ბოლო წლებში ხელოვნური ინტელექტის წინსვლამ რთული ამოცანების ავტომატიზაციისთვის ტრანფორმაციული გზები შემოგვთავაზა. თქვენი კომპანია კი ამ ახალი ტექნოლოგიების სრული უპირატესობით ვერ ისარგებლებს, თუ არ გეცოდინებათ, როგორ მუშაობს ისინი. სწორედ ამიტომ, AI-ის ირგვლივ არსებულ რთულად გასაგებ ტერმინებს მოვუყარეთ თავი:
1. AI
მეცნიერების დარგი, რომელიც ქმნის დანადგარებსა და კომპიუტერულ პროგრამებს, რომელთაც ადამიანის ტვინის კოგნიტიური ფუნქციების ხელახლა შექმნა შეუძლია, იქნება ეს გადაწყვეტილებების მიღება ლოგიკური დასაბუთებით, ობიექტების ამოცნობა და კატეგორიზაცია თუ ახალი რაღაცების შესწავლა. ამგვარად A.I. ქოლგა ტერმინია, რომელიც გამოიყენება ტექნოლოგიების ფართო სპექტრის აღსაწერად, თუმცა ნებისმიერი პროგრამა, რომელიც ამუშავებს ინფორმაციას, რათა შეასრულოს ამოცანა, შესაძლოა, AI-ად მიიჩნიოთ.
2. კომპიუტერული ალგორითმი
ინსტრუქციათა ნაკრები, რომელსაც კომპიუტერი მიჰყვება ამოცანების შესასრულებლად და მონაცემების დასამუშავებლად. მაგალითად, Facebook იყენებს ალგორითმს, რათა გაანალიზოს იმ კონტენტის ტიპი, რომელსაც ყველაზე ხშირად ნახულობთ და შემდეგ გამოიყენოს ეს ინფორმაცია შესაბამისი კონტენტის საჩვენებლად. ნებისმიერ დროს, როცა იყენებთ Excel-ის ფორმულას მონაცემთა ანალიზისთვის, თქვენ ქმნით ძირითად ალგორითმს, რომელიც ინსტრუქციათა ნაკრებს ეფუძნება, თუ როგორ უნდა დაამუშაოს კომპიუტერულმა პროგრამამ კონკრეტული მონაცემები.
3. მანქანური სწავლება
ალგორითმი იცვლება ან გაუმჯობესებულია მონაცემების დამუშავებითა და მონაცემებში დამალული შაბლონებისა თუ ურთიერთობების იდენტიფიცირებით. მარტივად რომ ვთქვათ, მანქანური სწავლების ალგორითმი, რომელიც თქვენი კომპანიის პროდუქტის ათასობით სურათზე გაიწვრთნება, შეძლებს დაადგინოს, რამდენად ხშირად გამოჩნდება ის სოციალურ მედია პოსტებში. თქვენი ელ.ფოსტის სპამების ფილტრიც მანქანურ სწავლებას იყენებს, რათა განსაზღვროს საკვანძო სიტყვები, რომლებიც ხშირად იჩენს თავს არასასურველ შეტყობინებებში. როცა ელ.ფოსტას მიიღებთ, ალგორითმი მოუხმობს თავის მონაცემებს, რათა განსაზღვროს, ეს სპამია თუ არა.
4. მოდელი
კომპიუტერული პროგრამა, რომელიც გაწვრთნილია მანქანური სწავლების ალგორითმით, რათა შეასრულოს კონკრეტული ამოცანები. გაწვრთნის შემდეგ პროგრამას გააჩნია მოდელი იმისათვის, რომ დაამუშაოს მიღებული მონაცემები, იქნება ეს ტექსტი თუ ხმოვანი ჩანაწერი, ზუსტად იმ ნიმუშებზე დაფუძნებით, რომლებიც ტრენინგის მონაცემებიდან შეისწავლა. მაგალითისთვის ChatGPT ენობრივი მოდელია, თქვენი ტექსტური მოთხოვნები ინფორმაციაა, რომელიც მუშავდება ამ მოდელის მიერ და გარდაიქმნება ჩეტბოტის პასუხად.
5. გენერაციული ხელოვნური ინტელექტი
ხელოვნური ინტელექტის პროგრამებს „ორიგინალი“ კონტენტის გენერირება და შექმნა შეუძლია. უახლესმა მოდელებმა ტრანსფორმაციული ცვლილებებიც შემოგვთავაზა, იქნება ეს სურათების გენერირების მოდელი Dall-E თუ ისეთი დიდი ენობრივი მოდელი, როგორიც ChatGPT-ია. ეს ტექნოლოგია უკვე მუსიკის, ვიდეოსა და კოდების დასაწერადაც გამოიყენება. თუმცა გენერაციული ხელოვნური ინტელექტი ძალიან ახალი ტექნოლოგიაა და მის ირგვლივ არსებული წესები კი დებატების საგანს წარმოადგენს. ამგვარად, თუ ბიზნესში მის ინტეგრირებას გადაწყვეტთ, ფრთხილად უნდა იყოთ.
6. მონაცემებით დატრენინგება
მონაცემების ნაკრები მუშავდება მანქანური სწავლების ალგორითმებით რათა მისი ფუნქციონალი გააუმჯობესოს… მონაცემთა ნაკრებები, რომლებიც უმეტესად ძალიან დიდია, კვებავს მანქანური სწავლების ალგორითმებს, რათა ასწავლოს მათ, როგორ უპასუხონ მიღებულ ბრძანებებს. მას შემდეგ, რაც მონაცემი გადამუშავდება, იგი მოდელში იდებს ბინას. მანქანური სწავლების ალგორითმების დატრენინგების ორი მთავარი ტიპი არსებობს, რომელსაც ზედამხედველობენ და რომელსაც არა.
7. სწავლება, რომელსაც ზედამხედველობენ
ტრენინგი, რომელშიც მონაცემის თითოეული ნაწილი უკავშირდება ეტიკეტს, ეხმარება მანქანური სწავლების ალგორითმებს, გაიაზრონ მონაცემთა მნიშვნელობა. ალგორითმი, რომელსაც რენტგენზე დაფუძნებით დიაგნოზის დასმას ასწავლიან, გაიწვრთნება სურათებზე, რომლებიც სწორ დიაგნოზს გვაჩვენებს. ეს სწორი დიაგნოზი კი აქ ეტიკეტს წარმოადგენს. შესაბამისად, ობიექტების იდენტიფიცირების მოდელი, რომელიც ხილს ამოიცნობს, გაწვრთნილი იქნება ხილის განსხვავებულ სურათებზე. სწავლებით ალგორითმი შეძლებს იმ უნიკალურ მახასიათებლებს მიაგნოს, რომლებიც თითოეულ ხილს გააჩნია.
8. სწავლება, რომელსაც არ ზედამხედველობენ
აქ მანქანური სწავლების ალგორითმები ამუშავებს დიდი რაოდენობის მონაცემებს, რომლებსაც მსგავსებებისა და განსხვავებების მიხედვით კლასტერებად აერთიანებს, შესაბამისად, არანაირ ეტიკეტებთან არ გვაქვს საქმე. ამგვარი სწავლება ის არის, რაც ChatGPT-ს ნებისმიერი ტიპის ამოცანის შესრულების საშუალებას აძლევს — იქნება ეს საუბრები, ამბების დაწერა თუ კითხვებზე პასუხის გაცემა. დიახ, იგი არ გაუწვრთნიათ რაღაც კონკრეტულის გასაკეთებლად.
9. ნერვული ქსელი — Deep learning
ნერვული ქსელი შედგება ურთიერთდაკავშირებული კვანძების რამდენიმე ფენისგან, რომლებიც მოქმედებენ, როგორც ქსელის „ნეირონები“. თითოეული ამუშავებს შეყვანილ მონაცემებს, ასრულებს გამოთვლებს და კვანძების შემდგომი ფენით დასამუშავებელი ფენები გამოაქვს. ღრმა სწავლება განსაკუთრებით დიდი ნერვული ქსელების კლასია ასობით შრით, რომლებიც კიდევ უფრო მეტი კავშირის საშუალებას იძლევა.
გენერაციული AI მოდელები სწორედ Deep learning-ით იგება, უდიდესი ნერვული ქსელებით, რომლებიც ისეთ დიდი ენობრივ მოდელებს აქვს, როგორიც ChatGPT-ია მილიარდობით „ნეირონით“.
10. პარამეტრები
ნერვულ ქსელებში პარამეტრები აკონტროლებს, როგორ ამუშავებს ან გარდაქმნის თითოეული ნეირონი თუ კვანძი შეყვანილ მონაცემებს. აქ პარამეტრები ძველი რადიოს ღილაკების მსგავსია, რომლითაც სიხშირესა თუ ხმას არეგულირებდით… წარმოიდგინეთ AI მოდელი, რომელიც წითელი შუქის კამერით აღებული სანომრე ნიშნების სურათების გასაანალიზებლად შეიქმნა. აქ თითოეულ კვანძს აქვს პარამეტრი, რომელიც პასუხისმგებელია სურათების პიქსელების ტექსტისა თუ რიცხვების თანმიმდევრობად ქცევაზე იმგვარად, რომ მოდელმა გაიგოს.
11. NLP
AI-ის კონკრეტული ტიპი, რომელიც ყოველდღიური ენის გასაგებად და ინტერპრეტირებისთვისაა შექმნილი. NLP მოდელები შექმნილია, რათა გარდაქმნას წერილობითი თუ სალაპარაკო ენა მანქანისთვის წაკითხვად მონაცემად. შესაძლოა, დოკუმენტების გასაანალიზებლადაც გამოიყენოთ, ზეპირი ჩანაწერების ტექსტად გარდაქმნისთვის, თარგმნისა თუ განვითარებული ჩეტბოტების შესაქმნელად.
12. ტრანსფორმერი
მას შემდეგ, რაც გუგლმა 2017 წელს გაგვაცნო, AI არქიტექტურის ძალიან განვითარებულ ტიპს მიეკუთვნება, რომელმაც დააჩქარა გენერაციული ხელოვნური ინტელექტის რევოლუცია, კერძოდ, ბუნებრივი ენის დამუშავების (NLP) კუთხით. ტრანსფორმერები იყენებს პროცესს, რომელსაც ტოკენიზაციას უწოდებენ. ასე წინადადებებს მონაცემებად აქცევენ, შემდეგ კი აანალიზებენ ამ მონაცემებს, რათა შაბლონები დაადგინონ. სწორედ ტრანსფორმერების დახმარებითაა შექმნილი OpenAI-ის GPT.
13. ტოკენები
გრამატიკული ელემენტებია, რომლებიც მონაცემებად გარდაიქმნა ტრანსფორმერის დახმარებით. აი, მაგალითად, როცა ChatGPT-ს კითხვას გაუგზავნით, ტრანსფორმერი მიიღებს თქვენს წინადადებას და ტოკენების სერიად აქცევს. გადაამუშავებს თითოეულ ტოკენს ერთდროულად და შეეძლება გამოიყენოს ტრენინგები ტოკენებს შორის სემანტიკური ურთიერთობების გასაანალიზებლად. OpenAI-ს თუ დავეყრდნობით, ერთი ტოკენი ტექსტის 4 სიმბოლოს უდრის, მაგრამ უფრო მოკლე ან გრძელია, ხოლო ისეთი სპეციალური მახასიათებლები, როგორებიც პუნქტუაციის ნიშნებია, ცალკე ტოკენად ითვლება.
14. ჰალუცინაციები
მაშინ ხდება, როცა AI-ის მიერ მოწოდებული პასუხები არასწორია. ტექნიკურად არც გატყუებთ, უბრალოდ არ იცის, რომ, რასაც ამბობს არასწორია, სწორედ ამიტომ უწოდებენ ჰალუცინაციებს.
15. API
დაბოლოს, პროგრამული კომპონენტი, რომელიც საშუალებას გაძლევთ, ვიღაცის პროგრამა საკუთარ აპლიკაციაში დაამატოთ მის მიღმა არსებული კოდის გააზრების საჭიროების გარეშე. AI მოდელები გამოშვებულია სწორედ API-ების მეშვეობით, რათა კომპანიებმა თავიანთი ტექნოლოგიების მონეტიზაცია შეძლონ გარე მხარეებისთვის ტექნოლოგიურ სერვისებზე წვდომის მიცემით.
წყარო: Inc.
