«ИИ — это лук и стрелы эпохи неолита.» Способность к обучению, формируемая ИИ, зависит от масштаба параметров. GPT-2 имеет около 1,5 миллиардов параметров, тогда как самая большая модель GPT-3 имеет 175 миллиардов параметров, что на два порядка больше. По предположениям СМИ, но неподтвержденным новостям, параметры GPT-4 могут достигать масштаба 100 триллионов.
В этой статье в основном обсуждаются: возможности и конструкция, возможности и проблемы интерактивной платформы искусственного интеллекта в новую эпоху. В отличие от некоторых традиционных взглядов, согласно которым создание искусственного интеллекта — это, главным образом, создание аппаратного обеспечения, Ян Цзихун, заместитель директора Аудиовизуального центра новых медиа Центральной радио- и телестанции Китая, начинает с точки зрения «людей» и подчеркивает, что «люди», то есть пользователи — решающая битва в битве искусственного интеллекта.Стратегический ресурс в кампании. Она считает, что «мягкие технологии» — это «золотая дорожка» для обгона в поворотах и смены полосы движения для научных и технологических инноваций. Твердо осознайте «сценарий использования пользователя» как «победитель».
Краткая дискуссия о «жесткой» и «мягкой силе» интерактивных платформ искусственного интеллекта.
01 Предисловие Единственная константа – это изменение
Инновации никогда не прекращаются, новые технологии продолжают появляться, а технологические инновации, основанные на искусственном интеллекте, глубоко меняют то, как мы живем и работаем.
Если популяризация компьютеров, сетей и Интернета — это волна перемен, вызванная компьютерами, то вторжение ИИ еще более мощное и всеобъемлющее. Необходимо постоянно учиться и адаптироваться к новым технологиям и новым моделям.
Когда в этой статье речь идет об искусственном интеллекте, я пытаюсь предложить новую перспективу, чтобы вместе с вами изучить возможности и конструкцию, возможности и проблемы интерактивной платформы искусственного интеллекта в новую эпоху. В отличие от некоторых традиционных взглядов, согласно которым создание искусственного интеллекта — это, главным образом, создание аппаратного обеспечения, я пытаюсь использовать «жесткую» и «мягкую» силу, чтобы деконструировать постоянно меняющиеся возможности искусственного интеллекта в более высоком измерении, начиная с точки зрения «людей», подчеркивая «людей». То есть пользователи являются стратегическим ресурсом в решающей битве против искусственного интеллекта.
02 «Жесткая сила» и «мягкая сила» интерактивной платформы искусственного интеллекта
1. Жесткая сила в интерактивном искусственном интеллекте
Компьютерное оборудование является основой ИИ. Прежде всего, аппаратное обеспечение компьютера напрямую определяет способность ИИ решать сложные вычислительные задачи. Обработка больших объемов данных, расчет и обучение алгоритмов глубокого обучения и т. д. требуют достаточной вычислительной мощности. Производительность CPU/GPU напрямую определяет скорость вычислений и эффективность ИИ. Во-вторых, CPU/GPU как аппаратные устройства должны поддерживать операционную среду программного обеспечения AI. ИИ включает в себя большое количество задач по обработке данных и вычислений и требует специальной программной среды для поддержки работы. Кроме того, компьютерное оборудование также должно быть хорошо масштабируемым и программируемым. Сценарии применения ИИ широко распространены, и для разных сценариев и приложений необходимо предоставлять разные решения ИИ. Только когда компьютерное оборудование обладает высокой масштабируемостью, можно быстро реализовать динамическое распределение и расширение ресурсов. Наконец, компьютерное оборудование должно быть программируемым, чтобы разработчики могли быстро оптимизировать алгоритмы и решения. На следующем рисунке показан базовый аппаратный состав и функции платформы системы ИИ:
2. «Мягкая сила» — балласт интерактивного ИИ
2.1 График знаний формирует базовый рынок ИИ
Граф знаний ИИ представляет собой структурированную базу знаний, которая содержит широкий спектр предметных знаний и используется для поддержки обучения и рассуждения систем искусственного интеллекта. Граф знаний состоит из сущностей (таких как люди, места, события и т. д.) и связей между ними. Оно может включать в себя различные виды знаний, включая определения, атрибуты, категории, ассоциации и т. д.
Построение и использование графов знаний — важная часть технологии искусственного интеллекта. Это может помочь системам ИИ приобретать, организовывать и хранить знания и семантическую информацию в различных областях, а также улучшать когнитивные способности и интеллект систем ИИ. Графы знаний можно использовать во многих аспектах, таких как обработка естественного языка, системы рекомендаций, системы вопросов и ответов и поиск информации.
Приведем некоторые знакомые примеры: Google Knowledge Graph, Baidu Encyclepedia и Wikipedia — все это графы знаний.
2.2 Повышение пропускной способности на уровне алгоритма
2.2.1 Важность алгоритмов
Алгоритмы являются важным средством решения различных задач ИИ. Разработка и улучшение алгоритмов также являются ключом к развитию и прогрессу ИИ. Важность алгоритмов отражается в следующих трех аспектах:
① Влияет на точность и эффективность модели. Различные алгоритмы влияют на точность и эффективность вычислений модели. Выбор подходящего алгоритма позволяет повысить точность модели и сократить время расчета.
② Удовлетворение различных потребностей и сценариев. Разные сценарии и приложения имеют разные потребности, и для их удовлетворения необходимо выбирать разные алгоритмы.
③ Обеспечение поддержки принятия решений: в соответствии с различными проблемами и данными алгоритм может обеспечить поддержку принятия решений, а также эффективно анализировать и прогнозировать данные.
2.2.2 Общие алгоритмы
В ИИ используется множество алгоритмов для адаптации к различным сценариям и потребностям приложений. Существует четыре общие категории алгоритмов машинного обучения: алгоритмы глубокого обучения, алгоритмы обработки естественного языка и алгоритмы рекомендаций.
① Алгоритм машинного обучения:
(1) Алгоритмы обучения с учителем: такие как линейная регрессия, логистическая регрессия, машина опорных векторов, дерево решений, случайный лес и т. д.
(2) Алгоритмы обучения без учителя: такие как кластеризация K-средних, иерархическая кластеризация, алгоритм ожидания-максимизации и т. д.
② Алгоритм глубокого обучения:
(1) Сверточная нейронная сеть (CNN): в основном используется для обработки изображений и задач компьютерного зрения.
(2) Рекуррентная нейронная сеть (RNN): в основном используется в задачах сериализации, таких как обработка естественного языка и обработка речи.
(3) Генеративно-состязательная сеть (GAN): в основном используется для таких задач, как генерация изображений и текста.
(4) Сеть трансформаторов (Трансформатор): в основном используется в таких задачах, как машинный перевод и обобщение текста.
③ Алгоритм обработки естественного языка:
(1) Извлечение ключевых слов: например, алгоритм TF-IDF, алгоритм TextRank и т. д.
(2) Распознавание именованного объекта: например, модель условного случайного поля и т. д.
(3) Алгоритмы синтаксического анализа: такие как модели правил, модели передачи и т. д.
(4) Алгоритмы анализа настроений: такие как словарные модели, модели машинного обучения и т. д.
④ Алгоритм рекомендаций:
(1) Рекомендации на основе контента: например, алгоритм TF-IDF, алгоритм LDA и т. д.
(2) Рекомендации, основанные на совместной фильтрации: например, UserCF, ItemCF, алгоритм LFM и т. д.
(3) Рекомендации по глубокому обучению: например, DeepFM, Wide&Deep, DIN, BERT4Rec и т. д.
Алгоритмы являются краеугольным камнем искусственного интеллекта для решения различных задач. Благодаря постоянному развитию и инновациям технологий также появляются новые алгоритмы искусственного интеллекта. Ключом к улучшению возможностей ИИ является выбор правильного алгоритма для правильной сцены. С этой точки зрения ключом к искусственному интеллекту по-прежнему является искусственный дизайн.
2.3 Сценарии обучения влияют на скорость развития
2.3.1 Важность обучения
Обучение — это процесс, в ходе которого модель ИИ учится и приобретает знания и навыки, и поэтому он имеет решающее значение для искусственного интеллекта.
① Повышение точности модели. Благодаря разумному выбору набора данных и достаточному времени обучения модель ИИ может постепенно изучать законы и характеристики данных, тем самым повышая точность и точность модели.
② Поддержка способности модели к обобщению: обучение позволяет модели иметь способность к обобщению, то есть она может обрабатывать новые образцы данных вне обучающего набора и играть роль в других ситуациях.
③ Повышение надежности модели: обучение может повысить способность модели ИИ к обработке и надежность для некоторых зашумленных данных, поддельных данных и данных помех.
④ Обновление и повторение модели ИИ. Благодаря обучению модель ИИ можно постоянно обновлять и улучшать для удовлетворения реальных потребностей приложений.
⑤ Улучшение интерпретируемости моделей. Интерпретируемость моделей данных ИИ очень важна во многих областях. Благодаря обучению можно улучшить интерпретируемость и прозрачность модели, что упрощает ее понимание и использование.
2.3.2 Сценарии обучения влияют на скорость развития
Настройка и выбор сценариев обучения имеет решающее значение для производительности и производительности модели ИИ, что напрямую определяет качество и удобство использования модели. В процессе обучения необходимо предварительно обработать данные, выбрать подходящие алгоритмы, оптимизировать гиперпараметры алгоритма, контролировать недоподбор и переподбор и т. д., чтобы сделать результаты обучения модели ИИ более точными и надежными. Эти наиболее важные задачи по существу зависят от ручного участия, что также отражает статус «людей» как основного стратегического ресурса.
① Сценарий контролируемого обучения: предоставляя модели помеченный набор данных, укажите, к какой категории или целевому значению принадлежат данные и т. д.
② Сценарий обучения без учителя: набор обучающих данных не имеет конкретных меток или целевых значений. Модель должна самостоятельно обнаруживать закономерности и особенности данных на основе статистических характеристик набора данных для обработки и классификации данных.
③ Сценарий полуконтролируемого обучения: содержит помеченные и неразмеченные данные, и модель должна научиться классифицировать эти неразмеченные данные.
④ Сценарий обучения с подкреплением: модель постоянно взаимодействует с окружающей средой, наблюдает за ней и взаимодействует с ней в каждый момент, а также корректирует стратегию модели на основе информации обратной связи.
⑤ Сценарий обработки естественного языка: набор обучающих данных обычно представляет собой большой объем текстовых данных, и модель должна научиться понимать текстовые данные и взаимосвязь между текстами.
⑥ Сценарий компьютерного зрения: набор обучающих данных обычно представляет собой изображения или видеоданные, и модели необходимо научиться понимать и обрабатывать эти данные изображения для решения таких задач, как обнаружение целей и распознавание изображений.
##03 «Сценарии использования пользователей» — это стратегические ресурсы, которых в целом недостаточно.
Ограниченные пользователи, неограниченные данные
В настоящее время существуют определенные ограничения и ограничения для повышения точности и уровня интеллекта продуктов искусственного интеллекта за счет расширения компьютерного оборудования и расширения баз данных. С одной стороны, расширение компьютерного оборудования и расширение базы данных требует больших человеческих, финансовых и временных затрат, а при постоянном расширении масштаба системы потребность в ресурсах будет возрастать. С другой стороны, нынешнее технологическое развитие в области искусственного интеллекта по-прежнему сталкивается со многими неопределенными факторами, такими как эффективность алгоритмов и эффект самообучения. Эти факторы повлияют на пространство разработки продуктов искусственного интеллекта.
По сравнению с неограниченными данными конкуренция за пользовательские ресурсы представляет собой игру с нулевой суммой. Если продукт искусственного интеллекта имеет большое количество пользователей и часто используется, он может реализовать интеллектуальное обновление продукта искусственного интеллекта посредством мониторинга и анализа данных об использовании пользователей, постоянного улучшения системы продукта и увеличения потребительской ценности.
Больше пользователей создают более продвинутую платформу; более продвинутая платформа создает лучший опыт; лучший опыт привлекает больше пользователей.
Различия в возможностях ИИ-платформ под разными идеологиями в будущем фундаментально определяются различиями в количестве пользователей и частоте использования. Чтобы получить больше пользователей и частое использование, необходимо постоянно улучшать и оптимизировать пользовательский интерфейс продукта, функции, качество обслуживания, продвижение на рынке и т. д., постоянно удовлетворять потребности пользователей и улучшать пользовательский опыт, а также завоевывать доверие и лояльность пользователей.
«Эффект Мэтью» уничтожает
Эффект Мэтью относится к явлению, заключающемуся в том, что при определенных условиях выдающиеся таланты постоянно поддерживаются, что приводит к увеличению разрыва между талантами.
В процессе разработки искусственного интеллекта передовым технологиям или передовым компаниям часто легче получить первую группу пользователей и долю рынка, что приводит к большему объему инвестиций и большей отдаче. Это явление еще больше укрепит лидирующие позиции отрасли.
С другой стороны, развитие технологий искусственного интеллекта также требует большого количества профессионалов. Ведущие компании и платформы могут продолжать инвестировать больше средств и ресурсов для получения преимуществ в области талантов, так что опоздавшие полностью потеряют способность наверстывать упущенное.
Самое главное, что ведущая платформа обеспечит лучший пользовательский опыт.В настоящее время эффект Мэтью на рынке AI to C был выделен. С точки зрения психологии пользователей, пользователям, привыкшим использовать один продукт ИИ, необходимо переучиваться и адаптироваться при переходе на другой продукт того же типа, что потребует много времени и энергии. С точки зрения масштаба данных, накопление большого количества пользовательских данных имеет большое значение для эффекта использования и анализа продуктов. Сохранение пользовательских данных является ключом к созданию таких продуктов, и новые продукты имеют свои недостатки. Естественный «эффект маховика» системы искусственного интеллекта еще больше усиливает представление «эффекта Мэтью» в пользовательском опыте.
04 Заключение
Интересное высказывание: ИИ — это лук и стрелы эпохи неолита.
Способность к обучению, формируемая ИИ, зависит от масштаба параметров. Согласно академическому опыту, способность к обучению глубоких нейронных сетей положительно коррелирует с масштабом параметров модели: чем больше параметров модели, тем сильнее способность к обучению. GPT-2 имеет около 1,5 миллиардов параметров, тогда как самая крупная модель GPT-3 имеет 175 миллиардов параметров, что на два порядка больше. По предположениям СМИ, но пока не подтвержденным новостям, параметры GPT-4 могут достигать 100 триллионов.
Некоторые эксперты в отрасли полагают, что «жесткие» технологии предоставляют ключевые компоненты и аппаратные интерфейсы для развития «мягких технологий» и внедряют инновации, отвечающие потребностям цепочки поставок «мягких технологий». «Мягкие технологии» — это «золотой путь» для научных и технологических инноваций, позволяющий обгонять их на поворотах и менять полосу движения.
CCTV разработала ряд эффективных комбинаций: сначала уточните потребности пользователей по ряду направлений расширения возможностей ИИ, таких как медицинская помощь, помощь в сельском хозяйстве, помощь в сфере красоты и помощь в образовании, а затем поднимите главную станцию с помощью нечеткого поиска и семантического сопоставления. медиа-ресурсы, создавать модели высокочастотного использования в различных сценариях приложений, формировать самоорганизующееся самообучение «мягкой силы», такой как базы знаний и алгоритмы, и форсировать создание жесткой силы, такой как вычислительная мощность графического процессора и пропускная способность CDN. Твердо определите «победителя» «сценариев использования пользователей».
Что интересно, так это то, что техническое направление GPT теперь ясно и непреодолимых технических препятствий нет. Мы можем использовать дух «долгосрочности», которым лучше всего владеют китайцы, чтобы стрелять из лука и стрел «эпохи неолита» наиболее точно и дальше.
Посмотреть Оригинал
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
Мнение | «Пользовательские сценарии использования» — ключ к развитию ИИ-платформ
Оригинал: Ян Цзихун
**Источник: **AI Dark Horse
Гид по темной лошадке AI 👉
«ИИ — это лук и стрелы эпохи неолита.» Способность к обучению, формируемая ИИ, зависит от масштаба параметров. GPT-2 имеет около 1,5 миллиардов параметров, тогда как самая большая модель GPT-3 имеет 175 миллиардов параметров, что на два порядка больше. По предположениям СМИ, но неподтвержденным новостям, параметры GPT-4 могут достигать масштаба 100 триллионов.
В этой статье в основном обсуждаются: возможности и конструкция, возможности и проблемы интерактивной платформы искусственного интеллекта в новую эпоху. В отличие от некоторых традиционных взглядов, согласно которым создание искусственного интеллекта — это, главным образом, создание аппаратного обеспечения, Ян Цзихун, заместитель директора Аудиовизуального центра новых медиа Центральной радио- и телестанции Китая, начинает с точки зрения «людей» и подчеркивает, что «люди», то есть пользователи — решающая битва в битве искусственного интеллекта.Стратегический ресурс в кампании. Она считает, что «мягкие технологии» — это «золотая дорожка» для обгона в поворотах и смены полосы движения для научных и технологических инноваций. Твердо осознайте «сценарий использования пользователя» как «победитель».
Краткая дискуссия о «жесткой» и «мягкой силе» интерактивных платформ искусственного интеллекта.
01 Предисловие Единственная константа – это изменение
Инновации никогда не прекращаются, новые технологии продолжают появляться, а технологические инновации, основанные на искусственном интеллекте, глубоко меняют то, как мы живем и работаем.
Если популяризация компьютеров, сетей и Интернета — это волна перемен, вызванная компьютерами, то вторжение ИИ еще более мощное и всеобъемлющее. Необходимо постоянно учиться и адаптироваться к новым технологиям и новым моделям.
Когда в этой статье речь идет об искусственном интеллекте, я пытаюсь предложить новую перспективу, чтобы вместе с вами изучить возможности и конструкцию, возможности и проблемы интерактивной платформы искусственного интеллекта в новую эпоху. В отличие от некоторых традиционных взглядов, согласно которым создание искусственного интеллекта — это, главным образом, создание аппаратного обеспечения, я пытаюсь использовать «жесткую» и «мягкую» силу, чтобы деконструировать постоянно меняющиеся возможности искусственного интеллекта в более высоком измерении, начиная с точки зрения «людей», подчеркивая «людей». То есть пользователи являются стратегическим ресурсом в решающей битве против искусственного интеллекта.
02 «Жесткая сила» и «мягкая сила» интерактивной платформы искусственного интеллекта
1. Жесткая сила в интерактивном искусственном интеллекте
1.1 Компьютерное оборудование, представленное CPU/GPU
Компьютерное оборудование является основой ИИ. Прежде всего, аппаратное обеспечение компьютера напрямую определяет способность ИИ решать сложные вычислительные задачи. Обработка больших объемов данных, расчет и обучение алгоритмов глубокого обучения и т. д. требуют достаточной вычислительной мощности. Производительность CPU/GPU напрямую определяет скорость вычислений и эффективность ИИ. Во-вторых, CPU/GPU как аппаратные устройства должны поддерживать операционную среду программного обеспечения AI. ИИ включает в себя большое количество задач по обработке данных и вычислений и требует специальной программной среды для поддержки работы. Кроме того, компьютерное оборудование также должно быть хорошо масштабируемым и программируемым. Сценарии применения ИИ широко распространены, и для разных сценариев и приложений необходимо предоставлять разные решения ИИ. Только когда компьютерное оборудование обладает высокой масштабируемостью, можно быстро реализовать динамическое распределение и расширение ресурсов. Наконец, компьютерное оборудование должно быть программируемым, чтобы разработчики могли быстро оптимизировать алгоритмы и решения. На следующем рисунке показан базовый аппаратный состав и функции платформы системы ИИ:
2.1 График знаний формирует базовый рынок ИИ
Граф знаний ИИ представляет собой структурированную базу знаний, которая содержит широкий спектр предметных знаний и используется для поддержки обучения и рассуждения систем искусственного интеллекта. Граф знаний состоит из сущностей (таких как люди, места, события и т. д.) и связей между ними. Оно может включать в себя различные виды знаний, включая определения, атрибуты, категории, ассоциации и т. д.
Приведем некоторые знакомые примеры: Google Knowledge Graph, Baidu Encyclepedia и Wikipedia — все это графы знаний.
2.2 Повышение пропускной способности на уровне алгоритма
2.2.1 Важность алгоритмов
Алгоритмы являются важным средством решения различных задач ИИ. Разработка и улучшение алгоритмов также являются ключом к развитию и прогрессу ИИ. Важность алгоритмов отражается в следующих трех аспектах:
① Влияет на точность и эффективность модели. Различные алгоритмы влияют на точность и эффективность вычислений модели. Выбор подходящего алгоритма позволяет повысить точность модели и сократить время расчета.
② Удовлетворение различных потребностей и сценариев. Разные сценарии и приложения имеют разные потребности, и для их удовлетворения необходимо выбирать разные алгоритмы.
③ Обеспечение поддержки принятия решений: в соответствии с различными проблемами и данными алгоритм может обеспечить поддержку принятия решений, а также эффективно анализировать и прогнозировать данные.
2.2.2 Общие алгоритмы
В ИИ используется множество алгоритмов для адаптации к различным сценариям и потребностям приложений. Существует четыре общие категории алгоритмов машинного обучения: алгоритмы глубокого обучения, алгоритмы обработки естественного языка и алгоритмы рекомендаций.
(1) Алгоритмы обучения с учителем: такие как линейная регрессия, логистическая регрессия, машина опорных векторов, дерево решений, случайный лес и т. д.
(2) Алгоритмы обучения без учителя: такие как кластеризация K-средних, иерархическая кластеризация, алгоритм ожидания-максимизации и т. д.
② Алгоритм глубокого обучения:
(1) Сверточная нейронная сеть (CNN): в основном используется для обработки изображений и задач компьютерного зрения.
(2) Рекуррентная нейронная сеть (RNN): в основном используется в задачах сериализации, таких как обработка естественного языка и обработка речи.
(3) Генеративно-состязательная сеть (GAN): в основном используется для таких задач, как генерация изображений и текста.
(4) Сеть трансформаторов (Трансформатор): в основном используется в таких задачах, как машинный перевод и обобщение текста.
③ Алгоритм обработки естественного языка:
(1) Извлечение ключевых слов: например, алгоритм TF-IDF, алгоритм TextRank и т. д.
(2) Распознавание именованного объекта: например, модель условного случайного поля и т. д.
(3) Алгоритмы синтаксического анализа: такие как модели правил, модели передачи и т. д.
(4) Алгоритмы анализа настроений: такие как словарные модели, модели машинного обучения и т. д.
④ Алгоритм рекомендаций:
(1) Рекомендации на основе контента: например, алгоритм TF-IDF, алгоритм LDA и т. д.
(2) Рекомендации, основанные на совместной фильтрации: например, UserCF, ItemCF, алгоритм LFM и т. д.
(3) Рекомендации по глубокому обучению: например, DeepFM, Wide&Deep, DIN, BERT4Rec и т. д.
Алгоритмы являются краеугольным камнем искусственного интеллекта для решения различных задач. Благодаря постоянному развитию и инновациям технологий также появляются новые алгоритмы искусственного интеллекта. Ключом к улучшению возможностей ИИ является выбор правильного алгоритма для правильной сцены. С этой точки зрения ключом к искусственному интеллекту по-прежнему является искусственный дизайн.
2.3 Сценарии обучения влияют на скорость развития
2.3.1 Важность обучения
Обучение — это процесс, в ходе которого модель ИИ учится и приобретает знания и навыки, и поэтому он имеет решающее значение для искусственного интеллекта.
① Повышение точности модели. Благодаря разумному выбору набора данных и достаточному времени обучения модель ИИ может постепенно изучать законы и характеристики данных, тем самым повышая точность и точность модели.
② Поддержка способности модели к обобщению: обучение позволяет модели иметь способность к обобщению, то есть она может обрабатывать новые образцы данных вне обучающего набора и играть роль в других ситуациях.
③ Повышение надежности модели: обучение может повысить способность модели ИИ к обработке и надежность для некоторых зашумленных данных, поддельных данных и данных помех.
④ Обновление и повторение модели ИИ. Благодаря обучению модель ИИ можно постоянно обновлять и улучшать для удовлетворения реальных потребностей приложений.
⑤ Улучшение интерпретируемости моделей. Интерпретируемость моделей данных ИИ очень важна во многих областях. Благодаря обучению можно улучшить интерпретируемость и прозрачность модели, что упрощает ее понимание и использование.
2.3.2 Сценарии обучения влияют на скорость развития
Настройка и выбор сценариев обучения имеет решающее значение для производительности и производительности модели ИИ, что напрямую определяет качество и удобство использования модели. В процессе обучения необходимо предварительно обработать данные, выбрать подходящие алгоритмы, оптимизировать гиперпараметры алгоритма, контролировать недоподбор и переподбор и т. д., чтобы сделать результаты обучения модели ИИ более точными и надежными. Эти наиболее важные задачи по существу зависят от ручного участия, что также отражает статус «людей» как основного стратегического ресурса.
① Сценарий контролируемого обучения: предоставляя модели помеченный набор данных, укажите, к какой категории или целевому значению принадлежат данные и т. д.
② Сценарий обучения без учителя: набор обучающих данных не имеет конкретных меток или целевых значений. Модель должна самостоятельно обнаруживать закономерности и особенности данных на основе статистических характеристик набора данных для обработки и классификации данных.
③ Сценарий полуконтролируемого обучения: содержит помеченные и неразмеченные данные, и модель должна научиться классифицировать эти неразмеченные данные.
④ Сценарий обучения с подкреплением: модель постоянно взаимодействует с окружающей средой, наблюдает за ней и взаимодействует с ней в каждый момент, а также корректирует стратегию модели на основе информации обратной связи.
⑤ Сценарий обработки естественного языка: набор обучающих данных обычно представляет собой большой объем текстовых данных, и модель должна научиться понимать текстовые данные и взаимосвязь между текстами.
⑥ Сценарий компьютерного зрения: набор обучающих данных обычно представляет собой изображения или видеоданные, и модели необходимо научиться понимать и обрабатывать эти данные изображения для решения таких задач, как обнаружение целей и распознавание изображений.
##03 «Сценарии использования пользователей» — это стратегические ресурсы, которых в целом недостаточно.
В настоящее время существуют определенные ограничения и ограничения для повышения точности и уровня интеллекта продуктов искусственного интеллекта за счет расширения компьютерного оборудования и расширения баз данных. С одной стороны, расширение компьютерного оборудования и расширение базы данных требует больших человеческих, финансовых и временных затрат, а при постоянном расширении масштаба системы потребность в ресурсах будет возрастать. С другой стороны, нынешнее технологическое развитие в области искусственного интеллекта по-прежнему сталкивается со многими неопределенными факторами, такими как эффективность алгоритмов и эффект самообучения. Эти факторы повлияют на пространство разработки продуктов искусственного интеллекта.
По сравнению с неограниченными данными конкуренция за пользовательские ресурсы представляет собой игру с нулевой суммой. Если продукт искусственного интеллекта имеет большое количество пользователей и часто используется, он может реализовать интеллектуальное обновление продукта искусственного интеллекта посредством мониторинга и анализа данных об использовании пользователей, постоянного улучшения системы продукта и увеличения потребительской ценности.
Больше пользователей создают более продвинутую платформу; более продвинутая платформа создает лучший опыт; лучший опыт привлекает больше пользователей.
Эффект Мэтью относится к явлению, заключающемуся в том, что при определенных условиях выдающиеся таланты постоянно поддерживаются, что приводит к увеличению разрыва между талантами.
В процессе разработки искусственного интеллекта передовым технологиям или передовым компаниям часто легче получить первую группу пользователей и долю рынка, что приводит к большему объему инвестиций и большей отдаче. Это явление еще больше укрепит лидирующие позиции отрасли.
С другой стороны, развитие технологий искусственного интеллекта также требует большого количества профессионалов. Ведущие компании и платформы могут продолжать инвестировать больше средств и ресурсов для получения преимуществ в области талантов, так что опоздавшие полностью потеряют способность наверстывать упущенное.
Самое главное, что ведущая платформа обеспечит лучший пользовательский опыт.В настоящее время эффект Мэтью на рынке AI to C был выделен. С точки зрения психологии пользователей, пользователям, привыкшим использовать один продукт ИИ, необходимо переучиваться и адаптироваться при переходе на другой продукт того же типа, что потребует много времени и энергии. С точки зрения масштаба данных, накопление большого количества пользовательских данных имеет большое значение для эффекта использования и анализа продуктов. Сохранение пользовательских данных является ключом к созданию таких продуктов, и новые продукты имеют свои недостатки. Естественный «эффект маховика» системы искусственного интеллекта еще больше усиливает представление «эффекта Мэтью» в пользовательском опыте.
04 Заключение
Интересное высказывание: ИИ — это лук и стрелы эпохи неолита.
Способность к обучению, формируемая ИИ, зависит от масштаба параметров. Согласно академическому опыту, способность к обучению глубоких нейронных сетей положительно коррелирует с масштабом параметров модели: чем больше параметров модели, тем сильнее способность к обучению. GPT-2 имеет около 1,5 миллиардов параметров, тогда как самая крупная модель GPT-3 имеет 175 миллиардов параметров, что на два порядка больше. По предположениям СМИ, но пока не подтвержденным новостям, параметры GPT-4 могут достигать 100 триллионов.
Некоторые эксперты в отрасли полагают, что «жесткие» технологии предоставляют ключевые компоненты и аппаратные интерфейсы для развития «мягких технологий» и внедряют инновации, отвечающие потребностям цепочки поставок «мягких технологий». «Мягкие технологии» — это «золотой путь» для научных и технологических инноваций, позволяющий обгонять их на поворотах и менять полосу движения.
CCTV разработала ряд эффективных комбинаций: сначала уточните потребности пользователей по ряду направлений расширения возможностей ИИ, таких как медицинская помощь, помощь в сельском хозяйстве, помощь в сфере красоты и помощь в образовании, а затем поднимите главную станцию с помощью нечеткого поиска и семантического сопоставления. медиа-ресурсы, создавать модели высокочастотного использования в различных сценариях приложений, формировать самоорганизующееся самообучение «мягкой силы», такой как базы знаний и алгоритмы, и форсировать создание жесткой силы, такой как вычислительная мощность графического процессора и пропускная способность CDN. Твердо определите «победителя» «сценариев использования пользователей».
Что интересно, так это то, что техническое направление GPT теперь ясно и непреодолимых технических препятствий нет. Мы можем использовать дух «долгосрочности», которым лучше всего владеют китайцы, чтобы стрелять из лука и стрел «эпохи неолита» наиболее точно и дальше.