Mākslīgais intelekts no zinātniskās fantastikas romāniem nu ir kļuvis par realitāti un pieejams vidusmēra cilvēkiem, kas nav inženieri. Tas notika, kad daži uzņēmumi ieviesa ģeneratīvā MI rīkus. Tagad mākslīgais intelekts spēj ar mums "sarunāties"... mūsu valodā.
Vēlamies dalīties ar "Mākslīgā intelekta terminoloģijas "starta komplektu"", tādējādi jums būs vieglāk orientēties mākslīgā intelekta jomā un terminoloģijā. Raksta galvenais uzdevums ir vienkāršot mākslīgā intelekta jēdzienu un salāgot iedomas ar realitāti, ļaujot diskutēt par mākslīgā intelekta ietekmi uz sabiedrību gan personām ar tehnisko izglītību, gan bez tās.
Korekta terminu lietošana ir pastāvīgs izaicinājums. Izskaidrosim pamatus, izmantojot terminu karti (attēlā) un īsas definīcijas. Lūdzu, paturiet prātā, ka patiesā MI joma ir daudz piesātinātāka ar dažādiem jēdzieniem. Šeit būs mūsu saīsinātais saraksts.
Mākslīgais intelekts (MI):
Ar mākslīgo intelektu apzīmē mašīnu spēju izrādīt intelektu pretstatā dabiskajam intelektam, ko izrāda cilvēki vai dzīvnieki. Vienkāršāk sakot, tas ir veids, kā mašīnas spēj mācīties, spriest un izdarīt secinājumus.
Mašīnmācīšanās (MM):
Mašīnmācīšanās ir mākslīgā intelekta apakšgrupa, kas izmanto datus un algoritmus, lai atdarinātu cilvēka mācīšanos, ar laiku uzlabojot precizitāti.
Pārraudzīta mācīšanās:
Algoritms mācās no konkrētiem datiem, kuros gaidāmie rezultāti ir iepriekš marķēti. Bieži vien tiek lietots tādos darbos kā šķirošana (piemēram, surogātpasta dzēšana) vai vērtību prognozēšana (piemēram, programmatūras cenas aprēķināšana).
Algoritms apstrādā datus, kuri nav iepriekš marķēti, lai atklātu slēptos modeļus. Tipiski lietojumi ietver līdzīgu elementu grupēšanu (piemēram, klientu segmentēšanu) vai attiecību atrašanu (piemēram, golfa spēlētāju rezultātu analīze nākamajai kārtai).
Pastiprināta mācīšanās:
Algoritms pielāgojas, mijiedarbojoties ar apkārtējo vidi, un saņem atgriezenisko saiti, izmantojot atlīdzības vai sodus. Šī pieeja ir izplatīta tādās jomās kā robotika, videospēles un specifiski optimizācijas uzdevumi.
Dažu-piemēru (Few-Shot) mācīšanās un bezpiemēru (Zero-Shot) mācīšanās:
Mācīšanās, izmantojot minimālu piemēru skaitu, un dažos gadījumos, piemēram, bezpiemēru mācīšanās bez jebkādiem tiešiem piemēriem vispār.
Mākslīgais intelekts (MI):
Ar mākslīgo intelektu apzīmē mašīnu spēju izrādīt intelektu pretstatā dabiskajam intelektam, ko izrāda cilvēki vai dzīvnieki. Vienkāršāk sakot, tas ir veids, kā mašīnas spēj mācīties, spriest un izdarīt secinājumus.
Mašīnu dziļā mācīšanās (DL):
Pieskaitāma plašākai MM metožu grupai, ko raksturo daudzlīmeņu algoritmi, veidojot "mākslīgos neironu tīklus". Šie algoritmi var patstāvīgi mācīties un izdarīt viedas izvēles, atdarinot cilvēka smadzeņu darbību.
Ģeneratīvais mākslīgais intelekts (GenAl):
Attiecas uz īpašiem DL modeļiem, kas mācās no ievades datiem un pēc tam ģenerē augstas kvalitātes tekstu, attēlus un līdzīgu saturu.
Ģeneratīvie iepriekš apmācītie transformatori (GPT):
GenAI modeļu veids, kas izmanto uzlabotas transformatoru struktūras, kas pazīstamas ar attālu savienojumu noteikšanu un konteksta izpratni datu sekvencēs.
Liels valodas modelis (LLM):
GPT algoritms (nevis zināšanu datubāze), kas prasmīgi identificē, apkopo, tulko, prognozē un ģenerē tekstu vai citu saturu, izmantojot plašās datu kopās gūtas atziņas.
Citi diezgan bieži lietoti termini:
- Tradicionālais MI
- Ģeneratīvais MI
Tradicionālais MI galvenokārt analizē datus un prognozē rezultātus, savukārt ģeneratīvais MI dara ne tikai to, bet arī spēj radīt jaunus datus, kas līdzinās tiem, uz kuriem tas tika apmācīts.
Mēs uzņēmumā Mitigate esam pārliecināti, ka MI mainīs to, kā mēs izmantojam tehnoloģijas. Iesakām apgūt pamatus, jo tas palīdzēs saredzēt mākslīgā intelekta sniegtās iespējas jūsu uzņēmumā.