Šta je umjetna inteligencija?

VI se pojavljuje svuda - na vašem telefonu, u vašem inboxu, prilagođavajući mape, pišući e-poruke koje ste gotovo namjeravali napisati. Ali šta je VI ? Ukratko: to je skup tehnika koje omogućavaju računarima da obavljaju zadatke koje povezujemo s ljudskom inteligencijom, poput prepoznavanja obrazaca, predviđanja i generiranja jezika ili slika. Ovo nije marketing zasnovan na talasima ruke. To je utemeljeno polje s matematikom, podacima i mnogo pokušaja i grešaka. Autoritativne reference definiraju VI kao sisteme koji mogu učiti, razmišljati i djelovati prema ciljevima na načine koje smatramo inteligentnima. [1]

Članci koje biste možda željeli pročitati nakon ovog:

🔗 Šta je umjetna inteligencija otvorenog koda?
Razumjeti umjetnu inteligenciju otvorenog koda, prednosti, modele licenciranja i saradnju zajednice.

🔗 Šta je neuronska mreža u umjetnoj inteligenciji?
Naučite osnove neuronskih mreža, tipove arhitekture, obuku i uobičajene upotrebe.

🔗 Šta je kompjuterski vid u vještačkoj inteligenciji?
Pogledajte kako mašine interpretiraju slike, ključne zadatke, skupove podataka i aplikacije.

🔗 Šta je simbolična umjetna inteligencija?
Istražite simboličko zaključivanje, grafove znanja, pravila i hibridne neuro-simboličke sisteme.

Šta je AI: brza verzija 🧠➡️💻

VI je skup metoda koje omogućavaju softveru da aproksimira inteligentno ponašanje. Umjesto kodiranja svakog pravila, često treniramo modele na primjerima kako bi se mogli generalizirati na nove situacije - prepoznavanje slike, pretvaranje govora u tekst, planiranje rute, asistenti koda, predviđanje strukture proteina i tako dalje. Ako želite urednu definiciju za svoje bilješke: zamislite računarske sisteme koji obavljaju zadatke povezane s ljudskim intelektualnim procesima kao što su rasuđivanje, otkrivanje značenja i učenje iz podataka. [1]

Koristan mentalni model iz prakse je tretiranje umjetne inteligencije kao sistema usmjerenog ka cilju koji percipira svoje okruženje i bira akcije - korisno kada počnete razmišljati o petljama evaluacije i kontrole. [1]

Šta čini vještačku inteligenciju zaista korisnom✅

Zašto posegnuti za umjetnom inteligencijom umjesto za tradicionalnim pravilima?

• Moć obrasca - modeli uočavaju suptilne korelacije između ogromnih skupova podataka koje bi ljudi propustili prije ručka.

• Prilagođavanje - s više podataka, performanse se mogu poboljšati bez prepisivanja cijelog koda.

• Brzina u velikim razmjerima - jednom obučeni, modeli rade brzo i konzistentno, čak i pri stresnim količinama podataka.

• Generativnost - moderni sistemi mogu proizvesti tekst, slike, kod, čak i molekule kandidate, ne samo klasificirati stvari.

• Probabilističko razmišljanje - oni se elegantnije nose s neizvjesnošću nego krhke "ako-inače" šume.

• Alati koji koriste alate - možete povezati modele s kalkulatorima, bazama podataka ili pretraživanjem kako biste povećali pouzdanost.

• Kada nije dobro - pristranost, halucinacije, zastarjeli podaci o obuci, rizici za privatnost. Stići ćemo do toga.

Budimo iskreni: ponekad se vještačka inteligencija čini kao bicikl za um, a ponekad kao monocikl na šljunku. Oboje može biti istina.

Kako vještačka inteligencija funkcioniše, ljudskom brzinom 🔧

Većina modernih AI sistema kombinuje:

1. Podaci - primjeri jezika, slike, klikovi, očitanja senzora.

2. Ciljevi - funkcija gubitka koja govori kako izgleda „dobro“.

3. Algoritmi - procedura treniranja koja podstiče model da minimizira taj gubitak.

4. Evaluacija - skupovi testova, metrike, provjere ispravnosti.

5. Raspoređivanje - opsluživanje modela uz nadzor, sigurnost i zaštitne ograde.

Dvije široke tradicije:

• Simbolička ili logički zasnovana umjetna inteligencija - eksplicitna pravila, grafovi znanja, pretraga. Odlična za formalno zaključivanje i ograničenja.

• Statistički ili na učenju zasnovani AI - modeli koji uče iz podataka. Tu živi duboko učenje i odakle dolazi većina nedavne popularnosti; široko citirani pregled mapira područje od slojevitih reprezentacija do optimizacije i generalizacije. [2]

U okviru umjetne inteligencije zasnovane na učenju, nekoliko je stubova važno:

• Nadgledano učenje - učite iz označenih primjera.

• Nenadzirano i samonadgledano - učenje strukture iz neoznačenih podataka.

• Učenje s potkrepljenjem - učite kroz pokušaje i povratne informacije.

• Generativno modeliranje - naučite kako proizvoditi nove uzorke koji izgledaju stvarno.

Dvije generativne porodice o kojima ćete svakodnevno čuti:

• Transformatori - arhitektura koja stoji iza većine velikih jezičkih modela. Koristi pažnju da poveže svaki token s drugima, omogućavajući paralelno učenje i iznenađujuće tečne izlaze. Ako ste čuli za "samo-pažnju", to je osnovni trik. [3]

• Difuzijski modeli - uče kako preokrenuti proces stvaranja šuma, vraćajući se od slučajnog šuma natrag do oštre slike ili zvuka. To je kao da se karata ponovo miješa, polako i pažljivo, ali uz pomoć računa; temeljni rad je pokazao kako efikasno trenirati i uzorkovati. [5]

Ako se metafore čine nategnutima, to je u redu - vještačka inteligencija je pokretna meta. Svi učimo ples dok se muzika mijenja usred pjesme.

Gdje već svakodnevno susrećete vještačku inteligenciju 📱🗺️📧

• Pretraga i preporuke - rezultati rangiranja, feedovi, videozapisi.

• E-pošta i dokumenti - automatsko dovršavanje, sažimanje, provjera kvalitete.

• Kamera i zvuk - uklanjanje šuma, HDR, transkripcija.

• Navigacija - predviđanje prometa, planiranje rute.

• Podrška i usluge - agenti za chat koji vrše trijažu i sastavljaju odgovore.

• Kodiranje - prijedlozi, refaktorisanje, testovi.

• Zdravlje i nauka - trijaža, podrška snimanju, predviđanje strukture. (Tretirati kliničke kontekste kao sigurnosno kritične; koristiti ljudski nadzor i dokumentirana ograničenja.) [2]

Mini anegdota: tim proizvoda bi mogao A/B testirati korak pretraživanja prije jezičkog modela; stope grešaka često opadaju jer model obrazlaže na osnovu svježijeg, specifičnog konteksta zadatka, umjesto da nagađa. (Metoda: unaprijed definirajte metrike, zadržite rezervni skup i uporedite slične upite.)

Snage, granice i blagi haos između ⚖️

Snage

• S lakoćom obrađuje velike, neuredne skupove podataka.

• Skalira se na više zadataka s istom osnovnom mašinerijom.

• Uči latentnu strukturu koju nismo ručno konstruirali. [2]

Ograničenja

• Halucinacije - modeli mogu proizvesti uvjerljive, ali netačne rezultate.

• Pristrasnost - podaci o obuci mogu kodirati društvene pristrasnosti koje sistemi zatim reprodukuju.

• Robusnost - granični slučajevi, suprotstavljeni unosi i promjena distribucije mogu poremetiti stvari.

• Privatnost i sigurnost - osjetljivi podaci mogu procuriti ako niste oprezni.

• Objašnjivost - zašto je to rečeno? Ponekad nejasno, što frustrira revizije.

Upravljanje rizicima postoji kako ne biste stvarali haos: Okvir za upravljanje rizicima umjetne inteligencije NIST-a pruža praktične, dobrovoljne smjernice za poboljšanje pouzdanosti u dizajnu, razvoju i implementaciji - razmislite o mapiranju rizika, njihovom mjerenju i upravljanju korištenjem od početka do kraja. [4]

Pravila u saobraćaju: sigurnost, upravljanje i odgovornost 🛡️

Regulativa i smjernice sustižu praksu:

• Pristupi zasnovani na riziku - korištenje većeg rizika suočava se sa strožim zahtjevima; dokumentacija, upravljanje podacima i rješavanje incidenata su važni. Javni okviri naglašavaju transparentnost, ljudski nadzor i kontinuirano praćenje. [4]

• Nijanse sektora - sigurnosno kritične domene (poput zdravstva) zahtijevaju uključenost čovjeka i pažljivu procjenu; alati opće namjene i dalje imaju koristi od jasne dokumentacije o namjeni i ograničenjima. [2]

Ovo nije gušenje inovacija; radi se o tome da svoj proizvod ne pretvorite u aparat za kokice u biblioteci... što zvuči zabavno dok ne prestane biti.

Vrste umjetne inteligencije u praksi, s primjerima 🧰

• Percepcija - vid, govor, fuzija senzora.

• Jezik - ćaskanje, prevođenje, sažimanje, izdvajanje.

• Predviđanje - predviđanje potražnje, bodovanje rizika, otkrivanje anomalija.

• Planiranje i kontrola - robotika, logistika.

• Generisanje - slike, audio, video, kod, strukturirani podaci.

Ispod haube, matematika se oslanja na linearnu algebru, vjerovatnoću, optimizaciju i računalne stekove koji sve održavaju u pokretu. Za dublji pregled osnova dubokog učenja, pogledajte kanonski pregled. [2]

Tabela za poređenje: popularni AI alati na prvi pogled 🧪

(Namjerno malo nesavršeno. Cijene se mijenjaju. Vaša kilometraža će varirati.)

Kako procijeniti AI sistem kao profesionalac 🧪🔍

1. Definišite posao - izjava o zadatku od jedne rečenice.

2. Odaberite metrike - tačnost, latenciju, cijenu, sigurnosne okidače.

3. Napravite testni set - reprezentativan, raznolik, dugotrajan.

4. Provjerite načine kvara - ulaze koje sistem treba odbaciti ili eskalirati.

5. Testirajte pristranost - demografske slojeve i osjetljive atribute gdje je primjenjivo.

6. Čovjek u toku - odredite kada osoba mora pregledati.

7. Zapisivanje i praćenje - otkrivanje pomaka, odgovor na incidente, vraćanje na prethodno stanje.

8. Dokument - izvori podataka, ograničenja, namjeravana upotreba, upozorenja. NIST AI RMF vam pruža zajednički jezik i procese za ovo. [4]

Uobičajene zablude koje stalno čujem 🙃

• „To je samo kopiranje.“ Obuka uči statističku strukturu; generiranje sastavlja nove izlaze u skladu s tom strukturom. To može biti inventivno - ili pogrešno - ali nije kopiranje i lijepljenje. [2]

• „AI razumije kao osoba.“ Modelira obrasce . Ponekad to izgleda kao razumijevanje; ponekad je to samouvjerena magla. [2]

• „Veće je uvijek bolje.“ Razmjer pomaže, ali kvalitet podataka, usklađivanje i pronalaženje često su važniji. [2][3]

• „Jedna vještačka inteligencija koja vlada svima.“ Pravi stekovi su višemodelni: pronalaženje činjenica, generativno pretraživanje teksta, mali brzi modeli na uređaju i klasično pretraživanje.

Malo dublji uvid: Transformatori i difuzija, u jednoj minuti ⏱️

• Transformatori izračunavaju ocjene pažnje između tokena kako bi odlučili na šta se fokusirati. Slaganje slojeva obuhvata dugoročne zavisnosti bez eksplicitnog ponavljanja, omogućavajući visok paralelizam i snažne performanse u svim jezičkim zadacima. Ova arhitektura je osnova većine modernih jezičkih sistema. [3]

• Difuzijski modeli uče kako korak po korak ukloniti šum, poput poliranja zamagljenog ogledala dok se ne pojavi lice. Osnovne ideje za obuku i uzorkovanje otključale su procvat generiranja slika i sada se proširuju na audio i video. [5]

Mikro-glosar koji možete zadržati 📚

• Model - parametrizirana funkcija koju obučavamo za mapiranje ulaza u izlaze.

• Obuka - optimizacija parametara za minimiziranje gubitaka na primjerima.

• Pretjerano prilagođavanje - odlično se snalazi na podacima za obuku, ali ne i na drugim mjestima.

• Halucinacija - tečan, ali činjenično pogrešan izlaz.

• RAG - generacija proširena pretraživanjem koja konsultuje svježe izvore.

• Usklađivanje - oblikovanje ponašanja kako bi se slijedile upute i norme.

• Sigurnost - sprječavanje štetnih ishoda i upravljanje rizikom tokom cijelog životnog ciklusa.

• Zaključivanje - korištenje obučenog modela za predviđanja.

• Latencija - vrijeme od unosa do odgovora.

• Zaštitne ograde - politike, filteri i kontrole oko modela.

Predugo, nisam pročitao/la - Završne napomene 🌯

Šta je vještačka inteligencija (AI)? Skup tehnika koje omogućavaju računarima da uče iz podataka i inteligentno djeluju prema ciljevima. Moderni talas se oslanja na duboko učenje - posebno transformatore za jezik i difuziju za medije. Ako se koristi promišljeno, AI skalira prepoznavanje obrazaca, ubrzava kreativni i analitički rad i otvara nova naučna vrata. Ako se koristi nepažljivo, može zavesti, isključiti ili narušiti povjerenje. Sretan put spaja snažno inženjerstvo sa upravljanjem, mjerenjem i dozom skromnosti. Ta ravnoteža nije samo moguća - ona se može naučiti, testirati i održavati uz prave okvire i pravila. [2][3][4][5]

Reference

[1] Enciklopedija Britannica - Umjetna inteligencija (AI) : pročitajte više
[2] Priroda - “Duboko učenje” (LeCun, Bengio, Hinton) : pročitajte više
[3] arXiv - “Pažnja je sve što vam treba” (Vaswani et al.) : pročitajte više
[4] NIST - Okvir za upravljanje rizikom u AI : pročitajte više
[5] arXiv - “Uklanjanje šuma kod difuzijskih vjerovatnosnih modela” (Ho et al.) : pročitajte više

Pronađite najnoviju umjetnu inteligenciju u službenoj trgovini AI Assistant

O nama