Mākslīgā intelekta pamati — trešā daļa: koncepcijas
Jā Vai jums patika mūsu pirmie divi ieraksti par mākslīgā intelekta (AI) apguvi Linux lietotājiem?Tātad šodien jūs, visticamāk, novērtēsiet šo trešo daļu, kurā mēs aplūkosim vairākus svarīgākos jēdzienus un terminus, kas saistīti ar šo tehnoloģiju jomu. Un, ja neesat lasījis iepriekšējās divas daļas, mēs vēlētos to precizēt Otrajā daļā mēs pievērsīsimies punkts par atšķirību starp Simboliskais mākslīgais intelekts un konekcionistiskais mākslīgais intelekts un par šīs tehnoloģiju jomas vēsturiskajiem pagrieziena punktiem pēdējo 100 gadu laikā. Turpretī Pirmajā daļā mēs koncentrējamies en Kas ir mākslīgais intelekts un par dažādajiem tā veidiem, kas jau ir izveidoti (Šaurs jeb vājš, Ģeneratīvs un Aģents) un kurus paredzēts izveidot (Vispārīgs jeb Spēcīgs un Mākslīgais superintelekta).
Un tāpat kā iepriekšējos gadījumos, paturiet prātā, ka tāpat kā viņu laikā elektrība, radio, televīzija, datori, telefoni, internets un sociālie tīkli; Mākslīgais intelekts ir tehnoloģija, kas ir ieradusies, lai kļūtu dziļi integrēta it visāUn tas, ietaupot mums vērtīgu laiku un dārgas darba stundas, padarot mūs produktīvākus, radošākus un daudzpusīgākus; pavisam noteikti, Pamazām tas izspiedīs tos, kuriem ir vismazākā nojausma par tā esamību un darbību.Tāpēc nav nekā labāka par to, kā sākt iegūt kontekstu par visu, kas ar to saistīts.
Mākslīgā intelekta pamati — pirmā daļa: pirmsākumi II
Bet, pirms mēs iedziļināmies šajā jautājumā "Trešā daļa aizraujošajā un pārsteidzošajā mākslīgā intelekta jomā"Un konkrētāk attiecībā uz dažiem svarīgākajiem jēdzieniem un terminiem, kas jāapsver, jāsaprot un jāapgūst, mēs iesakām izpētīt iepriekšējās un jaunākās saistītās publikācijas šajā publikāciju sērijā, pabeidzot to lasīt:
Mākslīgā intelekta pamati — trešā daļa: saistītie jēdzieni un termini
20 svarīgi jēdzieni un termini, kas vienmēr tiek minēti mākslīgā intelekta jomā
1. Halucinācijas
Halucinācija attiecas uz situāciju, kurā mākslīgā intelekta sistēma, īpaši tāda, kas apstrādā dabisko valodu, sāk ģenerēt rezultātus, kas var būt neatbilstoši, bezjēdzīgi vai nepareizi, pamatojoties uz sniegto informāciju. Tas bieži notiek, ja mākslīgā intelekta sistēma nav pārliecināta par kontekstu, pārāk paļaujas uz saviem apmācības datiem vai tai trūkst pienācīgas izpratnes par attiecīgo tēmu.
2. Mašīnmācīšanās
Mākslīgā intelekta apakšnozare, kas aptver algoritmu un statistisko modeļu izstrādi, kas ļauj mašīnām uzlabot savu veiktspēju, izmantojot pieredzi. Piemērs varētu būt mašīnmācīšanās algoritms, kas varētu paredzēt klientu aiziešanas iespējamību, pamatojoties uz iepriekšējo uzvedību. Pateicoties mašīnmācīšanās programmai, mašīna iemācās risināt problēmas no piemēriem: tādējādi tā var salīdzināt un klasificēt datus un pat atpazīt sarežģītas formas.
3. Dziļā mācīšanās
Mašīnmācīšanās apakšnozare, kas izmanto daudzslāņu neironu tīklus, lai mācītos no datiem, kas nozīmē, ka tā izmanto dažādas neironu tīkla struktūras, lai apgūtu secīgus arvien nozīmīgāku datu attēlojumu slāņus. Pašlaik tā ir populārākā joma mākslīgā intelekta ietvaros. Tā radās, apvienojot mašīnmācīšanās algoritmus ar formāliem neironu tīkliem un lielo datu izmantošanu.
4. Lieli dati
Lielie dati ir informācijas tehnoloģiju nozare, kas pēta lielu datu kopu apstrādes raksturīgās grūtības. To sauc arī par makrodatiem, un tie attiecas uz lieliem un sarežģītiem datu kopumiem, kas bieži vien ir pārāk lieli vai daudzveidīgi, lai tos varētu apstrādāt, izmantojot tradicionālās metodes. Turklāt tie nāk no dažādiem avotiem (sociālie tīkli, sensori utt.), un to analīzei un noderīgas informācijas iegūšanai ir nepieciešamas progresīvas metodes, piemēram, mākslīgais intelekts un mašīnmācīšanās.
5. Datu kopa
Datu kopa ir datu kopa, kas parasti strukturēta tabulā. Tā ir organizēta datu kopa, ko izmanto mākslīgā intelekta modeļu apmācībai, testēšanai vai validēšanai. Tā var saturēt tekstu, attēlus, videoklipus vai cita veida informāciju, kas parasti ir marķēta, lai mašīnmācīšanās algoritmi varētu atpazīt modeļus un veikt prognozes.
6. Modeļu apmācība
Modeļa apmācība ir process, kurā datu kopa tiek izmantota, lai apmācītu mākslīgā intelekta vai mašīnmācīšanās modeli veikt konkrētu uzdevumu, piemēram, klasifikāciju vai prognozēšanu. Modelis pielāgo savus parametrus, pamatojoties uz sniegtajiem piemēriem, lai uzlabotu precizitāti ar jauniem datiem.
7. Uzlabota ražošana, izmantojot atkopšanu
RAG (Retrieval-Augmented Generation — izguves papildinātā ģenerēšana) ir metode, kas ļauj mākslīgajam intelektam (AI) veikt vaicājumus ārējās datubāzēs vai meklēt internetā jaunu un atjauninātu informāciju pirms atbildes ģenerēšanas. Tā vietā, lai visu modeli atkārtoti apmācītu ar jauniem datiem, RAG darbojas kā sava veida "reāllaika apmācība" AI. Tas ir ļoti noderīgi, jo piespiež sistēmu paļauties uz konkrētiem un pārbaudītiem dokumentiem, kas ievērojami samazina risku, ka AI safabricēs informāciju (halucinācijas).
8. GPT (ģeneratīvais iepriekš apmācīts transformators)
Tie ir valodu modeļu saime, ko izstrādājusi OpenAI un kas izmanto neironu tīklus, lai dabiski saprastu un ģenerētu tekstu. Šie GPT (Ģeneratīvie iepriekš apmācītie transformatori) modeļi izmanto arhitektūru ar nosaukumu Transformer, kas ļauj tiem analizēt uzvednes un paredzēt visticamāko atbildi, pamatojoties uz apmācību ar milzīgiem datu kopumiem. Tāpēc GPT spēj atdarināt cilvēka valodas izpratnes spējas.
9. Dabiskās valodas ģenerēšana (Dabas valodas paaudze)
Dabiskās valodas ģenerēšana ir mākslīgā intelekta apakšnozare, kas ietver saprotamu tekstu vai runas automātisku ģenerēšanu cilvēka valodā. Tā ļauj mašīnai pārveidot neapstrādātus datus dabiskos teikumos vai rindkopās, piemēram, automatizētos kopsavilkumos vai virtuālajos asistentos.
10. Ātra inženierija
Tā ir māksla izstrādāt pieprasījumu uzvednes, lai sasniegtu jēgpilnus ģeneratīvus rezultātus — proti, precīzākus, produktīvākus un inovatīvākus rezultātus. Citiem vārdiem sakot, tā ir zinātne par ģeneratīvajam mākslīgajam intelektam sniegto norādījumu izstrādi, optimizēšanu un pilnveidošanu. Tās mērķis ir vadīt mākslīgo intelektu iegūt precīzas, atbilstošas un augstas kvalitātes atbildes, darbojoties kā komunikācijas tilts, lai izvairītos no vispārīgiem vai kļūdainiem rezultātiem.
11. Modelis
Modelis ir objekts, kas attēlos mācību algoritma izvadi. Tāpēc tas ir tas, ko mākslīgais intelekts izmanto, lai veiktu izvades prognozes. Piemēram, pamatmodeļi ir plaša mākslīgā intelekta modeļu kategorija, kas ietver lielus valodu modeļus un cita veida modeļus, piemēram, datorredzes un pastiprināšanas mācīšanās modeļus. Tos sauc par "pamatmodeļiem", jo tie kalpo par pamatu lietojumprogrammu veidošanai, aptverot plašu jomu un lietošanas gadījumu klāstu.
12. Lielie valodu modeļi
Tie ir dziļās mācīšanās modeļi, kas apmācīti lielā datu kopā, lai veiktu dabiskās valodas izpratnes un ģenerēšanas uzdevumus. Plaši pazīstami modeļi ir BERT, PaLM, GPT-2, GPT-3, GPT-3.5 un inovatīvais GPT-4. Šie modeļi atšķiras pēc lieluma (pielāgojamo parametru skaita), veicamo uzdevumu klāsta (kodēšana, tērzēšana, zinātniskie uzdevumi utt.) un zināšanu bāzes, uz kuras tie tika apmācīti.
13. Mazo valodu modeļi
Tie ir lielo valodu modeļu jeb LLM kabatas izmēra versijas. Abi izmanto mašīnmācīšanās metodes, lai palīdzētu atpazīt modeļus un attiecības, lai tie varētu radīt reālistiskas dabiskas valodas atbildes. Taču, lai gan LLM ir milzīgi un tiem nepieciešama liela skaitļošanas jauda un atmiņa, mazi valodu modeļi, piemēram, Phi-3, tiek apmācīti mazākos, kūrētākos datu kopumos un tiem ir mazāk parametru, padarot tos kompaktākus un pat lietojamus bezsaistē.
14. Aizspriedumi
Šie ir pieņēmumi, ko mākslīgā intelekta modelis izdara par datiem. “Neobjektivitātes un dispersijas kompromiss” ir līdzsvars, kas jāatrod starp modeļa pieņēmumiem par datiem un modeļa prognožu izmaiņu apjomu, ņemot vērā dažādus apmācības datus. Induktīvā neobjektivitāte ir pieņēmumu kopums, ko mašīnmācīšanās algoritms izdara par datu pamatā esošo sadalījumu.
15. Dabiskās valodas apstrāde
Tā ir starpdisciplināra joma, kuras galvenā ideja ir dot mašīnām spēju lasīt un saprast valodas, kurās runā cilvēki. Dabiskās valodas apstrādes pētījumu mērķis ir atbildēt uz jautājumu, kā cilvēki spēj saprast runāta vai rakstīta teikuma nozīmi un kā viņi saprot, kas notika, kad un kur tas notika; un atšķirības starp pieņēmumu, pārliecību un faktu. Līdz ar to tā ietver datoru programmēšanu, lai apstrādātu milzīgus lingvistisko datu apjomus, un koncentrējas uz brīvas formas teksta pārveidošanu standartizētā struktūrā.
16. Uzvedne
Uzvedne ir instrukcija vai instrukciju kopums (ievade), kas tiek sniegta datorsistēmai, lai ģenerētu atbildi. Mākslīgā intelekta kontekstā tā ir sākotnējā instrukcija, komanda, jautājums, pieprasījums vai teksta paziņojums, kas tiek sniegts modelim, lai vadītu un virzītu konkrētas atbildes vai izvades ģenerēšanu. Uzvedne darbojas kā stimuls vai aktivizētājs mākslīgajam intelektam, norādot sagaidāmās atbildes tēmu, stilu, virzienu vai veidu. Uzvednes formulējuma veids (tās ietvars) tieši nosaka saņemto rezultātu kvalitāti un atbilstību.
17. Neironu tīkls
Tie ir skaitļošanas modeļi, kuru pamatā ir liels vienkāršu neironu vienību (mākslīgo neironu) kopums, kas ir aptuveni analogi uzvedībai, kas novērota neironu aksonos bioloģiskajās smadzenēs. Tie ir dziļās mācīšanās pamatdarba vienība. Turklāt tas ir mašīnmācīšanās modelis, kas ļauj atpazīt modeļus un risināt problēmas, pamatojoties uz mašīnmācīšanos vai dziļo mācīšanos, cenšoties modelēt cilvēka smadzeņu analītiskos mehānismus.
18. Transformators
Transformatori ir neironu tīkla arhitektūras veids, kas paredzēts secīgu datu, piemēram, teksta, apstrādei. Transformatori apgūst kontekstu un līdz ar to arī nozīmi. Tie uztver dažādu secības elementu (vārdu, teikumu) attiecības paralēli, nevis secīgi, kā tradicionālie modeļi. Transformatori ir veiksmīgu modeļu, piemēram, GPT un BERT, pamatā, un tos izmanto dabiskās valodas apstrādes uzdevumiem.
19. Žetons
Mākslīgā intelekta žetons ir datu pamatvienība (vārdi, vārdu daļas, rakstzīmes vai simboli), ko valodu apguves modeļi (LLM), piemēram, GPT vai Gemini, izmanto, lai apstrādātu, saprastu un ģenerētu tekstu. Tā ir "valūta" jeb būtiska informācijas daļa, ko MI nolasa un analizē, ļaujot tai sadalīt cilvēka valodu pārvaldāmos (aprēķināmos) elementos. Līdz ar to MI modeļi apstrādā žetonus, lai izprastu to savstarpējās attiecības un atbloķētu tādas iespējas kā prognozēšana, ģenerēšana un spriešana. Jo ātrāk žetoni tiek apstrādāti, jo ātrāk modeļi var mācīties un reaģēt.
20. Savstarpēja validācija
Tā ir metode, ko izmanto, lai novērtētu analīzes rezultātus un nodrošinātu mašīnmācīšanās modeļa prognožu precizitāti. Tāpēc tā ir mašīnmācīšanās modeļu novērtēšanas metode, kas koncentrējas uz datu kopas sadalīšanu vairākās apakškopās (jeb "locījumos"). Pēc tam modelis tiek apmācīts uz dažām apakškopām un testēts uz citām. Tas ļauj ticamāk novērtēt modeļa veiktspēju, samazinot pārmācīšanos.
Citi mākslīgā intelekta pamati, kurus ir vērts izpētīt, izprast un apgūt šajā trešajā daļā
Šie ir tikai daži no daudzajiem jēdzieniem un terminiem, kurus patiesi ir vērts zināt, saprast un apgūt. šajā modernajā un inovatīvajā mākslīgā intelekta jomā. Tāpēc, lai paplašinātu šeit piedāvāto informāciju un viegli palīdzētu jums atrast citus, mēs jums piedāvājam šo Interesanta infografika, kas izveidota ar mākslīgo intelektu lai sniegtu jums nelielu priekšstatu par citiem, kas ir tikpat svarīgi un būtiski:
Kopsavilkums
Īsāk sakot, mēs ceram, ka šis "Trešā daļa aizraujošajā un pārsteidzošajā mākslīgā intelekta jomā" ar uzsvaru uz Ģeneratīvo mākslīgo intelektu (GAI), iespējams, ir devis nedaudz lielāku ieguldījumu jūsu zināšanu un prasmju stiprināšanā un uzlabošanā šajā modernajā un inovatīvajā jomā. Neaizmirstiet, ka Mākslīgais intelekts un robotika maina pasauli un to, kā mēs dzīvojam.Un ka turpmākajos gados, kad kvantu skaitļošana kļūs komerciāli pieejama un kvantu enerģija (kas rodas, izmantojot Kazimira efektu) būs plaši pieejama visai cilvēcei, tā varētu būt pilnīgi atšķirīga no tā, kā mēs to piedzīvojam šodien. Tāpēc labāk ir uzzināt par mākslīgo intelektu tagad, nekā atteikties un nožēlot rīt. Un, protams, neaizmirstiet turpināt piedalīties, dot savu ieguldījumu un atbalstīt mūsu mīļoto un vērtīgo Linuxverse.
Visbeidzot, atcerieties apmeklējiet mūsu «mājas lapa» spāņu valodāVai arī jebkurā citā valodā (vienkārši pievienojot 2 burtus mūsu pašreizējā URL beigās, piemēram: ar, de, en, fr, ja, pt un ru, kā arī daudzas citas), lai uzzinātu vairāk aktuāla satura.