- Ang AI ay batay sa mga algorithm at modelo na ginagaya ang kognisyon ng tao gamit ang napakalaking mga dataset.
- Ang machine learning ay nahahati sa supervised, unsupervised, at reinforcement learning, na nagpapahintulot sa mga makina na matuto ng mga pattern.
- Gumagamit ang Deep Learning ng malalalim na neural network at mga adjustable weight upang iproseso ang kumplikadong impormasyon tulad ng wika at paningin.
- Ang mga Generative AI at LLM ay gumagamit ng mga transformer at prompt upang lumikha ng bagong nilalaman, na nahaharap sa mga hamon tulad ng mga halusinasyon at mga bias.
Marahil ay napansin mo na sa mga panahong ito, imposibleng mag-browse sa internet o magbasa ng balita tungkol sa teknolohiya nang hindi nakakasalubong ng maraming kakaibang salita tungkol sa artificial intelligence. Ang nagsimula bilang science fiction ay narito na ngayon, nakabaon sa ating mga telepono, sa trabaho, at maging sa refrigerator, ngunit ang mga teknikal na terminolohiya ay maaaring mag-iwan sa sinuman na medyo nalilito sa una.
Para matiyak na hindi ka mawawalan ng usapan at alam mo kung ano talaga ang pinag-uusapan ng mga eksperto, inihanda namin ang komprehensibong gabay na ito. Hindi namin nais na bigyan ka ng nakakabagot na mga kahulugan sa diksyunaryo, kundi sa halip ay malinaw at detalyadong mga paliwanag na magbibigay-daan sa iyong maunawaan ang lahat mula sa pinakasimple hanggang sa pinakakumplikadong mga konsepto, nang sa gayon ay mapag-aralan mo ang paksa nang walang komplikasyon.
Ang pangunahing bahagi ng Artipisyal na Katalinuhan
Kapag pinag-uusapan natin ang AI, karaniwang tinutukoy natin ang kakayahang lumikha ng mga sistema ng kompyuter na ginagaya ang mga tungkuling kognitibo ng mga tao. Hindi ito tungkol sa mga makinang may kamalayan o damdamin, kundi tungkol sa kanilang kakayahang mangatwiran, lutasin ang mga kumplikadong problema, at gumawa ng mga desisyon batay sa impormasyong kanilang pinoproseso.
Para gumana ang lahat ng ito, kailangan natin ng mga algorithm , na isang serye lamang ng mga lohikal at matematikal na hakbang na sinusunod ng computer upang makumpleto ang isang gawain. Kung ang algorithm ang siyang recipe, ang mga modelo ng AI ang pangwakas na resulta: mga representasyon ng mga proseso na nagbibigay-daan sa atin na uriin ang data o hulaan kung ano ang mangyayari sa hinaharap.
Sa ecosystem na ito, ang datos ang siyang panggatong. Pinag-uusapan natin ang mga dataset kapag ang impormasyon ay maayos na nakabalangkas sa mga talahanayan, na maaaring i-optimize gamit ang data warehouse at mga tool sa pamamahala ng datos . Ngunit kapag ang dami ng datos ay napakalaki na hindi na kayang sabayan ng mga tradisyunal na tool, papasok tayo sa larangan ng Big Data , kung saan ang AI lamang ang may kakayahang umunawa sa ganitong kaguluhan.
Machine Learning at ang mga variant nito
Ang machine learning ay marahil ang pinakamadalas na nabanggit na sangay. Ang mahika nito ay nakasalalay sa katotohanan na natututo ang mga makina mula sa karanasan at pinapabuti ang kanilang pagganap nang hindi kinakailangang manu-manong isulat ng isang programmer ang bawat panuntunan. Para itong pagtuturo sa isang bata na makilala ang mga prutas sa pamamagitan ng pagpapakita sa mga ito ng mga totoong halimbawa.
- Pinangangasiwaang Pagkatuto: Dito, ang modelo ay may isang "guro". Binibigyan ito ng paunang-na-label na datos (halimbawa, libu-libong larawan ng mga aso na may tag na "aso") upang matutunan ng sistema na makilala ang mga pattern at magawa uriin ang mga bagong datos tama.
- Pag-aaral na Walang Subaybay: Sa kasong ito, ang makina ay papasok sa blind. Walang mga label, kaya dapat tuklasin ang mga nakatagong istruktura nang mag-isa. Ang isang karaniwang pamamaraan ay ang clustering o pagpapangkat, kung saan pinagsasama-sama ng AI ang mga bagay na magkakamukha nang hindi alam kung ano talaga ang mga ito.
- Pagkatuto ng Pagpapatibay: Ito ay puro pagsubok at pagkakamali. Ang isang ahente ay nakikipag-ugnayan sa isang kapaligiran at tumatanggap mga gantimpala o parusa batay sa kanilang mga kilos, inaayos ang kanilang pag-uugali upang makamit ang pinakamataas na posibleng iskor, isang bagay na tipikal sa robotics at mga video game.
Sa mundong ito, may mga partikular na pamamaraan tulad ng regresyon , na ginagamit upang mahulaan ang eksaktong mga numerikal na halaga (tulad ng presyo ng isang bahay), hindi tulad ng klasipikasyon, na nagtatalaga lamang ng mga label tulad ng "spam" o "hindi spam".
Pagsisid sa Deep Learning at Neural Networks
Ang Deep Learning ay isang ebolusyon ng Machine Learning na gumagamit ng mga artipisyal na neural network . Ginagaya ng mga network na ito ang istruktura ng utak ng tao sa pamamagitan ng mga patong ng magkakaugnay na node. Habang sa tradisyonal na ML kailangan nating sabihin sa makina kung aling mga feature ang susuriin, ang Deep Learning ay kayang kunin ang mga feature na iyon nang mag-isa.
Para gumana ang mga network na ito, may mga weight , na mga panloob na parameter na inaayos habang nagsasanay. Sa esensya, ang mga ito ang memorya ng modelo; tinutukoy nila ang lakas ng koneksyon sa pagitan ng dalawang neuron at iniimbak ang nakuha na kaalaman. Kapag pinag-uusapan natin ang mga pangunahing modelo, tulad ng GPT, tinutukoy natin ang napakalaking network na sinanay sa napakalaking dami ng data na nagsisilbing batayan para sa iba pang mga aplikasyon.
Minsan, maaaring mabigo ang pagsasanay. Nangyayari ang overfitting kapag natututo ang modelo ng datos sa pamamagitan ng pag-uulit at hindi kayang gawing pangkalahatan ang mga bagong halimbawa. Sa kabaligtaran, nangyayari ang underfitting kapag ang modelo ay masyadong simple at hindi nauunawaan ang esensya ng datos.
Pagproseso ng Natural na Wika at Paningin ng Kompyuter
Ang kakayahan ng mga makina na maunawaan tayo ay tinatawag na NLP, o Natural Language Processing. Ang larangang ito ay nagbibigay-daan sa AI na suriin ang semantika, damdamin, at istruktura ng pagsasalita ng tao. Ang isang kritikal na hakbang dito ay ang tokenization , na kinabibilangan ng paghahati-hati ng teksto sa mas maliliit na yunit na tinatawag na token upang maproseso ito ng modelo.
Sa kasalukuyan, ang nangingibabaw na arkitektura ay ang mga transformer , na nagbibigay-daan para sa parallel na pagsusuri ng mga salita at pag-unawa sa pangkalahatang konteksto ng isang pangungusap. Ito ay humantong sa mga LLM (Large Language Models) at generative AI , na may kakayahang lumikha ng mga teksto, imahe, o musika mula sa simula gamit ang mga tool tulad ng GAN (Generative Adversarial Networks).
Sa kabilang banda, ang Computer Vision ay nagbibigay-daan sa AI na "makita" at bigyang-kahulugan ang mga imahe at video. Mula sa pagkilala sa mukha hanggang sa pagtuklas ng tumor sa X-ray, ang disiplinang ito ay gumagamit ng mga convolutional neural network upang suriin ang mga pixel at i-convert ang mga ito sa mga konseptong madaling maunawaan, na mas mahusay kaysa sa mga smart camera sa maraming pagkakataon kumpara sa kumbensyonal na video surveillance.
Interaksyon, Etika at Pag-optimize
Kapag nakikipag-ugnayan tayo sa isang chatbot, gumagamit tayo ng prompt , na siyang instruksyon na ibinibigay natin sa AI. Ang prompt engineering ay ang sining ng paggawa ng mga kahilingang ito sa isang na-optimize na paraan upang makuha ang pinakamahusay na posibleng tugon, bagama't may mga panganib tulad ng agarang pag-inject sa artificial intelligence . Gayunpaman, hindi lahat ay perpekto: kung minsan ay nangyayari ang isang halusinasyon , na siyang panahon kung kailan gumagawa ang AI ng data nang may kamangha-manghang katiyakan.
Mula sa teknikal na pananaw, ang fine-tuning ay ginagamit upang mapabuti ang isang modelo , na kinabibilangan ng pag-espesyalisa ng isang pangkalahatang modelo para sa isang partikular na gawain. Upang masukat ang kalidad ng modelo, ginagamit ang katumpakan at pag-alala , na sinusuri kung gaano karaming mga maling positibo o maling negatibo ang nalilikha ng sistema.
Hindi natin maaaring kalimutan ang etika ng AI . Ang algorithmic bias ay isang seryosong problema kung saan ang AI ay gumagawa ng hindi patas na mga desisyon dahil ito ay sinanay batay sa biased na datos. Kaya naman mahalagang magtrabaho sa explanatory AI , upang malaman natin nang eksakto kung bakit gumawa ng isang partikular na desisyon ang isang makina at hindi ito isang "black box."
Ang buong teknikal na uniberso na ito, mula sa mga token at piso hanggang sa arkitektura ng transformer at pamamahala ng malaking data, ay nagbubuklod upang lumikha ng mga kagamitang nag-o-optimize sa medisina, pananalapi, at edukasyon, na nagbabago sa paraan ng ating pakikipag-ugnayan sa teknolohiya at pinipilit tayong patuloy na i-update ang ating bokabularyo upang hindi mahuli.
