Основи штучного інтелекту – частина третя: концепції
Так Вам сподобалися наші перші дві публікації, пов'язані з навчанням штучного інтелекту (ШІ) для користувачів Linux?Тож сьогодні ви, найімовірніше, оціните цю третю частину, де ми розглянемо кілька найважливіших концепцій та термінів, пов’язаних із цією технологічною галуззю. А якщо ви не читали попередні дві частини, ми хотіли б уточнити, що У другій частині ми розглянемо суть різниці між Символічний штучний інтелект та конекціоністський штучний інтелект та на історичних віхах цієї технологічної галузі за останні 100 років. Тоді як у У першій частині ми зосереджуємося en Що таке ШІ та про різні типи, які вже створені (Вузькі або Слабкі, Генеративні та Агентні) та ті, що очікується до створення (Загальні або Сильні та Штучний Суперінтелект).
І як і в попередніх випадках, пам’ятайте, що так само, як і за їхніх часів, електрика, радіо, телебачення, комп’ютери, телефони, інтернет та соціальні мережі; Штучний інтелект – це технологія, яка глибоко інтегрувалася в усе.І це, заощаджуючи нам дорогоцінний час і дорогі робочі години, а також роблячи нас більш продуктивними, креативними та універсальними; безумовно, Поступово він витіснить тих, хто має найменше уявлення про його існування та дію.Тому немає нічого кращого, ніж почати з'ясовувати контекст усього, що з цим пов'язано.
Основи штучного інтелекту – Частина перша: Походження II
Але, перш ніж ми заглибимося в це «Третя частина захопливої та дивовижної галузі штучного інтелекту»А якщо говорити точніше про деякі найважливіші концепції та терміни, які слід врахувати, зрозуміти та опанувати, ми рекомендуємо ознайомитися з попередні та нещодавні пов'язані публікації в цій серії публікацій, після завершення читання:
Основи штучного інтелекту – частина третя: пов’язані поняття та терміни
20 важливих концепцій та термінів, які завжди згадуються в галузі штучного інтелекту
1. Алюцинація
Галюцинація — це ситуація, коли система штучного інтелекту, особливо та, що обробляє природну мову, починає генерувати результати, які можуть бути недоречними, безглуздими або неправильними на основі наданих вхідних даних. Це часто трапляється, коли система штучного інтелекту не впевнена в контексті, занадто сильно покладається на свої навчальні дані або не має належного розуміння предмета.
2. Машинне навчання
Підгалузь штучного інтелекту, що охоплює розробку алгоритмів та статистичних моделей, що дозволяють машинам покращувати свою продуктивність з досвідом. Прикладом може бути алгоритм машинного навчання, який може передбачати ймовірність відтоку клієнтів на основі минулої поведінки. Завдяки програмі машинного навчання машина вчиться вирішувати проблеми на прикладах: таким чином вона може порівнювати та класифікувати дані і навіть розпізнавати складні форми.
3. Глибоке навчання
Підгалузь машинного навчання, яка використовує багатошарові нейронні мережі для навчання на основі даних, тобто застосовує різні структури нейронних мереж для вивчення послідовних шарів дедалі більш значущих представлень даних. Наразі це найпопулярніша галузь у сфері штучного інтелекту. Вона виникла в результаті поєднання алгоритмів машинного навчання з формальними нейронними мережами та використання великих даних.
4. Великі дані
Великі дані (Big Data) – це галузь інформаційних технологій, яка вивчає труднощі, пов'язані з обробкою великих наборів даних. Також відомі як макродані, вони стосуються великих і складних наборів даних, які часто є занадто великими або різноманітними для обробки традиційними методами. Крім того, вони надходять з різних джерел (соціальні мережі, датчики тощо) і вимагають передових методів, таких як штучний інтелект і машинне навчання, для їх аналізу та вилучення корисної інформації.
5. Набір даних
Набір даних — це сукупність даних, зазвичай структурована в таблицю. Це організована колекція даних, що використовується для навчання, тестування або перевірки моделей штучного інтелекту. Вона може містити текст, зображення, відео або інші типи інформації, зазвичай позначеної, щоб алгоритми машинного навчання могли розпізнавати закономірності та робити прогнози.
6. Модельне навчання
Навчання моделі – це процес використання набору даних для навчання моделі штучного інтелекту або машинного навчання виконувати певне завдання, таке як класифікація або прогнозування. Модель коригує свої параметри на основі наданих прикладів, щоб підвищити свою точність з новими даними.
7. Покращена генерація шляхом відновлення
RAG (Retrieval-Augmented Generation – генерація з доповненим пошуком) – це метод, який дозволяє штучному інтелекту (ШІ) запитувати зовнішні бази даних або шукати в Інтернеті нову та оновлену інформацію перед генерацією відповіді. Замість того, щоб перенавчати всю модель з новими даними, RAG функціонує як своєрідне «навчання в режимі реального часу» для ШІ. Це дуже корисно, оскільки змушує систему покладатися на конкретні та перевірені документи, що значно знижує ризик фальсифікації інформації (галюцинацій) ШІ.
8. GPT (генеративний попередньо навчений трансформатор)
Це сімейство мовних моделей, розроблених OpenAI, які використовують нейронні мережі для природного розуміння та генерації тексту. Ці моделі GPT (генеративний попередньо навчений трансформатор) використовують архітектуру під назвою Transformer, яка дозволяє їм аналізувати підказки та передбачати найімовірнішу відповідь на основі навчання з величезними наборами даних. Завдяки цьому GPT здатний імітувати можливості розуміння людської мови.
9. Генерація природної мови (Природне покоління мови)
Генерація природної мови — це підгалузь штучного інтелекту, яка передбачає автоматичне створення зрозумілих текстів або мовлення людською мовою. Вона дозволяє машині перетворювати необроблені дані на природні речення або абзаци, наприклад, в автоматичних резюме або віртуальних помічниках.
10. Швидке проектування
Це мистецтво розробки підказок до запитів для досягнення значущих генеративних результатів, тобто більш точних, продуктивних та інноваційних. Або, іншими словами, це наука про проектування, оптимізацію та вдосконалення інструкцій, які ми даємо генеративному штучному інтелекту. Його мета — направляти ШІ для отримання точних, релевантних та високоякісних відповідей, діючи як комунікаційний міст, щоб уникнути шаблонних або помилкових результатів.
11. Модель
Модель – це об'єкт, який представлятиме результат роботи алгоритму навчання. Таким чином, саме її використовує штучний інтелект для прогнозування результатів. Наприклад, фундаментальні моделі – це широка категорія моделей штучного інтелекту, яка включає моделі великих мов та інші типи моделей, такі як моделі комп'ютерного зору та навчання з підкріпленням. Їх називають «фундаментальними моделями», оскільки вони служать основою для створення застосунків, що охоплюють широкий спектр областей та варіантів використання.
12. Моделі великих мов
Вони є типом моделі глибокого навчання, навченої на великому наборі даних для виконання завдань розуміння та генерації природної мови. До відомих моделей належать BERT, PaLM, GPT-2, GPT-3, GPT-3.5 та інноваційна GPT-4. Ці моделі відрізняються розміром (кількістю параметрів, які можна налаштувати), діапазоном завдань, які вони можуть виконувати (кодування, чат, наукові дослідження тощо), та базою знань, на якій вони були навчені.
13. Моделі малих мов
Вони є кишеньковими версіями моделей великих мов, або LLM. Обидві використовують методи машинного навчання, які допомагають їм розпізнавати закономірності та зв'язки, щоб вони могли створювати реалістичні відповіді природною мовою. Але хоча LLM величезні та потребують багато обчислювальної потужності та пам'яті, моделі малих мов, такі як Phi-3, навчаються на менших, більш курованих наборах даних та мають менше параметрів, що робить їх компактнішими та навіть придатними для використання офлайн.
14. Упередженість
Це припущення, зроблені моделлю штучного інтелекту щодо даних. «Компроміс між упередженням та дисперсією» – це баланс, якого необхідно досягти між припущеннями, які модель робить щодо даних, та ступенем зміни прогнозів моделі залежно від різних навчальних даних. Індуктивне упередження – це набір припущень, які алгоритм машинного навчання робить щодо базового розподілу даних.
15. Обробка природної мови
Це міждисциплінарна галузь, центральною ідеєю якої є надання машинам можливості читати та розуміти мови, якими розмовляють люди. Дослідження обробки природної мови має на меті відповісти на питання, як люди здатні розуміти значення усного чи письмового речення та як вони розуміють, що сталося, коли і де це сталося; а також відмінності між припущенням, переконанням та фактом. Отже, воно включає програмування комп'ютерів для обробки величезних обсягів лінгвістичних даних та зосереджується на перетворенні тексту вільної форми на стандартизовану структуру.
16. Підказка
Підказка — це інструкція або набір інструкцій (вхідних даних), що надаються комп'ютерній системі для генерації відповіді. У контексті штучного інтелекту це початкова інструкція, команда, запитання, запит або текстове твердження, що надаються моделі для керівництва та спрямовування генерації певної відповіді або результату. Підказка діє як стимул або тригер для ШІ, вказуючи тему, стиль, напрямок або тип очікуваної відповіді. Спосіб формулювання підказки (її обрамлення) безпосередньо визначає якість та релевантність отриманих результатів.
17. Нейронна мережа
Вони являють собою обчислювальну модель, засновану на великому наборі простих нейронних одиниць (штучних нейронів), приблизно аналогічну поведінці, що спостерігається в аксонах нейронів у біологічному мозку. Вони є фундаментальною робочою одиницею глибокого навчання. Крім того, це модель машинного навчання, яка дозволяє розпізнавати образи та вирішувати проблеми, заснована на машинному навчанні або глибокому навчанні, прагнучи моделювати аналітичні механізми людського мозку.
18. Трансформатор
Трансформатори являють собою тип архітектури нейронної мережі, призначеної для обробки послідовних даних, таких як текст. Трансформатори вивчають контекст і, як наслідок, значення. Вони фіксують зв'язки між різними елементами послідовності (словами, реченнями) паралельно, а не послідовно, як традиційні моделі. Трансформатори є основою успішних моделей, таких як GPT та BERT, і використовуються для завдань обробки природної мови.
19. Жетон
Токен у штучному інтелекті — це базова одиниця даних (слова, частини слів, символи або символи), яку моделі навчання мови (LLM), такі як GPT або Gemini, використовують для обробки, розуміння та генерації тексту. Це «валюта» або важливий фрагмент інформації, який зчитує та аналізує ШІ, що дозволяє йому розбивати людську мову на керовані (обчислювані) фрагменти. Отже, моделі ШІ обробляють токени, щоб зрозуміти зв'язки між ними та розблокувати такі можливості, як прогнозування, генерація та міркування. Чим швидше обробляються токени, тим швидше моделі можуть навчатися та реагувати.
20. Перехресна перевірка
Це метод, який використовується для оцінки результатів аналізу та забезпечення точності прогнозів моделі машинного навчання. Таким чином, це техніка оцінки моделей машинного навчання, яка зосереджена на поділі набору даних на кілька підмножин (або "складок"). Потім модель навчається на одних підмножинах та тестується на інших. Це дозволяє надійніше оцінити продуктивність моделі, зменшуючи надмірне навчання.
Інші основи штучного інтелекту, які варто дослідити, зрозуміти та опанувати в цій третій частині
Це лише кілька концепцій та термінів з багатьох, які справді варто знати, розуміти та опанувати. у цій сучасній та інноваційній галузі штучного інтелекту. Тому, щоб розширити запропоновану тут інформацію та легко допомогти вам знайти більше, ми пропонуємо вам цю Цікава інфографіка, створена за допомогою штучного інтелекту щоб дати вам невелике уявлення про інші, які є не менш важливими та необхідними:
Резюме
Словом, сподіваємося, що це «Третя частина захопливої та дивовижної галузі штучного інтелекту» з акцентом на генеративному штучному інтелекті (GAI), можливо, трохи більше посприяло зміцненню та розширенню ваших знань і навичок у цій сучасній та інноваційній галузі. Не забувайте, що, Штучний інтелект та робототехніка змінюють світ і те, як ми живемо.І що в найближчі роки, коли квантові обчислення стануть комерційно доступними, а квантова енергія (вироблена за допомогою ефекту Казимира) буде широко доступною для всього людства, все може бути зовсім інакше, ніж ми сприймаємо це сьогодні. Тож краще дізнатися про штучний інтелект зараз, ніж відмовитися та шкодувати завтра. І, звичайно, не забувайте продовжувати брати участь, робити свій внесок та підтримувати наш улюблений і цінний Linux-всесвіт.
Нарешті, пам’ятайте відвідайте наш «домашня сторінка» іспанською мовоюАбо будь-якою іншою мовою (просто додавши 2 літери до кінця нашої поточної URL-адреси, наприклад: ar, de, en, fr, ja, pt та ru, серед багатьох інших), щоб дізнатися більше про актуальний контент.