“A IA é o arco e flecha do Neolítico.” A capacidade de aprendizagem formada pela IA depende da escala dos parâmetros. O GPT-2 possui cerca de 1,5 bilhão de parâmetros, enquanto o maior modelo do GPT-3 possui 175 bilhões de parâmetros, um aumento de duas ordens de grandeza. Segundo especulações da mídia, mas notícias ainda não confirmadas, os parâmetros do GPT-4 podem chegar a 100 trilhões.
Este artigo discute principalmente: as capacidades e construção, oportunidades e desafios da plataforma interativa de IA na nova era. Diferente de algumas visões tradicionais de que a construção de inteligência artificial é principalmente construção de hardware, Yang Jihong, vice-diretor do centro de novas mídias audiovisuais da Rádio e Televisão Central da China, parte da perspectiva das “pessoas”, enfatizando que as “pessoas” são usuários , e é a batalha decisiva da inteligência artificial.Recursos estratégicos na campanha. Ela acredita que a “tecnologia suave” é o “caminho de ouro” para a inovação tecnológica ultrapassar nas curvas e mudar de faixa. Compreenda com firmeza o “vencedor” dos “cenários de uso do usuário”.
Falando sobre o Hard Power e o Soft Power da plataforma interativa de IA
01 Prefácio A única constante é a mudança
A inovação nunca para, novas tecnologias surgem constantemente e a inovação tecnológica impulsionada pela IA está a mudar profundamente a forma como vivemos e trabalhamos.
Se a popularização dos computadores, das redes e da Internet é uma onda de mudanças provocada pelos computadores, então a invasão da IA é ainda mais poderosa e abrangente. As indústrias e profissões tradicionais estão a ser impactadas e subvertidas pela tecnologia de inteligência artificial, e muitos empregos tradicionais estão a ser substituídos.É necessário aprender e adaptar-se continuamente às novas tecnologias e aos novos modelos.
Quando a IA está neste artigo, tento propor uma nova perspectiva para examinar com vocês as capacidades e construção, oportunidades e desafios da plataforma interativa de IA na nova era. Diferente de algumas visões tradicionais de que a construção de inteligência artificial é principalmente construção de hardware, tento usar o poder duro e o poder brando para desconstruir as capacidades de inteligência artificial em constante mudança a partir de uma dimensão superior, começando pela perspectiva das "pessoas", enfatizando as "pessoas" Por outras palavras, os utilizadores são os recursos estratégicos na batalha decisiva contra a inteligência artificial.
02 O "hard power" e o "soft power" da plataforma interativa de IA
1. Hard Power em IA interativa
1.1 Hardware de computador representado por CPU/GPU
O hardware do computador é a base da IA. Em primeiro lugar, o hardware do computador determina diretamente a capacidade da IA de lidar com tarefas computacionais complexas. Processar grandes quantidades de dados, computar e treinar algoritmos de aprendizagem profunda, etc., requer poder de computação suficiente. O desempenho da CPU/GPU determina diretamente a velocidade de computação e a eficiência da IA. Em segundo lugar, CPU/GPU como dispositivos de hardware precisam suportar o ambiente operacional do software de IA. A IA envolve um grande número de tarefas de processamento de dados e computação e requer um ambiente de software especial para apoiar a operação. Além disso, o hardware do computador também precisa ser altamente escalável e programável. Os cenários de aplicação de IA são generalizados e diferentes soluções de IA precisam ser fornecidas para diferentes cenários e aplicações. A alocação dinâmica e a expansão de recursos só podem ser realizadas rapidamente se o hardware do computador tiver alta escalabilidade. Finalmente, o hardware do computador também precisa ser programável para que os desenvolvedores possam otimizar rapidamente algoritmos e soluções. A figura a seguir mostra a composição básica do hardware e as funções da plataforma do sistema de IA:
2. "Soft power" é a pedra de lastro da IA interativa
2.1 Gráfico de conhecimento molda disco básico de IA
O gráfico de conhecimento da IA é uma base de conhecimento estruturada, que contém uma ampla gama de conhecimentos de domínio e é usada para apoiar o aprendizado e o raciocínio de sistemas de inteligência artificial. Um gráfico de conhecimento consiste em entidades (como pessoas, lugares, eventos, etc.) e nas relações entre elas. Pode incluir vários tipos de conhecimento, incluindo definições, atributos, categorias, associações, etc.
A construção e uso de gráficos de conhecimento é uma parte importante da tecnologia de IA. Pode ajudar os sistemas de IA a adquirir, organizar e armazenar conhecimento e informações semânticas em vários campos, e melhorar as capacidades cognitivas e a inteligência dos sistemas de IA. Os gráficos de conhecimento podem ser usados em muitos aspectos, como processamento de linguagem natural, sistemas de recomendação, sistemas de perguntas e respostas e recuperação de informações.
Para citar alguns exemplos familiares, Google Knowledge Graph, Baidu Encyclopedia e Wikipedia são todos gráficos de conhecimento.
2.2 Atualização da capacidade de condução em nível de algoritmo
2.2.1 Importância dos Algoritmos
Os algoritmos são um meio importante para realizar várias tarefas de IA. A concepção e a melhoria de algoritmos são também a chave para promover o desenvolvimento e o progresso da IA. A importância dos algoritmos se reflete nos três aspectos a seguir:
① Afetam a precisão e a eficiência do modelo: Diferentes algoritmos afetarão a precisão e a eficiência computacional do modelo. A escolha do algoritmo certo pode melhorar a precisão do modelo e reduzir o tempo de computação.
② Atenda a diferentes necessidades e cenários: Diferentes cenários e aplicações têm necessidades diferentes e algoritmos diferentes precisam ser selecionados para atendê-los.
③ Fornece suporte à decisão: De acordo com diferentes problemas e dados, o algoritmo pode fornecer suporte à decisão e analisar e prever os dados com eficácia.
2.2.2 Algoritmos comuns
Existem muitos algoritmos usados em IA para se adaptar a diferentes cenários e necessidades de aplicação. Existem quatro categorias comuns de algoritmos de aprendizado de máquina, algoritmos de aprendizado profundo, algoritmos de processamento de linguagem natural e algoritmos de recomendação.
① Algoritmo de aprendizado de máquina:
(1) Algoritmos de aprendizagem supervisionada: como regressão linear, regressão logística, máquina de vetores de suporte, árvore de decisão, floresta aleatória, etc.
(2) Algoritmos de aprendizagem não supervisionados: como agrupamento K-Means, agrupamento hierárquico, algoritmos de maximização de expectativa, etc.
② Algoritmo de aprendizagem profunda:
(1) Rede Neural Convolucional (CNN): Usada principalmente em tarefas de processamento de imagens e visão computacional.
(2) Rede Neural Recorrente (RNN): Usada principalmente em tarefas de serialização, como processamento de linguagem natural e processamento de fala.
(3) Rede de confronto generativo (GAN): É utilizada principalmente em tarefas como geração de imagens e textos.
(4) Rede de transformadores (Transformer): É usada principalmente em tarefas como tradução automática e resumo de texto.
③ Algoritmo de processamento de linguagem natural:
(1) Extração de palavras-chave: como algoritmo TF-IDF, algoritmo TextRank, etc.
(2) Reconhecimento de entidade nomeada: como modelo de campo aleatório condicional, etc.
(3) Algoritmos de análise de sintaxe: como modelos de regras, modelos de transferência, etc.
(4) Algoritmos de análise de sentimento: como modelos de dicionário, modelos de aprendizado de máquina, etc.
④ Algoritmo de recomendação:
(1) Recomendação baseada em conteúdo: como algoritmo TF-IDF, algoritmo LDA, etc.
(2) Recomendação baseada em filtragem colaborativa: como UserCF, ItemCF, algoritmo LFM, etc.
(3) Recomendação de aprendizagem profunda: como DeepFM, Wide&Deep, DIN, BERT4Rec, etc.
Os algoritmos são a base da inteligência artificial para realizar várias tarefas. Com o contínuo desenvolvimento e inovação da tecnologia, novos algoritmos de IA também estão surgindo. A chave para melhorar as capacidades de IA é escolher o algoritmo certo para a cena certa. Deste ponto de vista, a chave para a inteligência artificial ainda é o design artificial.
2.3 Os cenários de treinamento afetam a taxa de evolução
2.3.1 A importância da formação
Treinamento é o processo de fazer um modelo de IA aprender e adquirir conhecimentos e habilidades, por isso é crucial para a inteligência artificial.
① Melhorar a precisão do modelo: Por meio de uma seleção razoável do conjunto de dados e tempos de treinamento suficientes, o modelo de IA pode aprender gradualmente os padrões e recursos dos dados, melhorando assim a exatidão e a precisão do modelo.
② Apoiar a capacidade de generalização do modelo: O treinamento permite que o modelo tenha capacidade de generalização, ou seja, pode lidar com novas amostras de dados fora do conjunto de treinamento e funcionar em outras situações.
③ Melhorar a robustez do modelo: o treinamento pode fazer com que o modelo de IA tenha melhor capacidade de processamento e robustez para alguns dados ruidosos, dados forjados e dados de interferência.
④ Atualizar e iterar o modelo de IA: Por meio do treinamento, o modelo de IA pode ser continuamente atualizado e melhorado para atender às necessidades reais do aplicativo.
⑤ Melhorar a interpretabilidade do modelo: A interpretabilidade dos modelos de dados de IA é muito importante em muitos campos. Através da formação, a interpretabilidade e a transparência do modelo podem ser melhoradas, tornando-o mais fácil de compreender e utilizar.
2.3.2 Os cenários de treinamento afetam a taxa de evolução
Definir e selecionar cenários de treinamento é crucial para o desempenho e desempenho do modelo de IA, o que determina diretamente a qualidade e usabilidade do modelo. Durante o processo de treinamento, é necessário pré-processar os dados, selecionar algoritmos apropriados, otimizar os hiperparâmetros do algoritmo, controlar o ajuste insuficiente e excessivo, etc., de modo a tornar os resultados do treinamento do modelo de IA mais precisos e confiáveis. Estas tarefas mais importantes dependem essencialmente da participação manual, o que também reflecte o estatuto das “pessoas” como recurso estratégico central.
① Cenário de aprendizagem supervisionado: Ao fornecer um conjunto de dados rotulado ao modelo, indique a qual categoria ou valor alvo os dados pertencem, etc.
② Cenário de aprendizagem não supervisionado: O conjunto de dados de treinamento não possui rótulos ou valores alvo específicos. O modelo precisa descobrir os padrões e recursos dos dados por conta própria com base nas características estatísticas do conjunto de dados para processar e classificar os dados.
③ Cenário de aprendizagem semissupervisionado: Contém dados rotulados e não rotulados, e o modelo precisa aprender como classificar esses dados não rotulados.
④ Cenário de aprendizagem por reforço: O modelo interage continuamente com o ambiente, observa e interage com o ambiente a cada momento e ajusta a estratégia do modelo com base nas informações de feedback.
⑤ Cenário de processamento de linguagem natural: O conjunto de dados de treinamento geralmente é uma grande quantidade de dados de texto e o modelo precisa aprender como compreender os dados de texto e a relação entre os textos.
⑥ Cenário de visão computacional: O conjunto de dados de treinamento geralmente é composto de dados de imagem ou vídeo, e o modelo precisa aprender como compreender e processar esses dados de imagem para realizar tarefas como detecção de alvo e reconhecimento de imagem.
03 “Cenários de uso do usuário” são recursos estratégicos escassos no total.
Usuários limitados, dados ilimitados
Atualmente, existem certas limitações e limitações na melhoria da precisão e do nível de inteligência dos produtos de inteligência artificial através da expansão do hardware do computador e da expansão dos bancos de dados. Por um lado, expandir o hardware do computador e expandir o banco de dados requer muitos insumos humanos, financeiros e de tempo, e com a expansão contínua da escala do sistema, a demanda por recursos aumentará. Por outro lado, o actual desenvolvimento tecnológico no domínio da inteligência artificial ainda enfrenta muitos factores incertos, tais como a eficácia dos algoritmos e o efeito da auto-aprendizagem. Esses fatores afetarão o espaço de desenvolvimento de produtos de inteligência artificial.
Comparada com dados ilimitados, a competição pelos recursos do usuário é um jogo de soma zero. Se um produto de inteligência artificial tiver um grande número de usuários e for usado com frequência, ele poderá realizar a atualização inteligente do produto de inteligência artificial por meio do monitoramento e análise dos dados de uso do usuário, melhorar continuamente o sistema do produto e aumentar o valor de uso.
Mais usuários criam uma plataforma mais avançada; uma plataforma mais avançada cria uma experiência melhor; uma experiência melhor atrai mais usuários.
As diferenças nas capacidades das plataformas de IA sob diferentes ideologias no futuro são fundamentalmente determinadas pelas diferenças no número de utilizadores e na frequência de utilização. Para obter mais usuários e uso frequente, é necessário melhorar e otimizar continuamente a interface do usuário do produto, funções, qualidade do serviço, promoção de mercado, etc., atender continuamente às necessidades do usuário e melhorar a experiência do usuário, e conquistar a confiança e a fidelidade dos usuários.
“Efeito Mateus” canibaliza baleias
O efeito Matthew refere-se ao fenómeno de que, sob certas condições, talentos excepcionais são continuamente apoiados, resultando num fosso crescente entre talentos.
No processo de desenvolvimento da inteligência artificial, muitas vezes é mais fácil para tecnologias avançadas ou empresas avançadas obter o primeiro lote de utilizadores e quota de mercado, o que levará a mais investimentos e melhores retornos. Este fenômeno fortalecerá ainda mais a posição de liderança da indústria.
Por outro lado, o desenvolvimento da tecnologia de IA também requer um grande número de talentos profissionais. As empresas e plataformas líderes têm os recursos para continuar a investir mais fundos e recursos para obter vantagens em termos de talentos, fazendo com que os retardatários percam completamente a capacidade de recuperar o atraso.
O mais importante é que a plataforma líder proporcione uma melhor experiência ao usuário.Atualmente, o efeito Matthew no mercado de AI para C tem se destacado. Do ponto de vista da psicologia do usuário, os usuários acostumados a usar um tipo de produto de IA precisam reaprender e se adaptar ao mudar para outro produto do mesmo tipo, o que requer muito tempo e energia. Do ponto de vista da escala de dados, o acúmulo de uma grande quantidade de dados do usuário é de grande importância para o efeito de uso e análise do produto. A retenção de dados do usuário é a chave para o estabelecimento de tais produtos. Novos produtos têm desvantagens inerentes. O “efeito volante” natural do sistema de IA amplifica ainda mais a apresentação do “Efeito Mateus” na experiência do usuário.
04 Conclusão
Uma afirmação interessante: a IA é o arco e flecha do Neolítico.
A capacidade de aprendizagem formada pela IA depende da escala dos parâmetros. De acordo com a experiência acadêmica, a capacidade de aprendizagem das redes neurais profundas está positivamente correlacionada com a escala de parâmetros do modelo, ou seja, quanto mais parâmetros do modelo, mais forte será a capacidade de aprendizagem. O GPT-2 possui cerca de 1,5 bilhão de parâmetros, enquanto o maior modelo do GPT-3 possui 175 bilhões de parâmetros, um aumento de duas ordens de grandeza. Segundo especulações da mídia, mas notícias ainda não confirmadas, os parâmetros do GPT-4 podem chegar a 100 trilhões.
Alguns especialistas do setor acreditam que a tecnologia dura fornece componentes-chave e interfaces de hardware para o desenvolvimento de "tecnologia leve" e inova em torno das necessidades da cadeia de suprimentos de "tecnologia leve". A “tecnologia suave” é o “caminho de ouro” para a inovação científica e tecnológica ultrapassar nas curvas e mudar de faixa.
A CCTV descobriu um conjunto de combinações eficazes: primeiro, refine as necessidades do usuário em uma série de direções de capacitação de IA, como assistência médica, assistência agrícola, assistência de beleza e assistência educacional, e então eleve a estação principal por meio de correspondência semântica de pesquisa difusa. recursos de mídia, construir modelos de uso de alta frequência em vários cenários de aplicação, formar autoaprendizagem auto-organizada de "soft power", como bases de conhecimento e algoritmos, e forçar a construção de hard power, como poder de computação GPU e largura de banda CDN. Compreenda com firmeza o “vencedor” dos “cenários de uso do usuário”.
O que é emocionante é que a direção técnica da GPT está agora clara e não existem obstáculos técnicos intransponíveis. Podemos usar o espírito de “longo prazo” em que os chineses são melhores para disparar este arco e flecha da “Era Neolítica” com mais precisão e distância.
Ver original
Esta página pode conter conteúdo de terceiros, que é fornecido apenas para fins informativos (não para representações/garantias) e não deve ser considerada como um endosso de suas opiniões pela Gate nem como aconselhamento financeiro ou profissional. Consulte a Isenção de responsabilidade para obter detalhes.
Opinião | “Cenários de uso do usuário” são a chave para o desenvolvimento de plataformas de IA
Original: Yang Jihong
**Fonte:**AI azarão
Introdução à IA Dark Horse 👉
“A IA é o arco e flecha do Neolítico.” A capacidade de aprendizagem formada pela IA depende da escala dos parâmetros. O GPT-2 possui cerca de 1,5 bilhão de parâmetros, enquanto o maior modelo do GPT-3 possui 175 bilhões de parâmetros, um aumento de duas ordens de grandeza. Segundo especulações da mídia, mas notícias ainda não confirmadas, os parâmetros do GPT-4 podem chegar a 100 trilhões.
Este artigo discute principalmente: as capacidades e construção, oportunidades e desafios da plataforma interativa de IA na nova era. Diferente de algumas visões tradicionais de que a construção de inteligência artificial é principalmente construção de hardware, Yang Jihong, vice-diretor do centro de novas mídias audiovisuais da Rádio e Televisão Central da China, parte da perspectiva das “pessoas”, enfatizando que as “pessoas” são usuários , e é a batalha decisiva da inteligência artificial.Recursos estratégicos na campanha. Ela acredita que a “tecnologia suave” é o “caminho de ouro” para a inovação tecnológica ultrapassar nas curvas e mudar de faixa. Compreenda com firmeza o “vencedor” dos “cenários de uso do usuário”.
Falando sobre o Hard Power e o Soft Power da plataforma interativa de IA
01 Prefácio A única constante é a mudança
A inovação nunca para, novas tecnologias surgem constantemente e a inovação tecnológica impulsionada pela IA está a mudar profundamente a forma como vivemos e trabalhamos.
Se a popularização dos computadores, das redes e da Internet é uma onda de mudanças provocada pelos computadores, então a invasão da IA é ainda mais poderosa e abrangente. As indústrias e profissões tradicionais estão a ser impactadas e subvertidas pela tecnologia de inteligência artificial, e muitos empregos tradicionais estão a ser substituídos.É necessário aprender e adaptar-se continuamente às novas tecnologias e aos novos modelos.
Quando a IA está neste artigo, tento propor uma nova perspectiva para examinar com vocês as capacidades e construção, oportunidades e desafios da plataforma interativa de IA na nova era. Diferente de algumas visões tradicionais de que a construção de inteligência artificial é principalmente construção de hardware, tento usar o poder duro e o poder brando para desconstruir as capacidades de inteligência artificial em constante mudança a partir de uma dimensão superior, começando pela perspectiva das "pessoas", enfatizando as "pessoas" Por outras palavras, os utilizadores são os recursos estratégicos na batalha decisiva contra a inteligência artificial.
02 O "hard power" e o "soft power" da plataforma interativa de IA
1. Hard Power em IA interativa
1.1 Hardware de computador representado por CPU/GPU
O hardware do computador é a base da IA. Em primeiro lugar, o hardware do computador determina diretamente a capacidade da IA de lidar com tarefas computacionais complexas. Processar grandes quantidades de dados, computar e treinar algoritmos de aprendizagem profunda, etc., requer poder de computação suficiente. O desempenho da CPU/GPU determina diretamente a velocidade de computação e a eficiência da IA. Em segundo lugar, CPU/GPU como dispositivos de hardware precisam suportar o ambiente operacional do software de IA. A IA envolve um grande número de tarefas de processamento de dados e computação e requer um ambiente de software especial para apoiar a operação. Além disso, o hardware do computador também precisa ser altamente escalável e programável. Os cenários de aplicação de IA são generalizados e diferentes soluções de IA precisam ser fornecidas para diferentes cenários e aplicações. A alocação dinâmica e a expansão de recursos só podem ser realizadas rapidamente se o hardware do computador tiver alta escalabilidade. Finalmente, o hardware do computador também precisa ser programável para que os desenvolvedores possam otimizar rapidamente algoritmos e soluções. A figura a seguir mostra a composição básica do hardware e as funções da plataforma do sistema de IA:
2.1 Gráfico de conhecimento molda disco básico de IA
O gráfico de conhecimento da IA é uma base de conhecimento estruturada, que contém uma ampla gama de conhecimentos de domínio e é usada para apoiar o aprendizado e o raciocínio de sistemas de inteligência artificial. Um gráfico de conhecimento consiste em entidades (como pessoas, lugares, eventos, etc.) e nas relações entre elas. Pode incluir vários tipos de conhecimento, incluindo definições, atributos, categorias, associações, etc.
Para citar alguns exemplos familiares, Google Knowledge Graph, Baidu Encyclopedia e Wikipedia são todos gráficos de conhecimento.
2.2 Atualização da capacidade de condução em nível de algoritmo
2.2.1 Importância dos Algoritmos
Os algoritmos são um meio importante para realizar várias tarefas de IA. A concepção e a melhoria de algoritmos são também a chave para promover o desenvolvimento e o progresso da IA. A importância dos algoritmos se reflete nos três aspectos a seguir:
① Afetam a precisão e a eficiência do modelo: Diferentes algoritmos afetarão a precisão e a eficiência computacional do modelo. A escolha do algoritmo certo pode melhorar a precisão do modelo e reduzir o tempo de computação.
② Atenda a diferentes necessidades e cenários: Diferentes cenários e aplicações têm necessidades diferentes e algoritmos diferentes precisam ser selecionados para atendê-los.
③ Fornece suporte à decisão: De acordo com diferentes problemas e dados, o algoritmo pode fornecer suporte à decisão e analisar e prever os dados com eficácia.
2.2.2 Algoritmos comuns
Existem muitos algoritmos usados em IA para se adaptar a diferentes cenários e necessidades de aplicação. Existem quatro categorias comuns de algoritmos de aprendizado de máquina, algoritmos de aprendizado profundo, algoritmos de processamento de linguagem natural e algoritmos de recomendação.
(1) Algoritmos de aprendizagem supervisionada: como regressão linear, regressão logística, máquina de vetores de suporte, árvore de decisão, floresta aleatória, etc.
(2) Algoritmos de aprendizagem não supervisionados: como agrupamento K-Means, agrupamento hierárquico, algoritmos de maximização de expectativa, etc.
② Algoritmo de aprendizagem profunda:
(1) Rede Neural Convolucional (CNN): Usada principalmente em tarefas de processamento de imagens e visão computacional.
(2) Rede Neural Recorrente (RNN): Usada principalmente em tarefas de serialização, como processamento de linguagem natural e processamento de fala.
(3) Rede de confronto generativo (GAN): É utilizada principalmente em tarefas como geração de imagens e textos.
(4) Rede de transformadores (Transformer): É usada principalmente em tarefas como tradução automática e resumo de texto.
③ Algoritmo de processamento de linguagem natural:
(1) Extração de palavras-chave: como algoritmo TF-IDF, algoritmo TextRank, etc.
(2) Reconhecimento de entidade nomeada: como modelo de campo aleatório condicional, etc.
(3) Algoritmos de análise de sintaxe: como modelos de regras, modelos de transferência, etc.
(4) Algoritmos de análise de sentimento: como modelos de dicionário, modelos de aprendizado de máquina, etc.
④ Algoritmo de recomendação:
(1) Recomendação baseada em conteúdo: como algoritmo TF-IDF, algoritmo LDA, etc.
(2) Recomendação baseada em filtragem colaborativa: como UserCF, ItemCF, algoritmo LFM, etc.
(3) Recomendação de aprendizagem profunda: como DeepFM, Wide&Deep, DIN, BERT4Rec, etc.
Os algoritmos são a base da inteligência artificial para realizar várias tarefas. Com o contínuo desenvolvimento e inovação da tecnologia, novos algoritmos de IA também estão surgindo. A chave para melhorar as capacidades de IA é escolher o algoritmo certo para a cena certa. Deste ponto de vista, a chave para a inteligência artificial ainda é o design artificial.
2.3 Os cenários de treinamento afetam a taxa de evolução
2.3.1 A importância da formação
Treinamento é o processo de fazer um modelo de IA aprender e adquirir conhecimentos e habilidades, por isso é crucial para a inteligência artificial.
① Melhorar a precisão do modelo: Por meio de uma seleção razoável do conjunto de dados e tempos de treinamento suficientes, o modelo de IA pode aprender gradualmente os padrões e recursos dos dados, melhorando assim a exatidão e a precisão do modelo.
② Apoiar a capacidade de generalização do modelo: O treinamento permite que o modelo tenha capacidade de generalização, ou seja, pode lidar com novas amostras de dados fora do conjunto de treinamento e funcionar em outras situações.
③ Melhorar a robustez do modelo: o treinamento pode fazer com que o modelo de IA tenha melhor capacidade de processamento e robustez para alguns dados ruidosos, dados forjados e dados de interferência.
④ Atualizar e iterar o modelo de IA: Por meio do treinamento, o modelo de IA pode ser continuamente atualizado e melhorado para atender às necessidades reais do aplicativo.
⑤ Melhorar a interpretabilidade do modelo: A interpretabilidade dos modelos de dados de IA é muito importante em muitos campos. Através da formação, a interpretabilidade e a transparência do modelo podem ser melhoradas, tornando-o mais fácil de compreender e utilizar.
2.3.2 Os cenários de treinamento afetam a taxa de evolução
Definir e selecionar cenários de treinamento é crucial para o desempenho e desempenho do modelo de IA, o que determina diretamente a qualidade e usabilidade do modelo. Durante o processo de treinamento, é necessário pré-processar os dados, selecionar algoritmos apropriados, otimizar os hiperparâmetros do algoritmo, controlar o ajuste insuficiente e excessivo, etc., de modo a tornar os resultados do treinamento do modelo de IA mais precisos e confiáveis. Estas tarefas mais importantes dependem essencialmente da participação manual, o que também reflecte o estatuto das “pessoas” como recurso estratégico central.
① Cenário de aprendizagem supervisionado: Ao fornecer um conjunto de dados rotulado ao modelo, indique a qual categoria ou valor alvo os dados pertencem, etc.
② Cenário de aprendizagem não supervisionado: O conjunto de dados de treinamento não possui rótulos ou valores alvo específicos. O modelo precisa descobrir os padrões e recursos dos dados por conta própria com base nas características estatísticas do conjunto de dados para processar e classificar os dados.
③ Cenário de aprendizagem semissupervisionado: Contém dados rotulados e não rotulados, e o modelo precisa aprender como classificar esses dados não rotulados.
④ Cenário de aprendizagem por reforço: O modelo interage continuamente com o ambiente, observa e interage com o ambiente a cada momento e ajusta a estratégia do modelo com base nas informações de feedback.
⑤ Cenário de processamento de linguagem natural: O conjunto de dados de treinamento geralmente é uma grande quantidade de dados de texto e o modelo precisa aprender como compreender os dados de texto e a relação entre os textos.
⑥ Cenário de visão computacional: O conjunto de dados de treinamento geralmente é composto de dados de imagem ou vídeo, e o modelo precisa aprender como compreender e processar esses dados de imagem para realizar tarefas como detecção de alvo e reconhecimento de imagem.
03 “Cenários de uso do usuário” são recursos estratégicos escassos no total.
Atualmente, existem certas limitações e limitações na melhoria da precisão e do nível de inteligência dos produtos de inteligência artificial através da expansão do hardware do computador e da expansão dos bancos de dados. Por um lado, expandir o hardware do computador e expandir o banco de dados requer muitos insumos humanos, financeiros e de tempo, e com a expansão contínua da escala do sistema, a demanda por recursos aumentará. Por outro lado, o actual desenvolvimento tecnológico no domínio da inteligência artificial ainda enfrenta muitos factores incertos, tais como a eficácia dos algoritmos e o efeito da auto-aprendizagem. Esses fatores afetarão o espaço de desenvolvimento de produtos de inteligência artificial.
Comparada com dados ilimitados, a competição pelos recursos do usuário é um jogo de soma zero. Se um produto de inteligência artificial tiver um grande número de usuários e for usado com frequência, ele poderá realizar a atualização inteligente do produto de inteligência artificial por meio do monitoramento e análise dos dados de uso do usuário, melhorar continuamente o sistema do produto e aumentar o valor de uso.
Mais usuários criam uma plataforma mais avançada; uma plataforma mais avançada cria uma experiência melhor; uma experiência melhor atrai mais usuários.
O efeito Matthew refere-se ao fenómeno de que, sob certas condições, talentos excepcionais são continuamente apoiados, resultando num fosso crescente entre talentos.
No processo de desenvolvimento da inteligência artificial, muitas vezes é mais fácil para tecnologias avançadas ou empresas avançadas obter o primeiro lote de utilizadores e quota de mercado, o que levará a mais investimentos e melhores retornos. Este fenômeno fortalecerá ainda mais a posição de liderança da indústria.
Por outro lado, o desenvolvimento da tecnologia de IA também requer um grande número de talentos profissionais. As empresas e plataformas líderes têm os recursos para continuar a investir mais fundos e recursos para obter vantagens em termos de talentos, fazendo com que os retardatários percam completamente a capacidade de recuperar o atraso.
O mais importante é que a plataforma líder proporcione uma melhor experiência ao usuário.Atualmente, o efeito Matthew no mercado de AI para C tem se destacado. Do ponto de vista da psicologia do usuário, os usuários acostumados a usar um tipo de produto de IA precisam reaprender e se adaptar ao mudar para outro produto do mesmo tipo, o que requer muito tempo e energia. Do ponto de vista da escala de dados, o acúmulo de uma grande quantidade de dados do usuário é de grande importância para o efeito de uso e análise do produto. A retenção de dados do usuário é a chave para o estabelecimento de tais produtos. Novos produtos têm desvantagens inerentes. O “efeito volante” natural do sistema de IA amplifica ainda mais a apresentação do “Efeito Mateus” na experiência do usuário.
04 Conclusão
Uma afirmação interessante: a IA é o arco e flecha do Neolítico.
A capacidade de aprendizagem formada pela IA depende da escala dos parâmetros. De acordo com a experiência acadêmica, a capacidade de aprendizagem das redes neurais profundas está positivamente correlacionada com a escala de parâmetros do modelo, ou seja, quanto mais parâmetros do modelo, mais forte será a capacidade de aprendizagem. O GPT-2 possui cerca de 1,5 bilhão de parâmetros, enquanto o maior modelo do GPT-3 possui 175 bilhões de parâmetros, um aumento de duas ordens de grandeza. Segundo especulações da mídia, mas notícias ainda não confirmadas, os parâmetros do GPT-4 podem chegar a 100 trilhões.
Alguns especialistas do setor acreditam que a tecnologia dura fornece componentes-chave e interfaces de hardware para o desenvolvimento de "tecnologia leve" e inova em torno das necessidades da cadeia de suprimentos de "tecnologia leve". A “tecnologia suave” é o “caminho de ouro” para a inovação científica e tecnológica ultrapassar nas curvas e mudar de faixa.
A CCTV descobriu um conjunto de combinações eficazes: primeiro, refine as necessidades do usuário em uma série de direções de capacitação de IA, como assistência médica, assistência agrícola, assistência de beleza e assistência educacional, e então eleve a estação principal por meio de correspondência semântica de pesquisa difusa. recursos de mídia, construir modelos de uso de alta frequência em vários cenários de aplicação, formar autoaprendizagem auto-organizada de "soft power", como bases de conhecimento e algoritmos, e forçar a construção de hard power, como poder de computação GPU e largura de banda CDN. Compreenda com firmeza o “vencedor” dos “cenários de uso do usuário”.
O que é emocionante é que a direção técnica da GPT está agora clara e não existem obstáculos técnicos intransponíveis. Podemos usar o espírito de “longo prazo” em que os chineses são melhores para disparar este arco e flecha da “Era Neolítica” com mais precisão e distância.