Ano ang AI?

Lumalabas ang AI kahit saan - sa iyong telepono, sa iyong inbox, pag-nudging ng mga mapa, pag-draft ng mga email na kalahating sinadya mong isulat. Ngunit ano ang AI ? Maikling bersyon: ito ay isang bundle ng mga diskarte na nagbibigay-daan sa mga computer na gawin ang mga gawain na iniuugnay namin sa katalinuhan ng tao, tulad ng pagkilala sa mga pattern, paggawa ng mga hula, at pagbuo ng wika o mga imahe. Hindi ito hand-wavy marketing. Ito ay isang grounded field na may matematika, data, at maraming trial-and-error. Binabalangkas ng mga awtoritatibong sanggunian ang AI bilang mga system na maaaring matuto, mangatuwiran, at kumilos patungo sa mga layunin sa mga paraang sa tingin natin ay matalino. [1]

Mga artikulong maaaring gusto mong basahin pagkatapos nito:

🔗 Ano ang open source AI?
Unawain ang open-source AI, mga benepisyo, mga modelo ng paglilisensya, at pakikipagtulungan ng komunidad.

🔗 Ano ang isang neural network sa AI?
Alamin ang mga pangunahing kaalaman sa neural network, mga uri ng arkitektura, pagsasanay, at mga karaniwang gamit.

🔗 Ano ang computer vision sa AI?
Tingnan kung paano binibigyang-kahulugan ng mga makina ang mga larawan, pangunahing gawain, dataset, at application.

🔗 Ano ang simbolikong AI?
Galugarin ang simbolikong pangangatwiran, mga graph ng kaalaman, mga panuntunan, at hybrid na neuro-symbolic system.

Ano ang AI: ang mabilis na bersyon 🧠➡️💻

Ang AI ay isang hanay ng mga pamamaraan na nagbibigay-daan sa software na tantiyahin ang matalinong pag-uugali. Sa halip na i-coding ang bawat panuntunan, madalas kaming nagsasanay ng mga modelo sa mga halimbawa para ma-generalize ang mga ito sa mga bagong sitwasyon - pagkilala sa imahe, speech-to-text, pagpaplano ng ruta, mga katulong ng code, hula ng istruktura ng protina, at iba pa. Kung gusto mo ng maayos na kahulugan para sa iyong mga tala: isipin ang mga computer system na gumaganap ng mga gawaing naka-link sa mga prosesong intelektwal ng tao gaya ng pangangatwiran, pagtuklas ng kahulugan, at pagkatuto mula sa data. [1]

Ang isang kapaki-pakinabang na modelo ng pag-iisip mula sa larangan ay ang pagtrato sa AI bilang mga sistemang nakadirekta sa layunin na nakikita ang kanilang kapaligiran at pumipili ng mga aksyon - kapaki-pakinabang kapag nagsimula kang mag-isip tungkol sa mga loop ng pagsusuri at kontrol. [1]

Ano ang Talagang Kapaki-pakinabang ng AI✅

Bakit abutin ang AI sa halip na mga tradisyonal na panuntunan?

• Kapangyarihan ng pattern - nakikita ng mga modelo ang mga banayad na ugnayan sa malalaking dataset na mapapalampas ng mga tao bago ang tanghalian.

• Adaptation - na may mas maraming data, maaaring mapabuti ang pagganap nang hindi muling sinusulat ang lahat ng code.

• Bilis sa sukat - sa sandaling nasanay, ang mga modelo ay tumatakbo nang mabilis at tuluy-tuloy, kahit na sa nakaka-stress na dami.

• Generativity - ang mga modernong sistema ay maaaring gumawa ng teksto, mga imahe, code, kahit na mga molekula ng kandidato, hindi lamang pag-uuri ng mga bagay.

• Probabilistic na pag-iisip - pinangangasiwaan nila ang kawalan ng katiyakan nang mas maganda kaysa sa malutong kung-ibang mga kagubatan.

• Mga tool na gumagamit ng tool - maaari mong i-hook ang mga modelo sa mga calculator, database, o maghanap upang palakasin ang pagiging maaasahan.

• Kapag hindi maganda - bias, guni-guni, lipas na data ng pagsasanay, mga panganib sa privacy. Darating tayo diyan.

Maging tapat tayo: kung minsan ang AI ay parang bisikleta para sa isip, at kung minsan ito ay isang unicycle sa graba. Parehong maaaring totoo.

Paano gumagana ang AI, sa bilis ng tao 🔧

Karamihan sa mga modernong AI system ay pinagsama ang:

1. Data - mga halimbawa ng wika, mga larawan, mga pag-click, mga pagbabasa ng sensor.

2. Mga Layunin - isang function ng pagkawala na nagsasabi kung ano ang hitsura ng "mabuti".

3. Algorithm - ang pamamaraan ng pagsasanay na nagtutulak sa isang modelo upang mabawasan ang pagkawalang iyon.

4. Pagsusuri - mga set ng pagsubok, sukatan, mga pagsusuri sa katinuan.

5. Deployment - paghahatid ng modelo na may pagsubaybay, kaligtasan, at mga guardrail.

Dalawang malawak na tradisyon:

• Symbolic o logic-based AI - tahasang mga panuntunan, mga graph ng kaalaman, paghahanap. Mahusay para sa pormal na pangangatwiran at mga hadlang.

• Statistical o learning-based AI - mga modelong natututo mula sa data. Dito nabubuhay ang malalim na pag-aaral at kung saan nagmumula ang karamihan sa mga kamakailang sizzle; ang isang malawak na binanggit na pagsusuri ay nagmamapa ng teritoryo mula sa mga layered na representasyon hanggang sa pag-optimize at generalization. [2]

Sa loob ng AI na nakabatay sa pag-aaral, mahalaga ang ilang mga haligi:

• Pinangangasiwaang pag-aaral - matuto mula sa mga may label na halimbawa.

• Unsupervised at self-supervised - alamin ang istraktura mula sa walang label na data.

• Reinforcement learning - matuto sa pamamagitan ng pagsubok at feedback.

• Generative modeling - matutong gumawa ng mga bagong sample na mukhang totoo.

Dalawang generative na pamilya ang maririnig mo araw-araw:

• Mga transformer - ang arkitektura sa likod ng karamihan sa malalaking modelo ng wika. Gumagamit ito ng pansin upang maiugnay ang bawat token sa iba, na nagpapagana ng parallel na pagsasanay at nakakagulat na matatas na mga output. Kung narinig mo na ang "pag-pansin sa sarili," iyon ang pangunahing trick. [3]

• Mga modelo ng pagsasabog - natututo silang baligtarin ang isang proseso ng ingay, mula sa random na ingay pabalik sa isang malutong na imahe o audio. Ito ay tulad ng un-shuffling isang deck, dahan-dahan at maingat, ngunit may calculus; ipinakita ng gawaing pundasyon kung paano epektibong magsanay at magsampol. [5]

Kung ang mga metapora ay nararamdaman na nakaunat, iyon ay patas - AI ay isang gumagalaw na target. Lahat kami ay nag-aaral ng sayaw habang nagbabago ang musika sa kalagitnaan ng kanta.

Kung saan nakikilala mo na ang AI araw-araw 📱🗺️📧

• Paghahanap at rekomendasyon - mga resulta ng pagraranggo, feed, video.

• Email at docs - autocomplete, summarization, mga pagsusuri sa kalidad.

• Camera at audio - denoise, HDR, transkripsyon.

• Pag-navigate - pagtataya ng trapiko, pagpaplano ng ruta.

• Suporta at serbisyo - mga ahente ng chat na nagsusuri at nag-draft ng mga tugon.

• Coding - mga mungkahi, refactor, pagsubok.

• Kalusugan at agham - triage, suporta sa imaging, hula ng istraktura. (Itrato ang mga klinikal na konteksto bilang kritikal sa kaligtasan; gumamit ng pangangasiwa ng tao at mga nakadokumentong limitasyon.) [2]

Mini anekdota: maaaring A/B-test ng isang team ng produkto ang isang hakbang sa pagkuha sa harap ng isang modelo ng wika; madalas na bumababa ang mga rate ng error dahil ang modelo ay nangangatuwiran sa mas bago, konteksto na partikular sa gawain kaysa sa paghula. (Paraan: tukuyin ang mga sukatan sa unahan, panatilihin ang isang hanay ng hold-out, at ihambing ang mga tulad-para-para sa mga prompt.)

Mga lakas, limitasyon, at banayad na kaguluhan sa pagitan ng ⚖️

Mga Kalakasan

• Pinangangasiwaan ang malalaki at magulo na mga dataset nang may biyaya.

• Nagsusukat sa mga gawain na may parehong pangunahing makinarya.

• Natututo ang nakatagong istraktura na hindi namin inhinyero. [2]

Mga limitasyon

• Hallucinations - ang mga modelo ay maaaring makabuo ng makatotohanang tunog ngunit hindi tamang mga output.

• Bias - ang data ng pagsasanay ay maaaring mag-encode ng mga panlipunang pagkiling na muling ginawa ng mga system.

• Katatagan - ang mga edge case, adversarial input, at distribution shift ay maaaring masira ang mga bagay.

• Privacy at seguridad - maaaring tumagas ang sensitibong data kung hindi ka mag-iingat.

• Explainability - bakit sinabi nito? Minsan hindi malinaw, na nakakadismaya sa mga pag-audit.

Umiiral ang pamamahala sa peligro para hindi ka magpapadala ng kaguluhan: ang NIST AI Risk Management Framework ay nagbibigay ng praktikal, boluntaryong patnubay upang pahusayin ang pagiging mapagkakatiwalaan sa buong disenyo, pag-unlad, at pag-deploy - isipin ang mga panganib sa pagmamapa, pagsukat sa mga ito, at pamamahala sa paggamit nang end-to-end. [4]

Mga panuntunan sa kalsada: kaligtasan, pamamahala, at pananagutan 🛡️

Ang regulasyon at patnubay ay naaabot sa pagsasanay:

• Mga diskarte na nakabatay sa peligro - ang mga gumagamit na may mataas na peligro ay nahaharap sa mas mahigpit na mga kinakailangan; dokumentasyon, pamamahala ng data, at usapin sa paghawak ng insidente. Binibigyang-diin ng mga pampublikong balangkas ang transparency, pangangasiwa ng tao, at patuloy na pagsubaybay. [4]

• Sector nuance - ang mga domain na kritikal sa kaligtasan (tulad ng kalusugan) ay nangangailangan ng human-in-the-loop at maingat na pagsusuri; Nakikinabang pa rin ang general-purpose tooling mula sa malinaw na nilalayon na paggamit at mga doc ng limitasyon. [2]

Hindi ito tungkol sa pagpigil sa pagbabago; ito ay tungkol sa hindi paggawa ng iyong produkto sa isang popcorn maker sa isang library… na mukhang masaya hanggang sa hindi.

Mga uri ng AI sa pagsasanay, na may mga halimbawa 🧰

• Pagdama - paningin, pagsasalita, pagsasanib ng sensor.

• Wika - chat, pagsasalin, pagbubuod, pagkuha.

• Paghuhula - pagtataya ng demand, pagmamarka ng panganib, pagtuklas ng anomalya.

• Pagpaplano at kontrol - robotics, logistics.

• Generation - mga larawan, audio, video, code, structured data.

Sa ilalim ng hood, ang matematika ay umaasa sa linear algebra, probability, optimization, at compute stack na nagpapanatili sa lahat ng humuhuni. Para sa mas malalim na sweep sa mga pundasyon ng malalim na pag-aaral, tingnan ang canonical review. [2]

Talahanayan ng Paghahambing: mga sikat na tool sa AI sa isang sulyap 🧪

(Bahagyang hindi perpekto sa layunin. Palipat-lipat ang mga presyo. Mag-iiba ang iyong mileage.)

Paano suriin ang isang AI system tulad ng isang pro 🧪🔍

1. Tukuyin ang trabaho - isang pangungusap na pahayag ng gawain.

2. Pumili ng mga sukatan - katumpakan, latency, gastos, mga pag-trigger sa kaligtasan.

3. Gumawa ng test set - kinatawan, iba't iba, gaganapin.

4. Suriin ang mga mode ng pagkabigo - mga input na dapat tanggihan o palakihin ng system.

5. Pagsubok para sa bias - mga demograpikong hiwa at sensitibong katangian kung saan naaangkop.

6. Human in the loop - tukuyin kung kailan dapat suriin ng isang tao.

7. Log at monitor - pagtuklas ng drift, pagtugon sa insidente, mga rollback.

8. Dokumento - mga mapagkukunan ng data, mga limitasyon, nilalayon na paggamit, mga pulang bandila. Ang NIST AI RMF ay nagbibigay sa iyo ng nakabahaging wika at mga proseso para dito. [4]

Mga karaniwang maling akala na lagi kong naririnig 🙃

• “Nangongopya lang.” Natututo ang pagsasanay sa istruktura ng istatistika; ang henerasyon ay bumubuo ng mga bagong output na naaayon sa istrukturang iyon. Iyon ay maaaring maging mapag-imbento - o mali - ngunit hindi ito copy-paste. [2]

• "Naiintindihan ng AI na parang tao." Nagmomodelo ito ng mga pattern. Minsan ay mukhang pag-unawa; minsan ito ay isang confident blur. [2]

• "Ang mas malaki ay palaging mas mahusay." Nakakatulong ang scale, ngunit kadalasang mas mahalaga ang kalidad ng data, alignment, at retrieval. [2][3]

• "Isang AI upang pamunuan silang lahat." Ang mga tunay na stack ay multi-model: retrieval para sa mga katotohanan, generative para sa text, maliliit na mabilis na modelo sa device, at classic na paghahanap.

Isang bahagyang mas malalim na pagsilip: Mga transformer at diffusion, sa isang minuto ⏱️

• ng mga transformer ang mga marka ng atensyon sa pagitan ng mga token upang magpasya kung ano ang tututukan. Ang mga stacking layer ay kumukuha ng mga long-range dependencies nang walang tahasang pag-ulit, na nagpapagana ng mataas na paralelismo at malakas na pagganap sa mga gawain sa wika. Ang arkitektura na ito ay sumasailalim sa karamihan sa mga modernong sistema ng wika. [3]

• ang mga diffusion model na i-undo ang ingay nang hakbang-hakbang, tulad ng pag-polish ng malabo na salamin hanggang sa lumitaw ang isang mukha. Ang pangunahing pagsasanay at mga ideya sa pagsa-sample ay nagbukas ng pagbuo ng larawang boom at ngayon ay umaabot sa audio at video. [5]

Micro-glossary na maaari mong panatilihin 📚

• Modelo - isang parameterized na function na sinasanay namin upang i-map ang mga input sa mga output.

• Pagsasanay - pag-optimize ng mga parameter upang mabawasan ang pagkawala sa mga halimbawa.

• Overfitting - mahusay na gumagana sa data ng pagsasanay, halos sa ibang lugar.

• Halucination - matatas ngunit maling output.

• RAG - retrieval-augmented generation na kumunsulta sa mga sariwang mapagkukunan.

• Alignment - paghubog ng pag-uugali upang sundin ang mga tagubilin at pamantayan.

• Kaligtasan - pagpigil sa mga mapaminsalang output at pamamahala sa panganib sa buong lifecycle.

• Hinuha - paggamit ng sinanay na modelo upang makagawa ng mga hula.

• Latency - oras mula sa pag-input hanggang sa pagsagot.

• Mga Guardrail - mga patakaran, filter, at kontrol sa paligid ng modelo.

Masyadong Mahaba, Hindi Nabasa - Pangwakas na Remarks 🌯

Ano ang AI? Isang koleksyon ng mga diskarte na nagbibigay-daan sa mga computer na matuto mula sa data at kumilos nang matalino patungo sa mga layunin. Ang modernong alon ay sumasakay sa malalim na pag-aaral - lalo na ang mga transformer para sa wika at pagsasabog para sa media. Kapag ginamit nang maingat, sinusukat ng AI ang pagkilala sa pattern, pinapabilis ang malikhaing at analytical na gawain, at nagbubukas ng mga bagong siyentipikong pinto. Kapag ginamit nang walang ingat, maaari itong manligaw, magbukod, o masira ang tiwala. Pinagsasama ng masayang landas ang malakas na inhinyero sa pamamahala, pagsukat, at kababaang-loob. Ang balanseng iyon ay hindi lamang posible - ito ay natuturuan, nasusubok, at napapanatiling may tamang mga balangkas at panuntunan. [2][3][4][5]

Mga Sanggunian

[1] Encyclopedia Britannica - Artificial intelligence (AI) : magbasa nang higit pa
[2] Kalikasan - “Deep learning” (LeCun, Bengio, Hinton) : magbasa nang higit pa
[3] arXiv - “Attention Is All You Need” (Vaswani et al.) : magbasa pa

[ 4] NIST - AI Risk Management Framework : read more ]De arXivization et al.) : magbasa pa

Hanapin ang Pinakabagong AI sa Opisyal na Tindahan ng AI Assistant

Tungkol sa Amin