Akili Bandia inaweza kuhisi kama hila ya uchawi ambayo kila mtu anaitikia kwa kichwa huku akiwaza kwa utulivu… ngoja, hii inafanya kazi ? Habari njema. Tutaiondoa bila kuficha, itabaki kuwa ya vitendo, na tuchapishe mlinganisho machache ambayo si kamilifu ambayo bado inaibofya. Ikiwa unataka tu mada, nenda kwa jibu la dakika moja hapa chini; lakini kwa uaminifu, maelezo ni mahali ambapo balbu huwaka 💡.
Makala unayoweza kupenda kusoma baada ya hii:
🔗 GPT inawakilisha nini
Mfafanuzi wa haraka wa kifupi cha GPT na maana yake.
🔗 AI inapata wapi habari yake
Vyanzo AI hutumia kujifunza, kutoa mafunzo na kujibu maswali.
🔗 Jinsi ya kuingiza AI katika biashara yako
Hatua za vitendo, zana, na mtiririko wa kazi ili kuunganisha AI kwa ufanisi.
🔗 Jinsi ya kuanzisha kampuni ya AI
Kutoka kwa wazo hadi uzinduzi: uthibitishaji, ufadhili, timu, na utekelezaji.
Je, AI Inafanyaje Kazi? Jibu la dakika moja ⏱️
AI hujifunza ruwaza kutoka kwa data ili kufanya ubashiri au kutoa maudhui-hakuna sheria zilizoandikwa kwa mkono zinazohitajika. Mfumo huingiza mifano, hupima jinsi ulivyo vibaya kupitia chaguo za kukokotoa za upotevu, na hugusa visu vyake vya ndani- vigezo - ili kuwa na makosa kidogo kila wakati. Suuza, kurudia, kuboresha. Kwa mizunguko ya kutosha, inakuwa muhimu. Hadithi sawa iwe unaainisha barua pepe, unagundua uvimbe, unacheza michezo ya ubao, au unaandika haikus. Kwa msingi wa lugha rahisi katika "kujifunza kwa mashine," muhtasari wa IBM ni thabiti [1].
AI ya kisasa zaidi ni kujifunza kwa mashine. Toleo rahisi: lisha katika data, jifunze kuchora ramani kutoka kwa pembejeo hadi matokeo, kisha ujumlishe hadi vitu vipya. Si uchawi-hesabu, compute, na, kama sisi ni waaminifu, Bana ya sanaa.
"AI Inafanyaje Kazi?" ✅
Wakati watu google Je, AI Inafanya Kazi? , kwa kawaida wanataka:
-
mfano wa kiakili unaoweza kutumika tena ambao wanaweza kuamini
-
ramani ya aina kuu za kujifunza ili jargon ikome kuwa ya kutisha
-
kutazama ndani ya mitandao ya neva bila kupotea
-
kwa nini transfoma wanaonekana kuendesha dunia sasa
-
bomba la vitendo kutoka kwa data hadi kupelekwa
-
jedwali la kulinganisha la haraka unaweza kupiga picha ya skrini na kuhifadhi
-
miongozo ya maadili, upendeleo, na kutegemewa ambayo hailengi mkono
Hiyo ndiyo utapata hapa. Nikitangatanga, ni kwa makusudi-kama kuchukua njia ya mandhari nzuri na kwa njia fulani kukumbuka barabara bora wakati ujao. 🗺️
Viungo vya msingi vya mifumo mingi ya AI 🧪
Fikiria mfumo wa AI kama jikoni. Viungo vinne vinaonekana tena na tena:
-
Data - mifano iliyo na au bila lebo.
-
Mfano - kazi ya hisabati yenye vigezo vinavyoweza kubadilishwa.
-
Madhumuni - kazi ya kupoteza inayopima jinsi makadirio ni mabaya.
-
Uboreshaji - algoriti ambayo hugusa vigezo ili kupunguza hasara.
Katika kujifunza kwa kina, msukosuko huo kwa kawaida ni mteremko wa upinde rangi na uenezaji wa nyuma - njia bora ya kubaini ni kifundo kipi kwenye ubao mkubwa wa sauti kilimiminika, kisha kugeuza nywele chini [2].
Kesi ndogo: Tulibadilisha kichujio cha barua taka chenye sheria brittle na muundo mdogo unaosimamiwa. Baada ya wiki ya kuweka lebo → pima → sasisha vitanzi, chanya za uwongo zilishuka na tiketi za usaidizi zilishuka. Hakuna malengo safi tu (usahihi kwenye barua pepe za "ham") na uboreshaji bora.
Kujifunza dhana kwa muhtasari 🎓
-
Mafunzo yanayosimamiwa
Unatoa jozi za pato-ingizo (picha zilizo na lebo, barua pepe zilizo na alama ya barua taka/sio taka). Mfano hujifunza pembejeo → pato. Uti wa mgongo wa mifumo mingi ya vitendo [1]. -
Kujifunza bila kusimamiwa
Hakuna lebo. Pata muundo-nguzo, ukandamizaji, sababu za siri. Inafaa kwa uchunguzi au mafunzo ya mapema. -
Kujifunza kwa kujisimamia
Mtindo hutengeneza lebo zake (tabiri neno linalofuata, kiraka cha picha kinachokosekana). Hugeuza data mbichi kuwa ishara ya mafunzo kwa kiwango; husisitiza mifano ya kisasa ya lugha na maono. -
Mafunzo ya kuimarisha
Wakala hutenda, kukusanya zawadi , na kujifunza sera inayoongeza zawadi nyingi. Ikiwa "thamani hutenda kazi," "sera," na "kujifunza kwa tofauti ya muda" hupiga kengele-hapa ndiko nyumbani kwao [5].
Ndio, kategoria hutiwa ukungu katika mazoezi. Njia za mseto ni za kawaida. Maisha ya kweli ni ya fujo; uhandisi mzuri hukutana nayo hapo ilipo.
Ndani ya mtandao wa neva bila maumivu ya kichwa 🧠
Mtandao wa neva hupanga safu za vitengo vidogo vya hesabu (nyuroni). Kila safu hubadilisha pembejeo kwa uzani, upendeleo, na kutokuwa na usawa kama ReLU au GELU. Tabaka za mapema hujifunza vipengele rahisi; zile za ndani zaidi husimba vifupisho. “Uchawi”-ikiwa tunaweza kuuita huo-ni utunzi : mnyororo wa utendaji kazi mdogo na unaweza kuiga matukio changamano.
Kitanzi cha mafunzo, mitetemo pekee:
-
nadhani → kipimo cha makosa → husisha lawama kupitia sehemu ya nyuma → gusa uzani → rudia.
Fanya hivi kwenye beti na, kama dansi machachari anayeboresha kila wimbo, kielelezo huacha kukanyaga vidole vyako. Kwa sura ya urafiki na ya ukali ya nyuma, ona [2].
Kwa nini transfoma ilichukua nafasi - na "makini" inamaanisha nini 🧲
Transfoma hutumia tahadhari ya kibinafsi kupima ni sehemu gani za pembejeo muhimu kwa kila mmoja, zote mara moja. Badala ya kusoma sentensi madhubuti kutoka kushoto kwenda kulia kama miundo ya zamani, kibadilishaji cha umeme kinaweza kuangalia kila mahali na kutathmini mahusiano kwa nguvu-kama kuchanganua chumba chenye watu wengi ili kuona ni nani anazungumza na nani.
Muundo huu ulipunguza ujirudiaji na mabadiliko ya uundaji wa mfuatano, kuwezesha ulinganifu mkubwa na uwekaji ubora bora. Karatasi iliyoiondoa- Attention Is All You Need -inaweka usanifu na matokeo [3].
Kujizingatia katika mstari mmoja: fanya hoja , key , na thamani kwa kila tokeni; hesabu kufanana ili kupata uzito wa umakini; changanya maadili ipasavyo. Fussy kwa undani, kifahari katika roho.
Kichwa-juu: Transfoma hutawala, sio kuhodhi. CNN, RNN, na vikundi vya miti bado vinashinda kwenye aina fulani za data na vizuizi vya muda/gharama. Chagua usanifu wa kazi, sio hype.
Je, AI Inafanyaje Kazi? Bomba la vitendo ambalo hakika utatumia 🛠️
-
Kutunga tatizo
Je, unatabiri au kuzalisha nini, na mafanikio yatapimwa vipi? -
Data
, weka lebo ikihitajika, safisha na ugawanye. Tarajia thamani zinazokosekana na kesi za makali. -
Modeling
Anza rahisi. Misingi (urekebishaji wa vifaa, kuongeza upinde rangi, au kibadilishaji kibadilishaji kidogo) mara nyingi hushinda utata wa kishujaa. -
Mafunzo
Chagua lengo, chagua kiboreshaji, weka vigezo. Iterate. -
Tathmini
Tumia vizuizi, uthibitisho mtambuka, na vipimo vinavyofungamana na lengo lako halisi (usahihi, F1, AUROC, BLEU, kuchanganyikiwa, kusubiri). -
Usambazaji
Kutumikia nyuma ya API au kupachika kwenye programu. Fuatilia muda, gharama, upitishaji. -
Ufuatiliaji na utawala
Tazama upotovu, usawa, uthabiti na usalama. Mfumo wa Kudhibiti Hatari wa NIST AI (GOVERN, MAP, PIMA, DHIBITI) ni orodha ya vitendo ya mifumo ya kuaminika ya mwisho-hadi-mwisho [4].
Kipochi kidogo: Muundo wa maono ulipita kwenye maabara, kisha ukapeperushwa kwenye uwanja mwangaza ulipobadilika. Kufuatilia mteremko ulioalamishwa katika histogramu za pembejeo; uboreshaji wa haraka + utendakazi mzuri wa kurekebisha. Inachosha? Ndiyo. Inafaa? Pia ndiyo.
Jedwali la kulinganisha - mbinu, zinatumika kwa ajili ya nani, gharama mbaya, kwa nini zinafanya kazi 📊
Si kamili kwa makusudi: misemo isiyosawazisha kidogo huisaidia kuhisi kama binadamu.
| Mbinu | Watazamaji bora | Bei ya juu | Kwa nini inafanya kazi / maelezo |
|---|---|---|---|
| Mafunzo yaliyosimamiwa | Wachambuzi, timu za bidhaa | chini–wa kati | Ingizo la ramani ya moja kwa moja→lebo. Nzuri wakati lebo zipo; huunda uti wa mgongo wa mifumo mingi iliyotumika [1]. |
| Bila kusimamiwa | Wachunguzi wa data, R&D | chini | Hupata makundi/mifinyazo/vipengele fiche-vizuri kwa ugunduzi na mafunzo ya mapema. |
| Kujisimamia | Timu za jukwaa | wastani | Hutengeneza lebo zake kutoka kwa mizani ghafi ya data kwa kukokotoa na data. |
| Kujifunza kuimarisha | Roboti, utafiti wa ops | wastani-juu | Hujifunza sera kutoka kwa ishara za zawadi; soma Sutton & Barto kwa kanuni [5]. |
| Transfoma | NLP, maono, multimodal | wastani-juu | Tahadhari ya kibinafsi inachukua deps za masafa marefu na inafanana vizuri; tazama karatasi asili [3]. |
| Classic ML (miti) | Programu za tabular biz | chini | Misingi ya bei nafuu, ya haraka, mara nyingi yenye nguvu ya kushangaza kwenye data iliyopangwa. |
| Kulingana na kanuni/ishara | Kuzingatia, kuamua | chini sana | Mantiki ya uwazi; muhimu katika mahuluti wakati unahitaji ukaguzi. |
| Tathmini na hatari | Kila mtu | inatofautiana | Tumia NIST's GOVERN-MAP-MEASURE-MANAGE ili kuiweka salama na muhimu [4]. |
Bei-ish = kuweka lebo ya data + hesabu + watu + wanaohudumia.
Upigaji mbizi wa kina 1 - utendakazi wa hasara, vipenyo, na hatua ndogo zinazobadilisha kila kitu 📉
Fikiria kuweka mstari wa kutabiri bei ya nyumba kutoka kwa saizi. Unachagua vigezo (w) na (b), utabiri (\hat{y} = wx + b), na kupima hitilafu kwa hasara ya wastani ya mraba. Upinde rangi hukuambia uelekeo upi wa kusogea (w) na (b) ili kupunguza hasara kwa haraka zaidi kama kutembea kuteremka kwenye ukungu kwa kuhisi mteremko wa ardhi. Sasisha baada ya kila kundi na laini yako inakaribia uhalisia.
Katika neti za kina ni wimbo ule ule na bendi kubwa zaidi. Backprop hukokotoa jinsi vigezo vya kila safu vilivyoathiri hitilafu ya mwisho-kwa ufanisi-ili uweze kusogeza mamilioni (au mabilioni) ya vifundo katika mwelekeo sahihi [2].
Intuitions muhimu:
-
Hasara hutengeneza mazingira.
-
Gradients ni dira yako.
-
Kasi ya kujifunza ni saizi ya hatua-kubwa sana na unatetemeka, mdogo sana na unalala.
-
Kurekebisha taratibu hukuzuia kukariri seti ya mafunzo kama kasuku anayekumbuka vizuri lakini hakuna ufahamu.
Kupiga mbizi kwa kina 2 - upachikaji, ushawishi, na urejeshaji 🧭
Hupachika maneno ya ramani, picha, au vipengee kwenye nafasi za vekta ambapo vitu sawa vinatua karibu. Hiyo inakuruhusu:
-
tafuta vifungu vinavyofanana kimaana
-
utafutaji wa nguvu unaoelewa maana
-
chomeka kizazi kilichoongezwa-ugmented (RAG) ili mtindo wa lugha uweze kutafuta ukweli kabla ya kuandika.
Kuhimiza ni jinsi unavyoongoza mifano ya uzalishaji-elezea kazi, toa mifano, weka vikwazo. Ifikirie kama kuandika maelezo ya kina sana kwa mwanafunzi anayefanya kazi kwa haraka sana: mwenye hamu, mara kwa mara kujiamini kupita kiasi.
Kidokezo cha vitendo: ikiwa kielelezo chako kitavutia, ongeza urejeshaji, kaza kidokezo, au tathmini ukitumia vipimo vya msingi badala ya "mitetemo."
Kupiga mbizi kwa kina 3 - tathmini bila udanganyifu 🧪
Tathmini nzuri huhisi ya kuchosha-ambayo ndiyo hoja haswa.
-
Tumia seti ya majaribio iliyofungwa.
-
Chagua kipimo kinachoakisi maumivu ya mtumiaji.
-
Endesha uondoaji mafuta ili ujue ni nini kilisaidia.
-
Kushindwa kwa kumbukumbu na mifano halisi, yenye fujo.
Katika uzalishaji, ufuatiliaji ni tathmini ambayo haikomi. Drift hutokea. Misimu mpya inaonekana, vitambuzi vinasawazishwa upya, na mtindo wa jana huteleza kidogo. Mfumo wa NIST ni marejeleo ya vitendo kwa usimamizi wa hatari unaoendelea na utawala-sio hati ya sera ya kupunguzwa [4].
Dokezo kuhusu maadili, upendeleo, na kutegemewa ⚖️
Mifumo ya AI huakisi data na muktadha wa utumiaji. Hiyo huleta hatari: upendeleo, hitilafu zisizo sawa katika vikundi, udhaifu chini ya mabadiliko ya usambazaji. Matumizi ya kimaadili si ya hiari - ni vigingi vya jedwali. NIST inaelekeza kwenye mazoea madhubuti: hatari na athari za hati, kupima upendeleo unaodhuru, kujenga mapungufu, na kuwaweka binadamu katika kitanzi wakati hatari ziko juu [4].
Hatua za zege zinazosaidia:
-
kukusanya data mbalimbali, wakilishi
-
kupima utendaji katika makundi madogo
-
kadi za mfano wa hati na karatasi za data
-
ongeza uangalizi wa kibinadamu ambapo vigingi viko juu
-
uundaji hulinda salama wakati mfumo hauna uhakika
Je, AI Inafanyaje Kazi? Kama kielelezo cha kiakili unaweza kutumia tena 🧩
Orodha fupi ya ukaguzi unayoweza kutumia kwa karibu mfumo wowote wa AI:
-
Lengo ni nini? Utabiri, cheo, kizazi, udhibiti?
-
Ishara ya kujifunza inatoka wapi? Lebo, kazi za kujidhibiti, zawadi?
-
Je, ni usanifu gani unaotumika? Mfano wa mstari, mkusanyiko wa miti, CNN, RNN, transfoma [3]?
-
Je, imeboreshwa vipi? Tofauti za mteremko wa gradient/backprop [2]?
-
Utaratibu gani wa data? Seti ndogo iliyo na lebo, bahari ya maandishi yasiyo na lebo, mazingira yaliyoigwa?
-
Ni njia gani za kutofaulu na ulinzi? Upendeleo, kuteleza, kuona maono, kusubiri, gharama iliyopangwa kwa GOVERN-MAP-MEASURE-MANAGE ya NIST [4].
Ikiwa unaweza kujibu hizo, kimsingi unaelewa mfumo-iliyobaki ni maelezo ya utekelezaji na maarifa ya kikoa.
Vyanzo vya haraka vinavyostahili kualamishwa 🔖
-
Utangulizi wa lugha-msingi wa dhana za kujifunza kwa mashine (IBM) [1]
-
Kueneza nyuma kwa michoro na hesabu laini [2]
-
Karatasi ya transfoma iliyobadilisha muundo wa mpangilio [3]
-
Mfumo wa Usimamizi wa Hatari wa AI wa NIST (utawala kivitendo) [4]
-
Kitabu cha kiada cha mafunzo ya uimarishaji wa kanuni (bila malipo) [5]
Maswali Yanayoulizwa Mara kwa Mara kuhusu Radi ⚡
Je, AI ni takwimu tu?
Ni takwimu pamoja na uboreshaji, kokotoo, uhandisi wa data na muundo wa bidhaa. Takwimu ni mifupa; iliyobaki ni misuli.
Je, wanamitindo wakubwa huwa wanashinda?
Kuongeza vipimo husaidia, lakini ubora wa data, tathmini na vikwazo vya utumiaji mara nyingi ni muhimu zaidi. Muundo mdogo zaidi unaofikia lengo lako kwa kawaida ni bora kwa watumiaji na pochi.
Je, ninaweza kuelewa?
Fafanua kuelewa . Miundo hunasa muundo katika data na kujumlisha kwa njia ya kuvutia; lakini wana vipofu na wanaweza kukosea kwa ujasiri. Wachukulie kama zana zenye nguvu-sio wahenga.
Je, zama za transfoma ni za milele?
Pengine si milele. Inatawala sasa kwa sababu umakini unalingana na mizani vizuri, kama karatasi asili ilionyesha [3]. Lakini utafiti unaendelea kusonga mbele.
Je, AI Inafanyaje Kazi? Muda Mrefu Sana, Sikusoma 🧵
-
AI hujifunza ruwaza kutoka kwa data, kupunguza hasara, na kujumlisha hadi ingizo mpya [1,2].
-
Mafunzo yanayosimamiwa, yasiyodhibitiwa, ya kujisimamia, na ya kuimarisha ni usanidi mkuu wa mafunzo; RL hujifunza kutokana na zawadi [5].
-
Mitandao ya neva hutumia uenezaji wa nyuma na mteremko wa gradient kurekebisha mamilioni ya vigezo kwa ufanisi [2].
-
Transfoma hutawala kazi nyingi za mfuatano kwa sababu umakini wa kibinafsi hunasa uhusiano sambamba katika kiwango [3].
-
Real-world AI ni bomba-kutoka kwa tatizo kutunga kupitia uwekaji na utawala-na mfumo wa NIST hukuweka mkweli kuhusu hatari [4].
Mtu akiuliza tena Je, AI Inafanyaje Kazi? , unaweza kutabasamu, kunywa kahawa yako, na kusema: inajifunza kutoka kwa data, huongeza hasara, na hutumia usanifu kama vile transfoma au mkusanyiko wa miti kulingana na tatizo. Kisha ongeza kukonyeza, kwa sababu hiyo ni rahisi na imekamilika kwa ujanja. 😉
Marejeleo
[1] IBM - Kujifunza kwa Mashine ni nini?
soma zaidi
[2] Michael Nielsen - Jinsi Algorithm ya Uenezaji Nyuma Inafanya kazi
soma zaidi
[3] Vaswani et al. - Makini Ndio Wote Unahitaji (arXiv)
soma zaidi
[4] NIST - Mfumo wa Usimamizi wa Hatari wa Ujasusi Bandia (AI RMF 1.0)
soma zaidi
[5] Sutton & Barto - Mafunzo ya Kuimarisha: Utangulizi ( Toleo la 2)
soma zaidi