Основе вештачке интелигенције (ВИ) за кориснике Линукса – трећи део

Да Да ли су вам се свидела наша прва два поста везана за учење вештачке интелигенције (ВИ) за кориснике Линукса?Дакле, данас ћете највероватније ценити овај трећи део, где ћемо обрадити неколико најважнијих концепата и термина повезаних са овом технолошком облашћу. А ако нисте прочитали претходна два дела, желели бисмо да разјаснимо да У другом делу ћемо се бавити поента о разлици између Симболичка вештачка интелигенција и конекционистичка вештачка интелигенција и о историјским прекретницама ове технолошке области током последњих 100 година. Док је у У првом делу се фокусирамо en Шта је вештачка интелигенција и које су различите врсте већ створене (Уске или Слабе, Генеративне и Агентне) и за које се очекује да буду створене (Опште или Јаке и Вештачка суперинтелигенција).

И као и у претходним приликама, имајте на уму да баш као и у њихово време струја, радио, телевизија, рачунари, телефони, интернет и друштвене мреже; Вештачка интелигенција је технологија која је стигла да би се дубоко интегрисала у свеИ то, штедећи нам драгоцено време и скупе радне сате, и чинећи нас продуктивнијим, креативнијим и свестранијим; свакако, Мало по мало, то ће потиснути оне који имају најмању представу о његовом постојању и деловањуСтога, нема ништа боље него почети да добијате контекст о свему што је везано за то.

Али, пре него што се удубимо у ово „Трећи део узбудљивог и изненађујућег поља вештачке интелигенције“А посебно у вези са неким од најважнијих концепата и појмова које треба размотрити, разумети и савладати, препоручујемо да истражите претходне и скорашње повезане публикације у овој серији публикација, након што завршим са читањем:

Основе вештачке интелигенције – трећи део: повезани концепти и термини

20 важних концепата и термина који се увек помињу у области вештачке интелигенције

1. Халуцинација

Халуцинација се односи на ситуацију у којој систем вештачке интелигенције, посебно онај који обрађује природни језик, почиње да генерише резултате који могу бити ирелевантни, бесмислени или нетачни на основу датих уноса. Ово се често дешава када систем вештачке интелигенције није сигуран у контекст, превише се ослања на своје податке за обуку или нема правилно разумевање предметне материје.

2. Машинско учење

Подобласт вештачке интелигенције која обухвата развој алгоритама и статистичких модела који омогућавају машинама да побољшају своје перформансе са искуством. Пример би био алгоритам машинског учења који би могао да предвиди вероватноћу одлива купаца на основу претходног понашања. Захваљујући програму машинског учења, машина учи да решава проблеме из примера: тако може да упоређује и класификује податке, па чак и да препознаје сложене облике.

3. Дубоко учење

Подобласт машинског учења која користи вишеслојне неуронске мреже за учење из података, што значи да користи различите структуре неуронских мрежа за учење узастопних слојева све значајнијих репрезентација података. Тренутно је то најпопуларнија област у оквиру вештачке интелигенције. Настала је комбинацијом алгоритама машинског учења са формалним неуронским мрежама и употребом великих података.

4. Велики подаци

Велики подаци (Big Data) су грана информационих технологија која проучава инхерентне тешкоће руковања великим скуповима података. Такође се називају макроподаци, а односе се на велике и сложене скупове података који су често превелики или разноврсни да би се обрађивали традиционалним методама. Штавише, долазе из различитих извора (друштвене мреже, сензори итд.) и захтевају напредне технике, као што су вештачка интелигенција и машинско учење, да би се анализирали и извукле корисне информације.

5. Скуп података

Скуп података је колекција података, обично структурирана у табели. То је организована колекција података која се користи за тренирање, тестирање или валидацију модела вештачке интелигенције. Може да садржи текст, слике, видео записе или друге врсте информација, обично означених како би алгоритми машинског учења могли да препознају обрасце и праве предвиђања.

6. Обука модела

Обука модела је процес коришћења скупа података за подучавање модела вештачке интелигенције или машинског учења да обавља одређени задатак, као што је класификација или предвиђање. Модел прилагођава своје параметре на основу датих примера како би побољшао своју тачност са новим подацима.

7. Побољшана генерација опоравком

RAG (Retrieval-Augmented Generation - генерисање проширено претраживањем) је метода која омогућава вештачкој интелигенцији да претражује екстерне базе података или претражује интернет за нове и ажуриране информације пре него што генерише одговор. Уместо да мора поново да обучава цео модел новим подацима, RAG функционише као врста „образовања у реалном времену“ за вештачку интелигенцију. Ово је веома корисно јер приморава систем да се ослања на специфичне и верификоване документе, што значајно смањује ризик да вештачка интелигенција фалсификује информације (халуцинације).

8. ГПТ (генеративни унапред обучени трансформатор)

Они су породица језичких модела које је развио OpenAI, а који користе неуронске мреже за природно разумевање и генерисање текста. Ови GPT (генеративни претренирани трансформатор) модели користе архитектуру под називом Трансформер која им омогућава да анализирају упите и предвиде највероватнији одговор на основу обуке са огромним скуповима података. Због тога је GPT у стању да опонаша способности разумевања људског језика.

9. Генерисање природног језика (Генерација природног језика)

Генерисање природног језика је подобласт вештачке интелигенције која подразумева аутоматско генерисање разумљивих текстова или говора на људском језику. Омогућава машини да трансформише сирове податке у природне реченице или пасусе, као што су аутоматизовани резимеи или виртуелни асистенти.

10. Брзи инжењеринг

То је уметност развоја упутстава за захтеве како би се постигли значајни генеративни резултати – то јест, тачнији, продуктивнији и иновативнији резултати. Или, другим речима, то је наука о дизајнирању, оптимизацији и усавршавању инструкција које дајемо генеративној вештачкој интелигенцији. Њен циљ је да води вештачку интелигенцију како би добила тачне, релевантне и висококвалитетне одговоре, делујући као комуникациони мост како би се избегли генерички или погрешни резултати.

11. Модел

Модел је објекат који ће представљати излаз алгоритма учења. Стога је то оно што вештачка интелигенција користи за предвиђање излаза. На пример, основни модели су широка категорија модела вештачке интелигенције која укључује моделе великих језика и друге врсте модела као што су модели рачунарског вида и учења са појачањем. Називају се „основни модели“ јер служе као основа на којој се граде апликације, обрађујући широк спектар домена и случајева употребе.

12. Велики језички модели

Они су врста модела дубоког учења обученог на великом скупу података за обављање задатака разумевања и генерисања природног језика. Познати модели укључују BERT, PaLM, GPT-2, GPT-3, GPT-3.5 и иновативни GPT-4. Ови модели се разликују по величини (број параметара који се могу подесити), опсегу задатака које могу да обављају (кодирање, ћаскање, научни рад итд.) и бази знања на којој су обучени.

13. Модели малих језика

Они су џепне верзије великих језичких модела, или LLM-ова. Оба користе технике машинског учења које им помажу да препознају обрасце и односе како би могли да произведу реалистичне одговоре природног језика. Али док су LLM-ови огромни и захтевају много рачунарске снаге и меморије, мали језички модели попут Phi-3 се обучавају на мањим, боље курираним скуповима података и имају мање параметара, што их чини компактнијим, па чак и употребљивим ван мреже.

14. Пристрасност

То су претпоставке које модел вештачке интелигенције прави о подацима. „Компромис између пристрасности и варијансе“ је равнотежа која се мора постићи између претпоставки које модел прави о подацима и количине промене предвиђања модела, с обзиром на различите податке за обуку. Индуктивна пристрасност је скуп претпоставки које алгоритам машинског учења прави о основној дистрибуцији података.

15. Обрада природног језика

То је интердисциплинарна област чија је централна идеја да машинама пружи могућност читања и разумевања језика које људи говоре. Истраживање обраде природног језика има за циљ да одговори на питање како људи могу да разумеју значење изговорене или писане реченице и како разумеју шта се догодило, када и где се догодило; и разлике између претпоставке, веровања и чињенице. Сходно томе, подразумева програмирање рачунара за обраду огромних количина лингвистичких података и фокусира се на трансформацију текста слободног облика у стандардизовану структуру.

16. Промпт

Промпт је инструкција или скуп инструкција (уноса) датих рачунарском систему да генерише одговор. У контексту вештачке интелигенције, то је почетна инструкција, команда, питање, захтев или текстуална изјава дата моделу да би водила и усмеравала генерисање одређеног одговора или излаза. Промпт делује као стимулус или окидач за вештачку интелигенцију, указујући на тему, стил, смер или врсту очекиваног одговора. Начин на који је промпт формулисан (његово уоквиривање) директно одређује квалитет и релевантност добијених резултата.

17. Неуронска мрежа

Они су рачунарски модел заснован на великом скупу једноставних неуронских јединица (вештачких неурона), отприлике аналогних понашању које се примећује у аксонима неурона у биолошким мозговима. Они су основна радна јединица дубоког учења. Штавише, то је модел машинског учења који омогућава препознавање образаца и решавање проблема, заснован на машинском учењу или дубоком учењу, настојећи да моделира аналитичке механизме људског мозга.

18. Трансформатор

Трансформатори представљају врсту архитектуре неуронске мреже дизајниране за обраду секвенцијалних података, као што је текст. Трансформатори уче контекст и, последично, значење. Они бележе односе између различитих елемената секвенце (речи, реченица) паралелно, а не секвенцијално као традиционални модели. Трансформатори су основа успешних модела попут GPT и BERT и користе се за задатке обраде природног језика.

19. Токен

Токен у вештачкој интелигенцији је основна јединица података (речи, делови речи, знаци или симболи) коју модели учења језика (LLM) попут GPT или Gemini користе за обраду, разумевање и генерисање текста. То је „валута“ или суштински део информације који вештачка интелигенција чита и анализира, омогућавајући јој да разложи људски језик на управљиве (израчунате) делове. Сходно томе, модели вештачке интелигенције обрађују токене како би разумели односе између њих и откључали могућности као што су предвиђање, генерисање и расуђивање. Што се токени брже обрађују, модели брже могу да уче и реагују.

20. Унакрсна валидација

То је метода која се користи за процену резултата анализе и осигуравање тачности предвиђања модела машинског учења. Стога је то техника за процену модела машинског учења која се фокусира на поделу скупа података на неколико подскупова (или „набора“). Модел се затим тренира на неким подскуповима, а тестира на другима. Ово омогућава поузданију процену перформанси модела смањењем прекомерног учења.

Остале основе вештачке интелигенције које вреди истражити, разумети и савладати у овом трећем делу

Ово су само неки од многих концепата и појмова које заиста вреди знати, разумети и савладати. у овој модерној и иновативној области вештачке интелигенције. Стога, да бисмо проширили информације које се овде нуде и лако вас усмерили ка другима, нудимо вам ово Занимљива инфографика креирана помоћу вештачке интелигенције да вам дам малу представу о другима који су подједнако важни и неопходни:

Резиме

Укратко, надамо се да ће ово „Трећи део узбудљивог и изненађујућег поља вештачке интелигенције“ са нагласком на генеративну вештачку интелигенцију (ГАИ), можда је мало више допринело јачању и повећању вашег знања и вештина у овој модерној и иновативној области. Не заборавите да, Вештачка интелигенција и роботика мењају свет и начин на који живимо.И да би у годинама које долазе, када квантно рачунарство постане комерцијално доступно и квантна енергија (произведена Казимировим ефектом) буде широко доступна целом човечанству, могло бити потпуно другачије од онога како га данас доживљавамо. Дакле, боље је сада учити о вештачкој интелигенцији него одбити и сутра се кајати. И наравно, не заборавите да наставите да учествујете, доприносите и подржавате наш вољени и вредни Линукс универзум.

На крају, запамтите посетите нашу «хомепаге» на шпанскомИли, на било ком другом језику (једноставним додавањем 2 слова на крај наше тренутне УРЛ адресе, на пример: ar, de, en, fr, ja, pt и ru, између осталих) да бисте сазнали више актуелног садржаја.