Ai_glossary

The transcription provides an overview of key terms and definitions related to artificial intelligence (AI). It explains that AI is a branch of computer science that uses equipment, algorithms, and data to create intelligence for decision-making, pattern detection, and actions. AI can be built using rule-based systems or machine learning algorithms, with many new AI systems prioritizing machine learning. The transcription also introduces terms like general AI, narrow AI, generative AI, and transformer models. It discusses the importance of training data and the potential biases that can be perpetuated in AI systems. The transcription also mentions interpretable machine learning and the challenges of understanding the decisions made by AI models. It touches on neural networks, deep learning, and natural language processing (NLP) as subfields of AI. NLP focuses on understanding and processing language using grammar and word knowledge. Добрый день, уважаемые подписчики! Прежде чем начать изучение темы искусственного интеллекта, я предлагаю ознакомиться с основными терминами и определениями этой очень модной технологии и наверняка полезной. Этот глоссарий будет полезен как тем, кто вообще в принципе не понимает, что такое искусственный интеллект, так и тем, кто достаточно давно с ним работает для того, чтобы еще раз закрепить для себя основные термины и определения. Так, давайте начнем. Искусственный интеллект – это отрасль информатики в первую очередь. Системы искусственного интеллекта используют оборудование, алгоритмы и данные для создания интеллекта для принятия решений, обнаружения закономерностей и выполнения каких-либо действий. Искусственный интеллект – это общий термин. В области ИИ используется более конкретный термин. Системы ИИ могут быть построены различными способами, два из которых являются, первое – использование правил предоставления предоставленных человекам, системы, основанные на правилах, и второе – с помощью алгоритмов машинного обучения. Многие новые системы искусственного интеллекта используют машины обучения в приоритете. Что такое алгоритмы? Алгоритмы – это мозги системы искусственного интеллекта и то, что определяет решения, другими словами, алгоритмы – это правила того, какие действия предпринимает система ИИ. Алгоритмы машинного обучения могут обнаруживать собственные правила или основываться на правилах, где эти правила создаются программисты. Далее, общий искусственный интеллект – AGI. Общий искусственный интеллект еще не был реализован и это произойдет, когда система ИИ сможет обучаться, понимать и решать любую проблему, которую может решить человек. То есть фактически искусственный интеллект станет максимально похожим на человека. Узкий искусственный интеллект – ANI. Искусственный интеллект может решать узкие задачи и это называется узким искусственным интеллектом. Например, смартфон может использовать распознавание лиц для идентификации фотографий человека в приложении фото, но та же система не может идентифицировать звуки. Далее, генеративный искусственный интеллект и генеративные предварительно обученные модели трансформеров, например, чат GPT – очень популярная ныне история. Система построена с помощью моделей искусственного интеллекта типа преобразователя нейронной сети, который хорошо работает в задачах обработки естественного языка. В этом случае модель может генерировать ответы на вопросы, G-генеративное, прошло предварительную подготовку по большому объему письменного материала, доступного в интернете, по сути обучился, впитал в себя все эти данные и может обрабатывать предложения иначе, чем другие типы моделей. Далее, модели трансформаторов. Модели трансформаторов, модели трансформеры, используемые в ген-AI, являются разновидностью языковой модели, они являются нейронными сетями, а также классифицируются как модели глубокого обучения. Они дают систему искусственного интеллекта возможность определять и фокусироваться на важных частях входных и выходных данных, используя так называемые механизмы сомневания. Эти механизмы, также называемые механизмы внимания, помогают системам по-разному определять важные аспекты входных данных. Существует несколько типов и они были вдохновлены тем, как люди могут направлять свое внимание на важный объект в мире, понимать двухсмысленности и кодировать информацию. Компьютерное зрение. Это набор вычислительных задач, связанных с обучением компьютеров понимать визуальную информацию, включая объекты, изображения, сцены и движения, включая видео. Компьютерное зрение использует такие методы, как машинное обучение для достижения этой цели. Критически важный искусственный интеллект. Критически важный И – это подход к изучению искусственного интеллекта с точки зрения, который фокусируется на рефлексивной оценке и критике, как способе понимания и оспаривания существующих исторических структур в рамках искусственного интеллекта. Данные. Данные – это единица информации о людях или объектах, которым могут быть использованы технологии ИИ. Есть еще определение обучающие данные. Это данные, используемые для обучения алгоритма или модели машинного обучения. Она была сгенерирована людьми в их работе или других контекстах и в их прошлом. Хотя это звучит просто, обучающие данные очень важны, потому что неправильные данные могут увековечить системные предубеждения. Если вы обучаете систему, помогающей нанимать людей и используете данные существующих компаний, вы будете обучать эту систему нанимая тех людей, которые уже работают. Алгоритм принимает на себя смещение, которое уже есть внутри данных. Люди часто думают, что машины честны и беспристрастны, но это может быть опасной перспективой. Машины беспристрастны настолько, насколько беспристрастен человек, который их создает и данные, которые их обучает. Модели фундамента. Базовая модель модели представляет собой большой объем данных, которые можно использовать в качестве основы для разработки других моделей. Например, система генеративного искусственного интеллекта использует большие базовые модели языка. Они могут быть способны ускорить разработку новых систем, но существует разногласия по поводу использования базовых моделей, поскольку в зависимости от того, откуда поступают их данные, возникают различные вопросы надежности и предвзятости. Человекоцентричная перспектива. С точки зрения человека, система искусственного интеллекта работает вместе с людьми и помогает развивать их навыки. Люди всегда должны играть ведущую роль в образовании а система и искусственный интеллект не должны заменять учителей. Увеличение интеллекта. Аргументация означает создание чего-то большего. В некоторых случаях, возможно, это означает, что можно сделать ту же задачу с меньшими усилиями. Интегрируемые машины обучения. IML. Интегрируемые машины обучения, иногда так же называемые интегрируемые ИИ, описывает создание моделей, которые по своей сути интегрируемы в том смысле, что они представляют собственное объяснение своим решениям. Этот подход предпочтительнее, чем объяснимые машины обучения по многим причинам, включая тот факт, что мы должны с самого начала понимать, что происходит в наших системах, а не пытаться объяснить черные ящики инфраструктур. Что такое черные ящики? Мы называем вещи, которые мы не понимаем. Черный ящик, потому что что происходит внутри не видно. Многие алгоритмы машинного обучения являются черными ящиками. Это означает, что у нас нет понимания того, как система использует особенности данных при принятии решений. Как правило, мы знаем, какие функции используются, но не знаем, как они используются. Интерпретируемые машины обучения и объяснимые машины обучения представлю ниже. Машинное обучение, ML, так называемая машинленинг. Машинное обучение это область исследований с целым рядом подходов к разработке алгоритмов, которые могут быть использованы в системах искусственного интеллекта. Искусственный интеллект это более общий термин. Машинным обучением алгоритм будет выявлять правила и закономерности в данных без указания человеком этих правил и шаблонов. Эти алгоритмы строят модель для принятия решений по мере обработки данных. Иногда можно услышать термин модель машинного обучения. Из-за того, что система машинного обучения обнаруживает свои собственные правила в данных, которые им предоставляются, они могут увековечить предупреждение. Алгоритмы, используемые машинным обучением, требуют обучения огромных объемов данных для принятия качественных решений. Важно отмечить, что в машинном обучении алгоритм выполняет работу по улучшению и не нуждается в помощи человека-программиста. Также важно отметить еще три момента. Во-первых, в большинстве случаев алгоритм обучает ассоциацию. Когда происходит х, это обычно означает у из обучающих данных и из прошлого. Во-вторых, поскольку данные являются историческими, они могут содержать предубеждения и предположения, которые мы не хотим увековечить. В-третьих, есть много вопросов о вовлечении людей в работу из системы искусственного интеллекта. При использовании машинного обучения для решения задач и человек может быть не в состоянии понять правила, которые алгоритм создает и использует для принятия решений. Это может быть особенно проблематично, если человек-ученик пострадал от решений, принятого машиной и не может обжаловать это решением. Нейронные сети, так называемые искусственными нейронными сетями и представляющие собой подмножество алгоритмов машинного обучения, они были вдохновлены взаимосвязями нейронов и синапсов в человеческом мозге. Нейронная сеть после ввода данных в первый слой происходит через скрытый слой узлов, где выполняется вычисление, корректирующие прочность связи в узлах, а затем переходится на новый слой. Глубокое обучение. Модель глубокого обучения является подмножеством нейронных сетей. Благодаря наличию нескольких скрытых слоев, алгоритмы глубокого обучения потенциально способны распознать более тонкие и сложные закономерности, как и нейронные сети. Алгоритмы глубокого обучения включают в себя взаимосвязанные узлы, в которых корректируются весовые коэффициенты. Но, как упоминалось ранее, существует больше слоев и больше вычислений, которым могут вносить коррективы, а также выходные данные для определения каждого решения. Решения, принимаемые моделями глубокого обучения, часто очень трудно интерпретировать, поскольку существует так много скрытых слоев, выполняющих различные вычисления, которые нелегко перевести в английские правила или в другой удобный язык. Обработка естественного языка. NLP. Обработка естественного языка – это область лингвистики и информатики, которая также пересекается с искусственным интеллектом. НЛП использует понимание структуры грамматики и знания слов, чтобы помочь компьютерам понять и принять язык. НЛП требует большого объема текстов, обычно это сотни миллионов слов. Технология НЛП помогает во многих ситуациях, которые включают в себя сканирование текстов для превращения их в редактируемый текст, оптическое распознавание символов, преобразование речи в текст, голосовые компьютерные справочные системы, грамматическую коррекцию, резюмирование текстов и так далее. Очень часто она используется в всеми нам знакомом ЧАТ-ГПТ и другими моделями. Роботы. Роботы – это воплощенные механические машины, которые способны выполнять физическую задачу за человека. Боты – это, как правило, программные агенты, которые выполняют задачи в программном приложении. Например, в интернетной системе обучения они могут предлагать помощь. Ботов иногда называют диалоговыми агентами. И роботы, и боты могут содержать искусственный интеллект, нет, включая машинное обучение, но не обязаны его иметь всегда. Искусственный интеллект может помочь роботам и ботам выполнять задачи более адаптивными и сложными способами. То есть, если здесь подвести некий вывод из этого, то вы наверняка видели различных роботов от Boston Dynamics, Tesla создает их. То есть, пока это просто смешные железные человечки, но когда в них будет интегрирован искусственный интеллект, они вполне себе могут быть тем, что мы видели в различных фантастических фильмах. Объяснимые машины обучения или объяснимый ИИ. Исследователи разработали набор процессов и методов, которые позволяют людям понимать лучшие результаты выхода алгоритмов машинного обучения. Это помогает разработчикам, инструментам, опосредованных искусственным интеллектом понять, как работают системы, которые они проектируют. И может помочь им убедиться, что они работают правильно и соответственно с требуемыми нормативными стандартами. Важно отметить, что термин объяснимый в контексте объяснимого машинного обучения или объясняемого ИИ относится к пониманию того, как работает модель, а не к объяснению того, как она должна работать. Теоретически объяснимая MLAI означает, что модель MLAI будет объяснена после того, как алгоритм примет решение, чтобы мы могли понять, как он принимает это решение и как работает модель. То есть, нам нужно сначала дать ему возможность действовать. Это часто в учет за собой использован другой алгоритм, помогающий объяснять происходящее в виде черного ящика. Одна из проблем с MLAI заключается в том, что мы не можем знать наверняка является ли объяснение, которое мы получаем, правильным, поэтому мы не можем технически доверить объяснению или схожей модели. Вместо этого исследователи рекомендуют использовать интерпретируемую модель.