«ШІ — це лук і стріли епохи неоліту.» Здатність до навчання, сформована ШІ, залежить від масштабу параметрів. GPT-2 має близько 1,5 мільярда параметрів, тоді як найбільша модель GPT-3 має 175 мільярдів параметрів, збільшення на два порядки. За припущеннями ЗМІ, але ще не підтвердженими новинами, параметри GPT-4 можуть досягати 100 трлн.
У цій статті в основному обговорюються: можливості та конструкція, можливості та виклики інтерактивної платформи ШІ в нову еру. На відміну від деяких традиційних поглядів, згідно з якими конструкція штучного інтелекту – це в основному конструкція апаратного забезпечення, Ян Цзіхонг, заступник директора аудіовізуального центру нових медіа Центрального радіо та телебачення Китаю, починає з точки зору «людей», підкреслюючи, що «люди» — це користувачі. , і це вирішальна битва штучного інтелекту Стратегічні ресурси в кампанії. Вона вважає, що «м’які технології» — це «золота доріжка» для обгону в поворотах і зміни смуги для науково-технічних інновацій. Твердо схопіть «сценарій використання користувача» як «переможця».
Говорячи про жорстку та м’яку силу інтерактивної платформи ШІ
01 Передмова Єдиною константою є зміна
Інновації ніколи не припиняються, нові технології продовжують з’являтися, а технологічні інновації, керовані штучним інтелектом, кардинально змінюють спосіб нашого життя та роботи.
Якщо популяризація комп’ютерів, мереж та Інтернету є хвилею змін, викликаних комп’ютерами, то вторгнення штучного інтелекту є ще потужнішим і масштабнішим. Технологія штучного інтелекту впливає на традиційні галузі та професії та руйнує їх. Багато традиційних робіт замінюються, вимагаючи постійного навчання та адаптації до нових технологій і нових моделей.
Коли мова йде про штучний інтелект в цій статті, я намагаюся висунути новий погляд і дозволити кожному вивчити можливості та конструкцію, можливості та виклики інтерактивної платформи штучного інтелекту в нову еру. На відміну від деяких традиційних поглядів, згідно з якими розробка штучного інтелекту здебільшого стосується конструкції апаратного забезпечення, я намагаюся деконструювати постійно мінливі можливості штучного інтелекту з вищого виміру, використовуючи жорстку та м’яку силу. З точки зору «людей», я наголошую на «людях». Тобто користувачі є стратегічними ресурсами у вирішальній битві проти штучного інтелекту.
02 «Жорстка сила» та «м’яка сила» інтерактивних платформ ШІ
1. Hard Power в інтерактивному штучному інтелекті
1.1 Апаратне забезпечення комп’ютера, представлене CPU/GPU
Комп’ютерне обладнання є основою ШІ. По-перше, комп’ютерне обладнання безпосередньо визначає здатність ШІ справлятися зі складними обчислювальними завданнями. Обробка великих обсягів даних, обчислення та навчання алгоритмів глибокого навчання тощо потребують достатньої обчислювальної потужності. Продуктивність CPU/GPU безпосередньо визначає швидкість обчислення та ефективність ШІ. По-друге, як апаратний пристрій, CPU/GPU має підтримувати операційне середовище програмного забезпечення AI. ШІ передбачає виконання великої кількості завдань з обробки даних і обчислень, і для його роботи потрібне спеціальне програмне середовище. Крім того, комп'ютерне обладнання також повинно мати високу масштабованість і програмованість. Існує широкий спектр сценаріїв застосування штучного інтелекту, і для різних сценаріїв і програм потрібно надавати різні рішення штучного інтелекту. Динамічний розподіл і розширення ресурсів може бути швидко реалізовано тільки в тому випадку, якщо апаратне забезпечення комп'ютера має високу масштабованість. Нарешті, комп’ютерне обладнання також має бути програмованим, щоб розробники могли швидко оптимізувати алгоритми та рішення. На наступному малюнку показаний базовий апаратний склад і функції системної платформи AI:
2. «М’яка сила» — це баласт інтерактивного ШІ
2.1 Граф знань формує основний ринок ШІ
Граф знань AI — це структурована база знань, яка містить широкий спектр знань про предметну область і використовується для підтримки навчання та міркувань систем штучного інтелекту. Граф знань складається з сутностей (таких як люди, місця, події тощо) і зв’язків між ними. Він може включати різні типи знань, включаючи визначення, атрибути, категорії, асоціації тощо.
Побудова та використання графів знань є важливою частиною технології ШІ. Це може допомогти системам ШІ здобувати, організовувати та зберігати знання та семантичну інформацію в різних областях, а також покращувати когнітивні можливості та інтелект систем ШІ. Графи знань можна використовувати в багатьох аспектах, таких як обробка природної мови, системи рекомендацій, системи запитань і відповідей та пошук інформації.
Щоб навести деякі знайомі приклади, Google Knowledge Graph, Baidu Encyclopedia та Wikipedia — це всі графи знань.
2.2 Алгоритм Level Driving Capacity Upgrade
2.2.1 Важливість алгоритмів
Алгоритми є важливим засобом для досягнення різних завдань ШІ. Розробка та вдосконалення алгоритмів також є ключовими для сприяння розвитку та прогресу ШІ. Важливість алгоритмів відображається в наступних трьох аспектах:
① Впливають на точність і ефективність моделі: різні алгоритми впливатимуть на точність і ефективність обчислень моделі. Вибір відповідного алгоритму може підвищити точність моделі та скоротити час розрахунку.
② Задоволення різних потреб і сценаріїв: різні сценарії та програми мають різні потреби, і для їх задоволення потрібно вибрати різні алгоритми.
③ Забезпечення підтримки прийняття рішень: відповідно до різних проблем і даних, алгоритм може забезпечити підтримку прийняття рішень і ефективно аналізувати та прогнозувати дані.
2.2.2 Загальні алгоритми
Існує багато алгоритмів, які використовуються в ШІ для адаптації до різних прикладних сценаріїв і потреб. Існує чотири загальні категорії: алгоритми машинного навчання, алгоритми глибокого навчання, алгоритми обробки природної мови та алгоритми рекомендацій.
① Алгоритм машинного навчання:
(1) Алгоритми контрольованого навчання: такі як лінійна регресія, логістична регресія, машина опорних векторів, дерево рішень, випадковий ліс тощо.
(2) Алгоритми неконтрольованого навчання: такі як кластеризація K-Means, ієрархічна кластеризація, алгоритми очікування–максимізації тощо.
② Алгоритм глибокого навчання:
(1) Згорточна нейронна мережа (CNN): в основному використовується для обробки зображень і завдань комп’ютерного зору.
(2) Повторювана нейронна мережа (RNN): в основному використовується в задачах серіалізації, таких як обробка природної мови та мовлення.
(3) Generative Adversarial Network (GAN): в основному використовується для таких завдань, як створення зображень і тексту.
(4) Трансформаторна мережа (Transformer): вона в основному використовується в таких завданнях, як машинний переклад і резюмування тексту.
③ Алгоритм обробки природної мови:
(1) Вилучення ключових слів: наприклад, алгоритм TF-IDF, алгоритм TextRank тощо.
(2) Розпізнавання іменованих сутностей: наприклад, модель умовного випадкового поля тощо.
(3) Алгоритми синтаксичного аналізу: такі як моделі правил, моделі передачі тощо.
(4) Алгоритми аналізу настрою: такі як моделі словників, моделі машинного навчання тощо.
④ Алгоритм рекомендацій:
(1) Рекомендація на основі вмісту: наприклад, алгоритм TF-IDF, алгоритм LDA тощо.
(2) Рекомендація на основі спільної фільтрації: наприклад, UserCF, ItemCF, алгоритм LFM тощо.
(3) Рекомендації щодо глибокого навчання: такі як DeepFM, Wide&Deep, DIN, BERT4Rec тощо.
Алгоритми є наріжним каменем штучного інтелекту для вирішення різних завдань. З постійним розвитком та інноваціями технологій також з’являються нові алгоритми ШІ. Ключ до покращення можливостей штучного інтелекту полягає у виборі правильного алгоритму для правильної сцени. З цієї точки зору ключем до штучного інтелекту все ще є штучний дизайн.
2.3 Сценарії навчання впливають на швидкість розвитку
2.3.1 Важливість навчання
Навчання — це процес, за допомогою якого модель штучного інтелекту вивчає та набуває знань і навичок, і тому має вирішальне значення для штучного інтелекту.
① Підвищення точності моделі: Завдяки розумному вибору набору даних і достатньому часу навчання модель AI може поступово вивчати закони та характеристики даних, тим самим покращуючи точність і точність моделі.
② Підтримка здатності моделі до узагальнення. Навчання дає змогу моделі мати здатність до узагальнення, тобто вона може обробляти нові зразки даних за межами навчального набору та відігравати роль в інших ситуаціях.
③ Підвищення надійності моделі: навчання може зробити модель штучного інтелекту кращою здатністю обробки та надійністю для деяких даних із шумом, підроблених даних і даних про перешкоди.
④ Оновлення та повторення моделі штучного інтелекту: за допомогою навчання модель штучного інтелекту можна постійно оновлювати та вдосконалювати відповідно до фактичних вимог програми.
⑤ Покращте інтерпретативність моделі: інтерпретабельність моделей даних штучного інтелекту дуже важлива в багатьох сферах. Завдяки навчанню можна покращити інтерпретативність і прозорість моделі, що полегшить її розуміння та використання.
2.3.2 Сценарії навчання впливають на швидкість розвитку
Налаштування та вибір сценаріїв навчання має вирішальне значення для продуктивності та продуктивності моделі AI, що безпосередньо визначає якість і зручність використання моделі. У процесі навчання необхідно попередньо опрацювати дані, вибрати відповідний алгоритм, оптимізувати гіперпараметри алгоритму, контролювати недооблаштування та переоблаштування тощо, щоб зробити результати навчання моделі ШІ більш точними та надійними. Ці найважливіші завдання по суті покладаються на ручну участь, що також відображає статус «людей» як найважливішого стратегічного ресурсу.
① Сценарій навчання під наглядом: надаючи моделі позначений набір даних, вона вказує, до якої категорії чи цільового значення належать дані.
② Сценарій неконтрольованого навчання: Навчальний набір даних не має конкретних міток або цільових значень. Модель повинна самостійно виявити закономірності та особливості в даних на основі статистичних характеристик набору даних, щоб обробити та класифікувати дані.
③ Сценарій напівконтрольованого навчання: містить позначені та немарковані дані, і модель має навчитися класифікувати ці немарковані дані.
④ Сценарій навчання з підкріпленням: модель постійно взаємодіє з оточенням, спостерігає та взаємодіє з оточенням щомиті та коригує стратегію моделі на основі інформації зворотного зв’язку.
⑤ Сценарій обробки природної мови: Навчальний набір даних, як правило, складається з великої кількості текстових даних, і модель має навчитися розуміти текстові дані та зв’язок між текстами.
⑥ Сценарії комп’ютерного зору: набір навчальних даних зазвичай складається із зображень або відеоданих, і модель має навчитися розуміти та обробляти ці дані зображення, щоб виконувати такі завдання, як виявлення цілей і розпізнавання зображень.
03 «Сценарії використання користувачами» - це стратегічні ресурси, яких в цілому мало.
Обмежені користувачі, необмежені дані
Наразі існують певні обмеження та обмеження щодо підвищення точності та рівня інтелекту продуктів штучного інтелекту шляхом розширення комп’ютерного обладнання та розширення баз даних. З одного боку, розширення комп'ютерного обладнання та розширення баз даних потребують великих інвестицій у робочу силу, фінансові ресурси та час.Якщо масштаб системи продовжує розширюватися, потреба в ресурсах зростатиме. З іншого боку, поточний технологічний розвиток у сфері штучного інтелекту все ще стикається з багатьма невизначеними факторами, такими як ефективність алгоритмів і ефект самонавчання. Ці фактори вплинуть на простір розробки продуктів штучного інтелекту.
Порівняно з необмеженими даними, конкуренція за ресурси користувача є грою з нульовою сумою. Якщо продукт штучного інтелекту має велику кількість користувачів і високу частоту використання, інтелектуальне оновлення продукту штучного інтелекту може бути реалізовано за допомогою моніторингу та аналізу даних про використання користувачами, а систему продукту можна постійно вдосконалювати для підвищення цінності. використання.
Більше користувачів створює досконалішу платформу; досконаліша платформа створює кращий досвід; кращий досвід приваблює більше користувачів.
Відмінності в можливостях платформ штучного інтелекту під різними ідеологіями в майбутньому фундаментально визначаються відмінностями в кількості користувачів і частоті використання. Для отримання більшої кількості користувачів і частого використання необхідно постійно вдосконалювати та оптимізувати інтерфейс користувача продукту, функції, якість обслуговування, просування на ринку тощо, постійно задовольняти потреби користувачів і покращувати досвід користувачів, а також завойовувати довіру та лояльність користувачів.
«Ефект Метью» канібалізувати
Ефект Метью стосується явища, коли за певних умов видатні таланти постійно підтримуються, що призводить до зростання розриву між талантами.
У процесі розробки штучного інтелекту передовим технологіям або передовим підприємствам часто легше отримати першу групу користувачів і частку ринку, що призведе до збільшення інвестицій і кращого прибутку. Це явище ще більше зміцнить лідируючі позиції галузі.
З іншого боку, розвиток технології штучного інтелекту також вимагає великої кількості професіоналів. Провідні компанії та платформи можуть продовжувати інвестувати більше коштів і ресурсів, щоб отримати переваги талантів, так що ті, хто спізнюється, повністю втратять здатність наздоганяти.
Найважливіше те, що провідні платформи забезпечать кращий користувальницький досвід.В даний час ефект Метью на ринку AI to C став помітним. З точки зору психології користувача, користувачі, які звикли використовувати один продукт штучного інтелекту, повинні перевчитися та адаптуватися під час переходу на інший продукт того ж типу, що зажадає багато часу та енергії. З точки зору масштабу даних, накопичення великої кількості даних користувачів має велике значення для ефекту використання та аналізу продуктів. Збереження даних користувачів є ключем до створення таких продуктів, і нові продукти мають властиві недоліки. «Ефект маховика», притаманний системам штучного інтелекту, ще більше посилює «ефект Метью» у взаємодії з користувачем.
04 Висновок
Цікаве твердження: ШІ — це лук і стріли епохи неоліту.
Здатність до навчання формування ШІ залежить від масштабу параметрів. Згідно з академічним досвідом, здатність до навчання глибоких нейронних мереж позитивно корелює з масштабом параметрів моделі, тобто чим більше параметрів моделі, тим сильніша здатність до навчання. GPT-2 має близько 1,5 мільярда параметрів, тоді як найбільша модель GPT-3 має 175 мільярдів параметрів, що на два порядки більше. Згідно з припущеннями ЗМІ, але непідтвердженими новинами, параметри GPT-4 можуть досягти масштабу 100 трильйонів.
Деякі експерти в галузі вважають, що жорсткі технології забезпечують ключові компоненти та апаратні інтерфейси для розробки «м’яких технологій» і впроваджують інновації навколо потреб ланцюжка поставок «м’яких технологій». «М’яка технологія» — це «золота траса» для обгону на поворотах і зміни смуги для технологічних інновацій.
CCTV розробив набір ефективних комбінованих ударів: спочатку уточнюйте потреби користувачів у ряді напрямків розширення можливостей штучного інтелекту, таких як медична допомога, допомога в сільському господарстві, допомога в красі та допомога в освіті, а потім підніміть головну станцію за допомогою нечіткого пошуку семантичної відповідності Massive медіа-ресурси, створювати високочастотні моделі використання в різних прикладних сценаріях, формувати самоорганізоване самонавчання «м’якої сили», такої як бази знань і алгоритми, і змушувати побудову жорсткої потужності, такої як обчислювальна потужність GPU та пропускна здатність CDN. Твердо схопіть «сценарій використання користувача» як «переможця».
Що цікаво, так це те, що технічний напрямок GPT тепер зрозумілий, і немає непереборних технічних перешкод. Ми можемо використати дух «довгостроковості», яким найкраще володіють китайці, щоб стріляти з цього лука та стріл «епохи неоліту» найточніше та найдальше.
Переглянути оригінал
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
Думка | «Сценарії використання користувача» є ключем до розробки платформ ШІ
Оригінал: Yang Jihong
**Джерело: **AI Dark Horse
Вступ до AI Dark Horse 👉
«ШІ — це лук і стріли епохи неоліту.» Здатність до навчання, сформована ШІ, залежить від масштабу параметрів. GPT-2 має близько 1,5 мільярда параметрів, тоді як найбільша модель GPT-3 має 175 мільярдів параметрів, збільшення на два порядки. За припущеннями ЗМІ, але ще не підтвердженими новинами, параметри GPT-4 можуть досягати 100 трлн.
У цій статті в основному обговорюються: можливості та конструкція, можливості та виклики інтерактивної платформи ШІ в нову еру. На відміну від деяких традиційних поглядів, згідно з якими конструкція штучного інтелекту – це в основному конструкція апаратного забезпечення, Ян Цзіхонг, заступник директора аудіовізуального центру нових медіа Центрального радіо та телебачення Китаю, починає з точки зору «людей», підкреслюючи, що «люди» — це користувачі. , і це вирішальна битва штучного інтелекту Стратегічні ресурси в кампанії. Вона вважає, що «м’які технології» — це «золота доріжка» для обгону в поворотах і зміни смуги для науково-технічних інновацій. Твердо схопіть «сценарій використання користувача» як «переможця».
Говорячи про жорстку та м’яку силу інтерактивної платформи ШІ
01 Передмова Єдиною константою є зміна
Інновації ніколи не припиняються, нові технології продовжують з’являтися, а технологічні інновації, керовані штучним інтелектом, кардинально змінюють спосіб нашого життя та роботи.
Якщо популяризація комп’ютерів, мереж та Інтернету є хвилею змін, викликаних комп’ютерами, то вторгнення штучного інтелекту є ще потужнішим і масштабнішим. Технологія штучного інтелекту впливає на традиційні галузі та професії та руйнує їх. Багато традиційних робіт замінюються, вимагаючи постійного навчання та адаптації до нових технологій і нових моделей.
Коли мова йде про штучний інтелект в цій статті, я намагаюся висунути новий погляд і дозволити кожному вивчити можливості та конструкцію, можливості та виклики інтерактивної платформи штучного інтелекту в нову еру. На відміну від деяких традиційних поглядів, згідно з якими розробка штучного інтелекту здебільшого стосується конструкції апаратного забезпечення, я намагаюся деконструювати постійно мінливі можливості штучного інтелекту з вищого виміру, використовуючи жорстку та м’яку силу. З точки зору «людей», я наголошую на «людях». Тобто користувачі є стратегічними ресурсами у вирішальній битві проти штучного інтелекту.
02 «Жорстка сила» та «м’яка сила» інтерактивних платформ ШІ
1. Hard Power в інтерактивному штучному інтелекті
1.1 Апаратне забезпечення комп’ютера, представлене CPU/GPU
Комп’ютерне обладнання є основою ШІ. По-перше, комп’ютерне обладнання безпосередньо визначає здатність ШІ справлятися зі складними обчислювальними завданнями. Обробка великих обсягів даних, обчислення та навчання алгоритмів глибокого навчання тощо потребують достатньої обчислювальної потужності. Продуктивність CPU/GPU безпосередньо визначає швидкість обчислення та ефективність ШІ. По-друге, як апаратний пристрій, CPU/GPU має підтримувати операційне середовище програмного забезпечення AI. ШІ передбачає виконання великої кількості завдань з обробки даних і обчислень, і для його роботи потрібне спеціальне програмне середовище. Крім того, комп'ютерне обладнання також повинно мати високу масштабованість і програмованість. Існує широкий спектр сценаріїв застосування штучного інтелекту, і для різних сценаріїв і програм потрібно надавати різні рішення штучного інтелекту. Динамічний розподіл і розширення ресурсів може бути швидко реалізовано тільки в тому випадку, якщо апаратне забезпечення комп'ютера має високу масштабованість. Нарешті, комп’ютерне обладнання також має бути програмованим, щоб розробники могли швидко оптимізувати алгоритми та рішення. На наступному малюнку показаний базовий апаратний склад і функції системної платформи AI:
2.1 Граф знань формує основний ринок ШІ
Граф знань AI — це структурована база знань, яка містить широкий спектр знань про предметну область і використовується для підтримки навчання та міркувань систем штучного інтелекту. Граф знань складається з сутностей (таких як люди, місця, події тощо) і зв’язків між ними. Він може включати різні типи знань, включаючи визначення, атрибути, категорії, асоціації тощо.
Щоб навести деякі знайомі приклади, Google Knowledge Graph, Baidu Encyclopedia та Wikipedia — це всі графи знань.
2.2 Алгоритм Level Driving Capacity Upgrade
2.2.1 Важливість алгоритмів
Алгоритми є важливим засобом для досягнення різних завдань ШІ. Розробка та вдосконалення алгоритмів також є ключовими для сприяння розвитку та прогресу ШІ. Важливість алгоритмів відображається в наступних трьох аспектах:
① Впливають на точність і ефективність моделі: різні алгоритми впливатимуть на точність і ефективність обчислень моделі. Вибір відповідного алгоритму може підвищити точність моделі та скоротити час розрахунку.
② Задоволення різних потреб і сценаріїв: різні сценарії та програми мають різні потреби, і для їх задоволення потрібно вибрати різні алгоритми.
③ Забезпечення підтримки прийняття рішень: відповідно до різних проблем і даних, алгоритм може забезпечити підтримку прийняття рішень і ефективно аналізувати та прогнозувати дані.
2.2.2 Загальні алгоритми
Існує багато алгоритмів, які використовуються в ШІ для адаптації до різних прикладних сценаріїв і потреб. Існує чотири загальні категорії: алгоритми машинного навчання, алгоритми глибокого навчання, алгоритми обробки природної мови та алгоритми рекомендацій.
(1) Алгоритми контрольованого навчання: такі як лінійна регресія, логістична регресія, машина опорних векторів, дерево рішень, випадковий ліс тощо.
(2) Алгоритми неконтрольованого навчання: такі як кластеризація K-Means, ієрархічна кластеризація, алгоритми очікування–максимізації тощо.
② Алгоритм глибокого навчання:
(1) Згорточна нейронна мережа (CNN): в основному використовується для обробки зображень і завдань комп’ютерного зору.
(2) Повторювана нейронна мережа (RNN): в основному використовується в задачах серіалізації, таких як обробка природної мови та мовлення.
(3) Generative Adversarial Network (GAN): в основному використовується для таких завдань, як створення зображень і тексту.
(4) Трансформаторна мережа (Transformer): вона в основному використовується в таких завданнях, як машинний переклад і резюмування тексту.
③ Алгоритм обробки природної мови:
(1) Вилучення ключових слів: наприклад, алгоритм TF-IDF, алгоритм TextRank тощо.
(2) Розпізнавання іменованих сутностей: наприклад, модель умовного випадкового поля тощо.
(3) Алгоритми синтаксичного аналізу: такі як моделі правил, моделі передачі тощо.
(4) Алгоритми аналізу настрою: такі як моделі словників, моделі машинного навчання тощо.
④ Алгоритм рекомендацій:
(1) Рекомендація на основі вмісту: наприклад, алгоритм TF-IDF, алгоритм LDA тощо.
(2) Рекомендація на основі спільної фільтрації: наприклад, UserCF, ItemCF, алгоритм LFM тощо.
(3) Рекомендації щодо глибокого навчання: такі як DeepFM, Wide&Deep, DIN, BERT4Rec тощо.
Алгоритми є наріжним каменем штучного інтелекту для вирішення різних завдань. З постійним розвитком та інноваціями технологій також з’являються нові алгоритми ШІ. Ключ до покращення можливостей штучного інтелекту полягає у виборі правильного алгоритму для правильної сцени. З цієї точки зору ключем до штучного інтелекту все ще є штучний дизайн.
2.3 Сценарії навчання впливають на швидкість розвитку
2.3.1 Важливість навчання
Навчання — це процес, за допомогою якого модель штучного інтелекту вивчає та набуває знань і навичок, і тому має вирішальне значення для штучного інтелекту.
① Підвищення точності моделі: Завдяки розумному вибору набору даних і достатньому часу навчання модель AI може поступово вивчати закони та характеристики даних, тим самим покращуючи точність і точність моделі.
② Підтримка здатності моделі до узагальнення. Навчання дає змогу моделі мати здатність до узагальнення, тобто вона може обробляти нові зразки даних за межами навчального набору та відігравати роль в інших ситуаціях.
③ Підвищення надійності моделі: навчання може зробити модель штучного інтелекту кращою здатністю обробки та надійністю для деяких даних із шумом, підроблених даних і даних про перешкоди.
④ Оновлення та повторення моделі штучного інтелекту: за допомогою навчання модель штучного інтелекту можна постійно оновлювати та вдосконалювати відповідно до фактичних вимог програми.
⑤ Покращте інтерпретативність моделі: інтерпретабельність моделей даних штучного інтелекту дуже важлива в багатьох сферах. Завдяки навчанню можна покращити інтерпретативність і прозорість моделі, що полегшить її розуміння та використання.
2.3.2 Сценарії навчання впливають на швидкість розвитку
Налаштування та вибір сценаріїв навчання має вирішальне значення для продуктивності та продуктивності моделі AI, що безпосередньо визначає якість і зручність використання моделі. У процесі навчання необхідно попередньо опрацювати дані, вибрати відповідний алгоритм, оптимізувати гіперпараметри алгоритму, контролювати недооблаштування та переоблаштування тощо, щоб зробити результати навчання моделі ШІ більш точними та надійними. Ці найважливіші завдання по суті покладаються на ручну участь, що також відображає статус «людей» як найважливішого стратегічного ресурсу.
① Сценарій навчання під наглядом: надаючи моделі позначений набір даних, вона вказує, до якої категорії чи цільового значення належать дані.
② Сценарій неконтрольованого навчання: Навчальний набір даних не має конкретних міток або цільових значень. Модель повинна самостійно виявити закономірності та особливості в даних на основі статистичних характеристик набору даних, щоб обробити та класифікувати дані.
③ Сценарій напівконтрольованого навчання: містить позначені та немарковані дані, і модель має навчитися класифікувати ці немарковані дані.
④ Сценарій навчання з підкріпленням: модель постійно взаємодіє з оточенням, спостерігає та взаємодіє з оточенням щомиті та коригує стратегію моделі на основі інформації зворотного зв’язку.
⑤ Сценарій обробки природної мови: Навчальний набір даних, як правило, складається з великої кількості текстових даних, і модель має навчитися розуміти текстові дані та зв’язок між текстами.
⑥ Сценарії комп’ютерного зору: набір навчальних даних зазвичай складається із зображень або відеоданих, і модель має навчитися розуміти та обробляти ці дані зображення, щоб виконувати такі завдання, як виявлення цілей і розпізнавання зображень.
03 «Сценарії використання користувачами» - це стратегічні ресурси, яких в цілому мало.
Наразі існують певні обмеження та обмеження щодо підвищення точності та рівня інтелекту продуктів штучного інтелекту шляхом розширення комп’ютерного обладнання та розширення баз даних. З одного боку, розширення комп'ютерного обладнання та розширення баз даних потребують великих інвестицій у робочу силу, фінансові ресурси та час.Якщо масштаб системи продовжує розширюватися, потреба в ресурсах зростатиме. З іншого боку, поточний технологічний розвиток у сфері штучного інтелекту все ще стикається з багатьма невизначеними факторами, такими як ефективність алгоритмів і ефект самонавчання. Ці фактори вплинуть на простір розробки продуктів штучного інтелекту.
Порівняно з необмеженими даними, конкуренція за ресурси користувача є грою з нульовою сумою. Якщо продукт штучного інтелекту має велику кількість користувачів і високу частоту використання, інтелектуальне оновлення продукту штучного інтелекту може бути реалізовано за допомогою моніторингу та аналізу даних про використання користувачами, а систему продукту можна постійно вдосконалювати для підвищення цінності. використання.
Більше користувачів створює досконалішу платформу; досконаліша платформа створює кращий досвід; кращий досвід приваблює більше користувачів.
Ефект Метью стосується явища, коли за певних умов видатні таланти постійно підтримуються, що призводить до зростання розриву між талантами.
У процесі розробки штучного інтелекту передовим технологіям або передовим підприємствам часто легше отримати першу групу користувачів і частку ринку, що призведе до збільшення інвестицій і кращого прибутку. Це явище ще більше зміцнить лідируючі позиції галузі.
З іншого боку, розвиток технології штучного інтелекту також вимагає великої кількості професіоналів. Провідні компанії та платформи можуть продовжувати інвестувати більше коштів і ресурсів, щоб отримати переваги талантів, так що ті, хто спізнюється, повністю втратять здатність наздоганяти.
Найважливіше те, що провідні платформи забезпечать кращий користувальницький досвід.В даний час ефект Метью на ринку AI to C став помітним. З точки зору психології користувача, користувачі, які звикли використовувати один продукт штучного інтелекту, повинні перевчитися та адаптуватися під час переходу на інший продукт того ж типу, що зажадає багато часу та енергії. З точки зору масштабу даних, накопичення великої кількості даних користувачів має велике значення для ефекту використання та аналізу продуктів. Збереження даних користувачів є ключем до створення таких продуктів, і нові продукти мають властиві недоліки. «Ефект маховика», притаманний системам штучного інтелекту, ще більше посилює «ефект Метью» у взаємодії з користувачем.
04 Висновок
Цікаве твердження: ШІ — це лук і стріли епохи неоліту.
Здатність до навчання формування ШІ залежить від масштабу параметрів. Згідно з академічним досвідом, здатність до навчання глибоких нейронних мереж позитивно корелює з масштабом параметрів моделі, тобто чим більше параметрів моделі, тим сильніша здатність до навчання. GPT-2 має близько 1,5 мільярда параметрів, тоді як найбільша модель GPT-3 має 175 мільярдів параметрів, що на два порядки більше. Згідно з припущеннями ЗМІ, але непідтвердженими новинами, параметри GPT-4 можуть досягти масштабу 100 трильйонів.
Деякі експерти в галузі вважають, що жорсткі технології забезпечують ключові компоненти та апаратні інтерфейси для розробки «м’яких технологій» і впроваджують інновації навколо потреб ланцюжка поставок «м’яких технологій». «М’яка технологія» — це «золота траса» для обгону на поворотах і зміни смуги для технологічних інновацій.
CCTV розробив набір ефективних комбінованих ударів: спочатку уточнюйте потреби користувачів у ряді напрямків розширення можливостей штучного інтелекту, таких як медична допомога, допомога в сільському господарстві, допомога в красі та допомога в освіті, а потім підніміть головну станцію за допомогою нечіткого пошуку семантичної відповідності Massive медіа-ресурси, створювати високочастотні моделі використання в різних прикладних сценаріях, формувати самоорганізоване самонавчання «м’якої сили», такої як бази знань і алгоритми, і змушувати побудову жорсткої потужності, такої як обчислювальна потужність GPU та пропускна здатність CDN. Твердо схопіть «сценарій використання користувача» як «переможця».
Що цікаво, так це те, що технічний напрямок GPT тепер зрозумілий, і немає непереборних технічних перешкод. Ми можемо використати дух «довгостроковості», яким найкраще володіють китайці, щоб стріляти з цього лука та стріл «епохи неоліту» найточніше та найдальше.