Tekoälyn (AI) perusteet Linux-käyttäjille – Osa kolme

Kyllä, Pititkö kahdesta ensimmäisestä Linux-käyttäjille suunnatusta tekoälyn (AI) oppimiseen liittyvästä postauksestamme?Joten tänään arvostat todennäköisesti tätä kolmatta osaa, jossa käsittelemme useita tärkeimpiä tähän teknologian alaan liittyviä käsitteitä ja termejä. Ja jos et ole lukenut kahta edellistä osaa, haluaisimme selventää, että Toisessa osassa käsittelemme pointti erosta Symbolinen tekoäly ja konnektionistinen tekoäly ja tämän teknologian alan historiallisista virstanpylväistä viimeisten 100 vuoden aikana. Ottaen huomioon, että Ensimmäisessä osassa keskitymme en Mitä on tekoäly ja mitä on jo luotu erityyppisiä tekoälyjä? (Kapea tai heikko, Generatiivinen ja Agentti) ja joiden odotetaan syntyvän (Yleinen tai Vahva ja Tekoäly).

Ja kuten aiemmissakin tilanteissa, muistakaa, että aivan kuten heidän aikanaan sähkö, radio, televisio, tietokoneet, puhelimet, internet ja sosiaaliset verkostot; Tekoäly on teknologiaa, joka on tullut integroituneeksi syvälle kaikkeenJa se säästää meiltä arvokasta aikaa ja kalliita työtunteja sekä tekee meistä tuottavampia, luovempia ja monipuolisempia; aivan varmasti, Vähitellen se syrjäyttää ne, joilla on vähiten tietoa sen olemassaolosta ja toiminnasta.Siksi ei ole mitään parempaa kuin alkaa saada jonkinlaista kontekstia kaikkeen siihen liittyvään.

Mutta ennen kuin syvennymme tähän "Jännittävän ja yllättävän tekoälyn kentän kolmas osa"Ja erityisesti tärkeimpien käsitteiden ja termien, jotka on otettava huomioon, ymmärrettävä ja hallittava, osalta suosittelemme tutustumaan seuraaviin: aiemmat ja viimeaikaiset aiheeseen liittyvät julkaisut tässä julkaisusarjassa, luettuani sen loppuun:

Tekoälyn perusteet – Osa kolme: Liittyvät käsitteet ja termit

20 tärkeää käsitettä ja termiä, joita aina mainitaan tekoälyn alalla

1. Hallusinaatio

Hallusinaatiolla tarkoitetaan tilannetta, jossa tekoälyjärjestelmä, erityisesti luonnollisen kielen prosessointia käsittelevä järjestelmä, alkaa tuottaa tuloksia, jotka voivat olla epäolennaisia, järjettömiä tai virheellisiä annetun syötteen perusteella. Tämä tapahtuu usein, kun tekoälyjärjestelmä on epävarma kontekstista, luottaa liikaa harjoitusdataansa tai sillä ei ole asianmukaista ymmärrystä aiheesta.

2. Koneoppiminen

Tekoälyn osa-alue, joka kattaa algoritmien ja tilastollisten mallien kehittämisen, joiden avulla koneet voivat parantaa suorituskykyään kokemuksen avulla. Esimerkkinä tästä olisi koneoppimisalgoritmi, joka voisi ennustaa asiakaspoistuman todennäköisyyden aiemman käyttäytymisen perusteella. Koneoppimisohjelman ansiosta kone oppii ratkaisemaan ongelmia esimerkkien avulla: se voi siten vertailla ja luokitella dataa ja jopa tunnistaa monimutkaisia ​​muotoja.

3. Syväoppiminen

Koneoppimisen osa-alue, joka käyttää monikerroksisia neuroverkkoja oppiakseen datasta. Tämä tarkoittaa, että se käyttää erilaisia ​​neuroverkkorakenteita oppiakseen peräkkäisiä kerroksia yhä merkityksellisempiä datan esitystapoja. Tällä hetkellä se on tekoälyn suosituin ala. Se syntyi koneoppimisalgoritmien yhdistämisestä muodollisiin neuroverkkoihin ja big datan käyttöön.

4. Suuret tiedot

Big Data on tietotekniikan haara, joka tutkii suurten tietojoukkojen käsittelyyn liittyviä vaikeuksia. Makrodataksikin kutsuttu Big Data tarkoittaa suuria ja monimutkaisia ​​tietojoukkoja, jotka ovat usein liian suuria tai vaihtelevia käsiteltäväksi perinteisillä menetelmillä. Lisäksi ne ovat peräisin useista eri lähteistä (sosiaaliset verkostot, anturit jne.) ja vaativat edistyneitä tekniikoita, kuten tekoälyä ja koneoppimista, niiden analysointiin ja hyödyllisen tiedon poimimiseen.

5. Tietojoukko

Tietojoukko on kokoelma tietoja, jotka on tyypillisesti jäsennelty taulukkoon. Se on järjestelmällinen kokoelma tietoja, joita käytetään tekoälymallien kouluttamiseen, testaamiseen tai validointiin. Se voi sisältää tekstiä, kuvia, videoita tai muun tyyppistä tietoa, joka on yleensä merkitty, jotta koneoppimisalgoritmit voivat tunnistaa malleja ja tehdä ennusteita.

6. Mallikoulutus

Mallin kouluttaminen on prosessi, jossa tietoaineistoa käytetään tekoäly- tai koneoppimismallin opettamiseen suorittamaan tietty tehtävä, kuten luokittelu tai ennustaminen. Malli säätää parametrejaan annettujen esimerkkien perusteella parantaakseen tarkkuuttaan uusien tietojen kanssa.

7. Tehostettu tuotanto elpymisen avulla

RAG (Retrieval-Augmented Generation) on menetelmä, jonka avulla tekoäly voi tehdä kyselyitä ulkoisista tietokannoista tai hakea internetistä uutta ja päivitettyä tietoa ennen vastauksen luomista. Sen sijaan, että koko mallia tarvitsisi kouluttaa uudelleen uusilla tiedoilla, RAG toimii eräänlaisena "reaaliaikaisena koulutuksena" tekoälylle. Tämä on erittäin hyödyllistä, koska se pakottaa järjestelmän luottamaan tiettyihin ja varmennettuihin dokumentteihin, mikä vähentää huomattavasti riskiä, ​​että tekoäly väärentää tietoa (hallusinaatiot).

8. GPT (Generative Pre-trained Transformer)

Ne ovat OpenAI:n kehittämä kielimallien perhe, joka käyttää neuroverkkoja tekstin luonnolliseen ymmärtämiseen ja luomiseen. Nämä GPT-mallit (Generative Pretrained Transformer) käyttävät Transformer-nimistä arkkitehtuuria, jonka avulla ne voivat analysoida kehotteita ja ennustaa todennäköisimmän vastauksen massiivisten tietojoukkojen harjoittelun perusteella. Tämän ansiosta GPT pystyy matkimaan ihmisen kielen ymmärtämiskykyä.

9. Luonnollisen kielen generointi (Luonnollisen kielen luominen)

Luonnollisen kielen generointi on tekoälyn osa-alue, johon liittyy ymmärrettävien tekstien tai puheen automaattinen tuottaminen ihmiskielellä. Se mahdollistaa koneen muuntaa raakadatan luonnollisiksi lauseiksi tai kappaleiksi, kuten automatisoiduissa yhteenvedoissa tai virtuaaliassistenteissa.

10. Nopea suunnittelu

Se on taidetta kehittää pyyntökehotteita merkityksellisten generatiivisten tulosteiden – eli tarkempien, tuottavampien ja innovatiivisempien tulosteiden – saavuttamiseksi. Tai toisin sanoen se on tiedettä generatiiviselle tekoälylle antamiemme ohjeiden suunnittelusta, optimoinnista ja jalostuksesta. Sen tavoitteena on ohjata tekoälyä saamaan tarkkoja, relevantteja ja korkealaatuisia vastauksia toimien viestintäsiltana yleisten tai virheellisten tulosten välttämiseksi.

11. Malli

Malli on objekti, joka edustaa oppimisalgoritmin tuotosta. Siksi tekoäly käyttää sitä tulosennusteiden tekemiseen. Esimerkiksi perusmallit ovat laaja tekoälymallien luokka, johon kuuluvat laajat kielimallit ja muuntyyppiset mallit, kuten konenäkö ja vahvistusoppimismallit. Niitä kutsutaan "perusmalleiksi", koska ne toimivat pohjana sovellusten rakentamiselle, ja ne kattavat laajan kirjon eri alueita ja käyttötapauksia.

12. Suuret kielimallit

Ne ovat syväoppimismalleja, joita koulutetaan suurella tietojoukolla suorittamaan luonnollisen kielen ymmärtämis- ja generointitehtäviä. Tunnettuja malleja ovat BERT, PaLM, GPT-2, GPT-3, GPT-3.5 ja innovatiivinen GPT-4. Nämä mallit vaihtelevat koon (säädettävien parametrien määrä), suoritettavien tehtävien laajuuden (koodaus, keskustelu, tieteellinen jne.) ja koulutettavan tietokannan mukaan.

13. Pienten kielten mallit

Ne ovat taskukokoisia versioita suurista kielimalleista eli LLM-malleista. Molemmat käyttävät koneoppimistekniikoita tunnistaakseen kuvioita ja suhteita, jotta ne voivat tuottaa realistisia luonnollisen kielen vastauksia. Mutta vaikka LLM-mallit ovat valtavia ja vaativat paljon laskentatehoa ja muistia, pienet kielimallit, kuten Phi-3, koulutetaan pienemmillä, kuratoidummilla tietojoukoilla ja niillä on vähemmän parametreja, mikä tekee niistä kompaktimpia ja jopa offline-käyttökelpoisia.

14. Puolueellisuus

Nämä ovat tekoälymallin datasta tekemiä oletuksia. ”Bias-varianssi-kompromissi” on tasapaino, joka on löydettävä mallin datasta tekemien oletusten ja mallin ennusteiden muutosten määrän välillä erilaisten harjoitustietojen perusteella. Induktiivinen bias on joukko oletuksia, joita koneoppimisalgoritmi tekee datan taustalla olevasta jakaumasta.

15. Luonnollisen kielen käsittely

Se on monitieteinen ala, jonka keskeisenä ajatuksena on antaa koneille kyky lukea ja ymmärtää ihmisten puhumia kieliä. Luonnollisen kielen prosessoinnin tutkimus pyrkii vastaamaan kysymykseen siitä, miten ihmiset pystyvät ymmärtämään puhutun tai kirjoitetun lauseen merkityksen ja miten he ymmärtävät, mitä tapahtui, milloin ja missä se tapahtui; sekä oletuksen, uskomuksen ja tosiasian väliset erot. Näin ollen se sisältää tietokoneiden ohjelmoinnin käsittelemään valtavia määriä kielitietoa ja keskittyy vapaamuotoisen tekstin muuntamiseen standardoiduksi rakenteeksi.

16. Kehote

Kehote on tietokoneelle annettu ohje tai joukko ohjeita (syöte), joiden tarkoituksena on tuottaa vastaus. Tekoälyn yhteydessä se on mallille annettu alustava ohje, komento, kysymys, pyyntö tai tekstimuotoinen lause, joka ohjaa ja ohjaa tietyn vastauksen tai tulosteen tuottamista. Kehote toimii tekoälylle ärsykkeenä tai liipaisimena, joka osoittaa odotetun vastauksen aiheen, tyylin, suunnan tai tyypin. Kehotteen muotoileminen (sen kehystys) määrää suoraan vastaanotettujen tulosten laadun ja merkityksellisyyden.

17. Neuroverkko

Ne ovat laskennallinen malli, joka perustuu suureen joukkoon yksinkertaisia ​​hermoyksiköitä (keinotekoisia neuroneja) ja on suunnilleen analoginen biologisten aivojen neuronien aksonien käyttäytymisen kanssa. Ne ovat syväoppimisen perusyksikkö. Lisäksi se on koneoppimismalli, joka mahdollistaa hahmontunnistuksen ja ongelmanratkaisun koneoppimisen tai syväoppimisen pohjalta ja pyrkii mallintamaan ihmisaivojen analyyttisiä mekanismeja.

18. Muuntaja

Transformers edustaa eräänlaista neuroverkkoarkkitehtuuria, joka on suunniteltu käsittelemään peräkkäistä dataa, kuten tekstiä. Transformers oppivat kontekstin ja siten merkityksen. Ne tallentavat sekvenssin eri elementtien (sanojen, lauseiden) väliset suhteet rinnakkain perinteisten mallien sijaan peräkkäin. Transformers on menestyksekkäiden mallien, kuten GPT:n ja BERT:n, perusta, ja niitä käytetään luonnollisen kielen käsittelytehtävissä.

19. Tunnus

Tekoälyn token on perustietoyksikkö (sanat, sananosat, merkit tai symbolit), jota kielenoppimismallit (LLM:t), kuten GPT tai Gemini, käyttävät tekstin käsittelyyn, ymmärtämiseen ja luomiseen. Se on "valuutta" tai olennainen tieto, jota tekoäly lukee ja analysoi, jolloin se voi jakaa ihmiskielen hallittaviksi (laskennallisiksi) paloiksi. Tämän seurauksena tekoälymallit käsittelevät tokeneita ymmärtääkseen niiden välisiä suhteita ja avatakseen ominaisuuksia, kuten ennustamista, luomista ja päättelyä. Mitä nopeammin tokeneita käsitellään, sitä nopeammin mallit voivat oppia ja reagoida.

20. Ristivalidointi

Se on menetelmä, jota käytetään analyysin tulosten arviointiin ja koneoppimismallien ennusteiden tarkkuuden varmistamiseen. Siksi se on tekniikka koneoppimismallien arviointiin, joka keskittyy jakamaan tietojoukon useisiin osajoukkoihin (tai "taitoksiin"). Mallia sitten koulutetaan joillakin osajoukoilla ja testataan toisilla. Tämä mahdollistaa mallin suorituskyvyn luotettavamman arvioinnin vähentämällä ylioppimista.

Muita tekoälyn perusteita, jotka kannattaa tutkia, ymmärtää ja hallita tässä kolmannessa osassa

Nämä ovat vain muutamia käsitteitä ja termejä niiden monien joukosta, jotka ovat todella tietämisen, ymmärtämisen ja hallinnan arvoisia. tällä modernilla ja innovatiivisella tekoälyn alalla. Siksi, jotta voisimme laajentaa täällä tarjottua tietoa ja opastaa sinua helposti lisätietoihin, tarjoamme sinulle tämän Mielenkiintoinen infografiikka luotu tekoälyn avulla antaakseni sinulle pienen käsityksen muista, jotka ovat yhtä tärkeitä ja välttämättömiä:

Yhteenveto

Lyhyesti sanottuna toivomme, että tämä "Jännittävän ja yllättävän tekoälyn kentän kolmas osa" painottuen generatiiviseen tekoälyyn (GAI), olet saattanut hieman enemmän vahvistaa ja lisätä tietämystäsi ja taitojasi tällä modernilla ja innovatiivisella alalla. Älä unohda, että Tekoäly ja robotiikka muuttavat maailmaa ja tapaamme elää.Ja että tulevina vuosina, kun kvanttilaskenta tulee kaupallisesti saataville ja kvanttienergia (Casimirin efektin kautta tuotettu) on laajalti koko ihmiskunnan saatavilla, se voi olla täysin erilaista kuin miten koemme sen tänään. Joten on parempi oppia tekoälystä nyt kuin kieltäytyä ja katua huomenna. Ja tietenkään, älä unohda jatkaa osallistumista, osallistumista ja rakkaan ja arvokkaan Linuxversemme tukemista.

Lopuksi muista käy meillä «kotisivu» espanjaksiTai millä tahansa muulla kielellä (lisäämällä yksinkertaisesti kaksi kirjainta nykyisen URL-osoitteemme loppuun, esimerkiksi: ar, de, en, fr, ja, pt ja ru, monien muiden ohella) löytääksesi lisää ajankohtaista sisältöä.