Sügav arutluskäik tehisintellektis: täielik juhend

Informatec Digital » Ressursid » Sügavmõtlemine tehisintellektis: täielik juhend

Tehisintellekt teeb hiiglasliku hüppe edasi tänu uue põlvkonna mudelitele, mis on võimelised palju struktureeritumaks mõtlemiseks. Need ei genereeri ainult teksti või pilte: nad suudavad probleeme osadeks jagada, võimalusi hinnata ja oma vastuseid samm-sammult põhjendada. Tehnikamaailmas nimetatakse seda sügavaks arutlemiseks.

Tehisintellekti suundumuse mõistmiseks on oluline täpselt mõista, mis on sügav mõtlemine tehisintellektis, kuidas see erineb klassikalisest süvaõppest ja kuidas seda kasutatakse reaalsetes tööriistades nagu Copilot Studio või sellistes valdkondades nagu meditsiin või klienditeenindus. Me selgitame seda kõike rahulikult, kuid kasutades võimalikult selget ja arusaadavat keelt.

Mis on sügav arutluskäik tehisintellektis?

Sügavast arutlusest rääkides peame silmas väga arenenud ja laiaulatuslikke keelemudeleid, mis on spetsiaalselt loodud keerukate ülesannete lahendamiseks, mis nõuavad mitut mõtlemisetappi. Otsese ja pealiskaudse vastuse pakkumise asemel võtavad nad aega "sisemiseks mõtlemiseks", genereerides enne tulemuse kasutajale esitamist sisemise mõtteahela.

Need mudelid on võimelised loogiliseks arutlemiseks, detailseks analüüsiks ja probleemide lahendamiseks, jagades ülesande väiksemateks alamprobleemideks. Kuigi seda sisemist mõtteprotsessi ei õpetata alati lõppkasutajale, on see olemas ja see võimaldab neil pakkuda palju keerukamaid vastuseid kui traditsioonilised keelemudelid.

Põhiidee on see, et süvaarstlusmudel ei piirdu järgmise sõna ennustamisega ainult statistika põhjal; see püüab järgida sisemiste järelduste jada, sarnaselt sellele, kuidas inimene lahendaks matemaatikaülesannet, analüüsiks finantsandmeid või töötaks välja strateegia.

Praktikas avab see tehisintellekti agendile ukse pikkade ja mitme muutujaga ülesannete lahendamiseks , mis varem olid peaaegu eranditult inimestest spetsialistide pärusmaa: turusuundumuste analüüsimisest kuni keeruka meditsiinilise aruande kommenteerimiseni.

Sügav arutluskäik Copilot Studios: kuidas see töötab ja kuidas seda kasutada

Agendi disainimisel määratleb looja juhised ja ülesanded, mida see peab täitma . Need ülesanded võivad ulatuda väga lihtsatest interaktsioonidest (korduma kippuvatele küsimustele vastamine) kuni väga keerukate voogudeni, mis vajavad põhjalikku analüüsi. Põhjalikumat analüüsi nõudvates etappides saab mudelile anda juhiseid keerukama arutluskäigu kasutamiseks.

Nende võimaluste aktiveerimiseks Copilot Studios lisage agendi juhiste vastavatele sammudele konkreetne märksõna („põhjus“) . Näiteks: „Kasutage põhjust järgmise numbri määramiseks seerias 2, 5, 10, 17…“. Sel hetkel, täitmise ajal, kutsub Copilot selle konkreetse osa töötlemiseks esile süvaarusaamise mudeli (praegu Azure OpenAI o3 mudel).

See samm-sammult lähenemine võimaldab arendajal kontrollida, millal agent teostab keerukat arutluskäiku ja millal piisab kiirest ja lihtsamast vastusest. See optimeerib tasakaalu vastuse kvaliteedi, arvutuskulude ja kiiruse vahel.

Lühidalt öeldes kasutab Copilot Studio sügavat arutluskäiku agendi otsustusvõime sihipärase tugevdamisena , mitte millegi pidevalt ja kõige jaoks lubatud olemisena. See muudab selle elujõuliseks reaalsetes ärisituatsioonides.

Sügava mõtlemise kavandatud kasutusalad: rahandusest edasijõudnute matemaatikani

Süvaarusaamise mudelid on suurepärased keerukate, paljude sammude ja sõltuvustega ülesannete puhul . Mõned selged näited nende kasutamisest, mis on juba rakendatud platvormidel nagu Copilot Studio, on järgmised:

Turustrendide analüüs ja investeerimissoovitused : mudel suudab jagada finantsandmed hallatavateks osadeks, uurida aegridasid, võrrelda ajaloolist teavet, praeguseid turutingimusi ja prognoose ning sealt edasi soovitada kõige lootustandvamaid investeerimisvõimalusi.

Varude haldamine ja nõudluse prognoosimine : Varasemate müükide, hooajalisuse, tarneahela voogude ja klientide käitumise muutuste teabe põhjal saab mudel pakkuda välja varude haldamise strateegiaid , mõelda ümber ohutustasemed ja teha kohandusi, et minimeerida laoseisu või üleliigset kaupa.

Diferentsiaalvõrrandite ja keeruliste matemaatiliste probleemide lahendamine : need mudelid aitavad lahendada keerukamaid ülesandeid, jagades probleemi omavahel seotud loogilisteks sammudeks ja selgitades, mida igas etapis tehakse, mis on eriti kasulik haridus- või teaduskontekstides.

Sisuliselt, kui on vaja järgida mittetriviaalset samm-sammult arutlusprotsessi , pakuvad süvaarutlusmudelid tohutut lisaväärtust võrreldes lihtsamate mudelitega, mis vastavad ainult otse.

Hindamine, mõõdikud ja vastutus süvaarutlusmudelites

Selleks, et need süsteemid oleksid reaalsetes keskkondades kasulikud, ei piisa ainult "nutikatest" olemisest: need peavad olema usaldusväärsed, turvalised ja jälgitavad . Seetõttu läbivad süvaarutlusmudelid, nagu need, mida kasutatakse Copilot Studios, enne kasutajatele kättesaadavaks tegemist mitu hindamist.

Esiteks hinnatakse mudeli alust ehk kontrollitakse, kas see põhineb reaalsel kontekstil ega leiuta lihtsalt juhuslikke andmeid. Seda tehakse mudeli testimise teel teadaoleva teabega stsenaariumides ja kontrollides, kui täpselt see sellele kontekstile vastab.

Teiseks analüüsitakse vastutustundliku tehisintellekti põhimõtete järgimist : kaitse jailbreak-katsete (mudeli sundimine oma piiridest mööda minema), domeenidevaheliste süstimisrünnakute (erinevatest allikatest pärit juhiste pahatahtlik segamine) ja kahjuliku või sobimatu sisu filtreerimise eest.

Lõpuks mõõdetakse vastuste täpsust mitme kasutusjuhtumi põhjal. Toimivust hinnatakse nende dimensioonide lõikes mitmesuguste testide abil, seega avaldatakse lõpuks ainult teatud standardile vastavad mudelid.

Selline pidev hindamine on võtmetähtsusega tagamaks, et süvaarstlusmudelitest ei saaks „kontrollimatu must kast “, vaid pigem tööriistad, mida organisatsioonid saavad auditeerida, testida ja võrrelda.

Sügava mõtlemise piirangud ja kuidas neid leevendada

See, et mudel on "sügavam", ei tähenda, et see on täiuslik. Tegelikult on neil süsteemidel olulisi piiranguid , näiteks ülesanded, kus ChatGPT ebaõnnestub , mida on oluline mõista.

Esimene on reageerimisaeg . Kuna need nõuavad rohkem sisemist arvutust, võtavad arutlusmudelid tavaliselt kauem aega kui standardsed keelemudelid. See võib muutuda probleemiks latentsusaja suhtes tundlikes rakendustes (näiteks vestlus kannatamatu kliendiga), kui neid ülekasutatakse.

Teine piirang on see, et agent saab seda tüüpi mudeleid kasutada ainult siis, kui selle konfiguratsioon seda lubab . Teisisõnu, süvaarusaamade funktsioonid peavad olema agendi sees selgesõnaliselt aktiveeritud; need pole kõigis stsenaariumides vaikimisi lubatud.

Nende puuduste minimeerimiseks on soovitatav: aktiveerida süvaarstlus ainult agentidel, kes seda vajavad ; kasutada vastavat märksõna ainult etappides, mis süvaanalüüsist tõeliselt kasu saavad; ja reserveerida need mudelid ülesannete jaoks, mille puhul on vastuvõetav veidi kauem oodata, et saada paremat vastuste kvaliteeti.

Lisaks on hea tava hoiatada lõppkasutajaid , et mõned keerulised agendi vastused võivad võtta paar lisasekundit, et ootusi hallata ja pettumust vältida.

Head tegutsemistavad vastutustundliku kasutamise tagamiseks

Operatiivsest vaatenurgast on organisatsioonides sügava arutluskäigu tõhusa ja ohutu rakendamise tagamiseks mitu strateegiat.

Esimene on piirata selle kasutamist agentidega, mis vajavad tõeliselt keerulisi arutlusahelaid , näiteks struktureerimata andmeanalüüs, mitmel teguril põhinevad kriitilised otsused või pikkade ja hästi põhjendatud aruannete genereerimine. Selle vaikimisi lubamine kõige jaoks on ressursside raiskamine.

Teine soovitus on agenti põhjalikult testida, vaadates üle väljundite kvaliteedi, järjepidevuse ja usaldusväärsuse arutlusmudeli käivitamisel. Need testid võimaldavad tuvastada olukordi, kus mudel võib ebaõnnestuda, andmeid fabritseerida või mitte hästi ettevõtte spetsiifilise valdkonnaga kohaneda.

Tööriistad nagu tegevuste kaart võimaldavad teil näha, millal agent seansi jooksul on süvitsi arutlenud, vaadata üle sisemised sammud ja võrrelda tulemusi. See aitab kindlaks teha, kas mudel annab tõepoolest oodatavat väärtust.

Samuti on kasulik süstemaatiliselt võrrelda tulemusi sügava arutluskäiguga ja ilma selleta , ajakohastades juhiseid ja tehes A/B-teste. See tuvastab, millised voo osad saavad nende mudelite kasutamisest kasu ja kus piisab lihtsamast keelemudelist.

Masinõppest süvaõppe ja generatiivse tehisintellektini

Sügava mõtlemise õigeks positsioneerimiseks on kasulik vaadata üle tehisintellekti tehnoloogiate areng: masinõpe, süvaõpe ja generatiivne tehisintellekt moodustavad omamoodi keerukuse redeli.

Traditsiooniline masinõpe tugines suuresti juhendatud õppele. Näiteks süsteemi loomiseks, mis suudaks piltidel loomi ära tunda, oli vaja käsitsi sildistada sadu tuhandeid fotosid, treenida algoritmi, testida seda uute piltidega, analüüsida vigu ja seejärel sildistatud andmestikku täpsuse parandamiseks uuesti laiendada.

See protsess nõudis palju inimlikku sekkumist nn atribuutide inseneritöösse : otsustati, milliseid tunnuseid eraldada (värv, tekstuur, kuju jne) ja kuidas neid numbriliselt esitada, et algoritm saaks õppida.

Süvaõppe abil võtsid mitmekihilised närvivõrgud üle ülesande õppida neid esitusi otse toorandmetest (pildid, tekst, heli jne). Enam polnud vaja kõiki atribuute käsitsi määratleda: mudel avastas ise, millised mustrid olid asjakohased.

Järgmine samm on genereerivad tehisintellekti mudelid, mis põhinevad transformatiivsetel arhitektuuridel . Need mudelid, nagu ka suured keelemudelid, mitte ainult ei tunne mustreid ära, vaid genereerivad ka uut sisu (teksti, pilte, koodi), kombineerides neid mustreid uudsel viisil.

Sügav arutluskäik on üles ehitatud sellele alusele: see ühendab transformaatorite genereeriva võime sisemiste strateegiatega, mis on loodud pikemate ja struktureeritumate mõtteahelate järgimiseks.

Süvaõppe eelised klassikalise masinõppe ees

Süvaõpe tõi traditsioonilise masinõppe ees mitmeid selgeid eeliseid , mis on paljude süvamõtlemise edusammude tehniliseks aluseks.

Ühelt poolt pakub see struktureerimata andmete (vaba tekst, pildid, heli) palju tõhusamat töötlemist . Kuigi klassikaline algoritm oleks sama idee väljendamise peaaegu lõpmatu hulga võimaluste tõttu ülekoormatud, saab sügavvõrk neid samaväärsusi otse õppida. Seega saab see aru, et küsimused „Kuidas ma saan raha üle kanda?“ ja „Kas saate selgitada, kuidas makset teha?“ viitavad sama tüüpi toimingutele.

Lisaks on süvavõrgustikud väga head varjatud seoste ja ootamatute mustrite avastamisel . Ostuandmete põhjal treenitud mudel suudab soovitada tooteid, mida klient pole veel ostnud, lihtsalt võrreldes tema käitumist sarnaste kasutajate omaga, isegi kui talle pole seda konkreetset soovitust selgesõnaliselt õpetatud.

Teine eelis on võime õppida järelevalveta või osaliselt järelevalve all . Võrgud saavad aja jooksul kohaneda kasutaja käitumisega ilma miljoneid sildistatud andmepunkte vajamata. Näiteks automaatne õigekirjakontroll saab lisada sõnu teistes keeltes, kui kasutaja neid sageli trükib.

Lõpuks on süvaõpe väga võimas volatiilsete või väga muutlike andmete , näiteks finantstehingute puhul. See suudab õppida eristama tavapäraseid maksekäitumise mustreid ja märgistama kõrvalekaldeid potentsiaalse pettusena.

Süvaõppe rakendused: meditsiinist isejuhtivate autodeni

Süvaõpe on meditsiinis ja diagnostikas massiliselt levinud . Seda kasutatakse meditsiiniliste piltide klassifitseerimiseks, elundite ja kahjustuste segmenteerimiseks, digitaalse histopatoloogia analüüsimiseks ning diagnoosimise abistamiseks röntgenipiltide, magnetresonantstomograafia ja laborikatsete abil.

Alates 2022. aastast on Vision Transformeri (ViT) arhitektuurid näidanud suuremahuliste meditsiiniliste piltide klassifitseerimise ülesannetes klassikaliste konvolutsiooniliste närvivõrkudega võrreldavat või isegi paremat jõudlust. Nende peamine eelis on võime jäädvustada gigapiksliste piltide globaalseid sõltuvusi hierarhiliste enesehooldusmehhanismide abil.

Väljaspool meditsiinivaldkonda on süvaõpe autonoomsete sõidukite, näotuvastuse, häälassistentide (nt Alexa ja Siri), teleri ja muusika soovitussüsteemide ja paljude muude rakenduste taga. Kõigil neil juhtudel peab mudel tõlgendama mürarikkaid ja väga muutlikke reaalse maailma andmeid.

Sellised maamärgiks olevad eksperimendid nagu AlphaGo , mis õppis Go-d mängima ja eliit-inimesest meistreid võitma, näitasid, mil määral suudab sügav närvivõrk saavutada oskusi, mida peetakse "intuitiivseteks" või "loomingulisteks", ilma et programmeerija peaks sellele iga liigutust ette kirjutama.

Mis täpselt on süvaõpe: kihid, hierarhiad ja arvutusvõimsus

Kuigi ühtset universaalset definitsiooni pole, nõustub enamik teadlasi, et süvaõpe põhineb mitmel mittelineaarse töötlemise kihil , mis eraldavad andmetest üha abstraktsemaid tunnuseid.

Alumistes kihtides õpitakse lihtsamaid tunnuseid (pildi äärised, põhilised sõnakombinatsioonid), ülemised kihid aga kombineerivad neid tunnuseid keerukamate mõistete (näod, objektid, lausete tähendused) moodustamiseks.

Erinevus "pehmete" algoritmide vahel seisneb peamiselt aheldatud teisenduste arvus . Kui klassikaline mudel võib rakendada ühte või kahte teisendust, siis sügavmudel võib sisaldada kümneid või sadu vahekihte, mis võimaldab tal esitada palju keerukamaid funktsioone.

Selle maksumus seisneb selles, et süvavõrkude treenimine nõuab tohutut arvutusvõimsust . Seetõttu on GPU-dest saanud nende mudelite treenimise põhivahend tänu nende võimele teostada suuremahulisi paralleeloperatsioone (GPGPU).

Suured pilveteenuse pakkujad (Amazon, Azure, IBM, Google jne) pakuvad juba spetsiaalsete GPU-de ja masinõppe PaaS-platvormidega infrastruktuure, näiteks TensorFlow'l põhinevaid, millel on eelnevalt treenitud mudelid ja tööriistad iga juhtumi jaoks kohandamiseks.

Kõige olulisemad süvaõppe algoritmid ja arhitektuurid

Süvaõppe raames on tekkinud mitut tüüpi närvivõrke , millest igaüks on optimeeritud teatud tüüpi andmete või probleemide jaoks.

Konvolutsioonilised närvivõrgud (CNN-id) on loodud piltide ja video töötlemiseks. Need kasutavad filtreid (konvolutsioone), mis skaneerivad pilti, et tuvastada kohalikke mustreid ja seejärel neid kombineerida. Need on tänapäevase arvutinägemise aluseks: näotuvastus, objektide klassifitseerimine, meditsiiniliste piltide analüüs ja palju muud.

Rekurrentsed närvivõrgud (RNN) ja nende tänapäevased variandid sisaldavad tagasisideahelaid, mis võimaldavad neil "meelde jätta" varasemat teavet. See muudab need väga kasulikuks selliste järjestuste puhul nagu tekst, heli või aegridad. Näiteks navigatsioonisüsteem saab neid mälestusi kasutada tavaliste liiklusummikute ennetamiseks ja alternatiivsete marsruutide soovitamiseks.

Paralleelselt on tekkinud sellised kontseptsioonid nagu ansambliõpe, jääkvõrgustikud, visioonitransformaatorid ja paljud teised, mis laiendavad ja täiustavad süvavõrgustike võimet kohaneda konkreetsete probleemidega.

See kogu tehniline ökosüsteem on see, mis tänapäeval võimaldab luua mudeleid, millel on sügav põhjendus : ilma selle võimsate ja skaleeritavate arhitektuuride vundamendita oleks see võimatu.

Arutluskäigu tüübid, mida tehisintellekt saab jäljendada

Kaasaegsed tehisintellekti süsteemid suudavad olenevalt andmete tüübist ja sihtrakendusest kombineerida mitmeid erinevaid arutlusstrateegiaid . Need ei piirdu üheainsa "mõtteviisiga".

Levinud lähenemisviiside hulka kuuluvad deduktiivne arutluskäik (alustades üldistest reeglitest konkreetsete järeldusteni jõudmiseks), induktiivne arutluskäik (üldistades näiteid), tõenäosuslik arutluskäik (töötades ebakindlusega) ja hägus arutluskäik (ebatäpsete terminite, näiteks "kõrge", "madal", "keskmine", käsitlemine).

Samuti uuritakse selliseid lähenemisviise nagu abduktiivne arutluskäik (faktide kogumi kõige usutavama seletuse pakkumine), terve mõistuse arutluskäik , ruumiline ja ajaline arutluskäik (väga oluline robootikas ja autonoomses sõidus) ning neurosümboolne arutluskäik , mis integreerib närvivõrgud sümboolse loogikaga.

Sügav arutluskäik tugineb sellele tööriistakastile, et luua rikkalikumaid järeldusahelaid , segades vajadusel andmeid, statistikat ja reegleid.

Tehisintellekt, masinõpe ja süvaõpe: peamised erinevused

Terminite selgitamiseks: tehisintellekt (AI) on kõige laiem üldmõiste, mis hõlmab iga süsteemi, mis on võimeline täitma inimintellektiga seotud ülesandeid (arutluskäik, õppimine, tajumine jne). Tehisintellekti sees on masinõpe (ML) , mis keskendub algoritmidele, mis õpivad andmetest ilma iga juhtumi puhul eraldi programmeerimata.

Süvaõpe on omakorda masinõppe alamhulk, mis kasutab mitmekihilisi närvivõrke , et õppida otse suurtest andmemahtudest. Peamine erinevus seisneb mudeli struktuuris ja selles, kuidas tunnuseid ekstraheeritakse.

Praktilisel tasandil nõuab klassikaline masinõpe tavaliselt rohkem käsitsitööd funktsioonide väljatöötamisel , vähem andmeid ja arvutusvõimsust, samas kui süvaõpe vajab tohutuid andmekogumeid, võimsaid graafikaprotsessoreid ja pikka treeningaega, kuid pakub märkimisväärset võimekuse hüpet keerukate ülesannete ja struktureerimata andmete puhul.

Tõlgendatavuse osas on lihtsaid masinõppemudeleid (lineaarne regressioon, madalad puud) lihtsam seletada, samas kui sügavad võrgud käituvad pigem nagu "mustad kastid". See mõjutab ka süvaarusaamise mudeleid, mis pärivad osa sellest läbipaistmatusest, kuigi nende läbipaistvamaks muutmiseks tehakse pingutusi.

Sügav arutluskäik ja klienditeenindus

Üks valdkondi, kus tehisintellekti ja süvaõppe praktiline kasutamine kõige enam kasvab, on klienditeenindus . Paljud praegused süsteemid kasutavad masinõppe algoritme iseteeninduseks, inimagentide toetamiseks ja töövoogude korraldamiseks.

Neid süsteeme toitev teave pärineb klientide tegelikest päringutest , juhtumite ajaloost, ostukontekstist ja kasutuskäitumisest. Nende mudelite abil andmete sisestamisel muutuvad ennustused ja soovitused kiiremaks ja täpsemaks.

Selles keskkonnas võimaldab sügavmõtlemine robotitel mitte ainult vastata lihtsatele küsimustele, vaid ka analüüsida kliendi kogu olukorda , vaadata üle tema ajalugu, hinnata erinevaid võimalikke lahendusi ja argumenteerida parima poolt, pakkudes suuremat isikupärastamist.

Spetsialiseeritud platvormid, näiteks mõnede kliendikogemuse lahenduste täiustatud robotid, ühendavad juba suuri klientide kavatsuste andmebaase süvaõppe mudelitega, et pakkuda loomulikumaid ja kasulikumaid vastuseid , suurendades inimeste tootlikkust ja sujuvamaks muutes tugivoogude seadistamist.

Kuna süvaarutlusmudelid integreeritakse seda tüüpi tööriistadesse paremini, näeme virtuaalseid agente, kes on võimelised pidama pikki ja keerulisi vestlusi , hoidma teemat, põhjendama otsuseid ja kohanema kasutaja tooniga peaaegu nagu inimene.

Kogu see teekond klassikalisest masinõppest süvaõppe, generatiivse tehisintellekti ja sügava arutluseni näitab selget trajektoori: oleme üha lähemal süsteemidele, mis mitte ainult ei tunne ära mustreid, vaid on võimelised ka struktureeritult mõtlema keerukate probleemide üle . Väljakutse pole nüüd mitte ainult tehniline, vaid ka eetiline ja operatiivne: tagada, et neid mudeleid hinnatakse korralikult, kasutatakse seal, kus need pakuvad reaalset väärtust, nende riske hallatakse ja need integreeritakse vastutustundlikult sellistesse tööriistadesse nagu Copilot Studio, et tehisintellektist saaks igapäevatöös võimas ja usaldusväärne liitlane.