Зміст:
  1. Машинне навчання
  2. Нейронні мережі
  3. Велика мовна модель 
  4. Глибинне навчання
  5. Data Science 
  6. Комп’ютерний зір
  7. Інтелектуальна робототехніка
  8. Кероване машинне навчання
  9. Машинне навчання без контролю

Майже кожен може спробувати у дії штучний інтелект ChatGPT, чатбот Bing або генератор картинок Midjourney для роботи, навчання або просто розваг. Але не всі розуміють, як працюють сучасні технології.

Долучайтесь до нас на Facebook та беріть участь в дискусіях

Liga.Tech пояснює основні терміни, які допоможуть краще зрозуміти штучний інтелект. 

Машинне навчання

Машинне навчання – це галузь штучного інтелекту (ШІ), яка використовує алгоритми та дані для імітації способу навчання людей, поступово покращуючи точність. 

Автором цього терміну називають дослідника Артура Семюеля, який під час роботи в компанії IBM створив першу у світі програму, здатну для самонавчання. На його прохання у 1963 році майстер з гри в шашки Роберт Нілі змагався з комп'ютером, поки не програв машині. 

Машинне навчання стоїть за роботою чатботів, програм перекладу та навіть шоу, які вам пропонує Netflix. За останні роки машинне навчання стало найважливішою частиною штучного інтелекту, тому часто використовується як синонім ШІ. 

Нейронні мережі

Нейронні мережі є фундаментальною технологією для ШІ. Експерти радять думати про них як про еквівалент парового двигуна у першій промисловій революції – технологію загального призначення, яка охоплює безліч різних галузей та має різні варіанти використання. 

Поява нейронних мереж почалася зі спроби змоделювати мозок тварин, який складається з мільйонів простих нейронів, кожен з яких з’єднаний з кількома іншими. Кожен окремий нейрон надзвичайно простий, але разом вони можуть навчитися виконувати складні завдання. Те саме стосується штучних нейронних мереж, які покладаються на навчальні дані, щоб з часом підвищувати свою точність. 

Коли ці алгоритми навчання точно налаштовані, вони стають потужними інструментами, які дозволяють класифікувати та кластеризувати дані з високою швидкістю. Однією з найвідоміших нейронних мереж є пошуковий алгоритм Google.

Завдання з розпізнавання мовлення або зображень можуть тривати хвилини чи години – людині на це знадобилося б незрівнянно більше часу.   

Велика мовна модель 

Великі мовні моделі – це системи штучного інтелекту, які розуміють і генерують текст. Найбільш відомим прикладом, власне, і є ChatGPT від OpenAI. 

Ці мовні моделі здебільшого мають розмір у десятки гігабайт і навчаються на величезних обсягах текстових даних, іноді в масштабі петабайтів. Наприклад, мовна модель PaLM від Google використовує "високоякісні вебдокументи, книги, Вікіпедію, розмови та код GitHub" для розвитку розуміння мови. Чим більша мовна модель, тим кращий результат. Тож експерти прогнозують, що вони ще й близько не наблизилися до межі своїх потужностей. 

Глибинне навчання

Глибинне навчання —  сфера штучного інтелекту, яка дозволяє машинам опанувати ті задачі, які зазвичай виконують люди. Ця техніка машинного навчання дозволяє комп'ютерам вчитися на людському прикладі, що в результаті допомагає автоматизувати різноманітні процеси. 

9 основ штучного інтелекту. Що таке нейромережі та машине навчання - доступною мовою
Фото: Depositphotos

Наприклад, вона є ключовою технологією для безпілотних автомобілів, яка дозволяє їм розпізнавати знак зупинки або відрізняти пішохода від ліхтарного стовпа. Технологія глибинного навчання лежить в основі таких повсякденних продуктів і послуг, як цифрові помічники, пульти дистанційного керування телевізором із голосовою підтримкою тощо.

Data Science 

Data Science (наука про дані) — це поєднання математики, статистики, машинного навчання та інформатики, яка допомагає аналізувати та інтерпретувати дані.  

Сьогодні Data Science використовується майже в кожній галузі. Підприємства можуть використовувати її для ухвалення обґрунтованих рішень щодо розробки продукту та маркетингу. Вона використовується як інструмент для виявлення шахрайства та оптимізації процесів. Уряди також використовують Data Science для підвищення ефективності надання державних послуг.

Навіщо ШІ потрібна Data Science? Перш ніж комп’ютерна програма спробує вчитися на даних, людині (або програмі аналізу даних) корисно їх вивчити. Це дозволяє їх очистити від зайвого та виділити важливе. Таке втручання допомагає покращити процес навчання ШІ.

Комп’ютерний зір

Комп’ютерний зір — це сфера штучного інтелекту, яка дозволяє комп’ютерам і системам отримувати інформацію з цифрових зображень, відео та інших візуальних даних. Якщо ШІ дає можливість комп’ютерам мислити, комп’ютерний зір дозволяє їм бачити, спостерігати та розуміти. 

Комп'ютерний зір потребує великої кількості даних та використовується в різних галузях промисловості: від енергетики до автомобілебудування. Наприклад, щоб навчити комп’ютер розпізнавати автомобільні шини, йому потрібно надати величезну кількість зображень шин і предметів, пов’язаних із ними. Тоді він зможе зрозуміти відмінності між ними та визначати, зокрема, шини без дефектів.

Інтелектуальна робототехніка

Intelligent Robotics (інтелектуальна робототехніка) – галузь, яка використовує штучний інтелект для покращення співпраці між людьми та пристроями. AI допомагає роботам адаптуватися до динамічних ситуацій і природно спілкуватися з людьми.

9 основ штучного інтелекту. Що таке нейромережі та машине навчання - доступною мовою
Роботи Spot (Фото – Boston Dynamics – YouTube)

Вибір, який повинен зробити такий робот, пов’язаний з інтелектом, вбудованим у нього за допомогою машинного чи глибокого навчання, а також із вхідними даними, отриманими роботом під час роботи.

Кероване машинне навчання

Кероване навчання (Supervised learning) – форма машинного навчання, яка не функціонує самостійно, а потребує участі людини. Дані подаються в машину, і процес контролюється людиною, поки комп’ютер працює над певним результатом.  

Машинне навчання без контролю

Навчання без контролю – цей тип машинного навчання не потребує участі людини або дозволяє машині самостійно робити висновки на основі знайдених шаблонів. Неконтрольоване машинне навчання має на меті виявити раніше невідомі зв'язки в даних. Наприклад, його можуть використовувати для визначення цільового ринку для абсолютно нового продукту, який ваш бізнес ніколи раніше не продавав.