Добивки:
- Може да прави разлика помеѓу концептите на вештачка интелигенција, машинско учење и модел на голем јазик
- Објаснете како овие технологии се разликуваат од традиционалниот софтвер
- Може да препознае примери за вештачка интелигенција што се среќаваат во секојдневниот деловен живот
Во последниве години, зборот „вештачка интелигенција“ е насекаде: во вестите, во рекламите, на деловните состаноци, дури и во камерата на телефонот што го користите. Но, што точно значи тоа? Оваа единица ја објаснува темата од основите, без да се дави во жаргон и поврзувајќи ја со вашиот деловен живот. Целта не е да ве направат инженер; Да ве направи свесен корисник кој разбира кои се алатките што ги користите и зошто го прават тоа што го прават. Бидејќи колку подобро го познавате возилото, толку побезбедно и поефикасно ќе го користите.
Често слушате испреплетени три концепти: вештачка интелигенција, машинско учење и модел на големи јазици. Овие не се иста работа; Тие се повеќе ги стеснуваат прстените, еден во друг. Сега да ги објасниме овие еден по еден со секојдневни примери.
Три концепти, три испреплетени прстени
Вештачка интелигенција (АИ): Тоа е општо име на широко поле кое им овозможува на компјутерите да извршуваат задачи кои вообичаено бараат човечка интелигенција (разбирање, одлучување, препознавање, користење јазик). Под овој чадор се и шаховска програма, апликација за превод и гласовен асистент.
Машинско учење (ML): Тоа е најчестата подгранка на вештачката интелигенција. Овде, ние не ги запишуваме правилата во компјутерот еден по еден; Му покажуваме многу примероци и тој самиот ја одбира шемата во примероците. Оттука и името „машинско учење“: машината учи од примери.
Модел на голем јазик (LLM): Тоа е посебен вид на машинско учење што е специјализирано за текст. Се тренира со милијарди реченици; Се користи во задачи како што се разбирање на јазикот, производство, сумирање и преведување. Ова е технологијата зад алатките како ChatGPT, Gemini, Claude. Алатките во овој модул, кои ги нарекуваме „генеративна вештачка интелигенција“ (Ви генерира текст/слика), главно се базирани на LLM.
Совет: Запомнете го ова: ВИ е најголемата кутија, машинското учење е кутијата во неа, а големиот јазичен модел е највнатрешната кутија. „Секој LLM е производ на машинско учење и секое машинско учење е ВИ, но обратното не е секогаш точно“.
Разлика со традиционалниот софтвер: Кој ги пишува правилата?
Ова е најважната разлика што треба да се разбере. Во традиционалниот софтвер, човек (програмер) ги пишува правилата еден по еден: „Ако износот на нарачката надмине 500 TL, испораката ќе биде бесплатна“. Компјутерот до буква го следи ова правило, ни повеќе, ни помалку.
Во машинското учење, луѓето не ги пишуваат правилата; Моделот го открива самото правило од примерите што му се прикажани. На пример, прикажувате илјадници „спам“ и „не спам“ е-пошта; Самиот модел учи кои зборови и фрази укажуваат на спам. Никој не пишува еден по еден велејќи „ако го има овој збор, тоа е спам“.
карактеристика
Традиционален софтвер
Машинско учење / ВИ
Кој ги прави правилата?
Човекот пишува еден по еден
Моделот заклучува од примери
Дали излезот е секогаш ист?
Ист влез → ист излез
Ист влез → сличен, но променлив излез
Кога е јако?
Работете со јасни, дефинитивни правила
Работи со многу обрасци и тешки правила
сигурност
предвидливо, стабилно
Статистички, бара проверка
пример
платен список
Подобрете го тонот на е-пошта
Оваа разлика е основата на темите за „халуцинација“ и „проверка“ што ќе ги научите подоцна: Бидејќи моделот го изведува самиот правило, понекогаш е погрешен, па затоа не може слепо да му се верува на неговиот излез.
Веќе го гледате во вашиот секојдневен деловен живот
Немојте да мислите дека вештачката интелигенција е нешто ново; Веројатно сте го користеле со години:
- Филтер за спам на вашето поле за е-пошта (модел што научи кои е-пораки се ѓубре).
- Предвидување на тастатурата на вашиот телефон (мал јазичен модел што го сугерира следниот збор).
- Предупредување за лажни трансакции на вашата банка (модел што открива невообичаено трошење).
- Функциите за автоматско пополнување и предлози на вашата програма за табеларни пресметки.
- Системи за препораки во апликации за видео и музика.
Она што е ново е тоа што оваа технологија сега може да зборува со природен јазик. Значи пишуваш како да зборуваш со експерт, а тој разбира и одговара. Ова е местото каде што вистинската можност лежи на работното место.
Три мини футроли
Случај 1 - Ајше, менаџер на канцеларија. Тој рачно категоризираше околу 40 е-пошта на добавувачи секоја недела; Во просек беа потребни 90 минути. Асистентот за вештачка интелигенција на компанијата почна да ги означува е-поштата како „итни/нормални/информации“. Времето беше намалено на 20 минути; Тој посвети ~ 70 зачувани минути за контрола на договорот. ВИ го научи самото правило; Ајше не пишуваше филтри еден по еден.
Случај 2 - Мехмет, теренски техничар. Клиентот пишуваше записи за грешки во бесплатен текст („уредот се загрева, наизменично се исклучува“). Неговиот менаџер не можел рачно да ги чита и класифицира овие 500 записи. Јазичниот модел ги сумираше записите како „хардвер/софтвер/корисничка грешка“ и ја извлече најчестата поплака. Манекенката за неколку минути го скицирала тоа што на човекот би му траело скоро 2 дена; тимот само потврди.
Случај 3 - Елиф, сметководство. Тој побара вештачката интелигенција да резимира нов законски текст и зеде листа на написи од 1 страница од текстот од 12 страници. Но, тој самиот потврди критичен процент од официјалниот извор; бидејќи тоа беше работа која бараше нумеричка прецизност. Така, работеше и брзо и безбедно.
Слаба навестување / Силен навестување
Познавањето на алатката го менува и начинот на кој ја прашувате. Две различни прашања од истиот асистент:
Слаб предлог: Што е вештачка интелигенција?
Резултат: Долг, енциклопедиски опис што не е специфичен за вас.
Силен поттик: Јас сум нетехнички канцелариски работник. Објаснете ја разликата помеѓу вештачката интелигенција, машинското учење и моделот на големи јазици со 3 кратки точки и пример од секојдневниот живот за секој. Користете обичен турски јазик.
Резултат: корисен одговор соодветен на вашата улога, ниво и цел. Разлика: дадовте контекст, публика и формат.
Шаблони за копирање
Помогни ми да научам технологија.Тема: [на пр. машинско учење]Јас: [мојата улога / нивото на моето знаење] Сакам: Едноставно објаснување во 5 ставки + пример од деловниот живот за секоја ставка + резиме од 1 реченица „задржи го на ум“ на крајот.
Покажи ми каде се среќавам со следниот концепт во секојдневниот живот: Концепт: [на пр. систем за препораки]Дајте ми 5 реални примери и објаснете во една реченица што точно прави вештачката интелигенција во секој од нив.
Споредете ги овие два концепта и ставете ги во табела: Концепт А: [традиционален софтвер] Концепт Б: [машинско учење] Колони: кој го поставува правилото, е излезната константа, кога е силна, пример.
Поедноставете ја следнава реченица како да му објаснувате на колега што не е технички. Ако има жаргон, додадете кратко објаснување во загради. Реченица: [залепете овде]
Вообичаени грешки
Вообичаени грешки
- Размислување „AI = робот / свест“. Денешните возила не размислуваат ниту чувствуваат; препознава шаблони и генерира можни продолженија. Заборавањето на ова води до претерани очекувања и разочарување.
- Третирање на секој излез на ВИ како конечна вистина. Моделот работи статистички; Ризично е да се користат бројки, датуми и извори за кои е потребна прецизност без нивна проверка.
- Кажувајќи „Оваа работа е далеку од мене“ и никогаш не се обидувате. Вештачката интелигенција најмногу заштедува време на досадни и повторувачки задачи на нетехничките вработени. Оние кои нема да се обидат ќе ја пропуштат можноста.
- Поставување прашања со еден збор без контекст. Ако не ѝ кажете на алатката кој сте и што сакате, ќе добиете генерички, бескорисни одговори.
Внимание: „Учењето“ со вештачка интелигенција не е како човечкото учење. Моделот „учи“ не со разбирање на светот, туку со доловување на статистички обрасци во податоците. Така, тој може да зборува многу течно, но сепак погрешно го сфаќа основниот факт. Течноста не е гаранција за точноста.
Сумирано
- Вештачката интелигенција е најширокиот чадор; машинското учење е нејзина подгранка која учи од примери; Голем јазичен модел (LLM) е тип на машинско учење што е специјализирано за јазик.
- Главна разлика: во традиционалниот софтвер, човекот го пишува правилото; Во машинското учење, моделот го извлекува правилото од примерите.
- Вештачката интелигенција е веќе во вашиот живот: филтер за спам, предвидување на тастатурата, предупредување за лажни трансакции, системи за препораки. Она што е ново е тоа што може да зборува на природен јазик.
- Бидејќи моделот работи статистички, тој е флуиден, но не е секогаш точен; ова е основа за следните единици (халуцинации, верификација).
Задача за апликација
Отворете ја алатката за вештачка интелигенција што ја користите и објаснете си ја разликата помеѓу машинското учење и големиот јазичен модел со шаблонот „Моќен потсетник“ погоре. Потоа запишете 3 места во вашиот сопствен бизнис каде вештачката интелигенција веќе се користи (или може да се користи). За секој, „Што точно е/може вештачката интелигенција да направи овде?“ Одговори на прашањето во една реченица.
Список за проверка
- [ ] Можам да разликувам вештачка интелигенција, машинско учење и LLM.
- [ ] Можам да ја објаснам разликата „кој ги пишува правилата“ помеѓу традиционалниот софтвер и машинското учење.
- [ ] Знам најмалку 3 примери на вештачка интелигенција во мојот секојдневен живот.
- [ ] Со давање контекст, публика и формат, можам да поставам посилно прашање.
- [ ] Знам дека само затоа што вештачката интелигенција е мазна, не значи дека е точна.