Hva er kunstig intelligens, maskinlæring og LLM?

Gevinster:

Kan skille mellom begrepene kunstig intelligens, maskinlæring og stor språkmodell
Forklar hvordan disse teknologiene skiller seg fra tradisjonell programvare
Kan gjenkjenne AI-eksempler man møter i det daglige forretningslivet

De siste årene har ordet "kunstig intelligens" vært overalt: i nyhetene, i reklame, i forretningsmøter, til og med i kameraet på telefonen du bruker. Men hva betyr det egentlig? Denne enheten forklarer emnet fra det grunnleggende, uten å drukne i sjargong, og ved å koble det til ditt forretningsliv. Målet er ikke å gjøre deg til en ingeniør; For å gjøre deg til en bevisst bruker som forstår hva verktøyene du bruker er og hvorfor de gjør som de gjør. For jo bedre du kjenner et kjøretøy, jo tryggere og mer effektivt vil du bruke det.

Du hører ofte tre begreper flettet sammen: kunstig intelligens, maskinlæring og den store språkmodellen. Dette er ikke det samme; De er stadig mer smalere ringer, den ene inni den andre. La oss nå forklare disse en etter en med daglige eksempler.

Tre konsepter, tre sammenlåsende ringer

Kunstig intelligens (AI): Det er det generelle navnet på et bredt felt som gjør det mulig for datamaskiner å utføre oppgaver som normalt krever menneskelig intelligens (forståelse, beslutningstaking, anerkjennelse, bruk av språk). Et sjakkprogram, en oversettelsesapplikasjon og en stemmeassistent er også under denne paraplyen.

Maskinlæring (ML): Det er den vanligste undergrenen av kunstig intelligens. Her skriver vi ikke reglene inn i datamaskinen én etter én; Vi viser ham massevis av prøver og han plukker ut mønsteret i prøvene selv. Derav navnet "maskinlæring": maskinen lærer fra eksempler.

Large Language Model (LLM): Det er en spesiell type maskinlæring som spesialiserer seg på tekst. Den trenes med milliarder av setninger; Det brukes i oppgaver som å forstå språket, produsere, oppsummere og oversette. Dette er teknologien bak verktøy som ChatGPT, Gemini, Claude. Verktøyene i denne modulen, som vi kaller "generativ AI" (tekst/bilde-genererende AI), er stort sett LLM-basert.

Hint: Husk dette: AI er den største boksen, maskinlæring er boksen inni den, og den store språkmodellen er den innerste boksen. "Hver LLM er et produkt av maskinlæring, og hver maskinlæring er en AI, men det motsatte er ikke alltid sant."

Forskjellen med tradisjonell programvare: Hvem skriver reglene?

Dette er den viktigste forskjellen å forstå. I tradisjonell programvare skriver et menneske (programmerer) reglene én etter én: "Hvis ordrebeløpet overstiger 500 TL, vil frakten være gratis." Datamaskinen følger denne regelen til punkt og prikke, verken mer eller mindre.

I maskinlæring skriver ikke mennesker reglene; Modellen oppdager selve regelen fra eksemplene vist til den. For eksempel viser du tusenvis av "spam" og "ikke spam" e-poster; Modellen lærer selv hvilke ord og uttrykk som indikerer spam. Ingen skriver en etter en og sier "hvis det er dette ordet, er det spam".

funksjon

Tradisjonell programvare

Maskinlæring / AI

Hvem lager reglene?

Mennesket skriver en etter en

Modellen utleder fra eksempler

Er utgangen alltid den samme?

Samme inngang → samme utgang

Samme inngang → lignende, men variabel utgang

Når er den sterk?

Arbeid med klare, definitive regler

Jobber med mange mønstre og vanskelige regler

pålitelighet

forutsigbar, stødig

Statistisk, krever verifisering

eksempel

lønnskonto

Forbedre e-posttonen

Denne forskjellen er grunnlaget for emnene "hallusinasjon" og "verifisering" du vil lære senere: Fordi modellen utleder selve regelen, er den noen ganger feil, så utgangen kan ikke stoles blindt på.

Du ser det allerede i ditt daglige forretningsliv

Tror ikke AI er noe nytt; Du har sannsynligvis brukt det i årevis:

E-postboksens spamfilter (en modell som har lært hvilke e-poster som er søppel).
Telefonens tastaturprediksjon (en liten språkmodell som foreslår neste ord).
Bankens varsel om svindeltransaksjoner (modell som oppdager uvanlige utgifter).
Regnearkprogrammets autofyll- og forslagsfunksjoner.
Anbefalingssystemer i video- og musikkapplikasjoner.

Det nye er at denne teknologien nå kan snakke med naturlig språk. Så du skriver som om du snakket med en ekspert, og han forstår og svarer. Det er her den virkelige muligheten ligger på arbeidsplassen.

Tre minivesker

Sak 1 — Ayşe, kontorsjef. Han kategoriserte rundt 40 leverandør-e-poster manuelt hver uke; Det tok i gjennomsnitt 90 minutter. Det begynte å få selskapets AI-assistent til å merke e-poster som «haster/normal/info». Tiden ble redusert til 20 minutter; Han viet ~70 minutter spart til kontraktskontroll. AI'en lærte seg selve regelen; Ayşe skrev ikke filtre ett etter ett.

Sak 2 - Mehmet, felttekniker. Kunden skrev feilregistreringer i fritekst ("enheten blir varm, slår seg av med jevne mellomrom"). Hans leder kunne ikke lese og klassifisere disse 500 postene manuelt. En språkmodell oppsummerte postene som "maskinvare/programvare/brukerfeil" og hentet ut den hyppigste klagen. Modellen skisserte i løpet av minutter hva som ville ta nesten 2 dager for et menneske; laget bare bekreftet.

Sak 3 — Elif, regnskap. Han fikk AI til å oppsummere en ny lovtekst og tok en 1-sides liste med artikler fra den 12-siders teksten. Men han bekreftet selv en kritisk prosentandel fra den offisielle kilden; fordi det var en sak som krevde numerisk presisjon. Dermed fungerte det både raskt og sikkert.

Svak forespørsel / sterk forespørsel

Å kjenne til verktøyet endrer også hvordan du spør om det. To forskjellige spørsmål fra samme assistent:

Svak melding: Hva er kunstig intelligens?

Resultat: En lang, leksikon beskrivelse som ikke er spesifikk for deg.

Sterk oppfordring: Jeg er en ikke-teknisk kontorarbeider. Forklar forskjellen mellom kunstig intelligens, maskinlæring og stor språkmodell med 3 korte kulepunkter og et eksempel fra dagliglivet for hver. Bruk vanlig tyrkisk.

Resultat: Et brukbart svar som passer til din rolle, nivå og formål. Forskjell: du ga kontekst, publikum og format.

Kopierbare maler

Hjelp meg å lære en teknologi.Tema: [f.eks. maskinlæring]Meg: [min rolle / mitt kunnskapsnivå]Jeg vil ha: En enkel forklaring i 5 punkter + et eksempel fra næringslivet for hvert element + en 1-setnings "husk på det" sammendrag til slutt.

Vis meg hvor jeg møter følgende konsept i dagliglivet: Konsept: [f.eks. anbefalingssystem]Gi meg 5 realistiske eksempler og forklar i én setning nøyaktig hva AI-en gjør i hver enkelt.

Sammenlign disse to konseptene og sett dem i en tabell: Konsept A: [tradisjonell programvare] Konsept B: [maskinlæring] Kolonner: hvem som setter regelen, er utgangskonstanten, når er den sterk, et eksempel.

Forenkle følgende setning som om du forklarer den til en ikke-teknisk kollega. Hvis det er sjargong, legg til en kort forklaring i parentes. Setning: [lim inn her]

Vanlige feil

Tenker "AI = robot / bevissthet". Dagens kjøretøy tenker eller føler ikke; gjenkjenner mønstre og genererer mulige oppfølgere. Å glemme dette fører til overdrevne forventninger og skuffelse.
Behandle hver AI-utgang som definitiv sannhet. Modellen fungerer statistisk; Det er risikabelt å bruke tall, datoer og kilder som krever presisjon uten å verifisere dem.
Å si "Denne jobben er langt fra meg" og aldri prøve. AI sparer mest tid på kjedelige og repeterende oppgaver til ikke-tekniske ansatte. De som ikke prøver vil gå glipp av muligheten.
Stille ett-ords spørsmål uten kontekst. Hvis du ikke forteller verktøyet hvem du er og hva du vil ha, vil du få generiske, ubrukelige svar.

Forsiktig: AI "læring" er ikke som menneskelig læring. Modellen "lærer" ikke ved å forstå verden, men ved å fange opp statistiske mønstre i dataene. Så han kan snakke veldig flytende, men likevel få et grunnleggende faktum feil. Flytende er ingen garanti for nøyaktighet.

Oppsummert

Kunstig intelligens er den bredeste paraplyen; maskinlæring er dens undergren som lærer av eksempler; Stor språkmodell (LLM) er en type maskinlæring som spesialiserer seg på språk.
Hovedforskjell: I tradisjonell programvare skriver mennesket regelen; I maskinlæring trekker modellen ut regelen fra eksemplene.
AI er allerede i livet ditt: spamfilter, tastaturprediksjon, falsk transaksjonsvarsling, anbefalingssystemer. Det nye er at den kan snakke på naturlig språk.
Fordi modellen fungerer statistisk, er den flytende, men den er ikke alltid nøyaktig; dette er grunnlaget for påfølgende enheter (hallusinasjon, verifikasjon).

Søknadsoppgave

Åpne et AI-verktøy du bruker og forklar for deg selv forskjellen mellom maskinlæring og stor språkmodell med malen "Kraftig ledetekst" ovenfor. Skriv så ned 3 steder i din egen virksomhet hvor AI allerede er i bruk (eller kan brukes). For hver, "Hva er/kunne AI gjøre her?" Svar på spørsmålet i én setning.

Sjekkliste

[ ] Jeg kan skille mellom kunstig intelligens, maskinlæring og LLM.
[ ] Jeg kan forklare "hvem skriver reglene" forskjellen mellom tradisjonell programvare og maskinlæring.
[ ] Jeg kjenner til minst 3 eksempler på kunstig intelligens i mitt daglige liv.
[ ] Ved å gi kontekst, publikum og format, kan jeg stille et sterkere spørsmål.
[ ] Jeg vet at bare fordi AI er jevn, betyr det ikke at den er nøyaktig.