Fundamentele Inteligenței Artificiale – Partea a treia: Concepte
Da, Ți-au plăcut primele noastre două postări legate de învățarea inteligenței artificiale (IA) pentru utilizatorii de Linux?Așadar, astăzi veți aprecia cel mai probabil această a treia parte, în care vom acoperi câteva dintre cele mai importante concepte și termeni asociați cu acest domeniu tehnologic. Și dacă nu ați citit cele două părți anterioare, am dori să clarificăm faptul că În a doua parte vom aborda ideea despre diferența dintre Inteligența Artificială Simbolică și Inteligența Artificială Conexionistă și asupra reperelor istorice ale acestui domeniu tehnologic din ultimii 100 de ani. Întrucât, în În prima parte ne concentrăm en Ce este IA și despre diferitele tipuri care au fost deja create (Îngustă sau Slabă, Generativă și Agentă) și care se așteaptă să fie create (Generală sau Puternică și Superinteligență Artificială).
Și, ca și în ocaziile anterioare, rețineți că, la fel ca pe vremea lor, Electricitatea, Radioul, Televiziunea, Calculatoarele, Telefoanele, Internetul și Rețelele Sociale; Inteligența artificială este o tehnologie care a ajuns să se integreze profund în tot ceea ce ne stă în cale.Și asta, economisindu-ne timp prețios și ore de muncă costisitoare și făcându-ne mai productivi, creativi și versatili; cu siguranță, Încetul cu încetul, îi va înlocui pe cei care au cea mai mică idee despre existența și funcționarea sa.Prin urmare, nu este nimic mai bun decât să începi să obții context despre tot ce are legătură cu asta.
Fundamentele Inteligenței Artificiale – Partea întâi: Originile II
Dar, înainte de a aprofunda acest aspect „A treia parte a domeniului captivant și surprinzător al Inteligenței Artificiale”Și mai precis, în ceea ce privește unele dintre cele mai importante concepte și termeni de luat în considerare, înțeles și stăpânit, vă recomandăm să explorați publicații anterioare și recente conexe din această serie de publicații, după ce ați terminat de citit-o:
Fundamentele inteligenței artificiale – Partea a treia: Concepte și termeni corelați
20 de concepte și termeni importanți care sunt mereu menționați în domeniul Inteligenței Artificiale
1. Alucinacion
Halucinația se referă la o situație în care un sistem de inteligență artificială, în special unul care se ocupă de procesarea limbajului natural, începe să genereze rezultate care pot fi irelevante, absurde sau incorecte pe baza datelor de intrare furnizate. Acest lucru se întâmplă adesea atunci când sistemul de inteligență artificială nu este sigur de context, se bazează prea mult pe datele sale de antrenament sau nu are o înțelegere adecvată a subiectului.
2. Învățare automată
Un subdomeniu al inteligenței artificiale care cuprinde dezvoltarea de algoritmi și modele statistice ce permit mașinilor să își îmbunătățească performanța odată cu experiența. Un exemplu ar fi un algoritm de învățare automată care ar putea prezice probabilitatea pierderii clienților pe baza comportamentului anterior. Datorită unui program de învățare automată, mașina învață să rezolve probleme din exemple: astfel, poate compara și clasifica date și chiar recunoaște forme complexe.
3. Învățare profundă
Un subdomeniu al învățării automate care utilizează rețele neuronale multistratificate pentru a învăța din date, adică folosește diferite structuri de rețele neuronale pentru a învăța straturi succesive de reprezentări ale datelor din ce în ce mai semnificative. În prezent, este cel mai popular domeniu din cadrul inteligenței artificiale. A apărut din combinarea algoritmilor de învățare automată cu rețele neuronale formale și utilizarea big data.
4. Big Data
Big Data este ramura Tehnologiei Informației care studiază dificultățile inerente ale gestionării seturilor mari de date. Numite și macrodate, acestea se referă la seturi de date mari și complexe, adesea prea mari sau variate pentru a fi procesate folosind metode tradiționale. În plus, acestea provin dintr-o varietate de surse (rețele sociale, senzori etc.) și necesită tehnici avansate, cum ar fi inteligența artificială și învățarea automată, pentru a le analiza și a extrage informații utile.
5. Set de date
Un set de date este o colecție de date, de obicei structurată într-un tabel. Este o colecție organizată de date utilizată pentru a antrena, testa sau valida modele de inteligență artificială. Poate conține text, imagini, videoclipuri sau alte tipuri de informații, de obicei etichetate pentru a permite algoritmilor de învățare automată să recunoască tipare și să facă predicții.
6. Antrenamentul modelului
Antrenarea modelelor este procesul de utilizare a unui set de date pentru a învăța un model de inteligență artificială sau de învățare automată să îndeplinească o sarcină specifică, cum ar fi clasificarea sau predicția. Modelul își ajustează parametrii pe baza exemplelor furnizate pentru a-și îmbunătăți acuratețea cu date noi.
7. Generare îmbunătățită prin recuperare
RAG (Retrieval-Augmented Generation - Generare Augmentată prin Recuperare) este o metodă care permite unei IA să interogheze baze de date externe sau să caute pe internet informații noi și actualizate înainte de a genera un răspuns. În loc să fie nevoie să reantreneze întregul model cu date noi, RAG funcționează ca un fel de „educație în timp real” pentru IA. Acest lucru este foarte util deoarece obligă sistemul să se bazeze pe documente specifice și verificate, ceea ce reduce considerabil riscul ca IA să fabrice informații (halucinații).
8. GPT (transformator generativ pre-antrenat)
Acestea sunt o familie de modele lingvistice dezvoltate de OpenAI care utilizează rețele neuronale pentru a înțelege și genera text în mod natural. Aceste modele GPT (Generative Pretrained Transformer - Transformator Pretrainat Generativ) utilizează o arhitectură numită Transformer, care le permite să analizeze prompturile și să prezică cel mai probabil răspuns pe baza antrenamentului cu seturi masive de date. Datorită acestui fapt, GPT este capabil să imite capacitățile de înțelegere a limbajului uman.
9. Generarea limbajului natural (Generarea limbajului natural)
Generarea limbajului natural este un subdomeniu al inteligenței artificiale care implică producerea automată de texte sau vorbire ușor de înțeles în limbaj uman. Aceasta permite unei mașini să transforme datele brute în propoziții sau paragrafe naturale, cum ar fi în rezumate automate sau asistenți virtuali.
10. Inginerie promptă
Este arta de a dezvolta solicitări pentru a obține rezultate generative semnificative - adică rezultate mai precise, productive și inovatoare. Sau, altfel spus, este știința proiectării, optimizării și rafinării instrucțiunilor pe care le dăm unei inteligențe artificiale generative. Scopul său este de a ghida IA pentru a obține răspunsuri precise, relevante și de înaltă calitate, acționând ca o punte de comunicare pentru a evita rezultatele generice sau eronate.
11. Model
Un model este obiectul care va reprezenta rezultatul algoritmului de învățare. Prin urmare, este ceea ce folosește inteligența artificială pentru a face predicții de rezultat. De exemplu, modelele fundamentale sunt o categorie largă de modele de inteligență artificială care include modele de limbaj extinse și alte tipuri de modele, cum ar fi viziunea computerizată și modelele de învățare prin consolidare. Acestea sunt numite „modele fundamentale” deoarece servesc drept fundație pe care se construiesc aplicații, abordând o gamă largă de domenii și cazuri de utilizare.
12. Modele lingvistice mari
Acestea sunt un tip de model de deep learning antrenat pe un set mare de date pentru a efectua sarcini de înțelegere și generare a limbajului natural. Printre modelele cunoscute se numără BERT, PaLM, GPT-2, GPT-3, GPT-3.5 și inovatorul GPT-4. Aceste modele variază în funcție de dimensiune (numărul de parametri care pot fi ajustați), gama de sarcini pe care le pot îndeplini (codare, chat, știință etc.) și baza de cunoștințe pe baza căreia au fost antrenate.
13. Modele lingvistice mici
Acestea sunt versiuni de buzunar ale modelelor lingvistice mari sau LLM-uri. Ambele folosesc tehnici de învățare automată pentru a le ajuta să recunoască tipare și relații, astfel încât să poată produce răspunsuri realiste în limbaj natural. Însă, în timp ce LLM-urile sunt enorme și necesită multă putere de calcul și memorie, modelele lingvistice mici, cum ar fi Phi-3, sunt antrenate pe seturi de date mai mici, mai bine selectate, și au mai puțini parametri, ceea ce le face mai compacte și chiar utilizabile offline.
14. Părtinire
Acestea sunt ipotezele făcute de un model de inteligență artificială despre date. Un „compromis între varianță și prejudecată” este echilibrul care trebuie găsit între ipotezele pe care un model le face despre date și amploarea schimbării predicțiilor unui model, având în vedere diferite date de antrenament. Prejudecata inductivă este setul de ipoteze pe care un algoritm de învățare automată le face despre distribuția subiacentă a datelor.
15. Prelucrarea limbajului natural
Este un domeniu interdisciplinar a cărui idee centrală este de a oferi mașinilor capacitatea de a citi și înțelege limbile vorbite de oameni. Cercetarea în domeniul prelucrării limbajului natural își propune să răspundă la întrebarea cum sunt oamenii capabili să înțeleagă sensul unei propoziții rostite sau scrise și cum înțeleg ce s-a întâmplat, când și unde s-a întâmplat; și diferențele dintre o presupunere, o credință și un fapt. Prin urmare, implică programarea computerelor pentru a procesa volume masive de date lingvistice și se concentrează pe transformarea textului liber într-o structură standardizată.
16.Prompt
Un prompt este o instrucțiune sau un set de instrucțiuni (dată de intrare) date unui sistem informatic pentru a genera un răspuns. În contextul Inteligenței Artificiale, este instrucțiunea, comanda, întrebarea, solicitarea sau declarația textuală inițială furnizată modelului pentru a ghida și direcționa generarea unui răspuns sau a unui rezultat specific. Promptul acționează ca un stimul sau declanșator pentru IA, indicând subiectul, stilul, direcția sau tipul de răspuns așteptat. Modul în care este formulat promptul (încadrarea sa) determină direct calitatea și relevanța rezultatelor primite.
17. Rețea neuronală
Acestea sunt un model computațional bazat pe un set mare de unități neuronale simple (neuroni artificiali), aproximativ analog cu comportamentul observat în axonii neuronilor din creierele biologice. Sunt unitatea fundamentală de lucru a Deep Learning. Mai mult, este un model de învățare automată care permite recunoașterea tiparelor și rezolvarea problemelor, bazat pe învățarea automată sau deep learning, care urmărește să modeleze mecanismele analitice ale creierului uman.
18. Transformator
Transformatoarele reprezintă un tip de arhitectură de rețea neuronală concepută pentru a procesa date secvențiale, cum ar fi textul. Transformatoarele învață contextul și, în consecință, sensul. Acestea capturează relațiile dintre diferite elemente ale unei secvențe (cuvinte, propoziții) în paralel, mai degrabă decât secvențial, așa cum fac modelele tradiționale. Transformatoarele stau la baza unor modele de succes precum GPT și BERT și sunt utilizate pentru sarcini de procesare a limbajului natural.
19. Jetoane
În Inteligența Artificială, un token este unitatea de bază de date (cuvinte, părți de cuvinte, caractere sau simboluri) pe care Modelele de Învățare a Limbii (LLM), precum GPT sau Gemini, o utilizează pentru a procesa, înțelege și genera text. Este „moneda” sau informația esențială pe care IA o citește și o analizează, permițându-i să descompună limbajul uman în bucăți gestionabile (calculabile). În consecință, modelele IA procesează token-uri pentru a înțelege relațiile dintre ele și pentru a debloca capacități precum predicția, generarea și raționamentul. Cu cât token-urile sunt procesate mai repede, cu atât modelele pot învăța și răspunde mai repede.
20. Validare încrucișată
Este o metodă utilizată pentru a evalua rezultatele unei analize și a asigura acuratețea predicțiilor modelului de învățare automată. Prin urmare, este o tehnică de evaluare a modelelor de învățare automată care se concentrează pe împărțirea unui set de date în mai multe subseturi (sau „pliuri”). Modelul este apoi antrenat pe anumite subseturi și testat pe altele. Acest lucru permite o estimare mai fiabilă a performanței modelului prin reducerea supraînvățării.
Alte principii fundamentale ale Inteligenței Artificiale care merită investigate, înțelese și stăpânite în această a treia parte
Acestea sunt doar câteva concepte și termeni dintre mulții care merită cu adevărat să fie cunoscuți, înțeleși și stăpâniți. în acest domeniu modern și inovator al Inteligenței Artificiale. Prin urmare, pentru a extinde informațiile oferite aici și a vă ghida cu ușurință către altele, vă oferim acest lucru Infografic interesant creat cu ajutorul inteligenței artificiale ca să vă dau o mică idee despre altele care sunt la fel de importante și esențiale:
Rezumat
Pe scurt, sperăm că asta „A treia parte a domeniului captivant și surprinzător al Inteligenței Artificiale” cu accent pe Inteligența Artificială Generativă (IAG), poate a contribuit puțin mai mult la consolidarea și creșterea cunoștințelor și abilităților dumneavoastră în acest domeniu modern și inovator. Nu uitați că, Inteligența artificială și robotica schimbă lumea și modul în care ne trăim viața.Și că, în anii următori, când informatica cuantică va deveni disponibilă comercial și energia cuantică (produsă prin efectul Casimir) va fi accesibilă pe scară largă întregii umanități, aceasta ar putea fi complet diferită de modul în care o experimentăm astăzi. Așadar, este mai bine să învățăm despre Inteligența Artificială acum decât să refuzăm și să avem regrete mâine. Și, bineînțeles, nu uitați să continuați să participați, să contribuiți și să susțineți iubitul și valorosul nostru Linuxverse.
În sfârșit, amintiți-vă vizitați-ne «pagina de start» en españolSau, în orice altă limbă (prin simpla adăugare a 2 litere la sfârșitul adresei URL curente, de exemplu: ar, de, en, fr, ja, pt și ru, printre multe altele) pentru a afla conținut mai recent.