Osnove umjetne inteligencije (AI) za Linux korisnike – treći dio

Da Jesu li vam se svidjele naše prve dvije objave vezane za učenje umjetne inteligencije (AI) za Linux korisnike?Dakle, danas ćete najvjerovatnije cijeniti ovaj treći dio, gdje ćemo obraditi nekoliko najvažnijih koncepata i termina povezanih s ovom tehnološkom oblašću. A ako niste pročitali prethodna dva dijela, željeli bismo pojasniti da U drugom dijelu ćemo se pozabaviti poenta o razlici između Simbolička umjetna inteligencija i konekcionistička umjetna inteligencija i o historijskim prekretnicama ove tehnološke oblasti u posljednjih 100 godina. Dok je u U prvom dijelu fokusiramo se en Šta je vještačka inteligencija i koje su različite vrste već stvorene (Uski ili Slabi, Generativni i Agentni) i za koje se očekuje da će biti stvoreni (Opći ili Jaki i Vještačka superinteligencija).

I kao i u prethodnim prilikama, imajte na umu da baš kao i u njihovo vrijeme, struja, radio, televizija, računari, telefoni, internet i društvene mreže; Umjetna inteligencija je tehnologija koja je stigla da bi se duboko integrirala u sveI to, štedeći nam dragocjeno vrijeme i skupe radne sate, čineći nas produktivnijima, kreativnijima i svestranijima; sasvim sigurno, Malo po malo, istisnut će one koji imaju i najmanju ideju o njegovom postojanju i djelovanju.Stoga, nema ništa bolje nego početi prikupljati kontekst o svemu što je s tim povezano.

Ali, prije nego što se udubimo u ovo "Treći dio uzbudljivog i iznenađujućeg područja umjetne inteligencije"A konkretnije, u vezi s nekim od najvažnijih koncepata i termina koje treba razmotriti, razumjeti i savladati, preporučujemo istraživanje prethodne i nedavne povezane publikacije u ovoj seriji publikacija, nakon što završim s čitanjem:

Osnove vještačke inteligencije – Treći dio: Povezani koncepti i termini

20 važnih koncepata i termina koji se uvijek spominju u području umjetne inteligencije

1. Halucinacije

Halucinacija se odnosi na situaciju u kojoj AI sistem, posebno onaj koji obrađuje prirodni jezik, počinje generirati rezultate koji mogu biti irelevantni, besmisleni ili netačni na osnovu datih ulaznih podataka. To se često dešava kada AI sistem nije siguran u kontekst, previše se oslanja na svoje podatke za obuku ili nema pravilno razumijevanje teme.

2. Mašinsko učenje

Područje umjetne inteligencije koje obuhvata razvoj algoritama i statističkih modela koji omogućavaju mašinama da poboljšaju svoje performanse s iskustvom. Primjer bi bio algoritam mašinskog učenja koji bi mogao predvidjeti vjerovatnoću odlaska kupaca na osnovu prošlog ponašanja. Zahvaljujući programu mašinskog učenja, mašina uči rješavati probleme iz primjera: na taj način može upoređivati ​​i klasifikovati podatke, pa čak i prepoznavati složene oblike.

3. Duboko učenje

Područje mašinskog učenja koje koristi višeslojne neuronske mreže za učenje iz podataka, što znači da primjenjuje različite strukture neuronskih mreža za učenje uzastopnih slojeva sve značajnijih reprezentacija podataka. Trenutno je to najpopularnije područje unutar umjetne inteligencije. Nastalo je kombinacijom algoritama mašinskog učenja s formalnim neuronskim mrežama i korištenjem velikih podataka.

4. Veliki podaci

Veliki podaci (Big Data) su grana informacionih tehnologija koja proučava inherentne poteškoće rukovanja velikim skupovima podataka. Nazivaju se i makropodaci, a odnose se na velike i složene skupove podataka koji su često preveliki ili raznoliki da bi se obradili tradicionalnim metodama. Nadalje, dolaze iz različitih izvora (društvene mreže, senzori itd.) i zahtijevaju napredne tehnike, poput umjetne inteligencije i mašinskog učenja, da bi se analizirali i izvukle korisne informacije.

5. Skup podataka

Skup podataka je skup podataka, obično strukturiran u tabeli. To je organizirani skup podataka koji se koristi za obuku, testiranje ili validaciju modela umjetne inteligencije. Može sadržavati tekst, slike, videozapise ili druge vrste informacija, obično označenih kako bi algoritmi strojnog učenja mogli prepoznati obrasce i dati predviđanja.

6. Obuka modela

Treniranje modela je proces korištenja skupa podataka za podučavanje modela umjetne inteligencije ili mašinskog učenja da izvršava određeni zadatak, kao što je klasifikacija ili predviđanje. Model prilagođava svoje parametre na osnovu datih primjera kako bi poboljšao svoju tačnost s novim podacima.

7. Poboljšana generacija putem oporavka

RAG (Retrieval-Augmented Generation - generiranje proširenim pronalaženjem) je metoda koja omogućava umjetnoj inteligenciji da pretražuje vanjske baze podataka ili internet za nove i ažurirane informacije prije generiranja odgovora. Umjesto ponovnog treniranja cijelog modela s novim podacima, RAG funkcionira kao vrsta "obrazovanja u stvarnom vremenu" za umjetnu inteligenciju. Ovo je vrlo korisno jer prisiljava sistem da se oslanja na specifične i provjerene dokumente, što uveliko smanjuje rizik od fabrikovanja informacija (halucinacija) od strane umjetne inteligencije.

8. GPT (generativni unaprijed obučeni transformator)

Oni su porodica jezičkih modela koje je razvio OpenAI, a koji koriste neuronske mreže za prirodno razumijevanje i generiranje teksta. Ovi GPT (Generativni Pretrained Transformer) modeli koriste arhitekturu pod nazivom Transformer koja im omogućava analizu upita i predviđanje najvjerovatnijeg odgovora na osnovu obuke s ogromnim skupovima podataka. Zbog toga, GPT je u stanju da oponaša sposobnosti razumijevanja ljudskog jezika.

9. Generisanje prirodnog jezika (Generacija prirodnog jezika)

Generisanje prirodnog jezika je podoblast vještačke inteligencije koja uključuje automatsko generisanje razumljivih tekstova ili govora na ljudskom jeziku. Omogućava mašini da transformiše sirove podatke u prirodne rečenice ili paragrafe, kao što su automatizovani sažeci ili virtuelni asistenti.

10. Brzi inženjering

To je umjetnost razvijanja uputa za zahtjeve kako bi se postigli značajni generativni rezultati - odnosno, precizniji, produktivniji i inovativniji rezultati. Ili, drugim riječima, to je nauka o dizajniranju, optimizaciji i usavršavanju instrukcija koje dajemo generativnoj vještačkoj inteligenciji. Njen cilj je voditi vještačku inteligenciju kako bi dobila tačne, relevantne i visokokvalitetne odgovore, djelujući kao komunikacijski most kako bi se izbjegli generički ili pogrešni rezultati.

11. Model

Model je objekt koji će predstavljati izlaz algoritma učenja. Stoga je to ono što umjetna inteligencija koristi za predviđanje izlaza. Na primjer, osnovni modeli su široka kategorija modela umjetne inteligencije koja uključuje modele velikih jezika i druge vrste modela kao što su modeli računalnog vida i učenja s pojačanjem. Nazivaju se "osnovni modeli" jer služe kao osnova na kojoj se grade aplikacije, obraćajući se širokom rasponu domena i slučajeva upotrebe.

12. Veliki jezički modeli

Oni su vrsta modela dubokog učenja obučenog na velikom skupu podataka za obavljanje zadataka razumijevanja i generiranja prirodnog jezika. Poznati modeli uključuju BERT, PaLM, GPT-2, GPT-3, GPT-3.5 i inovativni GPT-4. Ovi modeli se razlikuju po veličini (broju parametara koji se mogu podesiti), rasponu zadataka koje mogu obavljati (kodiranje, chat, naučni rad itd.) i bazi znanja na kojoj su obučeni.

13. Modeli malih jezika

To su džepne verzije velikih jezičkih modela, ili LLM-ova. Oba koriste tehnike mašinskog učenja koje im pomažu da prepoznaju obrasce i odnose kako bi mogli proizvesti realistične odgovore prirodnog jezika. Ali dok su LLM-ovi ogromni i zahtijevaju mnogo računarske snage i memorije, mali jezički modeli poput Phi-3 obučavaju se na manjim, preciznije odabranim skupovima podataka i imaju manje parametara, što ih čini kompaktnijim, pa čak i upotrebljivim van mreže.

14. Pristrasnost

Ovo su pretpostavke koje model umjetne inteligencije pravi o podacima. "Kompromis između pristranosti i varijanse" je ravnoteža koja se mora postići između pretpostavki koje model pravi o podacima i količine za koju se predviđanja modela mijenjaju, s obzirom na različite podatke za obuku. Induktivna pristranost je skup pretpostavki koje algoritam mašinskog učenja pravi o osnovnoj distribuciji podataka.

15. Obrada prirodnog jezika

To je interdisciplinarno polje čija je centralna ideja da mašinama omogući čitanje i razumijevanje jezika koje ljudi govore. Istraživanje obrade prirodnog jezika ima za cilj da odgovori na pitanje kako ljudi mogu razumjeti značenje izgovorene ili pisane rečenice i kako razumiju šta se dogodilo, kada i gdje se dogodilo; te razlike između pretpostavke, vjerovanja i činjenice. Posljedično, uključuje programiranje računara za obradu ogromnih količina lingvističkih podataka i fokusira se na transformaciju teksta slobodnog oblika u standardizovanu strukturu.

16.Prompt

Uputa je instrukcija ili skup instrukcija (ulaza) datih računarskom sistemu za generiranje odgovora. U kontekstu umjetne inteligencije, to je početna instrukcija, naredba, pitanje, zahtjev ili tekstualna izjava koja se daje modelu radi vođenja i usmjeravanja generiranja određenog odgovora ili rezultata. Uputa djeluje kao stimulus ili okidač za umjetnu inteligenciju, ukazujući na temu, stil, smjer ili vrstu očekivanog odgovora. Način na koji je uputa formulirana (njeno uokviravanje) direktno određuje kvalitet i relevantnost primljenih rezultata.

17. Neuronska mreža

Oni su računarski model zasnovan na velikom skupu jednostavnih neuronskih jedinica (vještačkih neurona), otprilike analognih ponašanju koje se uočava u aksonima neurona u biološkim mozgovima. Oni su osnovna radna jedinica dubokog učenja. Nadalje, to je model mašinskog učenja koji omogućava prepoznavanje obrazaca i rješavanje problema, zasnovan na mašinskom učenju ili dubokom učenju, nastojeći modelirati analitičke mehanizme ljudskog mozga.

18. Transformator

Transformatori predstavljaju vrstu arhitekture neuronske mreže dizajnirane za obradu sekvencijalnih podataka, kao što je tekst. Transformatori uče kontekst i, posljedično, značenje. Oni hvataju odnose između različitih elemenata niza (riječi, rečenica) paralelno, a ne sekvencijalno kao tradicionalni modeli. Transformatori su temelj uspješnih modela poput GPT-a i BERT-a i koriste se za zadatke obrade prirodnog jezika.

19. Token

Token u vještačkoj inteligenciji je osnovna jedinica podataka (riječi, dijelovi riječi, znakovi ili simboli) koju modeli učenja jezika (LLM) poput GPT-a ili Geminija koriste za obradu, razumijevanje i generiranje teksta. To je "valuta" ili bitan dio informacije koji vještačka inteligencija čita i analizira, što joj omogućava da razloži ljudski jezik na upravljive (izračunljive) dijelove. Posljedično, modeli vještačke inteligencije obrađuju tokene kako bi razumjeli odnose među njima i otključali mogućnosti poput predviđanja, generiranja i zaključivanja. Što se tokeni brže obrađuju, modeli brže mogu učiti i reagirati.

20. Unakrsna validacija

To je metoda koja se koristi za procjenu rezultata analize i osiguranje tačnosti predviđanja modela mašinskog učenja. Stoga je to tehnika za procjenu modela mašinskog učenja koja se fokusira na dijeljenje skupa podataka na nekoliko podskupova (ili "nabora"). Model se zatim obučava na nekim podskupovima, a testira na drugima. Ovo omogućava pouzdaniju procjenu performansi modela smanjenjem prekomjernog učenja.

Druge osnove umjetne inteligencije koje vrijedi istražiti, razumjeti i savladati u ovom trećem dijelu

Ovo je samo nekoliko koncepata i termina od mnogih koje zaista vrijedi znati, razumjeti i savladati. u ovom modernom i inovativnom području umjetne inteligencije. Stoga, kako bismo proširili ovdje ponuđene informacije i lakše vas uputili drugima, nudimo vam ovo Zanimljiva infografika kreirana pomoću umjetne inteligencije da vam dam malu ideju o drugima koji su podjednako važni i bitni:

Resumen

Ukratko, nadamo se da će ovo "Treći dio uzbudljivog i iznenađujućeg područja umjetne inteligencije" s naglaskom na generativnoj umjetnoj inteligenciji (GAI), možda je malo više doprinijelo jačanju i povećanju vašeg znanja i vještina u ovom modernom i inovativnom području. Ne zaboravite da, Umjetna inteligencija i robotika mijenjaju svijet i način na koji živimo.I da bi u godinama koje dolaze, kada kvantno računarstvo postane komercijalno dostupno i kvantna energija (proizvedena putem Casimirovog efekta) bude široko dostupna cijelom čovječanstvu, moglo biti potpuno drugačije od onoga kako ga danas doživljavamo. Dakle, bolje je učiti o umjetnoj inteligenciji sada nego odbiti i sutra žaliti. I naravno, ne zaboravite nastaviti sudjelovati, doprinositi i podržavati naš voljeni i vrijedni Linuxverse.

Na kraju, zapamtite posjetite našu «homepage» na španskomIli, na bilo kojem drugom jeziku (jednostavnim dodavanjem 2 slova na kraj našeg trenutnog URL-a, na primjer: ar, de, en, fr, ja, pt i ru, između mnogih drugih) da biste saznali više trenutnog sadržaja.