Κέρδη:
- Μπορεί να διακρίνει τις έννοιες της τεχνητής νοημοσύνης, της μηχανικής μάθησης και του μοντέλου μεγάλης γλώσσας
- Εξηγήστε πώς διαφέρουν αυτές οι τεχνολογίες από το παραδοσιακό λογισμικό
- Μπορεί να αναγνωρίσει παραδείγματα τεχνητής νοημοσύνης που συναντώνται στην καθημερινή επιχειρηματική ζωή
Τα τελευταία χρόνια, η λέξη «τεχνητή νοημοσύνη» είναι παντού: στις ειδήσεις, στις διαφημίσεις, σε επαγγελματικές συναντήσεις, ακόμα και στην κάμερα του τηλεφώνου που χρησιμοποιείτε. Τι ακριβώς σημαίνει όμως; Αυτή η ενότητα εξηγεί το θέμα από τα βασικά, χωρίς να πνίγεται στην ορολογία, και συνδέοντάς το με την επαγγελματική σας ζωή. Ο στόχος δεν είναι να σε κάνουν μηχανικό. Για να σας κάνει έναν συνειδητοποιημένο χρήστη που καταλαβαίνει ποια είναι τα εργαλεία που χρησιμοποιείτε και γιατί κάνουν αυτό που κάνουν. Γιατί όσο καλύτερα γνωρίζετε ένα όχημα, τόσο πιο ασφαλές και αποτελεσματικό θα το χρησιμοποιείτε.
Συχνά ακούτε τρεις έννοιες αλληλένδετες: τεχνητή νοημοσύνη, μηχανική μάθηση και το μοντέλο της μεγάλης γλώσσας. Αυτά δεν είναι το ίδιο πράγμα. Στενεύουν όλο και περισσότερο τους δακτυλίους, ο ένας μέσα στον άλλο. Τώρα ας τα εξηγήσουμε ένα προς ένα με καθημερινά παραδείγματα.
Τρεις Έννοιες, Τρεις Αλληλένδετοι Δακτύλιοι
Τεχνητή Νοημοσύνη (AI): Είναι το γενικό όνομα ενός ευρέος πεδίου που επιτρέπει στους υπολογιστές να εκτελούν εργασίες που συνήθως απαιτούν ανθρώπινη νοημοσύνη (κατανόηση, λήψη αποφάσεων, αναγνώριση, χρήση γλώσσας). Ένα πρόγραμμα σκακιού, μια εφαρμογή μετάφρασης και ένας φωνητικός βοηθός βρίσκονται επίσης κάτω από αυτήν την ομπρέλα.
Μηχανική μάθηση (ML): Είναι ο πιο κοινός υπο κλάδος της τεχνητής νοημοσύνης. Εδώ, δεν γράφουμε τους κανόνες στον υπολογιστή έναν προς έναν. Του δείχνουμε πολλά δείγματα και ο ίδιος διαλέγει το μοτίβο στα δείγματα. Εξ ου και το όνομα «μηχανική εκμάθηση»: η μηχανή μαθαίνει από παραδείγματα.
Large Language Model (LLM): Είναι ένας ειδικός τύπος μηχανικής εκμάθησης που ειδικεύεται στο κείμενο. Εκπαιδεύεται με δισεκατομμύρια προτάσεις. Χρησιμοποιείται σε εργασίες όπως η κατανόηση της γλώσσας, η παραγωγή, η περίληψη και η μετάφραση. Αυτή είναι η τεχνολογία πίσω από εργαλεία όπως ChatGPT, Gemini, Claude. Τα εργαλεία αυτής της ενότητας, τα οποία ονομάζουμε "γεννητική τεχνητή νοημοσύνη" (τεχνητή νοημοσύνη που δημιουργεί κείμενο/εικόνα), βασίζονται κυρίως σε LLM.
Συμβουλή: Να θυμάστε αυτό: η τεχνητή νοημοσύνη είναι το μεγαλύτερο κουτί, η μηχανική εκμάθηση είναι το κουτί μέσα σε αυτό και το μεγάλο μοντέλο γλώσσας είναι το πιο εσωτερικό κουτί. «Κάθε LLM είναι προϊόν μηχανικής μάθησης και κάθε μηχανική μάθηση είναι AI, αλλά το αντίστροφο δεν ισχύει πάντα».
Διαφορά με το παραδοσιακό λογισμικό: Ποιος γράφει τους κανόνες;
Αυτή είναι η πιο σημαντική διαφορά για να καταλάβουμε. Στο παραδοσιακό λογισμικό, ένας άνθρωπος (προγραμματιστής) γράφει τους κανόνες έναν προς έναν: "Εάν το ποσό της παραγγελίας υπερβαίνει τα 500 TL, η αποστολή θα είναι δωρεάν." Ο υπολογιστής ακολουθεί κατά γράμμα αυτόν τον κανόνα, ούτε περισσότερο, ούτε λιγότερο.
Στη μηχανική μάθηση, οι άνθρωποι δεν γράφουν τους κανόνες. Το μοντέλο ανακαλύπτει τον ίδιο τον κανόνα από τα παραδείγματα που του παρουσιάζονται. Για παράδειγμα, εμφανίζετε χιλιάδες μηνύματα ηλεκτρονικού ταχυδρομείου "spam" και "not spam". Το ίδιο το μοντέλο μαθαίνει ποιες λέξεις και φράσεις υποδηλώνουν ανεπιθύμητο περιεχόμενο. Κανείς δεν γράφει ένα προς ένα λέγοντας «αν υπάρχει αυτή η λέξη, είναι spam».
χαρακτηριστικό
Παραδοσιακό Λογισμικό
Machine Learning / AI
Ποιος φτιάχνει τους κανόνες;
Ο άνθρωπος γράφει ένα προς ένα
Το μοντέλο συνάγεται από παραδείγματα
Η έξοδος είναι πάντα η ίδια;
Ίδια είσοδος → ίδια έξοδος
Ίδια είσοδος → παρόμοια αλλά μεταβλητή έξοδος
Πότε είναι δυνατό;
Εργαστείτε με σαφείς, οριστικούς κανόνες
Λειτουργεί με πολλά μοτίβα και δύσκολους κανόνες
αξιοπιστία
προβλέψιμος, σταθερός
Στατιστική, απαιτεί επαλήθευση
παράδειγμα
λογαριασμό μισθοδοσίας
Βελτιώστε τον τόνο του email
Αυτή η διαφορά είναι η βάση των θεμάτων "παραισθήσεις" και "επαλήθευσης" που θα μάθετε αργότερα: Επειδή το μοντέλο αντλεί τον κανόνα από μόνο του, μερικές φορές είναι λάθος, επομένως δεν μπορεί να εμπιστευτεί τυφλά την παραγωγή του.
Το βλέπετε ήδη στην καθημερινή σας επαγγελματική ζωή
Μην νομίζετε ότι η τεχνητή νοημοσύνη είναι κάτι νέο. Μάλλον το χρησιμοποιείτε εδώ και χρόνια:
- Το φίλτρο ανεπιθύμητης αλληλογραφίας της θυρίδας ηλεκτρονικού ταχυδρομείου σας (ένα μοντέλο που έχει μάθει ποια μηνύματα ηλεκτρονικού ταχυδρομείου είναι κάδος).
- Πρόβλεψη πληκτρολογίου του τηλεφώνου σας (ένα μικρό μοντέλο γλώσσας που προτείνει την επόμενη λέξη).
- Ειδοποίηση δόλιας συναλλαγής της τράπεζάς σας (μοντέλο που εντοπίζει ασυνήθιστες δαπάνες).
- Οι λειτουργίες αυτόματης συμπλήρωσης και προτάσεων του προγράμματος υπολογιστικών φύλλων σας.
- Συστήματα συστάσεων σε εφαρμογές βίντεο και μουσικής.
Το νέο είναι ότι αυτή η τεχνολογία μπορεί πλέον να μιλάει με φυσική γλώσσα. Γράφεις λοιπόν σαν να μιλάς με ειδικό, και καταλαβαίνει και απαντά. Εδώ βρίσκεται η πραγματική ευκαιρία στο χώρο εργασίας.
Τρεις Μίνι Θήκες
Περίπτωση 1 — Ayşe, υπεύθυνη γραφείου. Κατηγοριοποιούσε χειροκίνητα περίπου 40 email προμηθευτών κάθε εβδομάδα. Χρειάστηκαν κατά μέσο όρο 90 λεπτά. Άρχισε ο βοηθός τεχνητής νοημοσύνης της εταιρείας να χαρακτηρίζει τα email ως «επείγοντα/κανονικά/πληροφορίες». Ο χρόνος μειώθηκε στα 20 λεπτά. Αφιέρωσε ~70 λεπτά αποταμίευσης στον έλεγχο των συμβολαίων. Το AI έμαθε τον ίδιο τον κανόνα. Η Ayşe δεν έγραψε φίλτρα ένα προς ένα.
Περίπτωση 2 — Μεχμέτ, τεχνικός πεδίου. Ο πελάτης έγραφε αρχεία σφαλμάτων σε ελεύθερο κείμενο («η συσκευή ζεσταίνεται, κλείνει κατά διαστήματα»). Ο μάνατζέρ του δεν μπορούσε να διαβάσει και να ταξινομήσει χειροκίνητα αυτές τις 500 εγγραφές. Ένα μοντέλο γλώσσας συνόψισε τις εγγραφές ως "σφάλμα υλικού/λογισμικού/χρήστη" και εξήγαγε το πιο συχνό παράπονο. Το μοντέλο σκιαγράφησε μέσα σε λίγα λεπτά αυτό που θα χρειαζόταν σχεδόν 2 ημέρες για έναν άνθρωπο. η ομάδα επιβεβαίωσε μόνο.
Περίπτωση 3 — Elif, λογιστική. Έβαλε την τεχνητή νοημοσύνη να συνοψίσει ένα νέο νομοθετικό κείμενο και πήρε μια λίστα άρθρων 1 σελίδας από το κείμενο των 12 σελίδων. Όμως ο ίδιος επιβεβαίωσε ένα κρίσιμο ποσοστό από την επίσημη πηγή. γιατί ήταν ένα θέμα που απαιτούσε αριθμητική ακρίβεια. Έτσι, λειτούργησε τόσο γρήγορα όσο και με ασφάλεια.
Αδύναμη προτροπή / Ισχυρή προτροπή
Η γνώση του εργαλείου αλλάζει επίσης τον τρόπο που το ζητάτε. Δύο διαφορετικές ερωτήσεις από τον ίδιο βοηθό:
Αδύναμη προτροπή: Τι είναι η τεχνητή νοημοσύνη;
Αποτέλεσμα: Μια μεγάλη, εγκυκλοπαιδική περιγραφή που δεν είναι συγκεκριμένη για εσάς.
Ισχυρή προτροπή: Είμαι μη τεχνικός υπάλληλος γραφείου. Εξηγήστε τη διαφορά μεταξύ τεχνητής νοημοσύνης, μηχανικής εκμάθησης και μοντέλου μεγάλων γλωσσών με 3 σύντομες κουκκίδες και ένα παράδειγμα από την καθημερινή ζωή για το καθένα. Χρησιμοποιήστε απλά τουρκικά.
Αποτέλεσμα: Μια εύχρηστη απάντηση κατάλληλη για το ρόλο, το επίπεδο και τον σκοπό σας. Διαφορά: δώσατε πλαίσιο, κοινό και μορφή.
Αντιγράψιμα πρότυπα
Βοηθήστε με να μάθω μια τεχνολογία.Θέμα: [π.χ. μηχανική εκμάθηση]Εγώ: [ο ρόλος μου / το επίπεδο γνώσεών μου] Θέλω: Μια απλή εξήγηση σε 5 στοιχεία + ένα παράδειγμα από την επιχειρηματική ζωή για κάθε αντικείμενο + μια περίληψη με 1 πρόταση "να το έχετε υπόψη σας" στο τέλος.
Δείξτε μου πού συναντώ την ακόλουθη έννοια στην καθημερινή ζωή: Έννοια: [π.χ. Σύστημα συστάσεων]Δώστε μου 5 ρεαλιστικά παραδείγματα και εξήγησε με μία πρόταση τι ακριβώς κάνει το AI σε κάθε ένα.
Συγκρίνετε αυτές τις δύο έννοιες και βάλτε τις σε έναν πίνακα: Έννοια Α: [παραδοσιακό λογισμικό] Έννοια Β: [μηχανική εκμάθηση]Στήλες: ποιος θέτει τον κανόνα, είναι η σταθερά εξόδου, πότε είναι ισχυρή, ένα παράδειγμα.
Απλοποιήστε την παρακάτω πρόταση σαν να την εξηγείτε σε έναν μη τεχνικό συνάδελφο. Εάν υπάρχει ορολογία, προσθέστε μια σύντομη εξήγηση σε παρένθεση. Πρόταση: [επικολλήστε εδώ]
Κοινά λάθη
Συνήθη λάθη
- Σκέψη "AI = ρομπότ / συνείδηση". Τα σημερινά οχήματα δεν σκέφτονται ούτε αισθάνονται. αναγνωρίζει μοτίβα και δημιουργεί πιθανές συνέχειες. Το να ξεχάσετε αυτό οδηγεί σε υπερβολικές προσδοκίες και απογοήτευση.
- Αντιμετώπιση κάθε εξόδου AI ως οριστική αλήθεια. Το μοντέλο λειτουργεί στατιστικά. Είναι επικίνδυνο να χρησιμοποιείτε αριθμούς, ημερομηνίες και πηγές που απαιτούν ακρίβεια χωρίς την επαλήθευση τους.
- Λέγοντας «Αυτή η δουλειά είναι μακριά μου» και δεν προσπαθώ ποτέ. Η τεχνητή νοημοσύνη εξοικονομεί περισσότερο χρόνο σε κουραστικές και επαναλαμβανόμενες εργασίες των μη τεχνικών υπαλλήλων. Όσοι δεν προσπαθήσουν θα χάσουν την ευκαιρία.
- Θέτοντας μονολεκτικές ερωτήσεις χωρίς πλαίσιο. Εάν δεν πείτε στο εργαλείο ποιος είστε και τι θέλετε, θα λάβετε γενικές, άχρηστες απαντήσεις.
Προσοχή: Η «μάθηση» της τεχνητής νοημοσύνης δεν μοιάζει με την ανθρώπινη μάθηση. Το μοντέλο «μαθαίνει» όχι κατανοώντας τον κόσμο αλλά αποτυπώνοντας στατιστικά πρότυπα στα δεδομένα. Έτσι μπορεί να μιλάει πολύ άπταιστα αλλά παρόλα αυτά να έχει λάθος ένα βασικό γεγονός. Η ευχέρεια δεν αποτελεί εγγύηση για την ακρίβεια.
Συνοπτικά
- Η τεχνητή νοημοσύνη είναι η ευρύτερη ομπρέλα. Η μηχανική εκμάθηση είναι ο υποκλάδος του που μαθαίνει από παραδείγματα. Το μοντέλο μεγάλων γλωσσών (LLM) είναι ένας τύπος μηχανικής εκμάθησης που ειδικεύεται στη γλώσσα.
- Κύρια διαφορά: Στο παραδοσιακό λογισμικό, ο άνθρωπος γράφει τον κανόνα. Στη μηχανική μάθηση, το μοντέλο εξάγει τον κανόνα από τα παραδείγματα.
- Η τεχνητή νοημοσύνη είναι ήδη στη ζωή σας: φίλτρο ανεπιθύμητης αλληλογραφίας, πρόβλεψη πληκτρολογίου, ειδοποίηση ψεύτικων συναλλαγών, συστήματα συστάσεων. Το νέο είναι ότι μπορεί να μιλήσει σε φυσική γλώσσα.
- Επειδή το μοντέλο λειτουργεί στατιστικά, είναι ρευστό, αλλά δεν είναι πάντα ακριβές. αυτή είναι η βάση για τις επόμενες μονάδες (ψευδαίσθηση, επαλήθευση).
Εργασία εφαρμογής
Ανοίξτε ένα εργαλείο τεχνητής νοημοσύνης που χρησιμοποιείτε και εξηγήστε στον εαυτό σας τη διαφορά μεταξύ μηχανικής εκμάθησης και μοντέλου μεγάλης γλώσσας με το πρότυπο "Ισχυρή προτροπή" παραπάνω. Στη συνέχεια, σημειώστε 3 θέσεις στη δική σας επιχείρηση όπου χρησιμοποιείται ήδη (ή θα μπορούσε να χρησιμοποιηθεί) η τεχνητή νοημοσύνη. Για καθένα, "Τι ακριβώς είναι/θα μπορούσε να κάνει η AI εδώ;" Απαντήστε στην ερώτηση με μία πρόταση.
Λίστα ελέγχου
- [ ] Μπορώ να διακρίνω μεταξύ τεχνητής νοημοσύνης, μηχανικής μάθησης και LLM.
- [ ] Μπορώ να εξηγήσω τη διαφορά "ποιος γράφει τους κανόνες" μεταξύ του παραδοσιακού λογισμικού και της μηχανικής εκμάθησης.
- [ ] Γνωρίζω τουλάχιστον 3 παραδείγματα τεχνητής νοημοσύνης στην καθημερινή μου ζωή.
- [ ] Δίνοντας πλαίσιο, κοινό και μορφή, μπορώ να κάνω μια πιο δυνατή ερώτηση.
- [ ] Γνωρίζω ότι το ότι η τεχνητή νοημοσύνη είναι ομαλή δεν σημαίνει ότι είναι ακριβής.