Grondbeginselen van kunstmatige intelligentie – Deel drie: concepten
Ja, Vond je onze eerste twee berichten over kunstmatige intelligentie (AI) voor Linux-gebruikers interessant?Vandaag zult u dit derde deel waarschijnlijk zeer waarderen, waarin we een aantal van de belangrijkste concepten en termen uit dit technologische vakgebied behandelen. En als u de vorige twee delen nog niet hebt gelezen, willen we dat graag even toelichten. In het tweede deel zullen we ingaan op het punt over het verschil tussen Symbolische kunstmatige intelligentie en connectionistische kunstmatige intelligentie en over de historische mijlpalen van dit technologische vakgebied in de afgelopen 100 jaar. Terwijl in de In het eerste deel richten we ons op en Wat is AI en welke verschillende typen zijn er al ontwikkeld? (Smal of zwak, generatief en agent) en waarvan verwacht wordt dat ze gecreëerd zullen worden (algemeen of sterk, en kunstmatige superintelligentie).
En zoals eerder vermeld, houd er rekening mee dat, net als in hun tijd, elektriciteit, radio, televisie, computers, telefoons, internet en sociale netwerken; Kunstmatige intelligentie is een technologie die is gearriveerd en diep in alles geïntegreerd zal raken.En dat, door ons waardevolle tijd en kostbare werkuren te besparen en ons productiever, creatiever en veelzijdiger te maken; absoluut. Stapje voor stapje zal het degenen verdringen die het minste idee hebben van het bestaan en de werking ervan.Daarom is er niets beter dan te beginnen met het vergaren van context over alles wat ermee samenhangt.
Grondbeginselen van kunstmatige intelligentie – Deel 1: Oorsprong II
Maar voordat we hier dieper op ingaan... "Het derde deel van het spannende en verrassende vakgebied van de kunstmatige intelligentie"En meer specifiek met betrekking tot enkele van de belangrijkste concepten en termen die u moet overwegen, begrijpen en beheersen, raden we u aan om de volgende onderwerpen te verkennen: eerdere en recente verwante publicaties in deze reeks., nadat ik het heb uitgelezen:
Grondbeginselen van kunstmatige intelligentie – Deel drie: verwante concepten en termen
20 belangrijke concepten en termen die altijd terugkomen in het vakgebied van kunstmatige intelligentie.
1. Hallucinatie
Hallucinatie verwijst naar een situatie waarin een AI-systeem, met name een systeem voor natuurlijke taalverwerking, resultaten begint te genereren die irrelevant, onzinnig of onjuist kunnen zijn op basis van de aangeleverde input. Dit gebeurt vaak wanneer het AI-systeem de context niet goed begrijpt, te veel vertrouwt op de trainingsdata of de materie onvoldoende begrijpt.
2. Machinaal leren
Een subgebied van AI dat zich bezighoudt met de ontwikkeling van algoritmen en statistische modellen waarmee machines hun prestaties kunnen verbeteren door ervaring. Een voorbeeld hiervan is een machine learning-algoritme dat de kans op klantverlies kan voorspellen op basis van gedrag uit het verleden. Dankzij een machine learning-programma leert de machine problemen op te lossen aan de hand van voorbeelden: zo kan de machine gegevens vergelijken en classificeren en zelfs complexe vormen herkennen.
3. Diep leren
Een subgebied van machine learning dat gebruikmaakt van meerlaagse neurale netwerken om te leren van data. Dit betekent dat verschillende neurale netwerkstructuren worden ingezet om opeenvolgende lagen van steeds betekenisvollere datarepresentaties te leren. Momenteel is het het populairste vakgebied binnen AI. Het is ontstaan uit de combinatie van machine learning-algoritmen met formele neurale netwerken en het gebruik van big data.
4. Big data
Big Data is de tak van informatietechnologie die zich bezighoudt met de inherente moeilijkheden van het verwerken van grote datasets. Deze datasets, ook wel macrodata genoemd, zijn vaak te groot of te divers om met traditionele methoden te verwerken. Bovendien zijn ze afkomstig uit verschillende bronnen (sociale netwerken, sensoren, enz.) en vereisen ze geavanceerde technieken, zoals kunstmatige intelligentie en machine learning, om ze te analyseren en bruikbare informatie eruit te halen.
5. Gegevensset
Een dataset is een verzameling gegevens, meestal gestructureerd in een tabel. Het is een georganiseerde verzameling gegevens die gebruikt wordt om modellen voor kunstmatige intelligentie te trainen, te testen of te valideren. Een dataset kan tekst, afbeeldingen, video's of andere soorten informatie bevatten, meestal voorzien van labels zodat machine learning-algoritmen patronen kunnen herkennen en voorspellingen kunnen doen.
6. Modeltraining
Modeltraining is het proces waarbij een dataset wordt gebruikt om een model voor kunstmatige intelligentie of machine learning te leren een specifieke taak uit te voeren, zoals classificatie of voorspelling. Het model past zijn parameters aan op basis van de aangeleverde voorbeelden om zijn nauwkeurigheid met nieuwe data te verbeteren.
7. Verbeterde energieopwekking door herstel
RAG (Retrieval-Augmented Generation) is een methode waarmee een AI externe databases kan raadplegen of op internet kan zoeken naar nieuwe en bijgewerkte informatie voordat er een antwoord wordt gegenereerd. In plaats van het hele model opnieuw te moeten trainen met nieuwe data, fungeert RAG als een soort "realtime training" voor de AI. Dit is erg nuttig omdat het systeem hierdoor gedwongen wordt om te vertrouwen op specifieke en geverifieerde documenten, wat het risico op het fabriceren van informatie (hallucinaties) door de AI aanzienlijk verkleint.
8. GPT (generatieve vooraf getrainde transformator)
Het betreft een familie van taalmodellen, ontwikkeld door OpenAI, die neurale netwerken gebruiken om tekst op een natuurlijke manier te begrijpen en te genereren. Deze GPT-modellen (Generative Pretrained Transformer) gebruiken een architectuur genaamd Transformer, waarmee ze prompts kunnen analyseren en de meest waarschijnlijke reactie kunnen voorspellen op basis van training met enorme datasets. Hierdoor is GPT in staat om het menselijk taalbegrip na te bootsen.
9. Natuurlijke taalgeneratie (Natuurlijke taalgeneratie)
Natuurlijke taalgeneratie is een subgebied van kunstmatige intelligentie dat zich bezighoudt met het automatisch produceren van begrijpelijke teksten of spraak in menselijke taal. Het stelt een machine in staat om ruwe data om te zetten in natuurlijke zinnen of alinea's, bijvoorbeeld in geautomatiseerde samenvattingen of virtuele assistenten.
10. Snelle engineering
Het is de kunst van het ontwikkelen van prompts voor verzoeken om zinvolle generatieve output te bereiken – dat wil zeggen, nauwkeurigere, productievere en innovatievere output. Of, anders gezegd, het is de wetenschap van het ontwerpen, optimaliseren en verfijnen van de instructies die we aan een generatieve kunstmatige intelligentie geven. Het doel is om de AI te begeleiden naar nauwkeurige, relevante en hoogwaardige antwoorden, en zo te fungeren als een communicatiebrug om generieke of foutieve resultaten te voorkomen.
11. Model
Een model is het object dat de uitvoer van het leerproces representeert. Het is dus wat AI gebruikt om voorspellingen te doen over de uitvoer. Fundamentele modellen vormen bijvoorbeeld een brede categorie AI-modellen, waaronder grote taalmodellen en andere typen modellen zoals computervisie- en versterkingsleermodellen. Ze worden "fundamentele modellen" genoemd omdat ze dienen als basis voor het bouwen van applicaties die een breed scala aan domeinen en gebruiksscenario's bestrijken.
12. Grote taalmodellen
Het zijn deep learning-modellen die getraind zijn op een grote dataset om taken uit te voeren op het gebied van natuurlijke taalverwerking en -generatie. Bekende modellen zijn onder andere BERT, PaLM, GPT-2, GPT-3, GPT-3.5 en het innovatieve GPT-4. Deze modellen verschillen in omvang (aantal aanpasbare parameters), het scala aan taken dat ze kunnen uitvoeren (coderen, chatten, wetenschappelijk onderzoek, enz.) en de kennisbasis waarop ze getraind zijn.
13. Kleine taalmodellen
Het zijn compacte versies van grote taalmodellen, ofwel LLM's. Beide gebruiken machine learning-technieken om patronen en verbanden te herkennen, zodat ze realistische, natuurlijke taalreacties kunnen produceren. Maar terwijl LLM's enorm zijn en veel rekenkracht en geheugen vereisen, worden kleine taalmodellen zoals Phi-3 getraind op kleinere, zorgvuldiger samengestelde datasets en hebben ze minder parameters, waardoor ze compacter zijn en zelfs offline gebruikt kunnen worden.
14. Vooroordeel
Dit zijn de aannames die een AI-model maakt over de data. Een "bias-variantie-afweging" is de balans die moet worden gevonden tussen de aannames die een model maakt over de data en de mate waarin de voorspellingen van een model veranderen, gegeven verschillende trainingsdata. Inductieve bias is de reeks aannames die een machine learning-algoritme maakt over de onderliggende verdeling van de data.
15. Natuurlijke taalverwerking
Het is een interdisciplinair vakgebied waarvan het centrale idee is om machines het vermogen te geven de talen die mensen spreken te lezen en te begrijpen. Onderzoek naar natuurlijke taalverwerking (Natural Language Processing, NLP) is erop gericht de vraag te beantwoorden hoe mensen de betekenis van een gesproken of geschreven zin kunnen begrijpen en hoe ze begrijpen wat er is gebeurd, wanneer en waar het is gebeurd; en wat het verschil is tussen een aanname, een overtuiging en een feit. Het omvat daarom het programmeren van computers om enorme hoeveelheden taalkundige data te verwerken en richt zich op het omzetten van vrije tekst naar een gestandaardiseerde structuur.
16. Vraag
Een prompt is een instructie of een reeks instructies (input) die aan een computersysteem worden gegeven om een reactie te genereren. In de context van kunstmatige intelligentie is het de eerste instructie, opdracht, vraag, verzoek of tekstuele verklaring die aan het model wordt verstrekt om de generatie van een specifieke reactie of output te sturen. De prompt fungeert als een stimulus of trigger voor de AI en geeft het onderwerp, de stijl, de richting of het type reactie aan dat wordt verwacht. De manier waarop de prompt is geformuleerd (de framing ervan) bepaalt direct de kwaliteit en relevantie van de ontvangen resultaten.
17. Neuraal netwerk
Het zijn computationele modellen gebaseerd op een grote set eenvoudige neurale eenheden (kunstmatige neuronen), die ruwweg analoog zijn aan het gedrag dat wordt waargenomen in de axonen van neuronen in biologische hersenen. Ze vormen de fundamentele werkeenheid van Deep Learning. Bovendien is het een machine learning-model dat patroonherkenning en probleemoplossing mogelijk maakt, gebaseerd op machine learning of deep learning, met als doel de analytische mechanismen van het menselijk brein te modelleren.
18. Transformator
Transformers vertegenwoordigen een type neurale netwerkarchitectuur dat is ontworpen om sequentiële data, zoals tekst, te verwerken. Transformers leren context en daardoor betekenis. Ze leggen de relaties tussen verschillende elementen van een sequentie (woorden, zinnen) parallel vast, in plaats van sequentieel zoals traditionele modellen. Transformers vormen de basis van succesvolle modellen zoals GPT en BERT en worden gebruikt voor taken op het gebied van natuurlijke taalverwerking.
19. Teken
Een token in kunstmatige intelligentie is de basiseenheid van gegevens (woorden, woorddelen, tekens of symbolen) die taalleermodellen (LLM's) zoals GPT of Gemini gebruiken om tekst te verwerken, te begrijpen en te genereren. Het is de "valuta" of het essentiële stukje informatie dat AI leest en analyseert, waardoor het menselijke taal kan opdelen in beheersbare (berekenbare) delen. AI-modellen verwerken tokens om de relaties ertussen te begrijpen en mogelijkheden zoals voorspelling, generatie en redenering te ontsluiten. Hoe sneller de tokens worden verwerkt, hoe sneller de modellen kunnen leren en reageren.
20. Kruisvalidatie
Het is een methode die wordt gebruikt om de resultaten van een analyse te evalueren en de nauwkeurigheid van de voorspellingen van machine learning-modellen te waarborgen. Het is dus een techniek voor het evalueren van machine learning-modellen die zich richt op het verdelen van een dataset in verschillende subsets (of "folds"). Het model wordt vervolgens getraind op sommige subsets en getest op andere. Dit maakt een betrouwbaardere inschatting van de prestaties van het model mogelijk door overtraining te verminderen.
Andere fundamentele aspecten van kunstmatige intelligentie die het waard zijn om te onderzoeken, te begrijpen en te beheersen, komen in dit derde deel aan bod.
Dit zijn slechts enkele concepten en termen van de vele die het absoluut waard zijn om te kennen, te begrijpen en te beheersen. in dit moderne en innovatieve vakgebied van kunstmatige intelligentie. Om de hier aangeboden informatie uit te breiden en u gemakkelijk naar meer informatie te leiden, bieden wij u daarom het volgende aan. Interessante infographic gemaakt met AI. Om u een klein idee te geven van andere zaken die even belangrijk en essentieel zijn:
Overzicht
Kortom, we hopen dat dit "Het derde deel van het spannende en verrassende vakgebied van de kunstmatige intelligentie" Met de nadruk op Generatieve Kunstmatige Intelligentie (GAI) heeft dit wellicht een kleine bijdrage geleverd aan het versterken en uitbreiden van uw kennis en vaardigheden op dit moderne en innovatieve gebied. Vergeet dat niet. Kunstmatige intelligentie en robotica veranderen de wereld en de manier waarop we leven.En dat over een aantal jaar, wanneer kwantumcomputers commercieel beschikbaar komen en kwantumenergie (geproduceerd via het Casimir-effect) breed toegankelijk is voor de hele mensheid, het er compleet anders uit zou kunnen zien dan hoe we het vandaag ervaren. Het is dus beter om nu meer te leren over kunstmatige intelligentie dan het te weigeren en er morgen spijt van te hebben. En vergeet natuurlijk niet om te blijven deelnemen aan, bijdragen aan en onze geliefde en waardevolle Linux-gemeenschap te ondersteunen.
Tot slot, onthoud bezoek onze «startpagina» in het SpaansOf, in een andere taal (door simpelweg 2 letters aan het einde van onze huidige URL toe te voegen, bijvoorbeeld: ar, de, en, fr, ja, pt en ru, en vele andere) om meer actuele inhoud te vinden.