Základy umělé inteligence (AI) pro uživatele Linuxu – třetí část

Ano, Líbily se vám naše první dva příspěvky týkající se učení umělé inteligence (AI) pro uživatele Linuxu?Takže dnes s největší pravděpodobností oceníte tuto třetí část, kde se budeme zabývat několika nejdůležitějšími koncepty a pojmy spojenými s touto technologickou oblastí. A pokud jste si nečetli předchozí dvě části, rádi bychom to objasnili. Ve druhé části se budeme zabývat pointa o rozdílu mezi Symbolická umělá inteligence a konekcionistická umělá inteligence a na historických milnících této technologické oblasti za posledních 100 let. Zatímco v V první části se zaměříme en Co je umělá inteligence a jaké jsou její různé typy, které již byly vytvořeny (Úzké nebo Slabé, Generativní a Agentní) a u kterých se očekává, že budou vytvořeny (Obecné nebo Silné a Umělá superinteligence).

A stejně jako v předchozích případech mějte na paměti, že stejně jako v jejich době elektřina, rádio, televize, počítače, telefony, internet a sociální sítě; Umělá inteligence je technologie, která se hluboce integruje do všeho.A to tím, že nám to ušetří drahocenný čas a nákladnou pracovní dobu a udělá nás produktivnějšími, kreativnějšími a všestrannějšími; to je jisté, Krůček po krůčku vytlačí ty, kteří mají o jeho existenci a fungování sebemenší ponětí.Proto není nic lepšího, než začít zjišťovat kontext o všem, co s tím souvisí.

Ale než se do toho ponoříme „Třetí část vzrušující a překvapivé oblasti umělé inteligence“A konkrétněji ohledně některých nejdůležitějších konceptů a pojmů, které je třeba zvážit, pochopit a zvládnout, doporučujeme prozkoumat předchozí a nedávné související publikace v této publikační sérii, po dočtení:

Základy umělé inteligence – třetí část: Související koncepty a pojmy

20 důležitých konceptů a pojmů, které se v oblasti umělé inteligence neustále zmiňují

1. Halucinace

Halucinace označuje situaci, kdy systém umělé inteligence, zejména ten, který zpracovává přirozený jazyk, začne generovat výsledky, které mohou být na základě poskytnutých vstupů irelevantní, nesmyslné nebo nesprávné. K tomu často dochází, když si systém umělé inteligence není jistý kontextem, příliš se spoléhá na svá trénovací data nebo mu chybí správné pochopení dané problematiky.

2. Strojové učení

Podobor umělé inteligence, který zahrnuje vývoj algoritmů a statistických modelů, jež umožňují strojům s rostoucími zkušenostmi zlepšovat jejich výkon. Příkladem by mohl být algoritmus strojového učení, který by mohl předpovídat pravděpodobnost odchodu zákazníků na základě minulého chování. Díky programu strojového učení se stroj učí řešit problémy z příkladů: dokáže tak porovnávat a klasifikovat data a dokonce rozpoznávat složité tvary.

3. Hluboké učení

Podobor strojového učení, který využívá vícevrstvé neuronové sítě k učení se z dat, což znamená, že využívá různé struktury neuronových sítí k učení se postupných vrstev stále smysluplnějších reprezentací dat. V současné době je to nejpopulárnější obor v rámci umělé inteligence. Vznikl kombinací algoritmů strojového učení s formálními neuronovými sítěmi a využitím velkých dat (Big Data).

4. Velká data

Velká data (Big Data) jsou odvětví informačních technologií, které studuje inherentní obtíže spojené se zpracováním velkých datových sad. Také se nazývají makrodata a označují velké a složité datové sady, které jsou často příliš velké nebo rozmanité na to, aby je bylo možné zpracovat tradičními metodami. Navíc pocházejí z různých zdrojů (sociální sítě, senzory atd.) a k jejich analýze a extrakci užitečných informací vyžadují pokročilé techniky, jako je umělá inteligence a strojové učení.

5. Soubor dat

Datová sada je soubor dat, obvykle strukturovaný v tabulce. Jedná se o uspořádaný soubor dat používaný k trénování, testování nebo validaci modelů umělé inteligence. Může obsahovat text, obrázky, videa nebo jiné typy informací, obvykle označené tak, aby algoritmy strojového učení mohly rozpoznávat vzory a vytvářet předpovědi.

6. Modelový výcvik

Trénování modelu je proces použití datové sady k učení modelu umělé inteligence nebo strojového učení provádět specifický úkol, jako je klasifikace nebo predikce. Model upravuje své parametry na základě poskytnutých příkladů, aby se s novými daty zlepšila jeho přesnost.

7. Vylepšená generace díky obnově

RAG (Retrieval-Augmented Generation) je metoda, která umožňuje umělé inteligenci dotazovat se v externích databázích nebo vyhledávat na internetu nové a aktualizované informace před vygenerováním odpovědi. Místo nutnosti přeškolovat celý model s novými daty funguje RAG jako druh „vzdělávání v reálném čase“ pro umělou inteligenci. To je velmi užitečné, protože nutí systém spoléhat se na konkrétní a ověřené dokumenty, což výrazně snižuje riziko, že si umělá inteligence vymýšlí informace (halucinace).

8. GPT (generativní předtrénovaný transformátor)

Jedná se o rodinu jazykových modelů vyvinutých OpenAI, které využívají neuronové sítě k přirozenému porozumění a generování textu. Tyto modely GPT (Generativní předtrénovaný transformátor) používají architekturu nazvanou Transformer, která jim umožňuje analyzovat zadání a předpovídat nejpravděpodobnější odpověď na základě trénování s rozsáhlými datovými sadami. Díky tomu je GPT schopen napodobit schopnosti porozumění lidskému jazyku.

9. Generování přirozeného jazyka (Generování přirozeného jazyka)

Generování přirozeného jazyka je podoblast umělé inteligence, která zahrnuje automatické vytváření srozumitelných textů nebo řeči v lidském jazyce. Umožňuje stroji transformovat nezpracovaná data do přirozených vět nebo odstavců, například v automatických shrnutích nebo virtuálních asistentech.

10. Rychlé inženýrství

Je to umění vyvíjet výzvy k požadavkům s cílem dosáhnout smysluplných generativních výstupů – tedy přesnějších, produktivnějších a inovativnějších výstupů. Nebo, jinak řečeno, je to věda o navrhování, optimalizaci a zdokonalování instrukcí, které dáváme generativní umělé inteligenci. Jejím cílem je vést umělou inteligenci k získávání přesných, relevantních a vysoce kvalitních odpovědí a fungovat jako komunikační most, aby se zabránilo generickým nebo chybným výsledkům.

11. Model

Model je objekt, který bude reprezentovat výstup učícího algoritmu. Je to tedy to, co umělá inteligence používá k vytváření predikcí výstupů. Například základní modely jsou širokou kategorií modelů umělé inteligence, která zahrnuje modely velkých jazyků a další typy modelů, jako je počítačové vidění a modely učení s posilováním. Nazývají se „základní modely“, protože slouží jako základ, na kterém se staví aplikace a které řeší širokou škálu oblastí a případů užití.

12. Modely velkých jazyků

Jedná se o typ modelu hlubokého učení trénovaného na velké datové sadě za účelem provádění úkolů porozumění a generování přirozeného jazyka. Mezi známé modely patří BERT, PaLM, GPT-2, GPT-3, GPT-3.5 a inovativní GPT-4. Tyto modely se liší velikostí (počet parametrů, které lze upravit), rozsahem úkolů, které mohou provádět (kódování, chat, vědecké práce atd.) a znalostní základnou, na které byly trénovány.

13. Modely malých jazyků

Jsou to kapesní verze velkých jazykových modelů (LLM). Oba používají techniky strojového učení, které jim pomáhají rozpoznávat vzory a vztahy, aby mohly vytvářet realistické odpovědi v přirozeném jazyce. Zatímco LLM jsou obrovské a vyžadují spoustu výpočetního výkonu a paměti, malé jazykové modely, jako je Phi-3, jsou trénovány na menších, lépe upravených datových sadách a mají méně parametrů, díky čemuž jsou kompaktnější a dokonce použitelné i offline.

14. Zaujatost

Toto jsou předpoklady, které model umělé inteligence vytváří o datech. „Kompromis mezi zkreslením a rozptylem“ je rovnováha, která musí být nalezena mezi předpoklady, které model vytváří o datech, a mírou změn předpovědí modelu v závislosti na různých trénovacích datech. Induktivní zkreslení je sada předpokladů, které algoritmus strojového učení vytváří o podkladovém rozdělení dat.

15. Zpracování přirozeného jazyka

Jedná se o interdisciplinární obor, jehož ústřední myšlenkou je dát strojům schopnost číst a rozumět jazykům, kterými lidé mluví. Výzkum v oblasti zpracování přirozeného jazyka si klade za cíl odpovědět na otázku, jak jsou lidé schopni pochopit význam mluvené nebo psané věty a jak chápou, co se stalo, kdy a kde se to stalo; a rozdíly mezi předpokladem, přesvědčením a faktem. V důsledku toho zahrnuje programování počítačů pro zpracování obrovského množství jazykových dat a zaměřuje se na transformaci volného textu do standardizované struktury.

16. Výzva

Výzva je instrukce nebo sada instrukcí (vstupů) zadaných počítačovému systému za účelem generování odpovědi. V kontextu umělé inteligence se jedná o počáteční instrukci, příkaz, otázku, požadavek nebo textový příkaz poskytnutý modelu za účelem vedení a řízení generování konkrétní odpovědi nebo výstupu. Výzva funguje jako podnět nebo spouštěč pro umělou inteligenci a udává téma, styl, směr nebo typ očekávané odpovědi. Způsob, jakým je výzva formulována (její rámování), přímo určuje kvalitu a relevanci obdržených výsledků.

17. Neuronová síť

Jedná se o výpočetní model založený na velké sadě jednoduchých neuronových jednotek (umělých neuronů), zhruba analogický s chováním pozorovaným v axonech neuronů v biologických mozcích. Jsou základní pracovní jednotkou hlubokého učení. Dále se jedná o model strojového učení, který umožňuje rozpoznávání vzorů a řešení problémů, založený na strojovém učení neboli hlubokém učení, a snaží se modelovat analytické mechanismy lidského mozku.

18. Transformátor

Transformátory představují typ architektury neuronové sítě určené ke zpracování sekvenčních dat, jako je text. Transformátory se učí kontext a následně i význam. Zachycují vztahy mezi různými prvky sekvence (slovy, větami) paralelně, nikoli sekvenčně jako tradiční modely. Transformátory jsou základem úspěšných modelů, jako jsou GPT a BERT, a používají se pro úlohy zpracování přirozeného jazyka.

19. Žeton

Token v umělé inteligenci je základní datová jednotka (slova, části slov, znaky nebo symboly), kterou modely učení jazyka (LLM), jako je GPT nebo Gemini, používají ke zpracování, porozumění a generování textu. Je to „měna“ nebo základní informace, kterou umělá inteligence čte a analyzuje, což jí umožňuje rozdělit lidský jazyk na zvládnutelné (vypočítatelné) části. Modely umělé inteligence následně zpracovávají tokeny, aby pochopily vztahy mezi nimi a odemkly funkce, jako je predikce, generování a uvažování. Čím rychleji jsou tokeny zpracovány, tím rychleji se modely dokáží učit a reagovat.

20. Křížová validace

Jedná se o metodu používanou k vyhodnocení výsledků analýzy a zajištění přesnosti predikcí modelů strojového učení. Jedná se tedy o techniku ​​pro vyhodnocování modelů strojového učení, která se zaměřuje na rozdělení datové sady do několika podmnožin (neboli „foldů“). Model je poté trénován na některých podmnožinách a testován na jiných. To umožňuje spolehlivější odhad výkonu modelu snížením přeučení.

Další základy umělé inteligence, které stojí za to prozkoumat, pochopit a zvládnout v této třetí části

Toto je jen několik konceptů a pojmů z mnoha, které skutečně stojí za to znát, pochopit a zvládnout. v této moderní a inovativní oblasti umělé inteligence. Abychom rozšířili zde uvedené informace a snadno vás nasměrovali k ostatním, nabízíme vám toto Zajímavá infografika vytvořená pomocí umělé inteligence abyste měli malou představu o dalších, které jsou stejně důležité a nezbytné:

Shrnutí

Stručně řečeno, doufáme, že toto „Třetí část vzrušující a překvapivé oblasti umělé inteligence“ s důrazem na generativní umělou inteligenci (GAI) mohlo o něco více přispět k posílení a rozšíření vašich znalostí a dovedností v této moderní a inovativní oblasti. Nezapomeňte, že Umělá inteligence a robotika mění svět a způsob, jakým žijeme.A že v nadcházejících letech, až se kvantové výpočty stanou komerčně dostupnými a kvantová energie (vyrobená Casimirovým efektem) bude široce dostupná celému lidstvu, by se to mohlo zcela lišit od toho, jak to vnímáme dnes. Je tedy lepší se o umělé inteligenci dozvědět hned teď, než to odmítat a zítra litovat. A samozřejmě nezapomeňte i nadále se účastnit, přispívat a podporovat náš milovaný a cenný Linuxverse.

Konečně, pamatujte navštivte naše «domovská stránka» en Español ± olNebo v jakémkoli jiném jazyce (jednoduchým přidáním 2 písmen na konec naší aktuální URL adresy, například: ar, de, en, fr, ja, pt a ru, mimo jiné) a zjistěte více aktuálního obsahu.