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

Da, Jesu li vam se svidjele naše prve dvije objave vezane uz učenje umjetne inteligencije (AI) za korisnike Linuxa?Dakle, danas ćete najvjerojatnije cijeniti ovaj treći dio, gdje ćemo obraditi nekoliko najvažnijih koncepata i pojmova povezanih s ovim tehnološkim područjem. A ako niste pročitali prethodna dva dijela, željeli bismo pojasniti da U drugom dijelu ćemo se pozabaviti poanta o razlici između Simbolička umjetna inteligencija i konekcionistička umjetna inteligencija i o povijesnim prekretnicama ovog tehnološkog područja tijekom posljednjih 100 godina. Dok je u U prvom dijelu fokusiramo se en Što je umjetna 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 Umjetna superinteligencija).

I kao i u prethodnim prilikama, imajte na umu da baš kao i u njihovo vrijeme Struja, Radio, Televizija, Računala, Telefoni, Internet i Društvene mreže; Umjetna inteligencija je tehnologija koja je stigla kako bi se duboko integrirala u sveI to, štedeći nam dragocjeno vrijeme i skupe radne sate, čineći nas produktivnijima, kreativnijima i svestranijima; zasigurno, Malo po malo, istisnut će one koji imaju i najmanje pojma o njegovom postojanju i djelovanjuStoga nema ništa bolje od toga da počnete dobivati ​​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 točnije, u vezi s nekim od najvažnijih koncepata i pojmova koje treba razmotriti, razumjeti i savladati, preporučujemo istraživanje prethodne i nedavne povezane publikacije u ovoj seriji publikacija, nakon što sam završio čitanje:

Osnove umjetne inteligencije – treći dio: Povezani koncepti i pojmovi

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

1. Halucinacije

Halucinacija se odnosi na situaciju u kojoj AI sustav, posebno onaj koji obrađuje prirodni jezik, počinje generirati rezultate koji mogu biti nebitni, besmisleni ili netočni na temelju unesenih podataka. To se često događa kada AI sustav nije siguran u kontekst, previše se oslanja na svoje podatke za obuku ili nema pravilno razumijevanje teme.

2. Strojno učenje

Područje umjetne inteligencije koje obuhvaća razvoj algoritama i statističkih modela koji omogućuju strojevima da poboljšaju svoje performanse s iskustvom. Primjer bi bio algoritam strojnog učenja koji bi mogao predvidjeti vjerojatnost odlaska kupaca na temelju prošlog ponašanja. Zahvaljujući programu strojnog učenja, stroj uči rješavati probleme iz primjera: stoga može uspoređivati ​​i klasificirati podatke, pa čak i prepoznavati složene oblike.

3. Duboko učenje

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

4. Veliki podaci

Veliki podaci (Big Data) su grana informacijske tehnologije 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 raznih izvora (društvene mreže, senzori itd.) i zahtijevaju napredne tehnike, poput umjetne inteligencije i strojnog učenja, za njihovu analizu i izdvajanje korisnih informacija.

5. Skup podataka

Skup podataka je skup podataka, obično strukturiran u tablicu. 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 donositi predviđanja.

6. Obuka modela

Treniranje modela je proces korištenja skupa podataka za podučavanje modela umjetne inteligencije ili strojnog učenja izvršavanju određenog zadatka, poput klasifikacije ili predviđanja. Model prilagođava svoje parametre na temelju pruženih primjera kako bi poboljšao svoju točnost s novim podacima.

7. Poboljšana generacija oporavkom

RAG (Retrieval-Augmented Generation) je metoda koja omogućuje umjetnoj inteligenciji da pretražuje vanjske baze podataka ili internet za nove i ažurirane informacije prije generiranja odgovora. Umjesto da mora ponovno obučavati cijeli model s novim podacima, RAG funkcionira kao svojevrsno "obrazovanje u stvarnom vremenu" za umjetnu inteligenciju. To je vrlo korisno jer prisiljava sustav da se oslanja na specifične i provjerene dokumente, što uvelike smanjuje rizik od izmišljanja informacija (halucinacija) od strane umjetne inteligencije.

8. GPT (generativni unaprijed obučeni transformator)

To je obitelj jezičnih 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 omogućuje analizu upita i predviđanje najvjerojatnijeg odgovora na temelju obuke s ogromnim skupovima podataka. Zbog toga, GPT može oponašati sposobnosti razumijevanja ljudskog jezika.

9. Generiranje prirodnog jezika (Generacija prirodnog jezika)

Generiranje prirodnog jezika je podpodručje umjetne inteligencije koje uključuje automatsko stvaranje razumljivih tekstova ili govora na ljudskom jeziku. Omogućuje stroju da transformira sirove podatke u prirodne rečenice ili odlomke, kao što su automatizirani sažeci ili virtualni asistenti.

10. Brzi inženjering

To je umjetnost razvoja uputa za zahtjeve kako bi se postigli smisleni generativni rezultati - odnosno točniji, produktivniji i inovativniji rezultati. Ili, drugim riječima, to je znanost dizajniranja, optimiziranja i usavršavanja uputa koje dajemo generativnoj umjetnoj inteligenciji. Njezin je cilj voditi umjetnu inteligenciju kako bi dobila točne, 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 ga umjetna inteligencija koristi za predviđanje izlaza. Na primjer, temeljni modeli široka su kategorija AI modela koja uključuje modele velikih jezika i druge vrste modela poput računalnog vida i modela učenja s potkrepljenjem. Nazivaju se "temeljni modeli" jer služe kao temelj na kojem se grade aplikacije, obraćajući se širokom rasponu domena i slučajeva upotrebe.

12. Veliki jezični modeli

Oni su vrsta modela dubokog učenja obučenog na velikom skupu podataka za izvršavanje 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 prilagoditi), rasponu zadataka koje mogu obavljati (kodiranje, chat, znanstveni rad itd.) i bazi znanja na kojoj su obučeni.

13. Modeli malih jezika

To su džepne verzije velikih jezičnih modela ili LLM-ova. Oba koriste tehnike strojnog učenja koje im pomažu u prepoznavanju obrazaca i odnosa te tako mogu proizvesti realistične odgovore prirodnog jezika. No, dok su LLM-ovi ogromni i zahtijevaju puno računalne snage i memorije, mali jezični modeli poput Phi-3 treniraju se na manjim, preciznije odabranim skupovima podataka i imaju manje parametara, što ih čini kompaktnijima, pa čak i upotrebljivima izvan mreže.

14. Pristranost

To su pretpostavke koje model umjetne inteligencije donosi o podacima. „Kompromis pristranosti i varijance“ je ravnoteža koja se mora postići između pretpostavki koje model donosi o podacima i količine promjene predviđanja modela, s obzirom na različite podatke za obuku. Induktivna pristranost je skup pretpostavki koje algoritam strojnog učenja donosi o temeljnoj distribuciji podataka.

15. Obrada prirodnog jezika

To je interdisciplinarno područje čija je središnja ideja dati strojevima mogućnost čitanja i razumijevanja jezika koje ljudi govore. Istraživanje obrade prirodnog jezika ima za cilj odgovoriti na pitanje kako ljudi mogu razumjeti značenje izgovorene ili pisane rečenice i kako razumiju što se dogodilo, kada i gdje se dogodilo; te razlike između pretpostavke, uvjerenja i činjenice. Posljedično, uključuje programiranje računala za obradu ogromnih količina lingvističkih podataka i fokusira se na transformaciju teksta slobodnog oblika u standardiziranu strukturu.

16. Uputa

Uputa je instrukcija ili skup instrukcija (ulaza) danih računalnom sustavu za generiranje odgovora. U kontekstu umjetne inteligencije, to je početna instrukcija, naredba, pitanje, zahtjev ili tekstualna izjava koja se daje modelu za vođenje i usmjeravanje generiranja određenog odgovora ili rezultata. Uputa djeluje kao poticaj ili okidač za umjetnu inteligenciju, ukazujući na temu, stil, smjer ili vrstu očekivanog odgovora. Način na koji je uputa formulirana (njezino uokvirivanje) izravno određuje kvalitetu i relevantnost primljenih rezultata.

17. Neuronska mreža

Oni su računalni model temeljen na velikom skupu jednostavnih neuronskih jedinica (umjetnih neurona), otprilike analognih ponašanju koje se opaža u aksonima neurona u biološkim mozgovima. Oni su temeljna radna jedinica dubokog učenja. Nadalje, to je model strojnog učenja koji omogućuje prepoznavanje uzoraka i rješavanje problema, temeljen na strojnom učenju ili dubokom učenju, nastojeći modelirati analitičke mehanizme ljudskog mozga.

18. Transformator

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

19. Žeton

Token u umjetnoj inteligenciji osnovna je 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 umjetna inteligencija čita i analizira, što joj omogućuje da razloži ljudski jezik na upravljive (izračunljive) dijelove. Posljedično, modeli umjetne 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 točnosti predviđanja modela strojnog učenja. Stoga je to tehnika za procjenu modela strojnog učenja koja se fokusira na dijeljenje skupa podataka u nekoliko podskupova (ili "nabora"). Model se zatim trenira na nekim podskupovima i testira na drugima. To omogućuje pouzdaniju procjenu performansi modela smanjenjem prekomjernog učenja.

Druge osnove umjetne inteligencije vrijedne istraživanja, razumijevanja i savladavanja u ovom trećem dijelu

Ovo je samo nekoliko koncepata i termina od mnogih koje je zaista vrijedno 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 stvorena umjetnom inteligencijom da vam dam malu ideju o drugima koji su jednako važni i bitni:

Rezime

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 računanje postane komercijalno dostupno, a kvantna energija (proizvedena Casimirovim efektom) 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 naš «početna stranica» en EspañolIli, 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) kako biste saznali više trenutnog sadržaja.