Asas Kecerdasan Buatan (AI) untuk Pengguna Linux – Bahagian Tiga

Ya, Adakah anda menyukai dua catatan pertama kami yang berkaitan dengan pembelajaran Kecerdasan Buatan (AI) untuk pengguna Linux?Jadi hari ini anda kemungkinan besar akan menghargai bahagian ketiga ini, di mana kita akan merangkumi beberapa konsep dan istilah paling penting yang berkaitan dengan bidang teknologi ini. Dan jika anda belum membaca dua bahagian sebelumnya, kami ingin menjelaskan bahawa Dalam bahagian kedua, kita akan membincangkan perkara tentang perbezaan antara Kecerdasan Buatan Simbolik dan Kecerdasan Buatan Koneksionis dan mengenai peristiwa penting sejarah bidang teknologi ini sejak 100 tahun yang lalu. Manakala, dalam Dalam bahagian pertama, kita fokuskan en Apakah AI dan tentang pelbagai jenis yang telah dicipta (Sempit atau Lemah, Generatif dan Ejen) dan yang dijangka akan dicipta (Umum atau Kuat, dan Superintelijen Buatan).

Dan seperti pada kesempatan sebelumnya, perlu diingat bahawa sama seperti pada zaman mereka Elektrik, Radio, Televisyen, Komputer, Telefon, Internet dan Rangkaian Sosial; Kecerdasan Buatan merupakan teknologi yang telah tiba untuk disepadukan secara mendalam ke dalam segala-galanyaDan itu, dengan menjimatkan masa berharga dan waktu kerja yang mahal, serta menjadikan kita lebih produktif, kreatif dan serba boleh; sudah tentu, Sedikit demi sedikit, ia akan menggantikan mereka yang paling tidak tahu tentang kewujudan dan operasinya.Oleh itu, tiada yang lebih baik daripada mula mendapatkan konteks tentang segala yang berkaitan dengannya.

Tetapi, sebelum kita mendalami perkara ini "Bahagian ketiga bidang Kecerdasan Buatan yang menarik dan mengejutkan"Dan lebih khusus lagi mengenai beberapa konsep dan istilah yang paling penting untuk dipertimbangkan, difahami dan dikuasai, kami mengesyorkan untuk meneroka penerbitan berkaitan sebelum ini dan terkini dalam siri penerbitan ini, setelah selesai membacanya:

Asas Kecerdasan Buatan – Bahagian Tiga: Konsep dan Istilah Berkaitan

20 konsep dan istilah penting yang sentiasa disebut dalam bidang Kecerdasan Buatan

1. Halusinasi

Halusinasi merujuk kepada situasi di mana sistem AI, terutamanya yang mengendalikan pemprosesan bahasa semula jadi, mula menghasilkan keputusan yang mungkin tidak relevan, tidak masuk akal atau salah berdasarkan input yang diberikan. Ini sering berlaku apabila sistem AI tidak pasti tentang konteksnya, terlalu bergantung pada data latihannya atau kurang memahami perkara yang dimaksudkan.

2. Pembelajaran Mesin

Subbidang AI yang merangkumi pembangunan algoritma dan model statistik yang membolehkan mesin meningkatkan prestasi mereka dengan pengalaman. Contohnya ialah algoritma pembelajaran mesin yang boleh meramalkan kemungkinan pelanggan berhenti bekerja berdasarkan tingkah laku masa lalu. Terima kasih kepada program pembelajaran mesin, mesin belajar menyelesaikan masalah daripada contoh: ia boleh membandingkan dan mengklasifikasikan data dan juga mengenali bentuk kompleks.

3. Pembelajaran Mendalam

Subbidang pembelajaran mesin yang menggunakan rangkaian saraf berbilang lapisan untuk belajar daripada data, bermakna ia menggunakan struktur rangkaian saraf yang berbeza untuk mempelajari lapisan berturut-turut bagi perwakilan data yang semakin bermakna. Pada masa ini, ia merupakan bidang paling popular dalam AI. Ia muncul daripada gabungan algoritma pembelajaran mesin dengan rangkaian saraf formal dan penggunaan data raya.

4. Data Besar

Data Besar ialah cabang Teknologi Maklumat yang mengkaji kesukaran yang wujud dalam mengendalikan set data yang besar. Juga dipanggil Makrodata, ini merujuk kepada set data yang besar dan kompleks yang selalunya terlalu besar atau pelbagai untuk diproses menggunakan kaedah tradisional. Tambahan pula, ia datang daripada pelbagai sumber (rangkaian sosial, sensor, dll.) dan memerlukan teknik canggih, seperti kecerdasan buatan dan pembelajaran mesin, untuk menganalisisnya dan mengekstrak maklumat yang berguna.

5. Set data

Set data ialah koleksi data, biasanya distrukturkan dalam jadual. Ia merupakan koleksi data tersusun yang digunakan untuk melatih, menguji atau mengesahkan model kecerdasan buatan. Ia boleh mengandungi teks, imej, video atau jenis maklumat lain, biasanya dilabelkan untuk membolehkan algoritma pembelajaran mesin mengenali corak dan membuat ramalan.

6. Latihan model

Latihan model ialah proses menggunakan set data untuk mengajar model kecerdasan buatan atau pembelajaran mesin bagi melaksanakan tugas tertentu, seperti pengelasan atau ramalan. Model tersebut melaraskan parameternya berdasarkan contoh yang diberikan untuk meningkatkan ketepatannya dengan data baharu.

7. Penjanaan Dipertingkatkan melalui Pemulihan

RAG (Retrieval-Augmented Generation) ialah kaedah yang membolehkan AI membuat pertanyaan tentang pangkalan data luaran atau mencari maklumat baharu dan terkini di internet sebelum menjana respons. Daripada perlu melatih semula keseluruhan model dengan data baharu, RAG berfungsi sebagai sejenis "pendidikan masa nyata" untuk AI. Ini sangat berguna kerana ia memaksa sistem untuk bergantung pada dokumen khusus dan disahkan, yang dapat mengurangkan risiko AI mereka-reka maklumat (halusinasi).

8. GPT (Transformer Pra-latihan Generatif)

Ia merupakan keluarga model bahasa yang dibangunkan oleh OpenAI yang menggunakan rangkaian saraf untuk memahami dan menjana teks secara semula jadi. Model GPT (Generative Pretrained Transformer) ini menggunakan seni bina yang dipanggil Transformer yang membolehkannya menganalisis gesaan dan meramalkan respons yang paling mungkin berdasarkan latihan dengan set data yang besar. Oleh kerana itu, GPT mampu meniru keupayaan pemahaman bahasa manusia.

9. Penjanaan Bahasa Semula Jadi (Penjanaan Bahasa Semula jadi)

Penjanaan bahasa semula jadi merupakan subbidang kecerdasan buatan yang melibatkan penghasilan teks atau pertuturan yang boleh difahami secara automatik dalam bahasa manusia. Ia membolehkan mesin mengubah data mentah menjadi ayat atau perenggan semula jadi, seperti dalam ringkasan automatik atau pembantu maya.

10. Kejuruteraan Segera

Ia merupakan seni membangunkan gesaan untuk permintaan bagi mencapai output generatif yang bermakna—iaitu, output yang lebih tepat, produktif dan inovatif. Atau, dengan kata lain, ia merupakan sains mereka bentuk, mengoptimumkan dan memperhalusi arahan yang kita berikan kepada kecerdasan buatan generatif. Matlamatnya adalah untuk membimbing AI bagi mendapatkan jawapan yang tepat, relevan dan berkualiti tinggi, bertindak sebagai jambatan komunikasi untuk mengelakkan keputusan generik atau salah.

11. Model

Model ialah objek yang akan mewakili output algoritma pembelajaran. Oleh itu, ia adalah apa yang digunakan oleh AI untuk membuat ramalan output. Contohnya, model asas ialah kategori luas model AI yang merangkumi model bahasa yang besar dan jenis model lain seperti visi komputer dan model pembelajaran pengukuhan. Ia dipanggil "model asas" kerana ia berfungsi sebagai asas untuk membina aplikasi, menangani pelbagai domain dan kes penggunaan.

12. Model Bahasa Besar

Ia merupakan sejenis model pembelajaran mendalam yang dilatih pada set data yang besar untuk melaksanakan pemahaman bahasa semula jadi dan tugas penjanaan. Model yang terkenal termasuk BERT, PaLM, GPT-2, GPT-3, GPT-3.5 dan GPT-4 yang inovatif. Model ini berbeza-beza dari segi saiz (bilangan parameter yang boleh dilaraskan), julat tugas yang boleh dilakukan (pengekodan, sembang, saintifik, dsb.), dan asas pengetahuan yang digunakan untuk melatihnya.

13. Model Bahasa Kecil

Kedua-duanya merupakan versi bersaiz poket bagi model bahasa besar, atau LLM. Kedua-duanya menggunakan teknik pembelajaran mesin untuk membantu mereka mengenali corak dan hubungan supaya mereka boleh menghasilkan tindak balas bahasa semula jadi yang realistik. Tetapi walaupun LLM sangat besar dan memerlukan banyak kuasa pengkomputeran dan memori, model bahasa kecil seperti Phi-3 dilatih pada set data yang lebih kecil dan lebih tersusun rapi serta mempunyai lebih sedikit parameter, menjadikannya lebih padat dan boleh digunakan di luar talian.

14. Bias

Ini adalah andaian yang dibuat oleh model AI tentang data. "Pertukaran bias-varians" ialah keseimbangan yang mesti dicapai antara andaian yang dibuat oleh model tentang data dan jumlah perubahan ramalan model, memandangkan data latihan yang berbeza. Bias induktif ialah set andaian yang dibuat oleh algoritma pembelajaran mesin tentang taburan data yang mendasari.

15. Pemprosesan Bahasa Semula Jadi

Ia merupakan bidang interdisiplin yang idea utamanya adalah untuk memberi mesin keupayaan untuk membaca dan memahami bahasa yang dituturkan oleh manusia. Penyelidikan Pemprosesan Bahasa Semula Jadi bertujuan untuk menjawab persoalan bagaimana orang ramai dapat memahami makna ayat yang dituturkan atau ditulis dan bagaimana mereka memahami apa yang berlaku, bila dan di mana ia berlaku; dan perbezaan antara andaian, kepercayaan dan fakta. Akibatnya, ia melibatkan pengaturcaraan komputer untuk memproses sejumlah besar data linguistik dan memberi tumpuan kepada mengubah teks bentuk bebas menjadi struktur piawai.

16. Cepat

Gesaan ialah arahan atau set arahan (input) yang diberikan kepada sistem komputer untuk menjana respons. Dalam konteks Kecerdasan Buatan, ia merupakan arahan awal, arahan, soalan, permintaan atau pernyataan teks yang diberikan kepada model untuk membimbing dan mengarah penjanaan respons atau output tertentu. Gesaan bertindak sebagai rangsangan atau pencetus untuk AI, yang menunjukkan topik, gaya, arah atau jenis respons yang dijangkakan. Cara gesaan dirumuskan (pembingkaiannya) secara langsung menentukan kualiti dan kerelevanan hasil yang diterima.

17. Rangkaian Neural

Ia merupakan model pengiraan berdasarkan set besar unit saraf ringkas (neuron buatan), yang secara kasarnya serupa dengan tingkah laku yang diperhatikan dalam akson neuron dalam otak biologi. Ia merupakan unit kerja asas Pembelajaran Mendalam. Tambahan pula, ia merupakan model pembelajaran mesin yang membolehkan pengecaman corak dan penyelesaian masalah, berdasarkan pembelajaran mesin atau pembelajaran mendalam, yang berusaha untuk memodelkan mekanisme analisis otak manusia.

18. Transformer

Transformer mewakili sejenis seni bina rangkaian neural yang direka untuk memproses data berjujukan, seperti teks. Transformer mempelajari konteks dan, seterusnya, makna. Ia menangkap hubungan antara elemen berbeza dalam jujukan (perkataan, ayat) secara selari, bukannya secara berjujukan seperti model tradisional. Transformer merupakan asas model yang berjaya seperti GPT dan BERT dan digunakan untuk tugas pemprosesan bahasa semula jadi.

19. Token

Token dalam Kecerdasan Buatan ialah unit asas data (perkataan, bahagian perkataan, aksara atau simbol) yang digunakan oleh Model Pembelajaran Bahasa (LLM) seperti GPT atau Gemini untuk memproses, memahami dan menjana teks. Ia merupakan "mata wang" atau maklumat penting yang dibaca dan dianalisis oleh AI, membolehkannya memecahkan bahasa manusia kepada bahagian yang boleh diurus (boleh dikira). Akibatnya, model AI memproses token untuk memahami hubungan antara mereka dan membuka kunci keupayaan seperti ramalan, penjanaan dan penaakulan. Lebih cepat token diproses, lebih cepat model boleh belajar dan bertindak balas.

20. Pengesahan silang

Ia merupakan kaedah yang digunakan untuk menilai hasil analisis dan memastikan ketepatan ramalan model pembelajaran mesin. Oleh itu, ia merupakan teknik untuk menilai model pembelajaran mesin yang menumpukan pada membahagikan set data kepada beberapa subset (atau "lipatan"). Model tersebut kemudiannya dilatih pada beberapa subset dan diuji pada subset yang lain. Ini membolehkan anggaran prestasi model yang lebih andal dengan mengurangkan pembelajaran berlebihan.

Asas-asas lain Kecerdasan Buatan yang patut dikaji, difahami dan dikuasai dalam bahagian ketiga ini

Ini hanyalah beberapa konsep dan istilah daripada banyak lagi yang benar-benar berbaloi untuk diketahui, difahami dan dikuasai. dalam bidang Kecerdasan Buatan yang moden dan inovatif ini. Oleh itu, untuk meluaskan maklumat yang ditawarkan di sini dan membimbing anda dengan lebih lanjut, kami menawarkan ini kepada anda Infografik menarik yang dihasilkan dengan AI untuk memberi anda gambaran kecil tentang perkara lain yang sama penting dan penting:

Ringkasan

Pendek kata, kami berharap ini "Bahagian ketiga bidang Kecerdasan Buatan yang menarik dan mengejutkan" dengan penekanan pada Kecerdasan Buatan Generatif (GAI), mungkin telah menyumbang sedikit lagi kepada pengukuhan dan peningkatan pengetahuan dan kemahiran anda dalam bidang moden dan inovatif ini. Jangan lupa bahawa, Kecerdasan buatan dan robotik sedang mengubah dunia dan cara kita menjalani kehidupan.Dan pada tahun-tahun akan datang, apabila pengkomputeran kuantum tersedia secara komersial dan tenaga kuantum (yang dihasilkan melalui kesan Casimir) boleh diakses secara meluas oleh seluruh manusia, ia mungkin berbeza sama sekali daripada bagaimana kita mengalaminya hari ini. Jadi, adalah lebih baik untuk belajar tentang Kecerdasan Buatan sekarang daripada menolak dan menyesal esok. Dan sudah tentu, jangan lupa untuk terus menyertai, menyumbang dan menyokong Linuxverse kita yang disayangi dan berharga.

Akhir sekali, ingat melawat kami «laman utama» dalam bahasa SepanyolAtau, dalam mana-mana bahasa lain (dengan hanya menambah 2 huruf pada penghujung URL semasa kita, contohnya: ar, de, en, fr, ja, pt dan ru, antara lain) untuk mengetahui lebih lanjut kandungan semasa.