Kaj je umetna inteligenca?

Umetna inteligenca se pojavlja povsod – na vašem telefonu, v vašem nabiralniku, pri spreminjanju zemljevidov, pri pisanju e-poštnih sporočil, ki ste jih skoraj nameravali napisati. Kaj pa umetna inteligenca sploh je ? Skrajšana različica: gre za skupek tehnik, ki računalnikom omogočajo opravljanje nalog, ki jih povezujemo s človeško inteligenco, kot so prepoznavanje vzorcev, napovedovanje in ustvarjanje jezika ali slik. To ni trženje z valovitimi rokami. Gre za utemeljeno področje z matematiko, podatki in veliko poskusi in napakami. Avtoritativne reference umetno inteligenco upodabljajo kot sisteme, ki se lahko učijo, sklepajo in delujejo v smeri doseganja ciljev na načine, ki se nam zdijo inteligentni. [1]

Članki, ki jih boste morda želeli prebrati po tem:

🔗 Kaj je odprtokodna umetna inteligenca?
Razumevanje odprtokodne umetne inteligence, prednosti, modelov licenciranja in sodelovanja v skupnosti.

🔗 Kaj je nevronska mreža v umetni inteligenci?
Spoznajte osnove nevronskih mrež, vrste arhitektur, učenje in pogoste uporabe.

🔗 Kaj je računalniški vid v umetni inteligenci?
Oglejte si, kako stroji interpretirajo slike, ključne naloge, nabore podatkov in aplikacije.

🔗 Kaj je simbolna umetna inteligenca?
Raziščite simbolično sklepanje, grafe znanja, pravila in hibridne nevro-simbolične sisteme.

Kaj je umetna inteligenca: hitra različica 🧠➡️💻

Umetna inteligenca je niz metod, ki programski opremi omogočajo aproksimacijo inteligentnega vedenja. Namesto kodiranja vsakega pravila pogosto treniramo modele na primerih, da jih lahko posplošimo na nove situacije – prepoznavanje slik, pretvorba govora v besedilo, načrtovanje poti, pomočniki pri kodiranju, napovedovanje strukture beljakovin in tako naprej. Če vam je všeč lepa definicija za vaše zapiske: pomislite na računalniške sisteme, ki opravljajo naloge, povezane s človeškimi intelektualnimi procesi, kot so sklepanje, odkrivanje pomena in učenje iz podatkov. [1]

Koristen miselni model s tega področja je obravnavanje umetne inteligence kot ciljno usmerjenih sistemov , ki zaznavajo svoje okolje in izbirajo dejanja – uporabno, ko začnete razmišljati o zankah vrednotenja in nadzora. [1]

Kaj naredi umetno inteligenco dejansko uporabno✅

Zakaj bi se namesto tradicionalnih pravil raje odločili za umetno inteligenco?

• Moč vzorcev – modeli opazijo subtilne korelacije med ogromnimi nabori podatkov, ki bi jih ljudje pred kosilom spregledali.

• Prilagajanje - z več podatki se lahko zmogljivost izboljša brez prepisovanja celotne kode.

• Hitrost v velikem obsegu – ko so modeli enkrat usposobljeni, delujejo hitro in dosledno, tudi pri stresnih količinah.

• Generativnost - sodobni sistemi lahko ustvarijo besedilo, slike, kodo, celo kandidatne molekule, ne le klasificirajo stvari.

• Verjetnostno razmišljanje - negotovost obravnavajo bolj elegantno kot krhki če-sicer gozdovi.

• Orodja za uporabo orodij – modele lahko povežete s kalkulatorji, bazami podatkov ali iskanjem, da povečate zanesljivost.

• Ko ni dobro - pristranskost, halucinacije, zastareli podatki o usposabljanju, tveganja za zasebnost. Prišli bomo do tja.

Bodimo iskreni: včasih se zdi umetna inteligenca kot kolo za um, včasih pa kot monocikel na gramozu. Oboje je lahko res.

Kako deluje umetna inteligenca, s človeško hitrostjo 🔧

Večina sodobnih sistemov umetne inteligence združuje:

1. Podatki – primeri jezika, slike, kliki, odčitki senzorjev.

2. Cilji - funkcija izgube, ki pove, kako izgleda "dobro".

3. Algoritmi - postopek učenja, ki model spodbuja k zmanjšanju te izgube.

4. Vrednotenje - testni nizi, metrike, preverjanje ustreznosti.

5. Uvedba – zagotavljanje spremljanja, varnosti in varovalnih ograj modelu.

Dve široki tradiciji:

• Simbolična ali logično zasnovana umetna inteligenca - eksplicitna pravila, grafi znanja, iskanje. Odlično za formalno sklepanje in omejitve.

• Statistična ali na učenju temelječa umetna inteligenca – modeli, ki se učijo iz podatkov. Tukaj živi globoko učenje in od koder prihaja večina nedavnega razburjenja; pogosto citiran pregled preslikava področje od večplastnih predstavitev do optimizacije in posplošitve. [2]

Znotraj umetne inteligence, ki temelji na učenju, je pomembnih nekaj stebrov:

• Nadzorovano učenje - učite se iz označenih primerov.

• Nenadzorovano in samonadzorovano - učenje strukture iz neoznačenih podatkov.

• Učenje z utrjevanjem - učenje s poskusi in povratnimi informacijami.

• Generativno modeliranje - naučite se izdelovati nove vzorce, ki so videti resnični.

Dve generativni družini, o katerih boste slišali vsak dan:

• Transformatorji - arhitektura, na kateri temelji večina velikih jezikovnih modelov. Uporablja pozornost za povezovanje vsakega žetona z drugimi, kar omogoča vzporedno učenje in presenetljivo tekoče izhode. Če ste že slišali za "samopozornost", je to osrednji trik. [3]

• Difuzijski modeli – naučijo se obrniti proces šumenja, tako da se od naključnega šuma vrnejo nazaj v ostro sliko ali zvok. To je kot razmešanje kompleta kart, počasi in previdno, vendar z infinitezimalnim računom; temeljno delo je pokazalo, kako učinkovito učiti in vzorčiti. [5]

Če se zdijo metafore pretirane, je to pošteno – umetna inteligenca je premikajoča se tarča. Vsi se učimo plesa, medtem ko se glasba sredi pesmi spreminja.

Kjer že vsak dan srečaš umetno inteligenco 📱🗺️📧

• Iskanje in priporočila - rezultati razvrščanja, viri, videoposnetki.

• E-pošta in dokumenti - samodejno dokončanje, povzemanje, preverjanje kakovosti.

• Kamera in zvok - odpravljanje šuma, HDR, prepisovanje.

• Navigacija - napovedovanje prometa, načrtovanje poti.

• Podpora in storitve – agenti za klepet, ki triažirajo in pripravljajo odgovore.

• Kodiranje - predlogi, refaktoriranje, testi.

• Zdravje in znanost - triaža, podpora slikanju, napovedovanje struktur. (Klinične kontekste obravnavajte kot varnostno kritične; uporabljajte človeški nadzor in dokumentirane omejitve.) [2]

Mini anekdota: produktna ekipa lahko izvede A/B-testiranje koraka iskanja pred jezikovnim modelom; stopnje napak se pogosto zmanjšajo, ker model razmišlja na podlagi svežega, za nalogo specifičnega konteksta, namesto da bi ugibal. (Metoda: vnaprej določite metrike, imejte nabor rezerv in primerjajte podobne pozive.)

Moči, omejitve in blagi kaos vmes ⚖️

Prednosti

• Z lahkoto obvladuje velike in neurejene nabore podatkov.

• Prilagodljivo za različne naloge z istim osnovnim strojem.

• Spozna latentno strukturo, ki je nismo ročno izdelali. [2]

Omejitve

• Halucinacije - modeli lahko ustvarijo verjetne, vendar napačne izhode.

• Pristranskost - podatki o usposabljanju lahko kodirajo družbene pristranskosti, ki jih sistemi nato reproducirajo.

• Robustnost - robni primeri, nasprotni vložki in premik v distribuciji lahko povzročijo težave.

• Zasebnost in varnost – občutljivi podatki lahko uidejo, če niste previdni.

• Razložljivost - zakaj je bilo tako navedeno? Včasih nejasno, kar onemogoča revizije.

Upravljanje tveganj obstaja, da ne bi povzročali kaosa: okvir NIST za upravljanje tveganj umetne inteligence zagotavlja praktične, prostovoljne smernice za izboljšanje zaupanja v celotnem načrtovanju, razvoju in uvajanju – razmislite o kartiranju tveganj, njihovem merjenju in upravljanju uporabe od začetka do konca. [4]

Pravila cestnega prometa: varnost, upravljanje in odgovornost 🛡️

Predpisi in smernice dohitevajo prakso:

• Pristopi, ki temeljijo na tveganju – za uporabo z večjim tveganjem veljajo strožje zahteve; dokumentacija, upravljanje podatkov in obravnavanje incidentov so pomembni. Javni okviri poudarjajo preglednost, človeški nadzor in stalno spremljanje. [4]

• Nianse sektorja – področja, ki so kritična za varnost (kot je zdravje), zahtevajo vključevanje človeka v proces in skrbno oceno; orodja za splošno uporabo še vedno koristijo jasne dokumente o predvideni uporabi in omejitvah. [2]

Ne gre za zaviranje inovacij; gre za to, da svojega izdelka ne spremenimo v aparat za kokice v knjižnici ... kar se sliši zabavno, dokler ne postane drugače.

Vrste umetne inteligence v praksi, s primeri 🧰

• Zaznavanje - vid, govor, združevanje senzorjev.

• Jezik - klepet, prevajanje, povzemanje, ekstrakcija.

• Napovedovanje - napovedovanje povpraševanja, ocenjevanje tveganja, odkrivanje anomalij.

• Načrtovanje in nadzor - robotika, logistika.

• Generiranje - slike, zvok, video, koda, strukturirani podatki.

V osnovi matematika temelji na linearni algebri, verjetnosti, optimizaciji in računskih skladih, ki skrbijo za nemoteno delovanje. Za podrobnejši pregled temeljev globokega učenja glejte kanonični pregled. [2]

Primerjalna tabela: priljubljena orodja umetne inteligence na prvi pogled 🧪

(Namerno rahlo nepopolno. Cene se spreminjajo. Vaša kilometrina se bo razlikovala.)

Kako oceniti sistem umetne inteligence kot profesionalec 🧪🔍

1. Definirajte delo - enostavčna izjava o nalogi.

2. Izberite metrike – natančnost, zakasnitev, stroški, varnostni sprožilci.

3. Naredite testni niz – reprezentativen, raznolik, zdržen.

4. Preverite načine napak – vhode, ki jih mora sistem zavrniti ali eskalirati.

5. Preizkus pristranskosti – demografski odseki in občutljivi atributi, kjer je to primerno.

6. Človek v zanki – določite, kdaj mora oseba pregledati.

7. Beleženje in spremljanje - zaznavanje odnašanja, odzivanje na incidente, vračanje na prejšnje stanje.

8. Dokument - viri podatkov, omejitve, predvidena uporaba, opozorilne oznake. NIST AI RMF vam ponuja skupno besedilo in postopke za to. [4]

Pogoste zmote, ki jih ves čas slišim 🙃

• »Gre samo za kopiranje.« Usposabljanje se uči statistične strukture; generiranje sestavlja nove rezultate, ki so skladni s to strukturo. To je lahko iznajdljivo – ali napačno – vendar ni kopiranje in lepljenje. [2]

• »Umetna inteligenca razume kot človek.« Modelira vzorce . Včasih je to videti kot razumevanje, včasih pa je samozavestna zamegljenost. [2]

• »Večje je vedno boljše.« Obseg pomaga, vendar so kakovost podatkov, usklajenost in pridobivanje pogosto pomembnejši. [2][3]

• »Ena umetna inteligenca, ki bo vladala vsem.« Pravi skladi so večmodelni: iskanje dejstev, generativno iskanje besedila, majhni hitri modeli na napravi in ​​klasično iskanje.

Malo globlji vpogled: Transformatorji in difuzija, v eni minuti ⏱️

• Transformatorji izračunajo ocene pozornosti med žetoni, da se odločijo, na kaj se osredotočiti. Zlaganje plasti zajame dolgoročne odvisnosti brez eksplicitnega ponavljanja, kar omogoča visoko vzporednost in močno delovanje pri jezikovnih nalogah. Ta arhitektura je temelj večine sodobnih jezikovnih sistemov. [3]

• Difuzijski modeli se učijo korak za korakom odpravljati šum, kot bi polirali zamegljeno ogledalo, dokler se ne pojavi obraz. Osnovne ideje za učenje in vzorčenje so sprožile razcvet ustvarjanja slik in se zdaj raztezajo na zvok in video. [5]

Mikroslovarček, ki ga lahko obdržite 📚

• Model - parametrizirana funkcija, ki jo naučimo za preslikavo vhodov v izhode.

• Usposabljanje - optimizacija parametrov za zmanjšanje izgub na primerih.

• Preobremenitev - odlično se odreže na učnih podatkih, drugje pa meh.

• Halucinacija - tekoč, a dejansko napačen izpis.

• RAG - generacija, razširjena z iskanjem, ki se posvetuje s svežimi viri.

• Usklajenost – oblikovanje vedenja za sledenje navodilom in normam.

• Varnost – preprečevanje škodljivih učinkov in obvladovanje tveganj v celotnem življenjskem ciklu.

• Sklepanje - uporaba naučenega modela za napovedovanje.

• Zakasnitev - čas od vnosa do odgovora.

• Varnostne ograje – pravilniki, filtri in kontrole okoli modela.

Predolgo, nisem prebral - Zaključne opombe 🌯

Kaj je umetna inteligenca? Zbirka tehnik, ki računalnikom omogočajo učenje iz podatkov in inteligentno delovanje v smeri doseganja ciljev. Sodobni val se opira na globoko učenje – zlasti na transformatorje za jezik in difuzijo za medije. Če se uporablja premišljeno, umetna inteligenca poveča prepoznavanje vzorcev, pospeši ustvarjalno in analitično delo ter odpira nova znanstvena vrata. Če se uporablja neprevidno, lahko zavede, izključi ali spodkoplje zaupanje. Srečna pot združuje močno inženirstvo z upravljanjem, merjenjem in kančkom ponižnosti. To ravnovesje ni le mogoče – je učljivo, preizkušljivo in vzdržno s pravimi okviri in pravili. [2][3][4][5]

Reference

[1] Enciklopedija Britannica - Umetna inteligenca (UI) : preberite več
[2] Nature - »Globoko učenje« (LeCun, Bengio, Hinton) : preberite več
[3] arXiv - »Pozornost je vse, kar potrebujete« (Vaswani et al.) : preberite več
[4] NIST - Okvir za upravljanje tveganj umetne inteligence : preberite več
[5] arXiv - »Odpravljanje šuma pri difuzijskih verjetnostnih modelih« (Ho et al.) : preberite več

Poiščite najnovejšo umetno inteligenco v uradni trgovini z umetno inteligenco

O nas