LLM-დან ჰალუცინაციებამდე: ხელოვნური ინტელექტის ძირითადი ტერმინების გზამკვლევი
გაეცანით ხელოვნური ინტელექტის ძირითად ტერმინებს: AGI-დან და LLM-დან ჰალუცინაციებამდე და ტოკენებამდე. მარტივი გზამკვლევი AI ინდუსტრიის უკეთ გასაგებად.
ხელოვნური ინტელექტი რთული და მრავალშრიანი სფეროა. ამ დარგში მომუშავე მეცნიერები ხშირად იყენებენ სპეციფიკურ ჟარგონს თავიანთი საქმიანობის ასახსნელად, რაც ტექნოლოგიური სიახლეების აღქმას ართულებს. სწორედ ამიტომ, მნიშვნელოვანია იმ ძირითადი ტერმინებისა და ფრაზების განმარტება, რომლებიც ხელოვნური ინტელექტის ინდუსტრიაში ყველაზე ხშირად გამოიყენება.
წინამდებარე ლექსიკონი რეგულარულად განახლდება ახალი ჩანაწერებით, რადგან მკვლევრები მუდმივად პოულობენ ხელოვნური ინტელექტის განვითარების ახალ მეთოდებს და პარალელურად ავლენენ უსაფრთხოების ახალ რისკებს.
AGI
ხელოვნური ზოგადი ინტელექტი (AGI) საკმაოდ ბუნდოვანი ტერმინია, თუმცა ის ზოგადად გულისხმობს AI-ს, რომელიც ადამიანზე უკეთ ასრულებს დავალებების უმეტესობას. OpenAI-ის აღმასრულებელი დირექტორი, სემ ალტმანი AGI-ს აღწერს, როგორც „საშუალო ადამიანის ეკვივალენტს, რომელიც შეგიძლიათ თანამშრომლად დაიქირაოთ“. ამავდროულად, OpenAI-ის წესდებაში AGI განმარტებულია, როგორც „მაღალავტონომიური სისტემები, რომლებიც ეკონომიკურად ღირებულ სამუშაოებში ადამიანს სჯობნიან“. Google DeepMind-ის ხედვა ოდნავ განსხვავებულია: ლაბორატორია მას განიხილავს, როგორც „AI-ს, რომელიც ადამიანის დონეზეა კოგნიტურ ამოცანებში“.
AI აგენტი
AI აგენტი არის ინსტრუმენტი, რომელიც ხელოვნური ინტელექტის ტექნოლოგიებს იყენებს მომხმარებლის სახელით სხვადასხვა დავალების შესასრულებლად. ეს სცილდება ჩვეულებრივი ჩატბოტის შესაძლებლობებს და მოიცავს ისეთ ქმედებებს, როგორიცაა ხარჯების აღრიცხვა, ბილეთების დაჯავშნა, რესტორანში მაგიდის რეზერვაცია ან კოდის წერა და მართვა. ძირითადი კონცეფცია გულისხმობს ავტონომიურ სისტემას, რომელიც მრავალსაფეხურიანი ამოცანების შესასრულებლად რამდენიმე AI სისტემას იყენებს.
Chain of thought (აზროვნების ჯაჭვი)
მარტივ კითხვებზე ადამიანის ტვინი გაუაზრებლად პასუხობს, თუმცა რთული ამოცანებისას ხშირად შუალედური ნაბიჯების ჩაწერა ხდება საჭირო. ხელოვნური ინტელექტის კონტექსტში, „აზროვნების ჯაჭვი“ დიდი ენობრივი მოდელებისთვის ნიშნავს პრობლემის დაშლას მცირე, შუალედურ ნაბიჯებად საბოლოო შედეგის ხარისხის გასაუმჯობესებლად. პასუხის მიღებას მეტი დრო სჭირდება, თუმცა ის უფრო ზუსტია, განსაკუთრებით ლოგიკურ ან პროგრამირების ამოცანებში.
Compute (გამოთვლითი სიმძლავრე)
ეს ტერმინი ზოგადად გულისხმობს გამოთვლით სიმძლავრეს, რომელიც AI მოდელების მუშაობისთვისაა აუცილებელი. ეს არის ინდუსტრიის მამოძრავებელი ძალა, რომელიც მოდელების წვრთნისა და დანერგვის საშუალებას იძლევა. ტერმინი ხშირად გამოიყენება აპარატურის (GPU, CPU, TPU) და სხვა ინფრასტრუქტურის აღსანიშნავად.
Deep learning (ღრმა სწავლება)
ეს არის მანქანური სწავლების ქვესიმრავლე, სადაც AI ალგორითმები მრავალშრიანი ხელოვნური ნეირონული ქსელების (ANN) სტრუქტურით იქმნება. ეს სისტემებს საშუალებას აძლევს დაამყარონ უფრო რთული კავშირები, ვიდრე მარტივმა მოდელებმა. სტრუქტურა შთაგონებულია ადამიანის ტვინის ნეირონული კავშირებით. ღრმა სწავლების მოდელებს შეუძლიათ თავად ამოიცნონ მონაცემების მახასიათებლები, ისწავლონ შეცდომებზე და გააუმჯობესონ შედეგები, თუმცა მათ მილიონობით მონაცემი და დიდი დრო სჭირდებათ საწვრთნელად.
Diffusion (დიფუზია)
დიფუზია არის ტექნოლოგია, რომელიც მრავალი გენერაციული AI მოდელის (ხელოვნება, მუსიკა, ტექსტი) საფუძველია. ფიზიკით შთაგონებული ეს სისტემები თანდათან „აშლიან“ მონაცემთა სტრუქტურას (მაგალითად, ფოტოს) „ხმაურის“ დამატებით, სანამ არაფერი დარჩება. შემდეგ კი AI სწავლობს „უკუდიფუზიის“ პროცესს, რათა ხმაურიდან მონაცემები აღადგინოს.
Distillation (დისტილაცია)
ეს არის ტექნიკა, რომლის დროსაც ცოდნა დიდი AI მოდელიდან („მასწავლებელი“) უფრო მცირე მოდელზე („მოსწავლე“) გადადის. დეველოპერები იწერენ დიდი მოდელის პასუხებს და მათ მცირე მოდელის საწვრთნელად იყენებენ. ეს საშუალებას იძლევა შეიქმნას უფრო სწრაფი და ეფექტური მოდელი, როგორიცაა, მაგალითად, GPT-4 Turbo.
Fine-tuning (ფაქიზი მომართვა)
ეს გულისხმობს AI მოდელის დამატებით წვრთნას კონკრეტული ამოცანის ან სფეროსთვის მუშაობის ოპტიმიზაციის მიზნით. ამ დროს მოდელს მიეწოდება ახალი, სპეციალიზებული მონაცემები. ბევრი სტარტაპი იყენებს დიდ ენობრივ მოდელებს, როგორც ბაზას და შემდეგ მათ საკუთარი ცოდნითა და მონაცემებით „ამართავს“.
GAN (გენერაციულ-შეჯიბრებითი ქსელი)
GAN არის მანქანური სწავლების ჩარჩო, რომელიც ორ ნეირონულ ქსელს იყენებს. ერთი ქსელი (გენერატორი) ქმნის მონაცემებს, ხოლო მეორე (დისკრიმინატორი) მათ აფასებს. ისინი ერთმანეთს „ეჯიბრებიან“: გენერატორი ცდილობს შექმნას ისეთი რეალისტური მონაცემები, რომ დისკრიმინატორმა ვერ ამოიცნოს მათი ხელოვნურობა. ეს ტექნოლოგია ხშირად გამოიყენება რეალისტური ფოტოების, ვიდეოებისა და დიფფეიკების შესაქმნელად.
Hallucination (ჰალუცინაცია)
ეს ტერმინი გამოიყენება მაშინ, როდესაც AI მოდელი იგონებს ინფორმაციას ან აგენერირებს მცდარ ფაქტებს. ეს სერიოზული პრობლემაა ხარისხისა და უსაფრთხოებისთვის. ჰალუცინაციები ხშირად საწვრთნელ მონაცემებში არსებული ხარვეზების შედეგია. ვინაიდან სამყაროში არ არსებობს საკმარისი მონაცემები ყველა შესაძლო კითხვაზე პასუხის გასაცემად, ჰალუცინაციების რისკი ყოველთვის არსებობს.
Inference (ინფერენცია/დასკვნა)
ინფერენცია არის AI მოდელის მუშაობის პროცესი, როდესაც ის პროგნოზებს აკეთებს ან დასკვნებს გამოაქვს უკვე ნასწავლი მონაცემების საფუძველზე. ინფერენცია შეუძლებელია წვრთნის გარეშე. მისი შესრულება შეუძლია სხვადასხვა აპარატურას, სმარტფონის პროცესორიდან დაწყებული, მძლავრი GPU-ებით დამთავრებული.
Large language model (LLM - დიდი ენობრივი მოდელი)
LLM-ები არის მოდელები, რომლებსაც პოპულარული ასისტენტები (ChatGPT, Claude, Gemini, Llama) იყენებენ. ისინი შედგება მილიარდობით რიცხვითი პარამეტრისგან, რომლებიც სიტყვებსა და ფრაზებს შორის კავშირებს სწავლობენ. როდესაც მომხმარებელი კითხვას სვამს, მოდელი აგენერირებს ყველაზე სავარაუდო მომდევნო სიტყვას წინა კონტექსტზე დაყრდნობით.
Memory cache (მეხსიერების ქეში)
ეს არის ოპტიმიზაციის ტექნიკა, რომელიც ინფერენციის პროცესს უფრო ეფექტურს ხდის. AI მუშაობა დიდ გამოთვლით ენერგიას მოითხოვს. ქეშირება ინახავს გარკვეულ გამოთვლებს მომავალი მოთხოვნებისთვის, რაც ამცირებს პასუხის გაცემის დროს. ერთ-ერთი ცნობილი სახეობაა KV (key value) ქეშირება.
ნეირონული ქსელი
ეს არის ალგორითმული სტრუქტურა, რომელიც ღრმა სწავლების საფუძველია. მიუხედავად იმისა, რომ ადამიანის ტვინის სტრუქტურით შთაგონებული იდეა 1940-იანი წლებიდან არსებობს, მისი რეალური განვითარება გრაფიკული პროცესორების (GPU) გამოჩენამ გახადა შესაძლებელი.
RAMageddon
ეს ტერმინი აღწერს RAM ჩიპების მზარდ დეფიციტს ტექნოლოგიურ ინდუსტრიაში. AI კომპანიები იმდენად დიდ რაოდენობას ყიდულობენ მონაცემთა ცენტრებისთვის, რომ სხვა სფეროებისთვის (გეიმინგი, ელექტრონიკა) რესურსი მცირდება, რაც ფასების ზრდას იწვევს.
Training (წვრთნა)
მანქანური სწავლების AI-ს განვითარება მოიცავს წვრთნის პროცესს, სადაც მოდელს მონაცემები მიეწოდება კანონზომიერებების სასწავლად. წვრთნამდე სისტემა მხოლოდ შემთხვევითი რიცხვების ერთობლიობაა. წვრთნა ძვირადღირებული პროცესია, რადგან დიდ გამოთვლით რესურსებსა და მონაცემებს მოითხოვს.
Tokens (ტოკენები)
ტოკენები ადამიანსა და AI-ს შორის კომუნიკაციის საბაზისო ერთეულებია. მონაცემები იშლება ტოკენებად, რათა მოდელისთვის აღქმადი გახდეს. არსებობს შეყვანის (input), გამომავალი (output) და აზროვნების (reasoning) ტოკენები. AI კომპანიების უმეტესობა მომსახურების საფასურს სწორედ გამოყენებული ტოკენების რაოდენობის მიხედვით აწესებს.
Transfer learning (გადატანითი სწავლება)
ეს არის ტექნიკა, როდესაც ადრე გაწვრთნილი მოდელი გამოიყენება ახალი, მსგავსი ამოცანის შესასრულებლად. ეს ზოგავს დროსა და რესურსებს, რადგან მოდელს უკვე აქვს გარკვეული ბაზისური ცოდნა.
Weights (წონები)
წონები არის რიცხვითი პარამეტრები, რომლებიც განსაზღვრავენ, თუ რამდენად მნიშვნელოვანია მონაცემთა ესა თუ ის მახასიათებელი საბოლოო შედეგისთვის. წვრთნის პროცესში ეს წონები მუდმივად კორექტირდება, რათა მოდელმა მაქსიმალურად ზუსტი პასუხი გასცეს.
მსგავსი სტატიები
ტრამპის ადმინისტრაციის წარმომადგენლები ბანკებს Anthropic-ის Mythos მოდელის გამოცდისკენ მოუწოდებენ
აშშ-ის მაღალჩინოსნები მსხვილ ბანკებს Anthropic-ის ახალი AI მოდელის, Mythos-ის გამოყენებისკენ მოუწოდებენ, მიუხედავად კომპანიასა და მთავრობას შორის არსებული სასამართლო დავისა.
კოსმოსში ყველაზე დიდი გამოთვლითი კლასტერი ამოქმედდა: ორბიტალური მონაცემთა ცენტრების ეპოქა იწყება
კანადურმა Kepler Communications-მა ორბიტაზე 40 Nvidia-ს პროცესორისგან შემდგარი ყველაზე დიდი გამოთვლითი კლასტერი აამუშავა, რაც კოსმოსური მონაცემთა ცენტრების განვითარებაში ახალ ეტაპს ნიშნავს.
HumanX კონფერენციაზე ყურადღების ცენტრში Claude მოექცა: რატომ კარგავს OpenAI ლიდერის პოზიციას?
სან-ფრანცისკოში გამართულ HumanX კონფერენციაზე Anthropic-ის ჩატბოტი Claude მთავარ ფავორიტად დასახელდა, ხოლო OpenAI-ის მიმართ კრიტიკა და კონკურენცია გაიზარდა.