"La IA es el arco y la flecha del Neolítico." La capacidad de aprendizaje formada por la IA depende de la escala de parámetros. GPT-2 tiene alrededor de 1.500 millones de parámetros, mientras que el modelo más grande de GPT-3 tiene 175.000 millones de parámetros, un aumento de dos órdenes de magnitud. Según especulaciones de los medios, pero noticias aún no confirmadas, los parámetros de GPT-4 pueden alcanzar los 100 billones.
Este artículo analiza principalmente: las capacidades y la construcción, las oportunidades y los desafíos de la plataforma interactiva de IA en la nueva era. A diferencia de algunas opiniones tradicionales de que la construcción de inteligencia artificial es principalmente construcción de hardware, Yang Jihong, subdirector del Centro de Nuevos Medios Audiovisuales de la Estación Central de Radio y Televisión de China, parte de la perspectiva de las "personas" y enfatiza que las "personas", es decir, los usuarios, son la batalla decisiva en la batalla de la inteligencia artificial, recursos estratégicos en la campaña. Considera que la "tecnología blanda" es la "vía dorada" para que la innovación tecnológica pueda adelantar en las curvas y cambiar de carril. Capte firmemente al "ganador" de los "escenarios de uso del usuario".
Hablando del poder duro y el poder blando de la plataforma interactiva de IA
01 Prefacio La única constante es el cambio.
La innovación nunca se detiene, constantemente surgen nuevas tecnologías y la innovación tecnológica impulsada por la IA está cambiando profundamente la forma en que vivimos y trabajamos.
Si la popularización de las computadoras, las redes e Internet es una ola de cambio provocada por las computadoras, entonces la invasión de la IA es aún más poderosa y completa. Las industrias y ocupaciones tradicionales se están viendo impactadas y subvertidas por la tecnología de inteligencia artificial. Muchos empleos tradicionales están siendo reemplazados, lo que requiere aprendizaje continuo y adaptación a nuevas tecnologías y nuevos modelos.
Cuando la IA está en este artículo, trato de presentar una nueva perspectiva y dejar que todos examinen las capacidades y la construcción, las oportunidades y los desafíos de la plataforma interactiva de IA en la nueva era. A diferencia de algunas opiniones tradicionales de que la construcción de inteligencia artificial se basa principalmente en la construcción de hardware, intento deconstruir las capacidades en constante cambio de la inteligencia artificial desde una dimensión superior utilizando el poder duro y el poder blando. Desde la perspectiva de las "personas", enfatizo "las personas". En otras palabras, los usuarios son los recursos estratégicos en la batalla decisiva contra la inteligencia artificial.
02El “poder duro” y el “poder blando” de las plataformas interactivas de IA
1. Poder duro en IA interactiva
1.1 Hardware informático representado por CPU/GPU
El hardware informático es la base de la IA. En primer lugar, el hardware de la computadora determina directamente la capacidad de la IA para manejar tareas informáticas complejas. Procesar grandes cantidades de datos, calcular y entrenar algoritmos de aprendizaje profundo, etc., requiere suficiente potencia informática. El rendimiento de la CPU/GPU determina directamente la velocidad informática y la eficiencia de la IA. En segundo lugar, la CPU/GPU como dispositivo de hardware debe ser compatible con el entorno operativo del software de IA. La IA implica una gran cantidad de tareas informáticas y de procesamiento de datos, y requiere un entorno de software especial para respaldar su funcionamiento. Además, el hardware informático también debe tener una alta escalabilidad y programabilidad. Existe una amplia gama de escenarios de aplicaciones de IA y es necesario proporcionar diferentes soluciones de IA para diferentes escenarios y aplicaciones. La asignación dinámica y la expansión de recursos se pueden lograr rápidamente sólo si el hardware de la computadora tiene una alta escalabilidad. Por último, el hardware informático también debe ser programable para que los desarrolladores puedan optimizar rápidamente los algoritmos y las soluciones. La siguiente figura muestra la composición básica del hardware y las funciones de la plataforma del sistema AI:
2. El “poder blando” es el lastre de la IA interactiva
2.1 El gráfico de conocimiento da forma al mercado básico de la IA
El gráfico de conocimiento de la IA es una base de conocimiento estructurada que contiene una amplia gama de conocimientos de dominio y se utiliza para respaldar el aprendizaje y el razonamiento de los sistemas de inteligencia artificial. Un gráfico de conocimiento consta de entidades (como personas, lugares, eventos, etc.) y las relaciones entre ellas. Puede incluir varios tipos de conocimiento, incluidas definiciones, atributos, categorías, asociaciones, etc.
La construcción y uso de gráficos de conocimiento es una parte importante de la tecnología de IA. Puede ayudar a los sistemas de IA a adquirir, organizar y almacenar conocimientos e información semántica en diversos campos y mejorar las capacidades cognitivas y la inteligencia de los sistemas de IA. Los gráficos de conocimiento se pueden utilizar en muchos aspectos, como el procesamiento del lenguaje natural, los sistemas de recomendación, los sistemas de preguntas y respuestas y la recuperación de información.
Para dar algunos ejemplos familiares, Google Knowledge Graph, Baidu Encyclopedia y Wikipedia son todos gráficos de conocimiento.
2.2 Actualización de la capacidad de conducción a nivel de algoritmo
2.2.1 Importancia de los algoritmos
Los algoritmos son un medio importante para lograr diversas tareas de la IA. El diseño y mejora de algoritmos también son clave para impulsar el desarrollo y progreso de la IA. La importancia de los algoritmos se refleja en los siguientes tres aspectos:
① Afecta la precisión y eficiencia del modelo: diferentes algoritmos afectarán la precisión y eficiencia de cálculo del modelo. Elegir el algoritmo apropiado puede mejorar la precisión del modelo y reducir el tiempo de cálculo.
② Satisfacer diferentes necesidades y escenarios: diferentes escenarios y aplicaciones tienen diferentes necesidades y es necesario seleccionar diferentes algoritmos para satisfacerlas.
③ Proporcionar apoyo para la toma de decisiones: según diferentes problemas y datos, el algoritmo puede proporcionar apoyo para la toma de decisiones y analizar y predecir los datos de forma eficaz.
2.2.2 Algoritmos comunes
Hay muchos algoritmos utilizados en IA para adaptarse a diferentes escenarios y necesidades de aplicaciones. Hay cuatro categorías comunes: algoritmos de aprendizaje automático, algoritmos de aprendizaje profundo, algoritmos de procesamiento del lenguaje natural y algoritmos de recomendación.
① Algoritmo de aprendizaje automático:
(1) Algoritmos de aprendizaje supervisados: como regresión lineal, regresión logística, máquina de vectores de soporte, árbol de decisión, bosque aleatorio, etc.
(2) Algoritmos de aprendizaje no supervisados: como agrupación de K-Means, agrupación jerárquica, algoritmo de expectativa-maximización, etc.
② Algoritmo de aprendizaje profundo:
(1) Red neuronal convolucional (CNN): se utiliza principalmente en tareas de procesamiento de imágenes y visión por computadora.
(2) Red neuronal recurrente (RNN): se utiliza principalmente en tareas de serialización, como el procesamiento del lenguaje natural y el procesamiento del habla.
(3) Red generativa adversaria (GAN): se utiliza principalmente para tareas como generar imágenes y texto.
(4) Red de transformadores (Transformer): se utiliza principalmente en tareas como traducción automática y resumen de texto.
③ Algoritmo de procesamiento del lenguaje natural:
(1) Extracción de palabras clave: como el algoritmo TF-IDF, el algoritmo TextRank, etc.
(2) Reconocimiento de entidades nombradas: como modelo de campo aleatorio condicional, etc.
(3) Algoritmo de análisis sintáctico: como modelo de reglas, modelo de transferencia, etc.
(4) Algoritmos de análisis de sentimientos: como modelos de diccionario, modelos de aprendizaje automático, etc.
④ Algoritmo recomendado:
(1) Recomendación basada en contenido: como el algoritmo TF-IDF, el algoritmo LDA, etc.
(2) Recomendación basada en filtrado colaborativo: como UserCF, ItemCF, algoritmo LFM, etc.
(3) Recomendación de aprendizaje profundo: como DeepFM, Wide&Deep, DIN, BERT4Rec, etc.
Los algoritmos son la piedra angular de la inteligencia artificial para lograr diversas tareas. A medida que la tecnología continúa desarrollándose e innovando, constantemente surgen nuevos algoritmos de IA. La clave para mejorar las capacidades de la IA es seleccionar y combinar el algoritmo correcto para el escenario correcto. Desde este punto de vista, la clave de la inteligencia artificial sigue estando en el diseño humano.
2.3 Los escenarios de entrenamiento afectan la tasa de evolución
2.3.1 La importancia de la formación
La capacitación es el proceso de hacer que un modelo de IA aprenda y adquiera conocimientos y habilidades, por lo que es crucial para la inteligencia artificial.
① Mejorar la precisión del modelo: mediante una selección razonable de conjuntos de datos y tiempos de entrenamiento suficientes, el modelo de IA puede aprender gradualmente los patrones y características de los datos, mejorando así la exactitud y precisión del modelo.
② Apoyar la capacidad de generalización del modelo: el entrenamiento permite que el modelo tenga capacidad de generalización, es decir, puede manejar nuevas muestras de datos fuera del conjunto de entrenamiento y funcionar en otras situaciones.
③ Mejorar la solidez del modelo: el entrenamiento puede hacer que el modelo de IA tenga mejores capacidades de procesamiento y solidez ante algunos datos ruidosos, datos falsificados y datos de interferencia.
④ Actualizar e iterar el modelo de IA: mediante la capacitación, el modelo de IA se puede actualizar y mejorar continuamente para satisfacer las necesidades reales de la aplicación.
⑤ Mejorar la interpretabilidad del modelo: la interpretabilidad de los modelos de datos de IA es muy importante en muchos campos. A través de la formación se puede mejorar la interpretabilidad y transparencia del modelo, haciéndolo más fácil de entender y utilizar.
2.3.2 Los escenarios de entrenamiento afectan la tasa de evolución
Establecer y seleccionar escenarios de entrenamiento es crucial para el rendimiento y el rendimiento del modelo de IA, lo que determina directamente la calidad y usabilidad del modelo. Durante el proceso de capacitación, es necesario preprocesar los datos, seleccionar los algoritmos apropiados, optimizar los hiperparámetros del algoritmo, controlar el ajuste insuficiente y excesivo, etc., para que los resultados del entrenamiento del modelo de IA sean más precisos y confiables. Estas tareas más importantes dependen esencialmente de la participación manual, lo que también refleja el estatus de las "personas" como recurso estratégico central.
① Escenario de aprendizaje supervisado: al proporcionar un conjunto de datos etiquetados al modelo, indique a qué categoría o valor objetivo pertenecen los datos, etc.
② Escenario de aprendizaje no supervisado: el conjunto de datos de entrenamiento no tiene etiquetas específicas ni valores objetivo. El modelo necesita descubrir patrones y características en los datos por sí solo de acuerdo con las características estadísticas del conjunto de datos para procesar y clasificar los datos.
③ Escenario de aprendizaje semisupervisado: contiene datos etiquetados y sin etiquetar, y el modelo necesita aprender cómo clasificar estos datos sin etiquetar.
④ Escenario de aprendizaje por refuerzo: el modelo interactúa continuamente con el entorno, observa e interactúa con el entorno en cada momento y ajusta la estrategia del modelo en función de la información de retroalimentación.
⑤ Escenarios de procesamiento del lenguaje natural: el conjunto de datos de entrenamiento generalmente es una gran cantidad de datos de texto y el modelo necesita aprender a comprender los datos de texto y la relación entre los textos.
⑥ Escenarios de visión por computadora: el conjunto de datos de entrenamiento suele ser datos de imágenes o videos, y el modelo necesita aprender cómo comprender y procesar estos datos de imágenes para lograr tareas como la detección de objetivos y el reconocimiento de imágenes.
03 "Escenario de uso del usuario" es un recurso estratégico escaso
Usuarios limitados, datos ilimitados
En la actualidad, existen ciertas restricciones y limitaciones para mejorar la precisión y el nivel de inteligencia de los productos de inteligencia artificial mediante la expansión del hardware informático y la ampliación de las bases de datos. Por un lado, expandir el hardware de la computadora y expandir la base de datos requiere una gran cantidad de aportes humanos, financieros y de tiempo, y con la expansión continua de la escala del sistema, la demanda de recursos aumentará. Por otro lado, el actual desarrollo tecnológico en el campo de la inteligencia artificial todavía enfrenta muchos factores inciertos, como la efectividad de los algoritmos y el efecto del autoaprendizaje. Estos factores afectarán el espacio de desarrollo de productos de inteligencia artificial.
En comparación con los datos ilimitados, la competencia por los recursos de los usuarios es un juego de suma cero. Si un producto de inteligencia artificial tiene una gran cantidad de usuarios y se usa con frecuencia, puede realizar la actualización inteligente del producto de inteligencia artificial mediante el monitoreo y análisis de los datos de uso del usuario, mejorar continuamente el sistema del producto y aumentar el valor de uso.
Más usuarios crean una plataforma más avanzada; una plataforma más avanzada crea una mejor experiencia; una mejor experiencia atrae a más usuarios.
Las diferencias en las capacidades de las plataformas de IA bajo diferentes ideologías en el futuro están determinadas fundamentalmente por las diferencias en el número de usuarios y la frecuencia de uso. Para obtener más usuarios y un uso frecuente, es necesario mejorar y optimizar continuamente la interfaz de usuario del producto, las funciones, la calidad del servicio, la promoción del mercado, etc., satisfacer continuamente las necesidades de los usuarios y mejorar la experiencia del usuario, y ganarse la confianza y la lealtad de los usuarios.
El “efecto Matthew” canibaliza
El efecto Matthew se refiere al fenómeno de que, bajo ciertas condiciones, los talentos destacados reciben apoyo continuo, lo que resulta en una brecha cada vez mayor entre los talentos.
En el proceso de desarrollo de la inteligencia artificial, a menudo es más fácil para las tecnologías avanzadas o las empresas avanzadas obtener el primer lote de usuarios y participación de mercado, lo que genera más inversión y mejores retornos. Este fenómeno fortalecerá aún más la posición de liderazgo de la industria.
Por otro lado, el desarrollo de la tecnología de IA también requiere de un gran número de profesionales. Las empresas y plataformas líderes tienen los recursos para seguir invirtiendo más fondos y recursos para obtener ventajas de talento, lo que hace que los recién llegados pierdan por completo su capacidad de ponerse al día.
Lo más importante es que la plataforma líder brindará una mejor experiencia de usuario. Actualmente, se ha destacado el efecto Matthew en el mercado de AI a C. Desde la perspectiva de la psicología del usuario, los usuarios que están acostumbrados a utilizar un tipo de producto de IA necesitan volver a aprender y adaptarse cuando cambian a otro producto del mismo tipo, lo que requiere mucho tiempo y energía. Desde la perspectiva de la escala de datos, la acumulación de una gran cantidad de datos del usuario es de gran importancia para el efecto de uso y el análisis del producto. Retener los datos del usuario es la clave para establecer dichos productos. Los nuevos productos tienen desventajas inherentes. El "efecto volante" natural del sistema de IA amplifica aún más la presentación del "efecto Matthew" en la experiencia del usuario.
04 Conclusión
Una afirmación interesante: la IA es el arco y la flecha del Neolítico.
La capacidad de aprendizaje de la formación de IA depende de la escala de parámetros. Según la experiencia académica, la capacidad de aprendizaje de las redes neuronales profundas está correlacionada positivamente con la escala de parámetros del modelo, es decir, cuantos más parámetros del modelo, más fuerte será la capacidad de aprendizaje. GPT-2 tiene alrededor de 1.500 millones de parámetros, mientras que el modelo más grande de GPT-3 tiene 175.000 millones de parámetros, un aumento de dos órdenes de magnitud. Según especulaciones de los medios pero noticias no confirmadas, los parámetros de GPT-4 pueden alcanzar una escala de 100 billones.
Algunos expertos de la industria creen que la tecnología dura proporciona componentes clave e interfaces de hardware para el desarrollo de la "tecnología blanda" e innova en torno a las necesidades de la cadena de suministro de la "tecnología blanda". La "tecnología blanda" es la "vía dorada" para adelantar en curvas y cambiar de carril para la innovación tecnológica.
CCTV ha descubierto un conjunto de combinaciones efectivas: primero, refinar las necesidades del usuario en una serie de direcciones de empoderamiento de la IA, como asistencia médica, asistencia agrícola, asistencia de belleza y asistencia educativa, y luego elevar la estación principal a través de una coincidencia semántica de búsqueda difusa masiva. recursos de medios, construir modelos de uso de alta frecuencia en varios escenarios de aplicaciones, formar un autoaprendizaje autoorganizado de "poder blando", como bases de conocimiento y algoritmos, y forzar la construcción de poder duro, como la potencia informática de GPU y el ancho de banda de CDN. Considere firmemente el "escenario de uso del usuario" como el "ganador".
Lo interesante es que la dirección técnica de GPT ahora está clara y no existen obstáculos técnicos insuperables. Podemos utilizar el espíritu de "largo plazo" en el que los chinos son mejores para disparar este arco y flecha de la "Edad Neolítica" con mayor precisión y distancia.
Ver originales
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
Opinión | Los “escenarios de uso del usuario” son la clave para el desarrollo de plataformas de IA
Original: Yang Jihong
**Fuente:**Caballo oscuro de IA
Introducción a la IA Dark Horse 👉
"La IA es el arco y la flecha del Neolítico." La capacidad de aprendizaje formada por la IA depende de la escala de parámetros. GPT-2 tiene alrededor de 1.500 millones de parámetros, mientras que el modelo más grande de GPT-3 tiene 175.000 millones de parámetros, un aumento de dos órdenes de magnitud. Según especulaciones de los medios, pero noticias aún no confirmadas, los parámetros de GPT-4 pueden alcanzar los 100 billones.
Este artículo analiza principalmente: las capacidades y la construcción, las oportunidades y los desafíos de la plataforma interactiva de IA en la nueva era. A diferencia de algunas opiniones tradicionales de que la construcción de inteligencia artificial es principalmente construcción de hardware, Yang Jihong, subdirector del Centro de Nuevos Medios Audiovisuales de la Estación Central de Radio y Televisión de China, parte de la perspectiva de las "personas" y enfatiza que las "personas", es decir, los usuarios, son la batalla decisiva en la batalla de la inteligencia artificial, recursos estratégicos en la campaña. Considera que la "tecnología blanda" es la "vía dorada" para que la innovación tecnológica pueda adelantar en las curvas y cambiar de carril. Capte firmemente al "ganador" de los "escenarios de uso del usuario".
Hablando del poder duro y el poder blando de la plataforma interactiva de IA
01 Prefacio La única constante es el cambio.
La innovación nunca se detiene, constantemente surgen nuevas tecnologías y la innovación tecnológica impulsada por la IA está cambiando profundamente la forma en que vivimos y trabajamos.
Si la popularización de las computadoras, las redes e Internet es una ola de cambio provocada por las computadoras, entonces la invasión de la IA es aún más poderosa y completa. Las industrias y ocupaciones tradicionales se están viendo impactadas y subvertidas por la tecnología de inteligencia artificial. Muchos empleos tradicionales están siendo reemplazados, lo que requiere aprendizaje continuo y adaptación a nuevas tecnologías y nuevos modelos.
Cuando la IA está en este artículo, trato de presentar una nueva perspectiva y dejar que todos examinen las capacidades y la construcción, las oportunidades y los desafíos de la plataforma interactiva de IA en la nueva era. A diferencia de algunas opiniones tradicionales de que la construcción de inteligencia artificial se basa principalmente en la construcción de hardware, intento deconstruir las capacidades en constante cambio de la inteligencia artificial desde una dimensión superior utilizando el poder duro y el poder blando. Desde la perspectiva de las "personas", enfatizo "las personas". En otras palabras, los usuarios son los recursos estratégicos en la batalla decisiva contra la inteligencia artificial.
02El “poder duro” y el “poder blando” de las plataformas interactivas de IA
1. Poder duro en IA interactiva
1.1 Hardware informático representado por CPU/GPU
El hardware informático es la base de la IA. En primer lugar, el hardware de la computadora determina directamente la capacidad de la IA para manejar tareas informáticas complejas. Procesar grandes cantidades de datos, calcular y entrenar algoritmos de aprendizaje profundo, etc., requiere suficiente potencia informática. El rendimiento de la CPU/GPU determina directamente la velocidad informática y la eficiencia de la IA. En segundo lugar, la CPU/GPU como dispositivo de hardware debe ser compatible con el entorno operativo del software de IA. La IA implica una gran cantidad de tareas informáticas y de procesamiento de datos, y requiere un entorno de software especial para respaldar su funcionamiento. Además, el hardware informático también debe tener una alta escalabilidad y programabilidad. Existe una amplia gama de escenarios de aplicaciones de IA y es necesario proporcionar diferentes soluciones de IA para diferentes escenarios y aplicaciones. La asignación dinámica y la expansión de recursos se pueden lograr rápidamente sólo si el hardware de la computadora tiene una alta escalabilidad. Por último, el hardware informático también debe ser programable para que los desarrolladores puedan optimizar rápidamente los algoritmos y las soluciones. La siguiente figura muestra la composición básica del hardware y las funciones de la plataforma del sistema AI:
2.1 El gráfico de conocimiento da forma al mercado básico de la IA
El gráfico de conocimiento de la IA es una base de conocimiento estructurada que contiene una amplia gama de conocimientos de dominio y se utiliza para respaldar el aprendizaje y el razonamiento de los sistemas de inteligencia artificial. Un gráfico de conocimiento consta de entidades (como personas, lugares, eventos, etc.) y las relaciones entre ellas. Puede incluir varios tipos de conocimiento, incluidas definiciones, atributos, categorías, asociaciones, etc.
Para dar algunos ejemplos familiares, Google Knowledge Graph, Baidu Encyclopedia y Wikipedia son todos gráficos de conocimiento.
2.2 Actualización de la capacidad de conducción a nivel de algoritmo
2.2.1 Importancia de los algoritmos
Los algoritmos son un medio importante para lograr diversas tareas de la IA. El diseño y mejora de algoritmos también son clave para impulsar el desarrollo y progreso de la IA. La importancia de los algoritmos se refleja en los siguientes tres aspectos:
① Afecta la precisión y eficiencia del modelo: diferentes algoritmos afectarán la precisión y eficiencia de cálculo del modelo. Elegir el algoritmo apropiado puede mejorar la precisión del modelo y reducir el tiempo de cálculo.
② Satisfacer diferentes necesidades y escenarios: diferentes escenarios y aplicaciones tienen diferentes necesidades y es necesario seleccionar diferentes algoritmos para satisfacerlas.
③ Proporcionar apoyo para la toma de decisiones: según diferentes problemas y datos, el algoritmo puede proporcionar apoyo para la toma de decisiones y analizar y predecir los datos de forma eficaz.
2.2.2 Algoritmos comunes
Hay muchos algoritmos utilizados en IA para adaptarse a diferentes escenarios y necesidades de aplicaciones. Hay cuatro categorías comunes: algoritmos de aprendizaje automático, algoritmos de aprendizaje profundo, algoritmos de procesamiento del lenguaje natural y algoritmos de recomendación.
(1) Algoritmos de aprendizaje supervisados: como regresión lineal, regresión logística, máquina de vectores de soporte, árbol de decisión, bosque aleatorio, etc.
(2) Algoritmos de aprendizaje no supervisados: como agrupación de K-Means, agrupación jerárquica, algoritmo de expectativa-maximización, etc.
② Algoritmo de aprendizaje profundo:
(1) Red neuronal convolucional (CNN): se utiliza principalmente en tareas de procesamiento de imágenes y visión por computadora.
(2) Red neuronal recurrente (RNN): se utiliza principalmente en tareas de serialización, como el procesamiento del lenguaje natural y el procesamiento del habla.
(3) Red generativa adversaria (GAN): se utiliza principalmente para tareas como generar imágenes y texto.
(4) Red de transformadores (Transformer): se utiliza principalmente en tareas como traducción automática y resumen de texto.
③ Algoritmo de procesamiento del lenguaje natural:
(1) Extracción de palabras clave: como el algoritmo TF-IDF, el algoritmo TextRank, etc.
(2) Reconocimiento de entidades nombradas: como modelo de campo aleatorio condicional, etc.
(3) Algoritmo de análisis sintáctico: como modelo de reglas, modelo de transferencia, etc.
(4) Algoritmos de análisis de sentimientos: como modelos de diccionario, modelos de aprendizaje automático, etc.
④ Algoritmo recomendado:
(1) Recomendación basada en contenido: como el algoritmo TF-IDF, el algoritmo LDA, etc.
(2) Recomendación basada en filtrado colaborativo: como UserCF, ItemCF, algoritmo LFM, etc.
(3) Recomendación de aprendizaje profundo: como DeepFM, Wide&Deep, DIN, BERT4Rec, etc.
Los algoritmos son la piedra angular de la inteligencia artificial para lograr diversas tareas. A medida que la tecnología continúa desarrollándose e innovando, constantemente surgen nuevos algoritmos de IA. La clave para mejorar las capacidades de la IA es seleccionar y combinar el algoritmo correcto para el escenario correcto. Desde este punto de vista, la clave de la inteligencia artificial sigue estando en el diseño humano.
2.3 Los escenarios de entrenamiento afectan la tasa de evolución
2.3.1 La importancia de la formación
La capacitación es el proceso de hacer que un modelo de IA aprenda y adquiera conocimientos y habilidades, por lo que es crucial para la inteligencia artificial.
① Mejorar la precisión del modelo: mediante una selección razonable de conjuntos de datos y tiempos de entrenamiento suficientes, el modelo de IA puede aprender gradualmente los patrones y características de los datos, mejorando así la exactitud y precisión del modelo.
② Apoyar la capacidad de generalización del modelo: el entrenamiento permite que el modelo tenga capacidad de generalización, es decir, puede manejar nuevas muestras de datos fuera del conjunto de entrenamiento y funcionar en otras situaciones.
③ Mejorar la solidez del modelo: el entrenamiento puede hacer que el modelo de IA tenga mejores capacidades de procesamiento y solidez ante algunos datos ruidosos, datos falsificados y datos de interferencia.
④ Actualizar e iterar el modelo de IA: mediante la capacitación, el modelo de IA se puede actualizar y mejorar continuamente para satisfacer las necesidades reales de la aplicación.
⑤ Mejorar la interpretabilidad del modelo: la interpretabilidad de los modelos de datos de IA es muy importante en muchos campos. A través de la formación se puede mejorar la interpretabilidad y transparencia del modelo, haciéndolo más fácil de entender y utilizar.
2.3.2 Los escenarios de entrenamiento afectan la tasa de evolución
Establecer y seleccionar escenarios de entrenamiento es crucial para el rendimiento y el rendimiento del modelo de IA, lo que determina directamente la calidad y usabilidad del modelo. Durante el proceso de capacitación, es necesario preprocesar los datos, seleccionar los algoritmos apropiados, optimizar los hiperparámetros del algoritmo, controlar el ajuste insuficiente y excesivo, etc., para que los resultados del entrenamiento del modelo de IA sean más precisos y confiables. Estas tareas más importantes dependen esencialmente de la participación manual, lo que también refleja el estatus de las "personas" como recurso estratégico central.
① Escenario de aprendizaje supervisado: al proporcionar un conjunto de datos etiquetados al modelo, indique a qué categoría o valor objetivo pertenecen los datos, etc.
② Escenario de aprendizaje no supervisado: el conjunto de datos de entrenamiento no tiene etiquetas específicas ni valores objetivo. El modelo necesita descubrir patrones y características en los datos por sí solo de acuerdo con las características estadísticas del conjunto de datos para procesar y clasificar los datos.
③ Escenario de aprendizaje semisupervisado: contiene datos etiquetados y sin etiquetar, y el modelo necesita aprender cómo clasificar estos datos sin etiquetar.
④ Escenario de aprendizaje por refuerzo: el modelo interactúa continuamente con el entorno, observa e interactúa con el entorno en cada momento y ajusta la estrategia del modelo en función de la información de retroalimentación.
⑤ Escenarios de procesamiento del lenguaje natural: el conjunto de datos de entrenamiento generalmente es una gran cantidad de datos de texto y el modelo necesita aprender a comprender los datos de texto y la relación entre los textos.
⑥ Escenarios de visión por computadora: el conjunto de datos de entrenamiento suele ser datos de imágenes o videos, y el modelo necesita aprender cómo comprender y procesar estos datos de imágenes para lograr tareas como la detección de objetivos y el reconocimiento de imágenes.
03 "Escenario de uso del usuario" es un recurso estratégico escaso
En la actualidad, existen ciertas restricciones y limitaciones para mejorar la precisión y el nivel de inteligencia de los productos de inteligencia artificial mediante la expansión del hardware informático y la ampliación de las bases de datos. Por un lado, expandir el hardware de la computadora y expandir la base de datos requiere una gran cantidad de aportes humanos, financieros y de tiempo, y con la expansión continua de la escala del sistema, la demanda de recursos aumentará. Por otro lado, el actual desarrollo tecnológico en el campo de la inteligencia artificial todavía enfrenta muchos factores inciertos, como la efectividad de los algoritmos y el efecto del autoaprendizaje. Estos factores afectarán el espacio de desarrollo de productos de inteligencia artificial.
En comparación con los datos ilimitados, la competencia por los recursos de los usuarios es un juego de suma cero. Si un producto de inteligencia artificial tiene una gran cantidad de usuarios y se usa con frecuencia, puede realizar la actualización inteligente del producto de inteligencia artificial mediante el monitoreo y análisis de los datos de uso del usuario, mejorar continuamente el sistema del producto y aumentar el valor de uso.
Más usuarios crean una plataforma más avanzada; una plataforma más avanzada crea una mejor experiencia; una mejor experiencia atrae a más usuarios.
El efecto Matthew se refiere al fenómeno de que, bajo ciertas condiciones, los talentos destacados reciben apoyo continuo, lo que resulta en una brecha cada vez mayor entre los talentos.
En el proceso de desarrollo de la inteligencia artificial, a menudo es más fácil para las tecnologías avanzadas o las empresas avanzadas obtener el primer lote de usuarios y participación de mercado, lo que genera más inversión y mejores retornos. Este fenómeno fortalecerá aún más la posición de liderazgo de la industria.
Por otro lado, el desarrollo de la tecnología de IA también requiere de un gran número de profesionales. Las empresas y plataformas líderes tienen los recursos para seguir invirtiendo más fondos y recursos para obtener ventajas de talento, lo que hace que los recién llegados pierdan por completo su capacidad de ponerse al día.
Lo más importante es que la plataforma líder brindará una mejor experiencia de usuario. Actualmente, se ha destacado el efecto Matthew en el mercado de AI a C. Desde la perspectiva de la psicología del usuario, los usuarios que están acostumbrados a utilizar un tipo de producto de IA necesitan volver a aprender y adaptarse cuando cambian a otro producto del mismo tipo, lo que requiere mucho tiempo y energía. Desde la perspectiva de la escala de datos, la acumulación de una gran cantidad de datos del usuario es de gran importancia para el efecto de uso y el análisis del producto. Retener los datos del usuario es la clave para establecer dichos productos. Los nuevos productos tienen desventajas inherentes. El "efecto volante" natural del sistema de IA amplifica aún más la presentación del "efecto Matthew" en la experiencia del usuario.
04 Conclusión
Una afirmación interesante: la IA es el arco y la flecha del Neolítico.
La capacidad de aprendizaje de la formación de IA depende de la escala de parámetros. Según la experiencia académica, la capacidad de aprendizaje de las redes neuronales profundas está correlacionada positivamente con la escala de parámetros del modelo, es decir, cuantos más parámetros del modelo, más fuerte será la capacidad de aprendizaje. GPT-2 tiene alrededor de 1.500 millones de parámetros, mientras que el modelo más grande de GPT-3 tiene 175.000 millones de parámetros, un aumento de dos órdenes de magnitud. Según especulaciones de los medios pero noticias no confirmadas, los parámetros de GPT-4 pueden alcanzar una escala de 100 billones.
Algunos expertos de la industria creen que la tecnología dura proporciona componentes clave e interfaces de hardware para el desarrollo de la "tecnología blanda" e innova en torno a las necesidades de la cadena de suministro de la "tecnología blanda". La "tecnología blanda" es la "vía dorada" para adelantar en curvas y cambiar de carril para la innovación tecnológica.
CCTV ha descubierto un conjunto de combinaciones efectivas: primero, refinar las necesidades del usuario en una serie de direcciones de empoderamiento de la IA, como asistencia médica, asistencia agrícola, asistencia de belleza y asistencia educativa, y luego elevar la estación principal a través de una coincidencia semántica de búsqueda difusa masiva. recursos de medios, construir modelos de uso de alta frecuencia en varios escenarios de aplicaciones, formar un autoaprendizaje autoorganizado de "poder blando", como bases de conocimiento y algoritmos, y forzar la construcción de poder duro, como la potencia informática de GPU y el ancho de banda de CDN. Considere firmemente el "escenario de uso del usuario" como el "ganador".
Lo interesante es que la dirección técnica de GPT ahora está clara y no existen obstáculos técnicos insuperables. Podemos utilizar el espíritu de "largo plazo" en el que los chinos son mejores para disparar este arco y flecha de la "Edad Neolítica" con mayor precisión y distancia.