Fonaments d'Intel·ligència Artificial (IA) per a Linuxers – Tercera part

Sí, t'han agradat les nostres 2 primeres publicacions relacionades amb l'aprenentatge de la Intel·ligència Artificial (IA) per a Linuxers, doncs avui molt segurament apreciaràs adequadament aquesta tercera part de la mateixa on abordarem diversos dels conceptes i termes més importants i associats a aquest àmbit tecnològic. I si no has llegit les 2 anteriors, et precisem que a la segona part abordem el punt sobre la diferència entre la Intel·ligència Artificial Simbòlica i la Intel·ligència Artificial Connexionista i sobre les fites històriques d'aquest àmbit tecnològic en els darrers 100 anys. Mentre que, a la primera part ens enfoquem en què és la IA i sobre els diversos tipus que ja s'han creat (Estreta o Dèbil, Generativa i Agèntica) i que s'esperen crear (General o Forta, i la Superintel·ligència Artificial).

I com en les oportunitats anteriors, tingues present que tal com en els seus dies l'Electricitat, Ràdio, la Televisió, les Ordinadores, els Telèfons, l'Internet i les Xarxes Socials; la Intel·ligència Artificial és una tecnologia que ha arribat per integrar-se profundament a tot. I que, en estalviar-nos valuós temps i costoses hores de treball, i fer-nos ser més productius, creatius i versàtils; molt segurament, a poc a poc, anirà desplaçant els que menys tinguin idea de la seva existència i maneig. Per això, res millor que començar a tenir context sobre tot allò relacionat amb ella.

Però abans d'introduir-nos en aquesta «tercera part de l'apassionant i sorprenent àmbit de la Intel·ligència Artificial», i més específicament sobre alguns dels conceptes i termes més importants a tenir en compte, entendre i dominar, us recomanem explorar la anterior i recent publicació relacionada d'aquesta sèrie de publicacions, en finalitzar de llegir la mateixa:

Fonaments d'Intel·ligència Artificial - Tercera part: Conceptes i termes relacionats

20 conceptes i termes importants que s'esmenten sempre a l'àmbit de la Intel·ligència Artificial

1. Alucinació

L'al·lucinació fa referència a una situació en què un sistema d'IA, especialment en aquells casos en què s'encarrega del processament del llenguatge natural, comença a generar resultats que poden ser irrellevants, sense sentit o incorrectes basats en l'entrada proporcionada. Sovint això passa quan el sistema d'IA no està segur del context, depèn massa de les seves dades d'entrenament o no té una comprensió adequada del tema que se li presenta.

2. Aprenentatge Automàtic (Machine Learning)

Un subcamp de la IA que abasta el desenvolupament d'algorismes i models estadístics que permeten a les màquines millorar-ne el rendiment amb l'experiència. Un exemple seria un algoritme daprenentatge automàtic que pogués predir la probabilitat de pèrdua dels clients basant-se en el seu comportament passat. Gràcies a un programa d'aprenentatge automàtic, la màquina aprèn a resoldre problemes a partir d'exemples: així pot comparar i classificar dades i fins i tot reconèixer formes complexes.

3. Aprenentatge profund (Deep Learning)

Un subcamp de l'aprenentatge automàtic (machine learning) que utilitza xarxes neuronals amb múltiples capes per aprendre de les dades, és a dir, que utilitza diferents estructures de xarxes neuronals per aconseguir l'aprenentatge de capes successives de representacions cada cop més significatives de les dades. Actualment, és el camp amb més popularitat dins de la IA. I va sorgir de la combinació dels algorismes d'aprenentatge automàtic amb les xarxes neuronals formals i l'ús de les macrodades.

4. Big Data

Big Data és la branca de les Tecnologies de la informació que estudia les dificultats inherents a la manipulació de grans conjunts de dades. També anomenats Macrodatos, aquests es refereixen a un conjunt de dades grans i complexes que, sovint, són massa grans o variats per processar-se amb mètodes tradicionals. I a més, provenen d'una varietat de fonts (xarxes socials, sensors, etc.) i requereixen tècniques avançades, com ara la intel·ligència artificial i l'aprenentatge automàtic, per analitzar-los i extreure'n informació útil.‍

5. Conjunt de dades

Un Conjunt de dades o Dataset és una col·lecció de dades que habitualment estan estructurades en forma tabular. Per tant, és una recopilació de dades organitzada que es fa servir per entrenar, provar o validar models d'intel·ligència artificial. I pot contenir text, imatges, vídeos o un altre tipus dinformació, normalment etiquetada, per permetre que els algorismes aprenentatge automàtic per reconèixer patrons i fer prediccions.

6. Entrenament de models

L'entrenament de models és el procés d'usar un conjunt de dades per ensenyar un model d'intel·ligència artificial o aprenentatge automàtic a fer una tasca específica, com ara la classificació o la predicció. El model ajusta els seus paràmetres en funció dels exemples proporcionats, per tal de millorar-ne la precisió en les noves dades.

7. Generació Augmentada per Recuperació

RAG (per les sigles en anglès, Retrieval-Augmented Generation) és un mètode que permet a una IA consultar bases de dades externes o buscar a internet informació nova i actualitzada abans de generar una resposta. En lloc d'haver de tornar a entrenar tot el model amb dades noves, RAG funciona com una mena d'educació en temps real per a la IA. Això és molt útil perquè obliga el sistema a basar-se en documents específics i verificats, cosa que redueix en gran mesura el risc que la IA inventi informació (al·lucinacions).

8. GPT (Transformador generatiu pre-entrenat)

Són una família de models de llenguatge desenvolupats per OpenAI que utilitzen xarxes neuronals per comprendre i generar text de manera natural. Aquests models GPT (Transformador Generatiu Pre-entrenat) utilitzen una arquitectura anomenada Transformer que els permet analitzar consultes (prompts) i predir la resposta més probable basant-se en l'entrenament amb conjunts de dades massives. Per això, GPT és capaç d'imitar les capacitats de comprensió lingüística dels humans.

9. Generació de Llenguatge Natural (Generació de Llenguatge Natural)

La generació de llenguatge natural és un subcamp de la intel·ligència artificial que consisteix a produir automàticament textos o discursos comprensibles en llenguatge humà. Permet que una màquina transformi dades sense processar en oracions o paràgrafs naturals, com ara resums automatitzats o assistents virtuals.

10. Enginyeria de Prompts

És l'art de desenvolupar entrades (prompts) de sol·licituds (peticions) per aconseguir sortides generatives significatives, és a dir, més precises, productives i innovadores. O dit en altres paraules, és la ciència de dissenyar, optimitzar i refinar les instruccions que donem a una Intel·ligència Artificial generativa. El seu objectiu és guiar la IA per obtenir respostes precises, rellevants i d'alta qualitat, actuant com a pont comunicatiu per evitar resultats genèrics o erronis.

11. Model

Un model és l'objecte que representarà la sortida de l'algorisme d'aprenentatge. Per tant, és el que utilitzen les IA per fer les prediccions de sortida. Per exemple, els models base són una àmplia categoria de models dIA que inclouen models de llenguatge grans i altres tipus de models com els de visió per ordinador i models daprenentatge per reforç. I se'ls anomena “Models base” perquè serveixen com el pilar sobre el qual construir aplicacions, atenent una àmplia gamma de dominis i casos d'ús.

12. Models de llenguatge gran (Large Language Models)

Són un tipus de model d'aprenentatge profund entrenat en un gran conjunt de dades per fer tasques de comprensió i generació de llenguatge natural. Hi ha models molt coneguts, com ara BERT, PaLM, GPT-2, GPT-3, GPT-3.5 i l'innovador GPT-4. Tots aquests models varien en mida (nombre de paràmetres que es poden ajustar), a l'amplitud de tasques (codificació, xat, científiques, etc.), i en el coneixement en què han estat entrenats.

13. Models de llenguatge petits (Small Language Models)

Són versions de butxaca dels models de llenguatge grans, o LLM. Tots dos fan servir tècniques d'aprenentatge automàtic per ajudar-los a reconèixer patrons i relacions perquè puguin produir respostes realistes en llenguatge natural. Però, mentre que els LLM són enormes i necessiten una gran dosi de potència computacional i memòria, els SLM com Phi-3 s'entrenen en conjunts de dades més petites i seleccionades i tenen menys paràmetres, per la qual cosa són més compactes i fins i tot es poden fer servir sense connexió a Internet.

14. Biaix

Són les suposicions fetes per un model de IA sobre les dades. Un "compromís entre biaix i variància" és l'equilibri que s'ha d'aconseguir entre les suposicions que un model fa sobre les dades i la quantitat que canvien les prediccions d'un model, ateses diferents dades d'entrenament. El biaix inductiu és el conjunt de suposicions que un algorisme daprenentatge automàtic fa sobre la distribució subjacent de les dades.

15. Processament del llenguatge natural (Natural Languaje Processing)

És una disciplina interdisciplinària la idea central de la qual és donar a les màquines la capacitat de llegir i comprendre els idiomes que parlem els humans. La investigació del Processament del llenguatge natural té com a objectiu respondre la pregunta de com les persones són capaces de comprendre el significat d'una oració oral/escrita i com les persones entenen el que va succeir, quan i on va succeir; i les diferències entre una suposició, una creença o un fet. En conseqüència, implica programar ordinadors per processar volums massius de dades lingüístiques, i se centra a transformar un text en format lliure en una estructura estandarditzada.

16. Avís

És una instrucció o conjunt d'instruccions (input) que es dóna a un sistema informàtitzat perquè generi una resposta. En relació a la Intel·ligència Artificial, és la instrucció, ordre, pregunta, petició o declaració de text inicial que se li proporciona al model per guiar i adreçar la generació d'una resposta o sortida específica. El prompt actua com a estímul o disparador per a la IA, indicant el tema, l'estil, la direcció o el tipus de resposta que s'espera. La manera com es formula el prompt (el seu enquadrament) determina directament la qualitat i la rellevància dels resultats rebuts.

17. Xarxa Neuronal

Són un model computacional basat en un gran conjunt d'unitats neuronals simples (neurones artificials), de forma aproximadament anàloga al comportament observat als axons de les neurones als cervells biològics. Són la unitat de treball fonamental del Deep Learning. A més, és un model d'aprenentatge automàtic que permet reconèixer patrons i resoldre problemes, basats en formació automàtica o aprenentatge profund, buscant modelar els mecanismes d'anàlisi del cervell humà.

18. Transformador

Representa un tipus d'arquitectura de xarxa neuronal dissenyada per processar dades seqüencials, com ara el text. L'arquitectura transformadora aprèn context i, en conseqüència, significat. Capturen les relacions entre els diferents elements d'una seqüència (paraules, oracions) en paral·lel, en lloc de seqüencialment com els models tradicionals. Els transformadors són la base de models amb èxit com el GPT i el BERT i s'utilitzen per a tasques de processament de llenguatge natural.

19. Token

Un token a Intel·ligència Artificial és la unitat bàsica de dades (paraules, parts de paraules, caràcters o símbols) que els models de llenguatge (LLM) com GPT o Gemini utilitzen per processar, entendre i generar text. És la «moneda» o fragment essencial d'informació que la IA llegeix i analitza, i permet dividir el llenguatge humà en peces manejables (computables). En conseqüència, els models d'IA processen els tokens per comprendre les relacions entre ells i desbloquejar capacitats com ara la predicció, la generació i el raonament. Com més ràpid es processin els tokens, més ràpid podran aprendre i respondre els models.

20. Validació creuada

És un mètode utilitzat per avaluar els resultats d‟una anàlisi i garantir l‟exactitud de les prediccions dels models d‟aprenentatge automàtic. Per tant, és una tècnica per avaluar models d'aprenentatge automàtic que s'enfoca a dividir un conjunt de dades en diversos subconjunts (o plecs). Després, el model s'entrena en alguns subconjunts i es prova en altres. Això permet estimar el rendiment del model de manera més fiable en reduir el sobreaprenentatge.‍

Altres fonaments d'intel·ligència artificial que val investigar, entendre i dominar en aquesta tercera part

Aquests són uns pocs conceptes i termes dels molts que realment val la pena conèixer, entendre i dominar en aquest modern i innovador àmbit de la Intel·ligència Artificial. Raó per la qual, per estendre la informació aquí oferta i guiar-te fàcilment a altres més, t'oferim aquesta interessant infografia creada amb IA perquè tinguis una petita idea d'altres igual d'importants i essencials:

Resum

En resum, esperem que aquesta «tercera part de l'apassionant i sorprenent àmbit de la Intel·ligència Artificial» amb èmfasi en la Intel·ligència Artificial Generativa (IAG), hagi contribuït una mica més a enfortir i augmentar els teus coneixements i destreses sobre aquest àmbit modern i innovador. No oblidis que, la Intel·ligència Artificial al costat de la Robòtica avui dia, estan canviant al món i la nostra forma de viure la vida. I que en anys, quan la Computació quàntica es faci comercial i l'Energia quàntica (produïda mitjançant l'efecte Casimir) sigui d'accés massiu per a tota la Humanitat, aquesta pot arribar a ser totalment diferent de com avui en gaudim. Així que, val més aprendre d'Intel·ligència Artificial ara que negar-se, i haver de lamentar-se demà. I per descomptat, no oblidis seguir participant, contribuint i recolzant el nostre estimat i valuós Linuxvers.

Finalment, recorda visitar la nostra «pàgina d'inici» en castellà. O, en qualsevol altre idioma (només afegir al final de la nostra URL actual, 2 lletres al final, per exemple: ar, de, en, fr, ja, pt i ru, entre moltes altres) per conèixer més continguts actuals.