Umělá inteligence tu zůstane, takže se aktualizujte pomocí těchto 7 podmínek AI

Rychlé odkazy

• Umělá inteligence (AI) vs AGI (Umělá obecná inteligence)

• AI halucinace

• Neuronové sítě

• Strojové učení vs hluboké učení

• Zpracování přirozeného jazyka (NLP)

• Modely transformátorů

• Velké jazykové modely

AI postupuje závratnou rychlostí. Pokud chcete držet krok s dobou, je zásadní, abyste znali žargon používaný společnostmi a obchodníky s umělou inteligencí. Zde je sedm termínů AI běžně používaných v každodenním diskurzu, které vám pomohou stát se informovaným účastníkem.

1 Umělá inteligence (AI) vs. AGI (Umělá obecná inteligence)

AI společnosti často mluví o dosažení AGI. Co to je a jak se liší od dnešní AI?

Učebnicovou definicí umělé inteligence jsou počítačové systémy, které mohou provádět úkoly vyžadující inteligenci podobnou lidské inteligenci. Současné nástroje umělé inteligence však tuto definici plně nesplňují. Ukazují pouze záblesky lidské inteligence, zaměřené na konkrétní úkoly.

ChatGPT může například psát text, kód a generovat obrázky pomocí DALL-E. Ale neumí vytvářet hudbu. Udio umí vytvářet hudbu, ale neumí psát text. Ve skutečnosti používá GPT-4o pro texty. Opravdová umělá inteligence by měla dělat všechny tyto věci a ještě více, stejně jako to umí lidé.

Zde přichází na řadu AGI. AGI označuje počítače, které dokážou zobrazovat inteligenci podobnou lidské inteligenci napříč různými úkoly. Interakce s AGI by byla jako mluvit s velitelem Data ze Star Treku.

To znamená, že i když víme, co by měl AGI dělat, nevíme, jak by to fungovalo. Většina výzkumníků AI, včetně AI Chief Meta, si myslí, že AGI je desítky let daleko.

2 Halucinace umělé inteligence

položili jste ChatGPT otázku a dostali jste perfektně znějící odpověď - dokud jste si neuvědomili, že je vymyšlená? To je halucinace AI.

Systémy umělé inteligence někdy generují falešné informace s jistotou na úrovni expertů. Mohli by tvrdit, že Shakespeare napsal „Velký Gatsby“ tak přesvědčivě, že tomu skoro věříte.

Tyto problémy byly běžné, když byl ChatGPT poprvé spuštěn s GPT-3.5. Halucinace se snížily s GPT-4 a GPT-4o, ale stále se vyskytují. Ale proč?

No, modely AI nerozumí informacím jako my. Předpovídají slova na základě naučených vzorců. Vznikají tak gramaticky správné, logické věty. Někdy však mohou skončit vymýšlením dat a faktů.

Vědci pracují na snížení halucinací, ale stále je to problém. Jak to tak je, nejlepší obranou proti halucinacím jste vy. Při používání umělé inteligence vždy provádějte náležitou péči a dvakrát zkontrolujte všechna fakta, která generuje, zvláště když to zní příliš dobře nebo divně, než aby to byla pravda.

3 Neuronové sítě

Neuronové sítě jsou výpočetní systémy inspirované organizací neuronů v mozcích zvířat - odtud název. Cílem je vytvořit výpočetní modely, které mohou zpracovávat informace a učit se způsoby inspirovanými (ne nutně identickými) biologickými nervovými systémy.

V lidském mozku se neurony spojují do složitých vzorců. Jejich aktivace ovlivňuje naše vzpomínky, myšlenky a činy. V neuronových sítích umělé neurony (uzly) přijímají vstupy, zpracovávají je a odesílají výstupy. Tyto uzly se spojují ve složitých vzorech. Výsledná struktura umožňuje systému provádět širokou škálu úkolů, které vyžadují inteligenci na lidské úrovni.

Aplikace neuronových sítí zahrnují rozpoznávání obrazu a řeči, autonomní vozidla, finanční prognózy a zpracování přirozeného jazyka, které počítačům umožňuje porozumět a generovat lidský jazyk.

To znamená, že neuronové sítě, zejména ty, které jsou navrženy pro komplexní pracovní zátěž, vyžadují spoustu vysoce kvalitních tréninkových dat, aby se naučily vzorce a zvládly nové situace. To může být náročné získat.

Také některé neuronové sítě - zejména modely hlubokého učení (více o tom v další části) - je obtížné interpretovat. Pochopení toho, jak dosáhnou závěrů, může být složité. Toto je problém černé skříňky. Výzkumníci pracují na lépe interpretovatelných modelech a způsobech, jak vysvětlit rozhodnutí AI.

4 Strojové učení vs. Hluboké učení

Strojové učení (ML) a hluboké učení (DL) jsou dvě z největších módních slov v technologickém prostoru. Zatímco někteří lidé si myslí, že strojové učení a hluboké učení jsou stejné, je tu jeden jemný, ale důležitý rozdíl, který stojí za zmínku.

Strojové učení je širší obor v informatice, kde dodáváte počítačům spoustu dat, abyste sami našli vzory. To je v kontrastu s tradičním programováním, kde vývojáři potřebují kódovat každou možnou interakci s uživatelem.

Programy ML nepotřebují tolik ručního držení a mohou generovat výstupy odkazováním na vzory v trénovacích datech - i když je prezentujete s jedinečnou situací, která se v trénovacích datech nevyskytuje. To znamená, že během výcviku potřebují lidské vedení, aby se ujistili, že jsou na správné cestě. Některé aplikace systémů ML vidíme v detekci spamu, doporučení produktů a předpovědi počasí.

Nyní je Deep Learning podmnožinou strojového učení, které využívá vícevrstvé neuronové sítě - odtud název „Deep“. Vyžaduje méně lidského vstupu než tradiční ML. Lidský vstup se podílí hlavně na raných fázích, jako je navrhování základního modelu.

Hluboké učení můžete použít k nalezení vzorců v nezpracovaných datech s malou lidskou pomocí. Je skvělý při zpracování složitých dat, jako jsou obrázky nebo text. Řídí pokročilé výpočetní úlohy, jako je rozpoznávání obrazu a obličeje, zpracování řeči a autonomní vozidla. Aby to však bylo možné, modely DL vyžadují obrovské trénovací datové sady a spoustu výpočetního výkonu.

5 Zpracování přirozeného jazyka (NLP)

NLP je obor počítačové vědy, který se zabývá pomocí počítačů porozumět, interpretovat a generovat lidský jazyk. Moderní úkoly NLP využívají hluboké učení k dosažení působivých výsledků.

Některé příklady úloh NLP zahrnují rozpoznávání řeči, převod textu na řeč, analýzu sentimentu, detekci sarkasmu, přenos stylu textu a další.

NLP je páteří konverzační technologie, jako je Alexa, Siri a další chatboti AI. Pomáhá také s překladem, moderováním obsahu a automaticky generovaným obsahem. Nedávné pokroky v NLP způsobily, že psaní AI je více lidské. To je důvod, proč ChatGPT zní tak přirozeně.

6 modelů transformátoru

Modely transformátorů jsou nedávným a revolučním nástrojem v oblasti umělé inteligence. Myšlenka na transformátory byla navržena v dokumentu z roku 2017 s názvem „Attention Is All You Need“ výzkumníky z Google Brain.

Transformátorové modely jsou v podstatě architekturou neuronové sítě používanou pro zpracování přirozeného jazyka. Základním konceptem je nejprve analyzovat širokou škálu vstupů najednou (nebo paralelně) a poté určit, které prvky jsou nejrelevantnější - proces zvaný „sebepozornost“.

Můžete si to představit jako supervýkonný čtenář, který okamžitě čte více odstavců a odvozuje význam z celého kontextu, místo aby četl každý odstavec postupně, jedno slovo po druhém.

Tento mechanismus sebepozorování umožňuje modelům Transformer lépe porozumět lidským vstupům, a proto generovat lepší výstupy. Umožnil super pokročilé možnosti jazykového překladu, sumarizaci textu a samozřejmě generování textu.

Modely Transformer jsou technologií, která stojí za výkonnými nástroji, jako je Google BERT (obousměrný kodér Representations from Transformers) nebo ChatGPT (Chat Generative Pre-trained Transformer). Nejde však jen o generování textu, protože tyto nástroje jsou užitečné i pro počítačové vidění a rozpoznávání řeči.

7 Velké jazykové modely

Velké jazykové modely (LLM) jsou výkonné modely Transformer trénované na masivních textových souborech dat. Mají miliardy nebo biliony parametrů a primárně se zaměřují na jazykovou zátěž. ChatGPT, nebo konkrétně GPT, je LLM. Claude, Gemini a Llama jsou příklady LLM.

Díky LLM nyní máme pokročilé generování textu, sumarizaci textu, překlad, generování kódu, porozumění a provádění úkolů a mnoho dalšího.

LLM jsou školeni na různých souborech dat v internetovém měřítku bez konkrétních pokynů. Vytvářejí vzory a spojení v datech. Někdy mohou být tyto vzory špatné, což je, když lidé přicházejí, aby doladili modely pro konkrétní úkoly a aplikace.

V současnosti jsou jedním z hlavních problémů LLM etické obavy a potenciál dezinformací. Protože trénovací datový soubor může obsahovat dezinformace a zkreslení, které se mohou přenést na LLM. To je vlastně jeden z důvodů, proč Google Search Generative Experience začal pro uživatele produkovat dezinformace.

Nyní jste vyzbrojeni znalostmi sedmi klíčových pojmů AI. Až si příště budete povídat o nejnovějších zprávách o AI, budete moci tyto výrazy zahodit jako profík. Pamatujte, že svět umělé inteligence se pohybuje rychle, takže se neustále učte a buďte zvědaví!