سود:
- توکن می تواند به طور شهودی مفاهیم احتمال و پیش بینی را توضیح دهد
- درک می کند که چرا یک مدل زبان متن را "تقطی" تولید می کند
- می تواند تفسیر کند که چرا مدل گاهی قاطعانه و گاهی خلاقانه رفتار می کند
وقتی در مدل زبانی «بهترین چیز درباره استانبول» را می نویسید، در چند ثانیه یک پاراگراف روان تولید می کند. چگونه این اتفاق می افتد؟ آیا این مدل واقعاً «فکر میکند» یا مکانیزم بسیار سادهتر اما قدرتمندی پشت آن وجود دارد؟ در این بخش نحوه عملکرد هوش مصنوعی مولد را بدون وارد شدن به معادلات فنی و با ایجاد شهود درست توضیح خواهیم داد. این شهود مبنایی برای هر چیزی است که در ادامه میآید - بهویژه موضوعات توهم، تأیید، و نوشتن سریع خوب. هوش مصنوعی مولد، یعنی "هوش مصنوعی مولد"، نام رایج ابزارهایی است که به جای یافتن و واکشی پاسخ موجود، متن را از ابتدا ایجاد می کنند.
ایده اصلی: پیش بینی قطعه بعدی
نکته شگفتانگیز این است که تنها کار اساسی که یک مدل زبان یاد میگیرد این است که «به احتمال زیاد کدام قسمت از متن دنبال میشود؟» برای پاسخ به سوال است. مدل یک جمله کامل تهیه نمی کند و پیش روی شما قرار می دهد. در عوض، جمله را قطعه قطعه، از چپ به راست تولید می کند.
در اینجا نحوه کار گام به گام آورده شده است:
- متنی را که می نویسید می خواند.
- محتمل ترین قسمتی که این متن را دنبال می کند را پیش بینی می کند.
- آن قطعه را اضافه می کند.
- دوباره به متن تازه شکل گرفته نگاه می کند و محتمل ترین قطعه بعدی را حدس می زند.
- تکرار می شود تا پاسخ کامل شود.
مثال: اگر به مدل متن «صبح که از خواب بیدار میشوید یک فنجان داغ بخورید...» داده باشید، محتملترین ادامه آن «چای» یا «قهوه» خواهد بود. نه "آسفالت". این مدل چنین احتمالاتی را از میلیون ها متن یاد گرفته است. سپس "چای" را اضافه می کند، سپس به جمله جدید نگاه می کند و محتمل ترین قسمت بعدی را حدس می زند و غیره.
به عبارت دیگر، در هر مرحله، مدل با مشاهده آنچه نوشته است، قدم بعدی را برمی دارد. به همین دلیل است که گاهی اوقات به آن "نسخه بسیار پیشرفته تکمیل خودکار" می گویند. اما این قیاس نباید استعداد را کمرنگ کند; در مقیاس مناسب، این پیشبینی میتواند نتایجی شبیه استدلال ایجاد کند.
نشانه: تکه های کوچک یک کلمه
این مدل در واقع نه با "کلمات" کامل، بلکه با قطعات کوچکتر به نام توکن کار می کند. یک نشانه؛ گاهی یک کلمه کامل است، گاهی بخشی از یک کلمه است، گاهی اوقات یک علامت نقطه گذاری است.
- "کتاب" می تواند یک نشانه واحد باشد.
- «از کتابهای ما» را میتوان به چندین نشانه مانند «کتاب»، «س»، «ما»، «از» تقسیم کرد.
- فاصله ها و علائم نگارشی نیز به عنوان نشانه به حساب می آیند.
توجه: توکن فقط یک جزئیات فنی نیست. بیشتر ابزارهای هوش مصنوعی بر اساس تعداد توکن ها شارژ می شوند و طول متن (پنجره زمینه) مدل ها که می توانند در یک زمان پردازش کنند نیز در توکن ها محدود است. بنابراین «چه مدت می نویسید» یک هزینه و محدودیت مستقیم است.
احتمال و "گرمی": عزم یا خلاقیت؟
در هر مرحله، مدل نه یک پاسخ قطعی، بلکه فهرست احتمالی از ادامههای ممکن را تولید میکند. به عنوان مثال، بعد از کلمه "گرم": چای 55٪، قهوه 35٪، شیر 7٪، بقیه 3٪. پس او کدام را انتخاب می کند؟
در اینجا تنظیمی به نام دما وارد عمل می شود. دما نوعی دستگیره خلاقیت است که تعیین می کند مدل چقدر "ریسک" می کند.
تنظیم
رفتار
نتیجه گیری
کجا مفید است؟
دمای پایین
همیشه محتمل ترین گزینه را انتخاب می کند
پایدار، قابل تکرار
خلاصه حقوقی، توضیحات فنی، استخراج داده ها
دمای متوسط
انتخاب متعادل
طبیعی اما سازگار
ایمیل عمومی، پیش نویس گزارش
دمای بالا
گزینه های کمتر محتمل را امتحان می کند
خلاق، متنوع، غیر قابل پیش بینی
طوفان فکری، شعار، تولید نام
این همچنین سؤال متداول را توضیح می دهد: "چرا وقتی یک سوال را دو بار می پرسم، پاسخ های متفاوتی دریافت می کنم؟" زیرا در فرآیند انتخاب تصادفی وجود دارد. مدل یک پاسخ ثابت از یک پایگاه داده نمی گیرد، آن را هر بار بازتولید می کند.
اعلان ضعیف / اعلان قوی
دانستن اینکه مدل با "احتمال" کار می کند، نحوه دستور دادن به آن را نیز تغییر می دهد. هرچه زمینه بیشتری ارائه دهید، احتمال ادامه صحیح بیشتر می شود.
اعلان ضعیف: یک متن مقدماتی بنویسید.
نتیجه: مدل «متوسطترین» و کلیترین متن را تولید میکند، زیرا نمیداند کدام محصول، کدام مخاطب، کدام لحن.
اعلان قوی: یک متن تبلیغاتی اینستاگرام برای قهوه فیلتر جدید یک کافه کوچک بنویسید. مخاطب: 25-35 ساله، علاقمند به قهوه. لحن: دوستانه، کوتاه. حداکثر 3 جمله، 2 هشتگ در پایان.
نتیجه: یک متن قابل استفاده که مرتبط است زیرا زمینه احتمالات را محدود می کند.
سه کیف کوچک
مورد 1 - بازاریابی، تنوع بالا. یک تیم 30 شعار برای یک محصول جدید می خواست. این مدل با تنظیم دمای بالا، گزینههای متفاوت و خلاقانهای را تولید کرد. تیم از 30 4 مورد را انتخاب و توسعه داد. زمان کل: 10 دقیقه. اگر با دست انجام می شد نصف روز طول می کشید.
مورد 2 - قانون، عزم بالا. تیم حقوقی همان شرکت در حال ساده سازی یک بند قرارداد بود. آنها ثبات می خواستند، نه خلاقیت. با دمای پایین، مدل تقریباً هر بار خلاصه ای محافظه کارانه یکسان ارائه می دهد. بنابراین، هیچ تناقضی بین کارآزماییهای مختلف وجود نداشت.
مورد 3 - "چرا تغییر کرد؟" سوال یک کارمند دو بار پیش نویس ایمیل مشابه را درخواست کرد و دو نتیجه متفاوت دریافت کرد. او فکر کرد که این یک "اشتباه" است. در واقع، این نتیجه طبیعی تصادفی بودن مدل است. وقتی کارمند یاد گرفت نسخه ای را که دوست دارد ذخیره کند و در صورت لزوم بگوید "مثل نسخه قبلی بساز"، مشکلی وجود نداشت.
آیا مدل آن را "دریافت" می کند؟
این عجیب ترین سوال است. این مدل روابط آماری بین کلمات را چنان به طور کامل یاد گرفته است که وانمود می کند بسیاری از وظایف را درک می کند. اما هیچ درک آگاهانه، قصد یا مکانیسم کنترل واقعیت ندارد. "محتمل ترین دنباله" را تولید می کند. تولید "دقیق ترین اطلاعات" را تضمین نمی کند. این تمایز مبنای موضوع توهم است که در واحدهای بعدی به آن خواهیم پرداخت.
اشتباهات رایج
اشتباهات رایج
- اشتباه گرفتن مدل با موتور جستجو این مدل در اینترنت جستجو نمی کند و منابع را بازیابی نمی کند (مگر اینکه ویژگی جستجوی خاصی وجود داشته باشد). متن احتمالی را از حافظه تولید می کند. بنابراین او می تواند منبع/شکل را بسازد.
- اشتباه گرفتن تسلط با دقت فقط به این دلیل که متن زیبا و مطمئن است به این معنی نیست که محتوای آن صحیح است.
- هر بار انتظار پاسخ یکسانی را داشته باشید. تصادفی بودن طبیعی است. خروجی مورد علاقه خود را برای کارهای مهم ذخیره کنید.
- چسباندن متن بسیار طولانی و غیر ضروری و فشار دادن محدودیت رمز. طول هم هزینه را افزایش می دهد و هم می تواند تمرکز مدل را منحرف کند. فقط زمینه لازم را ارائه دهید.
توجه: صرف اینکه مدل روان و با اعتماد به نفس صحبت می کند به این معنی نیست که او درست صحبت می کند. تسلط نتیجه طبیعی تخمین احتمال است. دقت چیزی است که باید جداگانه و مستقل بررسی شود.
به طور خلاصه
- هوش مصنوعی مولد، متن را گام به گام با پیشبینی بخش بعدی (توکن) تولید میکند. جمله را قطعه قطعه می سازد.
- توکنها بخشهای کوچکتری از کلمات هستند و محدودیتهای هزینه و طول را تعیین میکنند.
- در هر مرحله، مدل فهرستی از احتمالات را تولید می کند. تنظیم دما تعیین می کند که خروجی چقدر پایدار یا خلاقانه خواهد بود.
- دلیل پاسخ های متفاوت به یک سوال به دلیل تصادفی بودن ذاتی این فرآیند است.
- مدل روان صحبت می کند، اما این تضمین نمی کند که او حقیقت را می گوید. تسلط و دقت چیزهای متفاوتی هستند.
وظیفه برنامه
دو بار پشت سر هم به ابزار هوش مصنوعی خود همان کار خلاقانه را بدهید (مثلاً «یک یادداشت تشکر سریع بنویسید») و مشاهده کنید که چگونه خروجی ها متفاوت است. سپس همان کار را با الگوی «اعلان قدرتمند» تکرار کنید، زمینه را اضافه کنید و تفاوت کیفیت بین دو نتیجه را یادداشت کنید.
چک لیست
- [ ] می توانم توضیح دهم که مدل با "پیش بینی تکه بعدی ممکن" متن را تولید می کند.
- من میدانم توکن [ ] چیست و چرا مخفف هزینه/محدودیت است.
- [ ] من می توانم بین مشاغلی که نیاز به عزم و اراده دارند و مشاغلی که به خلاقیت نیاز دارند تمایز قائل شوم.
- [ ] می دانم دریافت پاسخ های متفاوت برای یک سوال طبیعی است.
- [ ] من درونی کرده ام که تسلط تضمینی برای صحت نیست.