Grunnleggende om kunstig intelligens (KI) for Linux-brukere – del tre

Ja, Likte du de to første innleggene våre relatert til læring av kunstig intelligens (KI) for Linux-brukere?Så i dag vil du mest sannsynlig sette pris på denne tredje delen, hvor vi skal dekke flere av de viktigste konseptene og begrepene knyttet til dette teknologiske feltet. Og hvis du ikke har lest de to foregående delene, vil vi gjerne avklare det. I den andre delen vil vi ta for oss poenget om forskjellen mellom Symbolsk kunstig intelligens og konneksjonistisk kunstig intelligens og på de historiske milepælene innen dette teknologiske feltet de siste 100 årene. Mens, i I den første delen fokuserer vi en Hva er AI, og hva er de ulike typene som allerede er laget? (Smal eller svak, generativ og agent) og som forventes å bli skapt (Generell eller sterk, og kunstig superintelligens).

Og som ved tidligere anledninger, husk at akkurat som i sin tid elektrisitet, radio, TV, datamaskiner, telefoner, internett og sosiale nettverk; Kunstig intelligens er en teknologi som har kommet for å bli dypt integrert i altOg det, ved å spare oss verdifull tid og kostbare arbeidstimer, og gjøre oss mer produktive, kreative og allsidige; helt sikkert, Litt etter litt vil det fortrenge de som har minst anelse om dens eksistens og virkemåte.Derfor er det ingenting bedre enn å begynne å få litt kontekst om alt som er relatert til det.

Men før vi går inn på dette "Den tredje delen av det spennende og overraskende feltet kunstig intelligens"Og mer spesifikt, når det gjelder noen av de viktigste konseptene og begrepene å vurdere, forstå og mestre, anbefaler vi å utforske tidligere og nylig relatert publikasjon i denne publikasjonsserien, etter å ha lest den ferdig:

Grunnleggende om kunstig intelligens – del tre: Relaterte konsepter og begreper

20 viktige konsepter og begreper som alltid nevnes innen kunstig intelligens

1. Hallusinasjon

Hallusinasjon refererer til en situasjon der et AI-system, spesielt et som håndterer naturlig språkbehandling, begynner å generere resultater som kan være irrelevante, meningsløse eller feilaktige basert på inndataene som gis. Dette skjer ofte når AI-systemet er usikkert på konteksten, er for avhengig av treningsdataene sine, eller mangler en skikkelig forståelse av emnet.

2. Maskinlæring

Et underfelt av AI som omfatter utvikling av algoritmer og statistiske modeller som lar maskiner forbedre ytelsen sin med erfaring. Et eksempel kan være en maskinlæringsalgoritme som kan forutsi sannsynligheten for kundefrafall basert på tidligere atferd. Takket være et maskinlæringsprogram lærer maskinen å løse problemer fra eksempler: den kan dermed sammenligne og klassifisere data og til og med gjenkjenne komplekse former.

3. Dyp læring

Et underfelt innen maskinlæring som bruker flerlags nevrale nettverk for å lære av data, noe som betyr at det benytter forskjellige nevrale nettverksstrukturer for å lære suksessive lag med stadig mer meningsfulle datarepresentasjoner. For tiden er det det mest populære feltet innen kunstig intelligens. Det oppsto fra kombinasjonen av maskinlæringsalgoritmer med formelle nevrale nettverk og bruk av stordata.

4. Big Data

Stordata er den grenen av informasjonsteknologi som studerer de iboende vanskelighetene ved å håndtere store datasett. Også kalt makrodata, refererer disse til store og komplekse datasett som ofte er for store eller varierte til å kunne behandles med tradisjonelle metoder. Videre kommer de fra en rekke kilder (sosiale nettverk, sensorer osv.) og krever avanserte teknikker, som kunstig intelligens og maskinlæring, for å analysere dem og trekke ut nyttig informasjon.

5. Datasett

Et datasett er en samling av data, vanligvis strukturert i en tabell. Det er en organisert samling av data som brukes til å trene, teste eller validere kunstig intelligens-modeller. Det kan inneholde tekst, bilder, videoer eller andre typer informasjon, vanligvis merket for å la maskinlæringsalgoritmer gjenkjenne mønstre og komme med forutsigelser.

6. Modelltrening

Modelltrening er prosessen med å bruke et datasett til å lære en kunstig intelligens- eller maskinlæringsmodell å utføre en spesifikk oppgave, for eksempel klassifisering eller prediksjon. Modellen justerer parameterne sine basert på de gitte eksemplene for å forbedre nøyaktigheten med nye data.

7. Forbedret generering ved gjenoppretting

RAG (Retrieval-Augmented Generation) er en metode som lar en AI spørre eksterne databaser eller søke på internett etter ny og oppdatert informasjon før den genererer et svar. I stedet for å måtte trene hele modellen på nytt med nye data, fungerer RAG som en slags «sanntidsopplæring» for AI-en. Dette er veldig nyttig fordi det tvinger systemet til å stole på spesifikke og verifiserte dokumenter, noe som reduserer risikoen for at AI-en fabrikkerer informasjon (hallusinasjoner) betraktelig.

8. GPT (Generative Pre-trained Transformer)

De er en familie av språkmodeller utviklet av OpenAI som bruker nevrale nettverk for å forstå og generere tekst naturlig. Disse GPT-modellene (Generative Pretrained Transformer) bruker en arkitektur kalt Transformer som lar dem analysere ledetekster og forutsi den mest sannsynlige responsen basert på trening med massive datasett. På grunn av dette er GPT i stand til å etterligne menneskelige språkforståelsesevner.

9. Generering av naturlig språk (Naturlig språkgenerering)

Naturlig språkgenerering er et underfelt av kunstig intelligens som innebærer automatisk produksjon av forståelige tekster eller tale på menneskelig språk. Det lar en maskin transformere rådata til naturlige setninger eller avsnitt, for eksempel i automatiserte sammendrag eller virtuelle assistenter.

10. Rask prosjektering

Det er kunsten å utvikle instruksjoner for forespørsler for å oppnå meningsfulle generative resultater – det vil si mer nøyaktige, produktive og innovative resultater. Eller sagt på en annen måte, det er vitenskapen om å designe, optimalisere og forbedre instruksjonene vi gir til en generativ kunstig intelligens. Målet er å veilede AI-en til å oppnå nøyaktige, relevante og høykvalitets svar, og fungere som en kommunikasjonsbro for å unngå generiske eller feilaktige resultater.

11. Modell

En modell er objektet som representerer resultatet av læringsalgoritmen. Derfor er det det AI bruker for å lage resultatforutsigelser. For eksempel er grunnleggende modeller en bred kategori av AI-modeller som inkluderer store språkmodeller og andre typer modeller som datasyn og forsterkningslæringsmodeller. De kalles "grunnleggende modeller" fordi de fungerer som grunnlaget for å bygge applikasjoner, og adresserer et bredt spekter av domener og brukstilfeller.

12. Store språkmodeller

De er en type dyp læringsmodell som er trent på et stort datasett for å utføre oppgaver knyttet til forståelse og generering av naturlig språk. Kjente modeller inkluderer BERT, PaLM, GPT-2, GPT-3, GPT-3.5 og den innovative GPT-4. Disse modellene varierer i størrelse (antall parametere som kan justeres), omfanget av oppgaver de kan utføre (koding, chat, vitenskapelig osv.) og kunnskapsbasen de ble trent på.

13. Små språkmodeller

De er lommestørrelsesversjoner av store språkmodeller, eller LLM-er. Begge bruker maskinlæringsteknikker for å hjelpe dem med å gjenkjenne mønstre og sammenhenger, slik at de kan produsere realistiske naturlige språkresponser. Men mens LLM-er er enorme og krever mye datakraft og minne, er små språkmodeller som Phi-3 trent på mindre, mer kuraterte datasett og har færre parametere, noe som gjør dem mer kompakte og til og med brukbare offline.

14. Skjevhet

Dette er antagelsene en AI-modell gjør om dataene. En «bias-variance-avveining» er balansen som må finne sted mellom antagelsene en modell gjør om dataene og hvor mye en modells prediksjoner endres, gitt forskjellige treningsdata. Induktiv bias er settet med antagelser en maskinlæringsalgoritme gjør om den underliggende fordelingen av dataene.

15. Naturlig språkbehandling

Det er et tverrfaglig felt der den sentrale ideen er å gi maskiner muligheten til å lese og forstå språkene mennesker snakker. Forskning på naturlig språkbehandling tar sikte på å svare på spørsmålet om hvordan folk er i stand til å forstå betydningen av en muntlig eller skriftlig setning, og hvordan de forstår hva som skjedde, når og hvor det skjedde; og forskjellene mellom en antagelse, en tro og et faktum. Følgelig innebærer det programmering av datamaskiner til å behandle enorme mengder språklige data og fokuserer på å transformere fritekst til en standardisert struktur.

16. Spør

En prompt er en instruksjon eller et sett med instruksjoner (input) som gis til et datasystem for å generere et svar. I konteksten av kunstig intelligens er det den første instruksjonen, kommandoen, spørsmålet, forespørselen eller tekstuttalelsen som gis til modellen for å veilede og styre genereringen av et spesifikt svar eller output. Prompten fungerer som en stimulus eller trigger for AI-en, og indikerer emnet, stilen, retningen eller typen respons som forventes. Måten prompten er formulert på (innrammingen) bestemmer direkte kvaliteten og relevansen av resultatene som mottas.

17. Nevralt nettverk

De er en beregningsmodell basert på et stort sett med enkle nevrale enheter (kunstige nevroner), omtrent analogt med oppførselen som observeres i aksonene til nevroner i biologiske hjerner. De er den grunnleggende arbeidsenheten i dyp læring. Videre er det en maskinlæringsmodell som tillater mønstergjenkjenning og problemløsning, basert på maskinlæring eller dyp læring, som søker å modellere de analytiske mekanismene i den menneskelige hjernen.

18. Transformator

Transformatorer representerer en type nevral nettverksarkitektur som er designet for å behandle sekvensielle data, for eksempel tekst. Transformatorer lærer kontekst og dermed mening. De fanger opp forholdet mellom ulike elementer i en sekvens (ord, setninger) parallelt, i stedet for sekvensielt som tradisjonelle modeller. Transformatorer er grunnlaget for vellykkede modeller som GPT og BERT, og brukes til oppgaver med naturlig språkbehandling.

19. Token

Et token i kunstig intelligens er den grunnleggende dataenheten (ord, deler av ord, tegn eller symboler) som språklæringsmodeller (LLM-er) som GPT eller Gemini bruker til å behandle, forstå og generere tekst. Det er "valutaen" eller den essensielle informasjonen som AI leser og analyserer, slik at den kan dele opp menneskelig språk i håndterbare (beregnbare) biter. Følgelig behandler AI-modeller tokener for å forstå forholdet mellom dem og låse opp funksjoner som prediksjon, generering og resonnement. Jo raskere tokenene behandles, desto raskere kan modellene lære og reagere.

20. Kryssvalidering

Det er en metode som brukes til å evaluere resultatene av en analyse og sikre nøyaktigheten av maskinlæringsmodellprediksjoner. Derfor er det en teknikk for å evaluere maskinlæringsmodeller som fokuserer på å dele et datasett inn i flere delsett (eller "foldinger"). Modellen trenes deretter på noen delsett og testes på andre. Dette gir en mer pålitelig estimering av modellens ytelse ved å redusere overlæring.

Andre grunnleggende elementer innen kunstig intelligens som er verdt å undersøke, forstå og mestre i denne tredje delen

Dette er bare noen få konsepter og begreper av mange som virkelig er verdt å kjenne til, forstå og mestre. i dette moderne og innovative feltet kunstig intelligens. Derfor, for å utvide informasjonen som tilbys her og enkelt veilede deg til andre, tilbyr vi deg dette Interessant infografikk laget med AI for å gi deg en liten idé om andre som er like viktige og essensielle:

Oppsummering

Kort sagt, vi håper at dette "Den tredje delen av det spennende og overraskende feltet kunstig intelligens" med vekt på generativ kunstig intelligens (GAI), kan ha bidratt litt mer til å styrke og øke din kunnskap og dine ferdigheter innen dette moderne og innovative feltet. Ikke glem det, Kunstig intelligens og robotikk forandrer verden og måten vi lever livene våre på.Og at i årene som kommer, når kvantedatamaskiner blir kommersielt tilgjengelig og kvanteenergi (produsert gjennom Casimir-effekten) er allment tilgjengelig for hele menneskeheten, kan det være helt annerledes enn hvordan vi opplever det i dag. Så det er bedre å lære om kunstig intelligens nå enn å nekte og angre i morgen. Og selvfølgelig, ikke glem å fortsette å delta, bidra og støtte vårt elskede og verdifulle Linuxvers.

Til slutt, husk besøk vår «startside» på spanskEller på et hvilket som helst annet språk (ved ganske enkelt å legge til to bokstaver på slutten av vår nåværende URL, for eksempel: ar, de, en, fr, ja, pt og ru, blant mange andre) for å finne ut mer aktuelt innhold.