Podstawy sztucznej inteligencji – część trzecia: Koncepcje
Tak Czy spodobały Ci się nasze dwa pierwsze posty dotyczące uczenia się sztucznej inteligencji (AI) przez użytkowników Linuksa?Dlatego dziś z pewnością docenisz tę trzecią część, w której omówimy kilka najważniejszych pojęć i terminów związanych z tą dziedziną technologii. Jeśli nie czytałeś poprzednich dwóch części, chcielibyśmy wyjaśnić, że W drugiej części zajmiemy się kwestia różnicy między Symboliczna sztuczna inteligencja i koneksjonistyczna sztuczna inteligencja i o historycznych kamieniach milowych tej dziedziny technologii w ciągu ostatnich 100 lat. Podczas gdy w W pierwszej części skupiamy się en Czym jest sztuczna inteligencja i jakie jej rodzaje już powstały (wąskie lub słabe, generatywne i agentowe) i których powstania można się spodziewać (ogólne lub silne oraz sztuczna superinteligencja).
I tak jak przy poprzednich okazjach, pamiętajcie, że tak jak za czasów elektryczności, radia, telewizji, komputerów, telefonów, Internetu i sieci społecznościowych; Sztuczna inteligencja to technologia, która stała się głęboko zintegrowana ze wszystkimI to oszczędzając nam cenny czas i kosztowne godziny pracy, a także czyniąc nas bardziej produktywnymi, kreatywnymi i wszechstronnymi, z całą pewnością, Stopniowo będzie wypierać tych, którzy mają najmniejsze pojęcie o jego istnieniu i działaniuDlatego nie ma nic lepszego niż zacząć rozumieć kontekst wszystkiego, co się z tym wiąże.
Podstawy sztucznej inteligencji – część pierwsza: Początki II
Ale zanim zagłębimy się w ten temat, „Trzecia część ekscytującej i zaskakującej dziedziny sztucznej inteligencji”A konkretniej, jeśli chodzi o niektóre z najważniejszych pojęć i terminów, które należy rozważyć, zrozumieć i opanować, zalecamy zapoznanie się z poprzednie i ostatnie powiązane publikacje w tej serii publikacji, po skończeniu czytania:
Podstawy sztucznej inteligencji – część trzecia: Powiązane koncepcje i terminy
20 ważnych pojęć i terminów, o których zawsze się mówi w kontekście sztucznej inteligencji
1. Alucinacion
Halucynacja odnosi się do sytuacji, w której system sztucznej inteligencji (AI), zwłaszcza taki, który przetwarza język naturalny, zaczyna generować wyniki, które mogą być nieistotne, bezsensowne lub niepoprawne w oparciu o podane dane wejściowe. Dzieje się tak często, gdy system AI nie jest pewien kontekstu, nadmiernie polega na danych treningowych lub nie rozumie tematu w sposób właściwy.
2. Uczenie maszynowe
Poddziedzina sztucznej inteligencji (AI), obejmująca rozwój algorytmów i modeli statystycznych, które pozwalają maszynom poprawiać swoją wydajność wraz z doświadczeniem. Przykładem może być algorytm uczenia maszynowego, który mógłby przewidywać prawdopodobieństwo odejścia klientów na podstawie wcześniejszych zachowań. Dzięki programowi uczenia maszynowego maszyna uczy się rozwiązywać problemy na podstawie przykładów: może w ten sposób porównywać i klasyfikować dane, a nawet rozpoznawać złożone kształty.
3. Głębokie uczenie
Poddziedzina uczenia maszynowego, która wykorzystuje wielowarstwowe sieci neuronowe do uczenia się na podstawie danych, co oznacza, że wykorzystuje różne struktury sieci neuronowych do uczenia się kolejnych warstw coraz bardziej znaczących reprezentacji danych. Obecnie jest to najpopularniejsza dziedzina w dziedzinie sztucznej inteligencji. Powstała z połączenia algorytmów uczenia maszynowego z formalnymi sieciami neuronowymi i wykorzystaniem dużych zbiorów danych.
4. Duże dane
Big Data to dziedzina informatyki, która bada trudności związane z obsługą dużych zbiorów danych. Nazywane również makrodanymi, odnoszą się do dużych i złożonych zbiorów danych, które często są zbyt duże lub zróżnicowane, aby można je było przetwarzać tradycyjnymi metodami. Co więcej, pochodzą one z różnych źródeł (sieci społecznościowe, czujniki itp.) i wymagają zaawansowanych technik, takich jak sztuczna inteligencja i uczenie maszynowe, aby je analizować i wydobywać użyteczne informacje.
5. Zestaw danych
Zbiór danych to zbiór danych, zazwyczaj uporządkowany w formie tabeli. Jest to uporządkowany zbiór danych wykorzystywany do trenowania, testowania lub walidacji modeli sztucznej inteligencji. Może zawierać tekst, obrazy, filmy lub inne rodzaje informacji, zazwyczaj oznaczone w celu umożliwienia algorytmom uczenia maszynowego rozpoznawania wzorców i formułowania prognoz.
6. Szkolenie modelu
Trening modelu to proces polegający na wykorzystaniu zbioru danych do nauczenia modelu sztucznej inteligencji lub uczenia maszynowego wykonywania określonego zadania, takiego jak klasyfikacja lub predykcja. Model dostosowuje swoje parametry na podstawie podanych przykładów, aby zwiększyć jego dokładność dzięki nowym danym.
7. Wzmocniona generacja poprzez odzyskiwanie
RAG (Retrieval-Augmented Generation) to metoda, która pozwala sztucznej inteligencji (AI) na przeszukiwanie zewnętrznych baz danych lub internetu w poszukiwaniu nowych i zaktualizowanych informacji przed wygenerowaniem odpowiedzi. Zamiast konieczności ponownego trenowania całego modelu na podstawie nowych danych, RAG działa jak swego rodzaju „edukacja w czasie rzeczywistym” dla sztucznej inteligencji. Jest to bardzo przydatne, ponieważ zmusza system do polegania na konkretnych i zweryfikowanych dokumentach, co znacznie zmniejsza ryzyko fabrykowania informacji (halucynacji) przez sztuczną inteligencję.
8. GPT (generatywny transformator wstępnie przeszkolony)
To rodzina modeli językowych opracowanych przez OpenAI, które wykorzystują sieci neuronowe do rozumienia i generowania tekstu w sposób naturalny. Modele GPT (Generative Pretrained Transformer) wykorzystują architekturę o nazwie Transformer, która pozwala im analizować komunikaty i przewidywać najbardziej prawdopodobną odpowiedź w oparciu o trening na ogromnych zbiorach danych. Dzięki temu GPT jest w stanie naśladować zdolność rozumienia języka ludzkiego.
9. Generowanie języka naturalnego (Generowanie języka naturalnego)
Generowanie języka naturalnego to dziedzina sztucznej inteligencji, która zajmuje się automatycznym tworzeniem zrozumiałych tekstów lub mowy w języku ludzkim. Umożliwia maszynie przekształcanie surowych danych w naturalne zdania lub akapity, na przykład w automatycznych podsumowaniach lub asystentach wirtualnych.
10. Szybka inżynieria
To sztuka tworzenia podpowiedzi dla żądań w celu osiągnięcia sensownych rezultatów generatywnych – czyli bardziej precyzyjnych, produktywnych i innowacyjnych rezultatów. Innymi słowy, to nauka projektowania, optymalizacji i udoskonalania instrukcji, które przekazujemy generatywnej sztucznej inteligencji. Jej celem jest kierowanie sztuczną inteligencją w celu uzyskania dokładnych, trafnych i wysokiej jakości odpowiedzi, działając jako pomost komunikacyjny, aby uniknąć ogólnikowych lub błędnych wyników.
11. Model
Model to obiekt, który będzie reprezentował wynik działania algorytmu uczenia się. Dlatego to właśnie on jest wykorzystywany przez sztuczną inteligencję do prognozowania wyników. Na przykład modele fundamentalne to szeroka kategoria modeli sztucznej inteligencji, obejmująca rozbudowane modele językowe oraz inne typy modeli, takie jak modele widzenia komputerowego i modele uczenia przez wzmacnianie. Nazywa się je „modelami fundamentalnymi”, ponieważ stanowią one podstawę do budowania aplikacji, obejmujących szeroki zakres dziedzin i przypadków użycia.
12. Duże modele językowe
To rodzaj modelu głębokiego uczenia się, trenowanego na dużym zbiorze danych w celu wykonywania zadań rozumienia i generowania języka naturalnego. Do znanych modeli należą BERT, PaLM, GPT-2, GPT-3, GPT-3.5 oraz innowacyjny GPT-4. Modele te różnią się rozmiarem (liczbą parametrów, które można dostosować), zakresem zadań, które mogą wykonywać (kodowanie, czat, zadania naukowe itp.), oraz bazą wiedzy, na której zostały wytrenowane.
13. Małe modele językowe
Są to kieszonkowe wersje dużych modeli językowych, czyli LLM. Oba wykorzystują techniki uczenia maszynowego, aby rozpoznawać wzorce i zależności, dzięki czemu mogą generować realistyczne odpowiedzi w języku naturalnym. O ile jednak modele LLM są ogromne i wymagają dużej mocy obliczeniowej oraz pamięci, o tyle małe modele językowe, takie jak Phi-3, są trenowane na mniejszych, bardziej uporządkowanych zbiorach danych i mają mniej parametrów, co czyni je bardziej kompaktowymi, a nawet użytecznymi w trybie offline.
14. Stronniczość
Są to założenia przyjmowane przez model sztucznej inteligencji (AI) dotyczące danych. „Kompromis między odchyleniem a wariancją” to równowaga, którą należy osiągnąć między założeniami modelu dotyczącymi danych a stopniem zmiany jego przewidywań w przypadku różnych danych treningowych. Odchylenie indukcyjne to zbiór założeń przyjmowanych przez algorytm uczenia maszynowego na temat rozkładu danych.
15. Przetwarzanie języka naturalnego
To interdyscyplinarna dziedzina, której główną ideą jest umożliwienie maszynom czytania i rozumienia języków, którymi posługują się ludzie. Badania nad przetwarzaniem języka naturalnego (NLP) mają na celu odpowiedź na pytanie, w jaki sposób ludzie rozumieją znaczenie wypowiedzi ustnych lub pisemnych oraz jak rozumieją, co się wydarzyło, kiedy i gdzie; a także na pytanie, jakie są różnice między założeniem, przekonaniem a faktem. W związku z tym, badania te obejmują programowanie komputerów do przetwarzania ogromnych ilości danych językowych i koncentrują się na przekształcaniu tekstu w formie swobodnej w ujednoliconą strukturę.
16.Podpowiedź
Monit to instrukcja lub zestaw instrukcji (danych wejściowych) przekazywanych systemowi komputerowemu w celu wygenerowania odpowiedzi. W kontekście sztucznej inteligencji jest to początkowa instrukcja, polecenie, pytanie, prośba lub tekst przekazywany modelowi w celu pokierowania i nadania kierunku generowaniu określonej odpowiedzi lub wyniku. Monit działa jak bodziec lub wyzwalacz dla sztucznej inteligencji, wskazując temat, styl, kierunek lub rodzaj oczekiwanej odpowiedzi. Sposób sformułowania monitu (jego struktura) bezpośrednio decyduje o jakości i trafności otrzymanych wyników.
17. Sieć neuronowa
Są to modele obliczeniowe oparte na dużym zestawie prostych jednostek neuronowych (sztucznych neuronów), z grubsza analogiczne do zachowań obserwowanych w aksonach neuronów w mózgach biologicznych. Stanowią one podstawową jednostkę roboczą głębokiego uczenia (Deep Learning). Co więcej, są to modele uczenia maszynowego, które umożliwiają rozpoznawanie wzorców i rozwiązywanie problemów, oparte na uczeniu maszynowym lub głębokim uczeniu, dążąc do modelowania mechanizmów analitycznych ludzkiego mózgu.
18. Transformator
Transformatory reprezentują typ architektury sieci neuronowej zaprojektowanej do przetwarzania danych sekwencyjnych, takich jak tekst. Transformatory uczą się kontekstu, a co za tym idzie, znaczenia. Rejestrują relacje między różnymi elementami sekwencji (słowami, zdaniami) równolegle, a nie sekwencyjnie, jak tradycyjne modele. Transformatory stanowią podstawę udanych modeli, takich jak GPT i BERT, i są wykorzystywane do zadań przetwarzania języka naturalnego.
19. Znak
Token w sztucznej inteligencji to podstawowa jednostka danych (słowa, części słów, znaki lub symbole), której modele uczenia się języka (LLM), takie jak GPT czy Gemini, używają do przetwarzania, rozumienia i generowania tekstu. Jest to „waluta” lub kluczowa informacja, którą sztuczna inteligencja odczytuje i analizuje, umożliwiając jej rozbicie języka ludzkiego na łatwe do opanowania (obliczeniowe) fragmenty. W związku z tym modele sztucznej inteligencji przetwarzają tokeny, aby zrozumieć relacje między nimi i odblokować takie możliwości, jak przewidywanie, generowanie i wnioskowanie. Im szybciej tokeny są przetwarzane, tym szybciej modele mogą się uczyć i reagować.
20. Walidacja krzyżowa
Jest to metoda służąca do oceny wyników analizy i zapewnienia dokładności prognoz modeli uczenia maszynowego. Jest to zatem technika oceny modeli uczenia maszynowego, która koncentruje się na podziale zbioru danych na kilka podzbiorów (lub „foldów”). Model jest następnie trenowany na niektórych podzbiorach i testowany na innych. Pozwala to na bardziej wiarygodną ocenę wydajności modelu poprzez ograniczenie nadmiernego uczenia się.
Inne podstawy sztucznej inteligencji warte zbadania, zrozumienia i opanowania w tej trzeciej części
To tylko kilka pojęć i terminów spośród wielu, które naprawdę warto poznać, zrozumieć i opanować. w tej nowoczesnej i innowacyjnej dziedzinie sztucznej inteligencji. Dlatego, aby poszerzyć informacje tutaj zawarte i łatwo wskazać Ci inne, oferujemy Ci tę Ciekawa infografika stworzona przy użyciu sztucznej inteligencji aby dać ci małe pojęcie o innych, które są równie ważne i niezbędne:
streszczenie
Krótko mówiąc, mamy nadzieję, że to „Trzecia część ekscytującej i zaskakującej dziedziny sztucznej inteligencji” ze szczególnym uwzględnieniem generatywnej sztucznej inteligencji (GAI), być może przyczyniły się do wzmocnienia i poszerzenia Twojej wiedzy i umiejętności w tej nowoczesnej i innowacyjnej dziedzinie. Nie zapominaj, że Sztuczna inteligencja i robotyka zmieniają świat i sposób, w jaki żyjemy.A w nadchodzących latach, gdy komputery kwantowe staną się komercyjnie dostępne, a energia kwantowa (wytwarzana w efekcie Casimira) będzie powszechnie dostępna dla całej ludzkości, może ona wyglądać zupełnie inaczej niż doświadczamy jej dzisiaj. Lepiej więc zgłębić sztuczną inteligencję już teraz, niż odmówić i żałować jutro. I oczywiście, nie zapomnijcie o dalszym uczestnictwie, wkładzie i wspieraniu naszego ukochanego i cennego Linuxverse.
Na koniec pamiętaj odwiedź nasz «strona główna» en EspañolMożesz też wyszukać ją w dowolnym innym języku (po prostu dodając 2 litery na końcu naszego bieżącego adresu URL, na przykład: ar, de, en, fr, ja, pt i ru, i wiele innych), aby znaleźć bardziej aktualne treści.