Czym jest sztuczna inteligencja?

Sztuczna inteligencja to zestaw metod, które pomagają komputerom rozwiązywać zadania. W Luna Workshop przed wyborem modelu chcemy wybrać odpowiednie narzędzie.

Możesz kontynuować ten kurs bez konta i programowania. W przykładach wykorzystano dane syntetyczne, a wyniki sztucznej inteligencji wymagają sprawdzenia.

Jak to działa, krok po kroku

Sztuczna inteligencja nie jest jednym typem modelu

Sztuczna inteligencja to rodzina metod rozpoznawania, przewidywania, planowania i generowania. System oparty na regułach postępuje zgodnie z instrukcjami napisanymi przez ludzi. Uczenie maszynowe uczy się relacji na przykładach; głębokie uczenie się wykorzystuje sieci wielowarstwowe. Generatywna sztuczna inteligencja tworzy nowe treści. LLM działa z językiem, ale rekomendacje produktów lub wykrywanie defektów mogą wykorzystywać inne modele. Pomyśl o zestawie narzędzi: wybierz narzędzie do rozwiązania problemu. Prosty algorytm może być bardziej odpowiedni niż agent dla ustalonej reguły.

Jak uczenie się zmienia model

Dane uczące to zbiór przykładów używanych do dostosowywania parametrów modelu. Uczenie się nadzorowane obejmuje cel, taki jak „spam”. Uczenie się bez nadzoru znajduje strukturę, taką jak grupy klientów. Samonadzorowane uczenie się tworzy cele na podstawie danych, na przykład przewidywanie następującego tekstu. Walidacja pomaga wybrać ustawienia; zestaw testowy pozostaje oddzielony aż do oceny końcowej. Model, który zapamiętuje przykłady i nie radzi sobie z nowymi danymi, jest nadmiernie dopasowany. Właściwy podział zapobiega przedostawaniu się informacji ze zbioru testowego do treningu.

Od tokenów do odpowiedzi

Token to jednostka tekstu: czasem słowo, czasem fragment słowa lub znak interpunkcyjny. Model przetwarza tokeny kontekstu i szacuje rozkład na następny token. Wybór powtarza się aż do zatrzymania. Mechanizm uwagi w architekturze Transformer łączy informacje o relacjach między tokenami; to nie jest ludzka uwaga. Uczenie zmienia parametry, podczas gdy wnioskowanie wykorzystuje wytrenowany model. Odpowiedź może brzmieć spójnie, a mimo to być nieprawdziwa: generowanie tekstu nie weryfikuje samodzielnie faktów.

Schemat objaśniający

Postępuj zgodnie ze strzałkami wskazującymi główny przepływ. Przerywane niebieskie strzałki przedstawiają dane lub kontekst; przerywane różowe strzałki pokazują opinie lub zwracane wyniki. Kolory i kształty wyróżniają modele, sklepy, decyzje i wyniki. Na małym ekranie przewijaj w poziomie, aby zobaczyć cały schemat.

Kompletny przykład

Kalkulator dodaje ceny za pomocą reguł. Filtr spamu uczy się na przykładach. LLM pisze opisy. Wzrok wykrywa defekty; rekomendator ocenia produkty. Robot łączy w sobie percepcję i działanie.

Spróbuj sam

1. Pogrupuj te przykłady: kalkulator, filtr antyspamowy, chatbot, OCR, rekomendacje, robot, prognoza i tłumaczenie.
2. Przed rozpoczęciem eksperymentu zapisz dane wejściowe, źródło i oczekiwany wynik. W przykładzie użyj wyłącznie fikcyjnych danych.
3. Postępuj zgodnie z etapami diagramu. Na każdym etapie zapisuj, jakie informacje zostały otrzymane i wyprodukowane; nie myl produktu pośredniego z efektem końcowym.
4. Powtórz po usunięciu niezbędnych informacji lub wprowadzeniu niejednoznaczności. Sprawdź, czy system wyjaśnia, zatrzymuje lub wymyśla odpowiedź.
5. Porównaj z objaśnionym rozwiązaniem. Zachowaj konfigurację, datę, wynik i wyjaśnienie różnic. Zmień jedną rzecz i przetestuj ponownie.

Wyjaśnione rozwiązanie

Naprawiono arytmetykę wykorzystującą reguły; klasyfikacja się uczy; pisanie generuje. Nie wszyscy potrzebują LLM lub agenta. Pomyślne ćwiczenie pozwala pokazać związek między danymi wejściowymi, etapami i wynikiem. Gdy brakuje informacji, bardziej użyteczna jest ostrożna odpowiedź niż wymyślane szczegóły. Porównaj więcej niż styl: sprawdź także warunki, źródła i operacje.

Kiedy to podejście pomaga i jakie ma ograniczenia

Interfejs czatu nie identyfikuje technologii, która się za nim kryje. Wybierz to podejście, jeśli poprawia ono zmierzoną potrzebę. Zachowaj prostą linię bazową i porównaj wyniki, korzystając z identycznych danych wejściowych. Jeden udany przykład nie gwarantuje niezawodności w każdej sytuacji.

Sprawdź swoją wiedzę

Czy każda automatyzacja to sztuczna inteligencja?

Nie. Ustalona reguła może coś zautomatyzować bez uczenia się i elastycznego rozumowania.

Dlaczego nie oceniać wyłącznie na podstawie danych szkoleniowych?

Chcemy występów w nowych sytuacjach, a nie dowodu zapamiętywania.

Jaki wynik powinno dać to ćwiczenie?

Naprawiono arytmetykę wykorzystującą reguły; klasyfikacja się uczy; pisanie generuje. Nie wszyscy potrzebują LLM lub agenta.

Pojęcia do zapamiętania

• AI: Rodzina metod, a nie synonim chatbota.
• Nadmierne dopasowanie: Model pasuje do przykładów, które widział zbyt blisko.
• Token: Jednostka używana przez model do określania granic tekstu i kontekstu.

Źródła i następny krok

• Hugging Face — kurs LLM
• scikit-learn — Podręcznik użytkownika

Przygotowanie: nie są wymagane żadne wcześniejsze kursy.

Kontynuuj za pomocą: F02 — W jaki sposób maszyna się uczy? · F06 — Chatbot, asystent, agent i system agentowy