Основи на изкуствения интелект (ИИ) за потребители на Linux – част трета

Да, Харесаха ли ви първите ни две публикации, свързани с обучението по изкуствен интелект (ИИ) за потребители на Linux?Така че днес най-вероятно ще оцените тази трета част, където ще разгледаме няколко от най-важните концепции и термини, свързани с тази технологична област. И ако не сте чели предишните две части, бихме искали да уточним, че Във втората част ще разгледаме въпросът за разликата между Символичен изкуствен интелект и конекционистки изкуствен интелект и върху историческите етапи на тази технологична област през последните 100 години. Докато в В първата част се фокусираме en Какво е изкуствен интелект и какви са различните видове, които вече са създадени (Тесни или Слаби, Генеративни и Агентни) и които се очаква да бъдат създадени (Общи или Силни и Изкуствен Суперинтелект).

И както и в предишни случаи, имайте предвид, че точно както по тяхно време, електричеството, радиото, телевизията, компютрите, телефоните, интернетът и социалните мрежи; Изкуственият интелект е технология, която е пристигнала, за да се интегрира дълбоко във всичко.И това, като ни спестява ценно време и скъпоструващи работни часове и ни прави по-продуктивни, креативни и гъвкави; със сигурност, Малко по малко, то ще измести онези, които имат и най-малка представа за неговото съществуване и действие.Следователно, няма нищо по-хубаво от това да започнете да разбирате контекста за всичко, свързано с него.

Но преди да се задълбочим в това „Третата част от вълнуващата и изненадваща област на изкуствения интелект“И по-конкретно, що се отнася до някои от най-важните концепции и термини, които трябва да се обмислят, разберат и овладеят, препоръчваме да разгледате предишни и скорошни свързани публикации в тази поредица от публикации, след като го прочетете,

Основи на изкуствения интелект – част трета: Свързани понятия и термини

20 важни понятия и термини, които винаги се споменават в областта на изкуствения интелект

1. Халюцинации

Халюцинацията се отнася до ситуация, в която система с изкуствен интелект, особено такава, която обработва естествен език, започва да генерира резултати, които може да са неподходящи, безсмислени или неправилни въз основа на предоставените входни данни. Това често се случва, когато системата с изкуствен интелект не е сигурна в контекста, разчита твърде много на данните за обучение или няма правилно разбиране на темата.

2. Машинно обучение

Подполе на изкуствения интелект, което обхваща разработването на алгоритми и статистически модели, позволяващи на машините да подобряват производителността си с натрупването на опит. Пример за това е алгоритъм за машинно обучение, който би могъл да предвиди вероятността от отлив на клиенти въз основа на минало поведение. Благодарение на програма за машинно обучение, машината се учи да решава проблеми от примери: по този начин тя може да сравнява и класифицира данни и дори да разпознава сложни форми.

3. Дълбоко обучение

Подполе на машинното обучение, което използва многослойни невронни мрежи, за да се учи от данни, което означава, че прилага различни структури на невронни мрежи, за да изучава последователни слоеве от все по-смислени представяния на данни. В момента това е най-популярната област в областта на изкуствения интелект. Възникна от комбинацията на алгоритми за машинно обучение с формални невронни мрежи и използването на големи данни.

4. Големи данни

Големите данни са дял от информационните технологии, който изучава присъщите трудности при обработката на големи масиви от данни. Наричани още макроданни, те се отнасят до големи и сложни масиви от данни, които често са твърде големи или разнообразни, за да бъдат обработени с помощта на традиционни методи. Освен това, те идват от различни източници (социални мрежи, сензори и др.) и изискват усъвършенствани техники, като изкуствен интелект и машинно обучение, за да бъдат анализирани и да се извлече полезна информация.

5. Набор от данни

Наборът от данни е колекция от данни, обикновено структурирана в таблица. Това е организирана колекция от данни, използвана за обучение, тестване или валидиране на модели с изкуствен интелект. Тя може да съдържа текст, изображения, видеоклипове или други видове информация, обикновено етикетирана, за да позволи на алгоритмите за машинно обучение да разпознават модели и да правят прогнози.

6. Обучение по модел

Обучението на модел е процесът на използване на набор от данни за обучение на модел с изкуствен интелект или машинно обучение да изпълнява специфична задача, като например класификация или прогнозиране. Моделът коригира параметрите си въз основа на предоставените примери, за да подобри точността си с нови данни.

7. Подобрено генериране чрез възстановяване

RAG (Retrieval-Augmented Generation - Генериране с Допълнение към Извличане) е метод, който позволява на ИИ да прави заявки към външни бази данни или да търси в интернет нова и актуализирана информация, преди да генерира отговор. Вместо да се налага да се преобучава целия модел с нови данни, RAG функционира като вид „обучение в реално време“ за ИИ. Това е много полезно, защото принуждава системата да разчита на специфични и проверени документи, което значително намалява риска от изфабрикуване на информация (халюцинации) от страна на ИИ.

8. GPT (генеративен предварително обучен трансформатор)

Те са семейство езикови модели, разработени от OpenAI, които използват невронни мрежи, за да разбират и генерират текст по естествен път. Тези GPT (генеративни предварително обучени трансформатори) модели използват архитектура, наречена Transformer, която им позволява да анализират подкани и да предсказват най-вероятния отговор въз основа на обучение с огромни набори от данни. Поради това GPT е в състояние да имитира възможностите за разбиране на човешкия език.

9. Генериране на естествен език (Поколение на естествен език)

Генерирането на естествен език е подобласт на изкуствения интелект, която включва автоматично генериране на разбираеми текстове или реч на човешки език. То позволява на машина да трансформира суровите данни в естествени изречения или параграфи, например в автоматизирани резюмета или виртуални асистенти.

10. Бързо инженерство

Това е изкуството да се разработват подкани за заявки, за да се постигнат смислени генеративни резултати – тоест по-точни, продуктивни и иновативни резултати. Или, казано по друг начин, това е науката за проектиране, оптимизиране и усъвършенстване на инструкциите, които даваме на генеративен изкуствен интелект. Целта му е да насочва изкуствения интелект към получаване на точни, релевантни и висококачествени отговори, действайки като комуникационен мост, за да се избегнат генерични или погрешни резултати.

11. Модело

Моделът е обектът, който ще представлява резултата от алгоритъма за обучение. Следователно, това е, което изкуственият интелект използва, за да прави прогнози за резултата. Например, фундаменталните модели са широка категория модели на изкуствен интелект, които включват модели на големи езици и други видове модели, като например компютърно зрение и модели за обучение с подсилване. Те се наричат ​​„фундаментални модели“, защото служат като основа, върху която да се изграждат приложения, адресиращи широк спектър от области и случаи на употреба.

12. Модели с големи езикови модели

Те са вид модел за дълбоко обучение, обучен върху голям набор от данни за изпълнение на задачи за разбиране и генериране на естествен език. Сред добре познатите модели са BERT, PaLM, GPT-2, GPT-3, GPT-3.5 и иновативния GPT-4. Тези модели се различават по размер (брой параметри, които могат да се регулират), обхвата на задачите, които могат да изпълняват (кодиране, чат, научни изследвания и др.) и базата знания, върху която са обучени.

13. Модели на малки езици

Те са джобни версии на големи езикови модели или LLM. И двата използват техники за машинно обучение, които им помагат да разпознават модели и взаимовръзки, така че да могат да генерират реалистични отговори на естествен език. Но докато LLM са огромни и изискват много изчислителна мощност и памет, малките езикови модели като Phi-3 се обучават върху по-малки, по-подбрани набори от данни и имат по-малко параметри, което ги прави по-компактни и дори използваеми офлайн.

14. Пристрастие

Това са допусканията, направени от модел на ИИ относно данните. „Компромис между отклонение и дисперсия“ е балансът, който трябва да се постигне между допусканията, които моделът прави относно данните, и степента, в която се променят прогнозите на модела, при наличие на различни данни за обучение. Индуктивното отклонение е наборът от допускания, които алгоритъм за машинно обучение прави относно основното разпределение на данните.

15. Обработка на естествен език

Това е интердисциплинарна област, чиято централна идея е да даде на машините способността да четат и разбират езиците, които хората говорят. Изследванията в областта на обработката на естествен език имат за цел да отговорят на въпроса как хората са способни да разберат значението на изговорено или писмено изречение и как разбират какво се е случило, кога и къде се е случило; и разликите между предположение, убеждение и факт. Следователно, то включва програмиране на компютри за обработка на огромни обеми езикови данни и се фокусира върху трансформирането на текст в свободна форма в стандартизирана структура.

16. Подкана

Подсказката е инструкция или набор от инструкции (вход), дадени на компютърна система за генериране на отговор. В контекста на изкуствения интелект, това е първоначалната инструкция, команда, въпрос, заявка или текстово изявление, предоставени на модела, за да насочват и управляват генерирането на конкретен отговор или резултат. Подсказката действа като стимул или спусък за ИИ, посочвайки темата, стила, посоката или вида на очаквания отговор. Начинът, по който е формулирана подсказката (нейното рамкиране), определя пряко качеството и релевантността на получените резултати.

17. Невронна мрежа

Те представляват изчислителен модел, базиран на голям набор от прости невронни единици (изкуствени неврони), приблизително аналогични на поведението, наблюдавано в аксоните на невроните в биологичните мозъци. Те са основната работна единица на дълбокото обучение. Освен това, това е модел на машинно обучение, който позволява разпознаване на модели и решаване на проблеми, базиран на машинно обучение или дълбоко обучение, стремящ се да моделира аналитичните механизми на човешкия мозък.

18. Трансформатор

Трансформаторите представляват вид архитектура на невронна мрежа, предназначена за обработка на последователни данни, като например текст. Трансформаторите изучават контекста и следователно значението. Те улавят връзките между различните елементи на поредица (думи, изречения) паралелно, а не последователно, както традиционните модели. Трансформаторите са в основата на успешни модели като GPT и BERT и се използват за задачи за обработка на естествен език.

19. Токен

Токенът в изкуствения интелект е основната единица данни (думи, части от думи, знаци или символи), която моделите за изучаване на езици (LLM) като GPT или Gemini използват, за да обработват, разбират и генерират текст. Това е „валутата“ или основната информация, която ИИ чете и анализира, което му позволява да разделя човешкия език на управляеми (изчислими) части. Следователно, моделите на ИИ обработват токените, за да разберат връзките между тях и да отключат възможности като прогнозиране, генериране и разсъждение. Колкото по-бързо се обработват токените, толкова по-бързо могат да се учат и да реагират моделите.

20. Кръстосана валидация

Това е метод, използван за оценка на резултатите от анализ и гарантиране на точността на прогнозите на моделите за машинно обучение. Следователно, това е техника за оценка на модели за машинно обучение, която се фокусира върху разделянето на набор от данни на няколко подмножества (или „сгъвания“). След това моделът се обучава върху някои подмножества и се тества върху други. Това позволява по-надеждна оценка на производителността на модела чрез намаляване на прекомерното обучение.

Други основи на изкуствения интелект, които си струва да бъдат проучени, разбрани и овладени в тази трета част

Това са само няколко понятия и термини от многото, които наистина си струва да се знаят, разбират и овладеят. в тази модерна и иновативна област на изкуствения интелект. Следователно, за да разширим информацията, предлагана тук, и лесно да ви насочим към други, ви предлагаме това Интересна инфографика, създадена с изкуствен интелект за да ви дам малка представа за други, които са също толкова важни и съществени:

Обобщение

Накратко, надяваме се, че това „Третата част от вълнуващата и изненадваща област на изкуствения интелект“ с акцент върху генеративния изкуствен интелект (GAI), може би е допринесло малко повече за укрепване и разширяване на вашите знания и умения в тази модерна и иновативна област. Не забравяйте, че Изкуственият интелект и роботиката променят света и начина, по който живеем.И че в идните години, когато квантовите изчисления станат комерсиално достъпни и квантовата енергия (произведена чрез ефекта на Казимир) е широко достъпна за цялото човечество, тя може да бъде напълно различна от това как я преживяваме днес. Така че е по-добре да научите за изкуствения интелект сега, отколкото да откажете и да съжалявате утре. И разбира се, не забравяйте да продължите да участвате, да допринасяте и да подкрепяте нашата любима и ценна Linux вселена.

И накрая, запомнете посетете нашия «начална страница» на испанскиИли на който и да е друг език (просто като добавите 2 букви в края на текущия ни URL адрес, например: ar, de, en, fr, ja, pt и ru, както и много други), за да откриете повече актуално съдържание.