admin 
Dirbtinis intelektas yra gilus ir sukramtytas pasaulis. Šioje srityje dirbantys mokslininkai dažnai remiasi žargonu ir „Lingo“, kad paaiškintų, ką jie dirba. Dėl to mes dažnai turime naudoti šias technines terminus dirbtinio intelekto pramonės srityje. Štai kodėl mes manėme, kad būtų naudinga sudėti žodynėlį su kai kurių svarbiausių žodžių ir frazių, kurias naudojame savo straipsniuose, apibrėžimus.
Mes reguliariai atnaujinsime šį žodynėlį, kad pridėtume naujus įrašus, nes tyrėjai nuolat atskleidžia naujus metodus, kad stumtų dirbtinio intelekto sieną, tuo pačiu nustatydami kylančią saugos riziką.
PG agentas nurodo įrankį, kuris naudojasi AI technologijomis, kad atliktų užduotis jūsų vardu – ne tik tai, ką galėtų padaryti paprastesnė AI pokalbių programa, pavyzdžiui, paduoti išlaidas, rezervuoti bilietus ar stalą restorane ar net rašant ir palaikant kodą. Tačiau, kaip mes paaiškinome anksčiau, šioje atsiradusioje erdvėje yra daug judančių kūrinių, todėl skirtingi žmonės gali reikšti skirtingus dalykus, kai jie nurodo AI agentą. Infrastruktūra taip pat vis dar kuriama siekiant užtikrinti numatytas galimybes. Tačiau pagrindinė koncepcija reiškia autonominę sistemą, kuri gali naudotis keliomis AI sistemomis, kad atliktų kelių žingsnių užduotis.
Atsižvelgiant į paprastą klausimą, žmogaus smegenys gali atsakyti net per daug negalvodamas apie tai – tokius dalykus kaip „Kuris gyvūnas yra aukštesnis tarp žirafos ir katės?“ Tačiau daugeliu atvejų jums dažnai reikia rašiklio ir popieriaus, kad galėtumėte pateikti teisingą atsakymą, nes yra tarpininkų. Pavyzdžiui, jei ūkininkas turi viščiukus ir karves, o kartu jie turi 40 galvų ir 120 kojų, jums gali tekti užrašyti paprastą lygtį, kad sugalvotumėte atsakymą (20 viščiukų ir 20 karvių).
AI kontekste didelių kalbų modelių mąstymo grandinė reiškia, kad reikia suskaidyti problemą į mažesnius, tarpinius veiksmus, siekiant pagerinti galutinio rezultato kokybę. Atsakymas paprastai užtrunka ilgiau, tačiau atsakymas labiau tikėtinas, ypač logikos ar kodavimo kontekste. Vadinamieji samprotavimų modeliai yra sukurti iš tradicinių didelių kalbų modelių ir optimizuoti mąstymo grandinei dėl pastiprinimo mokymosi.
(Žr.: Didelės kalbos modelis)
Savarankiškai tobulinančio mašininio mokymosi pogrupis, kuriame AI algoritmai yra suprojektuoti su daugiasluoksne, dirbtinio nervų tinklo (AnN) struktūra. Tai leidžia jiems sudaryti sudėtingesnes koreliacijas, palyginti su paprastesnėmis mašininio mokymosi sistemomis, tokiomis kaip linijiniai modeliai ar sprendimų medžiai. Giluminio mokymosi algoritmų struktūra semiasi įkvėpimo iš sujungtų neuronų kelių žmogaus smegenyse.
Gilus mokymasis AIS gali patys nustatyti svarbias savybes, o ne reikalauti, kad žmonių inžinieriai apibrėžtų šias savybes. Struktūra taip pat palaiko algoritmus, kurie gali pasimokyti iš klaidų, ir, pakartojimo ir koregavimo proceso metu, pagerinti savo išėjimus. Tačiau giluminio mokymosi sistemoms reikia daug duomenų taškų, kad būtų gauti geri rezultatai (milijonai ar daugiau). Paprastai reikia ilgiau mokyti gilų mokymąsi, palyginti su paprastesniais mašininio mokymosi algoritmais – taigi vystymosi išlaidos paprastai būna didesnės.
(Žr.: Nervų tinklas)
Tai reiškia tolesnį AI modelio mokymą, skirtą optimizuoti veikimą konkrečios užduoties ar srities našumui, nei anksčiau buvo pagrindinis jo mokymo taškas-paprastai maitinant naujus, specializuotus (IE užduoties) duomenis.
Daugelis AI pradedančių įmonių naudojasi dideliais kalbų modeliais kaip atskaitos tašką kurti komercinį produktą, tačiau siekia padidinti naudingumą tiksliniam sektoriui ar užduotims, papildydami ankstesnius mokymo ciklus, kurių derinimas yra pateiktas pagal jų pačių srities žinias ir žinias.
(Žr.: Didelės kalbos modelis (LLM))
Dideli kalbų modeliai arba LLMS yra AI modeliai, kuriuos naudoja populiarūs AI asistentai, tokie kaip „ChatGPT“, „Claude“, „Google's Gemini“, „Meta“ AI lama, „Microsoft Copilot“ ar „Mistral's Le Chat“. Kai kalbate su AI asistentu, jūs bendraujate su dideliu kalbos modeliu, kuris tiesiogiai arba naudodamiesi skirtingais turimais įrankiais, tokiais kaip interneto naršymas ar kodų vertėjai, apdoroja jūsų užklausą.
PG padėjėjai ir LLM gali turėti skirtingus pavadinimus. Pavyzdžiui, GPT yra didelis „Openai“ kalbos modelis, o ChatGPT yra AI asistento produktas.
LLM yra gilūs nerviniai tinklai, pagaminti iš milijardų skaitinių parametrų (arba svorių, žr. Žemiau), kurie sužino ryšius tarp žodžių ir frazių ir sukuria kalbos vaizdą, savotišką daugialypį žodžių žemėlapį.
Jie yra sukurti iš koduojant modelius, kuriuos jie randa milijardus knygų, straipsnių ir nuorašų. Kai raginate LLM, modelis sukuria greičiausią modelį, kuris tinka raginimui. Tada jis įvertina labiausiai tikėtiną kitą žodį po paskutinio, remiantis tuo, kas buvo pasakyta anksčiau. Pakartokite, pakartokite ir pakartokite.
(Žr.: Nervų tinklas)
Neuroninis tinklas reiškia daugiasluoksnę algoritminę struktūrą, kuri gilina gilų mokymąsi-ir, plačiau, visą generatyvinių AI įrankių strėlę po didelių kalbos modelių atsiradimo.
Nors idėja įkvėpti iš tankiai sujungtų žmogaus smegenų kelių, kaip duomenų apdorojimo algoritmų projektavimo struktūrą, datuojamą 1940 -aisiais, per vaizdo žaidimų pramonę tai buvo daug naujesnis grafinės apdorojimo aparatūros (GPU) kilimas. Šie žetonai pasirodė gerai tinkami mokymo algoritmams, turintiems daug daugiau sluoksnių, nei buvo įmanoma ankstesnėse epochose-leidžiant neuroninių tinklo AI sistemoms pasiekti kur kas geresnius rezultatus daugelyje domenų, nesvarbu, ar tai balso atpažinimas, autonominis navigacija ar narkotikų atradimas.
(Žr.: Didelės kalbos modelis (LLM))
Svoriai yra pagrindiniai AI treniruotės, nes jie lemia, kiek svarbos (ar svorio) suteikiama skirtingoms funkcijoms (arba įvesties kintamiesiems) duomenims, naudojamiems sistemai mokyti – taip formuojant AI modelio išvestį.
Kitaip tariant, svoriai yra skaitiniai parametrai, apibrėžiantys, kas svarbiausia yra duomenų rinkinyje, skirtoje nurodytai mokymo užduočiai. Jie pasiekia savo funkciją, taikydami dauginimąsi į įvestis. Modelio mokymas paprastai prasideda nuo atsitiktinai priskirtų svorių, tačiau, kai procesas atsiskleidžia, svoriai koreguojami, kai modelis siekia pasiekti išvestį, kuri labiau atitiktų taikinį.
Pavyzdžiui, AI modelis, skirtas numatyti būsto kainas, apmokytus pagal istorinio nekilnojamojo turto duomenis tikslinėje vietoje, gali būti tokių funkcijų, kaip miegamųjų ir vonios kambarių skaičius, svoriai, nesvarbu, ar turtas yra atskirtas, pusiau atskirtas, jei jame nėra automobilių stovėjimo aikštelės, garažo ir panašiai.
Galų gale, atsižvelgiant į kiekvieno iš šių įvesties modelį, atspindi tai, kiek jie daro įtaką nuosavybės vertei, remiantis nurodytu duomenų rinkiniu.
