Mga Pangunahing Kaalaman ng Artipisyal na Katalinuhan – Ikatlong Bahagi: Mga Konsepto
Oo Nagustuhan mo ba ang una naming dalawang post na may kaugnayan sa pag-aaral ng Artificial Intelligence (AI) para sa mga gumagamit ng Linux?Kaya ngayon, malamang na magugustuhan ninyo ang ikatlong bahaging ito, kung saan tatalakayin natin ang ilan sa mga pinakamahalagang konsepto at terminong nauugnay sa larangang teknolohikal na ito. At kung hindi mo pa nababasa ang nakaraang dalawang bahagi, nais naming linawin na Sa ikalawang bahagi ay tatalakayin natin ang punto tungkol sa pagkakaiba sa pagitan ng Simbolikong Artipisyal na Katalinuhan at Koneksyonistang Artipisyal na Katalinuhan at sa mga makasaysayang milestone ng larangang teknolohikal na ito sa nakalipas na 100 taon. Samantalang, sa Sa unang bahagi, tututukan natin en Ano ang AI at tungkol sa iba't ibang uri na nalikha na (Makitid o Mahina, Malikhain at Ahente) at ang inaasahang malilikha (Pangkalahatan o Malakas, at Artipisyal na Superintelligence).
At tulad ng mga nakaraang pagkakataon, tandaan na tulad noong kanilang panahon ay ang Elektrisidad, Radyo, Telebisyon, Mga Kompyuter, Telepono, Internet at mga Social Network; Ang Artipisyal na Katalinuhan ay isang teknolohiyang dumating upang maging lubos na naisama sa lahat ng bagayAt iyon, sa pamamagitan ng pagtitipid sa atin ng mahalagang oras at magastos na oras ng pagtatrabaho, at paggawa sa atin na mas produktibo, malikhain, at maraming nalalaman; tiyak na, Unti-unti, aalisin nito ang mga taong walang gaanong ideya sa pag-iral at pagpapatakbo nito.Samakatuwid, walang mas mainam pa kaysa sa pagsisimulang makakuha ng konteksto tungkol sa lahat ng bagay na may kaugnayan dito.
Mga Pangunahing Kaalaman ng Artipisyal na Katalinuhan – Unang Bahagi: Mga Pinagmulan II
Ngunit, bago natin ito talakayin nang malaliman "Ang ikatlong bahagi ng kapana-panabik at nakakagulat na larangan ng Artipisyal na Katalinuhan"At mas partikular tungkol sa ilan sa mga pinakamahalagang konsepto at terminong dapat isaalang-alang, unawain, at pag-aralan, inirerekomenda namin na tuklasin ang mga nauna at kamakailang kaugnay na publikasyon sa seryeng ito ng mga publikasyon, pagkatapos basahin ito:
Mga Pangunahing Kaalaman ng Artipisyal na Katalinuhan – Ikatlong Bahagi: Mga Kaugnay na Konsepto at Termino
20 mahahalagang konsepto at termino na palaging binabanggit sa larangan ng Artificial Intelligence
1. Halusinasyon
Ang halusinasyon ay tumutukoy sa isang sitwasyon kung saan ang isang AI system, lalo na ang isang humahawak sa natural language processing, ay nagsisimulang makabuo ng mga resulta na maaaring hindi nauugnay, walang saysay, o mali batay sa input na ibinigay. Madalas itong nangyayari kapag ang AI system ay hindi sigurado sa konteksto, masyadong umaasa sa data ng pagsasanay nito, o kulang sa wastong pag-unawa sa paksa.
2. Machine Learning
Isang subfield ng AI na sumasaklaw sa pagbuo ng mga algorithm at statistical model na nagbibigay-daan sa mga makina na mapabuti ang kanilang performance gamit ang karanasan. Ang isang halimbawa ay isang machine learning algorithm na maaaring mahulaan ang posibilidad ng customer churn batay sa nakaraang pag-uugali. Salamat sa isang machine learning program, natututo ang makina na lutasin ang mga problema mula sa mga halimbawa: kaya nitong ihambing at uriin ang data at makilala pa ang mga kumplikadong hugis.
3. Malalim na Pagkatuto
Isang subfield ng machine learning na gumagamit ng multi-layered neural networks upang matuto mula sa data, ibig sabihin ay gumagamit ito ng iba't ibang istruktura ng neural network upang matuto ng magkakasunod na layer ng lalong nagiging makabuluhang representasyon ng data. Sa kasalukuyan, ito ang pinakasikat na larangan sa loob ng AI. Lumitaw ito mula sa kombinasyon ng mga algorithm ng machine learning na may pormal na neural networks at ang paggamit ng big data.
4. Malaking Data
Ang Big Data ay ang sangay ng Teknolohiya ng Impormasyon na nag-aaral sa mga likas na kahirapan sa paghawak ng malalaking dataset. Tinatawag din itong Macrodata, tumutukoy ito sa malalaki at kumplikadong mga dataset na kadalasang napakalaki o iba-iba para maproseso gamit ang mga tradisyonal na pamamaraan. Bukod pa rito, nagmumula ang mga ito sa iba't ibang pinagmulan (mga social network, sensor, atbp.) at nangangailangan ng mga advanced na pamamaraan, tulad ng artificial intelligence at machine learning, upang masuri ang mga ito at makakuha ng kapaki-pakinabang na impormasyon.
5. Set ng datos
Ang isang dataset ay isang koleksyon ng datos, karaniwang nakabalangkas sa isang talahanayan. Ito ay isang organisadong koleksyon ng datos na ginagamit upang sanayin, subukan, o patunayan ang mga modelo ng artificial intelligence. Maaari itong maglaman ng teksto, mga imahe, mga video, o iba pang uri ng impormasyon, na karaniwang may label upang payagan ang mga algorithm ng machine learning na makilala ang mga pattern at makagawa ng mga hula.
6. Pagsasanay sa modelo
Ang pagsasanay sa modelo ay ang proseso ng paggamit ng isang dataset upang turuan ang isang artificial intelligence o machine learning model upang maisagawa ang isang partikular na gawain, tulad ng klasipikasyon o prediksyon. Inaayos ng modelo ang mga parameter nito batay sa mga ibinigay na halimbawa upang mapabuti ang katumpakan nito sa mga bagong datos.
7. Pinahusay na Henerasyon sa pamamagitan ng Pagbawi
Ang RAG (Retrieval-Augmented Generation) ay isang paraan na nagbibigay-daan sa isang AI na mag-query sa mga panlabas na database o maghanap sa internet ng bago at na-update na impormasyon bago makabuo ng tugon. Sa halip na sanayin muli ang buong modelo gamit ang mga bagong datos, ang RAG ay gumaganap bilang isang uri ng "real-time na edukasyon" para sa AI. Ito ay lubhang kapaki-pakinabang dahil pinipilit nito ang sistema na umasa sa mga tiyak at beripikadong dokumento, na lubos na nakakabawas sa panganib na ang AI ay mag-imbento ng impormasyon (mga halusinasyon).
8. GPT (Generative Pre-trained Transformer)
Ang mga ito ay isang pamilya ng mga modelo ng wika na binuo ng OpenAI na gumagamit ng mga neural network upang natural na maunawaan at makabuo ng teksto. Ang mga modelong GPT (Generative Pretrained Transformer) na ito ay gumagamit ng isang arkitektura na tinatawag na Transformer na nagbibigay-daan sa kanila na suriin ang mga prompt at hulaan ang pinakamalamang na tugon batay sa pagsasanay gamit ang napakalaking dataset. Dahil dito, nagagawang gayahin ng GPT ang mga kakayahan sa pag-unawa sa wika ng tao.
9. Paglikha ng Likas na Wika (Pagbuo ng Likas na Wika)
Ang pagbuo ng natural na wika ay isang subfield ng artificial intelligence na kinabibilangan ng awtomatikong paggawa ng mga naiintindihang teksto o pananalita sa wika ng tao. Pinapayagan nito ang isang makina na baguhin ang hilaw na datos sa mga natural na pangungusap o talata, tulad ng sa mga automated na buod o virtual assistant.
10. Mabilisang Inhinyeriya
Ito ay ang sining ng pagbuo ng mga prompt para sa mga kahilingan upang makamit ang makabuluhang mga generative output—ibig sabihin, mas tumpak, produktibo, at makabagong mga output. O, sa madaling salita, ito ay ang agham ng pagdidisenyo, pag-optimize, at pagpino ng mga tagubiling ibinibigay natin sa isang generative artificial intelligence. Ang layunin nito ay gabayan ang AI upang makakuha ng tumpak, may kaugnayan, at mataas na kalidad na mga sagot, na nagsisilbing tulay sa komunikasyon upang maiwasan ang mga generic o maling resulta.
11. Modelo
Ang modelo ay ang bagay na kumakatawan sa output ng learning algorithm. Samakatuwid, ito ang ginagamit ng AI upang gumawa ng mga hula sa output. Halimbawa, ang mga foundational model ay isang malawak na kategorya ng mga AI model na kinabibilangan ng malalaking language model at iba pang uri ng modelo tulad ng computer vision at reinforcement learning model. Tinatawag silang "foundational models" dahil nagsisilbing pundasyon ang mga ito kung saan bubuo ng mga aplikasyon, na tumutugon sa malawak na hanay ng mga domain at use case.
12. Malalaking Modelo ng Wika
Ang mga ito ay isang uri ng modelo ng deep learning na sinanay sa isang malaking dataset upang maisagawa ang mga gawain sa pag-unawa at pagbuo ng natural na wika. Kabilang sa mga kilalang modelo ang BERT, PaLM, GPT-2, GPT-3, GPT-3.5, at ang makabagong GPT-4. Ang mga modelong ito ay nag-iiba sa laki (bilang ng mga parameter na maaaring isaayos), ang hanay ng mga gawain na maaari nilang gawin (coding, chat, siyentipiko, atbp.), at ang knowledge base kung saan sila sinanay.
13. Maliliit na Modelo ng Wika
Ang mga ito ay mga maliit na bersyon ng malalaking modelo ng wika, o LLM. Parehong gumagamit ng mga pamamaraan ng machine learning upang matulungan silang makilala ang mga pattern at ugnayan upang makagawa sila ng mga makatotohanang tugon sa natural na wika. Ngunit habang ang mga LLM ay napakalaki at nangangailangan ng maraming computing power at memorya, ang maliliit na modelo ng wika tulad ng Phi-3 ay sinanay sa mas maliit, mas piniling mga dataset at may mas kaunting mga parameter, na ginagawa silang mas siksik at magagamit pa nga offline.
14. Pagkiling
Ito ang mga pagpapalagay na ginawa ng isang modelo ng AI tungkol sa datos. Ang "bias-variance trade-off" ay ang balanseng dapat makamit sa pagitan ng mga pagpapalagay na ginagawa ng isang modelo tungkol sa datos at ang dami ng pagbabago sa mga hula ng isang modelo, dahil sa iba't ibang datos ng pagsasanay. Ang inductive bias ay ang hanay ng mga pagpapalagay na ginagawa ng isang algorithm ng machine learning tungkol sa pinagbabatayan na distribusyon ng datos.
15. Pagproseso ng Likas na Wika
Ito ay isang interdisiplinaryong larangan na ang pangunahing ideya ay bigyan ang mga makina ng kakayahang basahin at unawain ang mga wikang sinasalita ng mga tao. Ang pananaliksik sa Natural Language Processing ay naglalayong sagutin ang tanong kung paano nauunawaan ng mga tao ang kahulugan ng isang pasalita o nakasulat na pangungusap at kung paano nila nauunawaan ang nangyari, kailan at saan ito nangyari; at ang mga pagkakaiba sa pagitan ng isang palagay, isang paniniwala, at isang katotohanan. Dahil dito, kinasasangkutan nito ang pagprograma ng mga computer upang iproseso ang napakalaking dami ng datos pangwika at nakatuon sa pagbabago ng malayang anyo ng teksto tungo sa isang pamantayang istruktura.
16. Maagap
Ang prompt ay isang instruksyon o hanay ng mga instruksyon (input) na ibinibigay sa isang computer system upang makabuo ng tugon. Sa konteksto ng Artificial Intelligence, ito ang paunang instruksyon, utos, tanong, kahilingan, o tekstong pahayag na ibinibigay sa modelo upang gabayan at idirekta ang pagbuo ng isang partikular na tugon o output. Ang prompt ay gumaganap bilang isang stimulus o trigger para sa AI, na nagpapahiwatig ng paksa, istilo, direksyon, o uri ng tugon na inaasahan. Ang paraan ng pagbuo ng prompt (ang pagkakabalangkas nito) ay direktang tumutukoy sa kalidad at kaugnayan ng mga resultang natanggap.
17. Neural Network
Ang mga ito ay isang modelo ng komputasyon batay sa isang malaking hanay ng mga simpleng yunit ng neural (artipisyal na mga neuron), na halos kahalintulad ng pag-uugali na naobserbahan sa mga axon ng mga neuron sa mga biyolohikal na utak. Ang mga ito ang pangunahing yunit ng pagtatrabaho ng Deep Learning. Bukod pa rito, ito ay isang modelo ng machine learning na nagbibigay-daan para sa pagkilala ng pattern at paglutas ng problema, batay sa machine learning o deep learning, na naglalayong imodelo ang mga mekanismo ng pagsusuri ng utak ng tao.
18. Transpormador
Ang mga transformer ay kumakatawan sa isang uri ng arkitektura ng neural network na idinisenyo upang iproseso ang magkakasunod na datos, tulad ng teksto. Natututo ang mga transformer ng konteksto at, dahil dito, kahulugan. Kinukuha nila ang mga ugnayan sa pagitan ng iba't ibang elemento ng isang pagkakasunod-sunod (mga salita, pangungusap) nang magkapareho, sa halip na magkakasunod tulad ng mga tradisyunal na modelo. Ang mga transformer ang pundasyon ng matagumpay na mga modelo tulad ng GPT at BERT at ginagamit para sa mga gawain sa pagproseso ng natural na wika.
19. Token
Ang token sa Artificial Intelligence ay ang pangunahing yunit ng datos (mga salita, bahagi ng mga salita, karakter, o simbolo) na ginagamit ng mga Language Learning Model (LLM) tulad ng GPT o Gemini upang iproseso, unawain, at bumuo ng teksto. Ito ang "pera" o mahalagang piraso ng impormasyon na binabasa at sinusuri ng AI, na nagbibigay-daan dito upang hatiin ang wika ng tao sa mga mapapamahalaan (makukuwenta) na bahagi. Dahil dito, pinoproseso ng mga modelo ng AI ang mga token upang maunawaan ang mga ugnayan sa pagitan ng mga ito at binubuksan ang mga kakayahan tulad ng prediksyon, pagbuo, at pangangatwiran. Kung mas mabilis na napoproseso ang mga token, mas mabilis na matututo at makakatugon ang mga modelo.
20. Pag-cross-validate
Ito ay isang pamamaraan na ginagamit upang suriin ang mga resulta ng isang pagsusuri at tiyakin ang katumpakan ng mga hula ng modelo ng machine learning. Samakatuwid, ito ay isang pamamaraan para sa pagsusuri ng mga modelo ng machine learning na nakatuon sa paghahati ng isang dataset sa ilang mga subset (o "mga fold"). Ang modelo ay sinasanay sa ilang mga subset at sinusubukan sa iba. Nagbibigay-daan ito para sa mas maaasahang pagtatantya ng pagganap ng modelo sa pamamagitan ng pagbabawas ng overlearning.
Iba pang mga pangunahing kaalaman sa Artipisyal na Katalinuhan na sulit na siyasatin, unawain, at pag-aralan sa ikatlong bahaging ito
Ilan lamang ito sa mga konsepto at termino mula sa marami na tunay na sulit malaman, unawain, at pag-aralan. sa moderno at makabagong larangan ng Artificial Intelligence. Samakatuwid, upang mapalawak ang impormasyong iniaalok dito at madaling gabayan ka sa iba, iniaalok namin sa iyo ito Kawili-wiling infographic na ginawa gamit ang AI upang bigyan ka ng isang maliit na ideya ng iba pa na pantay na mahalaga at mahalaga:
Buod
Sa madaling salita, umaasa kami na ito "Ang ikatlong bahagi ng kapana-panabik at nakakagulat na larangan ng Artipisyal na Katalinuhan" na may diin sa Generative Artificial Intelligence (GAI), ay maaaring nakapag-ambag nang kaunti pa sa pagpapalakas at pagpapalawak ng iyong kaalaman at kasanayan sa moderno at makabagong larangang ito. Huwag kalimutan na, Binabago ng artificial intelligence at robotics ang mundo at ang paraan ng ating pamumuhay.At sa mga darating na taon, kapag ang quantum computing ay naging komersyal na magagamit at ang quantum energy (na ginawa sa pamamagitan ng Casimir effect) ay malawak nang naa-access ng lahat ng sangkatauhan, maaaring ito ay ganap na naiiba sa kung paano natin ito nararanasan ngayon. Kaya, mas mainam na matuto tungkol sa Artificial Intelligence ngayon kaysa tumanggi at magsisi bukas. At siyempre, huwag kalimutang patuloy na makilahok, mag-ambag, at sumuporta sa ating minamahal at mahalagang Linuxverse.
Panghuli, tandaan bisitahin ang aming «homepage» en españolO, sa anumang ibang wika (sa pamamagitan lamang ng pagdaragdag ng 2 letra sa dulo ng ating kasalukuyang URL, halimbawa: ar, de, en, fr, ja, pt at ru, bukod sa marami pang iba) para malaman ang higit pang mga napapanahong nilalaman.