Основы искусственного интеллекта – Часть третья: Концепции
Да, Вам понравились наши первые две статьи, посвященные обучению с помощью искусственного интеллекта (ИИ) для пользователей Linux?Сегодня вам, скорее всего, будет интересна третья часть, в которой мы рассмотрим несколько наиболее важных понятий и терминов, связанных с этой технологической областью. И если вы не читали предыдущие две части, мы хотели бы это уточнить. Во второй части мы рассмотрим суть вопроса о разнице между Символический искусственный интеллект и коннекционистский искусственный интеллект а также об исторических вехах в этой технологической области за последние 100 лет. В то время как в В первой части мы сосредоточимся на en Что такое ИИ и какие существуют его различные типы, уже созданные? (Узкий или слабый, генеративный и агентный), которые, как ожидается, будут созданы (Общий или сильный, и искусственный сверхинтеллект).
И, как и в прошлые разы, помните, что, как и в их время, существовали электричество, радио, телевидение, компьютеры, телефоны, интернет и социальные сети; Искусственный интеллект — это технология, которая уже давно глубоко интегрирована во все сферы жизни.И это, безусловно, сэкономит нам ценное время и дорогостоящие рабочие часы, а также сделает нас более продуктивными, креативными и разносторонними. Постепенно оно вытеснит тех, кто хоть что-то знает о его существовании и функционировании.Поэтому нет ничего лучше, чем начать разбираться в контексте всего, что с этим связано.
Основы искусственного интеллекта – Часть первая: Истоки II
Но прежде чем мы углубимся в это, «Третья часть захватывающей и удивительной области искусственного интеллекта»А если говорить более конкретно о некоторых наиболее важных понятиях и терминах, которые следует учитывать, понимать и осваивать, мы рекомендуем изучить следующее: предыдущие и недавние публикации по данной тематике в этой серии изданийПосле прочтения:
Основы искусственного интеллекта – Часть третья: Связанные понятия и термины
20 важных понятий и терминов, которые постоянно упоминаются в области искусственного интеллекта.
1. Алюцинация
Галлюцинация — это ситуация, когда система искусственного интеллекта, особенно та, которая обрабатывает естественный язык, начинает выдавать результаты, которые могут быть нерелевантными, бессмысленными или неверными на основе предоставленных входных данных. Это часто происходит, когда система ИИ не уверена в контексте, слишком сильно полагается на свои обучающие данные или не имеет должного понимания предмета.
2. Машинное обучение
Подраздел искусственного интеллекта, охватывающий разработку алгоритмов и статистических моделей, позволяющих машинам улучшать свою производительность на основе опыта. Примером может служить алгоритм машинного обучения, способный прогнозировать вероятность оттока клиентов на основе их прошлого поведения. Благодаря программе машинного обучения машина учится решать задачи на примерах: таким образом, она может сравнивать и классифицировать данные и даже распознавать сложные формы.
3. Глубокое обучение
Подраздел машинного обучения, использующий многослойные нейронные сети для обучения на основе данных, то есть применяющий различные структуры нейронных сетей для обучения последовательных слоев с все более значимыми представлениями данных. В настоящее время это наиболее популярная область в рамках искусственного интеллекта. Она возникла в результате сочетания алгоритмов машинного обучения с формальными нейронными сетями и использованием больших данных.
4. Большие данные
Большие данные — это раздел информационных технологий, изучающий сложности, присущие обработке больших массивов данных. Также называемые макроданными, они представляют собой большие и сложные наборы данных, которые часто слишком велики или разнообразны для обработки традиционными методами. Кроме того, они поступают из различных источников (социальные сети, датчики и т. д.) и требуют применения передовых методов, таких как искусственный интеллект и машинное обучение, для их анализа и извлечения полезной информации.
5. Набор данных
Набор данных — это совокупность данных, обычно структурированных в виде таблицы. Это организованная коллекция данных, используемая для обучения, тестирования или проверки моделей искусственного интеллекта. Он может содержать текст, изображения, видео или другие типы информации, обычно помеченные таким образом, чтобы алгоритмы машинного обучения могли распознавать закономерности и делать прогнозы.
6. Модельное обучение
Обучение модели — это процесс использования набора данных для обучения модели искусственного интеллекта или машинного обучения выполнению конкретной задачи, такой как классификация или прогнозирование. Модель корректирует свои параметры на основе предоставленных примеров, чтобы повысить свою точность при работе с новыми данными.
7. Повышение продуктивности за счет восстановления
RAG (Retrieval-Augmented Generation) — это метод, позволяющий искусственному интеллекту запрашивать информацию из внешних баз данных или искать её в интернете для получения новых и актуальных данных перед генерацией ответа. Вместо переобучения всей модели на новых данных, RAG функционирует как своего рода «обучение в реальном времени» для ИИ. Это очень полезно, поскольку заставляет систему полагаться на конкретные и проверенные документы, что значительно снижает риск фальсификации информации (галлюцинаций) со стороны ИИ.
8. GPT (Генераторный предварительно обученный трансформатор)
Это семейство языковых моделей, разработанных OpenAI, которые используют нейронные сети для понимания и естественной генерации текста. Эти модели GPT (Generative Pretrained Transformer) используют архитектуру, называемую Transformer, которая позволяет им анализировать запросы и предсказывать наиболее вероятный ответ на основе обучения с использованием больших наборов данных. Благодаря этому GPT способны имитировать возможности понимания человеческого языка.
9. Генерация естественного языка (Генерация естественного языка)
Генерация естественного языка — это подраздел искусственного интеллекта, который занимается автоматическим созданием понятных текстов или речи на человеческом языке. Она позволяет машине преобразовывать необработанные данные в естественные предложения или абзацы, например, в автоматизированных резюме или виртуальных помощниках.
10. Оперативное проектирование
Это искусство разработки подсказок для запросов с целью получения значимых результатов генеративного процесса — то есть более точных, продуктивных и инновационных результатов. Или, другими словами, это наука проектирования, оптимизации и совершенствования инструкций, которые мы даем генеративному искусственному интеллекту. Его цель — направлять ИИ к получению точных, релевантных и высококачественных ответов, выступая в качестве коммуникационного моста, чтобы избежать шаблонных или ошибочных результатов.
11. Модель
Модель — это объект, который будет представлять собой результат работы алгоритма обучения. Следовательно, именно её ИИ использует для прогнозирования результатов. Например, базовые модели — это широкая категория моделей ИИ, которая включает в себя большие языковые модели и другие типы моделей, такие как модели компьютерного зрения и модели обучения с подкреплением. Они называются «базовыми моделями», потому что служат основой для создания приложений, охватывающих широкий спектр областей и сценариев использования.
12. Большие языковые модели
Это тип моделей глубокого обучения, обученных на большом наборе данных для решения задач понимания и генерации естественного языка. К известным моделям относятся BERT, PaLM, GPT-2, GPT-3, GPT-3.5 и инновационная GPT-4. Эти модели различаются по размеру (количеству настраиваемых параметров), диапазону выполняемых задач (программирование, чаты, научные исследования и т. д.) и базе знаний, на которой они были обучены.
13. Малые языковые модели
Это карманные версии больших языковых моделей (ЛЯМ). Обе используют методы машинного обучения, чтобы распознавать закономерности и взаимосвязи, что позволяет им давать реалистичные ответы на естественном языке. Но если ЛЯМ огромны и требуют больших вычислительных мощностей и памяти, то небольшие языковые модели, такие как Phi-3, обучаются на меньших, более тщательно отобранных наборах данных и имеют меньше параметров, что делает их более компактными и даже пригодными для использования в автономном режиме.
14. Сесго
Это предположения, которые делает модель ИИ относительно данных. «Компромисс между смещением и дисперсией» — это баланс, который необходимо найти между предположениями, которые модель делает относительно данных, и тем, насколько изменяются прогнозы модели при наличии различных обучающих данных. Индуктивное смещение — это набор предположений, которые алгоритм машинного обучения делает относительно базового распределения данных.
15. Обработка естественного языка
Это междисциплинарная область, центральная идея которой заключается в том, чтобы наделить машины способностью читать и понимать языки, на которых говорят люди. Исследования в области обработки естественного языка направлены на то, чтобы ответить на вопрос, как люди способны понимать смысл устного или письменного предложения, как они понимают, что произошло, когда и где это произошло; и каковы различия между предположением, убеждением и фактом. Следовательно, это включает в себя программирование компьютеров для обработки огромных объемов лингвистических данных и фокусируется на преобразовании текста в свободной форме в стандартизированную структуру.
16. Подсказка
Подсказка — это инструкция или набор инструкций (входные данные), передаваемые компьютерной системе для генерации ответа. В контексте искусственного интеллекта это первоначальная инструкция, команда, вопрос, просьба или текстовое утверждение, предоставляемое модели для управления и направления генерации конкретного ответа или результата. Подсказка выступает в качестве стимула или триггера для ИИ, указывая тему, стиль, направление или тип ожидаемого ответа. Способ формулировки подсказки (ее формулировка) напрямую определяет качество и релевантность полученных результатов.
17. Нейронная сеть
Это вычислительная модель, основанная на большом наборе простых нейронных единиц (искусственных нейронов), приблизительно аналогичных поведению, наблюдаемому в аксонах нейронов в биологическом мозге. Они являются фундаментальной рабочей единицей глубокого обучения. Кроме того, это модель машинного обучения, позволяющая распознавать образы и решать задачи, основанная на машинном обучении или глубоком обучении, стремящаяся моделировать аналитические механизмы человеческого мозга.
18. Трансформатор
Трансформеры представляют собой тип архитектуры нейронных сетей, предназначенный для обработки последовательных данных, таких как текст. Трансформеры изучают контекст и, следовательно, смысл. Они улавливают взаимосвязи между различными элементами последовательности (словами, предложениями) параллельно, а не последовательно, как традиционные модели. Трансформеры лежат в основе таких успешных моделей, как GPT и BERT, и используются для задач обработки естественного языка.
19. Жетон
В искусственном интеллекте токен — это базовая единица данных (слова, части слов, символы или знаки), которую модели обучения языку (LLM), такие как GPT или Gemini, используют для обработки, понимания и генерации текста. Это «валюта» или важная информация, которую ИИ считывает и анализирует, позволяя ему разбивать человеческий язык на управляемые (вычислимые) фрагменты. Следовательно, модели ИИ обрабатывают токены, чтобы понять взаимосвязи между ними и раскрыть такие возможности, как прогнозирование, генерация и рассуждение. Чем быстрее обрабатываются токены, тем быстрее модели могут учиться и реагировать.
20. Перекрестная проверка
Это метод, используемый для оценки результатов анализа и обеспечения точности прогнозов моделей машинного обучения. Таким образом, это техника оценки моделей машинного обучения, которая фокусируется на разделении набора данных на несколько подмножеств (или «флоков»). Затем модель обучается на некоторых подмножествах и тестируется на других. Это позволяет более надежно оценить производительность модели за счет уменьшения переобучения.
Другие фундаментальные аспекты искусственного интеллекта, которые стоит изучить, понять и освоить, рассматриваются в третьей части.
Это лишь некоторые из множества понятий и терминов, которые действительно стоит знать, понимать и осваивать. в этой современной и инновационной области искусственного интеллекта. Поэтому, чтобы расширить представленную здесь информацию и легко направить вас к более подробной, мы предлагаем вам это. Интересная инфографика, созданная с помощью ИИ. Чтобы дать вам небольшое представление о других, не менее важных и необходимых вещах:
Резюме
Короче говоря, мы надеемся, что это «Третья часть захватывающей и удивительной области искусственного интеллекта» Уделяя особое внимание генеративному искусственному интеллекту (ГАИ), вы, возможно, внесли больший вклад в укрепление и расширение своих знаний и навыков в этой современной и инновационной области. Не забывайте, что... Искусственный интеллект и робототехника меняют мир и то, как мы живем.И в будущем, когда квантовые вычисления станут коммерчески доступными, а квантовая энергия (получаемая благодаря эффекту Казимира) станет широко доступна всему человечеству, всё может кардинально отличаться от того, как мы это воспринимаем сегодня. Поэтому лучше узнать об искусственном интеллекте сейчас, чем отказываться и сожалеть об этом завтра. И, конечно же, не забывайте продолжать участвовать, вносить свой вклад и поддерживать наш любимый и ценный Linuxverse.
Наконец, помните посетите наш «стартовая страница» En EspañolИли на любом другом языке (просто добавив 2 буквы в конец текущего URL, например: ar, de, en, fr, ja, pt и ru, и многих других), чтобы найти более актуальную информацию.