Představení, historie a současnost (Technologie)

1. Co je umělá intelligence?

Umělá inteligence (AI) označuje schopnost strojů provádět úkoly, které obvykle vyžadují lidskou inteligenci, jako je uvažování, učení, řešení problémů a rozhodování. Systémy umělé inteligence jsou navrženy tak, aby vnímaly své prostředí, zpracovávaly informace a prováděly akce k dosažení konkrétních cílů. Umělá inteligence se stala určující technologií s významným dopadem na různé aspekty našeho života

Pro názornost (obsah této knihy) může pomoci níže uvedená série.

Úvodní série:

2. Strojové učení

Podmnožina umělé inteligence, která se zaměřuje na to aby se stroje mohly učit z dat a v průběhu času zlepšovat svůj výkon. Zahrnuje vývoj algoritmů a modelů, které se mohou automaticky učit vzorce a provádět předpovědi nebo rozhodnutí na základě dat, kterým jsou vystaveny.

3. Zpracování přirozeného jazyka (NLP)

Natural Language Processing je odvětví umělé inteligence, které se zabývá interakcí mezi počítači a lidským jazykem. Zahrnuje úlohy, jako je rozpoznávání řeči, překlad jazyka, analýza sentimentu a generování textu. NLP umožňuje strojům rozumět lidskému jazyku a vytvářet jej, což usnadňuje komunikaci mezi lidmi a stroji.

4. Počítačové vidění

Oblast umělé inteligence, která se zaměřuje na to, aby stroje dokázaly porozumět vizuálním informacím z obrázků nebo videí a interpretovat je. Zahrnuje úlohy, jako je rozpoznávání objektů, klasifikace obrazu a segmentace obrazu. Počítačové vidění umožňuje strojům "vidět" a analyzovat vizuální data, což nachází uplatnění v oblastech, jako jsou autonomní vozidla, dohled a lékařské zobrazování.

5. Robotika

Kombinuje umělou inteligenci se strojírenstvím a vytváří inteligentní stroje, které mohou komunikovat s fyzickým světem. Roboti s umělou inteligencí mohou plnit úkoly samostatně nebo pod lidským vedením. Mohou se používat v různých oblastech, včetně výroby, zdravotnictví a průzkumu.

Expertní systémy

Systémy umělé inteligence, které napodobují rozhodovací schopnosti lidských expertů v určitých oblastech. Využívají znalostní báze a odvozovací mechanismy k poskytování rad na úrovni expertů nebo řešení složitých problémů. Expertní systémy se používají v oblastech, jako je medicína, finance a inženýrství.

6. Hluboké učení (Deep Learning)

Podmnožinou strojového učení, která se zaměřuje na trénování umělých neuronových sítí s více vrstvami. Algoritmy hlubokého učení se mohou automaticky učit hierarchické reprezentaci dat, což jim umožňuje extrahovat složité vzory a provádět abstrakce na vysoké úrovni. Hluboké učení dosáhlo pozoruhodných úspěchů v oblastech, jako je rozpoznávání obrazu, zpracování přirozeného jazyka a syntéza řeči.

7. Velké jazykové modely (LLM) jako typ Umělé Inteligence

Large Language Models (LLMs) jsou typem umělé inteligence, která se trénuje na rozsáhlých souborech dat obsahující jak text, tak kód. Mají schopnost generovat text, překládat jazyky a provádět různé úlohy související s jazykem. LLM si v posledních letech získaly značnou pozornost a popularitu díky svým působivým schopnostem a potenciálním aplikacím .

Srovnání rozsáhlých jazykových modelů

Při porovnávání velkých jazykových modelů (jaký využijeme) je třeba vzít v úvahu několik faktorů:

• Přesnost: S rostoucím počtem parametrů a objemem natrénovaných dat v modelu LLM je transformační model schopen poskytovat stále vyšší úroveň přesnosti .
• Snadnost trénování: Mnoho LLM se trénuje na neoznačených datech, což pomáhá urychlit proces trénování .
• Náklady na vývoj: Provozování LLM obecně vyžaduje velké množství drahého hardwaru pro grafické procesory (GPU) a obrovské soubory dat, což může vést k vysokým nákladům na vývoj.
• Provozní náklady: Po období školení a vývoje mohou být náklady na provoz LLM pro hostitelskou organizaci velmi vysoké .
• Zkreslení: Rizikem u každé umělé inteligence vyškolené na neoznačených datech je zkreslení, protože není vždy jasné, zda bylo známé zkreslení odstraněno.
• Vysvětlitelnost: Schopnost vysvětlit, jak byl LLM schopen vygenerovat určitý výstup, je trvalou výzvou. Zatímco LLM mohou generovat působivé výsledky, pochopení základního rozhodovacího procesu může být obtížné .

8. Zjednodušené využívání/funkce modelů podobným OpenAI a sestavování dotazů pro LLM

V této přednášce prozkoumáme vývoj založený na modelech. Kde si krok za krokem na několika příkladech ukážeme, jak reprezentovat svůj problém jako jednoduchý kód, abychom mohli modelovat, generovat diagramy a psát podněty jako kód, abychom ušetřili čas a správně modelovali složitá data, což nám umožní používat stejné osvědčené postupy, místo abychom museli vymýšlet nové pro to, jak spravovat podněty.