Dirbtinio intelekto (DI) pagrindai Linux vartotojams – trečia dalis

Taip, Ar jums patiko pirmieji du mūsų įrašai, susiję su dirbtinio intelekto (DI) mokymusi Linux vartotojams?Taigi, šiandien greičiausiai įvertinsite šią trečiąją dalį, kurioje aptarsime keletą svarbiausių su šia technologijų sritimi susijusių sąvokų ir terminų. O jei neskaitėte ankstesnių dviejų dalių, norėtume patikslinti, kad Antroje dalyje aptarsime esmė apie skirtumą tarp Simbolinis dirbtinis intelektas ir konnekcionistinis dirbtinis intelektas ir šios technologijų srities istorinius etapus per pastaruosius 100 metų. Kadangi, Pirmoje dalyje mes sutelkiame dėmesį en Kas yra dirbtinis intelektas ir apie įvairius jau sukurtus tipus (Siauras arba silpnas, generatyvus ir agentas) ir kuriuos tikimasi sukurti (bendrasis arba stiprus ir dirbtinis superintelektas).

Ir kaip ir ankstesniais atvejais, nepamirškite, kad kaip ir jų laikais – elektra, radijas, televizija, kompiuteriai, telefonai, internetas ir socialiniai tinklai; Dirbtinis intelektas yra technologija, kuri atsirado tam, kad būtų giliai integruota į viskąIr tai sutaupys mums brangų laiką ir brangiai kainuojančias darbo valandas, padarys mus produktyvesnius, kūrybiškesnius ir universalesnius; be jokios abejonės, Po truputį jis išstums tuos, kurie mažiausiai supranta jo egzistavimą ir veikimą.Todėl nėra nieko geriau, nei pradėti gauti kontekstą apie viską, kas su tuo susiję.

Bet prieš mums pradedant nagrinėti šį klausimą „Trečioji įdomios ir stebinančios dirbtinio intelekto srities dalis“O kalbant apie kai kurias svarbiausias sąvokas ir terminus, kuriuos reikia apsvarstyti, suprasti ir įvaldyti, rekomenduojame išnagrinėti ankstesni ir naujausi susiję šios leidinių serijos leidiniai, baigus skaityti:

Dirbtinio intelekto pagrindai. Trečia dalis: susijusios sąvokos ir terminai

20 svarbių sąvokų ir terminų, kurie visada minimi dirbtinio intelekto srityje

1. Haliucinacijos

Haliucinacija reiškia situaciją, kai dirbtinio intelekto sistema, ypač apdorojanti natūralią kalbą, pradeda generuoti rezultatus, kurie gali būti nesvarbūs, beprasmiai arba neteisingi, atsižvelgiant į pateiktą informaciją. Tai dažnai nutinka, kai dirbtinio intelekto sistema nėra tikra dėl konteksto, per daug remiasi savo mokymo duomenimis arba tinkamai nesupranta nagrinėjamos temos.

2. Mašininis mokymasis

Dirbtinio intelekto posritis, apimanti algoritmų ir statistinių modelių, leidžiančių mašinoms gerinti savo našumą atsižvelgiant į patirtį, kūrimą. Pavyzdys būtų mašininio mokymosi algoritmas, kuris galėtų numatyti klientų praradimo tikimybę, remdamasis ankstesniu elgesiu. Mašininio mokymosi programos dėka mašina išmoksta spręsti problemas remdamasi pavyzdžiais: tokiu būdu ji gali palyginti ir klasifikuoti duomenis ir netgi atpažinti sudėtingas formas.

3. Gilusis mokymasis

Mašininio mokymosi posritis, kurioje naudojami daugiasluoksniai neuroniniai tinklai mokymuisi iš duomenų, t. y. skirtingos neuroninių tinklų struktūros naudojamos norint išmokti iš eilės einančius vis prasmingesnių duomenų vaizdavimo sluoksnius. Šiuo metu tai populiariausia dirbtinio intelekto sritis. Ji atsirado derinant mašininio mokymosi algoritmus su formaliais neuroniniais tinklais ir naudojant didžiuosius duomenis.

4. Didieji duomenys

Didieji duomenys yra informacinių technologijų šaka, tirianti didelių duomenų rinkinių tvarkymo sunkumus. Dar vadinami makroduomenimis, jie reiškia didelius ir sudėtingus duomenų rinkinius, kurie dažnai yra per dideli arba per įvairūs, kad būtų apdorojami tradiciniais metodais. Be to, jie gaunami iš įvairių šaltinių (socialinių tinklų, jutiklių ir kt.) ir jiems analizuoti bei naudingai informacijai išgauti reikalingi pažangūs metodai, tokie kaip dirbtinis intelektas ir mašininis mokymasis.

5. Duomenų rinkinys

Duomenų rinkinys yra duomenų rinkinys, paprastai susistemintas lentelės pavidalu. Tai organizuotas duomenų rinkinys, naudojamas dirbtinio intelekto modeliams mokyti, testuoti ar patvirtinti. Jame gali būti tekstas, vaizdai, vaizdo įrašai ar kitokio tipo informacija, paprastai pažymėta taip, kad mašininio mokymosi algoritmai galėtų atpažinti modelius ir daryti prognozes.

6. Modelių mokymas

Modelio mokymas – tai procesas, kurio metu duomenų rinkinys naudojamas dirbtinio intelekto arba mašininio mokymosi modeliui mokyti atlikti konkrečią užduotį, pavyzdžiui, klasifikavimą ar prognozavimą. Modelis koreguoja savo parametrus pagal pateiktus pavyzdžius, kad pagerintų savo tikslumą su naujais duomenimis.

7. Pagerinta gamyba atsigavimo būdu

RAG (Retrieval-Augmented Generation) – tai metodas, leidžiantis dirbtiniam intelektui (DI) atlikti užklausas išorinėse duomenų bazėse arba ieškoti internete naujos ir atnaujintos informacijos prieš generuojant atsakymą. Užuot iš naujo apmokyjus visą modelį naujais duomenimis, RAG veikia kaip savotiškas DI „mokymas realiuoju laiku“. Tai labai naudinga, nes priverčia sistemą remtis konkrečiais ir patikrintais dokumentais, o tai labai sumažina DI informacijos klastojimo (haliucinacijų) riziką.

8. GPT (generatyvus iš anksto apmokytas transformatorius)

Tai „OpenAI“ sukurta kalbos modelių šeima, naudojanti neuroninius tinklus tekstui natūraliai suprasti ir generuoti. Šie GPT (generatyvinio iš anksto apmokyto transformatoriaus) modeliai naudoja architektūrą, vadinamą Transformeriu, kuri leidžia jiems analizuoti raginimus ir numatyti labiausiai tikėtiną atsakymą, remiantis mokymu su didžiuliais duomenų rinkiniais. Dėl šios priežasties GPT gali imituoti žmogaus kalbos supratimo galimybes.

9. Natūralios kalbos generavimas (Natūralios kalbos karta)

Natūralios kalbos generavimas yra dirbtinio intelekto posritis, apimanti automatiškai sukuriamus suprantamus tekstus ar kalbą žmonių kalba. Tai leidžia mašinai transformuoti neapdorotus duomenis į natūralius sakinius ar pastraipas, pavyzdžiui, automatinėse santraukose ar virtualiuose asistentuose.

10. Greita inžinerija

Tai menas kurti užklausų raginimus, siekiant prasmingų generatyvinių rezultatų, t. y. tikslesnių, produktyvesnių ir novatoriškesnių rezultatų. Kitaip tariant, tai mokslas apie instrukcijų, kurias duodame generatyviniam dirbtiniam intelektui, projektavimą, optimizavimą ir tobulinimą. Jo tikslas – padėti DI gauti tikslius, tinkamus ir aukštos kokybės atsakymus, veikiant kaip komunikacijos tiltas, siekiant išvengti bendrinių ar klaidingų rezultatų.

11. Modelis

Modelis yra objektas, kuris reprezentuos mokymosi algoritmo išvestį. Todėl tai yra tai, ką dirbtinis intelektas naudoja išvesties prognozėms sudaryti. Pavyzdžiui, pamatiniai modeliai yra plati dirbtinio intelekto modelių kategorija, apimanti didelius kalbos modelius ir kitų tipų modelius, tokius kaip kompiuterinės regos ir sustiprintojo mokymosi modeliai. Jie vadinami „pamatiniais modeliais“, nes jie yra pagrindas, ant kurio kuriamos programos, skirtos įvairioms sritims ir naudojimo atvejams.

12. Didelių kalbų modeliai

Tai gilaus mokymosi modelis, apmokytas dideliame duomenų rinkinyje, skirtas atlikti natūralios kalbos supratimo ir generavimo užduotis. Gerai žinomi modeliai yra BERT, PaLM, GPT-2, GPT-3, GPT-3.5 ir novatoriškas GPT-4. Šie modeliai skiriasi dydžiu (reguliuojamų parametrų skaičiumi), užduočių, kurias jie gali atlikti, diapazonu (kodavimas, pokalbiai, mokslinės ir kt.) ir žinių baze, kuria jie buvo apmokyti.

13. Mažųjų kalbų modeliai

Tai kišeninio dydžio didelių kalbos modelių (LLM) versijos. Abu naudoja mašininio mokymosi metodus, kurie padeda atpažinti modelius ir ryšius, kad galėtų pateikti realistiškus natūralios kalbos atsakymus. Tačiau nors LLM yra milžiniški ir reikalauja daug skaičiavimo galios bei atminties, maži kalbos modeliai, tokie kaip Phi-3, yra apmokomi mažesniuose, labiau kuruojamuose duomenų rinkiniuose ir turi mažiau parametrų, todėl yra kompaktiškesni ir netgi tinkami naudoti neprisijungus.

14. Šališkumas

Tai yra dirbtinio intelekto modelio daromos prielaidos apie duomenis. „Šališkumo ir dispersijos kompromisas“ – tai pusiausvyra, kurią reikia rasti tarp modelio prielaidų apie duomenis ir modelio prognozių pokyčių, atsižvelgiant į skirtingus mokymo duomenis. Indukcinis šališkumas – tai mašininio mokymosi algoritmo daromų prielaidų apie pagrindinį duomenų pasiskirstymą rinkinys.

15. Natūralios kalbos apdorojimas

Tai tarpdisciplininė sritis, kurios pagrindinė idėja – suteikti mašinoms galimybę skaityti ir suprasti kalbas, kuriomis kalba žmonės. Natūralios kalbos apdorojimo tyrimai siekia atsakyti į klausimą, kaip žmonės gali suprasti sakytinio ar rašytinio sakinio reikšmę ir kaip jie supranta, kas įvyko, kada ir kur tai įvyko; ir kuo skiriasi prielaida, įsitikinimas ir faktas. Todėl tai apima kompiuterių programavimą apdoroti didžiulius kalbinių duomenų kiekius ir daugiausia dėmesio skiria laisvos formos teksto pavertimui standartizuota struktūra.

16. Raginimas

Raginimas yra instrukcija arba instrukcijų rinkinys (įvestis), pateikiamas kompiuterinei sistemai, kad būtų sugeneruotas atsakas. Dirbtinio intelekto kontekste tai yra pradinė instrukcija, komanda, klausimas, prašymas arba tekstinis teiginys, pateikiamas modeliui, siekiant vadovauti ir nukreipti konkretaus atsako arba išvesties generavimą. Raginimas veikia kaip stimulas arba paleidiklis DI, nurodantis laukiamo atsako temą, stilių, kryptį arba tipą. Raginimo formulavimo būdas (jo įrėminimas) tiesiogiai lemia gautų rezultatų kokybę ir aktualumą.

17. Neuroninis tinklas

Tai skaičiavimo modelis, pagrįstas dideliu paprastų neuroninių vienetų (dirbtinių neuronų) rinkiniu, maždaug analogišku biologinių smegenų neuronų aksonų elgesiui. Jie yra pagrindinis gilaus mokymosi veikimo vienetas. Be to, tai mašininio mokymosi modelis, leidžiantis atpažinti modelius ir spręsti problemas, pagrįstas mašininiu arba giliuoju mokymusi, siekiant modeliuoti žmogaus smegenų analitinius mechanizmus.

18. Transformatorius

Transformatoriai yra neuroninio tinklo architektūros tipas, skirtas nuosekliems duomenims, pavyzdžiui, tekstui, apdoroti. Transformatoriai mokosi konteksto ir, atitinkamai, reikšmės. Jie fiksuoja skirtingų sekos elementų (žodžių, sakinių) ryšius lygiagrečiai, o ne nuosekliai, kaip tradiciniai modeliai. Transformatoriai yra sėkmingų modelių, tokių kaip GPT ir BERT, pagrindas ir naudojami natūralios kalbos apdorojimo užduotims.

19. Žetonas

Dirbtinio intelekto žetonas yra pagrindinis duomenų vienetas (žodžiai, žodžių dalys, simboliai arba simboliai), kurį kalbos mokymosi modeliai (LLM), tokie kaip GPT arba Gemini, naudoja tekstui apdoroti, suprasti ir generuoti. Tai „valiuta“ arba esminė informacija, kurią DI nuskaito ir analizuoja, leisdamas jam suskaidyti žmonių kalbą į valdomus (skaičiuojamus) fragmentus. Todėl DI modeliai apdoroja žetonus, kad suprastų jų tarpusavio ryšius ir atvertų tokias galimybes kaip numatymas, generavimas ir samprotavimas. Kuo greičiau apdorojami žetonai, tuo greičiau modeliai gali mokytis ir reaguoti.

20. Kryžminis patvirtinimas

Tai metodas, naudojamas analizės rezultatams įvertinti ir mašininio mokymosi modelio prognozių tikslumui užtikrinti. Todėl tai yra mašininio mokymosi modelių vertinimo technika, kurios pagrindinis tikslas yra padalinti duomenų rinkinį į kelis pogrupius (arba „sulankstymus“). Tada modelis apmokomas su kai kuriais pogrupiais ir išbandomas su kitais. Tai leidžia patikimiau įvertinti modelio našumą, sumažinant perteklinį mokymąsi.

Kiti dirbtinio intelekto pagrindai, kuriuos verta ištirti, suprasti ir įvaldyti šioje trečiojoje dalyje

Tai tik kelios sąvokos ir terminai iš daugelio, kuriuos tikrai verta žinoti, suprasti ir įvaldyti. šioje modernioje ir novatoriškoje dirbtinio intelekto srityje. Todėl, norėdami išplėsti čia pateiktą informaciją ir lengvai nukreipti jus į kitus, siūlome jums tai Įdomi infografika sukurta naudojant dirbtinį intelektą kad susidarytumėte nedidelį vaizdą apie kitus, kurie yra lygiai taip pat svarbūs ir esminiai:

Santrauka

Trumpai tariant, tikimės, kad tai „Trečioji įdomios ir stebinančios dirbtinio intelekto srities dalis“ daugiausia dėmesio skiriant generatyviniam dirbtiniam intelektui (GDI), galbūt šiek tiek labiau prisidėjote prie jūsų žinių ir įgūdžių stiprinimo ir tobulinimo šioje modernioje ir novatoriškoje srityje. Nepamirškite, kad Dirbtinis intelektas ir robotika keičia pasaulį ir tai, kaip mes gyvename.Ir kad ateinančiais metais, kai kvantiniai skaičiavimai taps komerciškai prieinami, o kvantinė energija (gaunama Kazimiero efekto būdu) bus plačiai prieinama visai žmonijai, ji gali būti visiškai kitokia nei ta, kurią patiriame šiandien. Taigi, geriau sužinoti apie dirbtinį intelektą dabar, nei atsisakyti ir gailėtis rytoj. Ir, žinoma, nepamirškite toliau dalyvauti, prisidėti ir remti mūsų mylimą ir vertingą „Linuxverse“.

Galiausiai, prisimink apsilankykite pas mus «pagrindinis puslapis» ispaniškaiArba bet kuria kita kalba (tiesiog pridėdami 2 raides prie dabartinio URL adreso galo, pavyzdžiui: ar, de, en, fr, ja, pt ir ru, ir daugelį kitų), kad sužinotumėte daugiau dabartinio turinio.