Çfarë është IA?

IA shfaqet kudo - në telefonin tuaj, në kutinë tuaj postare, duke lëvizur hartat, duke hartuar email-e që gjysmë keni dashur t'i shkruani. Por çfarë është IA ? Version i shkurtër: është një sërë teknikash që i lejojnë kompjuterët të kryejnë detyra që i shoqërojmë me inteligjencën njerëzore, si njohja e modeleve, bërja e parashikimeve dhe gjenerimi i gjuhës ose imazheve. Ky nuk është marketing i thjeshtë. Është një fushë e bazuar me matematikë, të dhëna dhe shumë prova dhe gabime. Referencat autoritare e paraqesin IA-në si sisteme që mund të mësojnë, arsyetojnë dhe veprojnë drejt qëllimeve në mënyra që i konsiderojmë inteligjente. [1]

Artikuj që mund t'ju pëlqejnë të lexoni pas këtij:

🔗 Çfarë është inteligjenca artificiale me burim të hapur?
Kuptoni inteligjencën artificiale me burim të hapur, përfitimet, modelet e licencimit dhe bashkëpunimin me komunitetin.

🔗 Çfarë është një rrjet nervor në IA?
Mësoni bazat e rrjeteve nervore, llojet e arkitekturës, trajnimin dhe përdorimet e zakonshme.

🔗 Çfarë është vizioni kompjuterik në IA?
Shihni se si makinat interpretojnë imazhet, detyrat kryesore, grupet e të dhënave dhe aplikacionet.

🔗 Çfarë është inteligjenca artificiale simbolike?
Eksploroni arsyetimin simbolik, grafikët e njohurive, rregullat dhe sistemet hibride neuro-simbolike.

Çfarë është IA: versioni i shpejtë 🧠➡️💻

IA është një grup metodash që i lejojnë softuerit të përafrojë sjelljen inteligjente. Në vend që të kodojmë çdo rregull, ne shpesh trajnojmë modele mbi shembuj në mënyrë që ato të mund të përgjithësohen në situata të reja - njohja e imazhit, shndërrimi i të folurit në tekst, planifikimi i itinerarit, asistentët e kodit, parashikimi i strukturës së proteinave e kështu me radhë. Nëse ju pëlqen një përkufizim i qartë për shënimet tuaja: mendoni për sistemet kompjuterike që kryejnë detyra të lidhura me proceset intelektuale njerëzore, të tilla si arsyetimi, zbulimi i kuptimit dhe të mësuarit nga të dhënat. [1]

Një model mendor i dobishëm nga kjo fushë është trajtimi i IA-së si sisteme të drejtuara nga qëllimet që perceptojnë mjedisin e tyre dhe zgjedhin veprime - e dobishme kur filloni të mendoni për vlerësimin dhe ciklet e kontrollit. [1]

Çfarë e bën inteligjencën artificiale në të vërtetë të dobishme✅

Pse të kërkojmë inteligjencën artificiale në vend të rregullave tradicionale?

• Fuqia e modelit - modelet dallojnë korrelacione delikate nëpër grupe të mëdha të dhënash që njerëzit do t'i humbisnin para drekës.

• Përshtatja - me më shumë të dhëna, performanca mund të përmirësohet pa rishkruar të gjithë kodin.

• Shpejtësia në shkallë të gjerë - pasi trajnohen, modelet funksionojnë shpejt dhe në mënyrë të qëndrueshme, madje edhe në vëllime stresuese.

• Gjenerativiteti - sistemet moderne mund të prodhojnë tekst, imazhe, kod, madje edhe molekula kandidate, jo vetëm të klasifikojnë gjërat.

• Të menduarit probabilistik - ata e trajtojnë pasigurinë më me hir sesa pyjet e brishta "nëse-tjetër".

• Mjete që përdorin mjete - mund të lidhni modele me kalkulatorë, baza të dhënash ose kërkim për të rritur besueshmërinë.

• Kur nuk është mirë - paragjykime, halucinacione, të dhëna të vjetra trajnimi, rreziqe për privatësinë. Do t'ia dalim mbanë.

Le të jemi të sinqertë: ndonjëherë inteligjenca artificiale duket si një biçikletë për mendjen, dhe ndonjëherë është si një biçikletë me një rrotë mbi zhavorr. Të dyja mund të jenë të vërteta.

Si funksionon inteligjenca artificiale, me shpejtësinë e njeriut 🔧

Shumica e sistemeve moderne të inteligjencës artificiale kombinojnë:

1. Të dhëna - shembuj të gjuhës, imazheve, klikimeve, leximeve të sensorëve.

2. Objektivat - një funksion humbjeje që thotë se si duket "e mira".

3. Algoritmet - procedura e trajnimit që e shtyn një model të minimizojë atë humbje.

4. Vlerësimi - grupe testesh, metrika, kontrolle të shëndetit mendor.

5. Vendosja - shërbimi i modelit me monitorim, siguri dhe parmakë mbrojtës.

Dy tradita të gjera:

• IA simbolike ose e bazuar në logjikë - rregulla të qarta, grafikë njohurish, kërkim. I shkëlqyer për arsyetimin formal dhe kufizimet.

• IA statistikore ose e bazuar në të nxënë - modele që mësojnë nga të dhënat. Këtu jeton të nxënit e thellë dhe nga vjen pjesa më e madhe e shpërthimit të kohëve të fundit; një përmbledhje e cituar gjerësisht hartëzon territorin nga përfaqësimet e shtresuara te optimizimi dhe përgjithësimi. [2]

Brenda inteligjencës artificiale të bazuar në të nxënë, disa shtylla kanë rëndësi:

• Mësim i mbikëqyrur - mësoni nga shembuj të etiketuar.

• Pa mbikëqyrje dhe vetëmbikëqyrje - mësoni strukturën nga të dhënat e paetiketuara.

• Mësimi përforcues - mëso me anë të provës dhe reagimeve.

• Modelimi gjenerues - mësoni të prodhoni mostra të reja që duken reale.

Dy familje gjenerative për të cilat do të dëgjoni çdo ditë:

• Transformatorët - arkitektura që qëndron pas shumicës së modeleve të mëdha gjuhësore. Përdor vëmendjen për të lidhur çdo shenjë me të tjerat, duke mundësuar trajnim paralel dhe rezultate çuditërisht të rrjedhshme. Nëse e keni dëgjuar "vëmendje ndaj vetes", ky është truku kryesor. [3]

• Modelet e difuzionit - ato mësojnë të përmbysin një proces zhurme, duke kaluar nga zhurma e rastësishme përsëri në një imazh ose audio të qartë. Është si të ripërziesh një paketë letrash, ngadalë dhe me kujdes, por me analizë; puna themelore tregoi se si të stërvitesh dhe të marrësh mostra në mënyrë efektive. [5]

Nëse metaforat duken të tendosura, kjo është e drejtë - inteligjenca artificiale është një objektiv në lëvizje. Ne të gjithë po mësojmë vallëzimin ndërsa muzika ndryshon në mes të këngës.

Ku tashmë takoni IA çdo ditë 📱🗺️📧

• Kërkim dhe rekomandime - renditje rezultatesh, burime, video.

• Email dhe dokumente - plotësim automatik, përmbledhje, kontrolle cilësie.

• Kamera dhe audio - dezhurmë, HDR, transkriptim.

• Navigim - parashikimi i trafikut, planifikimi i itinerarit.

• Mbështetje dhe shërbim - agjentë chat-i që vlerësojnë dhe hartojnë përgjigje.

• Kodim - sugjerime, rifaktorizime, teste.

• Shëndetësia dhe shkenca - triazhimi, mbështetja me imazhe, parashikimi i strukturës. (Trajtojini kontekstet klinike si kritike për sigurinë; përdorni mbikëqyrjen njerëzore dhe kufizimet e dokumentuara.) [2]

Mini-anekdotë: një ekip produkti mund të testojë A/B një hap rikuperimi përpara një modeli gjuhësor; shkalla e gabimeve shpesh bie sepse modeli arsyeton mbi një kontekst më të ri, specifik për detyrën, në vend që të hamendësojë. (Metoda: përcaktoni metrikat që në fillim, mbani një grup rezervë dhe krahasoni pyetjet e ngjashme.)

Pikat e forta, kufizimet dhe kaosi i lehtë midis tyre ⚖️

Pikat e forta

• Trajton me elegancë grupe të dhënash të mëdha dhe të çrregullta.

• Shkallëzohet në të gjitha detyrat me të njëjtin mekanizëm kryesor.

• Mëson strukturën latente që nuk e kemi projektuar me dorë. [2]

Limitet

• Halucinacione - modelet mund të prodhojnë rezultate që tingëllojnë të besueshme, por të pasakta.

• Paragjykimi - të dhënat e trajnimit mund të kodojnë paragjykime sociale që sistemet më pas i riprodhojnë.

• Qëndrueshmëria - rastet ekstreme, inputet kundërshtare dhe ndryshimi i shpërndarjes mund të prishin gjërat.

• Privatësia dhe siguria - të dhënat e ndjeshme mund të rrjedhin nëse nuk jeni të kujdesshëm.

• Shpjegueshmëria - pse u tha kjo? Ndonjëherë e paqartë, gjë që i frustron auditimet.

Menaxhimi i riskut ekziston në mënyrë që të mos krijoni kaos: Korniza e Menaxhimit të Riskut të IA-së NIST ofron udhëzime praktike dhe vullnetare për të përmirësuar besueshmërinë në të gjithë projektimin, zhvillimin dhe vendosjen - mendoni për hartëzimin e rreziqeve, matjen e tyre dhe qeverisjen e përdorimit nga fillimi në fund. [4]

Rregullat e rrugës: siguria, qeverisja dhe llogaridhënia 🛡️

Rregullorja dhe udhëzimet po e arrijnë ritmin me praktikën:

• Qasjet e bazuara në risk - përdorimet me risk më të lartë përballen me kërkesa më të rrepta; dokumentimi, qeverisja e të dhënave dhe trajtimi i incidenteve kanë rëndësi. Kornizat publike theksojnë transparencën, mbikëqyrjen njerëzore dhe monitorimin e vazhdueshëm. [4]

• Nuancë sektori - fushat kritike për sigurinë (si shëndetësia) kërkojnë vlerësim të kujdesshëm dhe të ndërgjegjshëm nga ana e njeriut; mjetet për qëllime të përgjithshme përfitojnë ende nga dokumente të qarta për përdorimin e synuar dhe kufizimet. [2]

Kjo nuk ka të bëjë me pengimin e inovacionit; ka të bëjë me moskthimin e produktit tuaj në një makinë për kokoshka në një bibliotekë… gjë që tingëllon argëtuese derisa të mos duket kështu.

Llojet e inteligjencës artificiale në praktikë, me shembuj 🧰

• Perceptimi - shikimi, të folurit, bashkimi i sensorëve.

• Gjuhë - bisedë, përkthim, përmbledhje, nxjerrje.

• Parashikimi - parashikimi i kërkesës, vlerësimi i riskut, zbulimi i anomalive.

• Planifikim dhe kontroll - robotikë, logjistikë.

• Gjenerimi - imazhe, audio, video, kod, të dhëna të strukturuara.

Në thelb, matematika mbështetet në algjebrën lineare, probabilitetin, optimizimin dhe grumbullimet llogaritëse që i mbajnë të gjitha në lëvizje. Për një vështrim më të thellë mbi themelet e të mësuarit të thellë, shihni përmbledhjen kanonik. [2]

Tabela Krahasuese: mjetet e njohura të IA-së me një shikim 🧪

(Pak i papërsosur me qëllim. Çmimet ndryshojnë. Kilometrazhi juaj do të ndryshojë.)

Si ta vlerësoni një sistem IA si një profesionist 🧪🔍

1. Përcaktoni punën - një deklaratë detyre me një fjali.

2. Zgjidhni metrika - saktësinë, vonesën, koston, shkaktarët e sigurisë.

3. Bëni një grup testesh - përfaqësues, të larmishëm, të përmbajtur.

4. Kontrolloni mënyrat e dështimit - të dhënat hyrëse që sistemi duhet t'i refuzojë ose t'i përshkallëzojë.

5. Testoni për paragjykim - segmente demografike dhe atribute të ndjeshme aty ku është e aplikueshme.

6. Njeriu në ciklin e punës - specifikoni kur një person duhet të rishikojë.

7. Regjistro dhe monitoro - zbulimi i devijimeve, reagimi ndaj incidenteve, rikthimet prapa.

8. Dokument - burimet e të dhënave, kufizimet, përdorimi i synuar, sinjalet e kuqe. RMF i AI-së së NIST-it ju ofron gjuhë dhe procese të përbashkëta për këtë. [4]

Keqkuptime të zakonshme që i dëgjoj gjatë gjithë kohës 🙃

• “Është thjesht kopjim.” Trajnimi mëson strukturën statistikore; gjenerimi krijon rezultate të reja në përputhje me atë strukturë. Kjo mund të jetë shpikëse - ose e gabuar - por nuk është kopjim-ngjitje. [2]

• “IA kupton si një person.” Ajo modelon modele. Ndonjëherë kjo duket si të kuptuarit; ndonjëherë është një turbullirë e sigurt. [2]

• "Sa më i madh është gjithmonë më mirë." Shkalla ndihmon, por cilësia, renditja dhe rikuperimi i të dhënave shpesh kanë më shumë rëndësi. [2][3]

• “Një inteligjencë artificiale për t’i sunduar të gjitha.” Grumbullimet e vërteta janë me shumë modele: rikthim për fakte, gjenerues për tekst, modele të vogla dhe të shpejta në pajisje, plus kërkim klasik.

Një vështrim pak më i thellë: Transformers dhe difuzion, në një minutë ⏱️

• Transformatorët llogaritin rezultatet e vëmendjes midis tokenëve për të vendosur se në çfarë të përqendrohen. Grumbullimi i shtresave kap varësitë me rreze të gjatë pa përsëritje të qartë, duke mundësuar paralelizëm të lartë dhe performancë të fortë në të gjitha detyrat gjuhësore. Kjo arkitekturë mbështet shumicën e sistemeve moderne gjuhësore. [3]

• Modelet e difuzionit mësojnë të zhbëjnë zhurmën hap pas hapi, si lustrimi i një pasqyre të mjegullt derisa të shfaqet një fytyrë. Trajnimi bazë dhe idetë e marrjes së mostrave hapën bumin e gjenerimit të imazheve dhe tani shtrihen në audio dhe video. [5]

Mikro-fjalor që mund ta mbani 📚

• Model - një funksion i parametrizuar që ne e stërvitim për të lidhur hyrjet me daljet.

• Trajnim - optimizimi i parametrave për të minimizuar humbjet në shembuj.

• Mbipërshtatje - po bën shumë mirë me të dhënat e stërvitjes, me sa duket diku tjetër.

• Halucinacion - prodhim i rrjedhshëm, por faktikisht i gabuar.

• RAG - gjenerim i shtuar i rikthimit që konsulton burime të reja.

• Përshtatja - formësimi i sjelljes për të ndjekur udhëzimet dhe normat.

• Siguria - parandalimi i rezultateve të dëmshme dhe menaxhimi i rrezikut gjatë gjithë ciklit jetësor.

• Konkluzioni - përdorimi i një modeli të trajnuar për të bërë parashikime.

• Vonesa - koha nga hyrja deri te përgjigja.

• Mbrojtëse - politika, filtra dhe kontrolle rreth modelit.

Shumë e gjatë, nuk e lexova - Vërejtje përfundimtare 🌯

Çfarë është IA? Një koleksion teknikash që i lejojnë kompjuterët të mësojnë nga të dhënat dhe të veprojnë në mënyrë inteligjente drejt qëllimeve. Vala moderne mbështetet në të nxënit e thellë - veçanërisht transformatorët për gjuhën dhe përhapjen për median. E përdorur me kujdes, IA shkallëzon njohjen e modeleve, përshpejton punën krijuese dhe analitike dhe hap dyer të reja shkencore. E përdorur pa kujdes, ajo mund të mashtrojë, përjashtojë ose gërryejë besimin. Rruga e lumtur përzien inxhinierinë e fortë me qeverisjen, matjen dhe një prekje përulësie. Ky ekuilibër nuk është thjesht i mundur - është i mësueshëm, i testueshëm dhe i mirëmbajtur me kornizat dhe rregullat e duhura. [2][3][4][5]

Referencat

[1] Enciklopedia Britannica - Inteligjenca Artificiale (IA) : lexoni më shumë
[2] Natyra - “Mësim i thellë” (LeCun, Bengio, Hinton) : lexoni më shumë
[3] arXiv - “Vëmendja është e tëra çfarë ju nevojitet” (Vaswani et al.) : lexoni më shumë
[4] NIST - Korniza e Menaxhimit të Riskut të IA-së : lexoni më shumë
[5] arXiv - “Modelet Probabilistike të Zhurmës së Difuzionit” (Ho et al.) : lexoni më shumë

Gjeni IA-në më të fundit në Dyqanin Zyrtar të Asistentëve të IA-së

Rreth Nesh