以提供更高级的推理，以及更准确、更有意义和更有上下文的人工智能输出。复合人工智能可以帮助我们解决复杂的问题，提供更有价值的解决方案，以及更好地适应不断变化的环境。复合人工智能的核心是利用不同的人工智能技术和数据源的优势，弥补不同的人工智能技术和数据源的局限，实现人工智能技术和数据源的协同和互补。
02 复合人工智能的集成和调整
复合人工智能的集成和调整是将不同类型的人工智能技术和数据源相结合，以提供更高级的推理，以及更准确、更有意义和更有上下文的人工智能输出。复合人工智能的集成和调整需要考虑多个方面，如人工智能的目标、范围、方法、数据的质量、安全和隐私、以及人工智能的评估和监督等。所以需要一些基本的概念和原则。
目标是人工智能要解决的问题或实现的功能，如诊断、预测、生成、推荐等。人工智能的目标决定了人工智能的输出的类型、格式和内容，以及人工智能的输出的价值和影响。人工智能的目标应该是明确、具体、可量化和可达成的，以便于人工智能的设计、实现和评估。
还需要设定要涉及的领域或场景，如医疗、教育、金融、制造等。人工智能的范围决定了人工智能的输入和输出的来源、特点和要求，以及人工智能的输入和输出的复杂性和难度。人工智能的范围应该是适当、合理、可行和可扩展的，以便于人工智能的获取、处理和应用。
选择的方法是人工智能要采用的技术或算法，如生成型、预测型和因果型人工智能，以及深度学习、统计学习、因果推理等。方法决定了人工智能的输出的质量、可靠性和可解释性，以及人工智能的输出的优势和局限。人工智能的方法应该是合适、有效、创新和可改进的，以便于人工智能的优化、验证和更新。
数据的质量是指数据的准确性、完整性、一致性、时效性和相关性等。数据的质量影响了人工智能的输出的准确性、合理性和道德性，以及人工智能的输出的信任度和可接受度。数据的质量应该是高、稳、清和新的，以便于人工智能的学习、推理和生成。
还要考虑数据的安全和隐私，也是数据的保护和合规，包括数据的加密、授权、审计、备份、删除等。数据的安全和隐私影响了人工智能的输出的安全性、合法性和责任性，以及人工智能的输出的风险和后果。数据的安全和隐私应该是强、严、规和法的，以便于人工智能的防范、应对和纠正。
重要的是人工智能的评估和监督，对人工智能的输出进行检验和改进，包括人工智能的输出的测试、评价、反馈、监控等。人工智能的评估和监督影响了人工智能的输出的效率和效果，以及人工智能的输出的创新和发展。人工智能的评估和监督应该是持续、全面、客观和及时的，以便于人工智能的调整、优化和更新。
复合人工智能的集成和调整是一个涉及到多个方面的过程，以提供更高级的推理，以及更准确、更有意义和更有上下文的人工智能输出。这是一个需要大量的时间、资源和专业知识，以及高度的协调和合作的过程。
03 复合人工智能的应用
复合人工智能的应用是利用不同类型的人工智能技术和数据源，来解决复杂的问题提供更高级的推理和更有价值的输出，这是将多种类型的人工智能结合起来的方式，以实现更高级的推理和更好的性能。复合人工智能的应用领域非常广泛，例如在自然语言处理领域，复合人工智能可以用来生成、理解和翻译自然语言，例如使用生成式 AI、预测性 AI 和因果性 AI 等技术。
复合人工智能的应用可以部署到各个行业和领域，如医疗、教育、金融、制造、娱乐、安全等。
在医疗领域，复合人工智能可以结合生成型、预测型和因果型人工智能，以及可观察性、安全性和业务事件数据，来提供更准确的诊断、治疗和预防方案，以及更个性化的医疗服务。例如，生成型人工智能可以从医疗影像、基因序列、病历等数据中生成新的医疗信息，如病灶、变异、诊断等。预测型人工智能可以从医疗监测、检测、评估等数据中发现规律和趋势，如病情、风险、效果等。因果型人工智能可以从医疗干预、治疗、预防等数据中推断因果关系，如药物、手术、生活方式等。可观察性数据可以提供对医疗设备、系统和流程的监控和分析，提高可用性和可靠性。安全性数据可以提供对医疗数据和隐私的保护和合规，防止数据滥用或泄露。业务事件数据可以提供对医疗服务和满意度的衡量和提升，增加收入和利润。
教育领域的复合人工智能是把生成型、预测型和因果型人工智能，还有学习者的行为、能力和偏好数据都结合起来，给我们提供更好的教学、评估和反馈，还有更适合我们的学习路径。比如说，生成型人工智能可以根据教材、课程、知识图谱等数据，给我们创造出新的教学内容，比如问题、答案、例子之类的。预测型人工智能可以根据我们的学习活动、成绩、反馈等数据，帮我们发现一些规律和趋势，比如我们的学习水平、进步速度、学习风格之类的。因果型人工智能可以根据我们的教学干预、策略、效果等数据，帮我们推断出一些因果关系，比如哪种教学方法、学习资源、学习成果之类的。学习者的行为、能力和偏好数据，可以让人工智能更了解我们，给我们提供更个性化和定制化的服务，让我们学得更高效和更有效。
复合人工智能在金融领域有很大的作用。它可以利用生成型、预测型和因果型人工智能，结合市场、客户和风险的数据，为我们提供更好的金融方案和服务。比如生成型人工智能可以根据各种数据，给我们提供新的金融信息，如报价、建议、策略等等。预测型人工智能可以根据各种数据，帮我们发现金融的规律和趋势，比如价格、需求、行为等等。因果型人工智能可以根据各种数据，帮我们分析金融的因果关系，比如影响、风险、收益等等。市场数据可以让我们更好地了解和分析市场的情况，提高市场的透明度和效率。客户数据可以让我们更好地了解和服务客户，提高客户的忠诚度和满意度。风险数据可以让我们更好地识别和管理风险，提高风险的可控性和可预测性。
04 复合人工智能的价值
复合人工智能可以提高人工智能的可靠性和适用性。通过将不同类型的人工智能技术和数据源相结合，复合人工智能可以利用不同的人工智能技术和数据源的优势，弥补不同的人工智能技术和数据源的局限，实现人工智能技术和数据源的协同和互补。这样，复合人工智能可以提供更全面、更准确、更合理、更道德的人工智能输出，以支持关键的业务用例，避免人工智能输出的不符、不合或不良的问题。
Dynatrace 的首席技术官 Bernd Greifeneder 说：“要让 GenAI 生成用户可以信任的有意义的内容，来解决特定的问题，是一件很难的事情。团队需要花费很多时间和精力，来设计合适的提示，让 GenAI 知道要生成什么样的内容，以及如何验证 GenAI 生成的内容的正确性。”
他还说：“要做到这一点，重要的是要明白，不是所有的人工智能都一样。GenAI 的很多用例，特别是一些复杂的用例，比如优化软件代码或解决安全漏洞，都需要复合人工智能（composite AI）。复合人工智能是指结合不同类型的人工智能，比如因果人工智能（可以找出系统行为的原因和影响）和预测性人工智能（可以根据过去的数据预测未来的事件），来给 GenAI 提供必要的背景信息。
“如果企业能够制定正确的策略，把这些不同类型的人工智能和高质量的数据结合起来，他们就可以大大提高开发、运营和安全团队的生产力，并提供持久的业务价值。”
复合人工智能可以结合不同类型的人工智能技术和数据源，来提供更高级的推理和更有价值的输出。我们可以用生成式人工智能（可以从数据中生成新的内容）和预测性人工智能（可以根据过去的数据预测未来的事件）和因果人工智能（可以找出数据中的因果关系）来一起工作，让人工智能可以生成更准确、更有意义和更有上下文的内容。我们还可以用不同的数据源，比如可观察性数据（可以监控和分析系统的性能和状态）、安全性数据（可以保护和合规数据的使用和传输）、业务事件数据（可以衡量和提升业务的流程和效果）来一起工作，让人工智能可以使用更全面、更可靠和更相关的数据。
参考资料：https://aimagazine.com/data-and-analytics/composite-ai-could-drive-success-as-investments-increase
