Šta je umjetna inteligencija, strojno učenje i LLM?

Dobici:

Može razlikovati koncepte umjetne inteligencije, strojnog učenja i modela velikog jezika
Objasnite po čemu se ove tehnologije razlikuju od tradicionalnog softvera
Može prepoznati primjere umjetne inteligencije koje se susreću u svakodnevnom poslovnom životu

Poslednjih godina, reč „veštačka inteligencija“ je svuda: u vestima, reklamama, poslovnim sastancima, čak i u kameri telefona koji koristite. Ali šta to tačno znači? Ova cjelina objašnjava temu iz osnova, bez utapanja u žargon, i povezujući je s vašim poslovnim životom. Cilj nije učiniti vas inženjerom; Da vas učinimo svjesnim korisnikom koji razumije šta su alati koje koristite i zašto rade to što rade. Jer što bolje poznajete vozilo, sigurnije i efikasnije ćete ga koristiti.

Često čujete isprepletena tri koncepta: umjetna inteligencija, strojno učenje i model velikog jezika. To nisu iste stvari; Sve više sužavaju prstenove, jedan unutar drugog. Objasnimo ovo jedno po jedno na svakodnevnim primjerima.

Tri koncepta, tri međusobno povezana prstena

Veštačka inteligencija (AI): To je opšti naziv za široko polje koje omogućava računarima da obavljaju zadatke koji obično zahtevaju ljudsku inteligenciju (razumevanje, donošenje odluka, prepoznavanje, korišćenje jezika). Pod ovim kišobranom su i šahovski program, aplikacija za prevođenje i glasovni asistent.

Mašinsko učenje (ML): To je najčešća podgrana umjetne inteligencije. Ovdje ne upisujemo pravila u kompjuter jedno po jedno; Pokazujemo mu puno uzoraka i on sam bira uzorak u uzorcima. Otuda naziv "mašinsko učenje": mašina uči na primjerima.

Model velikog jezika (LLM): To je posebna vrsta mašinskog učenja koja je specijalizovana za tekst. Trenira se sa milijardama rečenica; Koristi se u zadacima kao što su razumijevanje jezika, produkcija, sažimanje i prevođenje. Ovo je tehnologija koja stoji iza alata kao što su ChatGPT, Gemini, Claude. Alati u ovom modulu, koji nazivamo "generativni AI" (umetna inteligencija koja generira tekst/slike), uglavnom su bazirani na LLM.

Savjet: Zapamtite ovo: AI je najveća kutija, mašinsko učenje je kutija unutar nje, a model velikog jezika je najdublja kutija. „Svaki LLM je proizvod mašinskog učenja i svako mašinsko učenje je veštačka inteligencija, ali obrnuto nije uvek tačno.”

Razlika u odnosu na tradicionalni softver: ko piše pravila?

Ovo je najvažnija razlika koju treba razumjeti. U tradicionalnom softveru, čovjek (programer) piše pravila jedno po jedno: "Ako iznos narudžbe prelazi 500 TL, dostava će biti besplatna." Računar prati ovo pravilo do kraja, ni više, ni manje.

U mašinskom učenju, ljudi ne pišu pravila; Model otkriva samo pravilo iz primjera koji su mu prikazani. Na primjer, prikazujete hiljade "spam" i "ne spam" e-poruka; Sam model uči koje riječi i fraze ukazuju na neželjenu poštu. Niko ne piše jedno po jedno "ako postoji ova riječ, onda je spam".

karakteristika

Tradicionalni softver

Mašinsko učenje / AI

Ko donosi pravila?

Čovek piše jedan po jedan

Model zaključuje iz primjera

Da li je izlaz uvijek isti?

Isti ulaz → isti izlaz

Isti ulaz → sličan, ali varijabilni izlaz

Kada je jaka?

Radite sa jasnim, definitivnim pravilima

Radi s puno obrazaca i teških pravila

pouzdanost

predvidljivo, postojano

Statistički, zahtijeva provjeru

primjer

platni račun

Poboljšajte ton e-pošte

Ova razlika je osnova tema o "halucinacijama" i "verifikaciji" koje ćete naučiti kasnije: Budući da model sam izvodi pravilo, ono je ponekad pogrešno, tako da se njegovom rezultatu ne može slijepo vjerovati.

Već to vidite u svom svakodnevnom poslovnom životu

Nemojte misliti da je AI nešto novo; Vjerovatno ga već godinama koristite:

Filter za neželjenu poštu vašeg e-mail sandučića (model koji je naučio koje e-poruke su smeće).
Predviđanje tastature vašeg telefona (mali model jezika koji predlaže sljedeću riječ).
Upozorenje vaše banke o lažnoj transakciji (model koji otkriva neuobičajenu potrošnju).
Funkcije automatskog popunjavanja i prijedloga vašeg programa za proračunske tablice.
Sistemi preporuka u video i muzičkim aplikacijama.

Ono što je novo je da ova tehnologija sada može govoriti prirodnim jezikom. Znači pišeš kao da razgovaraš sa stručnjakom, a on razumije i odgovara. Ovdje se prava prilika krije na radnom mjestu.

Tri mini futrole

Slučaj 1 — Ayşe, voditeljica ureda. Ručno je kategorizirao oko 40 e-mailova dobavljača svake sedmice; Trajalo je u prosjeku 90 minuta. Počelo je da kompanija AI pomoćnik označava mejlove kao "hitno/normalno/info". Vrijeme je smanjeno na 20 minuta; On je posvetio ~70 ušteđenih minuta kontroli ugovora. AI je sam naučio pravilo; Ayşe nije pisala filtere jedan po jedan.

Slučaj 2 — Mehmet, terenski tehničar. Kupac je pisao zapise o greškama u slobodnom tekstu („uređaj se zagreva, isključuje se povremeno“). Njegov menadžer nije mogao ručno da pročita i klasifikuje ovih 500 zapisa. Jezički model je rezimirao zapise kao "hardverska/softverska/korisnička greška" i izdvojio najčešću pritužbu. Model je za nekoliko minuta skicirao ono što bi čovjeku trebalo skoro 2 dana; tim je samo potvrdio.

Slučaj 3 — Elif, računovodstvo. Dao je AI da sumira novi zakonski tekst i uzeo listu članaka od 1 stranice iz teksta od 12 stranica. Ali on je sam potvrdio kritičan procenat iz zvaničnog izvora; jer je to bila stvar koja je zahtijevala numeričku preciznost. Tako je radio i brzo i sigurno.

Slaba prompt / jaka prompt

Poznavanje alata također mijenja način na koji ga tražite. Dva različita pitanja od istog asistenta:

Slab upit: Šta je umjetna inteligencija?

Rezultat: Dugačak, enciklopedijski opis koji nije specifičan za vas.

Snažan upit: Ja sam netehnički kancelarijski radnik. Objasnite razliku između umjetne inteligencije, strojnog učenja i modela velikog jezika sa 3 kratka naznaka i primjerom iz svakodnevnog života za svaki. Koristite običan turski.

Rezultat: Upotrebljiv odgovor koji odgovara vašoj ulozi, nivou i svrsi. Razlika: dali ste kontekst, publiku i format.

Copiable Templates

Pomozite mi da naučim tehnologiju. Tema: [npr. mašinsko učenje]Ja: [moja uloga / moj nivo znanja]Želim: Jednostavno objašnjenje u 5 stavki + primjer iz poslovnog života za svaku stavku + sažetak od 1 rečenice "imajte to na umu" na kraju.

Pokažite mi gdje se susrećem sa sljedećim konceptom u svakodnevnom životu: Koncept: [npr. sistem preporuka]Dajte mi 5 realističnih primjera i objasnite u jednoj rečenici tačno šta AI radi u svakom od njih.

Uporedite ova dva koncepta i stavite ih u tabelu: Koncept A: [tradicionalni softver] Koncept B: [mašinsko učenje] Kolone: ko postavlja pravilo, je izlazna konstanta, kada je jaka, primer.

Pojednostavite sljedeću rečenicu kao da je objašnjavate netehničkom kolegi. Ako postoji žargon, dodajte kratko objašnjenje u zagradama. Rečenica: [zalijepi ovdje]

Uobičajene greške

Razmišljanje "AI = robot / svijest". Današnja vozila ne razmišljaju niti osjećaju; prepoznaje obrasce i stvara moguće nastavke. Zaboravljanje na ovo dovodi do pretjeranih očekivanja i razočaranja.
Tretiranje svakog izlaza umjetne inteligencije kao konačne istine. Model radi statistički; Rizično je koristiti brojeve, datume i izvore koji zahtijevaju preciznost bez njihove provjere.
Reći "Ovaj posao je daleko od mene" i nikada ne pokušavati. AI štedi najviše vremena na zamornim i ponavljajućim zadacima zaposlenih koji nisu tehnički. Oni koji ne probaju propustit će priliku.
Postavljanje pitanja od jedne riječi bez konteksta. Ako alatu ne kažete ko ste i šta želite, dobićete opšte, beskorisne odgovore.

Oprez: AI "učenje" nije kao ljudsko učenje. Model "uči" ne razumijevanjem svijeta, već hvatanjem statističkih obrazaca u podacima. Dakle, može govoriti vrlo tečno, ali ipak pogrešno shvati osnovnu činjenicu. Tečnost nije garancija tačnosti.

Ukratko

Umjetna inteligencija je najširi kišobran; mašinsko učenje je njegova podgrana koja uči iz primera; Model velikog jezika (LLM) je vrsta mašinskog učenja koja je specijalizovana za jezik.
Glavna razlika: U tradicionalnom softveru, čovjek piše pravilo; U mašinskom učenju, model izvlači pravilo iz primjera.
AI je već u vašem životu: filter neželjene pošte, predviđanje tastature, lažno upozorenje o transakcijama, sistemi preporuka. Ono što je novo je da može govoriti prirodnim jezikom.
Pošto model funkcioniše statistički, fluidan je, ali nije uvek tačan; ovo je osnova za naredne jedinice (halucinacije, verifikacija).

Zadatak aplikacije

Otvorite AI alat koji koristite i objasnite sebi razliku između mašinskog učenja i modela velikog jezika pomoću predloška "Moćni prompt" iznad. Zatim zapišite 3 mjesta u svom poslu gdje se AI već koristi (ili bi se mogla koristiti). Za svaku od njih, „Šta tačno/može AI učiniti ovdje?“ Odgovorite na pitanje u jednoj rečenici.

Kontrolna lista

[ ] Mogu razlikovati umjetnu inteligenciju, strojno učenje i LLM.
[ ] Mogu objasniti razliku "ko piše pravila" između tradicionalnog softvera i mašinskog učenja.
[ ] Znam najmanje 3 primjera AI u svom svakodnevnom životu.
[ ] Dajući kontekst, publiku i format, mogu postaviti jače pitanje.
[ ] Znam da samo zato što je AI glatka ne znači da je tačna.