Základy umelej inteligencie – tretia časť: Koncepty
áno, Páčili sa vám naše prvé dva príspevky týkajúce sa učenia sa umelej inteligencie (AI) pre používateľov Linuxu?Takže dnes s najväčšou pravdepodobnosťou oceníte túto tretiu časť, v ktorej sa budeme venovať niekoľkým najdôležitejším konceptom a pojmom spojeným s touto technologickou oblasťou. A ak ste si nečítali predchádzajúce dve časti, radi by sme to objasnili. V druhej časti sa budeme venovať bod o rozdiele medzi Symbolická umelá inteligencia a konekcionistická umelá inteligencia a o historických míľnikoch tejto technologickej oblasti za posledných 100 rokov. Zatiaľ čo v V prvej časti sa zameriame en Čo je umelá inteligencia a aké sú jej rôzne typy, ktoré už boli vytvorené (Úzke alebo Slabé, Generatívne a Agentné) a ktoré sa majú vytvoriť (Všeobecné alebo Silné a Umelá superinteligencia).
A ako pri predchádzajúcich príležitostiach, majte na pamäti, že rovnako ako za ich čias elektrina, rádio, televízia, počítače, telefóny, internet a sociálne siete; Umelá inteligencia je technológia, ktorá prišla, aby sa hlboko integrovala do všetkéhoA to tým, že nám to ušetrí drahocenný čas a nákladné pracovné hodiny a urobí nás produktívnejšími, kreatívnejšími a všestrannejšími; to je samozrejmé, Postupne vytlačí tých, ktorí majú čo i len najmenšiu predstavu o jeho existencii a fungovaní.Preto nie je nič lepšie, ako začať zisťovať kontext o všetkom, čo s tým súvisí.
Základy umelej inteligencie – prvá časť: Počiatky II
Ale skôr, než sa do toho pustíme „Tretia časť vzrušujúcej a prekvapujúcej oblasti umelej inteligencie“A konkrétnejšie, pokiaľ ide o niektoré z najdôležitejších konceptov a pojmov, ktoré je potrebné zvážiť, pochopiť a zvládnuť, odporúčame preskúmať predchádzajúce a nedávne súvisiace publikácie v tejto sérii publikácií, po dočítaní:
Základy umelej inteligencie – tretia časť: Súvisiace koncepty a pojmy
20 dôležitých konceptov a termínov, ktoré sa neustále spomínajú v oblasti umelej inteligencie
1. Halucinácie
Halucinácia označuje situáciu, v ktorej systém umelej inteligencie, najmä ten, ktorý spracováva prirodzený jazyk, začne generovať výsledky, ktoré môžu byť irelevantné, nezmyselné alebo nesprávne na základe poskytnutého vstupu. Často sa to stáva, keď si systém umelej inteligencie nie je istý kontextom, príliš sa spolieha na svoje trénovacie dáta alebo mu chýba správne pochopenie danej témy.
2. Strojové učenie
Pododvetvie umelej inteligencie, ktoré zahŕňa vývoj algoritmov a štatistických modelov, ktoré umožňujú strojom zlepšovať svoj výkon so skúsenosťami. Príkladom by mohol byť algoritmus strojového učenia, ktorý by mohol predpovedať pravdepodobnosť odchodu zákazníkov na základe minulého správania. Vďaka programu strojového učenia sa stroj učí riešiť problémy z príkladov: dokáže tak porovnávať a klasifikovať údaje a dokonca rozpoznávať zložité tvary.
3. Hlboké učenie
Pododvetvie strojového učenia, ktoré využíva viacvrstvové neurónové siete na učenie sa z dát, čo znamená, že využíva rôzne štruktúry neurónových sietí na učenie sa postupných vrstiev čoraz zmysluplnejších reprezentácií dát. V súčasnosti je to najpopulárnejšia oblasť v rámci umelej inteligencie. Vznikla kombináciou algoritmov strojového učenia s formálnymi neurónovými sieťami a využitím veľkých dát.
4. Veľké dáta
Big Data sú odvetvím informačných technológií, ktoré študuje inherentné ťažkosti spojené so spracovaním veľkých súborov údajov. Nazývajú sa aj makrodáta a označujú rozsiahle a zložité súbory údajov, ktoré sú často príliš veľké alebo rozmanité na to, aby sa dali spracovať tradičnými metódami. Okrem toho pochádzajú z rôznych zdrojov (sociálne siete, senzory atď.) a na ich analýzu a extrakciu užitočných informácií vyžadujú pokročilé techniky, ako je umelá inteligencia a strojové učenie.
5. Súbor údajov
Dátová sada je súbor údajov, zvyčajne štruktúrovaný v tabuľke. Je to organizovaný súbor údajov používaných na trénovanie, testovanie alebo overovanie modelov umelej inteligencie. Môže obsahovať text, obrázky, videá alebo iné typy informácií, zvyčajne označených tak, aby algoritmy strojového učenia dokázali rozpoznávať vzory a robiť predpovede.
6. Modelový tréning
Trénovanie modelu je proces použitia súboru údajov na naučenie modelu umelej inteligencie alebo strojového učenia vykonávať konkrétnu úlohu, ako je klasifikácia alebo predikcia. Model upravuje svoje parametre na základe poskytnutých príkladov, aby sa zlepšila jeho presnosť s novými údajmi.
7. Zvýšená generácia prostredníctvom obnovy
RAG (Retrieval-Augmented Generation) je metóda, ktorá umožňuje umelej inteligencii vyhľadávať v externých databázach alebo vyhľadávať na internete nové a aktualizované informácie pred vygenerovaním odpovede. Namiesto toho, aby musela pretrénovať celý model s novými údajmi, RAG funguje ako druh „vzdelávania v reálnom čase“ pre umelú inteligenciu. To je veľmi užitočné, pretože núti systém spoliehať sa na konkrétne a overené dokumenty, čo výrazne znižuje riziko, že umelá inteligencia vymyslí informácie (halucinácie).
8. GPT (generatívny vopred pripravený transformátor)
Ide o rodinu jazykových modelov vyvinutých spoločnosťou OpenAI, ktoré využívajú neurónové siete na prirodzené porozumenie a generovanie textu. Tieto modely GPT (Generatívne predtrénované transformátory) používajú architektúru s názvom Transformer, ktorá im umožňuje analyzovať výzvy a predpovedať najpravdepodobnejšiu odpoveď na základe trénovania s rozsiahlymi súbormi údajov. Vďaka tomu je GPT schopný napodobňovať schopnosti porozumenia ľudskému jazyku.
9. Generovanie prirodzeného jazyka (Generovanie prirodzeného jazyka)
Generovanie prirodzeného jazyka je podoblasť umelej inteligencie, ktorá zahŕňa automatické vytváranie zrozumiteľných textov alebo reči v ľudskom jazyku. Umožňuje stroju transformovať surové dáta do prirodzených viet alebo odsekov, napríklad v automatizovaných súhrnoch alebo virtuálnych asistentoch.
10. Rýchle inžinierstvo
Je to umenie vyvíjať výzvy pre požiadavky na dosiahnutie zmysluplných generatívnych výstupov – teda presnejších, produktívnejších a inovatívnejších výstupov. Alebo, inak povedané, je to veda o navrhovaní, optimalizácii a zdokonaľovaní pokynov, ktoré dávame generatívnej umelej inteligencii. Jej cieľom je viesť umelú inteligenciu k získaniu presných, relevantných a kvalitných odpovedí a pôsobiť ako komunikačný most, aby sa predišlo generickým alebo chybným výsledkom.
11. Model
Model je objekt, ktorý bude reprezentovať výstup učebného algoritmu. Preto ho umelá inteligencia používa na vytváranie predpovedí výstupov. Napríklad základné modely sú širokou kategóriou modelov umelej inteligencie, ktorá zahŕňa modely rozsiahlych jazykov a iné typy modelov, ako sú modely počítačového videnia a posilňovacieho učenia. Nazývajú sa „základné modely“, pretože slúžia ako základ, na ktorom sa vytvárajú aplikácie, ktoré riešia širokú škálu domén a prípadov použitia.
12. Modely rozsiahlych jazykov
Ide o typ modelu hlbokého učenia trénovaného na rozsiahlej množine údajov na vykonávanie úloh porozumenia a generovania prirodzeného jazyka. Medzi známe modely patria BERT, PaLM, GPT-2, GPT-3, GPT-3.5 a inovatívny GPT-4. Tieto modely sa líšia veľkosťou (počet parametrov, ktoré je možné upraviť), rozsahom úloh, ktoré môžu vykonávať (kódovanie, chat, vedecké práce atď.) a znalostnou základňou, na ktorej boli trénované.
13. Modely malých jazykov
Sú to vreckové verzie rozsiahlych jazykových modelov alebo LLM. Obidva využívajú techniky strojového učenia, ktoré im pomáhajú rozpoznávať vzory a vzťahy, aby mohli vytvárať realistické odpovede v prirodzenom jazyku. Zatiaľ čo LLM sú obrovské a vyžadujú veľa výpočtového výkonu a pamäte, malé jazykové modely, ako napríklad Phi-3, sú trénované na menších, lepšie upravených súboroch údajov a majú menej parametrov, vďaka čomu sú kompaktnejšie a dokonca použiteľné offline.
14. Zaujatosť
Toto sú predpoklady, ktoré model umelej inteligencie robí o údajoch. „Kompromis medzi skreslením a rozptylom“ je rovnováha, ktorá sa musí nájsť medzi predpokladmi, ktoré model robí o údajoch, a mierou zmeny predpovedí modelu pri daných rôznych tréningových údajoch. Induktívne skreslenie je súbor predpokladov, ktoré algoritmus strojového učenia robí o základnom rozložení údajov.
15. Spracovanie prirodzeného jazyka
Ide o interdisciplinárny odbor, ktorého ústrednou myšlienkou je dať strojom schopnosť čítať a rozumieť jazykom, ktorými ľudia hovoria. Výskum spracovania prirodzeného jazyka sa zameriava na odpoveď na otázku, ako sú ľudia schopní pochopiť význam hovorenej alebo písanej vety a ako chápu, čo sa stalo, kedy a kde sa to stalo; a aké sú rozdiely medzi predpokladom, presvedčením a faktom. V dôsledku toho zahŕňa programovanie počítačov na spracovanie obrovského množstva jazykových údajov a zameriava sa na transformáciu voľného textu do štandardizovanej štruktúry.
16.Prompt
Výzva je inštrukcia alebo súbor inštrukcií (vstupov) zadaných počítačovému systému na vygenerovanie odpovede. V kontexte umelej inteligencie je to počiatočná inštrukcia, príkaz, otázka, požiadavka alebo textový príkaz poskytnutý modelu na usmernenie a smerovanie generovania konkrétnej odpovede alebo výstupu. Výzva slúži ako stimul alebo spúšťač pre umelú inteligenciu a označuje tému, štýl, smer alebo typ očakávanej odpovede. Spôsob, akým je výzva formulovaná (jej rámovanie), priamo určuje kvalitu a relevantnosť prijatých výsledkov.
17. Neurónová sieť
Ide o výpočtový model založený na veľkej sade jednoduchých neurónových jednotiek (umelých neurónov), zhruba analogický so správaním pozorovaným v axónoch neurónov v biologických mozgoch. Sú základnou pracovnou jednotkou hlbokého učenia. Okrem toho ide o model strojového učenia, ktorý umožňuje rozpoznávanie vzorov a riešenie problémov, založený na strojovom učení alebo hlbokom učení, pričom sa snaží modelovať analytické mechanizmy ľudského mozgu.
18. Transformátor
Transformátory predstavujú typ architektúry neurónovej siete navrhnutej na spracovanie sekvenčných údajov, ako je napríklad text. Transformátory sa učia kontext a následne aj význam. Zachytávajú vzťahy medzi rôznymi prvkami sekvencie (slovami, vetami) paralelne, a nie sekvenčne ako tradičné modely. Transformátory sú základom úspešných modelov ako GPT a BERT a používajú sa na úlohy spracovania prirodzeného jazyka.
19. Token
Token v umelej inteligencii je základná jednotka údajov (slová, časti slov, znaky alebo symboly), ktorú modely učenia sa jazyka (LLM), ako napríklad GPT alebo Gemini, používajú na spracovanie, porozumenie a generovanie textu. Je to „mena“ alebo základná informácia, ktorú umelá inteligencia číta a analyzuje, čo jej umožňuje rozdeliť ľudský jazyk na zvládnuteľné (vypočítateľné) časti. Modely umelej inteligencie následne spracovávajú tokeny, aby pochopili vzťahy medzi nimi a odomkli funkcie, ako je predikcia, generovanie a uvažovanie. Čím rýchlejšie sú tokeny spracované, tým rýchlejšie sa modely dokážu učiť a reagovať.
20. Krížová validácia
Je to metóda používaná na vyhodnotenie výsledkov analýzy a zabezpečenie presnosti predpovedí modelov strojového učenia. Ide teda o techniku hodnotenia modelov strojového učenia, ktorá sa zameriava na rozdelenie súboru údajov do niekoľkých podmnožín (alebo „zložení“). Model sa potom trénuje na niektorých podmnožinách a testuje na iných. To umožňuje spoľahlivejší odhad výkonnosti modelu znížením nadmerného učenia.
Ďalšie základy umelej inteligencie, ktoré sa oplatí preskúmať, pochopiť a zvládnuť v tejto tretej časti
Toto je len niekoľko konceptov a termínov z mnohých, ktoré skutočne stoja za to poznať, pochopiť a zvládnuť. v tejto modernej a inovatívnej oblasti umelej inteligencie. Preto, aby sme rozšírili tu ponúkané informácie a ľahko vás nasmerovali k ostatným, ponúkame vám toto Zaujímavá infografika vytvorená pomocou umelej inteligencie aby ste mali malú predstavu o ďalších, ktoré sú rovnako dôležité a nevyhnutné:
Zhrnutie
Stručne povedané, dúfame, že toto „Tretia časť vzrušujúcej a prekvapujúcej oblasti umelej inteligencie“ s dôrazom na generatívnu umelú inteligenciu (GAI) mohlo o niečo viac prispieť k posilneniu a rozšíreniu vašich vedomostí a zručností v tejto modernej a inovatívnej oblasti. Nezabudnite, že Umelá inteligencia a robotika menia svet a spôsob, akým žijeme.A že v nasledujúcich rokoch, keď sa kvantové výpočty stanú komerčne dostupnými a kvantová energia (vyrobená prostredníctvom Casimirovho efektu) bude široko dostupná pre celé ľudstvo, by sa to mohlo úplne líšiť od toho, ako to vnímame dnes. Je teda lepšie dozvedieť sa o umelej inteligencii teraz, ako to odmietnuť a zajtra to ľutovať. A samozrejme, nezabudnite sa naďalej zúčastňovať, prispievať a podporovať náš milovaný a cenný Linuxverse.
Nakoniec, pamätajte navštívte našu «home page» v španielčineAlebo v akomkoľvek inom jazyku (jednoduchým pridaním 2 písmen na koniec našej aktuálnej URL adresy, napríklad: ar, de, en, fr, ja, pt a ru, medzi mnohými ďalšími) a zistite viac aktuálneho obsahu.