Zpětné šíření

Zdroj: Poskytnutý obrázek; Autor: Stephen Whitelaw;

Zpětné šíření je metoda používaná k trénování neuronových sítí. Funguje tak, že porovnává výstup modelu se správnou odpovědí, vypočítá chybu a poté tuto chybu pošle zpět sítí, aby se upravila její vnitřní konfigurace. Na základě mnoha příkladů se model postupně zlepšuje. Zpětné šíření je jednou z klíčových technik moderního hlubokého učení.

Bag-of-Words

Zdroj: Poskytnutý obrázek; Autor: Stephen Whitelaw;

Bag-of-words je jednoduchý způsob reprezentace textu pro strojové učení. Ignoruje gramatiku a slovosled a jednoduše počítá, která slova se vyskytují. Například věty „AI pomáhá podnikání“ a „podnikání pomáhá AI“ mohou v modelu „bag-of-words“ vypadat velmi podobně. Je méně sofistikovaný než moderní jazykové modely, ale stále je užitečný při některých úkolech klasifikace textu.

Základní model

Zdroj: Poskytnutý obrázek; Autor: Stephen Whitelaw;

Základní model je model umělé inteligence, který byl vycvičen na rozsáhlém datovém souboru, ale dosud nebyl specializován pro konkrétní použití. Například obecný jazykový model může být trénován na předpovídání textu a později doladěn tak, aby se stal užitečným asistentem, nástrojem pro shrnování právních textů nebo nástrojem pro programování. Základní model je základem, na kterém jsou budovány specializovanější systémy.

Bayesovská umělá inteligence

Zdroj: Poskytnutý obrázek; Autor: Stephen Whitelaw;

Bayesovská umělá inteligence využívá pravděpodobnost k uvažování o nejistotě. Namísto poskytnutí pouze jedné odpovědi dokáže bayesovský přístup aktualizovat své závěry s příchodem nových důkazů. To je užitečné v medicíně, při prognózování, detekci spamu a analýze rizik. Základní myšlenka je známá: když se objeví nové informace, revidujeme to, co považujeme za pravděpodobné.

Beam Search

Zdroj: Poskytnutý obrázek; Autor: Stephen Whitelaw;

Beam search je technika používaná v systémech umělé inteligence při generování sekvencí, jako jsou texty nebo překlady. Místo toho, aby model pokaždé vybíral pouze jedno nejpravděpodobnější následující slovo, ponechává si otevřeno několik možných variant a prozkoumává je. To může zlepšit konečný výstup. Je to trochu jako zvážit několik možných tras předtím, než si vyberete tu nejlepší cestu.

BERT

Zdroj: Poskytnutý obrázek; Autor: Stephen Whitelaw;

BERT je vlivný jazykový model vyvinutý ještě před současnou vlnou velkých konverzačních nástrojů umělé inteligence. Pomohl počítačům porozumět textu tím, že slova posuzoval v kontextu z obou směrů, namísto pouhého čtení zleva doprava. BERT byl široce využíván při vyhledávání, klasifikaci a úkolech souvisejících s porozuměním jazyku. Pomohl připravit půdu pro pokročilejší jazykové modely.

Zaujatost

Zdroj: Poskytnutý obrázek; Autor: Stephen Whitelaw;

V oblasti AI může pojem „zaujatost“ znamenat několik věcí. V technickém smyslu se může vztahovat na předpoklady zabudované do modelu. V sociálním smyslu se vztahuje na nespravedlivé nebo zkreslené výsledky, které mají dopad na lidi nebo skupiny. Oba významy jsou důležité. Užitečný systém AI potřebuje správné technické předpoklady, ale musí se vyvarovat škodlivé sociální zaujatosti.

Velká data

Zdroj: Poskytnutý obrázek; Autor: Stephen Whitelaw;

Pojem „velká data“ (Big Data) označuje extrémně rozsáhlé, komplexní nebo rychle se měnící datové soubory, s nimiž si tradiční metody neví rady. Umělá inteligence z velkých dat enormně těží, protože mnoho systémů strojového učení se zlepšuje, jsou-li trénovány na větším počtu příkladů. Více dat však neznamená vždy lepší výsledek. Data nízké kvality, zaujatá nebo irelevantní mohou i tak vést k nekvalitní umělé inteligenci.