Ano ang AI?

Lumilitaw ang AI kahit saan - sa iyong telepono, sa iyong inbox, nagtutulak ng mga mapa, nagbabalangkas ng mga email na halos balak mong isulat. Ngunit ano ang AI ? Maikling bersyon: ito ay isang grupo ng mga pamamaraan na nagbibigay-daan sa mga computer na magsagawa ng mga gawaing iniuugnay natin sa katalinuhan ng tao, tulad ng pagkilala sa mga pattern, paggawa ng mga hula, at pagbuo ng wika o mga imahe. Hindi ito manu-manong marketing. Ito ay isang nakabatay na larangan na may matematika, datos, at maraming pagsubok at pagkakamali. Ang mga awtoritatibong sanggunian ay nagbabalangkas sa AI bilang mga sistemang maaaring matuto, mangatwiran, at kumilos patungo sa mga layunin sa mga paraang itinuturing nating matalino. [1]

Mga artikulong maaaring gusto mong basahin pagkatapos nito:

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

🔗 Ano ang 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 imahe, pangunahing gawain, dataset, at mga aplikasyon.

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

Ano ang AI: ang mabilisang bersyon 🧠➡️💻

Ang AI ay isang hanay ng mga pamamaraan na nagbibigay-daan sa software na tantiyahin ang matalinong pag-uugali. Sa halip na i-code ang bawat panuntunan, madalas nating sinasanay ang mga modelo sa mga halimbawa upang maisagawa ang mga ito sa mga bagong sitwasyon - pagkilala ng imahe, speech-to-text, pagpaplano ng ruta, mga code assistant, paghula ng istruktura ng protina, at iba pa. Kung gusto mo ng maayos na kahulugan para sa iyong mga tala: isipin ang mga sistema ng computer na nagsasagawa ng mga gawaing nauugnay sa mga prosesong intelektwal ng tao tulad ng pangangatwiran, pagtuklas ng kahulugan, at pagkatuto mula sa datos. [1]

Isang kapaki-pakinabang na modelo ng pag-iisip mula sa larangan ay ang pagtrato sa AI bilang mga sistemang nakatuon sa layunin na nakakakita sa kanilang kapaligiran at pumipili ng mga aksyon - kapaki-pakinabang kapag sinimulan mong isipin ang tungkol sa mga loop ng pagsusuri at kontrol. [1]

Ano ang Talagang Nagiging Kapaki-pakinabang ang AI✅

Bakit mas kailangan pang gamitin ang AI kaysa sa mga tradisyunal na patakaran?

• Kapangyarihan ng mga padron - natutuklasan ng mga modelo ang mga banayad na ugnayan sa malalaking dataset na hindi mapapansin ng mga tao bago magtanghalian.

• Adaptasyon - sa mas maraming datos, maaaring mapabuti ang pagganap nang hindi muling isinusulat ang lahat ng code.

• Bilis sa laki - kapag nasanay na, ang mga modelo ay mabilis at palagiang tatakbo, kahit na sa nakaka-stress na lakas ng tunog.

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

• Probabilistikong pag-iisip - mas maganda nilang hinahawakan ang kawalan ng katiyakan kaysa sa malutong na kagubatan na kung-kung-kung-hindi.

• Mga kagamitang gumagamit ng kagamitan - maaari mong ikonekta ang mga modelo sa mga calculator, database, o paghahanap upang palakasin ang pagiging maaasahan.

• Kapag hindi maganda - bias, halusinasyon, luma nang datos ng pagsasanay, mga panganib sa privacy. Darating din tayo diyan.

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

Paano gumagana ang AI, sa bilis ng tao 🔧

Pinagsasama ng karamihan sa mga modernong sistema ng AI ang:

1. Datos - mga halimbawa ng wika, mga imahe, mga pag-click, mga pagbasa ng sensor.

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

3. Mga Algoritmo - ang pamamaraan ng pagsasanay na nagtutulak sa isang modelo upang mabawasan ang pagkalugi na iyon.

4. Ebalwasyon - mga set ng pagsubok, sukatan, pagsusuri ng katinuan.

5. Pag-deploy - nagsisilbi sa modelo gamit ang pagsubaybay, kaligtasan, at mga guardrail.

Dalawang malawak na tradisyon:

• Simboliko o nakabatay sa lohika na AI - mga tahasang tuntunin, mga graph ng kaalaman, paghahanap. Mahusay para sa pormal na pangangatwiran at mga limitasyon.

• Ang statistical o learning-based AI - mga modelong natututo mula sa datos. Dito nabubuhay ang deep learning at dito nagmumula ang karamihan sa mga kamakailang uso; isang malawakang binanggit na pagsusuri ang nagmamapa sa teritoryo mula sa mga layered na representasyon hanggang sa optimization at generalization. [2]

Sa loob ng learning-based AI, may ilang mahahalagang haligi:

• Pinangangasiwaang pagkatuto - matuto mula sa mga halimbawang may label.

• Walang superbisyon at may sariling superbisyon - matuto ng istruktura mula sa walang label na datos.

• Pagkatutong pampalakas - matuto sa pamamagitan ng pagsubok at puna.

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

Dalawang generative na pamilya na maririnig mo araw-araw:

• Mga Transformer - ang arkitektura sa likod ng karamihan sa malalaking modelo ng wika. Gumagamit ito ng atensyon upang iugnay ang bawat token sa iba, na nagbibigay-daan sa parallel training at nakakagulat na matatas na output. Kung narinig mo na ang "self-attention," iyan ang pangunahing trick. [3]

• Mga modelo ng difusyon - natututo silang baligtarin ang isang proseso ng ingay, mula sa random na ingay pabalik sa isang malinaw na imahe o audio. Parang pag-unshuffle ng isang deck, dahan-dahan at maingat, ngunit may calculus; ipinakita ng mga pangunahing gawain kung paano epektibong magsanay at kumuha ng sample. [5]

Kung ang mga metapora ay tila nababaluktot, patas lang iyon - ang AI ay isang gumagalaw na target. Natututo tayong lahat ng sayaw habang nagbabago ang musika sa kalagitnaan ng kanta.

Kung saan nakakakilala ka na ng AI araw-araw 📱🗺️📧

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

• Email at mga dokumento - awtomatikong pagkumpleto, pagbubuod, mga pagsusuri sa kalidad.

• Kamera at audio - denoise, HDR, transkripsyon.

• Nabigasyon - pagtataya ng trapiko, pagpaplano ng ruta.

• Suporta at serbisyo - mga chat agent na sumusuri at nagsusulat ng mga tugon.

• Pag-coding - mga mungkahi, mga refactor, mga pagsubok.

• Kalusugan at agham - triage, suporta sa imaging, prediksyon ng istruktura. (Ituring ang mga klinikal na konteksto bilang kritikal sa kaligtasan; gumamit ng pangangasiwa ng tao at mga dokumentadong limitasyon.) [2]

Maikling anekdota: maaaring subukan ng isang pangkat ng produkto ang isang hakbang sa pagkuha sa harap ng isang modelo ng wika; kadalasang bumababa ang mga rate ng error dahil ang modelo ay nangangatwiran kaysa sa mas bago at partikular na konteksto ng gawain kaysa sa panghuhula. (Paraan: tukuyin ang mga sukatan nang maaga, panatilihin ang isang hanay ng hold-out, at ihambing ang mga katulad na prompt.)

Mga kalakasan, limitasyon, at ang bahagyang kaguluhan sa pagitan ⚖️

Mga Kalakasan

• Hinahawakan nang maayos ang malalaki at makalat na mga dataset.

• Sinusukat ang mga gawain na may parehong pangunahing makinarya.

• Natututo ng nakatagong istruktura na hindi natin mano-manong inhinyero. [2]

Mga Limitasyon

• Mga halusinasyon - ang mga modelo ay maaaring makagawa ng mga output na maaaring pakinggan nang kapani-paniwala ngunit hindi tama.

• Bias - maaaring i-encode ng datos ng pagsasanay ang mga bias na panlipunan na muling gagayahin ng mga sistema.

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

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

• Kakayahang ipaliwanag - bakit sinabi iyon? Minsan hindi malinaw, na nakakadismaya sa mga pag-awdit.

Umiiral ang pamamahala ng peligro para hindi ka magpadala ng kaguluhan: ang NIST AI Risk Management Framework ay nagbibigay ng praktikal at boluntaryong gabay upang mapabuti ang pagiging mapagkakatiwalaan sa disenyo, pag-develop, at pag-deploy - isipin ang pagmamapa ng mga panganib, pagsukat sa mga ito, at pamamahala sa paggamit mula sa simula hanggang katapusan. [4]

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

Ang regulasyon at gabay ay nakakasabay na sa pagsasagawa:

• Mga pamamaraang nakabatay sa panganib - ang mga paggamit na may mas mataas na panganib ay nahaharap sa mas mahigpit na mga kinakailangan; mahalaga ang dokumentasyon, pamamahala ng datos, at paghawak ng insidente. Binibigyang-diin ng mga pampublikong balangkas ang transparency, pangangasiwa ng tao, at patuloy na pagsubaybay. [4]

• Nuance ng sektor - ang mga larangang kritikal sa kaligtasan (tulad ng kalusugan) ay nangangailangan ng agarang pagsusuri ng tao; ang mga pangkalahatang kagamitan ay nakikinabang pa rin mula sa malinaw na mga dokumento para sa layuning gamitin at limitasyon. [2]

Hindi ito tungkol sa pagpigil sa inobasyon; tungkol ito sa hindi paggawa ng iyong produkto bilang isang popcorn maker sa isang library… na tila nakakatuwang pakinggan hangga't hindi naman talaga.

Mga uri ng AI sa pagsasagawa, kasama ang mga halimbawa 🧰

• Persepsyon - paningin, pagsasalita, pagsasanib ng sensor.

• Wika - pakikipag-chat, pagsasalin, pagbubuod, pagkuha.

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

• Pagpaplano at pagkontrol - robotika, logistik.

• Paglikha - mga imahe, audio, video, code, nakabalangkas na datos.

Sa ilalim ng hood, ang matematika ay nakasalalay sa linear algebra, probabilidad, optimization, at compute stacks na nagpapanatili sa lahat ng bagay na humuhuni. Para sa mas malalim na pagtalakay sa mga pundasyon ng deep learning, tingnan ang canonical review. [2]

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

(Medyo hindi perpekto kung sadya. Nagbabago ang mga presyo. Magkakaiba ang iyong mileage.)

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

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

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

3. Gumawa ng set ng mga pagsubok - kumakatawan, magkakaiba, matagal.

4. Suriin ang mga failure mode - mga input na dapat tanggihan o i-escalate ng system.

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

6. Tao sa loop - tukuyin kung kailan dapat magrepaso ang isang tao.

7. Mag-log at magmonitor - pagtukoy ng drift, tugon sa insidente, mga rollback.

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

Mga karaniwang maling akala na lagi kong naririnig 🙃

• “Pangongopya lang iyan.” Natututo ang pagsasanay ng istrukturang pang-estadistika; ang pagbuo ay bumubuo ng mga bagong output na naaayon sa istrukturang iyon. Maaaring maging malikhain iyon - o mali - ngunit hindi ito kopya-paste. [2]

• “Nakakaintindi ang AI na parang isang tao.” Nagmomodelo ito ng mga pattern. Minsan parang pag-unawa; minsan parang malabo ang kumpiyansa. [2]

• “Mas malaki ang mas mainam.” Nakakatulong ang iskala, ngunit kadalasan ay mas mahalaga ang kalidad, pagkakahanay, at pagkuha ng datos. [2][3]

• "Isang AI para mamuno sa kanilang lahat." Ang mga totoong stack ay maraming modelo: pagkuha ng mga katotohanan, generative para sa teksto, maliliit at mabilis na modelo sa device, at klasikong paghahanap.

Isang mas malalim na sulyap: Mga Transformer at Diffusion, sa loob ng isang minuto ⏱️

• ng mga transformer ang mga marka ng atensyon sa pagitan ng mga token upang magpasya kung ano ang dapat pagtuunan ng pansin. Kinukuha ng mga stacking layer ang mga long-range dependencies nang walang tahasang pag-ulit, na nagbibigay-daan sa mataas na parallelism at malakas na pagganap sa mga gawain sa wika. Ang arkitekturang ito ang sumusuporta sa karamihan ng mga modernong sistema ng wika. [3]

• ang mga modelo ng diffusion na unti-unting alisin ang ingay, tulad ng pagpapakintab ng malabong salamin hanggang sa lumitaw ang isang mukha. Ang mga pangunahing ideya sa pagsasanay at pagsa-sample ay nagbukas ng boom sa pagbuo ng imahe at ngayon ay umaabot sa audio at video. [5]

Mikro-glosaryong maaari mong panatilihin 📚

• Modelo - isang naka-parameter na function na sinasanay natin upang imapa ang mga input sa mga output.

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

• Overfitting - mahusay ang ginagawa sa training data, halos sa ibang lugar.

• Halusinasyon - mahusay ngunit maling interpretasyon batay sa katotohanan.

• RAG - henerasyong pinahusay ng pagkuha na kumukunsulta sa mga sariwang mapagkukunan.

• Paghahanay - paghubog ng pag-uugali upang sumunod sa mga tagubilin at pamantayan.

• Kaligtasan - pagpigil sa mga mapaminsalang resulta at pamamahala ng panganib sa buong siklo ng buhay.

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

• Latency - oras mula sa input hanggang sa sagot.

• Mga barandilya - mga patakaran, pansala, at kontrol sa paligid ng modelo.

Masyadong mahaba, hindi ko nabasa - Pangwakas na Paalala 🌯

Ano ang AI? Isang koleksyon ng mga pamamaraan na nagbibigay-daan sa mga computer na matuto mula sa datos at kumilos nang matalino patungo sa mga layunin. Ang modernong alon ay sumasabay sa malalim na pagkatuto - lalo na ang mga transformer para sa wika at diffusion para sa media. Kapag ginamit nang may pag-iisip, sinusukat ng AI ang pagkilala ng pattern, pinapabilis ang malikhain at analytical na gawain, at nagbubukas ng mga bagong pinto sa agham. Kapag ginamit nang walang ingat, maaari nitong linlangin, ibukod, o sirain ang tiwala. Ang masayang landas ay pinagsasama ang matibay na inhinyeriya sa pamamahala, pagsukat, at kaunting pagpapakumbaba. Ang balanseng iyon ay hindi lamang posible - ito ay maaaring ituro, masubukan, at mapanatili gamit ang mga tamang balangkas at panuntunan. [2][3][4][5]

Mga Sanggunian

[1] Encyclopedia Britannica - Artificial intelligence (AI) : magbasa pa
[2] Kalikasan - “Deep learning” (LeCun, Bengio, Hinton) : magbasa pa
[3] arXiv - “Attention Is All You Need” (Vaswani et al.) : magbasa pa
[4] NIST - AI Risk Management Framework : magbasa pa
[5] arXiv - “Denoising Diffusion Probabilistic Models” (Ho et al.) : magbasa pa

Hanapin ang Pinakabagong AI sa Opisyal na Tindahan ng AI Assistant

Tungkol sa Amin