V zadnjem času se veliko pozornosti namenja generativnim modelom umetne inteligence, kot so ChatGPT, DALL-E in podobni. Vendar pa obstaja cel spekter drugih vrst umetne inteligence, ki se prav tako hitro razvijajo in ponujajo pomembne rešitve za različna področja uporabe, kjer so generativni modeli morda manj učinkoviti. V predavanju bomo raziskali napredek teh "ne-generativnih" AI modelov in njihov prispevek k reševanju realnih problemov. Med temi modeli so še vedno ključni: Real-time tracking algoritmi: Na primer, uporaba AI za sledenje objektom v resničnem času je bistvenega pomena na področjih, kot so varnost, športna analitika in avtonomna vozila. Današnje metode temeljijo na naprednih konvolucijskih nevronskih mrežah (CNN) in rekurzivnih nevronskih mrežah (RNN), ki omogočajo natančno in hitro sledenje premikajočih se objektov v kompleksnih okoljih. Statistično modeliranje: Kljub napredku v generativnih modelih ostajajo klasični statistični modeli, kot so Bayesovi modeli, robustni regresijski modeli in modeli za napovedovanje časovnih vrst, izredno pomembni. Uporabljajo se v finančni industriji za ocenjevanje tveganja, v epidemiologiji za napovedovanje širjenja bolezni in v številnih drugih aplikacijah, kjer je interpretabilnost ključna. Okrepljeno učenje (Reinforcement Learning): Medtem ko se generativni modeli pogosto uporabljajo za ustvarjanje podatkov, se metode okrepljenega učenja uporabljajo za optimizacijo odločitev v realnem času. Na primer, v igrah, kot je AlphaGo, in v logistiki za optimizacijo dobavnih verig. Analiza omrežij in grafov: Tehnike, ki temeljijo na analizi omrežij, so ključne za razumevanje in optimizacijo kompleksnih sistemov, kot so socialna omrežja, biološka omrežja in transportni sistemi. Grafne nevronske mreže (GNN) so tu igrale ključno vlogo pri razvoju novih, bolj učinkovitih metod za analizo velikih in kompleksnih podatkovnih struktur. V predavanju bomo obravnavali tudi, kako se te tehnologije prepletajo z elementi generativne umetne inteligence, kot je na primer uporaba generativnih modelov za izboljšanje začetnih pogojev v okrepljenem učenju ali za obogatitev podatkov v statističnem modeliranju. Poudarili bomo, da kljub velikemu napredku generativne AI tehnologije, obstajajo področja, kjer so ne-generativni modeli še vedno nepogrešljivi in ​​jih ni mogoče nadomestiti. Na koncu bomo predstavili nekaj primerov iz trenutnega state-of-the-art, kjer so te tehnologije uporabljene v praksi, ter izpostavili, zakaj je pomembno ohranjati in nadalje razvijati te vidike umetne inteligence.