Osnove umetne inteligence (UI) za uporabnike Linuxa – tretji del

Da Sta vam bila všeč naša prva dva prispevka, povezana z učenjem umetne inteligence (UI) za uporabnike Linuxa?Danes boste najverjetneje cenili ta tretji del, kjer bomo obravnavali nekaj najpomembnejših konceptov in izrazov, povezanih s tem tehnološkim področjem. In če še niste prebrali prejšnjih dveh delov, bi radi pojasnili, da V drugem delu bomo obravnavali bistvo o razliki med Simbolična umetna inteligenca in konekcionistična umetna inteligenca in o zgodovinskih mejnikih tega tehnološkega področja v zadnjih 100 letih. Medtem ko je v V prvem delu se osredotočimo en Kaj je umetna inteligenca in kakšne so različne vrste, ki so že bile ustvarjene (Ozke ali šibke, generativne in agensne) in ki naj bi bile ustvarjene (splošne ali močne in umetna superinteligenca).

In tako kot v prejšnjih priložnostih, imejte v mislih, da tako kot v njihovem času elektrika, radio, televizija, računalniki, telefoni, internet in družbena omrežja; Umetna inteligenca je tehnologija, ki je prišla, da bi se globoko integrirala v vse.In to tako, da nam prihrani dragoceni čas in drage delovne ure ter nas naredi bolj produktivne, ustvarjalne in vsestranske; zagotovo, Malo po malo bo izpodrinil tiste, ki imajo najmanj pojma o njegovem obstoju in delovanju.Zato ni nič boljšega kot začeti ugotavljati kontekst o vsem, kar je s tem povezano.

Ampak, preden se poglobimo v to "Tretji del vznemirljivega in presenetljivega področja umetne inteligence"In še posebej glede nekaterih najpomembnejših konceptov in izrazov, ki jih je treba upoštevati, razumeti in obvladati, priporočamo, da raziščete prejšnje in nedavne sorodne objave v tej seriji publikacij, po končanem branju:

Osnove umetne inteligence – tretji del: Sorodni koncepti in izrazi

20 pomembnih konceptov in izrazov, ki se vedno omenjajo na področju umetne inteligence

1. Halucinacije

Halucinacija se nanaša na situacijo, v kateri sistem umetne inteligence, zlasti tisti, ki obdeluje naravni jezik, začne ustvarjati rezultate, ki so lahko nepomembni, nesmiselni ali napačni glede na vnesene podatke. Do tega pogosto pride, ko sistem umetne inteligence ni prepričan o kontekstu, se preveč zanaša na podatke za učenje ali nima ustreznega razumevanja snovi.

2. Strojno učenje

Podpodročje umetne inteligence, ki zajema razvoj algoritmov in statističnih modelov, ki omogočajo strojem, da z izkušnjami izboljšajo svojo učinkovitost. Primer bi bil algoritem strojnega učenja, ki bi lahko na podlagi preteklega vedenja napovedal verjetnost odhoda strank. Zahvaljujoč programu strojnega učenja se stroj nauči reševati probleme iz primerov: tako lahko primerja in razvršča podatke ter celo prepozna kompleksne oblike.

3. Globoko učenje

Podpodročje strojnega učenja, ki uporablja večplastne nevronske mreže za učenje iz podatkov, kar pomeni, da uporablja različne strukture nevronskih mrež za učenje zaporednih plasti vse bolj smiselnih predstavitev podatkov. Trenutno je to najbolj priljubljeno področje znotraj umetne inteligence. Nastalo je iz kombinacije algoritmov strojnega učenja s formalnimi nevronskimi mrežami in uporabe velikih količin podatkov.

4. Veliki podatki

Veliki podatki so veja informacijske tehnologije, ki preučuje inherentne težave pri obdelavi velikih naborov podatkov. Imenujejo se tudi makropodatki in se nanašajo na velike in kompleksne nabore podatkov, ki so pogosto preveliki ali prerazlični za obdelavo s tradicionalnimi metodami. Poleg tega prihajajo iz različnih virov (družbena omrežja, senzorji itd.) in zahtevajo napredne tehnike, kot sta umetna inteligenca in strojno učenje, za njihovo analizo in pridobivanje koristnih informacij.

5. Nabor podatkov

Nabor podatkov je zbirka podatkov, običajno strukturirana v tabeli. Gre za organizirano zbirko podatkov, ki se uporablja za učenje, testiranje ali validacijo modelov umetne inteligence. Vsebuje lahko besedilo, slike, videoposnetke ali druge vrste informacij, običajno označenih tako, da algoritmi strojnega učenja prepoznajo vzorce in podajo napovedi.

6. Usposabljanje modelov

Usposabljanje modela je postopek uporabe nabora podatkov za učenje modela umetne inteligence ali strojnega učenja za izvajanje določene naloge, kot sta klasifikacija ali napovedovanje. Model prilagodi svoje parametre na podlagi podanih primerov, da izboljša svojo natančnost z novimi podatki.

7. Izboljšana generacija z okrevanjem

RAG (Retrieval-Augmented Generation) je metoda, ki umetni inteligenci omogoča, da pred generiranjem odgovora poizveduje po zunanjih bazah podatkov ali išče po internetu nove in posodobljene informacije. Namesto da bi morala celoten model ponovno usposobiti z novimi podatki, RAG deluje kot nekakšno "izobraževanje v realnem času" za umetno inteligenco. To je zelo uporabno, saj sistem sili, da se zanaša na specifične in preverjene dokumente, kar močno zmanjša tveganje, da bi umetna inteligenca izmišljevala informacije (halucinacije).

8. GPT (generativni vnaprej pripravljeni transformator)

Gre za družino jezikovnih modelov, ki jih je razvil OpenAI in uporabljajo nevronske mreže za naravno razumevanje in ustvarjanje besedila. Ti modeli GPT (generativni prednaučeni transformatorji) uporabljajo arhitekturo, imenovano Transformer, ki jim omogoča analizo pozivov in napovedovanje najverjetnejšega odgovora na podlagi učenja z ogromnimi nabori podatkov. Zaradi tega je GPT sposoben posnemati zmožnosti razumevanja človeškega jezika.

9. Generiranje naravnega jezika (Naravni jezik generacije)

Generiranje naravnega jezika je podpodročje umetne inteligence, ki vključuje samodejno ustvarjanje razumljivih besedil ali govora v človeškem jeziku. Omogoča stroju, da pretvori surove podatke v naravne stavke ali odstavke, na primer v avtomatiziranih povzetkih ali virtualnih asistentih.

10. Hitro inženirstvo

Gre za umetnost razvoja pozivov k zahtevam za doseganje smiselnih generativnih rezultatov – torej natančnejših, produktivnejših in inovativnejših rezultatov. Ali, povedano drugače, gre za znanost oblikovanja, optimizacije in izpopolnjevanja navodil, ki jih dajemo generativni umetni inteligenci. Njen cilj je voditi umetno inteligenco, da dobi natančne, ustrezne in visokokakovostne odgovore, pri čemer deluje kot komunikacijski most, da se izognemo generičnim ali napačnim rezultatom.

11. Model

Model je objekt, ki predstavlja izhod učnega algoritma. Zato ga umetna inteligenca uporablja za napovedovanje izhodnih podatkov. Temeljni modeli so na primer široka kategorija modelov umetne inteligence, ki vključuje modele velikih jezikov in druge vrste modelov, kot so računalniški vid in modeli učenja z okrepitvijo. Imenujejo se »temeljni modeli«, ker služijo kot osnova za gradnjo aplikacij, ki obravnavajo širok spekter področij in primerov uporabe.

12. Veliki jezikovni modeli

Gre za vrsto modela globokega učenja, usposobljenega na velikem naboru podatkov za izvajanje nalog razumevanja in generiranja naravnega jezika. Med znane modele spadajo BERT, PaLM, GPT-2, GPT-3, GPT-3.5 in inovativni GPT-4. Ti modeli se razlikujejo po velikosti (število parametrov, ki jih je mogoče prilagoditi), obsegu nalog, ki jih lahko opravljajo (kodiranje, klepet, znanstveno delo itd.) in bazi znanja, na kateri so bili usposobljeni.

13. Modeli majhnih jezikov

Gre za žepne različice velikih jezikovnih modelov oziroma LLM. Oba uporabljata tehnike strojnega učenja, ki jima pomagajo prepoznati vzorce in odnose, da lahko ustvarita realistične odzive naravnega jezika. Medtem ko so LLM-i ogromni in zahtevajo veliko računalniške moči in pomnilnika, so majhni jezikovni modeli, kot je Phi-3, usposobljeni na manjših, bolj kuriranih naborih podatkov in imajo manj parametrov, zaradi česar so bolj kompaktni in celo uporabni brez povezave.

14. Pristranskost

To so predpostavke, ki jih model umetne inteligence naredi o podatkih. »Kompromis med pristranskostjo in varianco« je ravnovesje, ki ga je treba najti med predpostavkami, ki jih model naredi o podatkih, in količino sprememb napovedi modela glede na različne učne podatke. Induktivna pristranskost je niz predpostavk, ki jih algoritem strojnega učenja naredi o osnovni porazdelitvi podatkov.

15. Obdelava naravnega jezika

Gre za interdisciplinarno področje, katerega osrednja ideja je dati strojem sposobnost branja in razumevanja jezikov, ki jih govorijo ljudje. Raziskave obdelave naravnega jezika si prizadevajo odgovoriti na vprašanje, kako ljudje razumejo pomen govorjenega ali napisanega stavka in kako razumejo, kaj se je zgodilo, kdaj in kje se je zgodilo; ter razlike med predpostavko, prepričanjem in dejstvom. Posledično vključuje programiranje računalnikov za obdelavo ogromnih količin jezikovnih podatkov in se osredotoča na preoblikovanje prosto oblikovanega besedila v standardizirano strukturo.

16. Poziv

Poziv je navodilo ali niz navodil (vnosnih podatkov), ki so dana računalniškemu sistemu za generiranje odgovora. V kontekstu umetne inteligence je to začetno navodilo, ukaz, vprašanje, zahteva ali besedilna izjava, ki je dana modelu za vodenje in usmerjanje generiranja določenega odgovora ali izhoda. Poziv deluje kot spodbuda ali sprožilec za umetno inteligenco, ki nakazuje temo, slog, smer ali vrsto pričakovanega odgovora. Način, kako je poziv oblikovan (njegovo uokvirjanje), neposredno določa kakovost in ustreznost prejetih rezultatov.

17. Nevronska mreža

Gre za računalniški model, ki temelji na velikem naboru preprostih nevronskih enot (umetnih nevronov), približno analognih vedenju, ki ga opazimo v aksonih nevronov v bioloških možganih. So temeljna delovna enota globokega učenja. Poleg tega je to model strojnega učenja, ki omogoča prepoznavanje vzorcev in reševanje problemov, ki temelji na strojnem učenju ali globokem učenju in si prizadeva modelirati analitične mehanizme človeških možganov.

18. Transformator

Transformatorji predstavljajo vrsto arhitekture nevronske mreže, zasnovane za obdelavo zaporednih podatkov, kot je besedilo. Transformatorji se učijo konteksta in posledično pomena. Vzporedno zajamejo odnose med različnimi elementi zaporedja (besedami, stavki) in ne zaporedno kot tradicionalni modeli. Transformatorji so temelj uspešnih modelov, kot sta GPT in BERT, in se uporabljajo za naloge obdelave naravnega jezika.

19. Žeton

Žeton v umetni inteligenci je osnovna enota podatkov (besede, deli besed, znaki ali simboli), ki jo modeli učenja jezika (LLM), kot sta GPT ali Gemini, uporabljajo za obdelavo, razumevanje in ustvarjanje besedila. Je "valuta" ali bistveni del informacije, ki ga umetna inteligenca bere in analizira, kar ji omogoča, da človeški jezik razdeli na obvladljive (izračunljive) dele. Posledično modeli umetne inteligence obdelujejo žetone, da bi razumeli odnose med njimi in odklenili zmogljivosti, kot so napovedovanje, generiranje in sklepanje. Hitreje ko so žetoni obdelani, hitreje se lahko modeli učijo in odzivajo.

20. Navzkrižna validacija

Gre za metodo, ki se uporablja za vrednotenje rezultatov analize in zagotavljanje natančnosti napovedi modelov strojnega učenja. Gre torej za tehniko za vrednotenje modelov strojnega učenja, ki se osredotoča na delitev nabora podatkov na več podmnožic (ali "pregibov"). Model se nato nauči na nekaterih podmnožicah in preizkusi na drugih. To omogoča zanesljivejšo oceno delovanja modela z zmanjšanjem pretiranega učenja.

Druge osnove umetne inteligence, ki jih je vredno raziskati, razumeti in obvladati v tem tretjem delu

To je le nekaj konceptov in izrazov izmed mnogih, ki jih je resnično vredno poznati, razumeti in obvladati. na tem sodobnem in inovativnem področju umetne inteligence. Da bi torej razširili tukaj ponujene informacije in vas lažje usmerili k več, vam ponujamo to Zanimiva infografika, ustvarjena z umetno inteligenco da vam dam majhno predstavo o drugih, ki so enako pomembni in bistveni:

Povzetek

Skratka, upamo, da to "Tretji del vznemirljivega in presenetljivega področja umetne inteligence" s poudarkom na generativni umetni inteligenci (GAI) bi morda nekoliko bolj prispevalo k krepitvi in ​​povečanju vašega znanja in spretnosti na tem sodobnem in inovativnem področju. Ne pozabite, da Umetna inteligenca in robotika spreminjata svet in način, kako živimo.In da bi lahko v prihodnjih letih, ko bo kvantno računalništvo komercialno dostopno in bo kvantna energija (proizvedena s Casimirjevim učinkom) široko dostopna vsemu človeštvu, bilo povsem drugače, kot ga doživljamo danes. Zato je bolje, da se o umetni inteligenci poučimo zdaj, kot pa da to zavrnemo in jutri obžalujemo. In seveda ne pozabite še naprej sodelovati, prispevati in podpirati naš ljubljeni in dragoceni Linuxverse.

Nazadnje, spomnite se obiščite našo «domača stran» v španščiniAli pa v katerem koli drugem jeziku (preprosto tako, da na konec našega trenutnega URL-ja dodate dve črki, na primer: ar, de, en, fr, ja, pt in ru, med mnogimi drugimi), da izveste več aktualne vsebine.