Што е вештачка интелигенција?

Вештачката интелигенција се појавува насекаде - на вашиот телефон, во вашето сандаче, туркајќи мапи, цртајќи е-пошта што речиси сте имале намера да ги напишете. Но, што е вештачката интелигенција ? Кратка верзија: тоа е збир на техники што им овозможуваат на компјутерите да извршуваат задачи што ги поврзуваме со човечката интелигенција, како што се препознавање шеми, правење предвидувања и генерирање јазик или слики. Ова не е маркетинг со брановидни раце. Тоа е втемелена област со математика, податоци и многу обиди и грешки. Авторитативните референци ја прикажуваат вештачката интелигенција како системи што можат да учат, да размислуваат и да дејствуваат кон цели на начини што ги сметаме за интелигентни. [1]

Статии што можеби ќе ве интересираат по оваа:

🔗 Што е вештачка интелигенција со отворен код?
Разберете ја вештачката интелигенција со отворен код, придобивките, моделите за лиценцирање и соработката во заедницата.

🔗 Што е невронска мрежа во вештачката интелигенција?
Научете ги основите на невронските мрежи, типовите на архитектура, обуката и вообичаените употреби.

🔗 Што е компјутерски вид во вештачката интелигенција?
Видете како машините толкуваат слики, клучни задачи, множества податоци и апликации.

🔗 Што е симболична вештачка интелигенција?
Истражувајте симболичко расудување, графикони на знаење, правила и хибридни невро-симболички системи.

Што е вештачка интелигенција: брзата верзија 🧠➡️💻

Вештачката интелигенција е збир на методи што му овозможуваат на софтверот да го приближи интелигентното однесување. Наместо да го кодираме секое правило, ние често обучуваме моделите врз основа на примери за да можат да се генерализираат во нови ситуации - препознавање слики, претворање на говор во текст, планирање рути, асистенти за код, предвидување на структурата на протеините и така натаму. Ако сакате уредна дефиниција за вашите белешки: замислете компјутерски системи што извршуваат задачи поврзани со човечки интелектуални процеси како што се расудување, откривање значење и учење од податоци. [1]

Корисен ментален модел од оваа област е да се третира вештачката интелигенција како системи насочени кон целите кои ја перцепираат својата околина и избираат дејства - корисно кога ќе почнете да размислувате за евалуациски и контролни јамки. [1]

Што ја прави вештачката интелигенција всушност корисна✅

Зошто да се посегнува по вештачка интелигенција наместо по традиционални правила?

• Моќ на шаблонот - моделите забележуваат суптилни корелации низ огромни бази на податоци што луѓето би ги пропуштиле пред ручек.

• Адаптација - со повеќе податоци, перформансите можат да се подобрат без препишување на целиот код.

• Брзина на голем обем - откако ќе се обучат, моделите работат брзо и конзистентно, дури и при стресни количини.

• Генеративност - модерните системи можат да создаваат текст, слики, код, дури и кандидатски молекули, а не само да класифицираат работи.

• Веројатностичко размислување - тие се справуваат со неизвесноста пограциозно отколку кршливите шуми од типот „ако-друго“.

• Алатки што користат алатки - можете да поврзете модели со калкулатори, бази на податоци или пребарување за да ја зголемите веродостојноста.

• Кога не е добро - пристрасност, халуцинации, застарени податоци за обука, ризици за приватноста. Ќе стигнеме до таму.

Да бидеме искрени: понекогаш вештачката интелигенција се чувствува како велосипед за умот, а понекогаш како моноцикл на чакал. И двете можат да бидат вистинити.

Како функционира вештачката интелигенција, со човечка брзина 🔧

Повеќето модерни системи за вештачка интелигенција комбинираат:

1. Податоци - примери за јазик, слики, кликови, сензорски отчитувања.

2. Цели - функција на загуба што кажува како изгледа „добро“.

3. Алгоритми - постапка за обука што го поттикнува моделот да ја минимизира таа загуба.

4. Евалуација - тест сетови, метрики, проверки на разумност.

5. Распоредување - опслужување на моделот со мониторинг, безбедност и заштитни огради.

Две широки традиции:

• Симболична или логички базирана вештачка интелигенција - експлицитни правила, графикони на знаење, пребарување. Одлично за формално расудување и ограничувања.

• Статистичка или вештачка интелигенција базирана на учење - модели кои учат од податоци. Тука живее длабокото учење и од каде доаѓа поголемиот дел од неодамнешниот тренд; широко цитиран преглед ја мапира територијата од слоевити претставувања до оптимизација и генерализација. [2]

Во рамките на вештачката интелигенција базирана на учење, неколку столба се важни:

• Надгледувано учење - учете од означени примери.

• Ненадгледувано и самонадгледувано - научете структура од неозначени податоци.

• Засилувачко учење - учење преку обиди и повратни информации.

• Генеративно моделирање - научете да произведувате нови примероци што изгледаат реално.

Две генеративни семејства за кои ќе слушате секојдневно:

• Трансформери - архитектурата зад повеќето големи јазични модели. Користи внимание за да го поврзе секој токен со другите, овозможувајќи паралелна обука и изненадувачки течни излези. Ако сте слушнале „самовнимание“, тоа е основниот трик. [3]

• Дифузиони модели - тие учат да го вратат процесот на создавање шум, враќајќи се од случаен шум назад кон јасна слика или звук. Тоа е како да се одмешува шпил карти, бавно и внимателно, но со анализа; основната работа покажа како ефикасно да се тренира и семплира. [5]

Ако метафорите се чинат растегнати, тоа е фер - вештачката интелигенција е подвижна цел. Сите го учиме танцот додека музиката се менува на средина од песната.

Каде што веќе се среќавате со вештачка интелигенција секој ден 📱🗺️📧

• Пребарување и препораки - рангирање на резултати, канали, видеа.

• Е-пошта и документи - автоматско дополнување, сумирање, проверки на квалитетот.

• Камера и аудио - дешум, HDR, транскрипција.

• Навигација - прогнозирање на сообраќајот, планирање на рутата.

• Поддршка и услуга - агенти за разговор кои тријажираат и составуваат нацрт-одговори.

• Кодирање - предлози, рефактори, тестови.

• Здравје и наука - тријажа, поддршка за снимање, предвидување на структура. (Третирајте ги клиничките контексти како критични за безбедноста; користете човечки надзор и документирани ограничувања.) ​​[2]

Мини анегдота: тимот за производи може да изврши A/B-тестирање на чекор за пребарување пред јазичен модел; стапките на грешки често се намалуваат бидејќи моделот размислува за посвеж контекст специфичен за задачата, наместо за претпоставки. (Метод: дефинирајте метрики однапред, држете резерва и споредете слични барања.)

Силни страни, ограничувања и благиот хаос помеѓу нив ⚖️

Јаки страни

• Ракува со големи, неуредни бази на податоци со грациозност.

• Се скалира низ задачи со истата основна машинерија.

• Учи латентна структура што не сме ја создале рачно. [2]

Ограничувања

• Халуцинации - моделите може да произведат веродостојни, но неточни резултати.

• Пристрасност - податоците за обука можат да кодираат социјални пристрасности што системите потоа ги репродуцираат.

• Робусност - екстремните случаи, контрадикторните влезни податоци и промената на дистрибуцијата можат да ги нарушат работите.

• Приватност и безбедност - чувствителните податоци можат да протекуваат ако не сте внимателни.

• Објаснливост - зошто го кажа тоа? Понекогаш нејасно, што ги фрустрира ревизиите.

Управувањето со ризици постои за да не создавате хаос: Рамката за управување со ризици од вештачка интелигенција на NIST обезбедува практични, доброволни упатства за подобрување на доверливоста низ целиот дизајн, развој и имплементација - размислете за мапирање на ризиците, нивно мерење и управување со употребата од почеток до крај. [4]

Правила на патот: безбедност, управување и одговорност 🛡️

Регулативата и упатствата се во чекор со практиката:

• Пристапи базирани на ризик - употребата со повисок ризик се соочува со построги барања; документацијата, управувањето со податоци и справувањето со инциденти се важни. Јавните рамки нагласуваат транспарентност, човечки надзор и континуирано следење. [4]

• Нијанса на секторот - домените критични за безбедноста (како здравјето) бараат човечка интеракција и внимателна евалуација; алатките за општа намена сè уште имаат корист од јасна документација за намена и ограничувања. [2]

Не станува збор за задушување на иновациите; туку за тоа вашиот производ да не се претвори во апарат за пуканки во библиотека… што звучи забавно сè додека не престане да звучи.

Видови вештачка интелигенција во пракса, со примери 🧰

• Перцепција - вид, говор, фузија на сензори.

• Јазик - разговор, превод, сумирање, извлекување.

• Предвидување - прогнозирање на побарувачката, бодување на ризик, откривање на аномалии.

• Планирање и контрола - роботика, логистика.

• Генерирање - слики, аудио, видео, код, структурирани податоци.

Во суштина, математиката се потпира на линеарна алгебра, веројатност, оптимизација и компјутерски стекови кои одржуваат сè во тек. За подетален преглед на основите на длабокото учење, видете го канонскиот преглед. [2]

Табела за споредба: популарни алатки за вештачка интелигенција на прв поглед 🧪

(Намерно малку несовршено. Цените се менуваат. Вашата километража ќе варира.)

Како да оцените систем со вештачка интелигенција како професионалец 🧪🔍

1. Дефинирајте ја задачата - изјава за задачата од една реченица.

2. Изберете метрики - точност, латентност, цена, безбедносни тригери.

3. Направете тест сет - репрезентативен, разновиден, издржан.

4. Проверете ги режимите на дефекти - влезните податоци што системот треба да ги отфрли или ескалира.

5. Тест за пристрасност - демографски сегменти и чувствителни атрибути каде што е применливо.

6. Човек во јамка - наведете кога лицето мора да прегледа.

7. Евидентирање и следење - откривање на отстапувања, одговор на инциденти, враќање назад.

8. Документ - извори на податоци, ограничувања, наменета употреба, црвени знамиња. NIST AI RMF ви дава заеднички јазик и процеси за ова. [4]

Чести заблуди што ги слушам постојано 🙃

• „Тоа е само копирање.“ Обуката учи статистичка структура; генерирањето составува нови резултати во согласност со таа структура. Тоа може да биде инвентивно - или погрешно - но не е копирање-лепење. [2]

• „Вештачката интелигенција разбира како личност.“ Таа моделира шеми. Понекогаш тоа изгледа како разбирање; понекогаш е самоуверено замаглување. [2]

• „Поголемото е секогаш подобро.“ Скалирањето помага, но квалитетот на податоците, усогласувањето и пребарувањето честопати се поважни. [2][3]

• „Една вештачка интелигенција што ќе владее со сите.“ Вистинските стекови се со повеќе модели: пребарување на факти, генеративно за текст, мали и брзи модели на уредот, плус класично пребарување.

Малку подетален поглед: Трансформери и дифузија, за една минута ⏱️

• Трансформаторите пресметуваат резултати за внимание помеѓу токените за да одлучат на што да се фокусираат. Складирањето слоеви ги опфаќа зависностите на долг дострел без експлицитна рекурентност, овозможувајќи висок паралелизам и силни перформанси низ јазичните задачи. Оваа архитектура е основа на повеќето современи јазични системи. [3]

• Дифузиските модели учат да го поништуваат шумот чекор по чекор, како полирање на замаглено огледало додека не се појави лице. Основната обука и идеите за семплирање го отклучија бумот во генерирањето слики и сега се протегаат на аудио и видео. [5]

Микро-речник што можете да го чувате 📚

• Модел - параметризирана функција што ја тренираме да ги мапира влезовите со излезите.

• Обука - оптимизирање на параметрите за минимизирање на загубите на примери.

• Претерување во фитнесот - одлично се справувам со податоците за тренинг, нели на друго место.

• Халуцинација - течен, но фактички погрешен исход.

• RAG - генерација со зголемено пребарување која консултира свежи извори.

• Усогласување - обликување на однесувањето за следење на упатствата и нормите.

• Безбедност - спречување на штетни исходи и управување со ризикот во текот на целиот животен циклус.

• Заклучување - користење на обучен модел за правење предвидувања.

• Латенција - време од внесување до одговор.

• Заштитни огради - политики, филтри и контроли околу моделот.

Предолго, не го прочитав - Заклучоци 🌯

Што е вештачка интелигенција? Збирка техники што им овозможуваат на компјутерите да учат од податоци и да дејствуваат интелигентно кон целите. Современиот бран се потпира на длабоко учење - особено трансформатори за јазик и дифузија за медиуми. Користена внимателно, вештачката интелигенција го зголемува препознавањето на обрасци, ја забрзува креативната и аналитичката работа и отвора нови научни врати. Користена невнимателно, може да ја заведе, исклучи или поткопа довербата. Среќниот пат го спојува силниот инженеринг со управување, мерење и допир на понизност. Таа рамнотежа не е само можна - таа е подучлива, тестирана и одржувачка со вистинските рамки и правила. [2][3][4][5]

Референци

[1] Енциклопедија Британика - Вештачка интелигенција (ВИ) : прочитај повеќе
[2] Природа - „Длабоко учење“ (ЛеКун, Бенџо, Хинтон) : прочитај повеќе
[3] arXiv - „Вниманието е сè што ви треба“ (Васвани и др.) : прочитај повеќе
[4] NIST - Рамка за управување со ризик од ВИ : прочитај повеќе
[5] arXiv - „Модели за веројатност за отстранување на шум од дифузија“ (Хо и др.) : прочитај повеќе

Пронајдете ја најновата вештачка интелигенција во официјалната продавница за асистенти за вештачка интелигенција

За нас