Kas yra dirbtinis intelektas?

Dirbtinis intelektas (DI) pasirodo visur – jūsų telefone, gautuosiuose, stumdydamas žemėlapius, kurdamas el. laiškus, kuriuos pusiau norėjote parašyti. Bet kas yra DI? Trumpai tariant: tai metodų rinkinys, leidžiantis kompiuteriams atlikti užduotis, kurias siejame su žmogaus intelektu, pavyzdžiui, atpažinti modelius, daryti prognozes ir generuoti kalbą ar vaizdus. Tai nėra ranka mosuojama rinkodara. Tai pagrįsta sritis, kurioje naudojama matematika, duomenys ir daug bandymų bei klaidų. Autoritetingose ​​nuorodose DI apibūdinama kaip sistemos, kurios gali mokytis, samprotauti ir siekti tikslų mums protingais būdais. [1]

Straipsniai, kuriuos galbūt norėsite perskaityti po šio:

🔗 Kas yra atvirojo kodo dirbtinis intelektas?
Supraskite atvirojo kodo dirbtinį intelektą, jo privalumus, licencijavimo modelius ir bendruomenės bendradarbiavimą.

🔗 Kas yra neuroninis tinklas dirbtiniame intelekte?
Sužinokite neuroninių tinklų pagrindus, architektūros tipus, mokymą ir dažniausiai naudojamus įrenginius.

🔗 Kas yra kompiuterinis matymas dirbtiniame intelekte?
Sužinokite, kaip mašinos interpretuoja vaizdus, ​​pagrindines užduotis, duomenų rinkinius ir programas.

🔗 Kas yra simbolinis dirbtinis intelektas?
Ištirkite simbolinį samprotavimą, žinių grafikus, taisykles ir hibridines neurosimbolines sistemas.

Kas yra DI: greitoji versija 🧠➡️💻

intelektas (DI) – tai metodų rinkinys, leidžiantis programinei įrangai apytiksliai apibrėžti intelektualų elgesį. Užuot kodavę kiekvieną taisyklę, mes dažnai mokome modelius pavyzdžiais, kad juos būtų galima apibendrinti naujoms situacijoms – vaizdų atpažinimui, kalbos konvertavimui į tekstą, maršrutų planavimui, kodo asistentams, baltymų struktūros prognozavimui ir pan. Jei norite tvarkingo apibrėžimo savo užrašams: pagalvokite apie kompiuterines sistemas, atliekančias užduotis, susijusias su žmogaus intelekto procesais, tokiais kaip samprotavimas, prasmės atradimas ir mokymasis iš duomenų. [1]

Naudingas mentalinis modelis šioje srityje yra traktuoti DI kaip tikslines sistemas , kurios suvokia savo aplinką ir pasirenka veiksmus – tai naudinga, kai pradedate galvoti apie vertinimo ir valdymo ciklus [1].

Kas daro dirbtinį intelektą iš tikrųjų naudingu✅

Kodėl verta rinktis dirbtinį intelektą, o ne tradicines taisykles?

• Šablonų galia – modeliai pastebi subtilias koreliacijas didžiuliuose duomenų rinkiniuose, kurių žmonės nepastebėtų prieš pietus.

• Adaptacija – turint daugiau duomenų, našumas gali pagerėti neperrašant viso kodo.

• Greitis dideliu mastu – kartą apmokyti modeliai veikia greitai ir nuosekliai, net ir esant dideliems duomenų kiekiams.

• Generatyvumas – šiuolaikinės sistemos gali ne tik klasifikuoti daiktus, bet ir kurti tekstą, vaizdus, ​​kodą, netgi potencialias molekules.

• Tikimybinis mąstymas – jie neapibrėžtumą tvarko grakštiau nei trapūs „jei kitaip“ miškai.

• Įrankius naudojantys įrankiai – galite susieti modelius su skaičiuotuvais, duomenų bazėmis arba paieška, kad padidintumėte patikimumą.

• Kai kas nors negerai – šališkumas, haliucinacijos, pasenę mokymo duomenys, privatumo rizika. Mes tai išspręsime.

Būkime atviri: kartais dirbtinis intelektas atrodo kaip dviratis protui, o kartais – kaip vienratis ant žvyrkelio. Abu variantai gali būti teisingi.

Kaip veikia dirbtinis intelektas žmogaus greičiu 🔧

Daugumoje šiuolaikinių dirbtinio intelekto sistemų yra sujungtos šios sistemos:

1. Duomenys – kalbos pavyzdžiai, vaizdai, paspaudimai, jutiklių rodmenys.

2. Tikslai – nuostolių funkcija, nurodanti, kaip atrodo „geras“.

3. Algoritmai – tai mokymo procedūra, kuri stumia modelį taip, kad sumažintų tą nuostolį.

4. Vertinimas – testų rinkiniai, metrikos, sveiko proto patikrinimai.

5. Diegimas – modelio aptarnavimas su stebėjimu, sauga ir apsauginiais turėklais.

Dvi plačios tradicijos:

• Simbolinis arba logika pagrįstas dirbtinis intelektas – aiškios taisyklės, žinių grafikai, paieška. Puikiai tinka formaliam samprotavimui ir apribojimams.

• Statistinis arba mokymusi pagrįstas dirbtinis intelektas – modeliai, kurie mokosi iš duomenų. Būtent čia ir gyvena gilusis mokymasis ir iš čia kyla didžioji dalis pastarojo meto ažiotažo; plačiai cituojama apžvalga apžvelgia teritoriją nuo sluoksniuotų reprezentacijų iki optimizavimo ir apibendrinimo [2].

Mokymosi pagrindu veikiančiame dirbtiniame intelekte svarbūs keli ramsčiai:

• Prižiūrimas mokymasis – mokykitės iš paženklintų pavyzdžių.

• Neprižiūrimas ir savarankiškai prižiūrimas – mokykitės struktūros iš nepažymėtų duomenų.

• Pastiprinimasis mokymasis – mokymasis bandymais ir grįžtamuoju ryšiu.

• Generatyvus modeliavimas – išmokite kurti naujus pavyzdžius, kurie atrodo tikri.

Dvi generuojančios šeimos, apie kurias girdėsite kasdien:

• Transformatoriai – architektūra, kuria grindžiami dauguma didelių kalbų modelių. Jie naudoja dėmesį , kad susietų kiekvieną žetoną su kitais, taip įgalindami lygiagretų mokymą ir stebėtinai sklandžius rezultatus. Jei esate girdėję apie „savęs dėmesį“, tai yra pagrindinė gudrybė. [3]

• Difuzijos modeliai – jie mokosi pakeisti triukšmo procesą, pereidami nuo atsitiktinio triukšmo atgal į aiškų vaizdą ar garsą. Tai tarsi kortų kaladės išardymas lėtai ir atsargiai, bet taikant skaičiavimus; pagrindinis darbas parodė, kaip efektyviai mokyti ir imti pavyzdžius. [5]

Jei metaforos atrodo ištemptos, tai teisinga – dirbtinis intelektas yra judantis taikinys. Mes visi mokomės šokio, o muzika keičiasi dainos viduryje.

Kur jau kasdien sutinki dirbtinį intelektą 📱🗺️📧

• Paieška ir rekomendacijos – rezultatų, sklaidos kanalų, vaizdo įrašų reitingavimas.

• El. paštas ir dokumentai – automatinis užbaigimas, santraukos, kokybės patikros.

• Kamera ir garsas – triukšmo mažinimas, HDR, transkripcija.

• Navigacija – eismo prognozavimas, maršruto planavimas.

• Pagalba ir aptarnavimas – pokalbių agentai, kurie rūšiuoja ir rengia atsakymų juodraščius.

• Kodavimas – pasiūlymai, pertvarkymai, testai.

• Sveikata ir mokslas – triažas, vaizdinė pagalba, struktūros prognozavimas. (Klinikinius kontekstus traktuoti kaip saugos požiūriu svarbius; taikyti žmogaus priežiūrą ir dokumentuotus apribojimus.) [2]

Trumpas pasakojimas: produktų komanda gali atlikti A/B testą paieškos žingsniui prieš kalbos modelį; klaidų dažnis dažnai sumažėja, nes modelis samprotauja remdamasis naujesniu, su užduotimi susijusiu kontekstu, o ne spėliodamas. (Metodas: iš anksto apibrėžkite metrikas, nustatykite laukimo laiką ir palyginkite panašius klausimus.)

Stiprybės, ribos ir lengvas chaosas tarp jų ⚖️

Stipriosios pusės

• Grakščiai tvarko didelius, netvarkingus duomenų rinkinius.

• Mastelio keitimas tarp užduočių naudojant tą pačią pagrindinę įrangą.

• Išmoksta latentinę struktūrą, kurios mes nekūrėme rankiniu būdu. [2]

Ribos

• Haliucinacijos – modeliai gali pateikti tikėtinai skambančius, bet neteisingus rezultatus.

• Šališkumas – mokymo duomenys gali užkoduoti socialinius šališkumus, kuriuos sistemos vėliau atkuria.

• Tvirtumas – kraštutiniai atvejai, priešiškos sąnaudos ir pasiskirstymo poslinkis gali viską sugadinti.

• Privatumas ir saugumas – jei nebūsite atsargūs, gali nutekėti neskelbtini duomenys.

• Paaiškinimas – kodėl taip buvo pasakyta? Kartais neaišku, o tai trukdo auditams.

Rizikos valdymas egzistuoja tam, kad nekiltų chaosas: NIST dirbtinio intelekto rizikos valdymo sistema teikia praktines, savanoriškas gaires, kaip pagerinti patikimumą projektavimo, kūrimo ir diegimo metu – pagalvokite apie rizikos žemėlapių sudarymą, jos matavimą ir naudojimo valdymą nuo pradžios iki pabaigos. [4]

Kelių eismo taisyklės: saugumas, valdymas ir atskaitomybė 🛡️

Reglamentai ir gairės vejasi praktiką:

• Rizika pagrįsti metodai – didesnės rizikos panaudojimui taikomi griežtesni reikalavimai; svarbi dokumentacija, duomenų valdymas ir incidentų tvarkymas. Viešosios sistemos pabrėžia skaidrumą, žmogaus priežiūrą ir nuolatinį stebėjimą. [4]

• Sektoriaus niuansai – saugai svarbiose srityse (pvz., sveikatos apsaugos) reikalingas žmogaus dalyvavimas ir kruopštus vertinimas; bendrosios paskirties įrankiams vis dar naudingi aiškūs numatyto naudojimo ir apribojimų dokumentai [2].

Kalbama ne apie inovacijų slopinimą; kalbama apie tai, kad jūsų produktas nepaverstų spragėsių gaminimo aparatu bibliotekoje... kas skamba smagiai, kol nustoja atrodyti.

Dirbtinio intelekto tipai praktikoje su pavyzdžiais 🧰

• Suvokimas – rega, kalba, jutiklių susiliejimas.

• Kalba – pokalbis, vertimas, santrauka, ištrauka.

• Prognozavimas – paklausos prognozavimas, rizikos vertinimas, anomalijų aptikimas.

• Planavimas ir kontrolė – robotika, logistika.

• Generavimas – vaizdai, garsas, vaizdo įrašas, kodas, struktūrizuoti duomenys.

Iš esmės matematika remiasi tiesine algebra, tikimybių teorija, optimizavimu ir skaičiavimo sluoksniais, kurie užtikrina visko veikimą. Išsamesnės informacijos apie gilaus mokymosi pagrindus rasite kanoninėje apžvalgoje [2].

Palyginimo lentelė: populiarūs dirbtinio intelekto įrankiai trumpai 🧪

(Truputį netobula tyčia. Kainos gali skirtis. Jūsų rida gali skirtis.)

Kaip profesionaliai įvertinti dirbtinio intelekto sistemą 🧪🔍

1. Apibrėžkite darbą – vieno sakinio užduoties aprašymas.

2. Pasirinkite metrikas – tikslumą, delsą, kainą, saugos veiksnius.

3. Sudarykite testų rinkinį – reprezentatyvų, įvairų ir atvirą.

4. Patikrinkite gedimų režimus – įvestis, kurias sistema turėtų atmesti arba padidinti.

5. Šališkumo testas – demografiniai segmentai ir jautrūs atributai, jei taikoma.

6. Žmogus dalyvauja procese – nurodykite, kada asmuo turi peržiūrėti.

7. Žurnalas ir stebėjimas – dreifo aptikimas, reagavimas į incidentus, atšaukimai.

8. Dokumentas – duomenų šaltiniai, apribojimai, numatytas naudojimas, įspėjamieji ženklai. NIST dirbtinio intelekto RMF pateikia bendrą kalbą ir procesus. [4]

Dažni klaidingi įsitikinimai, kuriuos girdžiu nuolat 🙃

• „Tai tik kopijavimas.“ Mokymas išmoksta statistinę struktūrą; generavimas sukuria naujus rezultatus, atitinkančius tą struktūrą. Tai gali būti išradinga – arba klaidinga – bet tai nėra kopijavimas ir įklijavimas. [2]

• „DI supranta kaip žmogus.“ Jis modeliuoja modelius. Kartais tai atrodo kaip supratimas; kartais tai – užtikrintas miglotas vaizdas. [2]

• „Didesnis visada yra geriau.“ Mastelis padeda, bet duomenų kokybė, suderinamumas ir paieška dažnai yra svarbesni. [2][3]

• „Vienas dirbtinis intelektas valdys juos visus.“ Tikrieji stekai yra daugiamodeliai: faktų paieška, generatyvinė teksto paieška, maži greiti modeliai įrenginyje ir klasikinė paieška.

Šiek tiek gilesnis žvilgsnis: transformatoriai ir difuzija per vieną minutę ⏱️

• Transformatoriai apskaičiuoja dėmesio balus tarp žetonų, kad nuspręstų, į ką sutelkti dėmesį. Sluoksnių sujungimas fiksuoja tolimojo nuotolio priklausomybes be aiškaus pasikartojimo, taip užtikrindamas aukštą lygiagretumą ir puikų našumą įvairiose kalbos užduotyse. Ši architektūra yra daugelio šiuolaikinių kalbų sistemų pagrindas. [3]

• Difuzijos modeliai išmoksta palaipsniui panaikinti triukšmą, tarsi poliruojant miglotą veidrodį, kol pasirodo veidas. Pagrindiniai mokymo ir atrankos idėjos paskatino vaizdų generavimo bumą ir dabar apima ir garsą bei vaizdą. [5]

Mikrožodynėlis, kurį galite išsaugoti 📚

• Modelis – parametruota funkcija, kurią apmokome susieti įvestis su išvestimis.

• Mokymas – parametrų optimizavimas siekiant sumažinti nuostolius pavyzdžiuose.

• Per didelis pritaikymas – su treniruočių duomenimis sekasi puikiai, kitur – nelabai.

• Haliucinacija – sklandi, bet faktiškai klaidinga išraiška.

• RAG – paieškos papildyta karta, kuri konsultuojasi su naujais šaltiniais.

• Derinimas – elgesio formavimas, siekiant laikytis nurodymų ir normų.

• Sauga – žalingų rezultatų prevencija ir rizikos valdymas per visą gyvavimo ciklą.

• Išvada – apmokyto modelio naudojimas prognozėms daryti.

• Vėlavimas – laikas nuo įvesties iki atsakymo.

• Apsauginiai turėklai – modelio politikos, filtrai ir valdikliai.

Per ilga, neskaičiau – baigiamosios pastabos 🌯

Kas yra DI? Metodų rinkinys, leidžiantis kompiuteriams mokytis iš duomenų ir veikti intelektualiai siekiant tikslų. Šiuolaikinė banga remiasi giliuoju mokymusi – ypač kalbos transformatoriais ir žiniasklaidos sklaidos technologijomis. Apgalvotai naudojamas DI padidina šablonų atpažinimo mastą, pagreitina kūrybinį ir analitinį darbą bei atveria naujas mokslines duris. Neatsargiai naudojamas jis gali suklaidinti, atmesti arba sugriauti pasitikėjimą. Laimingas kelias sujungia stiprią inžineriją su valdymu, matavimu ir žiupsneliu nuolankumo. Ši pusiausvyra ne tik įmanoma – jos galima išmokyti, išbandyti ir išlaikyti, naudojant tinkamas sistemas ir taisykles. [2][3][4][5]

Nuorodos

[1] Encyclopedia Britannica – Dirbtinis intelektas (DI): skaitykite daugiau
[2] Nature – „Gilusis mokymasis“ (LeCun, Bengio, Hinton): skaitykite daugiau
[3] arXiv – „Dėmesys yra viskas, ko jums reikia“ (Vaswani ir kt.): skaitykite daugiau
[4] NIST – Dirbtinio intelekto rizikos valdymo sistema: skaitykite daugiau
[5] arXiv – „Triukšmo mažinimo difuzijos tikimybiniai modeliai“ (Ho ir kt.): skaitykite daugiau

Raskite naujausią dirbtinį intelektą oficialioje dirbtinio intelekto asistentų parduotuvėje

Apie mus