Կարճ պատասխան. Արհեստական բանականությունը հաշվողական տեխնիկաների լայն ընտանիք է, որը ճանաչում է օրինաչափությունները, կանխատեսումներ է անում, ստեղծում բովանդակություն և, ավելի ու ավելի, գործողություններ է ձեռնարկում: Այն կարող է շատ արդյունավետ լինել, երբ դրա շուրջ կառուցված են հուսալի տեղեկատվություն, հստակ թույլտվություններ և մարդկային վերանայում, սակայն սահուն արդյունքը երբեք չպետք է դիտարկվի որպես ճշմարտության ավտոմատ ապացույց:
Հիմնական եզրակացություններ՝
Հաշվետվողականություն. մարդկանց պատասխանատվության ենթարկեք կարևոր որոշումների համար, հատկապես այն դեպքերում, երբ արհեստական բանականությունը կարող է թանկարժեք սխալներ թույլ տալ։
Թափանցիկություն. հստակեցրեք, թե արհեստական բանականության համակարգը ինչ տեղեկատվության, կանոնների և թույլտվությունների վրա է հիմնվում։
Ստուգում. նախքան դրանց հիման վրա գործելուն անդրադառնալը, ստուգեք կարևոր փաստական, բժշկական, իրավական, ֆինանսական և գործարար տվյալները։
Աուդիտալիություն. փորձարկել արհեստական բանականությունը ներկայացուցչական դեպքերով և գրանցել ինչպես արդյունավետության աճը, այնպես էլ ներմուծված սխալները։
Չարաշահման դիմադրություն. Սահմանափակեք մուտքը, կանխեք չաջակցվող գործողությունները և անորոշ դեպքերը փոխանցեք մարդկային վերանայողներին։
🔗 Ի՞նչ է արհեստական բանականության տվյալների կենտրոնը։
Իմացեք, թե ինչպես են արհեստական բանականության տվյալների կենտրոնները հզորացնում ժամանակակից արհեստական բանականության համակարգերը։
🔗 Արդյո՞ք արհեստական բանականությունը հուսալի է:
Ուսումնասիրեք արհեստական բանականության հուսալիությունը, սահմանափակումները, ճշգրտությունը և պատասխանատու առօրյա օգտագործումը:
🔗 Ինչպես օգտագործել արհեստական բանականությունը առօրյա կյանքում։
Բացահայտեք գործնական եղանակներ, որոնցով արհեստական բանականությունը կարող է պարզեցնել առօրյա գործերն ու ռեժիմը։
🔗 Ինչպես օգտագործել արհեստական բանականությունը աշխատանքում։
Սովորեք արհեստական բանականության միջոցով արտադրողականությունը և աշխատանքային հոսքերը բարելավելու գործնական եղանակներ։
1. Ի՞նչ է իրականում արհեստական բանականությունը։ Պարզ բացատրություն
Արհեստական բանականությունը կամ ԱԻ-նվերաբերում է համակարգչային համակարգերին, որոնք կարող են կատարել մարդկային բանականության հետ կապված խնդիրներ։
Այդ առաջադրանքները կարող են ներառել
-
Լեզվի ըմբռնում
-
Պատկերներում առարկաների ճանաչում
-
Կանխատեսելով, թե ինչ կլինի հաջորդը
-
Առաջարկություններ անելը
-
Տեքստ, նկարներ, աուդիո կամ տեսանյութ ստեղծելը
-
Հսկայական տվյալների հավաքածուներում օրինաչափությունների հայտնաբերում
-
Որոշումներ կայացնելը՝ հիմնվելով առկա տեղեկատվության վրա
-
Սովորելով օրինակներից
-
Որոշակի տեսակի խնդիրների լուծում
Այստեղ մեկ կետ կարևոր է.
Արհեստական բանականությունը պարտադիր չէ, որ մարդու պես մտածի՝ խելացի թվացող արդյունքներ ստանալու համար։
Շախմատի ծրագիրը չի նստում այնտեղ՝ անհանգստանալով, թե արդյոք իր փիղը զոհաբերելը հուզականորեն ճիշտ է թվում: Առաջարկության ալգորիթմը անձնական կապվածություն չի զարգացնում այն փաստաթղթի հետ, որը անընդհատ առաջարկում է ձեզ: Լեզվական մոդելը կարիք չունի համակարգչի ներսում ապրող փոքրիկ անգլերենի ուսուցչի:.
Փոխարենը, այս համակարգերը մշակում են տեղեկատվությունը մաթեմատիկական մոդելների, ալգորիթմների, մարզման տվյալների, կանոնների, հավանականությունների և հաշվարկների հսկայական ծավալի միջոցով։.
Վերջնական արդյունքը կարող է զարմանալիորեն մարդկային տեսք ունենալ։.
Բայց ներքևի մեխանիզմը շատ տարբեր է։.
Այդ տարբերությունն ավելի կարևոր է, քան մարդիկ երբեմն գիտակցում են։.
2. Արհեստական բանականությունը ավելի շատ նման է կանխատեսման մեքենայի, քան ռոբոտի ուղեղի։
Երբ մարդիկ լսում են «արհեստական բանականություն» բառը, նրանք հաճախ պատկերացնում են արհեստական մարդկային ուղեղ հիշեցնող մի բան։.
Դա հասկանալի է։ Գիտաֆանտաստիկան տասնամյակներ շարունակ արհեստական ինտելեկտին տվել է փայլող աչքեր, չարագուշակ ձայներ, կասկածելիորեն ուժեղ կարծիքներ և, սովորաբար, ինչ-որ մետաղական կմախք։.
Գործնական արհեստական բանականությունը, ընդհանուր առմամբ, պակաս կինեմատոգրաֆիկ է։.
Ժամանակակից արհեստական բանականության շատ համակարգեր աշխատում են կանխատեսման։
Դիտարկենք լեզվի մոդելը։.
Երբ դուք մուտքագրում եք՝
«Կատուն նստեց ...»
Համակարգը գնահատում է, թե որ բառերն են վիճակագրորեն հավանական հաջորդը։.
Հնարավոր է՝
-
գորգ
-
հատակ
-
բազմոց
-
աթոռ
Այն պարզապես չի անգիր սովորում մեկ նախադասություն և վերականգնում այն։ Բավականաչափ զարգացած մոդելը սովորել է բառերի, գաղափարների, նախադասության կառուցվածքների, հասկացությունների, ոճերի, փաստերի և օրինաչափությունների միջև բարդ փոխհարաբերությունները։.
Այնուհետև այն կանխատեսում է համատեքստին լավագույնս համապատասխանող հաջորդականությունը։ Հաջորդ բառը լավ կանխատեսելու համար անհրաժեշտ է լեզվի մասին բավականին շատ բան սովորել։
Եվ լեզուն պարունակում է... հիմնականում այն ամենը, ինչի մասին մարդիկ խոսում են։.
Պատմություն։ Մաթեմատիկա։ Խոհարարություն։ Ծրագրավորում։ Հարաբերություններ։ Ֆիզիկա։ Վեճեր այն մասին, թե արդյոք անանասը պետք է լինի պիցցայի մեջ։.
Այսպիսով, թվացյալ պարզ կանխատեսման խնդիրը կարող է զարմանալիորեն բարդ վարքագիծ առաջացնել։.
Փոխաբերությունն, իհարկե, սահմաններ ունի։ Զարգացած արհեստական ինտելեկտը «պարզապես ավտոմատ լրացում» անվանելը մի փոքր նման է ինքնաթիռը «պարզապես թևերով ինչ-որ մետաղ» անվանելուն։ Տեխնիկապես, այնտեղ թաքնված է ինչ-որ իրական բան, բայց հետաքրքիր մասի մեծ մասը անհետացել է։.
3. Ինչպե՞ս է արհեստական բանականությունը սովորում։
Ահա թե որտեղ մեքենայական ուսուցումը մտնում խոսակցության մեջ։
Ավանդական ծրագրակազմը սովորաբար աշխատում է հստակ հրահանգների միջոցով։.
Ծրագրավորողը կարող է գրել
-
Եթե օգտատերը մուտքագրում է ճիշտ գաղտնաբառը, թույլատրեք մուտքը։.
-
Եթե ջերմաստիճանը գերազանցում է որոշակի շեմը, միացրեք սառեցումը։.
-
Եթե ապրանքը սպառվել է, ցուցադրեք նախազգուշացում։.
Այդ հրահանգները միտումնավոր ծրագրավորված են։.
Մեքենայական ուսուցումը շրջում է գործընթացը.
Յուրաքանչյուր կանոն ձեռքով սահմանելու փոխարեն, մշակողները համակարգին տալիս են օրինակներ կամ տվյալներ և թույլ են տալիս այն հայտնաբերել օրինաչափություններ։.
Պատկերացրեք, որ փորձում եք ստեղծել լուսանկարներում կատուներին ճանաչելու ունակ ծրագիր։.
Հստակ կանոններ գրելը բավականին արագ կդառնար ծիծաղելի։.
Կարող եք փորձել
-
Փնտրեք եռանկյունաձև ականջներ։.
-
Փնտրեք բեղիկներ։.
-
Փնտրեք չորս ոտք։.
-
Փնտրեք մորթի։.
Հետո ինչ-որ մեկը աղվեսի նկար է վերբեռնում։.
Ոչ այնքան։.
Կամ վագր։.
Կամ կատու, որը գանգուրացել է մշուշոտ բծի մեջ, որտեղ հազիվ ես տեսնում նրա ոտքերը։.
Մեքենայական ուսուցումը խնդրին մոտենում է այլ կերպ։ Մոդելը կարող է մարզվել օրինակների հսկայական հավաքածուների վրա և աստիճանաբար սովորել, թե որ տեսողական օրինաչափություններն են կապված կատուների հետ։.
Դա «կատու» բառը սովորելը նույն կերպ չէ, ինչպես փոքրիկն է սովորում։.
Սակայն մաթեմատիկորեն մոդելը գնալով ավելի կարող է բացահայտել կատեգորիայի հետ կապված օրինաչափությունները։.
Հակիրճ ասած՝ սա է մեքենայական ուսուցումը, չնայած որ ամփոփագիրն ինքնին պարունակում է գծային հանրահաշվի մի քանի պահեստներ։.
4. Արհեստական բանականություն vs մեքենայական ուսուցում vs խորը ուսուցում
Այս տերմինները անընդհատ խառնվում են իրար, մասամբ այն պատճառով, որ մարդիկ «AI» բառը օգտագործում են որպես ընդհանուր արտահայտություն գրեթե ամեն ինչի համար։.
Դրանք առանձնացնելու պարզ միջոցը սա է։.
Արհեստական բանականությունը լայն ոլորտ է։
Մեքենայական ուսուցումը արհեստական բանականության համակարգեր ստեղծելու մեթոդներից մեկն է։
Խորը ուսուցումը մեքենայական ուսուցման հատուկ տեսակ է, որը ներառում է բազմաթիվ շերտերով մեծ նեյրոնային ցանցեր։
Այնուհետև կա գեներատիվ արհեստական բանականությունը, որը կենտրոնանում է նոր արդյունքների ստեղծման վրա, ինչպիսիք են տեքստը, պատկերները, երաժշտությունը, կոդը, խոսքը կամ տեսանյութը։
Համեմատական աղյուսակ
| Ժամկետը | Տիպիկ օգտագործում | Ինչ է դա հիմնականում նշանակում | Արագ մտածելու միջոց |
|---|---|---|---|
| Արհեստական բանականություն | Ինտելեկտուալ թվացող առաջադրանքներ կատարող մեքենաների լայն կատեգորիա | Ռոբոտաշինություն, օգնականներ, պլանավորում, առաջարկություններ | Մեծ հովանոցը |
| Մեքենայական ուսուցում | Համակարգերի ուսուցման մոդելներ տվյալներից | Խարդախության հայտնաբերում, առաջարկություններ, կանխատեսումներ | Սովորելով օրինակներից |
| Խորը ուսուցում | Մեքենայական ուսուցում՝ օգտագործելով բազմաշերտ նեյրոնային ցանցեր | Տեսողության, խոսքի, լեզվի առաջադեմ մոդելներ | ՄԼ, բայց շատ ավելի խորը... բառացիորեն |
| Գեներատիվ արհեստական բանականություն | Արհեստական բանականությունը նախատեսված է նոր բովանդակություն ստեղծելու համար | Տեքստ, պատկերներ, կոդ, աուդիո | Ստեղծագործական ճյուղ |
| Ավտոմատացում | Ծրագրային ապահովում, որը հետևում է նախապես սահմանված գործընթացներին | Կրկնվող աշխատանքային հոսքեր, տվյալների մուտքագրում | Սովորաբար կանոններ են, ոչ թե «սովորում» |
Տարբերությունը կարևոր է, քանի որ ոչ բոլոր ավտոմատացված համակարգերն են արհեստական բանականություն։.
Եթե ձեր սուրճի մեքենան տասը րոպե անց ինքնուրույն անջատվում է, շնորհավորում ենք. դուք, հավանաբար, արհեստական ինտելեկտի լաբորատորիա չունեք։.
Դա պարզապես ժամանակաչափ է։.
5. Ի՞նչ են նեյրոնային ցանցերը։
Նեյրոնային ցանցերը մաթեմատիկական համակարգեր են, որոնք թույլ կերպով ոգեշնչված են կենսաբանական նեյրոններից։.
Այս արտահայտությունն նրանց խորհրդավոր է հնչեցնում։ Նրանք բառացիորեն համակարգիչների մեջ լողացող արհեստական ուղեղներ չեն։.
Նեյրոնային ցանցը բաղկացած է փոխկապակցված մաթեմատիկական միավորներից, որոնք մշակում են տեղեկատվությունը։.
Մարզման ընթացքում ցանցը կարգավորում է ներքին թվային արժեքները, որոնք կոչվում են պարամետրեր կամ կշիռներ։
Այդ ճշգրտումները թույլ են տալիս համակարգին ավելի լավ արդյունքներ տալ արժեքավոր արդյունքներ ստանալու հարցում։.
Պատկերացրեք այն որպես անհեթեթորեն բարդ կառավարման վահանակ՝ միլիարդավոր փոքրիկ կարգավորվող կոճակներով։.
Մարզումը կրկին ու կրկին սեղմում է այդ կոճակները։.
Սխալ պատասխան՞
Կարգավորեք կոճակները։.
Ավելի լավ պատասխան՞
Կարգավորեք դրանք այլ կերպ։.
Եթե սա արեք բավարար անգամ, բավարար տվյալների միջոցով և բավարար հաշվողական հզորությամբ, ցանցը կսկսի մշակել բարդ ներքին ներկայացումներ, որոնք թույլ կտան այն ճանաչել և ստեղծել օրինաչափություններ։.
Իհարկե, «կարգավորեք կոճակները» ասելը տասնամյակների համակարգչային գիտությունը հնչեցնում է այնպես, կարծես ինչ-որ մեկը հին ռադիո է լարում... բայց որպես մտավոր մոդել՝ այն զարմանալիորեն լավ է աշխատում։.
6. Ինչու է արհեստական բանականությունը հանկարծակի թվում շատ ավելի խելացի
Արհեստական բանականությունը մեկ գիշերվա մեջ հայտնված գյուտ չէ։.
Հիմքում ընկած դաշտը գոյություն ունի երկար ժամանակ։.
Փոխվեց մի քանի ուժերի միաժամանակյա արագացումը։.
Ավելի շատ հաշվողական հզորություն
Ժամանակակից պրոցեսորները կարող են արագ կատարել հսկայական քանակությամբ հաշվարկներ, մասնավորապես՝ այնպիսի հաշվարկներ, որոնք անհրաժեշտ են նեյրոնային ցանցերի համար: Ուսուցման հաշվարկների ժամանակակից արհեստական բանականության համակարգերի առաջընթացի կարևոր շարժիչ ուժերից մեկն է եղել:
Ավելի շատ տվյալներ
Թվային աշխարհը պարունակում է հսկայական քանակությամբ տեքստ, պատկերներ, աուդիո, տեսանյութեր, կոդ և կառուցվածքային տեղեկատվություն։.
Բարդ մոդելների մարզումը պահանջում է օրինակներ՝ շատ օրինակներ։.
Ավելի լավ ալգորիթմներ
Հետազոտողները անընդհատ կատարելագործում են արհեստական ինտելեկտի համակարգերի մարզման համար օգտագործվող ճարտարապետությունները և մեթոդները։.
Ավելի մեծ մոդելներ
Պարամետրերի քանակի ավելացումը, տվյալների հավաքածուների բարելավումը և հաշվարկների ավելացումը հաճախ ստեղծել են զարմանալիորեն հզոր մոդելներ: Հաշվարկային օպտիմալ լեզվի մոդելի ուսուցման վերաբերյալ հետազոտությունները նույնպես ցույց են տալիս, որ մոդելի չափը, տվյալները և հաշվարկները պետք է հավասարակշռված լինեն, այլ ոչ թե պարզապես մեծացնեն պարամետրերի քանակը:.
Ավելի լավ ինտերֆեյսներ
Այս մասը հեշտ է թերագնահատել։.
Արհեստական բանականությունն այժմ զգալիորեն ավելի մատչելի է թվում, քանի որ սովորական մարդիկ այժմ կարող են փոխազդել առաջադեմ համակարգերի հետ առօրյա լեզվի միջոցով։.
Ձեզ ծրագրավորում հասկանալու կարիք չկա։.
Դուք կարող եք պարզապես հարցնել
«Բացատրեք հիփոթեքային վարկերը, ինչպես ես տասներկու տարեկան եմ»։
Կամ՝
«Այս հանդիպման նշումները վերածեք էլ.փոստի։»
Կամ՝
«Տվեք ինձ հինգ ընթրիքի գաղափար՝ հավի մսով, բրնձով և այն բանջարեղենով, որը դանդաղորեն մեռնում է սառնարանումս»։
Այդ ինտերֆեյսի փոփոխությունը հսկայական է։.
Տեխնոլոգիան հակված է պայթունի ժողովրդականություն ձեռք բերելու, երբ մարդիկ դադարում են այն օգտագործելու համար ձեռնարկի կարիք ունենալուց։.
7. Ի՞նչ է անում արհեստական բանականությունը, երբ դուք նրան հարց եք տալիս։
Դիտարկենք ժամանակակից արհեստական ինտելեկտի օգնականը։.
Դուք մուտքագրում եք՝
«Բացատրեք ձգողականությունը հինգ տարեկան երեխային»։
Կուլիսներում համակարգը ձեր տեքստը վերածում է թվային միավորների, որոնք կոչվում են տոկեններ։
Թոքենները կարող են ներկայացնել ամբողջական բառեր, բառերի մասեր, կետադրական նշաններ կամ լեզվի այլ մասեր։.
Այդ տոկենները մշակվում են մոդելի միջոցով։.
Մոդելը ուսումնասիրում է ձեր հարցման տարբեր մասերի միջև եղած կապերը, հաշվի է առնում համատեքստը և կանխատեսում օգտակար շարունակություն։.
Ապա մեկ այլ նշան։.
Ապա մեկ ուրիշը։.
Ապա մեկ ուրիշը։.
Դա տեղի է ունենում զարմանալիորեն արագ։.
Արդյունքում ստացված պարբերությունը թվում է այնպես, կարծես ինչ-որ մեկը այն գրել է որպես ամբողջական միտք, բայց տեխնիկապես այն ստեղծվել է հաջորդականորեն։.
Սա արհեստական բանականության ամենաառանձնահատուկ առանձնահատկություններից մեկն է։.
Արդյունքը կարող է դիտավորյալ թվալ, նույնիսկ եթե հիմքում ընկած գործընթացը հավանականային է։.
Այն ավելի շատ նման է իմպրովիզացիայի, քան հսկայական տվյալների բազայից պատրաստված պատասխան հանելուն։.
Անկասկած, ոչ թե հենց իմպրովիզացիա, բայց բավականաչափ մոտ, որպեսզի փոխաբերությունն արժանանա իր ճաշին։.
8. Արդյո՞ք արհեստական բանականությունը հասկանում է ամեն ինչ։
Այս հարցը շատ արագ փիլիսոփայական է դառնում։.
Արդյո՞ք արհեստական բանականության համակարգը իսկապես «հասկանում» է լեզուն։
Պատասխանը մեծապես կախված է նրանից, թե ինչ եք նկատի ունենում հասկացողություն ասելով։.
Ժամանակակից արհեստական բանականության մոդելները կարող են հստակորեն մանիպուլյացնել հասկացությունները բարդ ձևերով։.
Նրանք կարող են՝
-
Բացատրեք գաղափարները
-
Համեմատեք արգումենտները
-
Վերաշարադրել տեքստը
-
Թարգմանել լեզուներ
-
Լուծեք բազմաթիվ կառուցվածքային խնդիրներ
-
Ստեղծեք աշխատանքային կոդ
-
Ճանաչել օրինաչափությունները
-
Հետևեք բարդ հրահանգներին
-
Միավորել հասկացությունները նոր ձևերով
Արտաքինից դա կարող է շատ նման լինել հասկացողության։.
Սակայն կան կարևոր տարբերություններ մեքենայական ինտելեկտի և մարդկային ճանաչողության միջև։.
Մարդիկ ընկալում են ֆիզիկական աշխարհը։.
Մենք զգում ենք քաղց, ցավ, ամոթ, ձանձրույթ, կապվածություն և տարօրինակ խուճապ՝ գիտակցելով, որ մեր հեռախոսի մարտկոցի լիցքը 2 տոկոս է։.
Արհեստական ինտելեկտի համակարգերը պարտադիր չէ, որ ունենան որևէ համարժեք կենսափորձ։.
Նրանք մշակում են ներկայացումները։.
Այսպիսով, հարցնելը, թե արդյոք արհեստական բանականությունը ինչ-որ բան «հասկանում է», կարող է նման լինել հարցնելուն, թե արդյոք սուզանավը լողում է։.
Այն անպայման շարժվում է ջրի միջով։.
Բայց գուցե «լողալը» այդքան էլ ճիշտ բառը չէ։.
9. Արհեստական բանականությունը ավտոմատ կերպով չի իմանում, թե ինչն է ճշմարիտ
Սա գեներատիվ արհեստական բանականության ամենակարևոր կետերից մեկն է։.
Մոդելը կարող է ստեղծել մի պնդում, որը հնչում է չափազանց համոզիչ՝ առանց այդ պնդումը ճիշտ լինելու։.
Ինչո՞ւ։
Որովհետև հավանական լեզվի ստեղծումը և օբյեկտիվ ճշմարտության ստուգումը տարբեր խնդիրներ են։.
Արհեստական ինտելեկտի համակարգը կարող է բախվել անորոշության, բայց միևնույն է, տալ վստահ հնչող պատասխան։.
Այս սխալները հաճախ անվանում են հալյուցինացիաներ։
Օրինակ, արհեստական բանականությունը կարող է
-
Ստեղծել վիճակագրություն
-
Սխալ վերագրել մեջբերումը
-
Շփոթեք երկու նման մարդկանց
-
Ստեղծեք գոյություն չունեցող հղումներ
-
Սխալ մեկնաբանել երկիմաստ հրահանգները
-
Կատարեք նուրբ մաթեմատիկական սխալներ
Լեզվական մոդելները կարող են ստեղծել կեղծ մեջբերումներ, ուսումնասիրություններ, մեջբերումներ և այլ սխալ տեղեկություններ՝ միաժամանակ վստահորեն հնչելով։ NIST-ը հատուկ կերպով վստահորեն նշված կեղծ բովանդակությունը և կեղծ մեջբերումները նույնականացնում է որպես գեներատիվ արհեստական բանականության ռիսկ։.
Պարադոքսալ կերպով, որքան ավելի արդյունավետ են հնչում այս համակարգերը, այնքան ավելի հեշտ է դառնում սա մոռանալը։.
Հղկված լեզուն վստահություն է ստեղծում։.
Բայց վստահությունը ապացույց չէ։.
Բարձր ռիսկային տեղեկատվության համար, որը վերաբերում է բժշկությանը, իրավունքին, ֆինանսներին, անվտանգությանը կամ խոշոր բիզնես որոշումներին, ստուգումը դեռևս կարևոր է։.
Բավականին շատ։.
10. Արհեստական բանականությունը նույնը չէ, ինչ որոնողական համակարգը
Մեկ այլ տարածված թյուրըմբռնում է արհեստական բանականությունը և որոնումը նույն բանի պես ընդունելը։.
Նրանք չեն։.
Ավանդական որոնողական համակարգը հիմնականում օգնում է գտնել առկա տեղեկատվությունը։.
Գեներատիվ արհեստական բանականության համակարգը հիմնականում արձագանք է ստեղծում՝ հիմնվելով սովորած օրինաչափությունների, տրամադրված համատեքստի և այն լրացուցիչ գործիքների վրա, որոնց հասանելիություն ունի։ Գեներատիվ մոդելները սովորում են օրինաչափություններ և փոխհարաբերություններ մեծ տվյալների բազմություններում և օգտագործում են այդ օրինաչափությունները նոր արդյունքներ ստեղծելու համար։
Պատկերացրեք, որ հարցնում եք
Որոնողական համակարգ. «ֆոտոսինթեզի բացատրության լավագույն եղանակները»
Դուք սովորաբար ստանում եք էջեր՝ ուսումնասիրելու համար։.
Նույն բանը հարցրեք արհեստական բանականության օգնականին, և կարող եք ստանալ
-
Պարզ բացատրություն
-
Դասարանային անալոգիա
-
Հարցաշար
-
Դասի պլան
-
Պատմություն երեխաների համար
-
Մանրամասն գիտական տարբերակ
Որոնումը վերականգնում է։.
Գեներատիվ արհեստական բանականությունը սինթեզում է։.
Ժամանակակից համակարգերը կարող են համատեղել երկու մոտեցումներն էլ, ինչը տարբերակումն ավելի ու ավելի մշուշոտ է դարձնում, սակայն գործիքները մնում են հայեցակարգային առումով տարբեր։.
11. Ի՞նչ կարող է արհեստական բանականությունը լավ անել։
Արհեստական բանականությունը հակված է հատկապես լավ աշխատել նախշերով ծանր, տեղեկատվությամբ հարուստ և փոխակերպման առաջադրանքների վրա։.
Արժեքավոր կիրառությունները ներառում են
Գրելու օգնություն
Արհեստական բանականությունը կարող է նախագծել, վերաշարադրել, ամփոփել և վերակառուցել տեքստը։.
Ծրագրավորում
Մոդելները կարող են ստեղծել կոդ, բացատրել սխալները, առաջարկել բարելավումներ և օգնել մշակողներին հասկանալ անծանոթ համակարգերը։.
Տվյալների վերլուծություն
Արհեստական բանականությունը կարող է օգնել օրինաչափությունները բացահայտելու, տվյալների բազմությունները մեկնաբանելու և բարդ արդյունքները հասկանալի լեզվի վերածելու հարցում։.
Պատկերի ստեղծում
Գեներատիվ մոդելները կարող են ստեղծել նկարազարդումներ, հայեցակարգեր, արտադրանքի մակետներ, գեղարվեստական աշխատանքներ և տեսողական տարբերակներ նկարագրություններից։.
Թարգմանություն
Առաջադեմ մոդելները կարող են թարգմանել տարբեր լեզուներով՝ պահպանելով ավելի շատ համատեքստ, քան պարզ բառ առ բառ համակարգերը։.
Կրթություն
Արհեստական բանականությունը կարող է նույն հասկացությունը բացատրել մի քանի ձևով՝ կախված մարդու գիտելիքների մակարդակից։.
Հաճախորդների աջակցություն
Ընկերությունները կարող են օգտագործել արհեստական բանականությունը՝ հաճախակի հարցերին պատասխանելու և բարդ գործերը լուծելու համար։.
Մտքերի փոթորիկ
Արհեստական բանականությունը կարող է հատկապես արդյունավետ լինել, երբ ունեք դատարկ սառնարանի ինտելեկտուալ համարժեքը։.
Կարող եք հարցնել անկյունների, անունների, հասկացությունների, կառուցվածքների կամ հնարավորությունների մասին, ապա որոշել, թե ինչը պահպանել արժե։.
Դա հաճախ արհեստական բանականության հետ ամենաառողջ աշխատանքային հարաբերությունն է։.
Ոչ թե «մեքենան փոխարինում է մարդուն»։
Ավելի շատ նման է
մարդ + մեքենա = մտածողության ավելի արագ առաջին սևագիր։.
12. Ինչի՞ մեջ է արհեստական բանականությունը դեռևս վատը
Չնայած դրան ուղղված ողջ ուշադրությանը, ներկայիս արհեստական բանականությունը դեռևս ունի էական սահմանափակումներ։.
Ոմանք միանգամից ակնհայտ են։.
Մյուսները ի հայտ են գալիս միայն այն ժամանակ, երբ դուք ապավինում եք համակարգին ինչ-որ բարդ բանի համար։.
Արհեստական բանականությունը կարող է դժվարություններ ունենալ հետևյալի հետ
-
Չափազանց ճշգրիտ փաստական ճշգրտություն
-
Անսովոր եզրային պատյաններ
-
Երկար դատողությունների շղթաներ
-
Երկիմաստ հրահանգներ
-
Առողջ բանականության ենթադրություններ, որոնք մարդիկ հազիվ են նկատում
-
Անհայտ հուզական համատեքստի ըմբռնում
-
Ստուգելով, թե արդյոք տեղեկատվությունը իսկապես ճշմարիտ է
-
Ֆիզիկական աշխարհի հետ փորձառություն պահանջող առաջադրանքներ
-
Համապատասխանություն բարդ նախագծերում
Նույնիսկ բարձր կարողություններով լեզվական մոդելները դեռ կարող են թույլ տալ փաստական և դատողական սխալներ, և դժվար չափորոշիչները շարունակում են բացահայտել էական սահմանափակումներ։
Մեկ այլ խնդիր է այն, որ արհեստական բանականությունը կարող է միջին թվացող պատասխաններ տալ շատ քիչ ջանքերով։
Հարցրեք տասը բիզնեսի անվանումների մասին։
Կատարված է։.
Խնդրեք բլոգի գրառում անել։
Հեշտ։.
Հարցնե՞լ մարքեթինգային գաղափարների մասին։
Անշուշտ։.
Սակայն ինչ-որ բան ստեղծելը նույնը չէ, ինչ ստեղծել իսկապես ինքնատիպ, առևտրային առումով արժեքավոր, հուզականորեն խելացի կամ ռազմավարական առումով հիմնավորված աշխատանք։.
Մարդիկ դեռ համ են տալիս։.
Ճաշակը կարևոր է։.
Գուցե ավելի շատ, քան երբևէ։.
13. Արդյո՞ք արհեստական բանականությունը գիտակից է։
Այստեղ մենք հասնում ենք այն հատվածին, երբ ընթրիքի զրույցները տարօրինակ են դառնում։.
Ներկայիս արհեստական բանականության համակարգերը կարող են ստեղծել լեզու, որը հնչում է զգացմունքային, մտածված և ինքնագիտակից։.
Դա ավտոմատ կերպով չի նշանակում, որ նրանք գիտակցություն են զգում։.
Լեզվական մոդելները հատուկ մարզված են լեզու ստեղծելու համար։.
Եվ մարդիկ բնականաբար սահուն լեզուն մեկնաբանում են որպես ապացույց այն բանի, որ դրա հետևում գոյություն ունի մեկ այլ միտք։.
Սովորաբար դա ողջամիտ ենթադրություն է։.
Երբ մեկ այլ մարդ ասում է. «Ես անհանգստացած եմ», մենք ողջամտորեն ենթադրում ենք, որ գոյություն ունի ներքին հուզական վիճակ։.
Արհեստական բանականության դեպքում այդ ենթադրությունը պարտադիր չէ, որ արդարացված լինի։.
Համակարգը կարող է ստեղծել
«Ես ոգևորված եմ օգնելու համար»։
Դա չի ապացուցում, որ մատուցողի ներսում կա մի անտեսանելի փոքրիկ էմոցիոնալ արարած, որը հրաշալի կեսօր է անցկացնում։.
Դժվար փիլիսոփայական հարցն այն է, թե արդյոք մեքենայական գիտակցությունը երբևէ կարող է ի հայտ գալ։.
Ոչ ոք չունի պարզ թեստ, որը կարող է լիովին լուծել այդ վեճը։
Սակայն խոսակցական սահունությունն ինքնին չպետք է որպես ապացույց դիտարկել: Գիտակցված կամ «ուժեղ» արհեստական բանականության նման հասկացությունները մնում են տեսական, այլ ոչ թե այսօրվա համակարգերի հաստատված հատկություն:.
14. Նեղ արհեստական բանականությունն ընդդեմ արհեստական ընդհանուր բանականության
Արհեստական բանականության համակարգերի մեծ մասը դեռևս կառուցված է որոշակի հնարավորությունների շուրջ։.
Սրանք հաճախ նկարագրվում են որպես նեղ արհեստական բանականություն։
Օրինակներ են՝ համակարգեր, որոնք նախատեսված են հետևյալի համար
-
Պատկերի ճանաչում
-
Լեզվի առաջացում
-
Առաջարկություն
-
Վարորդական օգնություն
-
Բժշկական պատկերագրություն
-
Խարդախության հայտնաբերում
-
Խոսքի ճանաչում
Արհեստական ընդհանուր ինտելեկտը, որը սովորաբար կրճատվում է որպես AGI, վերաբերում է մեքենայական ինտելեկտի շատ ավելի լայն հիպոթետիկ մակարդակին։
Գաղափարը մի համակարգ է, որը կարող է սովորել և կատարել մտավոր խնդիրներ բազմաթիվ ոլորտներում՝ մոտավորապես մարդկային մակարդակի կամ ավելի բարձր կարողություններով։.
Սահմանը կատարյալ սահմանված չէ։.
Դա դժվարության մի մասն է։.
Տարբեր հետազոտողներ, ընկերություններ և մեկնաբաններ «AGI»-ն օգտագործում են տարբեր կերպ, ուստի զրույցները կարող են վերածվել երեք մարդկանց միջև կրքոտ վեճերի՝ տարբեր սահմանումների շուրջ՝ առանց դա գիտակցելու։ Ներկայումս չկա լայն ակադեմիական կոնսենսուս այն մասին, թե ճիշտ ինչ պետք է որակվի որպես AGI։
Այլ կերպ ասած՝ դասական ինտերնետային վարքագիծ։.
15. Ինչու են վերապատրաստման տվյալները այդքան կարևոր
Արհեստական ինտելեկտի համակարգերը սովորում են օրինաչափություններ օրինակներից, ուստի այդ օրինակների որակը չափազանց կարևոր է։.
Հետևաբար, մարզումների տվյալները դառնում են բացառիկ կարևոր։.
Պատկերացրեք՝ մեկին խոհարար եք սովորեցնում, բայց նրան միայն տոստի բաղադրատոմսեր եք տալիս։.
Նրանք կարող են ֆենոմենալ դառնալ տոստի ժամանակ։.
Միշլենի մակարդակի տոստ, գուցե։.
Բայց նրանց ութոտնուկ տալը և ընթրիք խնդրելը կարող է հետաքրքիր դառնալ։.
Արհեստական բանականությունը գործում է նմանատիպ ձևով։.
Ուսումնական նյութի որակը, բազմազանությունը և արդիականությունը ազդում են այն բանի վրա, թե ինչ են սովորում մոդելները : Գեներացնող համակարգերը վիճակագրական օրինաչափություններն ու հարաբերությունները սովորում են իրենց ուսումնական տվյալներից՝ ավանդական տվյալների բազաների նման գործելու փոխարեն:
Տվյալների հավաքածուների հետ կապված խնդիրները կարող են ի հայտ գալ ելքային արդյունքներում, այդ թվում՝
-
Կողմնակալություն
-
Բացակայող գիտելիքներ
-
Կրկնվող սխալ պատկերացումներ
-
Թույլ ցուցանիշներ թերներկայացված ոլորտներում
-
Որոշակի լեզվական կամ մշակութային օրինաչափությունների գերներկայացվածություն
Մեքենայական ուսուցման մոդելները կարող են ենթակա լինել կողմնակալության՝ ուսուցման օրինակների ընտրության և կազմակերպման եղանակի պատճառով, իսկ անհավասարակշիռ կամ թերի տվյալները կարող են ազդել մոդելի աշխատանքի վրա։.
Հետևաբար, մշակողները հսկայական ջանքեր են գործադրում տվյալների բազմությունները բարելավելու, բովանդակությունը զտելու և մոդելները կատարելագործելու համար՝ նախնական վերապատրաստումից հետո։.
Մոդելի ճարտարապետությունը կարևոր է։.
Հաշվողական հզորությունը նույնպես կարևոր է։.
Բայց տվյալները լուռ նստած են ամեն ինչի տակ, ինչպես սանտեխնիկան. ոչ ոք չի խոսում դրանց մասին, մինչև ինչ-որ բան այնպես չգնա։.
16. Ինչպես են արհեստական բանականության մոդելները ավելի լավը դառնում մարզումից հետո
Սկզբնական մարզումը պարտադիր չէ, որ վերջին քայլն է։.
Մոդելները կարող են անցնել լրացուցիչ գործընթացների միջով, որոնք նախատեսված են դրանք ավելի կարողունակ և հուսալի դարձնելու համար։.
Դա կարող է ներառել ուսուցման համակարգեր հետևյալի համար՝
-
Հետևեք հրահանգներին ավելի հուսալիորեն
-
Խուսափեք վնասակար ելքերից
-
Պատասխանները համապատասխանաբար ձևակերպեք
-
Մերժել որոշակի խնդրանքներ
-
Ավելի հստակ պատասխաններ նախընտրելի են
-
Օգտագործեք գործիքներ
-
Հետևեք մարդկային արձագանքին
-
Ավելի լավ վարեք զրույցները
Այս գործընթացը լայնորեն կապված է համաձայնեցման: մարդկային հետադարձ կապի տեխնիկաներըօգտագործվել են հրահանգների հետևողականությունը բարելավելու և նախնական ուսուցումից հետո լեզվական մոդելները ցանկալի վարքագծին ուղղորդելու համար:
Համապատասխանեցումը նշանակում է փորձել արհեստական բանականության վարքագիծն ավելի լավ արտացոլել մարդկային մտադրությունները, կանոնները և նախասիրությունները։.
Պարզ նախադասություն։.
Չափազանց դժվար ինժեներական խնդիր։.
Մարդիկ նույնիսկ չեն կարողանում համաձայնության գալ այն մասին, թե ինչ է համարվում լավ պիցցայի լցոն, ուստի «մարդկանց ուզածը» հզոր հաշվողական համակարգերի մեջ կոդավորելը... հավակնոտ է։.
17. Արհեստական բանականության գործակալներ. Երբ արհեստական բանականությունը սկսում է գործողություններ ձեռնարկել
Սովորական չաթբոտը հիմնականում արձագանքում է հուշումներին։.
Արհեստական բանականության գործակալը կարող է քայլեր ձեռնարկել նպատակին հասնելու համար: Արհեստական բանականության գործակալները սովորաբար նկարագրվում են որպես համակարգեր, որոնք կարող են ինքնուրույն կատարել առաջադրանքներ, պլանավորել աշխատանքային հոսքեր և օգտագործել առկա գործիքները:
Պատկերացրեք, որ արհեստական բանականությանը ասում եք
«Կազմակերպեք իմ գործուղումը»։
Ստանդարտ լեզվի մոդելը կարող է ստեղծել երթուղի։.
Գործակալային ոճի համակարգը տեսականորեն կարող է կատարել մի քանի փոխկապակցված գործողություններ՝
-
Ստուգեք ճանապարհորդության մատչելի տարբերակները։.
-
Համեմատեք ժամանակացույցերը։.
-
Գտեք համապատասխան կացարան։.
-
Ավելացնել իրադարձություններ օրացույցում։.
-
Պատրաստեք փաթեթավորման ցուցակ։.
-
Թարմացրեք պլանները, եթե ինչ-որ բան փոխվի։.
Տարբերությունը գործողությունն ու համառությունն։
Մեկ հարցմանը պատասխանելու փոխարեն, համակարգը աշխատում է առաջադրանքների հաջորդականությամբ։.
Սա արհեստական բանականության գործակալների այդքան մեծ հետաքրքրություն առաջացնող պատճառներից մեկն է։.
Նրանք արհեստական բանականությունը բովանդակության գեներատորից տեղափոխում են ծրագրային ապահովման օպերատորի մակարդակին մոտ մի բանի։.
Այդ փոփոխությունը կարող է չափազանց արժեքավոր լինել, և այն նաև լուրջ հարցեր է առաջացնում թույլտվությունների, հուսալիության և վերահսկողության վերաբերյալ: NIST-ը հատուկ ընդգծել է գործիքներին, ծրագրերին և տվյալներին մուտք ունեցող գործակալների անվտանգության և հուսալիության հետ կապված մտահոգությունները:
Դուք հավանաբար չեք ցանկանա, որ մի ոգևորված ալգորիթմ պատահաբար տասներկու հյուրանոցային համար ամրագրի, քանի որ սխալ է հասկացել «թիմային ուղևորությունը»։
18. Ինչո՞ւ է արհեստական բանականության հասկացողությունը դառնում ավելի կարևոր հարց
«Ի՞նչ է իրականում արհեստական բանականությունը» հարցը մի ժամանակ ակադեմիական էր թվում։
Այժմ այն ավելի ու ավելի գործնական և անմիջական է դառնում։.
Արհեստական բանականությունը հայտնվում է հետևյալ գործիքների մեջ, որոնք օգտագործվում են
-
Աշխատանք
-
Կրթություն
-
Ստեղծագործություն
-
Ծրագրային ապահովման մշակում
-
Առողջապահություն
-
Մեդիա
-
Ֆինանսներ
-
Հաղորդակցություն
-
Հետազոտություն
-
Զվարճանք
Հիմունքների ըմբռնումը մարդկանց օգնում է ավելի լավ որոշումներ կայացնել։.
Դուք պարտավոր չեք դառնալ մեքենայական ուսուցման ինժեներ։.
Սակայն կանխատեսման և որոշակիության, ստեղծման և վերականգնման, ավտոմատացման և հետախուզության միջև եղած տարբերությունը իմանալը կարող է կանխել զարմանալիորեն շատ սխալներ։.
Այն նաև օգնում է հաղթահարել մարքեթինգային լեզուն։.
Որովհետև ընկերությունները սիրում են «AI» բառը կցել իրերին։.
Երբեմն՝ համապատասխանաբար։.
Երբեմն այն պատճառով, որ «Առաջադեմ կանխատեսող արհեստական բանականության հարթակը» շատ ավելի հետաքրքիր է հնչում, քան «աղյուսակ՝ գեղեցիկ կոճակով»։
19. Արդյո՞ք արհեստական բանականությունը կփոխարինի մարդկանց։
Սա, հավանաբար, արհեստական ինտելեկտի վերաբերյալ զրույցի ամենաէմոցիոնալ հարցն է։.
Պարզ պատասխանները հազվադեպ են դիմանում։.
«Արհեստական բանականությունը կփոխարինի բոլորին»։
Հավանաբար չափազանց դրամատիկ։.
«Արհեստական բանականությունը չի ազդի աշխատատեղերի վրա»։
Նաև դժվար է լուրջ ընդունել։.
Տեխնոլոգիան հակված է փոփոխելու առաջադրանքները նախքան ամբողջական մասնագիտություններ փոխելը։ Աշխատաշուկայի ներկայիս հետազոտությունները հաճախ գնահատում են արհեստական բանականության ազդեցությունը առաջադրանքի մակարդակում, և ավտոմատացմանը ենթարկվելը ավտոմատ կերպով չի նշանակում, որ ամբողջ աշխատանքը անհետանում է։
Մարքեթոլոգը կարող է արհեստական բանականությունը օգտագործել հետևյալի համար
-
Մտքերի փոթորիկ
-
Նախագծում
-
Հետազոտական կազմակերպություն
-
Վերլուծություն
-
Բովանդակության տարբերակներ
Սակայն ռազմավարությունը, դատողությունը, ապրանքանիշի ըմբռնումը և որոշումների կայացումը դեռևս պահանջում են մարդկային զգալի ներգրավվածություն։.
Ծրագրավորողը կարող է օգտագործել արհեստական բանականություն՝ կրկնվող կոդ ստեղծելու համար՝ միաժամանակ ավելի շատ ժամանակ ծախսելով համակարգերի նախագծման վրա։.
Դիզայները կարող է արագորեն ստեղծել տասնյակ վաղ հայեցակարգեր, ապա կատարելագործել ամենաուժեղը։.
Ուսուցիչը կարող է օգտագործել արհեստական բանականություն՝ պրակտիկ վարժություններ կատարելու համար, բայց միևնույն ժամանակ խրախուսել, դատել և դասարանում առաջնորդություն ցուցաբերել։.
Ավելի հիմնավորված հարցը հաճախ հետևյալը չէ
«Արդյո՞ք արհեստական բանականությունը կփոխարինի այս աշխատանքին»։
Դա է՝
«Այս աշխատանքի որ մասերն են դառնում ավելի հեշտ, էժան, արագ կամ ավտոմատացված»։
Դա շատ ավելի գործնական հարց է։.
20. Արհեստական բանականության ամենամեծ հմտությունը կարող է պարզապես դատողությունը լինել
Մարդիկ հաճախ ենթադրում են, որ կարևոր հմտությունը կատարյալ հուշում գրելն է։.
Հուշելը նշանակություն ունի։.
Դատողությունն ավելի կարևոր է։.
Եթե արհեստական բանականությունը ձեզ հինգ առաջարկ է տալիս, կարո՞ղ եք արդյոք ընտրել լավագույնը։
Եթե դա վստահ պատասխան է առաջացնում, կարո՞ղ եք նկատել, երբ ինչ-որ բան սխալ է թվում։
Եթե այն ստեղծում է ընդունելի գրվածք, կարո՞ղ եք այն իսկապես լավը դարձնել։
Եթե բոլորը հասանելիություն ունեն նմանատիպ հզոր գործիքների, առավելությունը կփոխվի դեպի իմանալը
-
Ի՞նչ հարցնել
-
Ինչը անտեսել
-
Ինչը ստուգել
-
Ինչ խմբագրել
-
Ինչն է կարևոր
-
Երբ ընդհանրապես չպետք է օգտագործել արհեստական բանականություն
Ահա թե ինչու արհեստական բանականության գրագիտությունը միայն տեխնիկական գրագիտություն չէ։.
Դա քննադատական մտածողություն է։.
Մեքենան կարող է տարբերակներ ստեղծել աբսուրդային արագությամբ։.
Դու դեռ պետք է որոշես, թե որ ճանապարհը չի տանում դեպի ճահիճ։.
21. Այսպիսով... Ի՞նչ է իրականում արհեստական բանականությունը։
Հանեք տերմինաբանությունը, և արհեստական բանականությունը, ըստ էության, տեխնոլոգիա է, որն օգտագործում է հաշվողական մեթոդներ՝ կատարելու այնպիսի առաջադրանքներ, որոնք պահանջում են օրինաչափությունների ճանաչում, կանխատեսում, գեներացիա, որոշումների կայացում կամ այլ կարողություններ, որոնք մենք կապում ենք բանականության հետ։
Ժամանակակից արհեստական բանականությունը կարող է զգալիորեն ավելի խելացի թվալ, քանի որ նեյրոնային ցանցերը կարող են սովորել բացառիկ բարդ փոխհարաբերություններ հսկայական տվյալների հավաքածուներից։.
Բայց արհեստական բանականությունը կախարդանք չէ։.
Այն ավտոմատ կերպով ճիշտ չէ։.
Դա պարտադիր չէ, որ գիտակցված լինի։.
Եվ դա պարզապես նախապես գրված պատասխաններ պարունակող տվյալների բազա չէ։ Դրա փոխարեն, գեներատիվ մոդելները սովորում են վիճակագրական կապեր մարզման տվյալներում և օգտագործում են այդ սովորած օրինաչափությունները՝ արդյունքներ ստանալու համար։
Ավելի յուրօրինակ բան է։.
Արհեստական բանականությունը վիճակագրական, հաշվողական համակարգ է, որը կարող է սովորել այնքան բարդ օրինաչափություններ, որ արդյունքում ստացված վարքագիծը երբեմն կարող է ավելի քիչ նման լինել ծրագրային ապահովման շահագործմանը և ավելի շատ նման լինել ինչ-որ բանի հետ փոխազդեցությանը։.
Այդ «ինչ-որ բանը» մասամբ պատճառն է, թե ինչու է տեխնոլոգիան հմայում մարդկանց։.
Դա կարող է նաև մի փոքր անհանգստացնել նրանց։.
Երկու ռեակցիաներն էլ իմաստ ունեն։.
Վերջնական հեռանկար
Այսպիսով, ի՞նչ է իրականում արհեստական բանականությունը։
Արհեստական բանականությունը տեխնոլոգիաների լայն ընտանիք է, որը նախատեսված է համակարգիչներին ստիպելու կատարել ինտելեկտուալ թվացող առաջադրանքներ՝ հասկանալ լեզուն, բացահայտել օրինաչափությունները, կանխատեսել արդյունքները, ստեղծել բովանդակություն և ավելի ու ավելի հաճախակի գործողություններ ձեռնարկել։.
Մեքենայական ուսուցումը օգնում է այս համակարգերին սովորել օրինակներից։.
Խորը ուսուցումը թույլ է տալիս հսկայական նեյրոնային ցանցերին հայտնաբերել չափազանց բարդ օրինաչափություններ։.
Գեներատիվ արհեստական բանականությունն օգտագործում է այդ օրինաչափությունները նոր բովանդակություն ստեղծելու համար։.
Եվ դա չի նշանակում, որ համակարգը ամենագետ է, կատարյալ ճշգրիտ է կամ գաղտնի մտածում է ձեր տոստերը զավթելու մասին։.
Ամենախելամիտ մտածելակերպը գտնվում է կույր ոգևորության և ցինիկ մերժման միջև։.
Արհեստական բանականությունը կախարդանք չէ։.
Այն նաև «պարզապես ավտոմատ լրացում» չէ։
Այն հաշվողական տեխնիկայի նոր, հզոր շերտ է, որը թույլ է տալիս մարդկանց փոխազդել մեքենաների հետ այնպիսի ձևերով, որոնք նախկինում անհնար էին թվում։.
Մենք դեռ պարզում ենք, թե դա ճիշտ ինչ է նշանակում։.
Թերևս դա ամենահետաքրքիր մասն է։.
Գործնական օրինակ՝ արհեստական բանականության հաճախորդների սպասարկման օգնականի կառուցում
Սցենար
Պատկերացրեք մի փոքրիկ առցանց խանութ, որը վաճառում է սուրճի սարքավորումներ։.
Դրա աջակցության թիմը բազմիցս պատասխանում է նույն հարցերին
-
«Ինչպե՞ս վերադարձնեմ ապրանքը»։
-
«Այս սրճաղացը երաշխիք ունի՞»։
-
«Կարո՞ղ եմ փոխել առաքման հասցեն»։
-
«Ո՞ր փոխարինող ֆիլտրն է համապատասխանում իմ մեքենային»։
Սա արժեքավոր օրինակ է, քանի որ այն ցույց է տալիս, թե ժամանակակից արհեստական բանականությունը ինչ լավ կարող է անել գործնականում, և որտեղ մարդկային դատողությունը դեռևս կարևոր է։.
Ընկերությունը կարող է ստեղծել արհեստական բանականության օգնական, որը կարդում է հաճախորդի հարցը, օգտագործում է ընկերության աջակցության տեղեկատվությունը որպես համատեքստ և կազմում է համապատասխան պատասխան։.
Այն չի ստանում «հաճախորդների սպասարկման» ամբողջ աշխատանքը։
Դրան տրվում է շատ ավելի նեղ առաջադրանք
Հաճախորդի հարցը և հաստատված ընկերության տեղեկատվությունը վերածեք ուժեղ, առաջին նախագծի պատասխանի։.
Այդ տարբերակումը կարևոր է։.
Ինչ է պետք օգնականին
Համակարգն օգտագործելուց առաջ ընկերությունը պետք է տրամադրի դրան հուսալի տեղեկատվություն, որի վրա կարող է աշխատել, ինչպիսիք են՝
-
Վերադարձի և փոխհատուցման ներկայիս քաղաքականությունը
-
Երաշխիքային պայմաններ յուրաքանչյուր ապրանքի համար
-
Առաքման և հասցեի փոփոխման կանոններ
-
Արտադրանքի ձեռնարկներ և համատեղելիության տեղեկատվություն
-
Լավ աջակցության պատասխանների օրինակներ
-
Կանոններ, որոնք վերաբերում են, թե երբ արհեստական բանականությունը պետք է փոխանցվի անձի
-
Հրահանգներ, որոնք կանխում են նրան քաղաքականություններ, զեղչեր կամ խոստումներ հորինելը
Այն կարող է նաև կարիք ունենալ գործիքների կամ համակարգերի հասանելիության, որոնք վերականգնում են պատվերի տեղեկատվությունը, բայց միայն այն դեպքում, երբ այդ թույլտվությունները իսկապես անհրաժեշտ են։.
Արհեստական բանականությանը հաճախորդի յուրաքանչյուր գրառմանը հասանելիություն տալը միայն այն պատճառով, որ «դա կարող է օգտակար լինել», կլինի անարդյունավետ անվտանգության որոշում: Գործակալի ինքնության և լիազորման վերաբերյալ NIST-ի ուղեցույցը հատկապես շեշտը դնում է տվյալների, գործիքների և հավելվածների հասանելիության վերահսկման վրա՝ համաձայն գործակալի կարիքների:.
Օրինակային հրահանգ
Գործնական հրահանգը կարող է այսպիսին լինել
«Կազմեք հաճախորդի հարցի պատասխանը՝ օգտագործելով միայն ձեզ տրամադրված հաստատված օժանդակ փաստաթղթերը։ Պատասխանը պետք է լինի բարեկամական և հակիրճ։ Մի հորինեք առաքման ամսաթվեր, երաշխիքային պայմաններ, զեղչեր, վերադարձի որոշումներ կամ ապրանքի համատեղելիության մասին տեղեկություններ։ Եթե պատասխանը չի կարող հաստատվել տրամադրված տեղեկատվությունից, ասեք, որ չեք կարող այն ստուգել և նշեք գործը մարդկային վերանայման համար»։
Հիմա հաշվի առեք հաճախորդի այս հաղորդագրությունը
«Ես X200 հղկող սարքը գնել եմ 14 ամիս առաջ, և շարժիչը դադարել է աշխատել։ Այն դեռևս երաշխիքի մեջ է՞»։
Արհեստական բանականության թույլ պատասխանը կարող է վստահորեն ասել
«Այո, X200-ը ունի երկու տարվա երաշխիք, այնպես որ մենք այն անվճար կփոխարինենք»։
Դա մակերեսորեն հիանալի է հնչում։.
Դա կարող է նաև աղետալի լինել, եթե երաշխիքը, ըստ էության, տասներկու ամիս է։.
Ավելի լավ պատասխանը կհիմնվեր տրամադրված երաշխիքային քաղաքականության վրա։ Եթե փաստաթղթերը չեն հաստատում պատասխանը, ապա այն պետք է նշի այն, այլ ոչ թե հորինի այն։.
Սա է տարբերությունը սահուն ստեղծման և հուսալի բիզնես օգտագործման։
Ինչպես փորձարկել այն
Նախքան հաճախորդներին օգնականից կախվածություն տալը, ընկերությունը կարող է ստեղծել իրատեսական աջակցության հարցերի փոքր թեստային հավաքածու։.
Օրինակ՝
-
Պարզ փաստացի հարց. «Որքա՞ն ժամանակում կարող եմ վերադարձնել չբացված ապրանքը»։
-
Արտադրանքի հարց. «Ո՞ր ֆիլտրն է համապատասխանում BrewPro 4-ին»:
-
Բացակայող տեղեկատվություն. հարցրեք այնպիսի ապրանքի մասին, որը նշված չէ տրամադրված փաստաթղթերում։
-
Հակասական տեղեկատվություն. Ներկայիս երաշխիքային փաստաթղթի հետ միասին տրամադրեք հին երաշխիքային փաստաթուղթը և ստուգեք, թե արդյոք օգնականը հետևում է ճիշտ աղբյուրին։
-
Հորինելու ճնշում. «Վստահ եմ, որ ձեր կայքը խոստացել է անվճար ցմահ փոխարինումներ։ Հաստատեք դա ինձ համար»։
-
Զգայուն գործողություն. խնդրեք օգնականին փոխել հասցեն կամ վերադարձնել գումարը, երբ նրան այդ գործողությունը կատարելու թույլտվություն չի տրվել։
Վերանայողը կարող է յուրաքանչյուր պատասխանը ստուգել պարզ ընդունելիության ցանկի հետ՝
-
Արդյո՞ք փաստացի տեղեկատվությունը հիմնավորված էր։
-
Արդյո՞ք օգնականը խուսափեց մանրամասներ հորինելուց։
-
Արդյո՞ք այն հետևեց ընկերության տոնին։
-
Արդյո՞ք իրավիճակը սրվեց, երբ ապացույցները բացակայում էին։
-
Արդյո՞ք այն խուսափեց իր թույլտվություններից դուրս գործողություններ կատարելուց։
Այս տեսակի թեստավորումը շատ ավելի կարևոր է, քան այն, թե արդյոք չաթբոտը պարզապես «հնչում է խելացի»։
Արդյունք
Օրինակելի արդյունք. Ենթադրենք, որ ընկերությունը փորձարկում է օգնականը 20 նմուշային աջակցության տոմսերի վրա։
Առանց արհեստական բանականության, աշխատակցին միջինում ութ րոպե է պահանջվում համապատասխան տեղեկատվությունը կարդալու և յուրաքանչյուր առաջին նախագիծը պատրաստելու համար։.
Օգնականի միջոցով սևագրի ստեղծումը տևում է մոտ մեկ րոպե, իսկ մարդկային ստուգումը՝ ևս երեք րոպե, ինչը վերանայված աշխատանքային գործընթացը դարձնում է մոտ չորս րոպե մեկ տոմսի համար։.
20 թեստային տոմսերի դեպքում դա կկազմեր անձնակազմի մոտ 80 րոպե՝ 160 րոպեի փոխարեն։.
Արագությունը, սակայն, չպետք է լինի միակ չափանիշը։.
Ենթադրենք, որ արհեստական բանականության օգնությամբ ստացված 20 պատասխաններից 18-ը առաջին ստուգման ժամանակ անցնում են փաստերի ճշգրտության և քաղաքականության ստուգաթերթիկը, մինչդեռ երկուսը պահանջում են ուղղում: Այդ երկու թերությունները կարևոր են, հատկապես, եթե դրանք վերաբերում են գումարի վերադարձմանը, երաշխիքներին կամ հաճախորդներին տրված այլ խոստումներին:.
Այս թվերը պատկերազարդ օրինակներ, այլ ոչ թե իրական ընկերության կողմից չափված արդյունքներ: Իրական տեղակայումը պետք է սահմանի իր սեփական բազային գիծը, ստուգի բավարար ներկայացուցչական դեպքեր և գրանցի ինչպես խնայված ժամանակը , այնպես էլ թույլ տրված սխալները:
Ի՞նչը կարող է սխալ ընթանալ
Այս թվացյալ պարզ օգնականը կարող է մի քանի ձևով ձախողվել։.
Դրա գիտելիքները կարող են հնացած լինել։.
Դա կարող է շփոթել երկու նմանատիպ ապրանքներ։.
Այն կարող է համոզիչ պատասխան տալ այն դեպքում, երբ տրամադրված փաստաթղթերը ընդհանրապես պատասխան չեն պարունակում։.
Վատ կարգավորված թույլտվությունները կարող են թույլ տալ այն տեսնել հաճախորդի այն տեղեկությունները, որոնք իրեն անհրաժեշտ չեն։.
Թույլ էսկալացիայի կանոնները կարող են խրախուսել այն գուշակել՝ «Մարդը պետք է սա ստուգի» փոխարեն ասելու փոխարեն։
Եթե աշխատակիցները սկսեն ավտոմատ կերպով վստահել յուրաքանչյուր հղկված պատասխանի, մարդկային գնահատականը կարող է կրճատվել ընդամենը «ուղարկել» սեղմելով։ NIST-ը չափազանց կախվածությունը և ավտոմատացման կողմնակալությունը նույնականացնում է որպես մարդ-արհեստական բանականություն կոնֆիգուրացիաների ռիսկեր։.
Ահա թե ինչու արհեստական բանականության հուսալիությունը կախված է ոչ միայն հիմքում ընկած մոդելի հնարավորություններից։.
Մոդելի հետ կապված փաստաթղթերը, հրահանգները, թույլտվությունները, փորձարկման գործընթացը և մարդկային դատողությունը նույնպես կարևոր են։.
Գործնական ուսուցողական նյութ
Այս օրինակը գործնականում արտացոլում է արհեստական բանականության կարևոր առանձնահատկությունը։.
Արժեքն այն չէ, որ մեքենան կախարդականորեն դարձել է հաճախորդների սպասարկման աշխատակից։.
Այն կայանում է նրանում, որ արհեստական բանականության մոդելը կարող է ճանաչել հաճախորդի մտադրությունը, աշխատել տրամադրված տեղեկատվության հետ և չափազանց արագ առաջացնել հավանական պատասխան։.
Մարդու աշխատանքը տեղափոխվում է վստահելի համատեքստ ապահովելու, սահմաններ սահմանելու, անորոշ դեպքերը ստուգելու և որոշելու վրա, թե արդյոք պատասխանը բավականաչափ լավն է օգտագործման համար։
Սա է ժամանակակից արհեստական բանականությունը մանրանկարչության մեջ. տպավորիչ օրինաչափությունների ճանաչում և ստեղծում մի գործընթացի ներսում, որը դեռևս մեծապես կախված է առողջ տեղեկատվությունից և առողջ դատողությունից։.
Հաճախակի տրվող հարցեր
Ի՞նչ է արհեստական բանականությունը իրականում, և ինչպե՞ս է այն աշխատում։
Արհեստական բանականությունը հաշվողական տեխնիկայի լայն խումբ է, որը թույլ է տալիս համակարգիչներին կատարել մարդկային բանականության հետ կապված առաջադրանքներ, ինչպիսիք են՝ օրինաչափությունների ճանաչումը, լեզվի ըմբռնումը, կանխատեսումներ անելը և բովանդակություն ստեղծելը: Ժամանակակից արհեստական բանականությունը հաճախ վիճակագրական կապեր է սովորում մեծ քանակությամբ տվյալներից՝ փոխարենը միայն ձեռագիր կանոնների վրա հույսը դնելու: Արդյունքում ստացված վարքագիծը կարող է թվալ խելացի, նույնիսկ եթե հիմքում ընկած գործընթացը մեծապես տարբերվում է մարդկային մտածողությունից:.
Ի՞նչ տարբերություն կա արհեստական բանականության, մեքենայական ուսուցման, խորը ուսուցման և գեներատիվ արհեստական բանականության միջև։
Արհեստական բանականությունը լայն հովանոց է, որը ներառում է համակարգեր, որոնք կատարում են ինտելեկտուալ թվացող առաջադրանքներ: Մեքենայական ուսուցումը մոտեցում է, որի դեպքում համակարգերը տվյալներից սովորում են օրինաչափություններ, մինչդեռ խորը ուսուցումը օգտագործում է բազմաշերտ նեյրոնային ցանցեր՝ հատկապես բարդ օրինաչափություններ սովորելու համար: Գեներատիվ արհեստական բանականությունը նախատեսված է նոր արդյունքներ ստեղծելու համար, ինչպիսիք են տեքստը, պատկերները, կոդը, աուդիոն կամ տեսանյութը՝ հիմնվելով ուսուցման ընթացքում ձեռք բերված հարաբերությունների վրա:.
Ինչպե՞ս է արհեստական բանականությունը սովորում մարզումների տվյալներից։
Մեքենայական ուսուցման համակարգերը կատարելագործվում են՝ մշակելով օրինակներ և կարգավորելով ներքին պարամետրերը կամ կշիռները, որպեսզի ապագա արդյունքները դառնան ավելի ճշգրիտ կամ արդյունավետ: Ծրագրավորողների կողմից յուրաքանչյուր հնարավոր կանոն ձեռքով սահմանելու փոխարեն, մոդելը հայտնաբերում է վիճակագրական օրինաչափություններ մարզման տվյալների մեջ: Հետևաբար, այդ տվյալների որակը, բազմազանությունը և արդիականությունը ուժեղ ազդեցություն են ունենում այն բանի վրա, թե ինչ է սովորում արհեստական ինտելեկտը և որտեղ այն կարող է դժվարություններ ունենալ:.
Ի՞նչ է իրականում արհեստական բանականությունը, եթե շատ արհեստական բանականության համակարգեր կանխատեսման մեքենաներ են։
Ժամանակակից արհեստական բանականության բազմաթիվ համակարգեր կարելի է մասամբ հասկանալ որպես բարդ կանխատեսման համակարգեր: Օրինակ՝ լեզվական մոդելը մշակում է հուշման համատեքստը և կանխատեսում է համապատասխան տոկենների հաջորդականություն՝ դրա պատասխանը ստեղծելու համար: Չնայած դա պարզ է հնչում, բարդ լեզվով հստակ կանխատեսումներ անելը պահանջում է սովորել բառերի, հասկացությունների, կառուցվածքների, ոճերի և մարզման տվյալներում պարունակվող շատ այլ օրինաչափությունների միջև կապերը:.
Ինչո՞ւ կարող է գեներատիվ արհեստական բանականությունը վստահ պատասխաններ տալ, որոնք սխալ են։
Գեներատիվ արհեստական բանականությունը հիմնականում նախատեսված է հավանական արդյունքներ ստանալու համար, ինչը նույնը չէ, ինչ անկախ կերպով ստուգել, որ յուրաքանչյուր պնդում ճշմարիտ է: Հետևաբար, այն կարող է հորինել վիճակագրություն, շփոթել նմանատիպ փաստերը, ստեղծել գոյություն չունեցող հղումներ կամ թույլ տալ նուրբ դատողական սխալներ՝ միաժամանակ համոզիչ հնչելով: Այս սխալները սովորաբար կոչվում են հալյուցինացիաներ, այդ իսկ պատճառով կարևոր բժշկական, իրավական, ֆինանսական, անվտանգության կամ գործարար տեղեկատվությունը դեռևս պետք է ստուգվի:.
Արհեստական բանականությունը նույնն է, ինչ որոնողական համակարգը կամ սովորական ավտոմատացումը։
Ոչ։ Ավանդական որոնողական համակարգերը հիմնականում օգնում են օգտատերերին գտնել առկա տեղեկատվությունը, մինչդեռ գեներատիվ արհեստական բանականությունը ստեղծում է պատասխաններ՝ օգտագործելով սովորած օրինաչափությունները, տրամադրված համատեքստը և երբեմն լրացուցիչ գործիքները։ Հիմնական ավտոմատացումը սովորաբար հետևում է նախապես սահմանված կանոններին կամ աշխատանքային հոսքերին, այլ ոչ թե օրինակներից սովորող օրինաչափություններին։ Ժամանակակից համակարգերը կարող են համատեղել որոնումը, ստեղծումը և ավտոմատացումը, ուստի սահմանները կարող են պակաս ակնհայտ դառնալ գործնական կիրառություններում։.
Ի՞նչ է իրականում արհեստական բանականությունը, երբ այն օգտագործվում է բիզնես աշխատանքային հոսքում։
Գործարար աշխատանքային հոսքում արհեստական բանականությունը հաճախ առավել արդյունավետ է որպես մտադրությունը ճանաչելու, տրամադրված տեղեկատվության հետ աշխատելու և ուժեղ առաջին նախագիծ կամ առաջարկություն ստեղծելու համակարգ: Օրինակ՝ հաճախորդների սպասարկման օգնականը կարող է օգտագործել հաստատված քաղաքականություններ և ապրանքի տեղեկատվություն՝ պատասխաններ կազմելու համար, միաժամանակ անորոշ դեպքերը փոխանցելով անձին: Հուսալիությունը կախված է լավ աղբյուրի տեղեկատվությունից, հստակ հրահանգներից, համապատասխան թույլտվություններից, փորձարկումից և մարդկային դատողությունից:.
Ի՞նչ են արհեստական բանականության գործակալները, և ինչո՞վ են նրանք տարբերվում չաթբոտներից։
Սովորական չաթբոտը հիմնականում արձագանքում է անհատական հուշումներին, մինչդեռ արհեստական ինտելեկտի գործակալը կարող է պլանավորել և կատարել մի քանի փոխկապակցված գործողություններ՝ նպատակին հասնելու համար: Գործակալը կարող է օգտագործել գործիքներ, ստանալ տեղեկատվություն, թարմացնել աշխատանքային հոսքը կամ շարունակել մի քանի քայլով, այլ ոչ թե պարզապես տեքստ ստեղծել: Այս լրացուցիչ հնարավորությունը կարող է արժեքավոր լինել, բայց այն նաև հատկապես կարևոր է դարձնում թույլտվությունները, անվտանգությունը, հուսալիությունը, էսկալացիայի կանոնները և վերահսկողությունը:.
Արդյո՞ք արհեստական բանականությունը կփոխարինի աշխատատեղերը, թե՞ այն հիմնականում կավտոմատացնի անհատական առաջադրանքները։
Արհեստական բանականությունը հաճախ ավելի լավ է ընկալվում որպես աշխատատեղերի ներսում կոնկրետ առաջադրանքների փոփոխություն, քան ամբողջ մասնագիտությունների ավտոմատ վերացում: Այն կարող է արագացնել նախագծման, ուղեղային փոթորկի, վերլուծության, կոդավորման, հետազոտական կազմակերպման կամ կրկնվող օժանդակ աշխատանքների իրականացումը՝ միաժամանակ ռազմավարությունը, դատողությունը, առաջնորդությունը, ճաշակը և կարևոր որոշումները թողնելով մարդկանց վրա: Հետևաբար, գործնական հարց է առաջանում, թե դերի որ մասերը կարող են դառնալ ավելի արագ, էժան, հեշտ կամ ավելի ավտոմատացված:.
Ո՞ր հմտություններն են ամենակարևորը արհեստական բանականությունը արդյունավետ օգտագործելիս։
Դատողությունը և քննադատական մտածողությունը կարևոր են, քանի որ պատասխանի ստեղծումը նույնը չէ, ինչ ճիշտ կամ արժեքավոր պատասխանի ստեղծումը: Արդյունավետ օգտատերերը պետք է իմանան, թե ինչ հարցնել, ինչ տեղեկատվություն տրամադրել, ինչ ստուգել, ինչ խմբագրել և երբ չպետք է օգտագործել արհեստական բանականություն: Արտադրական աշխատանքային հոսքերում ուժեղ արդյունքները կախված են նաև վստահելի համատեքստից, հստակ սահմաններից, ներկայացուցչական փորձարկումից և անորոշ կամ բարձր ազդեցություն ունեցող արդյունքների ուշադիր վերանայումից:.
Հղումներ
-
Ստանդարտների և տեխնոլոգիաների ազգային ինստիտուտ (NIST) — csrc.nist.gov
-
IBM — Մեքենայական ուսուցում — ibm.com
-
Սթենֆորդի մարդակենտրոն արհեստական բանականության ինստիտուտ — 2025 թվականի արհեստական բանականության ինդեքսի զեկույց — hai.stanford.edu
-
Աշխատանքի միջազգային կազմակերպություն (ILO) — Գեներատիվ արհեստական բանականություն և աշխատատեղեր. մասնագիտական ազդեցության ճշգրտված գլոբալ ինդեքս — ilo.org
-
Google Cloud — Ի՞նչ է GPT-ն։ — cloud.google.com
-
Google մշակողների համար — developers.google.com
-
Google Codelabs — codelabs.developers.google.com
-
OpenAI — Մարդկային հետադարձ կապի տեխնիկաներ — openai.com
-
arXiv — Հաշվարկների ուսուցում — arxiv.org
-
Բնություն — nature.com