Što je umjetna inteligencija?

Umjetna inteligencija pojavljuje se posvuda - na vašem telefonu, u pristigloj pošti, pomiče karte, piše e-poruke koje ste gotovo namjeravali napisati. Ali što je uopće umjetna inteligencija ? Ukratko: to je skup tehnika koje omogućuju računalima da obavljaju zadatke koje povezujemo s ljudskom inteligencijom, poput prepoznavanja obrazaca, predviđanja i generiranja jezika ili slika. Ovo nije marketing zasnovan na manevarima. To je utemeljeno područje s matematikom, podacima i puno pokušaja i pogrešaka. Autoritativne reference definiraju umjetnu inteligenciju kao sustave koji mogu učiti, razmišljati i djelovati prema ciljevima na načine koje smatramo inteligentnima. [1]

Članci koje biste možda željeli pročitati nakon ovog:

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

🔗 Što je neuronska mreža u umjetnoj inteligenciji?
Naučite osnove neuronskih mreža, vrste arhitekture, treniranje i uobičajene upotrebe.

🔗 Što je računalni vid u umjetnoj inteligenciji?
Pogledajte kako strojevi interpretiraju slike, ključne zadatke, skupove podataka i aplikacije.

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

Što je umjetna inteligencija: brza verzija 🧠➡️💻

Umjetna inteligencija je skup metoda koje omogućuju 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 računalne sustave koji obavljaju zadatke povezane s ljudskim intelektualnim procesima kao što su zaključivanje, otkrivanje značenja i učenje iz podataka. [1]

Koristan mentalni model iz prakse je tretiranje umjetne inteligencije kao sustava usmjerenog na ciljeve koji percipiraju svoju okolinu i biraju akcije - korisno kada počnete razmišljati o petljama evaluacije i kontrole. [1]

Što čini umjetnu inteligenciju zapravo korisnom✅

Zašto posegnuti za umjetnom inteligencijom umjesto za tradicionalnim pravilima?

• Moć uzorka - modeli uočavaju suptilne korelacije među ogromnim skupovima podataka koje bi ljudi propustili prije ručka.

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

• Brzina u velikim razmjerima - nakon što su obučeni, modeli rade brzo i dosljedno, čak i pri stresnim količinama.

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

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

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

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

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

Kako umjetna inteligencija funkcionira, ljudskom brzinom 🔧

Većina modernih AI sustava kombinira:

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

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

3. Algoritmi - postupak treniranja koji potiče model da minimizira taj gubitak.

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

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

Dvije široke tradicije:

• Simbolička ili logički utemeljena umjetna inteligencija - eksplicitna pravila, grafovi znanja, pretraživanje. Izvrsno za formalno zaključivanje i ograničenja.

• Statistička ili na učenju temeljena umjetna inteligencija - modeli koji uče iz podataka. Tu živi duboko učenje i odakle dolazi većina nedavne popularnosti; često citirani pregled mapira područje od slojevitih reprezentacija do optimizacije i generalizacije. [2]

Unutar umjetne inteligencije temeljene na učenju, nekoliko je stupova važno:

• Nadzirano učenje - učite iz označenih primjera.

• Nenadzirano i samonadgledano - učenje strukture iz neoznačenih podataka.

• Učenje s potkrepljenjem - učenje putem pokušaja i povratnih informacija.

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

Dvije generativne obitelji o kojima ćete svakodnevno čuti:

• Transformatori - arhitektura koja stoji iza većine velikih jezičnih modela. Koristi pažnju za povezivanje svakog tokena s drugima, omogućujući paralelno učenje i iznenađujuće tečne rezultate. Ako ste čuli za "samostalnu pažnju", to je ključni trik. [3]

• Difuzijski modeli - uče kako obrnuti proces stvaranja šuma, vraćajući se od slučajnog šuma natrag do oštre slike ili zvuka. To je kao da se karte miješaju, polako i pažljivo, ali s računom; temeljni rad pokazao je kako učinkovito trenirati i uzorkovati. [5]

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

Gdje već svaki dan susrećete umjetnu inteligenciju 📱🗺️📧

• Pretraživanje 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 trijažu i izrađuju odgovore.

• Kodiranje - prijedlozi, refaktoriranje, testiranje.

• Zdravlje i znanost - trijaža, podrška slikovnim metodama, predviđanje strukture. (Tretirajte kliničke kontekste kao sigurnosno kritične; koristite ljudski nadzor i dokumentirana ograničenja.) [2]

Mini anegdota: tim za proizvod može A/B testirati korak pretraživanja prije jezičnog modela; stope pogrešaka često padaju jer model obrazlaže na temelju svježijeg, specifičnog konteksta zadatka, umjesto da nagađa. (Metoda: unaprijed definirajte metrike, zadržite rezervni skup i usporedite slične upite.)

Snage, granice i blagi kaos između ⚖️

Snage

• S gracioznošću obrađuje velike, neuredne skupove podataka.

• Skalira se na više zadataka s istim osnovnim strojevima.

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

Ograničenja

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

• Pristranost - podaci o obuci mogu kodirati društvene pristranosti koje sustavi zatim reproduciraju.

• Robusnost - rubni 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 kaos: 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 prometu: sigurnost, upravljanje i odgovornost 🛡️

Propisi i smjernice sustižu praksu:

• Pristupi temeljeni na riziku - korištenje s većim rizikom 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 - područja kritična za sigurnost (poput zdravstva) zahtijevaju uključenost čovjeka i pažljivu procjenu; alati opće namjene i dalje imaju koristi od jasne dokumentacije o namjeni i ograničenjima. [2]

Ovdje se ne radi o gušenju inovacija; radi se o tome da svoj proizvod ne pretvorite u aparat za kokice u knjižnici... što zvuči zabavno dok ne prestane biti.

Vrste umjetne inteligencije u praksi, s primjerima 🧰

• Percepcija - vid, govor, fuzija senzora.

• Jezik - razgovor, prevođenje, sažimanje, izdvajanje.

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

• Planiranje i kontrola - robotika, logistika.

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

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

Tablica usporedbe: popularni AI alati na prvi pogled 🧪

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

Kako procijeniti AI sustav kao profesionalac 🧪🔍

1. Definirajte posao - izjava zadatka u jednoj rečenici.

2. Odaberite metrike - točnost, latenciju, trošak, sigurnosne okidače.

3. Napravite testni skup - reprezentativan, raznolik, izdržljiv.

4. Provjerite načine kvara - ulaze koje sustav 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 daje zajednički jezik i postupke za ovo. [4]

Uobičajene zablude koje stalno čujem 🙃

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

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

• „Veće je uvijek bolje.“ Razmjer pomaže, ali kvaliteta podataka, usklađenost i dohvaćanje često su važniji. [2][3]

• „Jedan AI koji vlada svima.“ Pravi stogovi 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 što se usredotočiti. Slaganje slojeva obuhvaća dugoročne ovisnosti bez eksplicitnog ponavljanja, omogućujući visoku paralelnost i snažne performanse u svim jezičnim zadacima. Ova arhitektura podupire većinu modernih jezičnih sustava. [3]

• Difuzijski modeli uče korak po korak poništavati šum, poput poliranja zamagljenog zrcala 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 treniramo za mapiranje ulaza u izlaze.

• Trening - optimizacija parametara za minimiziranje gubitaka na primjerima.

• Pretjerano prilagođavanje - odlično se snalazi na podacima za trening, ali drugdje meh.

• Halucinacija - tečan, ali činjenično pogrešan izlaz.

• RAG - generacija proširena pronalaženjem koja konzultira svježe izvore.

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

• Sigurnost - sprječavanje štetnih ishoda i upravljanje rizicima tijekom cijelog životnog ciklusa.

• Zaključivanje - korištenje obučenog modela za predviđanja.

• Latencija - vrijeme od unosa do odgovora.

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

Predugo, nisam pročitao/la - Završne napomene 🌯

Što je umjetna inteligencija? Skup tehnika koje omogućuju računalima da uče iz podataka i inteligentno djeluju prema ciljevima. Moderni val se oslanja na duboko učenje - posebno transformatore za jezik i difuziju za medije. Ako se promišljeno koristi, umjetna inteligencija skalira prepoznavanje uzoraka, ubrzava kreativni i analitički rad te otvara nova znanstvena vrata. Ako se nemarno koristi, može zavarati, isključiti ili narušiti povjerenje. Sretan put spaja snažno inženjerstvo s upravljanjem, mjerenjem i daškom poniznosti. 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 i dr.) : pročitajte više
[4] NIST - Okvir za upravljanje rizicima umjetne inteligencije : pročitajte više
[5] arXiv - “Uklanjanje šuma kod difuzijskih probabilističkih modela” (Ho i dr.) : pročitajte više

Pronađite najnoviju umjetnu inteligenciju u službenoj trgovini AI Assistant

O nama