Grunderna i artificiell intelligens (AI) för Linux-användare – Del tre

Ja, Gillade du våra två första inlägg relaterade till lärande inom artificiell intelligens (AI) för Linux-användare?Så idag kommer du troligtvis att uppskatta den här tredje delen, där vi kommer att ta upp flera av de viktigaste koncepten och termerna som är förknippade med detta teknologiska område. Och om du inte har läst de två föregående delarna vill vi förtydliga det. I den andra delen kommer vi att ta upp poängen om skillnaden mellan Symbolisk artificiell intelligens och konnektionistisk artificiell intelligens och om de historiska milstolparna inom detta teknologiska område under de senaste 100 åren. Medan, i I den första delen fokuserar vi en Vad är AI och vilka olika typer som redan har skapats? (Smal eller Svag, Generativ och Agent) och som förväntas skapas (Generell eller Stark, och Artificiell Superintelligens).

Och liksom vid tidigare tillfällen, kom ihåg att precis som på sin tid elektricitet, radio, tv, datorer, telefoner, internet och sociala nätverk; Artificiell intelligens är en teknologi som har kommit för att bli djupt integrerad i alltOch det, genom att spara oss värdefull tid och dyra arbetstimmar, och göra oss mer produktiva, kreativa och mångsidiga; helt säkert, Lite i taget kommer det att förtränga dem som har minsta aning om dess existens och funktion.Därför finns det inget bättre än att börja få lite sammanhang kring allt som har med det att göra.

Men innan vi går in på detta "Den tredje delen av det spännande och överraskande området artificiell intelligens"Och mer specifikt, när det gäller några av de viktigaste koncepten och termerna att beakta, förstå och behärska, rekommenderar vi att du utforskar tidigare och nyligen relaterade publikationer i denna publikationsserie, efter att ha läst den färdigt:

Grunderna i artificiell intelligens – del tre: Relaterade begrepp och termer

20 viktiga begrepp och termer som alltid nämns inom området artificiell intelligens

1. Hallucinationer

Hallucination hänvisar till en situation där ett AI-system, särskilt ett som hanterar naturlig språkbehandling, börjar generera resultat som kan vara irrelevanta, meningslösa eller felaktiga baserat på den inmatning som ges. Detta inträffar ofta när AI-systemet är osäkert på sammanhanget, förlitar sig för mycket på sina träningsdata eller saknar en korrekt förståelse av ämnet.

2. Maskininlärning

Ett delområde inom AI som omfattar utvecklingen av algoritmer och statistiska modeller som gör det möjligt för maskiner att förbättra sina prestanda med erfarenhet. Ett exempel skulle vara en maskininlärningsalgoritm som kan förutsäga sannolikheten för kundbortfall baserat på tidigare beteende. Tack vare ett maskininlärningsprogram lär sig maskinen att lösa problem från exempel: den kan därmed jämföra och klassificera data och till och med känna igen komplexa former.

3. Djupinlärning

Ett delområde inom maskininlärning som använder flerskiktade neurala nätverk för att lära sig av data, vilket innebär att det använder olika neurala nätverksstrukturer för att lära sig successiva lager av alltmer meningsfulla datarepresentationer. För närvarande är det det mest populära området inom AI. Det uppstod ur kombinationen av maskininlärningsalgoritmer med formella neurala nätverk och användningen av stordata.

4. Big Data

Big Data är den gren inom informationsteknologi som studerar de inneboende svårigheterna med att hantera stora datamängder. Även kallade makrodata, hänvisar dessa till stora och komplexa datamängder som ofta är för stora eller varierade för att bearbetas med traditionella metoder. Dessutom kommer de från en mängd olika källor (sociala nätverk, sensorer etc.) och kräver avancerade tekniker, såsom artificiell intelligens och maskininlärning, för att analysera dem och extrahera användbar information.

5. Dataset

En datamängd är en samling data, vanligtvis strukturerad i en tabell. Det är en organiserad samling data som används för att träna, testa eller validera modeller av artificiell intelligens. Den kan innehålla text, bilder, videor eller andra typer av information, vanligtvis märkt för att låta maskininlärningsalgoritmer känna igen mönster och göra förutsägelser.

6. Modellträning

Modellträning är processen att använda en datamängd för att lära en modell för artificiell intelligens eller maskininlärning att utföra en specifik uppgift, såsom klassificering eller förutsägelse. Modellen justerar sina parametrar baserat på de givna exemplen för att förbättra dess noggrannhet med nya data.

7. Förbättrad generering genom återhämtning

RAG (Retrieval-Augmented Generation) är en metod som gör det möjligt för en AI att fråga externa databaser eller söka på internet efter ny och uppdaterad information innan ett svar genereras. Istället för att behöva omskola hela modellen med ny data fungerar RAG som ett slags "realtidsutbildning" för AI:n. Detta är mycket användbart eftersom det tvingar systemet att förlita sig på specifika och verifierade dokument, vilket kraftigt minskar risken för att AI:n fabricerar information (hallucinationer).

8. GPT (Generative Pre-trained Transformer)

De är en familj av språkmodeller utvecklade av OpenAI som använder neurala nätverk för att förstå och generera text naturligt. Dessa GPT-modeller (Generative Pretrained Transformer) använder en arkitektur som kallas Transformer som gör det möjligt för dem att analysera uppmaningar och förutsäga det mest sannolika svaret baserat på träning med massiva datamängder. På grund av detta kan GPT imitera mänskliga språkförståelseförmågor.

9. Generering av naturligt språk (Naturligt språkgenerering)

Generering av naturligt språk är ett delområde inom artificiell intelligens som innebär att automatiskt producera förståeliga texter eller tal på mänskligt språk. Det gör det möjligt för en maskin att omvandla rådata till naturliga meningar eller stycken, till exempel i automatiserade sammanfattningar eller virtuella assistenter.

10. Snabb ingenjörskonst

Det är konsten att utveckla uppmaningar för förfrågningar för att uppnå meningsfulla generativa resultat – det vill säga mer exakta, produktiva och innovativa resultat. Eller, med andra ord, det är vetenskapen om att designa, optimera och förfina de instruktioner vi ger till en generativ artificiell intelligens. Dess mål är att vägleda AI:n för att få exakta, relevanta och högkvalitativa svar, och fungera som en kommunikationsbrygga för att undvika generiska eller felaktiga resultat.

11. Modell

En modell är det objekt som representerar utdata från inlärningsalgoritmen. Därför är det vad AI använder för att göra utdataförutsägelser. Till exempel är grundmodeller en bred kategori av AI-modeller som inkluderar stora språkmodeller och andra typer av modeller som datorseende och förstärkningsinlärningsmodeller. De kallas "grundmodeller" eftersom de fungerar som grunden för att bygga applikationer och adresserar ett brett spektrum av domäner och användningsfall.

12. Stora språkmodeller

De är en typ av djupinlärningsmodell som tränas på en stor datamängd för att utföra uppgifter inom förståelse och generering av naturligt språk. Välkända modeller inkluderar BERT, PaLM, GPT-2, GPT-3, GPT-3.5 och den innovativa GPT-4. Dessa modeller varierar i storlek (antal parametrar som kan justeras), omfattningen av uppgifter de kan utföra (kodning, chatt, vetenskapliga uppgifter etc.) och den kunskapsbas som de tränades på.

13. Små språkmodeller

De är fickformatversioner av stora språkmodeller, eller LLM. Båda använder maskininlärningstekniker för att hjälpa dem att känna igen mönster och relationer så att de kan producera realistiska naturliga språksvar. Men medan LLM är enorma och kräver mycket datorkraft och minne, tränas små språkmodeller som Phi-3 på mindre, mer kurerade datamängder och har färre parametrar, vilket gör dem mer kompakta och till och med användbara offline.

14. Partiskhet

Detta är de antaganden som en AI-modell gör om data. En "bias-variance-avvägning" är den balans som måste göras mellan de antaganden en modell gör om data och hur mycket en modells förutsägelser förändras, givet olika träningsdata. Induktiv bias är den uppsättning antaganden som en maskininlärningsalgoritm gör om den underliggande distributionen av data.

15. Naturlig språkbehandling

Det är ett tvärvetenskapligt område vars centrala idé är att ge maskiner möjligheten att läsa och förstå de språk som människor talar. Forskning om naturlig språkbehandling syftar till att besvara frågan om hur människor kan förstå innebörden av en talad eller skriven mening och hur de förstår vad som hände, när och var det hände; och skillnaderna mellan ett antagande, en övertygelse och ett faktum. Följaktligen innebär det att programmera datorer för att bearbeta enorma mängder språklig data och fokuserar på att omvandla fritext till en standardiserad struktur.

16. Fråga

En prompt är en instruktion eller uppsättning instruktioner (input) som ges till ett datorsystem för att generera ett svar. I samband med artificiell intelligens är det den initiala instruktionen, kommandot, frågan, begäran eller textuttrycket som ges till modellen för att vägleda och styra genereringen av ett specifikt svar eller utdata. Prompten fungerar som en stimulans eller utlösare för AI:n och indikerar ämnet, stilen, riktningen eller typen av förväntat svar. Hur prompten är formulerad (dess inramning) avgör direkt kvaliteten och relevansen av de mottagna resultaten.

17. Neuralt nätverk

De är en beräkningsmodell baserad på en stor uppsättning enkla neurala enheter (artificiella neuroner), ungefär analoga med det beteende som observeras i axonerna hos neuroner i biologiska hjärnor. De är den grundläggande arbetsenheten för djupinlärning. Dessutom är det en maskininlärningsmodell som möjliggör mönsterigenkänning och problemlösning, baserad på maskininlärning eller djupinlärning, som syftar till att modellera de analytiska mekanismerna i den mänskliga hjärnan.

18. Transformator

Transformatorer representerar en typ av neuralt nätverksarkitektur utformad för att bearbeta sekventiell data, såsom text. Transformatorer lär sig kontext och därmed betydelse. De fångar relationerna mellan olika element i en sekvens (ord, meningar) parallellt, snarare än sekventiellt som traditionella modeller. Transformatorer är grunden för framgångsrika modeller som GPT och BERT och används för naturlig språkbehandling.

19. Tecken

En token inom artificiell intelligens är den grundläggande dataenhet (ord, orddelar, tecken eller symboler) som språkinlärningsmodeller (LLM) som GPT eller Gemini använder för att bearbeta, förstå och generera text. Det är den "valuta" eller viktiga informationsbit som AI läser och analyserar, vilket gör att den kan bryta ner mänskligt språk i hanterbara (beräkningsbara) bitar. Följaktligen bearbetar AI-modeller tokens för att förstå relationerna mellan dem och låsa upp funktioner som förutsägelse, generering och resonemang. Ju snabbare tokens bearbetas, desto snabbare kan modellerna lära sig och reagera.

20. Korsvalidering

Det är en metod som används för att utvärdera resultaten av en analys och säkerställa noggrannheten i förutsägelser för maskininlärningsmodeller. Därför är det en teknik för att utvärdera maskininlärningsmodeller som fokuserar på att dela upp en datamängd i flera delmängder (eller "veck"). Modellen tränas sedan på vissa delmängder och testas på andra. Detta möjliggör en mer tillförlitlig uppskattning av modellens prestanda genom att minska överinlärning.

Andra grunder inom artificiell intelligens som är värda att undersöka, förstå och bemästra i denna tredje del

Det här är bara några få begrepp och termer av de många som verkligen är värda att känna till, förstå och behärska. inom detta moderna och innovativa område av artificiell intelligens. För att utöka informationen som erbjuds här och enkelt vägleda dig till mer, erbjuder vi dig därför detta Intressant infografik skapad med AI för att ge dig en liten uppfattning om andra som är lika viktiga och väsentliga:

Sammanfattning

Kort sagt, vi hoppas att detta "Den tredje delen av det spännande och överraskande området artificiell intelligens" med fokus på generativ artificiell intelligens (GAI), kan ha bidragit lite mer till att stärka och öka dina kunskaper och färdigheter inom detta moderna och innovativa område. Glöm inte att, Artificiell intelligens och robotik förändrar världen och hur vi lever våra liv.Och att det om några år framöver, när kvantberäkningar blir kommersiellt tillgängliga och kvantenergi (producerad genom Casimireffekten) är allmänt tillgänglig för hela mänskligheten, kan vara helt annorlunda än hur vi upplever det idag. Så det är bättre att lära sig om artificiell intelligens nu än att vägra och ångra sig imorgon. Och glöm naturligtvis inte att fortsätta delta, bidra och stödja vår älskade och värdefulla Linuxvers.

Slutligen, kom ihåg besök vår «hemsida» på spanskaEller, på vilket annat språk som helst (genom att helt enkelt lägga till två bokstäver i slutet av vår nuvarande URL, till exempel: ar, de, en, fr, ja, pt och ru, bland många andra) för att hitta mer aktuellt innehåll.