Resim kaynağı: Sınırsız Yapay Zeka tarafından oluşturulmuştur
AI Dark Horse'a giriş 👉
"Yapay zeka, Neolitik Çağ'ın yayı ve okudur." Yapay zekanın oluşturduğu öğrenme yeteneği, parametrelerin ölçeğine bağlıdır. GPT-2'de yaklaşık 1,5 milyar parametre bulunurken, GPT-3'ün en büyük modelinde iki kat artışla 175 milyar parametre bulunur. Medyada çıkan ancak henüz doğrulanmayan haberlere göre GPT-4'ün parametreleri 100 trilyona ulaşabilir.
Bu makale esas olarak şunları tartışmaktadır: yeni çağda etkileşimli yapay zeka platformunun yetenekleri ve yapısı, fırsatları ve zorlukları. Yapay zekanın inşasının temel olarak donanım inşası olduğuna dair bazı geleneksel görüşlerden farklı olarak, Çin Merkez Radyo ve Televizyon İstasyonu Görsel-İşitsel Yeni Medya Merkezi müdür yardımcısı Yang Jihong, "insanlar" perspektifinden yola çıkıyor ve "insanlar"ın, yani yapay zeka savaşında belirleyici olan kullanıcılar, kampanyadaki stratejik kaynaktır. "Yumuşak teknolojinin" teknolojik yeniliğin virajlarda sollama ve şerit değiştirme için "altın yol" olduğuna inanıyor. "Kullanıcı kullanım senaryolarının" "kazananını" sıkı bir şekilde kavrayın.
İnteraktif Yapay Zeka Platformunun Sert Gücü ve Yumuşak Gücü Hakkında Konuşmak
01 Önsöz Değişmeyen tek şey değişimdir
İnovasyon asla durmuyor, yeni teknolojiler ortaya çıkmaya devam ediyor ve yapay zekanın yönlendirdiği teknolojik inovasyon, yaşama ve çalışma şeklimizi derinden değiştiriyor.
Bilgisayarların, ağların ve İnternet'in yaygınlaşması bilgisayarların getirdiği bir değişim dalgasıysa, o zaman yapay zekanın istilası daha da güçlü ve kapsamlıdır. Geleneksel endüstriler ve meslekler yapay zeka teknolojisinden etkileniyor ve alt üst ediliyor. Sürekli öğrenmeyi ve yeni teknolojilere ve yeni modellere uyum sağlamayı gerektiren birçok geleneksel işin yerini alıyor.
Yapay zeka bu makalede yer aldığında, yeni bir bakış açısı ortaya koymaya ve herkesin yeni çağda etkileşimli yapay zeka platformunun yeteneklerini ve yapısını, fırsatlarını ve zorluklarını incelemesine izin vermeye çalışıyorum. Yapay zeka inşasının temel olarak donanım inşasıyla ilgili olduğu yönündeki bazı geleneksel görüşlerden farklı olarak, sürekli değişen yapay zeka yeteneklerini sert güç ve yumuşak güç kullanarak daha yüksek bir boyuttan yeniden yapılandırmaya çalışıyorum. "İnsan" perspektifinden "insan"ı vurguluyorum. Yani kullanıcılar, yapay zekaya karşı verilen kararlı savaşta stratejik kaynaklardır.
02Etkileşimli yapay zeka platformlarının "sert gücü" ve "yumuşak gücü"
1. Etkileşimli Yapay Zekada Sabit Güç
1.1 CPU/GPU ile temsil edilen bilgisayar donanımı
Bilgisayar donanımı yapay zekanın temelidir. Her şeyden önce bilgisayar donanımı, yapay zekanın karmaşık bilgi işlem görevlerini yerine getirme yeteneğini doğrudan belirler. Büyük miktarda veriyi işlemek, derin öğrenme algoritmalarını hesaplamak ve eğitmek vb. yeterli bilgi işlem gücü gerektirir. CPU/GPU'nun performansı, yapay zekanın hesaplama hızını ve verimliliğini doğrudan belirler. İkinci olarak, donanım cihazları olarak CPU/GPU'nun AI yazılım işletim ortamını desteklemesi gerekir. Yapay zeka, çok sayıda veri işleme ve bilgi işlem görevini içerir ve operasyonu desteklemek için özel bir yazılım ortamı gerektirir. Ayrıca bilgisayar donanımının da yüksek düzeyde ölçeklenebilir ve programlanabilir olması gerekir. Yapay zeka uygulama senaryoları yaygındır ve farklı senaryolar ve uygulamalar için farklı yapay zeka çözümlerinin sağlanması gerekir. Yalnızca bilgisayar donanımı yüksek ölçeklenebilirliğe sahip olduğunda kaynakların dinamik tahsisi ve genişletilmesi hızlı bir şekilde gerçekleştirilebilir. Son olarak, geliştiricilerin algoritmaları ve çözümleri hızlı bir şekilde optimize edebilmesi için bilgisayar donanımının programlanabilir olması gerekir. Aşağıdaki şekil, AI sistem platformunun temel donanım bileşimini ve işlevlerini göstermektedir:
2.1 Bilgi grafiği yapay zeka temel diskini şekillendiriyor
Yapay zeka bilgi grafiği, çok çeşitli alan bilgisini içeren ve yapay zeka sistemlerinin öğrenmesini ve akıl yürütmesini desteklemek için kullanılan yapılandırılmış bir bilgi tabanıdır. Bilgi grafiği varlıklardan (insanlar, yerler, olaylar vb.) ve bunlar arasındaki ilişkilerden oluşur. Tanımlar, nitelikler, kategoriler, ilişkiler vb. dahil olmak üzere çeşitli bilgi türlerini içerebilir.
Bilgi grafiklerinin oluşturulması ve kullanılması yapay zeka teknolojisinin önemli bir parçasıdır. Yapay zeka sistemlerinin çeşitli alanlardaki bilgileri ve anlamsal bilgileri edinmesine, organize etmesine ve depolamasına yardımcı olabilir ve yapay zeka sistemlerinin bilişsel yeteneklerini ve zekasını geliştirebilir. Bilgi grafikleri doğal dil işleme, öneri sistemleri, soru-cevap sistemleri, bilgi erişimi gibi birçok alanda kullanılabilmektedir.
Bazı tanıdık örnekler vermek gerekirse, Google Bilgi Grafiği, Baidu Ansiklopedisi ve Wikipedia'nın tümü bilgi grafikleridir.
Algoritmalar çeşitli yapay zeka görevlerini gerçekleştirmenin önemli bir yoludur. Algoritmaların tasarımı ve iyileştirilmesi aynı zamanda yapay zekanın gelişimini ve ilerlemesini teşvik etmenin de anahtarıdır. Algoritmaların önemi aşağıdaki üç hususta yansıtılmaktadır:
① Modelin doğruluğunu ve verimliliğini etkiler: Farklı algoritmalar modelin doğruluğunu ve hesaplama verimliliğini etkiler. Uygun algoritmanın seçilmesi modelin doğruluğunu artırabilir ve hesaplama süresini azaltabilir.
② Farklı ihtiyaçları ve senaryoları karşılayın: Farklı senaryo ve uygulamaların farklı ihtiyaçları vardır ve bunları karşılamak için farklı algoritmaların seçilmesi gerekir.
③ Karar desteği sağlayın: Algoritma, farklı problemlere ve verilere göre karar desteği sağlayabilir ve verileri etkili bir şekilde analiz edip tahmin edebilir.
2.2.2 Ortak algoritmalar
Yapay zekada farklı uygulama senaryolarına ve ihtiyaçlara uyum sağlamak için kullanılan birçok algoritma vardır. Dört ortak kategori vardır: makine öğrenme algoritmaları, derin öğrenme algoritmaları, doğal dil işleme algoritmaları ve öneri algoritmaları.
① Makine öğrenme algoritması:
(1) Denetimli öğrenme algoritmaları: doğrusal regresyon, lojistik regresyon, destek vektör makinesi, karar ağacı, rastgele orman vb.
(2) Denetimsiz öğrenme algoritmaları: K-Ortalamalar kümelemesi, hiyerarşik kümeleme, Beklenti-Maksimizasyon algoritması vb. gibi.
② Derin öğrenme algoritması:
(1) Evrişimli Sinir Ağı (CNN): Temel olarak görüntü işleme ve bilgisayarlı görme görevlerinde kullanılır.
(2) Tekrarlayan Sinir Ağı (RNN): Temel olarak doğal dil işleme ve konuşma işleme gibi serileştirme görevlerinde kullanılır.
(3) Üretken yüzleşme ağı (GAN): Esas olarak resim ve metin oluşturma gibi görevlerde kullanılır.
(4) Trafo ağı (Transformer): Esas olarak makine çevirisi ve metin özetleme gibi görevlerde kullanılır.
③ Doğal dil işleme algoritması:
(1) Anahtar kelime çıkarma: TF-IDF algoritması, TextRank algoritması vb.
(2) Adlandırılmış varlık tanıma: koşullu rastgele alan modeli vb. gibi.
(3) Sözdizimi analiz algoritmaları: kural modelleri, aktarım modelleri vb.
(4) Duyarlılık analizi algoritmaları: sözlük modelleri, makine öğrenimi modelleri vb.
④ Önerilen algoritma:
(1) İçerik bazlı öneri: TF-IDF algoritması, LDA algoritması vb.
(2) İşbirliğine dayalı filtrelemeye dayalı öneri: UserCF, ItemCF, LFM algoritması vb.
(3) Derin öğrenme önerileri: DeepFM, Wide&Deep, DIN, BERT4Rec vb. gibi.
Algoritmalar, çeşitli görevleri gerçekleştirmek için yapay zekanın temel taşıdır. Teknoloji gelişmeye ve yenilik yapmaya devam ettikçe, sürekli olarak yeni yapay zeka algoritmaları ortaya çıkıyor. Yapay zeka yeteneklerini geliştirmenin anahtarı, doğru senaryo için doğru algoritmayı seçip eşleştirmektir. Bu açıdan bakıldığında yapay zekanın anahtarı hâlâ insan tasarımında yatıyor.
2.3 Eğitim senaryoları evrim oranını etkiler
2.3.1 Eğitimin önemi
Eğitim, bir yapay zeka modelinin bilgi ve becerileri öğrenip edindiği süreçtir ve bu nedenle yapay zeka için çok önemlidir.
① Model doğruluğunu iyileştirin: Makul veri seti seçimi ve yeterli eğitim süreleri sayesinde yapay zeka modeli, verilerdeki kalıpları ve özellikleri yavaş yavaş öğrenebilir, böylece modelin doğruluğu ve kesinliği geliştirilebilir.
② Modelin genelleme yeteneğinin desteklenmesi: Eğitim, modelin genelleme yeteneğine sahip olmasını, yani eğitim seti dışındaki yeni veri örneklerini işleyebilmesini ve diğer durumlarda rol oynayabilmesini sağlar.
③ Modelin sağlamlığını artırın: Eğitim, AI modelinin daha iyi işleme yeteneklerine sahip olmasını ve bazı gürültülü verilere, sahte verilere ve girişim verilerine karşı sağlamlığa sahip olmasını sağlayabilir.
④ Yapay Zeka modelini güncelleyin ve yineleyin: Eğitim yoluyla yapay zeka modeli, gerçek uygulama gereksinimlerini karşılayacak şekilde sürekli olarak güncellenebilir ve geliştirilebilir.
⑤ Model yorumlanabilirliğini geliştirin: Yapay zeka veri modellerinin yorumlanabilirliği birçok alanda çok önemlidir. Eğitim yoluyla modelin yorumlanabilirliği ve şeffaflığı geliştirilebilir, böylece anlaşılması ve kullanılması kolaylaştırılabilir.
2.3.2 Eğitim senaryoları evrim oranını etkiler
Eğitim senaryolarının belirlenmesi ve seçilmesi, modelin kalitesini ve kullanılabilirliğini doğrudan belirleyen yapay zeka modelinin performansı ve performansı açısından çok önemlidir. Eğitim süreci sırasında, yapay zeka modeli eğitiminin sonuçlarını daha doğru ve güvenilir hale getirmek için verileri ön işlemek, uygun algoritmaları seçmek, algoritma hiperparametrelerini optimize etmek, yetersiz uyum ve aşırı uyumu kontrol etmek vb. gereklidir. Bu en önemli görevler esas olarak manuel katılıma dayanır ve bu aynı zamanda temel stratejik kaynak olarak "insanların" statüsünü de yansıtır.
① Denetimli öğrenme senaryosu: Modele etiketli bir veri seti sağlayarak, verilerin hangi kategoriye veya hedef değere ait olduğunu vs. belirtin.
② Denetimsiz öğrenme senaryosu: Eğitim veri setinin belirli etiketleri veya hedef değerleri yoktur.Verileri işlemek ve sınıflandırmak için modelin, veri setinin istatistiksel özelliklerine dayanarak verilerdeki kalıpları ve özellikleri kendi başına keşfetmesi gerekir.
③ Yarı denetimli öğrenme senaryosu: Etiketli ve etiketsiz verileri içerir ve modelin bu etiketsiz verileri nasıl sınıflandıracağını öğrenmesi gerekir.
④ Takviyeli öğrenme senaryosu: Model sürekli olarak çevre ile etkileşime girer, çevreyi her an gözlemler ve etkileşime girer ve modelin stratejisini geri bildirim bilgilerine göre ayarlar.
⑤ Doğal dil işleme senaryoları: Eğitim veri seti genellikle büyük miktarda metin verisinden oluşur ve modelin, metin verilerini ve metinler arasındaki ilişkiyi nasıl anlayacağını öğrenmesi gerekir.
⑥ Bilgisayarla görme senaryosu: Eğitim veri seti genellikle görüntü veya video verileridir ve modelin, hedef tespiti ve görüntü tanıma gibi görevleri gerçekleştirmek için bu görüntü verilerini nasıl anlayacağını ve işleyeceğini öğrenmesi gerekir.
03 "Kullanıcı Kullanım Senaryosu" kıt bir stratejik kaynaktır
Sınırlı kullanıcı, sınırsız veri
Günümüzde bilgisayar donanımının genişletilmesi ve veri tabanlarının genişletilmesi yoluyla yapay zeka ürünlerinin doğruluk ve zeka düzeyinin artırılmasına yönelik bazı kısıtlamalar ve sınırlamalar bulunmaktadır. Bir yandan bilgisayar donanımını genişletmek ve veri tabanını genişletmek çok fazla insan, finans ve zaman girdisi gerektirecek ve sistem ölçeğinin sürekli genişlemesiyle birlikte kaynaklara olan talep de artacaktır. Öte yandan yapay zeka alanındaki mevcut teknolojik gelişme, algoritmaların etkinliği, kendi kendine öğrenmenin etkisi gibi birçok belirsiz faktörle hâlâ karşı karşıyadır. Bu faktörler yapay zeka ürünlerinin geliştirme alanını etkileyecektir.
Sınırsız veriyle karşılaştırıldığında, kullanıcı kaynaklarına yönelik rekabet sıfır toplamlı bir oyundur. Bir yapay zeka ürününün çok sayıda kullanıcısı ve yüksek kullanım sıklığı varsa, yapay zeka ürününün akıllı yükseltmesi, kullanıcı kullanım verilerinin izlenmesi ve analizi yoluyla gerçekleştirilebilir ve ürün sistemi, değeri artırmak için sürekli olarak iyileştirilebilir. kullanım.
Daha fazla kullanıcı daha gelişmiş bir platform yaratır; daha gelişmiş bir platform daha iyi bir deneyim yaratır; daha iyi bir deneyim daha fazla kullanıcıyı çeker.
Gelecekte farklı ideolojiler altındaki yapay zeka platformlarının yeteneklerindeki farklılıklar, temel olarak kullanıcı sayısı ve kullanım sıklığındaki farklılıklar tarafından belirlenecektir. Daha fazla kullanıcı ve sık kullanım elde etmek için, ürün kullanıcı arayüzünü, işlevlerini, hizmet kalitesini, pazar tanıtımını vb. sürekli olarak iyileştirmek ve optimize etmek, kullanıcı ihtiyaçlarını sürekli karşılamak, kullanıcı deneyimini iyileştirmek ve kullanıcıların güvenini ve sadakatini kazanmak gerekir.
“Matthew Etkisi” yamyamlaştırıyor
Matthew etkisi, belirli koşullar altında olağanüstü yeteneklerin sürekli olarak desteklenmesi ve bunun sonucunda yetenekler arasındaki uçurumun artması olgusunu ifade eder.
Yapay zeka geliştirme sürecinde, ileri teknolojilerin veya gelişmiş işletmelerin ilk kullanıcı grubunu ve pazar payını elde etmesi genellikle daha kolaydır, bu da daha fazla yatırıma ve daha iyi getirilere yol açacaktır. Bu olgu sektörün lider konumunu daha da güçlendirecek.
Öte yandan yapay zeka teknolojisinin gelişimi de çok sayıda mesleki yeteneğe ihtiyaç duyuyor. Önde gelen şirketler ve platformlar, yetenek avantajları elde etmek için daha fazla fon ve kaynak yatırımı yapmaya devam edecek kaynaklara sahip, bu da geç kalanların yetişme yeteneklerini tamamen kaybetmelerine neden oluyor.
En önemlisi lider platformların daha iyi kullanıcı deneyimi sunacak olması. Şu anda AI to C pazarında Matthew Etkisi öne çıkıyor. Kullanıcı psikolojisi açısından bakıldığında, bir yapay zeka ürününü kullanmaya alışkın olan kullanıcıların, aynı türden başka bir ürüne geçerken yeniden öğrenmeleri ve uyum sağlamaları gerekir; bu da çok fazla zaman ve enerji tüketecektir. Veri ölçeği açısından bakıldığında, büyük miktarda kullanıcı verisinin birikmesi, ürünlerin kullanım etkisi ve analizi açısından büyük öneme sahiptir.Kullanıcı verilerinin tutulması, bu tür ürünlerin oluşturulmasının anahtarıdır ve yeni ürünlerin doğası gereği dezavantajları vardır. Yapay zeka sistemlerinin doğasında bulunan "volan etkisi", kullanıcı deneyimindeki "Matthew Etkisi"ni daha da güçlendirir.
##04 Sonsöz
İlginç bir açıklama: Yapay zeka, Neolitik Çağ'ın yayı ve okudur.
Yapay zekanın oluşturduğu öğrenme yeteneği, parametrelerin ölçeğine bağlıdır. Akademik deneyime göre, derin sinir ağlarının öğrenme yeteneği modelin parametre ölçeği ile pozitif ilişkilidir, yani modelin parametreleri ne kadar fazlaysa öğrenme yeteneği de o kadar güçlü olur. GPT-2'de yaklaşık 1,5 milyar parametre bulunurken, GPT-3'ün en büyük modelinde iki kat artışla 175 milyar parametre bulunur. Medyada çıkan ancak henüz doğrulanmayan haberlere göre GPT-4'ün parametreleri 100 trilyona ulaşabilir.
Sektördeki bazı uzmanlar, sert teknolojinin "yumuşak teknoloji"nin geliştirilmesi için temel bileşenleri ve donanım arayüzlerini sağladığına ve "yumuşak teknoloji" tedarik zincirinin ihtiyaçları etrafında yenilikler yaptığına inanıyor. "Yumuşak teknoloji", virajlarda sollama ve şerit değiştirme konusunda bilimsel ve teknolojik yeniliklerin "altın yoludur".
CCTV etkili bir kombinasyon buldu: Öncelikle kullanıcı ihtiyaçlarını tıbbi yardım, tarımsal yardım, güzellik yardımı ve öğrenci yardımı gibi bir dizi yapay zeka güçlendirme yönüne ayrıştırıyor ve ardından bulanık arama semantik eşleştirme yoluyla genel istasyonu yükseltiyor. kaynaklar, çeşitli uygulama senaryolarında yüksek frekanslı kullanım modelleri oluşturur, bilgi tabanları ve algoritmalar gibi "yumuşak gücün" kendi kendine organize edilen kendi kendine öğrenmesini oluşturur, bu da GPU hesaplama gücü ve CDN bant genişliği gibi sert gücün inşasını zorlar. "Kullanıcı kullanım senaryosunu" "kazanan" olarak sıkı bir şekilde kavrayın.
Heyecan verici olan şu ki, GPT'nin teknik yönünün şu anda net olması ve aşılamaz teknik engellerin bulunmaması. Biz Çinlilerin en iyi olduğu “uzun vadelilik” ruhunu kullanıyoruz ve bu “Neolitik” yayı ve oku mümkün olduğu kadar uzağa fırlatabiliriz.
View Original
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
Görüş | “Kullanıcı kullanım senaryoları” yapay zeka platformlarının geliştirilmesinin anahtarıdır
Orijinal: Yang Jihong
**Kaynak: **AI Dark Horse
AI Dark Horse'a giriş 👉
"Yapay zeka, Neolitik Çağ'ın yayı ve okudur." Yapay zekanın oluşturduğu öğrenme yeteneği, parametrelerin ölçeğine bağlıdır. GPT-2'de yaklaşık 1,5 milyar parametre bulunurken, GPT-3'ün en büyük modelinde iki kat artışla 175 milyar parametre bulunur. Medyada çıkan ancak henüz doğrulanmayan haberlere göre GPT-4'ün parametreleri 100 trilyona ulaşabilir.
Bu makale esas olarak şunları tartışmaktadır: yeni çağda etkileşimli yapay zeka platformunun yetenekleri ve yapısı, fırsatları ve zorlukları. Yapay zekanın inşasının temel olarak donanım inşası olduğuna dair bazı geleneksel görüşlerden farklı olarak, Çin Merkez Radyo ve Televizyon İstasyonu Görsel-İşitsel Yeni Medya Merkezi müdür yardımcısı Yang Jihong, "insanlar" perspektifinden yola çıkıyor ve "insanlar"ın, yani yapay zeka savaşında belirleyici olan kullanıcılar, kampanyadaki stratejik kaynaktır. "Yumuşak teknolojinin" teknolojik yeniliğin virajlarda sollama ve şerit değiştirme için "altın yol" olduğuna inanıyor. "Kullanıcı kullanım senaryolarının" "kazananını" sıkı bir şekilde kavrayın.
İnteraktif Yapay Zeka Platformunun Sert Gücü ve Yumuşak Gücü Hakkında Konuşmak
01 Önsöz Değişmeyen tek şey değişimdir
İnovasyon asla durmuyor, yeni teknolojiler ortaya çıkmaya devam ediyor ve yapay zekanın yönlendirdiği teknolojik inovasyon, yaşama ve çalışma şeklimizi derinden değiştiriyor.
Bilgisayarların, ağların ve İnternet'in yaygınlaşması bilgisayarların getirdiği bir değişim dalgasıysa, o zaman yapay zekanın istilası daha da güçlü ve kapsamlıdır. Geleneksel endüstriler ve meslekler yapay zeka teknolojisinden etkileniyor ve alt üst ediliyor. Sürekli öğrenmeyi ve yeni teknolojilere ve yeni modellere uyum sağlamayı gerektiren birçok geleneksel işin yerini alıyor.
Yapay zeka bu makalede yer aldığında, yeni bir bakış açısı ortaya koymaya ve herkesin yeni çağda etkileşimli yapay zeka platformunun yeteneklerini ve yapısını, fırsatlarını ve zorluklarını incelemesine izin vermeye çalışıyorum. Yapay zeka inşasının temel olarak donanım inşasıyla ilgili olduğu yönündeki bazı geleneksel görüşlerden farklı olarak, sürekli değişen yapay zeka yeteneklerini sert güç ve yumuşak güç kullanarak daha yüksek bir boyuttan yeniden yapılandırmaya çalışıyorum. "İnsan" perspektifinden "insan"ı vurguluyorum. Yani kullanıcılar, yapay zekaya karşı verilen kararlı savaşta stratejik kaynaklardır.
02Etkileşimli yapay zeka platformlarının "sert gücü" ve "yumuşak gücü"
1. Etkileşimli Yapay Zekada Sabit Güç
1.1 CPU/GPU ile temsil edilen bilgisayar donanımı
Bilgisayar donanımı yapay zekanın temelidir. Her şeyden önce bilgisayar donanımı, yapay zekanın karmaşık bilgi işlem görevlerini yerine getirme yeteneğini doğrudan belirler. Büyük miktarda veriyi işlemek, derin öğrenme algoritmalarını hesaplamak ve eğitmek vb. yeterli bilgi işlem gücü gerektirir. CPU/GPU'nun performansı, yapay zekanın hesaplama hızını ve verimliliğini doğrudan belirler. İkinci olarak, donanım cihazları olarak CPU/GPU'nun AI yazılım işletim ortamını desteklemesi gerekir. Yapay zeka, çok sayıda veri işleme ve bilgi işlem görevini içerir ve operasyonu desteklemek için özel bir yazılım ortamı gerektirir. Ayrıca bilgisayar donanımının da yüksek düzeyde ölçeklenebilir ve programlanabilir olması gerekir. Yapay zeka uygulama senaryoları yaygındır ve farklı senaryolar ve uygulamalar için farklı yapay zeka çözümlerinin sağlanması gerekir. Yalnızca bilgisayar donanımı yüksek ölçeklenebilirliğe sahip olduğunda kaynakların dinamik tahsisi ve genişletilmesi hızlı bir şekilde gerçekleştirilebilir. Son olarak, geliştiricilerin algoritmaları ve çözümleri hızlı bir şekilde optimize edebilmesi için bilgisayar donanımının programlanabilir olması gerekir. Aşağıdaki şekil, AI sistem platformunun temel donanım bileşimini ve işlevlerini göstermektedir:
2.1 Bilgi grafiği yapay zeka temel diskini şekillendiriyor
Yapay zeka bilgi grafiği, çok çeşitli alan bilgisini içeren ve yapay zeka sistemlerinin öğrenmesini ve akıl yürütmesini desteklemek için kullanılan yapılandırılmış bir bilgi tabanıdır. Bilgi grafiği varlıklardan (insanlar, yerler, olaylar vb.) ve bunlar arasındaki ilişkilerden oluşur. Tanımlar, nitelikler, kategoriler, ilişkiler vb. dahil olmak üzere çeşitli bilgi türlerini içerebilir.
Bazı tanıdık örnekler vermek gerekirse, Google Bilgi Grafiği, Baidu Ansiklopedisi ve Wikipedia'nın tümü bilgi grafikleridir.
2.2 Algoritma Düzeyinde Sürüş Kapasitesi Yükseltmesi
2.2.1 Algoritmaların önemi
Algoritmalar çeşitli yapay zeka görevlerini gerçekleştirmenin önemli bir yoludur. Algoritmaların tasarımı ve iyileştirilmesi aynı zamanda yapay zekanın gelişimini ve ilerlemesini teşvik etmenin de anahtarıdır. Algoritmaların önemi aşağıdaki üç hususta yansıtılmaktadır:
① Modelin doğruluğunu ve verimliliğini etkiler: Farklı algoritmalar modelin doğruluğunu ve hesaplama verimliliğini etkiler. Uygun algoritmanın seçilmesi modelin doğruluğunu artırabilir ve hesaplama süresini azaltabilir.
② Farklı ihtiyaçları ve senaryoları karşılayın: Farklı senaryo ve uygulamaların farklı ihtiyaçları vardır ve bunları karşılamak için farklı algoritmaların seçilmesi gerekir.
③ Karar desteği sağlayın: Algoritma, farklı problemlere ve verilere göre karar desteği sağlayabilir ve verileri etkili bir şekilde analiz edip tahmin edebilir.
2.2.2 Ortak algoritmalar
Yapay zekada farklı uygulama senaryolarına ve ihtiyaçlara uyum sağlamak için kullanılan birçok algoritma vardır. Dört ortak kategori vardır: makine öğrenme algoritmaları, derin öğrenme algoritmaları, doğal dil işleme algoritmaları ve öneri algoritmaları.
(1) Denetimli öğrenme algoritmaları: doğrusal regresyon, lojistik regresyon, destek vektör makinesi, karar ağacı, rastgele orman vb.
(2) Denetimsiz öğrenme algoritmaları: K-Ortalamalar kümelemesi, hiyerarşik kümeleme, Beklenti-Maksimizasyon algoritması vb. gibi.
② Derin öğrenme algoritması:
(1) Evrişimli Sinir Ağı (CNN): Temel olarak görüntü işleme ve bilgisayarlı görme görevlerinde kullanılır.
(2) Tekrarlayan Sinir Ağı (RNN): Temel olarak doğal dil işleme ve konuşma işleme gibi serileştirme görevlerinde kullanılır.
(3) Üretken yüzleşme ağı (GAN): Esas olarak resim ve metin oluşturma gibi görevlerde kullanılır.
(4) Trafo ağı (Transformer): Esas olarak makine çevirisi ve metin özetleme gibi görevlerde kullanılır.
③ Doğal dil işleme algoritması:
(1) Anahtar kelime çıkarma: TF-IDF algoritması, TextRank algoritması vb.
(2) Adlandırılmış varlık tanıma: koşullu rastgele alan modeli vb. gibi.
(3) Sözdizimi analiz algoritmaları: kural modelleri, aktarım modelleri vb.
(4) Duyarlılık analizi algoritmaları: sözlük modelleri, makine öğrenimi modelleri vb.
④ Önerilen algoritma:
(1) İçerik bazlı öneri: TF-IDF algoritması, LDA algoritması vb.
(2) İşbirliğine dayalı filtrelemeye dayalı öneri: UserCF, ItemCF, LFM algoritması vb.
(3) Derin öğrenme önerileri: DeepFM, Wide&Deep, DIN, BERT4Rec vb. gibi.
Algoritmalar, çeşitli görevleri gerçekleştirmek için yapay zekanın temel taşıdır. Teknoloji gelişmeye ve yenilik yapmaya devam ettikçe, sürekli olarak yeni yapay zeka algoritmaları ortaya çıkıyor. Yapay zeka yeteneklerini geliştirmenin anahtarı, doğru senaryo için doğru algoritmayı seçip eşleştirmektir. Bu açıdan bakıldığında yapay zekanın anahtarı hâlâ insan tasarımında yatıyor.
2.3 Eğitim senaryoları evrim oranını etkiler
2.3.1 Eğitimin önemi
Eğitim, bir yapay zeka modelinin bilgi ve becerileri öğrenip edindiği süreçtir ve bu nedenle yapay zeka için çok önemlidir.
① Model doğruluğunu iyileştirin: Makul veri seti seçimi ve yeterli eğitim süreleri sayesinde yapay zeka modeli, verilerdeki kalıpları ve özellikleri yavaş yavaş öğrenebilir, böylece modelin doğruluğu ve kesinliği geliştirilebilir.
② Modelin genelleme yeteneğinin desteklenmesi: Eğitim, modelin genelleme yeteneğine sahip olmasını, yani eğitim seti dışındaki yeni veri örneklerini işleyebilmesini ve diğer durumlarda rol oynayabilmesini sağlar.
③ Modelin sağlamlığını artırın: Eğitim, AI modelinin daha iyi işleme yeteneklerine sahip olmasını ve bazı gürültülü verilere, sahte verilere ve girişim verilerine karşı sağlamlığa sahip olmasını sağlayabilir.
④ Yapay Zeka modelini güncelleyin ve yineleyin: Eğitim yoluyla yapay zeka modeli, gerçek uygulama gereksinimlerini karşılayacak şekilde sürekli olarak güncellenebilir ve geliştirilebilir.
⑤ Model yorumlanabilirliğini geliştirin: Yapay zeka veri modellerinin yorumlanabilirliği birçok alanda çok önemlidir. Eğitim yoluyla modelin yorumlanabilirliği ve şeffaflığı geliştirilebilir, böylece anlaşılması ve kullanılması kolaylaştırılabilir.
2.3.2 Eğitim senaryoları evrim oranını etkiler
Eğitim senaryolarının belirlenmesi ve seçilmesi, modelin kalitesini ve kullanılabilirliğini doğrudan belirleyen yapay zeka modelinin performansı ve performansı açısından çok önemlidir. Eğitim süreci sırasında, yapay zeka modeli eğitiminin sonuçlarını daha doğru ve güvenilir hale getirmek için verileri ön işlemek, uygun algoritmaları seçmek, algoritma hiperparametrelerini optimize etmek, yetersiz uyum ve aşırı uyumu kontrol etmek vb. gereklidir. Bu en önemli görevler esas olarak manuel katılıma dayanır ve bu aynı zamanda temel stratejik kaynak olarak "insanların" statüsünü de yansıtır.
① Denetimli öğrenme senaryosu: Modele etiketli bir veri seti sağlayarak, verilerin hangi kategoriye veya hedef değere ait olduğunu vs. belirtin.
② Denetimsiz öğrenme senaryosu: Eğitim veri setinin belirli etiketleri veya hedef değerleri yoktur.Verileri işlemek ve sınıflandırmak için modelin, veri setinin istatistiksel özelliklerine dayanarak verilerdeki kalıpları ve özellikleri kendi başına keşfetmesi gerekir.
③ Yarı denetimli öğrenme senaryosu: Etiketli ve etiketsiz verileri içerir ve modelin bu etiketsiz verileri nasıl sınıflandıracağını öğrenmesi gerekir.
④ Takviyeli öğrenme senaryosu: Model sürekli olarak çevre ile etkileşime girer, çevreyi her an gözlemler ve etkileşime girer ve modelin stratejisini geri bildirim bilgilerine göre ayarlar.
⑤ Doğal dil işleme senaryoları: Eğitim veri seti genellikle büyük miktarda metin verisinden oluşur ve modelin, metin verilerini ve metinler arasındaki ilişkiyi nasıl anlayacağını öğrenmesi gerekir.
⑥ Bilgisayarla görme senaryosu: Eğitim veri seti genellikle görüntü veya video verileridir ve modelin, hedef tespiti ve görüntü tanıma gibi görevleri gerçekleştirmek için bu görüntü verilerini nasıl anlayacağını ve işleyeceğini öğrenmesi gerekir.
03 "Kullanıcı Kullanım Senaryosu" kıt bir stratejik kaynaktır
Günümüzde bilgisayar donanımının genişletilmesi ve veri tabanlarının genişletilmesi yoluyla yapay zeka ürünlerinin doğruluk ve zeka düzeyinin artırılmasına yönelik bazı kısıtlamalar ve sınırlamalar bulunmaktadır. Bir yandan bilgisayar donanımını genişletmek ve veri tabanını genişletmek çok fazla insan, finans ve zaman girdisi gerektirecek ve sistem ölçeğinin sürekli genişlemesiyle birlikte kaynaklara olan talep de artacaktır. Öte yandan yapay zeka alanındaki mevcut teknolojik gelişme, algoritmaların etkinliği, kendi kendine öğrenmenin etkisi gibi birçok belirsiz faktörle hâlâ karşı karşıyadır. Bu faktörler yapay zeka ürünlerinin geliştirme alanını etkileyecektir.
Sınırsız veriyle karşılaştırıldığında, kullanıcı kaynaklarına yönelik rekabet sıfır toplamlı bir oyundur. Bir yapay zeka ürününün çok sayıda kullanıcısı ve yüksek kullanım sıklığı varsa, yapay zeka ürününün akıllı yükseltmesi, kullanıcı kullanım verilerinin izlenmesi ve analizi yoluyla gerçekleştirilebilir ve ürün sistemi, değeri artırmak için sürekli olarak iyileştirilebilir. kullanım.
Daha fazla kullanıcı daha gelişmiş bir platform yaratır; daha gelişmiş bir platform daha iyi bir deneyim yaratır; daha iyi bir deneyim daha fazla kullanıcıyı çeker.
Matthew etkisi, belirli koşullar altında olağanüstü yeteneklerin sürekli olarak desteklenmesi ve bunun sonucunda yetenekler arasındaki uçurumun artması olgusunu ifade eder.
Yapay zeka geliştirme sürecinde, ileri teknolojilerin veya gelişmiş işletmelerin ilk kullanıcı grubunu ve pazar payını elde etmesi genellikle daha kolaydır, bu da daha fazla yatırıma ve daha iyi getirilere yol açacaktır. Bu olgu sektörün lider konumunu daha da güçlendirecek.
Öte yandan yapay zeka teknolojisinin gelişimi de çok sayıda mesleki yeteneğe ihtiyaç duyuyor. Önde gelen şirketler ve platformlar, yetenek avantajları elde etmek için daha fazla fon ve kaynak yatırımı yapmaya devam edecek kaynaklara sahip, bu da geç kalanların yetişme yeteneklerini tamamen kaybetmelerine neden oluyor.
En önemlisi lider platformların daha iyi kullanıcı deneyimi sunacak olması. Şu anda AI to C pazarında Matthew Etkisi öne çıkıyor. Kullanıcı psikolojisi açısından bakıldığında, bir yapay zeka ürününü kullanmaya alışkın olan kullanıcıların, aynı türden başka bir ürüne geçerken yeniden öğrenmeleri ve uyum sağlamaları gerekir; bu da çok fazla zaman ve enerji tüketecektir. Veri ölçeği açısından bakıldığında, büyük miktarda kullanıcı verisinin birikmesi, ürünlerin kullanım etkisi ve analizi açısından büyük öneme sahiptir.Kullanıcı verilerinin tutulması, bu tür ürünlerin oluşturulmasının anahtarıdır ve yeni ürünlerin doğası gereği dezavantajları vardır. Yapay zeka sistemlerinin doğasında bulunan "volan etkisi", kullanıcı deneyimindeki "Matthew Etkisi"ni daha da güçlendirir.
##04 Sonsöz
İlginç bir açıklama: Yapay zeka, Neolitik Çağ'ın yayı ve okudur.
Yapay zekanın oluşturduğu öğrenme yeteneği, parametrelerin ölçeğine bağlıdır. Akademik deneyime göre, derin sinir ağlarının öğrenme yeteneği modelin parametre ölçeği ile pozitif ilişkilidir, yani modelin parametreleri ne kadar fazlaysa öğrenme yeteneği de o kadar güçlü olur. GPT-2'de yaklaşık 1,5 milyar parametre bulunurken, GPT-3'ün en büyük modelinde iki kat artışla 175 milyar parametre bulunur. Medyada çıkan ancak henüz doğrulanmayan haberlere göre GPT-4'ün parametreleri 100 trilyona ulaşabilir.
Sektördeki bazı uzmanlar, sert teknolojinin "yumuşak teknoloji"nin geliştirilmesi için temel bileşenleri ve donanım arayüzlerini sağladığına ve "yumuşak teknoloji" tedarik zincirinin ihtiyaçları etrafında yenilikler yaptığına inanıyor. "Yumuşak teknoloji", virajlarda sollama ve şerit değiştirme konusunda bilimsel ve teknolojik yeniliklerin "altın yoludur".
CCTV etkili bir kombinasyon buldu: Öncelikle kullanıcı ihtiyaçlarını tıbbi yardım, tarımsal yardım, güzellik yardımı ve öğrenci yardımı gibi bir dizi yapay zeka güçlendirme yönüne ayrıştırıyor ve ardından bulanık arama semantik eşleştirme yoluyla genel istasyonu yükseltiyor. kaynaklar, çeşitli uygulama senaryolarında yüksek frekanslı kullanım modelleri oluşturur, bilgi tabanları ve algoritmalar gibi "yumuşak gücün" kendi kendine organize edilen kendi kendine öğrenmesini oluşturur, bu da GPU hesaplama gücü ve CDN bant genişliği gibi sert gücün inşasını zorlar. "Kullanıcı kullanım senaryosunu" "kazanan" olarak sıkı bir şekilde kavrayın.
Heyecan verici olan şu ki, GPT'nin teknik yönünün şu anda net olması ve aşılamaz teknik engellerin bulunmaması. Biz Çinlilerin en iyi olduğu “uzun vadelilik” ruhunu kullanıyoruz ve bu “Neolitik” yayı ve oku mümkün olduğu kadar uzağa fırlatabiliriz.