Lengo kuu la AI ya Kizazi ni rahisi sana:
Ni kutoa maudhui mapya na yanayowezekana - maandishi, picha, sauti, msimbo, video, miundo - kwa kujifunza mifumo kutoka kwa data iliyopo na kisha kutoa matokeo mapya yanayolingana na ombi.
Hiyo ndiyo kiini. Kila kitu kingine (uzalishaji, ubunifu, ubinafsishaji, data ya sintetiki, n.k.) kimsingi ni mazungumzo ya "tunaweza kufanya nini na kiini hicho?".
Makala unayoweza kupenda kusoma baada ya hii:
🔗 AI ya kuzalisha ni nini
Elewa jinsi mifumo inavyounda maandishi, picha, msimbo, na zaidi.
🔗 Je, AI imezidishwa?
Mtazamo uliosawazishwa kuhusu hype, mipaka, na athari halisi.
🔗 Ni AI gani inayofaa kwako
Linganisha zana maarufu za akili bandia na uchague zinazofaa zaidi.
🔗 Je, kuna kiputo cha AI?
Ishara za kutazama, hatari za soko, na kinachofuata.
Lengo kuu la Generative AI🧠
Ukitaka maelezo mafupi zaidi sahihi:
-
AI ya kizazi hujifunza "umbo" la data (lugha, picha, muziki, msimbo)
-
Kisha hutoa sampuli mpya zinazolingana na umbo hilo
-
Inafanya hivi kwa kujibu hoja, muktadha, au vikwazo
Kwa hivyo ndiyo, inaweza kuandika aya, kuchora picha, kurekebisha wimbo, kuandika kifungu cha mkataba, kutoa mifano ya majaribio, au kubuni kitu kinachofanana na nembo.
Sio kwa sababu "inaelewa" kama mwanadamu anavyoelewa (tutaingia katika hilo), lakini kwa sababu ni nzuri katika kutoa matokeo ambayo yanaendana kitakwimu na kimuundo na mifumo iliyojifunza.
Ikiwa unataka mfumo wa watu wazima wa "jinsi ya kutumia hii bila kukanyaga reki," Mfumo wa Usimamizi wa Hatari wa AI wa NIST ni nanga thabiti ya mawazo ya udhibiti wa hatari + hatari. [1] Na ikiwa unataka kitu mahsusi kwa hatari za AI zinazozalishwa (sio AI tu kwa ujumla), NIST pia ilichapisha wasifu wa GenAI unaoelezea kwa undani zaidi ni nini hubadilika wakati mfumo unazalisha maudhui. [2]
Kwa nini watu hubishana kuhusu "lengo kuu la AI ya Kuzalisha" 😬
Watu huzungumza kupita kila mmoja kwa sababu wanatumia maana tofauti za "lengo."
Baadhi ya watu wanamaanisha:
-
Lengo la kiufundi: kutoa matokeo halisi na yenye uthabiti (kiini)
-
Lengo la biashara: kupunguza gharama, kuongeza uzalishaji, kubinafsisha uzoefu
-
Lengo la kibinadamu: pata msaada wa kufikiria, kuunda, au kuwasiliana haraka zaidi
Na ndio, hizo zinagongana.
Tukibaki imara, lengo kuu la Uandishi AI wa Kizazi ni kuzalisha - kuunda maudhui ambayo hayakuwepo hapo awali, kwa kuzingatia ingizo.
Mambo ya biashara yamepungua. Hofu ya kitamaduni pia imepungua (samahani… kwa namna fulani 😬).
Watu huchanganya GenAI na nini (na kwa nini hilo ni muhimu) 🧯
Orodha ya haraka ya "sio hii" huondoa mkanganyiko mwingi
GenAI si hifadhidata
Haipati "ukweli." Inazalisha yanayowezekana . Ukihitaji ukweli, unaongeza msingi (hati, hifadhidata, nukuu, mapitio ya kibinadamu). Tofauti hiyo kimsingi ndiyo hadithi nzima ya uaminifu. [2]
GenAI si wakala kiotomatiki
Mfano wa kutengeneza maandishi si kitu sawa na mfumo unaoweza kuchukua hatua kwa usalama (kutuma barua pepe, kubadilisha rekodi, kusambaza msimbo). "Inaweza kutoa maagizo" ≠ "inapaswa kuyatekeleza."
GenAI haina nia
Inaweza kutoa maudhui yanayoonekana kama ya kukusudia. Hiyo si sawa na kuwa na nia.
Ni nini kinachofanya toleo zuri la Generative AI? ✅
Sio mifumo yote "ya kuzalisha" inayofanya kazi sawa. Toleo zuri la AI ya kuzalisha si ile inayotoa matokeo mazuri tu - ni ile inayotoa matokeo ambayo ni ya thamani, yanayoweza kudhibitiwa, na salama vya kutosha kwa muktadha.
Toleo zuri huwa na:
-
Uwiano - haujipingani kila sentensi mbili
-
Kuweka msingi - inaweza kuunganisha matokeo na chanzo cha ukweli (hati, nukuu, hifadhidata) 📌
-
Udhibiti - unaweza kudhibiti sauti, umbizo, na vikwazo (sio tu kuchochea msisimko)
-
Kuaminika - vidokezo sawa hupata ubora sawa, sio matokeo ya roulette
-
Reli za usalama - huepuka matokeo hatari, ya faragha, au yasiyoruhusiwa kwa muundo
-
Tabia za uwazi - zinaweza kusema "Sina uhakika" badala ya kubuni
-
Ulinganifu wa mtiririko wa kazi - unahusiana na jinsi wanadamu wanavyofanya kazi, si mtiririko wa kazi wa njozi
Kimsingi NIST inauweka mazungumzo haya yote kama "uaminifu + usimamizi wa hatari," ambayo ni ... jambo lisilo la kupendeza ambalo kila mtu anatamani angelifanya mapema. [1][2]
Mfano usio kamili (jiandae): mtindo mzuri wa uzalishaji ni kama msaidizi wa jikoni mwenye kasi sana ambaye anaweza kuandaa chochote… lakini wakati mwingine huchanganya chumvi na sukari, na unahitaji lebo na vipimo vya ladha ili usitumie kitoweo cha kitindamlo 🍲🍰
Kisanduku kidogo cha haraka cha kila siku (cha mchanganyiko, lakini cha kawaida sana) 🧩
Fikiria timu ya usaidizi inayotaka GenAI iandike majibu:
-
Wiki ya 1: "Acha tu modeli ijibu tikiti."
-
Matokeo ni ya haraka, ya uhakika… na wakati mwingine ni makosa kwa njia za gharama kubwa.
-
-
Wiki ya 2: Wanaongeza urejeshaji (huvuta taarifa kutoka kwa hati zilizoidhinishwa) + violezo ("uliza kitambulisho cha akaunti kila wakati," "kamwe uahidi kurejeshewa pesa," n.k.).
-
Makosa hupungua, uthabiti unaboresha.
-
-
Wiki ya 3: Wanaongeza njia ya mapitio (idhini ya kibinadamu kwa kategoria zenye hatari kubwa) + majaribio rahisi ("sera imetajwa," "sheria ya kurejeshewa pesa inafuatwa").
-
Sasa mfumo unaweza kutumika.
-
Maendeleo hayo kimsingi ndiyo hoja ya NIST katika vitendo: modeli ni kipande kimoja tu; vidhibiti vinavyoizunguka ndivyo vinavyoifanya iwe salama vya kutosha. [1][2]
Jedwali la kulinganisha - chaguzi maarufu za uzalishaji (na kwa nini zinafanya kazi) 🔍
Bei hubadilika kila mara, kwa hivyo hii inabaki kuwa ngumu kimakusudi. Pia: kategoria zinaingiliana. Ndiyo, inakera.
| Zana / mbinu | Hadhira | Bei (ya kawaida) | Kwa nini inafanya kazi (na jambo dogo la ajabu) |
|---|---|---|---|
| Wasaidizi wa gumzo wa LLM wa jumla | Kila mtu, timu | Usajili wa ngazi ya bure na usajili | Nzuri kwa kuandika, kufupisha, kutafakari. Wakati mwingine kwa kujiamini nimekosea… kama rafiki jasiri 😬 |
| API LLM za programu | Watengenezaji, timu za bidhaa | Kulingana na matumizi | Rahisi kuunganishwa katika mtiririko wa kazi; mara nyingi huunganishwa na zana za kurejesha +. Inahitaji ulinzi au inakuwa kali |
| Jenereta za picha (mtindo wa uenezaji) | Wabunifu, wauzaji | Usajili/mikopo | Nguvu katika mtindo + tofauti; imejengwa juu ya mifumo ya uzalishaji wa mtindo wa denoising [5] |
| Mifumo ya uzalishaji huria | Wadukuzi, watafiti | Programu ya bure + vifaa | Udhibiti + ubinafsishaji, mipangilio rafiki kwa faragha. Lakini unalipa kwa gharama ya usanidi (na joto la GPU) |
| Jenereta za sauti/muziki | Wanamuziki, wapenzi wa burudani | Mikopo/usajili | Mawazo ya haraka ya melodi, shina, muundo wa sauti. Leseni inaweza kuwa ya kutatanisha (soma maneno) |
| Jenereta za video | Waumbaji, studio | Usajili/mikopo | Ubao wa hadithi wa haraka na klipu za dhana. Uthabiti katika matukio bado ni tatizo kubwa |
| Kizazi kilichoongezwa nguvu cha urejeshaji (RAG) | Biashara | Matumizi ya Infra + | Husaidia kuunganisha uzalishaji na hati zako; udhibiti wa kawaida wa kupunguza "vitu vya kubuni" [2] |
| Jenereta za data za sintetiki | Timu za data | Ujasiriamali | Hufaa wakati data ni chache/nyeti; inahitaji uthibitisho ili data inayozalishwa isikudanganye 😵 |
Chini ya kifuniko: kizazi kimsingi ni "kukamilika kwa muundo" 🧩
Ukweli usio wa kimapenzi:
AI nyingi za uzalishaji huongezwa "kutabiri kitakachofuata" hadi ihisi kama kitu kingine.
-
Katika maandishi: tengeneza kipande kinachofuata cha maandishi (ishara ya ishara) katika mfuatano - mpangilio wa kawaida wa autoregressive ambao ulifanya uhamasishaji wa kisasa uwe na ufanisi sana [4]
-
Katika picha: anza na kelele na uiondoe kelele mara kwa mara katika muundo (hisia ya uenezaji-familia) [5]
Ndiyo maana vidokezo ni muhimu. Unampa modeli muundo usio kamili, na inakamilisha.
Hii pia ndiyo sababu AI ya uzalishaji inaweza kuwa nzuri katika:
-
"Andika haya kwa sauti ya kirafiki zaidi"
-
"Nipe chaguzi kumi za vichwa vya habari"
-
"Badilisha maelezo haya kuwa mpango safi"
-
"Tengeneza msimbo wa jukwaa + majaribio"
...na pia kwa nini inaweza kukabiliwa na:
-
usahihi kamili wa ukweli bila msingi
-
minyororo mirefu na dhaifu ya hoja
-
utambulisho thabiti katika matokeo mengi (wahusika, sauti ya chapa, maelezo yanayojirudia)
Sio "kufikiri" kama mtu. Inazalisha mwendelezo unaowezekana. Ni muhimu, lakini tofauti.
Mjadala wa ubunifu - "kuunda" dhidi ya "kuchanganya tena" 🎨
Watu hupata joto lisilo la kawaida hapa. Ninaelewa kidogo.
AI ya kuzalisha mara nyingi hutoa matokeo ambayo yanaonekana kuwa ya ubunifu kwa sababu inaweza:
-
kuchanganya dhana
-
chunguza tofauti haraka
-
miunganisho ya kushangaza juu ya uso
-
mitindo ya kuiga yenye usahihi wa kutisha
Lakini haina nia. Hakuna ladha ya ndani. Hapana "Nilitengeneza hii kwa sababu ni muhimu kwangu."
Hata hivyo, ni wimbo wa nyuma kidogo: wanadamu hubadilishana mawazo kila mara. Tunafanya hivyo tu kwa uzoefu, malengo, na ladha iliyo hai. Kwa hivyo lebo inaweza kubaki na ushindani. Kivitendo, ni ushawishi wa ubunifu kwa wanadamu, na hiyo ndiyo sehemu muhimu zaidi.
Data ya usanifu - lengo lisilopewa hadhi ya juu 🧪
Tawi moja muhimu la AI ya uzalishaji linahusu kuzalisha data inayofanya kazi kama data halisi, bila kufichua watu halisi au kesi nyeti adimu.
Kwa nini hilo lina thamani:
-
Vikwazo vya faragha na kufuata sheria (ufichuzi mdogo wa rekodi halisi)
-
simulizi ya matukio adimu (kesi za ukingo wa ulaghai, hitilafu za bomba la niche, n.k.)
-
kupima mabomba bila kutumia data ya uzalishaji
-
uongezaji wa data wakati seti halisi za data ni ndogo
Lakini chanzo bado ni chanzo: data ya sintetiki inaweza kuzaliana kimya kimya upendeleo na sehemu zisizoeleweka kama data asilia - ndiyo maana utawala na vipimo ni muhimu kama vile uzalishaji. [1][2][3]
Data ya sintetiki ni kama kahawa isiyo na kafeini - inaonekana vizuri, inanukia vizuri, lakini wakati mwingine haifanyi kazi kama ulivyofikiria ☕🤷
Mipaka - ni nini AI ya uzalishaji ni mbaya (na kwa nini) 🚧
Ukikumbuka onyo moja tu, kumbuka hili:
Mifano ya uzalishaji inaweza kutoa upuuzi fasaha.
Njia za kawaida za kushindwa:
-
Ndoto za kuota ndoto - uzushi wa uhakika wa ukweli, manukuu, au matukio
-
Maarifa ya kizamani - wanamitindo waliofunzwa kwenye picha wanaweza kukosa masasisho
-
Udhaifu wa haraka - mabadiliko madogo ya maneno yanaweza kusababisha mabadiliko makubwa ya matokeo
-
Upendeleo uliofichwa - mifumo inayojifunza kutokana na data iliyopotoka
-
Kuzingatia kupita kiasi - hujaribu kusaidia hata wakati haipaswi
-
Hoja zisizo thabiti - hasa katika kazi ndefu
Hii ndiyo sababu hasa mazungumzo ya "Akili Bandia inayoaminika" yapo: uwazi, uwajibikaji, uimara, na muundo unaozingatia binadamu si mambo mazuri; ndivyo unavyoepuka kusambaza kanuni ya kujiamini katika uzalishaji. [1][3]
Kupima mafanikio: kujua wakati lengo linafikiwa 📏
Ikiwa lengo kuu la AI ya Kizazi ni "kuzalisha maudhui mapya yenye thamani," basi vipimo vya mafanikio kwa kawaida huangukia katika ndoo mbili:
Vipimo vya ubora (vya kibinadamu na vya kiotomatiki)
-
usahihi (inapohitajika)
-
uthabiti na uwazi
-
ulinganifu wa mtindo (toni, sauti ya chapa)
-
ukamilifu (hufunika kile ulichoomba)
Vipimo vya mtiririko wa kazi
-
muda uliohifadhiwa kwa kila kazi
-
kupunguzwa kwa marekebisho
-
uzalishaji wa juu bila kushuka kwa ubora
-
kuridhika kwa mtumiaji (kipimo kinachoonyesha wazi zaidi, hata kama ni vigumu kupima)
Katika mazoezi, timu zinapata ukweli usio wa kawaida:
-
modeli inaweza kutoa rasimu "nzuri za kutosha" haraka
-
lakini udhibiti wa ubora unakuwa kikwazo kipya
Kwa hivyo ushindi halisi si kizazi pekee. Ni mifumo ya kizazi pamoja na mapitio - uanzishaji wa urejeshaji, vyumba vya eval, ukataji miti, uundaji wa timu nyekundu, njia za uenezaji ... mambo yote yasiyo ya kuvutia ambayo yanaifanya iwe halisi. [2]
Miongozo ya vitendo ya "itumie bila majuto" 🧩
Ikiwa unatumia AI ya kuzalisha kwa kitu chochote zaidi ya burudani ya kawaida, tabia chache husaidia sana:
-
Omba muundo: "Nipe mpango wenye nambari, kisha rasimu."
-
Vizuizi vya kulazimisha: "Tumia ukweli huu pekee. Ukikosa, sema kinachokosekana."
-
Omba kutokuwa na uhakika: "Orodhesha dhana + kujiamini."
-
Tumia msingi: unganisha kwenye hati/hifadhidata wakati ukweli ni muhimu [2]
-
Chukulia matokeo kama rasimu: hata yale ya ajabu
Na mbinu rahisi zaidi ni ile ya kibinadamu zaidi: isome kwa sauti. Ikiwa inasikika kama roboti nje ya mtandao inayojaribu kumvutia meneja wako, labda inahitaji kuhaririwa 😅
Muhtasari 🎯
Lengo kuu la Uhandisi AI wa Kizazi ni kutoa maudhui mapya yanayolingana na haraka au kizuizi , kwa kujifunza mifumo kutoka kwa data na kutoa matokeo yanayowezekana.
Ina nguvu kwa sababu:
-
huharakisha uandishi na mawazo
-
huzidisha tofauti kwa bei nafuu
-
husaidia kuziba mapengo ya ujuzi (uandishi, uandishi wa msimbo, usanifu)
Ni hatari kwa sababu:
-
anaweza kutunga ukweli kwa ufasaha
-
hurithi upendeleo na madoa yasiyoonekana
-
inahitaji msingi na usimamizi katika miktadha mikubwa [1][2][3]
Ikitumika vizuri, haitumiki sana kama "ubongo mbadala" bali kama "injini ya drafti yenye turbo."
Ikitumika vibaya, ni kanuni ya kujiamini inayoelekeza kwenye mtiririko wako wa kazi... na hiyo inakuwa ghali haraka 💥
Marejeleo
[1] AI RMF ya NIST - mfumo wa kudhibiti hatari na vidhibiti vya AI. soma zaidi
[2] Wasifu wa NIST AI 600-1 GenAI - mwongozo wa hatari na upunguzaji maalum wa GenAI (PDF). soma zaidi
[3] Kanuni za AI za OECD - seti ya kanuni za kiwango cha juu kwa AI inayowajibika. soma zaidi
[4] Brown et al. (NeurIPS 2020) - karatasi ya msingi kuhusu uhamasishaji wa picha chache na mifumo mikubwa ya lugha (PDF). soma zaidi
[5] Ho et al. (2020) - karatasi ya mfano wa usambazaji inayoelezea utengenezaji wa picha unaotegemea kuondoa kelele (PDF). soma zaidi