Grundlæggende om kunstig intelligens (AI) for Linux-brugere – del tre

Ja, Kunne du lide vores to første indlæg relateret til kunstig intelligens (AI)-læring for Linux-brugere?Så i dag vil du højst sandsynligt sætte pris på denne tredje del, hvor vi dækker flere af de vigtigste koncepter og termer, der er forbundet med dette teknologiske felt. Og hvis du ikke har læst de to foregående dele, vil vi gerne præcisere det. I anden del vil vi behandle pointen om forskellen mellem Symbolsk kunstig intelligens og konnektionistisk kunstig intelligens og om de historiske milepæle inden for dette teknologiske felt i løbet af de sidste 100 år. I betragtning af, at i I første del fokuserer vi en Hvad er AI, og om de forskellige typer, der allerede er skabt (Smal eller Svag, Generativ og Agent) og som forventes at blive skabt (Generel eller Stærk, og Kunstig Superintelligens).

Og som ved tidligere lejligheder, husk på, at ligesom i deres tid elektricitet, radio, fjernsyn, computere, telefoner, internettet og sociale netværk; Kunstig intelligens er en teknologi, der er kommet for at blive dybt integreret i altOg det, ved at spare os værdifuld tid og dyre arbejdstimer, og gøre os mere produktive, kreative og alsidige; helt sikkert, Lidt efter lidt vil det fortrænge dem, der har den mindste idé om dets eksistens og funktion.Derfor er der intet bedre end at begynde at få lidt kontekst om alt, der har med det at gøre.

Men før vi dykker ned i dette "Den tredje del af det spændende og overraskende felt inden for kunstig intelligens"Og mere specifikt med hensyn til nogle af de vigtigste koncepter og termer at overveje, forstå og mestre, anbefaler vi at udforske tidligere og nylige relaterede publikationer i denne serie af publikationer, efter at have læst det færdigt:

Grundlæggende om kunstig intelligens – del tre: Relaterede begreber og termer

20 vigtige koncepter og termer, der altid nævnes inden for kunstig intelligens

1. Hallucinationer

Hallucination refererer til en situation, hvor et AI-system, især et system, der håndterer behandling af naturligt sprog, begynder at generere resultater, der kan være irrelevante, meningsløse eller forkerte baseret på det givne input. Dette sker ofte, når AI-systemet er usikkert over konteksten, er for afhængigt af sine træningsdata eller mangler en ordentlig forståelse af emnet.

2. Machine Learning

Et underfelt af AI, der omfatter udviklingen af ​​algoritmer og statistiske modeller, der gør det muligt for maskiner at forbedre deres ydeevne med erfaring. Et eksempel ville være en maskinlæringsalgoritme, der kan forudsige sandsynligheden for kundefrafald baseret på tidligere adfærd. Takket være et maskinlæringsprogram lærer maskinen at løse problemer ud fra eksempler: den kan således sammenligne og klassificere data og endda genkende komplekse former.

3. Dyb læring

Et underfelt inden for maskinlæring, der bruger flerlagede neurale netværk til at lære af data, hvilket betyder, at det anvender forskellige neurale netværksstrukturer til at lære successive lag af stadig mere meningsfulde datarepræsentationer. I øjeblikket er det det mest populære felt inden for AI. Det opstod fra kombinationen af ​​maskinlæringsalgoritmer med formelle neurale netværk og brugen af ​​big data.

4.Big Data

Big Data er den gren af ​​informationsteknologi, der studerer de iboende vanskeligheder ved håndtering af store datasæt. Også kaldet makrodata, refererer disse til store og komplekse datasæt, der ofte er for store eller varierede til at blive behandlet ved hjælp af traditionelle metoder. Desuden kommer de fra en række forskellige kilder (sociale netværk, sensorer osv.) og kræver avancerede teknikker, såsom kunstig intelligens og maskinlæring, for at analysere dem og udtrække nyttige oplysninger.

5. Datasæt

Et datasæt er en samling af data, typisk struktureret i en tabel. Det er en organiseret samling af data, der bruges til at træne, teste eller validere kunstig intelligens-modeller. Det kan indeholde tekst, billeder, videoer eller andre typer information, normalt mærket for at give maskinlæringsalgoritmer mulighed for at genkende mønstre og lave forudsigelser.

6. Modeltræning

Modeltræning er processen med at bruge et datasæt til at lære en kunstig intelligens- eller maskinlæringsmodel at udføre en specifik opgave, såsom klassificering eller forudsigelse. Modellen justerer sine parametre baseret på de givne eksempler for at forbedre dens nøjagtighed med nye data.

7. Forbedret generering ved genopretning

RAG (Retrieval-Augmented Generation) er en metode, der gør det muligt for en AI at forespørge eksterne databaser eller søge på internettet efter nye og opdaterede oplysninger, før den genererer et svar. I stedet for at skulle omtræne hele modellen med nye data, fungerer RAG som en slags "realtidsuddannelse" for AI'en. Dette er meget nyttigt, fordi det tvinger systemet til at stole på specifikke og verificerede dokumenter, hvilket i høj grad reducerer risikoen for, at AI'en fabrikerer oplysninger (hallucinationer).

8. GPT (Generative Pre-trained Transformer)

De er en familie af sprogmodeller udviklet af OpenAI, der bruger neurale netværk til at forstå og generere tekst naturligt. Disse GPT-modeller (Generative Pretrained Transformer) bruger en arkitektur kaldet Transformer, der giver dem mulighed for at analysere prompts og forudsige det mest sandsynlige svar baseret på træning med massive datasæt. På grund af dette er GPT i stand til at efterligne menneskelige sprogforståelsesevner.

9. Generering af naturligt sprog (Generering af naturligt sprog)

Generering af naturligt sprog er et underfelt inden for kunstig intelligens, der involverer automatisk produktion af forståelige tekster eller tale på menneskeligt sprog. Det gør det muligt for en maskine at omdanne rådata til naturlige sætninger eller afsnit, f.eks. i automatiserede resuméer eller virtuelle assistenter.

10. Hurtig ingeniørarbejde

Det er kunsten at udvikle prompts til anmodninger for at opnå meningsfulde generative output – det vil sige mere præcise, produktive og innovative output. Eller sagt på en anden måde er det videnskaben om at designe, optimere og forfine de instruktioner, vi giver til en generativ kunstig intelligens. Dens mål er at guide AI'en til at opnå præcise, relevante og højkvalitetssvar og fungere som en kommunikationsbro for at undgå generiske eller fejlagtige resultater.

11. Model

En model er det objekt, der repræsenterer outputtet fra læringsalgoritmen. Derfor er det det, AI bruger til at lave outputforudsigelser. For eksempel er grundlæggende modeller en bred kategori af AI-modeller, der omfatter store sprogmodeller og andre typer modeller såsom computer vision og forstærkningslæringsmodeller. De kaldes "grundlæggende modeller", fordi de fungerer som fundamentet for at bygge applikationer, der adresserer en bred vifte af domæner og use cases.

12. Store sprogmodeller

De er en type deep learning-model, der er trænet på et stort datasæt til at udføre opgaver med forståelse og generering af naturligt sprog. Kendte modeller inkluderer BERT, PaLM, GPT-2, GPT-3, GPT-3.5 og den innovative GPT-4. Disse modeller varierer i størrelse (antal parametre, der kan justeres), omfanget af opgaver, de kan udføre (kodning, chat, videnskabeligt osv.), og den vidensbase, de er trænet på.

13. Små sprogmodeller

De er lommeversioner af store sprogmodeller, eller LLM'er. Begge bruger maskinlæringsteknikker til at hjælpe dem med at genkende mønstre og relationer, så de kan producere realistiske naturlige sprogsvar. Men selvom LLM'er er enorme og kræver meget computerkraft og hukommelse, trænes små sprogmodeller som Phi-3 på mindre, mere kuraterede datasæt og har færre parametre, hvilket gør dem mere kompakte og endda brugbare offline.

14. Bias

Dette er de antagelser, som en AI-model gør om dataene. En "bias-variance-afvejning" er den balance, der skal findes mellem de antagelser, en model gør om dataene, og hvor meget en models forudsigelser ændrer sig, givet forskellige træningsdata. Induktiv bias er det sæt af antagelser, som en maskinlæringsalgoritme gør om den underliggende fordeling af dataene.

15. Naturlig sprogbehandling

Det er et tværfagligt felt, hvis centrale idé er at give maskiner muligheden for at læse og forstå de sprog, mennesker taler. Forskning i naturlig sprogbehandling sigter mod at besvare spørgsmålet om, hvordan mennesker er i stand til at forstå betydningen af ​​en talt eller skriftlig sætning, og hvordan de forstår, hvad der skete, hvornår og hvor det skete; og forskellene mellem en antagelse, en overbevisning og en kendsgerning. Derfor involverer det programmering af computere til at behandle enorme mængder af sproglige data og fokuserer på at omdanne frit formuleret tekst til en standardiseret struktur.

16. Spørg

En prompt er en instruktion eller et sæt instruktioner (input), der gives til et computersystem for at generere et svar. I forbindelse med kunstig intelligens er det den indledende instruktion, kommando, spørgsmål, anmodning eller tekstmeddelelse, der gives til modellen for at guide og styre genereringen af ​​et specifikt svar eller output. Prompten fungerer som en stimulus eller trigger for AI'en og angiver emnet, stilen, retningen eller typen af ​​forventet svar. Den måde, prompten er formuleret på (dens indramning), bestemmer direkte kvaliteten og relevansen af ​​de modtagne resultater.

17. Neuralt netværk

De er en beregningsmodel baseret på et stort sæt af simple neurale enheder (kunstige neuroner), der nogenlunde svarer til den adfærd, der observeres i neuronernes axoner i biologiske hjerner. De er den grundlæggende arbejdsenhed i Deep Learning. Desuden er det en maskinlæringsmodel, der muliggør mønstergenkendelse og problemløsning, baseret på maskinlæring eller deep learning, der søger at modellere de analytiske mekanismer i den menneskelige hjerne.

18. Transformer

Transformere repræsenterer en type neural netværksarkitektur designet til at behandle sekventielle data, såsom tekst. Transformere lærer kontekst og dermed betydning. De indfanger forholdet mellem forskellige elementer i en sekvens (ord, sætninger) parallelt i stedet for sekventielt som traditionelle modeller. Transformere er grundlaget for succesfulde modeller som GPT og BERT og bruges til opgaver med behandling af naturligt sprog.

19. Polet

Et token i kunstig intelligens er den grundlæggende dataenhed (ord, dele af ord, tegn eller symboler), som sprogindlæringsmodeller (LLM'er) som GPT eller Gemini bruger til at behandle, forstå og generere tekst. Det er den "valuta" eller det essentielle stykke information, som AI læser og analyserer, hvilket gør det muligt for den at opdele menneskeligt sprog i håndterbare (beregnelige) bidder. Derfor behandler AI-modeller tokens for at forstå forholdet mellem dem og låse op for funktioner som forudsigelse, generering og ræsonnement. Jo hurtigere tokens behandles, jo hurtigere kan modellerne lære og reagere.

20. Krydsvalidering

Det er en metode, der bruges til at evaluere resultaterne af en analyse og sikre nøjagtigheden af ​​forudsigelser for maskinlæringsmodeller. Derfor er det en teknik til evaluering af maskinlæringsmodeller, der fokuserer på at opdele et datasæt i flere delmængder (eller "folds"). Modellen trænes derefter på nogle delmængder og testes på andre. Dette giver mulighed for en mere pålidelig estimering af modellens ydeevne ved at reducere overlæring.

Andre grundlæggende elementer i kunstig intelligens, der er værd at undersøge, forstå og mestre i denne tredje del

Dette er blot et par begreber og termer ud af de mange, der virkelig er værd at kende, forstå og mestre. inden for dette moderne og innovative felt af kunstig intelligens. For at uddybe den information, der tilbydes her, og nemt guide dig videre til andre, tilbyder vi dig derfor dette Interessant infografik skabt med AI for at give dig en lille idé om andre, der er lige så vigtige og essentielle:

Resumé

Kort sagt håber vi, at dette "Den tredje del af det spændende og overraskende felt inden for kunstig intelligens" med fokus på Generativ Kunstig Intelligens (GAI), har måske bidraget lidt mere til at styrke og øge din viden og dine færdigheder inden for dette moderne og innovative felt. Glem ikke det, Kunstig intelligens og robotteknologi ændrer verden og den måde, vi lever vores liv på.Og at det i de kommende år, når kvanteberegninger bliver kommercielt tilgængelige, og kvanteenergi (produceret gennem Casimir-effekten) er bredt tilgængelig for hele menneskeheden, kan være helt anderledes end, hvordan vi oplever det i dag. Så det er bedre at lære om kunstig intelligens nu end at afvise og fortryde det i morgen. Og glem selvfølgelig ikke at fortsætte med at deltage, bidrage og støtte vores elskede og værdifulde Linuxvers.

Husk endelig besøg vores «hjemmeside» på spanskEller på et hvilket som helst andet sprog (ved blot at tilføje 2 bogstaver til slutningen af ​​vores nuværende URL, for eksempel: ar, de, en, fr, ja, pt og ru, blandt mange andre) for at finde mere aktuelt indhold.