Inteligența artificială este un domeniu vast și complex. Cercetătorii din acest domeniu folosesc adesea termeni tehnici pentru a explica munca lor. Drept urmare, și noi folosim acești termeni în articolele noastre despre industria inteligenței artificiale.
De aceea, am creat acest glosar cu definițiile unor cuvinte și expresii importante pe care le folosim.
Vom actualiza regulat acest glosar pentru a adăuga noi intrări, pe măsură ce cercetătorii descoperă metode noi de a avansa inteligența artificială și identifică noi riscuri.
AGI
Inteligența artificială generală, sau AGI, este un termen vag. Dar, în general, se referă la o IA mai capabilă decât un om mediu la multe, dacă nu la majoritatea sarcinilor. Sam Altman, CEO-ul OpenAI, a descris recent AGI ca fiind „echivalentul unui angajat uman mediu”. Charter-ul OpenAI definește AGI ca „sisteme extrem de autonome care depășesc performanța umană în majoritatea activităților economic valoroase”. Google DeepMind are o perspectivă ușor diferită, văzând AGI ca „IA cel puțin la fel de capabilă ca oamenii la majoritatea sarcinilor cognitive”. Confuz? Nu vă faceți griji – experții din domeniu sunt și ei confuzi.
Agent AI
Un agent AI este un instrument care folosește tehnologiile AI sau IA (artificial intelligence sau inteligență artificială), pentru a efectua o serie de sarcini în locul dumneavoastră – dincolo de ceea ce poate face un chatbot IA mai simplu – cum ar fi depunerea de cheltuieli, rezervarea biletelor sau a unei mese la restaurant, sau chiar scrierea și întreținerea codului.
Cu toate acestea, există multe aspecte în acest domeniu emergent, așa că „agent IA” poate însemna lucruri diferite pentru oameni diferiți. Infrastructura este încă în curs de dezvoltare. Dar conceptul de bază presupune un sistem autonom care poate utiliza mai multe sisteme IA pentru a efectua sarcini complexe.
Lanț de gândire
La o întrebare simplă, creierul uman poate răspunde fără prea mult efort – de exemplu, „care animal este mai înalt, o girafă sau o pisică?”. Dar, în multe cazuri, aveți nevoie de hârtie și creion pentru a găsi răspunsul corect, deoarece există pași intermediari.
De exemplu, dacă un fermier are pui și vaci, și împreună au 40 de capete și 120 de picioare, s-ar putea să fie nevoie să scrieți o ecuație simplă pentru a găsi răspunsul (20 de pui și 20 de vaci).
În contextul IA, raționamentul în lanț de gândire pentru modelele lingvistice mari înseamnă descompunerea unei probleme în pași intermediari mai mici pentru a îmbunătăți calitatea rezultatului final. De obicei, durează mai mult să obțineți un răspuns, dar răspunsul are mai multe șanse să fie corect, mai ales în contextul logicii sau al programării. Modelele de raționament sunt dezvoltate din modele lingvistice mari tradiționale și optimizate pentru gândirea în lanț de gândire datorită învățării prin consolidare.
Învățare profundă
Un subset al învățării automate auto-îmbunătățitoare în care algoritmii IA sunt proiectați cu o structură de rețea neuronală artificială (ANN) multi-strat.
Acest lucru le permite să facă corelații mai complexe în comparație cu sistemele mai simple bazate pe învățare automată, cum ar fi modelele liniare sau arborii de decizie. Structura algoritmilor de învățare profundă se inspiră din căile interconectate ale neuronilor din creierul uman.
Modelele IA de învățare profundă pot identifica singure caracteristicile importante din date, fără a fi nevoie ca inginerii umani să definească aceste caracteristici. Structura susține, de asemenea, algoritmi care pot învăța din erori și, printr-un proces de repetiție și ajustare, își pot îmbunătăți propriile rezultate. Cu toate acestea, sistemele de învățare profundă necesită multe date pentru a produce rezultate bune (milioane sau mai multe). De asemenea, durează de obicei mai mult să se antreneze în comparație cu algoritmii mai simpli de învățare automată – deci costurile de dezvoltare tind să fie mai mari.
Difuzie
Difuzia este tehnologia din spatele multor modele IA de generare de artă, muzică și text. Inspirate de fizică, sistemele de difuzie „distrug” încet structura datelor – de exemplu, fotografii, cântece etc. – adăugând zgomot până când nu mai rămâne nimic.
În fizică, difuzia este spontană și ireversibilă – zahărul dizolvat în cafea nu poate fi readus la forma de cub. Dar sistemele de difuzie din IA își propun să învețe un fel de proces de „difuzie inversă” pentru a restaura datele distruse, câștigând capacitatea de a recupera datele din zgomot.
Distilare
Distilarea este o tehnică folosită pentru a extrage cunoștințe dintr-un model IA mare cu un model „profesor-elev”. Dezvoltatorii trimit cereri la un model „profesor” și înregistrează rezultatele. Răspunsurile sunt uneori comparate cu un set de date pentru a vedea cât de exacte sunt.
Aceste rezultate sunt apoi folosite pentru a antrena modelul „elev”, care este antrenat să aproximeze comportamentul profesorului. Distilarea poate fi folosită pentru a crea un model mai mic, mai eficient, bazat pe un model mai mare, cu o pierdere minimă de distilare. Probabil așa a dezvoltat OpenAI GPT-4 Turbo, o versiune mai rapidă a GPT-4.
Deși toate companiile de IA folosesc distilarea intern, aceasta ar fi putut fi folosită și de unele companii de IA pentru a prinde din urmă modelele de frontieră. Distilarea de la un concurent încalcă de obicei termenii de serviciu ai API-urilor IA și ai asistenților de chat.
Ajustare fină
Se referă la antrenarea suplimentară a unui model IA pentru a optimiza performanța pentru o sarcină sau un domeniu mai specific decât a fost anterior punctul focal al antrenamentului său – de obicei prin introducerea de date noi, specializate (orientate spre sarcină).
Multe startup-uri de IA iau modelele lingvistice mari ca punct de plecare pentru a construi un produs comercial, dar încearcă să amplifice utilitatea pentru un sector sau o sarcină țintă prin completarea ciclurilor de antrenament anterioare cu ajustare fină bazată pe propria lor expertiză și cunoștințe specifice domeniului.
GAN
Un GAN, sau Rețea Adversarială Generativă, este un tip de cadru de învățare automată care stă la baza unor dezvoltări importante în IA generativă atunci când vine vorba de producerea de date realiste – inclusiv (dar nu numai) instrumente deepfake.
GAN-urile implică utilizarea unei perechi de rețele neuronale, una dintre ele utilizând datele sale de antrenament pentru a genera un rezultat care este transmis celuilalt model pentru evaluare. Acest al doilea model, modelul discriminator, joacă astfel rolul unui clasificator pentru rezultatul generatorului – permițându-i să se îmbunătățească în timp.
Structura GAN este configurată ca o competiție (de aici „adversarial”) – cele două modele fiind practic programate să încerce să se depășească reciproc: generatorul încearcă să-și treacă rezultatul pe lângă discriminator, în timp ce discriminatorul încearcă să detecteze datele generate artificial. Această competiție structurată poate optimiza rezultatele IA pentru a fi mai realiste, fără a fi nevoie de intervenție umană suplimentară. Deși GAN-urile funcționează cel mai bine pentru aplicații mai înguste (cum ar fi producerea de fotografii sau videoclipuri realiste), mai degrabă decât pentru IA cu scop general.
Halucinație
Halucinația este termenul preferat în industria IA pentru modelele IA care inventează lucruri – generând literal informații incorecte.
Este o problemă majoră pentru calitatea IA. Halucinațiile produc rezultate GenAI care pot fi înșelătoare și ar putea duce chiar la riscuri în viața reală – cu consecințe potențial periculoase (gândiți-vă la o întrebare despre sănătate care returnează sfaturi medicale dăunătoare).
De aceea, mențiunile legale ale majorității instrumentelor GenAI avertizează acum utilizatorii să verifice răspunsurile generate de IA, chiar dacă astfel de mențiuni sunt de obicei mult mai puțin proeminente decât informațiile pe care instrumentele le oferă la apăsarea unui buton.
Problema fabricării de informații de către IA se pare că apare ca o consecință a lacunelor din datele de antrenament. Pentru GenAI cu scop general, în special – cunoscut uneori și sub numele de modele fundamentale – acest lucru pare dificil de rezolvat. Pur și simplu nu există suficiente date pentru a antrena modelele IA pentru a rezolva toate întrebările pe care le-am putea adresa. Pe scurt: nu am inventat încă Dumnezeu.
Halucinațiile contribuie la o tendință către modele IA din ce în ce mai specializate sau verticale – adică IA specifice domeniului care necesită o expertiză mai restrânsă – ca o modalitate de a reduce probabilitatea lacunelor de cunoștințe și de a micșora riscurile de dezinformare.
Inferență
Inferența este procesul de rulare a unui model IA. Este procesul de a lansa un model pentru a face predicții sau a trage concluzii din datele văzute anterior.
Pentru a fi clar, inferența nu poate avea loc fără antrenament; un model trebuie să învețe tiparele dintr-un set de date înainte de a putea extrapola efectiv din aceste date de antrenament.
Multe tipuri de hardware pot efectua inferența, de la procesoarele smartphone la GPU-urile puternice și până la acceleratoare IA proiectate special. Dar nu toate pot rula modelele la fel de bine. Modelele foarte mari ar dura foarte mult pentru a face predicții, de exemplu, pe un laptop față de un server cloud cu cipuri IA de înaltă performanță.
Model lingvistic mare (LLM)
Modelele lingvistice mari, sau LLM, sunt modelele IA folosite de asistenții IA populari, cum ar fi ChatGPT, Claude, Gemini de la Google, Llama de la Meta, Copilot de la Microsoft sau Le Chat de la Mistral.
Atunci când discutați cu un asistent IA, interacționați cu un model lingvistic mare care procesează cererea dumneavoastră direct sau cu ajutorul diferitelor instrumente disponibile, cum ar fi navigarea pe web sau interpreții de cod.
Asistenții IA și LLM pot avea nume diferite. De exemplu, GPT este modelul lingvistic mare al OpenAI, iar ChatGPT este produsul asistent IA.
LLM-urile sunt rețele neuronale profunde formate din miliarde de parametri numerici (sau ponderi, vezi mai jos) care învață relațiile dintre cuvinte și fraze și creează o reprezentare a limbajului, un fel de hartă multidimensională a cuvintelor.
Aceste modele sunt create prin codificarea tiparelor pe care le găsesc în miliarde de cărți, articole și transcrieri. Când solicitați un LLM, modelul generează cel mai probabil tipar care se potrivește solicitării. Apoi evaluează cel mai probabil cuvânt următor după ultimul, pe baza a ceea ce s-a spus înainte. Repetați, repetați și repetați.
Rețea neuronală
O rețea neuronală se referă la structura algoritmică multi-strat care stă la baza învățării profunde – și, mai pe larg, a întregului boom al instrumentelor IA generative după apariția modelelor lingvistice mari.
Deși ideea de a lua inspirație din căile dens interconectate ale creierului uman ca structură de proiectare pentru algoritmii de procesare a datelor datează din anii 1940, a fost creșterea mult mai recentă a hardware-ului de procesare grafică (GPU-uri) – prin intermediul industriei jocurilor video – care a deblocat cu adevărat puterea acestei teorii.
Aceste cipuri s-au dovedit a fi potrivite pentru antrenarea algoritmilor cu mult mai multe straturi decât era posibil în epocile anterioare – permițând sistemelor IA bazate pe rețele neuronale să obțină performanțe mult mai bune în multe domenii, inclusiv recunoașterea vocală, navigarea autonomă și descoperirea de medicamente.
Antrenament
Dezvoltarea IA-urilor de învățare automată implică un proces cunoscut sub numele de antrenament. Simplu spus, aceasta se referă la datele introduse pentru ca modelul să poată învăța din tipare și să genereze rezultate utile.
Lucrurile pot deveni puțin filozofice în acest punct al stivei IA – deoarece, înainte de antrenament, structura matematică folosită ca punct de plecare pentru dezvoltarea unui sistem de învățare este doar un set de straturi și numere aleatoare. Numai prin antrenament ia cu adevărat formă modelul IA.
Esențial, este procesul prin care sistemul răspunde la caracteristicile din date, ceea ce îi permite să își adapteze rezultatele către un obiectiv dorit – fie că este vorba de identificarea imaginilor cu pisici sau de producerea unui haiku la cerere.
Este important de menționat că nu toate IA-urile necesită antrenament. IA-urile bazate pe reguli care sunt programate să urmeze instrucțiuni predefinite manual – de exemplu, chatbot-urile liniare – nu trebuie să fie antrenate. Cu toate acestea, astfel de sisteme IA sunt probabil să fie mai limitate decât sistemele auto-învățate (bine antrenate).
Cu toate acestea, antrenamentul poate fi costisitor, deoarece necesită multe intrări – iar volumele de intrări necesare pentru astfel de modele au avut tendința de a crește.
Abordările hibride pot fi uneori folosite pentru a scurta dezvoltarea modelului și a ajuta la gestionarea costurilor. De exemplu, ajustarea fină bazată pe date a unei IA bazate pe reguli – ceea ce înseamnă că dezvoltarea necesită mai puține date, putere de calcul, energie și complexitate algoritmică decât dacă dezvoltatorul ar fi început de la zero.
Transfer de învățare
O tehnică prin care un model IA antrenat anterior este folosit ca punct de plecare pentru dezvoltarea unui nou model pentru o sarcină diferită, dar de obicei înrudită – permițând refolosirea cunoștințelor acumulate în ciclurile de antrenament anterioare.
Transferul de învățare poate genera economii de eficiență prin scurtarea dezvoltării modelului. De asemenea, poate fi util atunci când datele pentru sarcina pentru care se dezvoltă modelul sunt oarecum limitate. Dar este important de menționat că abordarea are limitări. Modelele care se bazează pe transferul de învățare pentru a obține capacități generalizate vor necesita probabil antrenament pe date suplimentare pentru a funcționa bine în domeniul lor de concentrare.
Ponderi
Ponderile sunt esențiale pentru antrenamentul IA, deoarece determină câtă importanță (sau pondere) este acordată diferitelor caracteristici (sau variabile de intrare) din datele utilizate pentru antrenarea sistemului – modelând astfel rezultatul modelului IA.
Altfel spus, ponderile sunt parametri numerici care definesc ce este cel mai important într-un set de date pentru sarcina de antrenament dată. Acestea își îndeplinesc funcția prin aplicarea multiplicării la intrări. Antrenamentul modelului începe de obicei cu ponderi atribuite aleatoriu, dar pe măsură ce procesul evoluează, ponderile se ajustează pe măsură ce modelul încearcă să ajungă la un rezultat care se potrivește mai bine cu ținta.
De exemplu, un model IA pentru prezicerea prețurilor locuințelor antrenat pe date imobiliare istorice pentru o locație țintă ar putea include ponderi pentru caracteristici precum numărul de dormitoare și băi, dacă o proprietate este independentă sau semidecomandată, dacă are parcare, garaj etc.
În cele din urmă, ponderile pe care modelul le atribuie fiecăreia dintre aceste intrări reflectă cât de mult influențează acestea valoarea unei proprietăți, pe baza setului de date dat.
