- Dirbtinis intelektas (DI) pagrįstas algoritmais ir modeliais, kurie imituoja žmogaus pažinimo funkcijas, naudodami didžiulius duomenų rinkinius.
- Mašininis mokymasis skirstomas į prižiūrimą, neprižiūrimą ir sustiprintą mokymąsi, leidžiantį mašinoms mokytis modelių.
- Gilusis mokymasis naudoja giliuosius neuroninius tinklus ir reguliuojamus svorius sudėtingai informacijai, tokiai kaip kalba ir regėjimas, apdoroti.
- Generatyvusis dirbtinis intelektas ir teisės magistro (LLM) specialistai naudoja transformatorius ir raginimus naujam turiniui kurti, susidurdami su tokiais iššūkiais kaip haliucinacijos ir šališkumas.
Tikriausiai pastebėjote, kad šiais laikais neįmanoma naršyti internete ar skaityti technologijų naujienų straipsnio nesusidūrus su daugybe keistų žodžių apie dirbtinį intelektą. Tai, kas prasidėjo kaip mokslinė fantastika, dabar čia, įterpta į mūsų telefonus, darbe ir net šaldytuve, tačiau techninis žargonas iš pradžių gali priversti bet ką jaustis šiek tiek pasimetusį.
Kad neliktumėte nuošalyje nuo pokalbio ir tiksliai žinotumėte, apie ką kalba ekspertai, parengėme šį išsamų vadovą. Norime pateikti ne nuobodžius žodyninius apibrėžimus, o aiškius ir išsamius paaiškinimus , kurie leis suprasti viską – nuo pačių pagrindinių iki sudėtingiausių sąvokų, – kad galėtumėte be jokių komplikacijų įvaldyti temą.
Dirbtinio intelekto esmė
Kalbėdami apie dirbtinį intelektą, paprastai turime omenyje gebėjimą kurti kompiuterines sistemas, kurios imituoja žmonių kognityvines funkcijas . Kalbama ne apie mašinas, turinčias sąmonę ar jausmus, o apie jų gebėjimą samprotauti, spręsti sudėtingas problemas ir priimti sprendimus, remiantis apdorojama informacija.
Kad visa tai veiktų, mums reikia algoritmų , kurie yra tiesiog loginių ir matematinių žingsnių seka, kurią kompiuteris atlieka užduočiai atlikti. Jei algoritmas yra receptas, tai dirbtinio intelekto modeliai yra galutinis rezultatas: procesų, leidžiančių mums klasifikuoti duomenis arba numatyti, kas nutiks ateityje, atvaizdavimai.
Šioje ekosistemoje duomenys yra kuras. Apie duomenų rinkinius kalbame, kai informacija yra gerai struktūrizuota lentelėse, kurias galima optimizuoti naudojant duomenų saugyklas ir duomenų valdymo įrankius . Tačiau kai duomenų kiekis yra toks milžiniškas, kad tradicinės priemonės nebespėja, patenkame į didžiųjų duomenų sritį , kur dirbtinis intelektas yra vienintelis dalykas, galintis suprasti tokį chaosą.
Mašininis mokymasis ir jo variantai
Mašininis mokymasis tikriausiai yra dažniausiai minima šaka. Jo magija slypi tame, kad mašinos mokosi iš patirties ir gerina savo našumą, programuotojui nereikės rankiniu būdu rašyti kiekvienos taisyklės. Tai tas pats, kas mokyti vaiką atskirti vaisius, rodant jam tikrus pavyzdžius.
- Prižiūrimas mokymasis: Čia modelis turi „mokytoją“. Jam pateikiami iš anksto pažymėti duomenys (pavyzdžiui, tūkstančiai šunų nuotraukų, pažymėtų žyma „šuo“), kad sistema išmoktų atpažinti modelius ir galėtų klasifikuoti naujus duomenis teisingai.
- Neprižiūrimas mokymasis: Šiuo atveju mašina pradeda veikti aklai. Nėra etikečių, todėl algoritmas turi atrasti paslėptas struktūras savaime. Įprasta technika yra grupavimas arba grupavimas, kai dirbtinis intelektas sujungia panašiai atrodančius dalykus, tiksliai nežinodamas, kas jie yra.
- Sustiprinimo mokymasis: Tai grynas bandymų ir klaidų metodas. Agentas sąveikauja su aplinka ir gauna apdovanojimai ar bausmės remdamiesi savo veiksmais, koreguodami savo elgesį, kad gautų kuo didesnį balą – tai būdinga robotikoje ir vaizdo žaidimuose.
Šiame pasaulyje yra specifinių metodų, tokių kaip regresija , kuri naudojama tikslioms skaitinėms vertėms (pvz., namo kainai) numatyti, kitaip nei klasifikacija, kuri priskiria tik tokias etiketes kaip „šlamštas“ arba „ne šlamštas“.
Pasinerimas į gilųjį mokymąsi ir neuroninius tinklus
Gilusis mokymasis yra mašininio mokymosi (MM) evoliucija, kurioje naudojami dirbtiniai neuroniniai tinklai . Šie tinklai imituoja žmogaus smegenų struktūrą per tarpusavyje sujungtų mazgų sluoksnius. Nors tradiciniame MM turime nurodyti mašinai, kurias funkcijas analizuoti, gilusis mokymasis gali pats išskirti tas funkcijas .
Kad šie tinklai veiktų, yra svoriai – vidiniai parametrai, koreguojami mokymo metu. Iš esmės tai yra modelio atmintis; jie nustato ryšio tarp dviejų neuronų stiprumą ir saugo įgytas žinias. Kalbėdami apie pamatinius modelius, tokius kaip GPT, turime omenyje didžiulius tinklus, apmokytus naudojant milžiniškus duomenų kiekius, kurie yra kitų programų pagrindas.
Kartais mokymas gali nepavykti. Per didelis pritaikymas įvyksta, kai modelis išmoksta duomenis mechaniškai ir negali jų apibendrinti naujiems pavyzdžiams. Ir atvirkščiai, nepakankamas pritaikymas įvyksta, kai modelis yra pernelyg supaprastintas ir nesupranta duomenų esmės.
Natūralios kalbos apdorojimas ir kompiuterinė rega
Mašinų gebėjimas mus suprasti vadinamas NLP arba natūralios kalbos apdorojimu. Ši sritis leidžia dirbtiniam intelektui analizuoti žmogaus kalbos semantiką, nuotaiką ir struktūrą. Svarbus žingsnis čia yra tokenizavimas , kai tekstas suskaidomas į mažesnius vienetus, vadinamus žetonais, kad modelis galėtų juos apdoroti.
Šiuo metu dominuojanti architektūra yra transformatoriai , kurie leidžia lygiagrečiai analizuoti žodžius ir suprasti bendrą sakinio kontekstą. Tai paskatino didelių kalbų modelių (LLM) ir generatyvinio dirbtinio intelekto (DI) atsiradimą , galinčius kurti tekstus, vaizdus ar muziką nuo nulio, naudojant tokius įrankius kaip GAN (generatyviniai priešpriešiniai tinklai).
Kita vertus, kompiuterinė rega leidžia dirbtiniam intelektui „matyti“ ir interpretuoti vaizdus bei vaizdo įrašus. Nuo veido atpažinimo iki navikų aptikimo rentgeno nuotraukose, ši disciplina naudoja konvoliucinius neuroninius tinklus pikseliams analizuoti ir jiems paversti suprantamomis sąvokomis, daugeliu atvejų pranokdama išmaniąsias kameras, palyginti su įprastine vaizdo stebėjimo sistema.
Sąveika, etika ir optimizavimas
Kai bendraujame su pokalbių robotu, naudojame užklausą – tai instrukcija, kurią pateikiame dirbtiniam intelektui. Užklausų inžinerija – tai optimizuoto šių užklausų apdorojimo menas, siekiant gauti geriausią įmanomą atsakymą, nors yra ir rizikų, pavyzdžiui, greitas duomenų įvedimas į dirbtinį intelektą . Tačiau ne viskas yra tobula: kartais įvyksta haliucinacija – tada dirbtinis intelektas sukuria duomenis su stulbinančiu tikslumu.
Techniniu požiūriu, tikslusis derinimas naudojamas modeliui patobulinti , o tai reiškia bendro modelio specializavimą konkrečiai užduočiai. Modelio kokybei, tikslumui ir atkūrimui matuoti naudojami analizuojant, kiek klaidingai teigiamų arba klaidingai neigiamų rezultatų sistema generuoja.
Negalime pamiršti dirbtinio intelekto etikos . Algoritminis šališkumas yra rimta problema, kai dirbtinis intelektas priima nesąžiningus sprendimus, nes buvo apmokytas remiantis šališkais duomenimis. Štai kodėl labai svarbu dirbti su aiškinamuoju dirbtiniu intelektu , kad tiksliai žinotume, kodėl mašina priėmė konkretų sprendimą, ir tai nebūtų „juodoji dėžė“.
Visa ši techninė visata – nuo žetonų ir pesų iki transformatorinės architektūros ir didžiųjų duomenų valdymo – susipina ir sukuria įrankius, kurie optimizuoja mediciną, finansus ir švietimą, transformuoja mūsų santykį su technologijomis ir verčia mus nuolat atnaujinti savo žodyną, kad neatsiliktume.
