A mesterséges intelligencia alapjai – Harmadik rész: Fogalmak
Igen, Tetszett az első két bejegyzésünk a Linux felhasználóknak szánt mesterséges intelligencia (MI) tanulással kapcsolatban?Tehát ma valószínűleg értékelni fogjátok ezt a harmadik részt, amelyben a technológiai területtel kapcsolatos legfontosabb fogalmakat és kifejezéseket fogjuk áttekinteni. És ha még nem olvastátok az előző két részt, szeretnénk tisztázni, hogy A második részben foglalkozunk a lényeg a különbségről Szimbolikus mesterséges intelligencia és konnekcionista mesterséges intelligencia és ezen technológiai terület elmúlt 100 évbeli történelmi mérföldköveiről. Míg a Az első részben arra összpontosítunk, en Mi a mesterséges intelligencia, és milyen különféle típusokat hoztak létre? (Keskeny vagy Gyenge, Generatív és Ágens), és amelyek létrehozása várható (Általános vagy Erős, és Mesterséges Szuperintelligencia).
És ahogy a korábbi alkalmakkor is, ne feledjük, hogy akárcsak az ő idejükben az elektromosság, a rádió, a televízió, a számítógépek, a telefonok, az internet és a közösségi hálózatok; A mesterséges intelligencia egy olyan technológia, amely azért érkezett, hogy mélyen integrálódjon mindenbeÉs ez azáltal, hogy értékes időt és költséges munkaórákat takarít meg nekünk, valamint produktívabbá, kreatívabbá és sokoldalúbbá tesz minket; egészen biztosan, Apránként kiszorítja azokat, akiknek a létezéséről és működéséről a legkevésbé is fogalmuk van.Ezért nincs is jobb annál, mint elkezdeni némi kontextust kapni mindennel kapcsolatban, ami ezzel kapcsolatos.
A mesterséges intelligencia alapjai – Első rész: Eredet II
De mielőtt belemerülnénk ebbe „A mesterséges intelligencia izgalmas és meglepő területének harmadik része”És konkrétabban a legfontosabb fogalmak és kifejezések megfontolását, megértését és elsajátítását illetően, javasoljuk, hogy vizsgálja meg a következőket: korábbi és újabb kapcsolódó publikációk ebben a kiadványsorozatban, miután befejeztem az olvasást:
A mesterséges intelligencia alapjai – Harmadik rész: Kapcsolódó fogalmak és kifejezések
20 fontos fogalom és kifejezés, amelyeket mindig emlegetnek a mesterséges intelligencia területén
1. Hallucináció
A hallucináció olyan helyzetre utal, amelyben egy mesterséges intelligenciarendszer, különösen egy természetes nyelvi feldolgozást végző rendszer, olyan eredményeket kezd generálni, amelyek irrelevánsak, értelmetlenek vagy helytelenek lehetnek a megadott bemenet alapján. Ez gyakran akkor fordul elő, amikor a mesterséges intelligenciarendszer nem biztos a kontextusban, túlságosan a betanítási adataira támaszkodik, vagy nem érti megfelelően a témát.
2. Gépi tanulás
A mesterséges intelligencia egy részterülete, amely olyan algoritmusok és statisztikai modellek fejlesztését öleli fel, amelyek lehetővé teszik a gépek számára, hogy a tapasztalatok alapján javítsák teljesítményüket. Erre példa lehet egy gépi tanulási algoritmus, amely a múltbeli viselkedés alapján meg tudná jósolni az ügyfél-elvándorlás valószínűségét. Egy gépi tanulási programnak köszönhetően a gép példákból tanul meg problémákat megoldani: így képes összehasonlítani és osztályozni az adatokat, sőt akár összetett alakzatokat is felismerni.
3. Mély tanulás
A gépi tanulás egy részterülete, amely többrétegű neurális hálózatokat használ az adatokból való tanuláshoz, ami azt jelenti, hogy különböző neurális hálózati struktúrákat alkalmaz az egyre jelentőségteljesebb adatreprezentációk egymást követő rétegeinek megtanulására. Jelenleg ez a mesterséges intelligencia legnépszerűbb területe. A gépi tanulási algoritmusok formális neurális hálózatokkal és big data használatával való kombinációjából jött létre.
4. Nagy adat
A Big Data az információs technológia azon ága, amely a nagy adathalmazok kezelésével járó nehézségeket vizsgálja. Makroadatoknak is nevezik őket, és olyan nagy és összetett adathalmazokra utalnak, amelyek gyakran túl nagyok vagy változatosak ahhoz, hogy hagyományos módszerekkel feldolgozhatók legyenek. Ezenkívül különféle forrásokból származnak (közösségi hálózatok, érzékelők stb.), és fejlett technikákat, például mesterséges intelligenciát és gépi tanulást igényelnek elemzésükhöz és hasznos információk kinyeréséhez.
5. Adatkészlet
Az adathalmaz egy jellemzően táblázatba strukturált adatgyűjtemény. Ez egy szervezett adatgyűjtemény, amelyet mesterséges intelligencia modellek betanítására, tesztelésére vagy validálására használnak. Tartalmazhat szöveget, képeket, videókat vagy más típusú információkat, amelyeket általában címkéznek, hogy a gépi tanulási algoritmusok felismerhessék a mintákat és előrejelzéseket készíthessenek.
6. Modelltréning
A modell betanítása az a folyamat, amelynek során egy adathalmaz segítségével egy mesterséges intelligencia vagy gépi tanulási modellt tanítanak meg egy adott feladat, például osztályozás vagy predikció elvégzésére. A modell a megadott példák alapján módosítja a paramétereit, hogy javítsa a pontosságát az új adatokkal.
7. Fokozott generáció a helyreállítás révén
A RAG (Retrieval-Augmented Generation) egy olyan módszer, amely lehetővé teszi a mesterséges intelligencia számára, hogy külső adatbázisokat kérdezzen le, vagy az interneten keressen új és frissített információkat, mielőtt választ generálna. Ahelyett, hogy a teljes modellt új adatokkal kellene újratanítani, a RAG egyfajta „valós idejű oktatásként” működik a mesterséges intelligencia számára. Ez nagyon hasznos, mert arra kényszeríti a rendszert, hogy konkrét és ellenőrzött dokumentumokra támaszkodjon, ami nagymértékben csökkenti annak kockázatát, hogy a mesterséges intelligencia információkat gyártson (hallucinációk).
8. GPT (generatív előképzett transzformátor)
Ezek az OpenAI által fejlesztett nyelvi modellek családját alkotják, amelyek neurális hálózatokat használnak a szöveg természetes megértéséhez és generálásához. Ezek a GPT (Generative Pretreated Transformer) modellek egy Transformer nevű architektúrát használnak, amely lehetővé teszi számukra, hogy elemezzék a promptokat, és hatalmas adathalmazokkal való betanítás alapján megjósolják a legvalószínűbb választ. Emiatt a GPT képes utánozni az emberi nyelvi megértési képességeket.
9. Természetes nyelv generálása (Természetes nyelv generáció)
A természetes nyelvgenerálás a mesterséges intelligencia egy részterülete, amely érthető szövegek vagy beszéd automatikus előállítását foglalja magában emberi nyelven. Lehetővé teszi a gépek számára, hogy nyers adatokat természetes mondatokká vagy bekezdésekké alakítsanak, például automatizált összefoglalókban vagy virtuális asszisztensekben.
10. Gyors mérnöki munka
Ez a kérésekhez tartozó promptok kidolgozásának művészete, hogy értelmes generatív kimeneteket – azaz pontosabb, produktívabb és innovatívabb kimeneteket – érjünk el. Másképp fogalmazva, ez a generatív mesterséges intelligenciának adott utasítások tervezésének, optimalizálásának és finomításának tudománya. Célja, hogy a mesterséges intelligenciát pontos, releváns és kiváló minőségű válaszok megszerzésére vezesse, kommunikációs hídként működve az általános vagy hibás eredmények elkerülése érdekében.
11. Modell
A modell az az objektum, amely a tanuló algoritmus kimenetét reprezentálja. Ezért a mesterséges intelligencia ezt használja a kimeneti előrejelzések elkészítéséhez. Például az alapmodellek a mesterséges intelligencia modellek egy széles kategóriáját alkotják, amely magában foglalja a nagy nyelvi modelleket és más típusú modelleket, például a számítógépes látást és a megerősítéses tanulási modelleket. Ezeket „alapmodelleknek” nevezik, mert alapul szolgálnak az alkalmazások felépítéséhez, számos területet és használati esetet lefedve.
12. Nagy nyelvi modellek
Ezek egyfajta mélytanulási modellek, amelyeket egy nagy adathalmazon képeztek ki természetes nyelvi megértési és generálási feladatok elvégzésére. Ismert modellek közé tartozik a BERT, a PaLM, a GPT-2, a GPT-3, a GPT-3.5 és az innovatív GPT-4. Ezek a modellek méretükben (a beállítható paraméterek száma), az általuk elvégezhető feladatok körében (kódolás, chat, tudományos stb.) és a betanításuk alapjául szolgáló tudásbázisban különböznek.
13. Kis nyelvi modellek
Ezek a nagy nyelvi modellek, vagy LLM-ek zsebméretű változatai. Mindkettő gépi tanulási technikákat alkalmaz a minták és kapcsolatok felismerésére, hogy valósághű természetes nyelvi válaszokat tudjanak produkálni. De míg az LLM-ek hatalmasak és sok számítási teljesítményt és memóriát igényelnek, a Phi-3-hoz hasonló kis nyelvi modelleket kisebb, jobban válogatott adathalmazokon képezik, és kevesebb paraméterrel rendelkeznek, így kompaktabbak és offline is használhatók.
14. Elfogultság
Ezek azok a feltételezések, amelyeket egy MI-modell tesz az adatokkal kapcsolatban. Az „elfogultság-variancia kompromisszum” az az egyensúly, amelyet meg kell találni a modell által az adatokkal kapcsolatban tett feltételezések és a modell előrejelzéseinek változása között a különböző betanítási adatok függvényében. Az induktív elfogultság azon feltételezések összessége, amelyeket egy gépi tanulási algoritmus tesz az adatok mögöttes eloszlásáról.
15. Természetes nyelvi feldolgozás
Ez egy interdiszciplináris terület, amelynek központi gondolata, hogy a gépek számára lehetővé tegye az emberek által beszélt nyelvek olvasását és megértését. A természetes nyelvi feldolgozással kapcsolatos kutatások célja, hogy megválaszolják azt a kérdést, hogyan képesek az emberek megérteni egy beszélt vagy írott mondat jelentését, és hogyan értik meg, hogy mi történt, mikor és hol történt; valamint a feltételezés, a hiedelem és a tény közötti különbségeket. Következésképpen magában foglalja a számítógépek programozását hatalmas mennyiségű nyelvi adat feldolgozására, és a szabad formátumú szöveg szabványosított struktúrává alakítására összpontosít.
16. Felszólítás
A prompt egy utasítás vagy utasításkészlet (bemenet), amelyet egy számítógépes rendszernek adnak válasz generálására. A mesterséges intelligencia kontextusában ez a modellnek adott kezdeti utasítás, parancs, kérdés, kérés vagy szöveges utasítás, amely egy adott válasz vagy kimenet generálását irányítja és irányítja. A prompt ingerként vagy kiváltó okként működik a mesterséges intelligencia számára, jelezve a várt témát, stílust, irányt vagy választípust. A prompt megfogalmazásának módja (kerete) közvetlenül meghatározza a kapott eredmények minőségét és relevanciáját.
17. Neurális hálózat
Ezek egy nagyszámú egyszerű neurális egységen (mesterséges neuronokon) alapuló számítási modellek, amelyek nagyjából hasonlóak a biológiai agyak neuronjainak axonjaiban megfigyelt viselkedéshez. Ezek a mélytanulás alapvető munkaegységei. Továbbá, ez egy gépi tanulási modell, amely lehetővé teszi a mintázatfelismerést és a problémamegoldást, gépi tanulás vagy mélytanulás alapján, és az emberi agy analitikai mechanizmusainak modellezésére törekszik.
18. Transzformátor
A transzformátorok egyfajta neurális hálózati architektúrát képviselnek, amelyet szekvenciális adatok, például szöveg feldolgozására terveztek. A transzformátorok megtanulják a kontextust, és következésképpen a jelentést is. A szekvencia különböző elemei (szavak, mondatok) közötti kapcsolatokat párhuzamosan rögzítik, a hagyományos modellekhez hasonlóan szekvenciálisan. A transzformátorok a sikeres modellek, mint például a GPT és a BERT alapját képezik, és természetes nyelvi feldolgozási feladatokhoz használják őket.
19. Jelképes
A mesterséges intelligenciában a token az alapvető adategység (szavak, szórészek, karakterek vagy szimbólumok), amelyet a nyelvtanulási modellek (LLM-ek), mint például a GPT vagy a Gemini, a szöveg feldolgozására, megértésére és generálására használnak. Ez az a „valuta” vagy alapvető információ, amelyet a mesterséges intelligencia beolvas és elemez, lehetővé téve számára, hogy az emberi nyelvet kezelhető (számítható) darabokra bontsa. Következésképpen a mesterséges intelligencia modellek feldolgozzák a tokeneket, hogy megértsék a közöttük lévő kapcsolatokat, és olyan képességeket tegyenek elérhetővé, mint az előrejelzés, a generálás és az érvelés. Minél gyorsabban dolgozzák fel a tokeneket, annál gyorsabban tudnak a modellek tanulni és reagálni.
20. Keresztellenőrzés
Ez egy olyan módszer, amely egy elemzés eredményeinek kiértékelésére és a gépi tanulási modellek előrejelzéseinek pontosságának biztosítására szolgál. Ezért ez egy olyan technika a gépi tanulási modellek kiértékelésére, amely egy adathalmaz több részhalmazra (vagy "redőre") osztására összpontosít. A modellt ezután egyes részhalmazokon betanítják, másokon pedig tesztelik. Ez lehetővé teszi a modell teljesítményének megbízhatóbb becslését a túltanulás csökkentésével.
A mesterséges intelligencia további alapjai, amelyeket érdemes megvizsgálni, megérteni és elsajátítani ebben a harmadik részben
Ezek csak néhány fogalom és kifejezés a sok közül, amelyeket valóban érdemes megismerni, megérteni és elsajátítani. a mesterséges intelligencia ezen modern és innovatív területén. Ezért, hogy bővítsük az itt kínált információkat és könnyen eligazodjunk másokban, ezt kínáljuk Önnek Érdekes infografika mesterséges intelligenciával létrehozva hogy egy kis képet adjak másokról, amelyek ugyanolyan fontosak és elengedhetetlenek:
Összegzés
Röviden: reméljük, hogy ez „A mesterséges intelligencia izgalmas és meglepő területének harmadik része” ...különösen a Generatív Mesterséges Intelligencia (GAI) témakörében, talán egy kicsit jobban hozzájárult a tudásod és készségeid megerősítéséhez és bővítéséhez ezen a modern és innovatív területen. Ne feledd, hogy... A mesterséges intelligencia és a robotika megváltoztatja a világot és azt, ahogyan élünk.És hogy az elkövetkező években, amikor a kvantum-számítástechnika kereskedelmi forgalomban elérhetővé válik, és a kvantumenergia (a Casimir-effektus révén előállított) széles körben hozzáférhető lesz az egész emberiség számára, teljesen más lehet, mint ahogyan ma megtapasztaljuk. Tehát jobb most tanulni a mesterséges intelligenciáról, mint holnap visszautasítani és megbánni. És persze ne felejtsük el továbbra is részt venni, hozzájárulni és támogatni szeretett és értékes Linuxverzumunkat.
Végül emlékezz látogasson el hozzánk «honlap» en españolVagy bármilyen más nyelven (egyszerűen két betű hozzáadásával a jelenlegi URL-címünk végéhez, például: ar, de, en, fr, ja, pt és ru, és sok mással) további aktuális tartalmak megtekintéséhez.