Kas ir mākslīgais intelekts?

Mākslīgais intelekts (MI) parādās visur — jūsu tālrunī, iesūtnē, mainot kartes, veidojot e-pastus, kurus jūs gandrīz gribējāt uzrakstīt. Bet kas ir MI ? Īsumā: tas ir metožu kopums, kas ļauj datoriem veikt uzdevumus, ko mēs saistām ar cilvēka intelektu, piemēram, atpazīt modeļus, izteikt prognozes un ģenerēt valodu vai attēlus. Šis nav vienkāršs mārketings. Tā ir pamatota joma ar matemātiku, datiem un daudz izmēģinājumu un kļūdu. Autoritatīvas atsauces MI raksturo kā sistēmas, kas var mācīties, spriest un rīkoties mērķu sasniegšanai veidos, ko mēs uzskatām par inteliģentiem. [1]

Raksti, kurus jūs varētu vēlēties izlasīt pēc šī raksta:

🔗 Kas ir atvērtā koda mākslīgais intelekts?
Izprotiet atvērtā pirmkoda mākslīgo intelektu, tā priekšrocības, licencēšanas modeļus un kopienas sadarbību.

🔗 Kas ir neironu tīkls mākslīgajā intelektā?
Apgūstiet neironu tīklu pamatus, arhitektūras veidus, apmācību un biežāk lietotos lietojumus.

🔗 Kas ir datorredze mākslīgajā intelektā?
Skatiet, kā mašīnas interpretē attēlus, galvenos uzdevumus, datu kopas un lietojumprogrammas.

🔗 Kas ir simboliskais mākslīgais intelekts?
Izpētiet simbolisko spriešanu, zināšanu grafikus, noteikumus un hibrīdas neirosimboliskās sistēmas.

Kas ir mākslīgais intelekts: ātrā versija 🧠➡️💻

Mākslīgais intelekts ir metožu kopums, kas ļauj programmatūrai aptuveni noteikt intelektuālu uzvedību. Tā vietā, lai kodētu katru noteikumu, mēs bieži apmācām modeļus, izmantojot piemērus, lai tos varētu vispārināt jaunām situācijām — attēlu atpazīšanai, runas pārveidošanai tekstā, maršruta plānošanai, koda palīgiem, olbaltumvielu struktūras prognozēšanai utt. Ja vēlaties glītu definīciju savām piezīmēm: iedomājieties datorsistēmas, kas veic uzdevumus, kas saistīti ar cilvēka intelektuālajiem procesiem, piemēram, spriešanu, nozīmes atklāšanu un mācīšanos no datiem. [1]

Noderīgs mentālais modelis šajā jomā ir uzskatīt mākslīgo intelektu par mērķtiecīgu sistēmu , kas uztver savu vidi un izvēlas darbības — tas ir noderīgi, sākot domāt par novērtēšanas un kontroles cilpām [1].

Kas padara mākslīgo intelektu patiesībā noderīgu✅

Kāpēc izvēlēties mākslīgo intelektu, nevis tradicionālos noteikumus?

• Modeļu jauda — modeļi milzīgos datu kopumos pamana smalkas korelācijas, kuras cilvēki pirms pusdienām nepamanītu.

• Adaptācija — ar lielāku datu apjomu var uzlabot veiktspēju, nepārrakstot visu kodu.

• Ātrums plašā mērogā — pēc apmācības modeļi darbojas ātri un konsekventi pat stresa apstākļos.

• Ģenerativitāte — mūsdienu sistēmas var radīt tekstu, attēlus, kodu un pat kandidātmolekulas, ne tikai klasificēt lietas.

• Varbūtības domāšana — tie nenoteiktību apstrādā elegantāk nekā trausli "ja-citādi" meži.

• Rīkus izmantojoši rīki — modeļus var piesaistīt kalkulatoriem, datubāzēm vai meklēšanai, lai palielinātu uzticamību.

• Kad tas nav labi — aizspriedumi, halucinācijas, novecojuši treniņu dati, privātuma riski. Mēs tur nonāksim.

Būsim godīgi: dažreiz mākslīgais intelekts šķiet kā velosipēds prātam, bet dažreiz tas ir vienritenis pa grants ceļiem. Abi varianti var būt patiesi.

Kā darbojas mākslīgais intelekts cilvēka ātrumā 🔧

Lielākā daļa mūsdienu mākslīgā intelekta sistēmu apvieno:

1. Dati — valodas piemēri, attēli, klikšķi, sensoru rādījumi.

2. Mērķi — zaudējumu funkcija, kas norāda, kā izskatās “labs”.

3. Algoritmi — apmācības procedūra, kas mudina modeli samazināt šos zaudējumus.

4. Novērtēšana — testu kopas, metrikas, saprāta pārbaudes.

5. Izvietošana — modeļa nodrošināšana ar uzraudzību, drošību un aizsargbarjerām.

Divas plašas tradīcijas:

• Simbolisks vai uz loģiku balstīts mākslīgais intelekts — skaidri noteikumi, zināšanu grafiki, meklēšana. Lieliski piemērots formālai spriešanai un ierobežojumiem.

• Statistikas vai uz mācīšanos balstīts mākslīgais intelekts — modeļi, kas mācās no datiem. Tieši šeit mīt dziļā mācīšanās un no kurienes nāk lielākā daļa nesenās ažiotāžas; plaši citētā apskatā ir kartēta teritorija no slāņveida reprezentācijām līdz optimizācijai un vispārināšanai [2].

Mācīšanās balstītas mākslīgās intelekta ietvaros svarīgi ir daži pīlāri:

• Vadīta mācīšanās — mācieties no marķētiem piemēriem.

• Neuzraudzīta un pašaprūpēta — apgūstiet struktūru no nemarķētiem datiem.

• Pastiprināšanas mācīšanās — mācīšanās, mēģinot un sniedzot atgriezenisko saiti.

• Ģeneratīvā modelēšana — iemācieties radīt jaunus paraugus, kas izskatās reāli.

Divas radošas ģimenes, par kurām dzirdēsiet katru dienu:

• Transformatori — arhitektūra, kas ir vairuma lielo valodu modeļu pamatā. Tie izmanto uzmanību , lai saistītu katru marķieri ar citiem, nodrošinot paralēlu apmācību un pārsteidzoši plūstošus rezultātus. Ja esat dzirdējuši par “pašuzmanību”, tas ir galvenais triks. [3]

• Difūzijas modeļi — tie mācās mainīt trokšņošanas procesu, pārejot no nejauša trokšņa atpakaļ uz skaidru attēlu vai audio. Tas ir kā kāršu kārtošana pa kārtīm lēni un uzmanīgi, bet ar matemātisku analīzi; pamatdarbs parādīja, kā efektīvi apmācīt un ņemt paraugus. [5]

Ja metaforas šķiet pārspīlētas, tas ir saprotami — mākslīgais intelekts ir kustīgs mērķis. Mēs visi mācāmies deju, kamēr mūzika mainās dziesmas vidū.

Kur jūs jau katru dienu satiekat mākslīgo intelektu 📱🗺️📧

• Meklēšana un ieteikumi — rezultātu, plūsmu, videoklipu ranžēšana.

• E-pasts un dokumenti — automātiskā pabeigšana, kopsavilkums, kvalitātes pārbaudes.

• Kamera un audio — trokšņu slāpēšana, HDR, transkripcija.

• Navigācija — satiksmes prognozēšana, maršruta plānošana.

• Atbalsts un apkalpošana — tērzēšanas aģenti, kas atlasa un sagatavo atbildes.

• Kodēšana — ieteikumi, refaktori, testi.

• Veselība un zinātne — triāža, attēlveidošanas atbalsts, struktūras prognozēšana. (Klīniskos kontekstus uzskatīt par drošībai kritiskiem; izmantot cilvēka uzraudzību un dokumentētos ierobežojumus.) [2]

Neliels atgadījums: produktu komanda varētu veikt A/B testu izguves solim, izmantojot valodas modeli; kļūdu līmenis bieži vien samazinās, jo modelis spriedumus veic, izmantojot svaigāku, uzdevumam specifisku kontekstu, nevis minējumus. (Metode: iepriekš definēt metrikas, iestatīt atlikšanas kritērijus un salīdzināt līdzīgas uzvednes.)

Stiprās puses, ierobežojumi un vieglais haoss pa vidu ⚖️

Stiprās puses

• Eleganti apstrādā lielus, nekārtīgus datu kopumus.

• Mērogojams dažādiem uzdevumiem, izmantojot vienu un to pašu pamatmehānismu.

• Apgūst latentās struktūras, kuras mēs neesam manuāli izstrādājuši. [2]

Ierobežojumi

• Halucinācijas — modeļi var radīt ticami skanošus, bet nepareizus rezultātus.

• Neobjektivitāte — apmācības dati var kodēt sociālās neobjektivitātes, kuras sistēmas pēc tam atveido.

• Stabilitāte — robežgadījumi, naidīgi ievades dati un sadalījuma maiņa var sagraut lietas.

• Konfidencialitāte un drošība — ja neesat uzmanīgs, var noplūst sensitīvi dati.

• Izskaidrojamība — kāpēc tas tika teikts? Dažreiz neskaidri, kas apgrūtina auditus.

Risku pārvaldība pastāv, lai neradītu haosu: NIST mākslīgā intelekta risku pārvaldības sistēma sniedz praktiskus, brīvprātīgus norādījumus uzticamības uzlabošanai visā projektēšanā, izstrādē un ieviešanā — padomājiet par risku kartēšanu, to mērīšanu un lietošanas pārvaldību no sākuma līdz beigām. [4]

Ceļu satiksmes noteikumi: drošība, pārvaldība un atbildība 🛡️

Noteikumi un vadlīnijas tuvojas praksei:

• Uz risku balstītas pieejas — augstāka riska lietojumiem ir stingrākas prasības; dokumentācijai, datu pārvaldībai un incidentu risināšanai ir nozīme. Publiskās sistēmas uzsver pārredzamību, cilvēka uzraudzību un nepārtrauktu uzraudzību. [4]

• Nozares nianses — drošībai kritiskās jomās (piemēram, veselības aprūpē) ir nepieciešama cilvēka iesaistīšanās un rūpīga izvērtēšana; vispārējas nozīmes rīkiem joprojām ir nepieciešama skaidra paredzētā lietojuma un ierobežojumu dokumentācija. [2]

Šeit nav runa par inovāciju apspiešanu; runa ir par to, lai jūsu produkts nepārvērstos par popkorna gatavotāju bibliotēkā… kas izklausās jautri, līdz tas tā kļūst.

Mākslīgā intelekta veidi praksē ar piemēriem 🧰

• Uztvere — redze, runa, sensoru saplūšana.

• Valoda — tērzēšana, tulkošana, kopsavilkums, ekstrakcija.

• Prognozēšana — pieprasījuma prognozēšana, riska novērtēšana, anomāliju noteikšana.

• Plānošana un kontrole — robotika, loģistika.

• Ģenerēšana — attēli, audio, video, kods, strukturēti dati.

Zem pārsega matemātika balstās uz lineāro algebru, varbūtību teoriju, optimizāciju un skaitļošanas sistēmām, kas visu uztur darba kārtībā. Lai iegūtu padziļinātu ieskatu dziļās mācīšanās pamatos, skatiet kanonisko pārskatu. [2]

Salīdzināšanas tabula: populāri mākslīgā intelekta rīki īsumā 🧪

(Nedaudz nepilnīgs ar nolūku. Cenas mainās. Jūsu nobraukums atšķirsies.)

Kā profesionāli novērtēt mākslīgā intelekta sistēmu 🧪🔍

1. Definējiet darbu — viena teikuma uzdevuma apraksts.

2. Izvēlieties rādītājus — precizitāti, latentumu, izmaksas, drošības aktivizētājus.

3. Izveidojiet testa komplektu — reprezentatīvu, daudzveidīgu un ierobežotu.

4. Pārbaudiet kļūmju režīmus — ievades datus, kas sistēmai jānoraida vai jāeskalē.

5. Neobjektivitātes pārbaude — demogrāfiskās sadaļas un sensitīvi atribūti, ja piemērojams.

6. Cilvēks piedalās procesā — norādiet, kad personai ir jāveic pārskatīšana.

7. Reģistrēt un uzraudzīt — nobīdes noteikšana, incidentu reaģēšana, atcelšana.

8. Dokuments — datu avoti, ierobežojumi, paredzētais lietojums, brīdinājuma signāli. NIST mākslīgā intelekta RMF sniedz jums kopīgu valodu un procesus šim nolūkam. [4]

Bieži sastopami nepareizi priekšstati, ko dzirdu visu laiku 🙃

• “Tā ir tikai kopēšana.” Apmācība apgūst statistisko struktūru; ģenerēšana veido jaunas izejas, kas atbilst šai struktūrai. Tas var būt radoši – vai nepareizi –, bet tā nav kopēšana un ielīmēšana. [2]

• “Mākslīgais intelekts saprot kā cilvēks.” Tas modelē modeļus. Dažreiz tas izskatās pēc sapratnes; dažreiz tas ir pārliecināts izplūdis attēls. [2]

• “Lielāks vienmēr ir labāks.” Mērogs palīdz, taču datu kvalitāte, saskaņošana un izguve bieži vien ir svarīgāka. [2][3]

• “Viens mākslīgais intelekts pārvalda visu.” Reālie steki ir vairāku modeļu: faktu izguve, ģeneratīva teksta izguve, mazi, ātri modeļi ierīcē, kā arī klasiska meklēšana.

Nedaudz dziļāks ieskats: Transformatori un difūzija vienā minūtē ⏱️

• Transformatori aprēķina uzmanības rādītājus starp marķieriem, lai izlemtu, uz ko koncentrēties. Slāņu sakraušana uztver liela attāluma atkarības bez tiešas atkārtošanās, nodrošinot augstu paralēlismu un labu veiktspēju dažādos valodas uzdevumos. Šī arhitektūra ir pamatā lielākajai daļai mūsdienu valodu sistēmu. [3]

• Difūzijas modeļi iemācās pakāpeniski novērst troksni, līdzīgi kā pulējot miglainu spoguli, līdz parādās seja. Galvenās apmācības un paraugu ņemšanas idejas atklāja attēlu ģenerēšanas uzplaukumu un tagad attiecas arī uz audio un video. [5]

Mikroglosārijs, ko varat paturēt 📚

• Modelis — parametrizēta funkcija, kuru apmācām, lai piesaistītu ieejas datus izejām.

• Apmācība — parametru optimizēšana, lai samazinātu zaudējumus piemēros.

• Pārmērīga pielāgošana — lieliski darbojas ar treniņu datiem, citur ne pārāk.

• Halucinācija - plūstoša, bet faktiski nepareiza izvade.

• RAG — ar izgūšanu papildināta paaudze, kas konsultē jaunus avotus.

• Saskaņošana — uzvedības veidošana, lai sekotu norādījumiem un normām.

• Drošība — kaitīgu rezultātu novēršana un risku pārvaldība visā dzīves ciklā.

• Secinājums — apmācīta modeļa izmantošana prognožu izdarīšanai.

• Latentums — laiks no ievades līdz atbildei.

• Aizsargmargas — modeļa politikas, filtri un vadīklas.

Pārāk garš, neizlasīju — noslēguma piezīmes 🌯

Kas ir mākslīgais intelekts? Metožu kopums, kas ļauj datoriem mācīties no datiem un inteliģenti rīkoties mērķu sasniegšanai. Mūsdienu vilnis balstās uz dziļo mācīšanos, īpaši valodas transformatoriem un mediju izplatīšanu. Pārdomāti izmantots, mākslīgais intelekts mērogo modeļu atpazīšanu, paātrina radošo un analītisko darbu un paver jaunas zinātniskas durvis. Neuzmanīgi izmantots, tas var maldināt, izslēgt vai graut uzticību. Veiksmīgais ceļš apvieno spēcīgu inženieriju ar pārvaldību, mērījumiem un nelielu pazemības pieskārienu. Šis līdzsvars nav tikai iespējams – tas ir mācāms, pārbaudāms un uzturējams ar pareizajiem ietvariem un noteikumiem. [2][3][4][5]

Atsauces

[1] Encyclopedia Britannica — Mākslīgais intelekts (MI) : lasīt vairāk
[2] Nature — “Dziļā mācīšanās” (LeCun, Bengio, Hinton) : lasīt vairāk
[3] arXiv — “Uzmanība ir viss, kas jums nepieciešams” (Vaswani et al.) : lasīt vairāk
[4] NIST — MI risku pārvaldības sistēma : lasīt vairāk
[5] arXiv — “Difūzijas varbūtības modeļi ar trokšņa mazināšanu” (Ho et al.) : lasīt vairāk

Atrodiet jaunāko mākslīgo intelektu oficiālajā mākslīgā intelekta palīgu veikalā

Par mums