Шта је вештачка интелигенција (AI)?

Вештачка интелигенција се појављује свуда - на вашем телефону, у пријемном сандучету, подешавајући мапе, пишући имејлове које сте готово намеравали да напишете. Али шта је вештачка интелигенција ? Укратко: то је скуп техника које омогућавају рачунарима да обављају задатке које повезујемо са људском интелигенцијом, попут препознавања образаца, предвиђања и генерисања језика или слика. Ово није маркетинг заснован на таласима руке и главе. То је утемељена област са математиком, подацима и пуно покушаја и грешака. Ауторитативне референце представљају вештачку интелигенцију као системе који могу да уче, расуђују и делују ка циљевима на начине које сматрамо интелигентним. [1]

Чланци које бисте можда желели да прочитате након овог:

🔗 Шта је вештачка интелигенција отвореног кода?
Разумети вештачку интелигенцију отвореног кода, предности, моделе лиценцирања и сарадњу заједнице.

🔗 Шта је неуронска мрежа у вештачкој интелигенцији?
Научите основе неуронских мрежа, типове архитектуре, обуку и уобичајене употребе.

🔗 Шта је рачунарски вид у вештачкој интелигенцији?
Погледајте како машине интерпретирају слике, кључне задатке, скупове података и апликације.

🔗 Шта је симболичка вештачка интелигенција?
Истражите симболичко резоновање, графове знања, правила и хибридне неуро-симболичке системе.

Шта је вештачка интелигенција: брза верзија 🧠➡️💻

Вештачка интелигенција је скуп метода које омогућавају софтверу да апроксимира интелигентно понашање. Уместо кодирања сваког правила, често тренирамо моделе на примерима како би се могли генерализовати на нове ситуације - препознавање слика, претварање говора у текст, планирање руте, асистенти кода, предвиђање структуре протеина и тако даље. Ако желите уредну дефиницију за своје белешке: замислите рачунарске системе који обављају задатке повезане са људским интелектуалним процесима као што су расуђивање, откривање значења и учење из података. [1]

Користан ментални модел из ове области је третирање вештачке интелигенције као система усмереног ка циљу који перципира своје окружење и бира акције - корисно када почнете да размишљате о петљама евалуације и контроле. [1]

Шта чини вештачку интелигенцију заправо корисном✅

Зашто посегнути за вештачком интелигенцијом уместо традиционалних правила?

• Моћ образаца - модели уочавају суптилне корелације између огромних скупова података које би људи пропустили пре ручка.

• Адаптација - са више података, перформансе се могу побољшати без преписивања целог кода.

• Брзина у великим размерама - једном обучени, модели раде брзо и константно, чак и при стресним количинама.

• Генеративност - модерни системи могу да производе текст, слике, код, чак и молекуле кандидате, не само да класификују ствари.

• Пробабилистичко размишљање - они се грациозније носе са неизвесношћу него крхке „ако-иначе“ шуме.

• Алати који користе алате - можете повезати моделе са калкулаторима, базама података или претрагом како бисте појачали поузданост.

• Када није добро - пристрасност, халуцинације, застарели подаци о обуци, ризици по приватност. Стићи ћемо до тога.

Будимо искрени: понекад се вештачка интелигенција осећа као бицикл за ум, а понекад као моноцикл на шљунку. Оба могу бити тачна.

Како вештачка интелигенција функционише, људском брзином 🔧

Већина модерних система вештачке интелигенције комбинује:

1. Подаци - примери језика, слике, кликови, очитавања сензора.

2. Циљеви - функција губитка која говори како изгледа „добро“.

3. Алгоритми - поступак обуке који подстиче модел да минимизира тај губитак.

4. Евалуација - скупови тестова, метрике, провере исправности.

5. Распоређивање - опслуживање модела уз праћење, безбедност и заштитне ограде.

Две широке традиције:

• Симболичка или логички заснована вештачка интелигенција - експлицитна правила, графикони знања, претрага. Одлично за формално резоновање и ограничења.

• Статистичка или вештачка интелигенција заснована на учењу - модели који уче из података. Ту живи дубоко учење и одакле долази већина недавне популарности; један широко цитирани преглед мапира територију од слојевитих репрезентација до оптимизације и генерализације. [2]

У оквиру вештачке интелигенције засноване на учењу, неколико стубова је важно:

• Надгледано учење - учите из означених примера.

• Ненадгледано и самонадгледано - учење структуре из неозначених података.

• Учење са појачањем - учење кроз покушаје и повратне информације.

• Генеративно моделирање - научите да производите нове узорке који изгледају стварно.

Две генеративне породице о којима ћете чути свакодневно:

• Трансформерси - архитектура која стоји иза већине великих језичких модела. Користи пажњу да повеже сваки токен са другима, омогућавајући паралелно тренирање и изненађујуће флуентне излазе. Ако сте чули за „самопозорење“, то је основни трик. [3]

• Модели дифузије - уче да обрну процес шумопојавања, враћајући се од случајног шума назад до оштре слике или звука. То је као да се шпил размешта, полако и пажљиво, али уз помоћ математичке анализе; основни рад је показао како ефикасно тренирати и семплирати. [5]

Ако метафоре делују претерано, то је у реду - вештачка интелигенција је покретна мета. Сви учимо плес док се музика мења усред песме.

Где већ свакодневно срећете вештачку интелигенцију 📱🗺️📧

• Претрага и препоруке - резултати рангирања, фидови, видео снимци.

• Е-пошта и документи - аутоматско довршавање, сумирање, провере квалитета.

• Камера и звук - уклањање шума, HDR, транскрипција.

• Навигација - прогноза саобраћаја, планирање руте.

• Подршка и услуга - агенти за ћаскање који врше тријажу и састављају одговоре.

• Кодирање - предлози, рефакторисање, тестови.

• Здравље и наука - тријажа, подршка снимању, предвиђање структуре. (Третирајте клиничке контексте као критичне за безбедност; користите људски надзор и документована ограничења.) [2]

Мини анегдота: тим производа може А/Б тестирати корак претраживања испред језичког модела; стопе грешака често опадају јер модел размишља на основу свежег, специфичног контекста задатка, уместо да погађа. (Метод: дефинишите метрике унапред, задржите резервни скуп и упоредите сличне упите.)

Снаге, ограничења и благи хаос између ⚖️

Снаге

• Са грациозношћу обрађује велике, неуредне скупове података.

• Скалира се на различите задатке са истом основном машинеријом.

• Учи латентну структуру коју нисмо ручно пројектовали. [2]

Ограничења

• Халуцинације - модели могу произвести вероватне, али нетачне излазе.

• Пристрасност - подаци за обуку могу кодирати друштвене пристрасности које системи затим репродукују.

• Робусност - гранични случајеви, контрадикторни улази и промена дистрибуције могу да покваре ствари.

• Приватност и безбедност - осетљиви подаци могу процурети ако нисте пажљиви.

• Објашњивост - зашто је то речено? Понекад нејасно, што фрустрира ревизије.

Управљање ризицима постоји да не бисте стварали хаос: Оквир за управљање ризицима у вези са вештачком интелигенцијом NIST-а пружа практичне, добровољне смернице за побољшање поузданости у дизајну, развоју и имплементацији - размислите о мапирању ризика, њиховом мерењу и управљању употребом од почетка до краја. [4]

Правила у саобраћају: безбедност, управљање и одговорност 🛡️

Прописи и смернице сустижу праксу:

• Приступи засновани на ризику - употребе са већим ризиком суочавају се са строжим захтевима; документација, управљање подацима и решавање инцидената су важни. Јавни оквири наглашавају транспарентност, људски надзор и континуирано праћење. [4]

• Нијансе сектора - области критичне за безбедност (као што је здравство) захтевају људско учешће и пажљиву процену; алати опште намене и даље имају користи од јасне документације о намени и ограничењима. [2]

Овде се не ради о гушењу иновација; ради се о томе да се ваш производ не претвара у апарат за кокице у библиотеци... што звучи забавно док не престане да буде.

Врсте вештачке интелигенције у пракси, са примерима 🧰

• Перцепција - вид, говор, фузија сензора.

• Језик - ћаскање, превод, сумирање, екстракција.

• Предвиђање - предвиђање потражње, бодовање ризика, откривање аномалија.

• Планирање и контрола - роботика, логистика.

• Генерисање - слике, аудио, видео, код, структурирани подаци.

Испод хаубе, математика се ослања на линеарну алгебру, вероватноћу, оптимизацију и рачунарске стекове који одржавају све у функцији. За детаљнији преглед основа дубоког учења, погледајте канонички преглед. [2]

Табела за поређење: популарни вештачки алати на први поглед 🧪

(Намерно мало несавршено. Цене се мењају. Ваша километража ће варирати.)

Како проценити вештачку интелигенцију као професионалац 🧪🔍

1. Дефинишите посао - изјава задатка од једне реченице.

2. Изаберите метрике - тачност, латенцију, трошкове, безбедносне окидаче.

3. Направите тестни сет - репрезентативан, разнолик, издржљив.

4. Проверите начине отказа - улазе које систем треба да одбије или ескалира.

5. Тестирајте на пристрасност - демографске слојеве и осетљиве атрибуте где је то применљиво.

6. Човек у току - наведите када особа мора да прегледа.

7. Забележи и прати - откривање померања, реаговање на инциденте, враћање на претходно стање.

8. Документ - извори података, ограничења, намењена употреба, упозорења. NIST AI RMF вам даје заједнички језик и процесе за ово. [4]

Уобичајене заблуде које стално чујем 🙃

• „То је само копирање.“ Обука учи статистичку структуру; генерисање саставља нове излазе у складу са том структуром. То може бити инвентивно - или погрешно - али није копирање и лепљење. [2]

• „Вештачка интелигенција разуме као особа.“ Моделира обрасце . Понекад то изгледа као разумевање; понекад је то самоуверена замагљеност. [2]

• „Веће је увек боље.“ Скала помаже, али квалитет података, усклађеност и претраживање често су важнији. [2][3]

• „Једна вештачка интелигенција која влада свима.“ Прави стекови су вишемоделски: претраживање чињеница, генеративно претраживање текста, мали брзи модели на уређају, плус класична претрага.

Мало дубљи поглед: Трансформери и дифузија, за један минут ⏱️

• Трансформатори израчунавају резултате пажње између токена како би одлучили на шта да се фокусирају. Слагање слојева обухвата дугорочне зависности без експлицитног понављања, омогућавајући високу паралелност и снажне перформансе у свим језичким задацима. Ова архитектура је основа већине модерних језичких система. [3]

• Дифузиони модели уче да корак по корак уклањају шум, попут полирања замагљеног огледала док се не појави лице. Основне идеје за обуку и узорковање откључале су бум генерисања слика и сада се протежу на аудио и видео. [5]

Микро-глосар који можете задржати 📚

• Модел - параметризована функција коју тренирамо да мапира улазе на излазе.

• Обука - оптимизација параметара ради минимизирања губитака на примерима.

• Претерано прилагођавање - одлично се сналази на подацима за тренинг, али негде другде не.

• Халуцинација - течан, али чињенично погрешан излаз.

• RAG - генерација проширена на претраживање која консултује свеже изворе.

• Усклађивање - обликовање понашања како би се пратила упутства и норме.

• Безбедност - спречавање штетних исхода и управљање ризицима током целог животног циклуса.

• Закључивање - коришћење обученог модела за прављење предвиђања.

• Латенција - време од уноса до одговора.

• Заштитне ограде - политике, филтери и контроле око модела.

Предугачко, нисам прочитао/ла - Завршне напомене 🌯

Шта је вештачка интелигенција? Скуп техника које омогућавају рачунарима да уче из података и интелигентно делују ка циљевима. Модерни талас се креће на дубоком учењу - посебно трансформаторима за језик и дифузији за медије. Коришћена промишљено, вештачка интелигенција скалира препознавање образаца, убрзава креативни и аналитички рад и отвара нова научна врата. Коришћена непажљиво, може заварати, искључити или нарушити поверење. Срећан пут спаја снажан инжењеринг са управљањем, мерењем и дозом скромности. Та равнотежа није само могућа - она ​​је поучна, тестирана и одржива уз праве оквире и правила. [2][3][4][5]

Референце

[1] Енциклопедија Британика - Вештачка интелигенција (ВИ) : прочитајте више
[2] Природа - „Дубоко учење“ (ЛеКун, Бенђо, Хинтон) : прочитајте више
[3] arXiv - „Пажња је све што вам је потребно“ (Васвани и др.) : прочитајте више
[4] NIST - Оквир за управљање ризиком ВИ : прочитајте више
[5] arXiv - „Уклањање шума код дифузионих вероватносних модела“ (Хо и др.) : прочитајте више

Пронађите најновију вештачку интелигенцију у званичној продавници вештачке интелигенције

О нама