Bazat e Inteligjencës Artificiale – Pjesa e Tretë: Konceptet
Po, A ju pëlqyen dy postimet tona të para në lidhje me të mësuarit me Inteligjencë Artificiale (IA) për përdoruesit e Linux?Pra, sot ka shumë të ngjarë ta vlerësoni këtë pjesë të tretë, ku do të trajtojmë disa nga konceptet dhe termat më të rëndësishëm që lidhen me këtë fushë teknologjike. Dhe nëse nuk i keni lexuar dy pjesët e mëparshme, do të donim të sqaronim se Në pjesën e dytë do të trajtojmë pika në lidhje me ndryshimin midis Inteligjenca Artificiale Simbolike dhe Inteligjenca Artificiale Konekcioniste dhe mbi momentet historike të kësaj fushe teknologjike gjatë 100 viteve të fundit. Ndërsa, në Në pjesën e parë ne përqendrohemi en Çfarë është IA dhe cilat janë llojet e ndryshme që janë krijuar tashmë? (I ngushtë ose i dobët, gjenerues dhe agjent) dhe që pritet të krijohen (I përgjithshëm ose i fortë, dhe superinteligjencë artificiale).
Dhe si në rastet e mëparshme, mbani mend se njësoj si në kohën e tyre, Elektriciteti, Radioja, Televizioni, Kompjuterët, Telefonat, Interneti dhe Rrjetet Sociale; Inteligjenca Artificiale është një teknologji që ka mbërritur për t'u integruar thellësisht në gjithçka.Dhe kjo, duke na kursyer kohë të çmuar dhe orë pune të kushtueshme, dhe duke na bërë më produktivë, kreativë dhe të gjithanshëm; me siguri, Pak nga pak, do të zhvendosë ata që kanë sadopak idenë për ekzistencën dhe funksionimin e saj.Prandaj, nuk ka asgjë më të mirë sesa të fillosh të kuptosh kontekstin e gjithçkaje që lidhet me të.
Bazat e Inteligjencës Artificiale – Pjesa e Parë: Origjina II
Por, përpara se të futemi thellë në këtë "Pjesa e tretë e fushës emocionuese dhe surprizuese të Inteligjencës Artificiale"Dhe më konkretisht, lidhur me disa nga konceptet dhe termat më të rëndësishëm për t'u marrë në konsideratë, kuptuar dhe zotëruar, ne rekomandojmë të eksploroni botime të mëparshme dhe të fundit të lidhura në këtë seri botimesh, pasi e mbarova leximin e saj:
Bazat e Inteligjencës Artificiale – Pjesa e Tretë: Koncepte dhe Terma të Lidhura
20 koncepte dhe terma të rëndësishëm që përmenden gjithmonë në fushën e Inteligjencës Artificiale
1. Halucinacion
Halucinacioni i referohet një situate në të cilën një sistem i inteligjencës artificiale, veçanërisht një sistem që merret me përpunimin e gjuhës natyrore, fillon të gjenerojë rezultate që mund të jenë të parëndësishme, të pakuptimta ose të pasakta bazuar në të dhënat e dhëna. Kjo ndodh shpesh kur sistemi i inteligjencës artificiale nuk është i sigurt për kontekstin, mbështetet shumë në të dhënat e tij të trajnimit ose nuk ka një kuptim të duhur të temës.
2. Mësimi i Makinerisë
Një nënfushë e IA-së që përfshin zhvillimin e algoritmeve dhe modeleve statistikore që u lejojnë makinave të përmirësojnë performancën e tyre me përvojë. Një shembull do të ishte një algoritëm i të mësuarit automatik që mund të parashikojë mundësinë e largimit të klientëve bazuar në sjelljen e kaluar. Falë një programi të të mësuarit automatik, makina mëson të zgjidhë problemet nga shembujt: kështu mund të krahasojë dhe klasifikojë të dhënat dhe madje të njohë format komplekse.
3. Mësim i Thellë
Një nënfushë e të mësuarit automatik që përdor rrjete nervore me shumë shtresa për të mësuar nga të dhënat, që do të thotë se përdor struktura të ndryshme të rrjeteve nervore për të mësuar shtresa të njëpasnjëshme të përfaqësimeve të të dhënave gjithnjë e më kuptimplote. Aktualisht, është fusha më e popullarizuar brenda IA-së. Doli nga kombinimi i algoritmeve të të mësuarit automatik me rrjetet nervore formale dhe përdorimi i të dhënave të mëdha.
4. Të dhënat e mëdha
Të Dhënat e Mëdha janë dega e Teknologjisë së Informacionit që studion vështirësitë e natyrshme të trajtimit të grupeve të mëdha të të dhënave. Të quajtura edhe makrotë dhëna, këto i referohen grupeve të të dhënave të mëdha dhe komplekse që shpesh janë shumë të mëdha ose të larmishme për t'u përpunuar duke përdorur metoda tradicionale. Për më tepër, ato vijnë nga një sërë burimesh (rrjete sociale, sensorë, etj.) dhe kërkojnë teknika të përparuara, të tilla si inteligjenca artificiale dhe të mësuarit automatik, për t'i analizuar ato dhe për të nxjerrë informacione të dobishme.
5. Seti i të dhënave
Një grup të dhënash është një koleksion të dhënash, zakonisht i strukturuar në një tabelë. Është një koleksion i organizuar i të dhënave që përdoren për të trajnuar, testuar ose validuar modelet e inteligjencës artificiale. Mund të përmbajë tekst, imazhe, video ose lloje të tjera informacioni, zakonisht të etiketuara për të lejuar algoritmet e të mësuarit automatik të njohin modelet dhe të bëjnë parashikime.
6. Trajnim modelesh
Trajnimi i modelit është procesi i përdorimit të një grupi të dhënash për të mësuar një model të inteligjencës artificiale ose të të mësuarit automatik për të kryer një detyrë specifike, siç është klasifikimi ose parashikimi. Modeli i përshtat parametrat e tij bazuar në shembujt e dhënë për të përmirësuar saktësinë e tij me të dhëna të reja.
7. Gjenerim i Përmirësuar nga Rimëkëmbja
RAG (Retrieval-Augmented Generation - Gjenerimi i Shtuar i Rikthimit) është një metodë që i lejon një IA-je të kërkojë në baza të dhënash të jashtme ose të kërkojë në internet për informacione të reja dhe të përditësuara përpara se të gjenerojë një përgjigje. Në vend që të duhet të ritrajnojë të gjithë modelin me të dhëna të reja, RAG funksionon si një lloj "edukimi në kohë reale" për IA-në. Kjo është shumë e dobishme sepse e detyron sistemin të mbështetet në dokumente specifike dhe të verifikuara, gjë që zvogëlon shumë rrezikun që IA të fabrikojë informacione (halucinacione).
8. GPT (Transformator i Para-trajnuar Gjenerues)
Ato janë një familje modelesh gjuhësore të zhvilluara nga OpenAI që përdorin rrjete nervore për të kuptuar dhe gjeneruar tekst natyrshëm. Këto modele GPT (Generative Pretrained Transformer) përdorin një arkitekturë të quajtur Transformer që u lejon atyre të analizojnë kërkesat dhe të parashikojnë përgjigjen më të mundshme bazuar në trajnim me grupe të dhënash masive. Për shkak të kësaj, GPT është në gjendje të imitojë aftësitë e të kuptuarit të gjuhës njerëzore.
9. Gjenerimi i Gjuhës Natyrore (Gjenerimi i Gjuhës Natyrore)
Gjenerimi i gjuhës natyrore është një nënfushë e inteligjencës artificiale që përfshin prodhimin automatik të teksteve ose të të folurit të kuptueshëm në gjuhën njerëzore. Ai i lejon një makine të transformojë të dhënat e papërpunuara në fjali ose paragrafë natyrorë, si në përmbledhje automatike ose asistentë virtualë.
10. Inxhinieri e Shpejtë
Është arti i zhvillimit të nxitjeve për kërkesa për të arritur rezultate gjeneruese kuptimplote - domethënë, rezultate më të sakta, produktive dhe inovative. Ose, thënë ndryshe, është shkenca e projektimit, optimizimit dhe rafinimit të udhëzimeve që i japim një inteligjence artificiale gjeneruese. Qëllimi i saj është të udhëzojë IA-në për të marrë përgjigje të sakta, relevante dhe me cilësi të lartë, duke vepruar si një urë komunikimi për të shmangur rezultate gjenerike ose të gabuara.
11. Model
Një model është objekti që do të përfaqësojë rezultatin e algoritmit të të nxënit. Prandaj, është ajo që përdor IA për të bërë parashikime të rezultatit. Për shembull, modelet themelore janë një kategori e gjerë e modeleve të IA-së që përfshijnë modele të mëdha gjuhësore dhe lloje të tjera modelesh, të tilla si vizioni kompjuterik dhe modelet e të nxënit me përforcim. Ato quhen "modele themelore" sepse shërbejnë si themel mbi të cilin ndërtohen aplikacione, duke adresuar një gamë të gjerë fushash dhe rastesh përdorimi.
12. Modele të Mëdha Gjuhësore
Ato janë një lloj modeli i të mësuarit të thellë i trajnuar në një grup të madh të dhënash për të kryer detyra të kuptimit dhe gjenerimit të gjuhës natyrore. Modelet e njohura përfshijnë BERT, PaLM, GPT-2, GPT-3, GPT-3.5 dhe GPT-4 inovativ. Këto modele ndryshojnë në madhësi (numri i parametrave që mund të rregullohen), gamën e detyrave që mund të kryejnë (kodim, bisedë, shkencore, etj.) dhe bazën e njohurive mbi të cilën janë trajnuar.
13. Modele të Vogla Gjuhësore
Ato janë versione të vogla të modeleve të mëdha gjuhësore, ose LLM-ve. Të dyja përdorin teknika të të mësuarit automatik për t'i ndihmuar të njohin modelet dhe marrëdhëniet në mënyrë që të mund të prodhojnë përgjigje realiste të gjuhës natyrore. Por, ndërsa LLM-të janë gjigante dhe kërkojnë shumë fuqi llogaritëse dhe memorie, modelet e vogla gjuhësore si Phi-3 trajnohen në grupe të dhënash më të vogla dhe më të kuruara dhe kanë më pak parametra, duke i bërë ato më kompakte dhe madje të përdorshme jashtë linje.
14. Paragjykim
Këto janë supozimet e bëra nga një model i inteligjencës artificiale në lidhje me të dhënat. Një "kompromis paragjykimi-ndryshimi" është ekuilibri që duhet të arrihet midis supozimeve që bën një model në lidhje me të dhënat dhe sasisë që ndryshojnë parashikimet e një modeli, duke pasur parasysh të dhëna të ndryshme trajnimi. Paragjykimi induktiv është grupi i supozimeve që bën një algoritëm i të mësuarit automatik në lidhje me shpërndarjen themelore të të dhënave.
15. Përpunimi i Gjuhës Natyrore
Është një fushë ndërdisiplinore, ideja qendrore e së cilës është t'u japë makinave aftësinë për të lexuar dhe kuptuar gjuhët që flasin njerëzit. Hulumtimi i Përpunimit të Gjuhës Natyrore synon t'i përgjigjet pyetjes se si njerëzit janë në gjendje të kuptojnë kuptimin e një fjalie të folur ose të shkruar dhe si e kuptojnë ata se çfarë ka ndodhur, kur dhe ku ka ndodhur; si dhe ndryshimet midis një supozimi, një besimi dhe një fakti. Si pasojë, përfshin programimin e kompjuterëve për të përpunuar vëllime masive të të dhënave gjuhësore dhe përqendrohet në transformimin e tekstit të formës së lirë në një strukturë të standardizuar.
16. Nxitje
Një kërkesë është një udhëzim ose grup udhëzimesh (input) që i jepen një sistemi kompjuterik për të gjeneruar një përgjigje. Në kontekstin e Inteligjencës Artificiale, është udhëzimi fillestar, komanda, pyetja, kërkesa ose deklarata me tekst që i jepet modelit për të udhëhequr dhe drejtuar gjenerimin e një përgjigjeje ose rezultati specifik. Kërkesa vepron si një stimul ose shkas për IA-në, duke treguar temën, stilin, drejtimin ose llojin e përgjigjes së pritur. Mënyra se si formulohet kërkesa (kornizimi i saj) përcakton drejtpërdrejt cilësinë dhe rëndësinë e rezultateve të marra.
17. Rrjeti Neural
Ato janë një model llogaritës i bazuar në një grup të madh njësish të thjeshta nervore (neurone artificiale), afërsisht analoge me sjelljen e vërejtur në aksonet e neuroneve në trurin biologjik. Ato janë njësia themelore e punës së Mësimit të Thellë. Për më tepër, është një model i të mësuarit automatik që lejon njohjen e modeleve dhe zgjidhjen e problemeve, bazuar në të mësuarit automatik ose të mësuarit të thellë, duke kërkuar të modelojë mekanizmat analitikë të trurit të njeriut.
18. Transformator
Transformatorët përfaqësojnë një lloj arkitekture të rrjetit nervor të projektuar për të përpunuar të dhëna sekuenciale, siç është teksti. Transformatorët mësojnë kontekstin dhe, rrjedhimisht, kuptimin. Ata kapin marrëdhëniet midis elementëve të ndryshëm të një sekuence (fjalë, fjali) paralelisht, në vend që të bëjnë sekuenca si modelet tradicionale. Transformatorët janë themeli i modeleve të suksesshme si GPT dhe BERT dhe përdoren për detyrat e përpunimit të gjuhës natyrore.
19. Token
Një token në Inteligjencën Artificiale është njësia bazë e të dhënave (fjalë, pjesë fjalësh, karaktere ose simbole) që Modelet e Mësimit të Gjuhëve (LLM) si GPT ose Gemini përdorin për të përpunuar, kuptuar dhe gjeneruar tekst. Është "valuta" ose pjesa thelbësore e informacionit që IA lexon dhe analizon, duke i lejuar asaj të ndajë gjuhën njerëzore në copa të menaxhueshme (të llogaritshme). Si pasojë, modelet e IA-së përpunojnë tokenat për të kuptuar marrëdhëniet midis tyre dhe për të zhbllokuar aftësi të tilla si parashikimi, gjenerimi dhe arsyetimi. Sa më shpejt të përpunohen tokenat, aq më shpejt modelet mund të mësojnë dhe të përgjigjen.
20. Validimi i kryqëzuar
Është një metodë e përdorur për të vlerësuar rezultatet e një analize dhe për të siguruar saktësinë e parashikimeve të modelit të të mësuarit automatik. Prandaj, është një teknikë për vlerësimin e modeleve të të mësuarit automatik që përqendrohet në ndarjen e një grupi të dhënash në disa nëngrupe (ose "palosje"). Modeli më pas trajnohet në disa nëngrupe dhe testohet në të tjerat. Kjo lejon një vlerësim më të besueshëm të performancës së modelit duke zvogëluar mbinxënien.
Baza të tjera të Inteligjencës Artificiale që ia vlen të hetohen, kuptohen dhe zotërohen në këtë pjesë të tretë
Këto janë vetëm disa koncepte dhe terma nga shumë të tjerë që ia vlen t’i dish, t’i kuptosh dhe t’i zotërosh vërtet. në këtë fushë moderne dhe inovative të Inteligjencës Artificiale. Prandaj, për të zgjeruar informacionin e ofruar këtu dhe për t'ju udhëhequr lehtësisht drejt të tjerëve, ne ju ofrojmë këtë Infografik interesant i krijuar me inteligjencë artificiale për t'ju dhënë një ide të vogël për të tjerët që janë po aq të rëndësishëm dhe thelbësorë:
Përmbledhje
Shkurtimisht, shpresojmë që kjo "Pjesa e tretë e fushës emocionuese dhe surprizuese të Inteligjencës Artificiale" me theks në Inteligjencën Artificiale Gjenerative (GAI), mund të ketë kontribuar pak më shumë në forcimin dhe rritjen e njohurive dhe aftësive tuaja në këtë fushë moderne dhe inovative. Mos harroni se, Inteligjenca artificiale dhe robotika po ndryshojnë botën dhe mënyrën se si jetojmë jetën tonë.Dhe se në vitet që vijnë, kur informatika kuantike të bëhet komercialisht e disponueshme dhe energjia kuantike (e prodhuar përmes efektit Casimir) të jetë gjerësisht e arritshme për të gjithë njerëzimin, mund të jetë krejtësisht ndryshe nga mënyra se si e përjetojmë sot. Pra, është më mirë të mësojmë rreth Inteligjencës Artificiale tani sesa të refuzojmë dhe të kemi keqardhje nesër. Dhe sigurisht, mos harroni të vazhdoni të merrni pjesë, të kontribuoni dhe të mbështesni Linuxverse-in tonë të dashur dhe të vlefshëm.
Së fundi, mbani mend vizitoni tonën «filloni faqen» në spanjishtOse, në çdo gjuhë tjetër (thjesht duke shtuar 2 shkronja në fund të URL-së sonë aktuale, për shembull: ar, de, en, fr, ja, pt dhe ru, ndër shumë të tjera) për të zbuluar më shumë përmbajtje aktuale.