Lähde: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Syväoppiminen

Syväoppiminen on monikerroksisiin neuroverkkoihin perustuva koneoppimisen muoto. Nämä järjestelmät pystyvät oppimaan monimutkaisia kuvioita kuvista, tekstistä, äänestä ja videosta. Syväoppiminen on monien nykyaikaisten tekoälyn läpimurtojen taustalla, mukaan lukien puheentunnistus, kuvien luominen, käännöstyö ja suuret kielimallit. Se vaatii usein suuria määriä dataa ja laskentatehoa.

Kuvitus: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Diffuusiomalli

Diffuusiomalli on generatiivisen tekoälyn tyyppi, jota käytetään usein kuvien luomiseen. Se oppii tuottamaan dataa aloittamalla kohinasta ja jalostamalla sitä vähitellen yhtenäiseksi kuvaksi tai tulokseksi. Monet nykyaikaiset kuvanluontityökalut käyttävät diffuusiotekniikoita. Tulos voi olla erittäin realistinen tai taiteellinen, riippuen syötteestä ja mallista.

Kuvateksti: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Digitaalinen kaksoiskappale

Digitaalinen kaksoiskappale on todellisen esineen, järjestelmän tai prosessin virtuaalinen malli. Esimerkiksi tehtaalla voi olla digitaalinen kaksoiskappale, joka simuloi koneita, energiankulutusta ja tuotantovirtaa. Tekoäly voi tehostaa digitaalisten kaksoiskappaleiden toimintaa ennustamalla ongelmia ja testaamalla muutoksia ennen kuin ne toteutuvat todellisessa maailmassa. Digitaalisia kaksoiskappaleita käytetään insinööritieteissä, terveydenhuollossa, liikenteessä ja älykaupungeissa.

Kuvitus: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Erotteleva malli

Erotteleva malli oppii erottamaan eri luokkia toisistaan. Se voi esimerkiksi päättää, onko sähköposti roskapostia vai ei, tai näyttääkö kasvainkuva hyvänlaatuiselta vai pahanlaatuiselta. Erottelevat mallit eroavat generatiivisista malleista, jotka luovat uutta sisältöä. Yksinkertaisesti sanottuna erottelevat mallit luokittelevat, kun taas generatiiviset mallit tuottavat.


Lähde: Toimitettu kuva; Tekijä: Stephen Whitelaw;
Tislaaminen

Tekoälyn distillaatio tarkoittaa pienen, nopean tekoälymallin kouluttamista kopioimaan suuren, älykkään tekoälymallin tietoa ja käyttäytymistä. Ajattele sitä niin, että mestarikokki (iso malli) opettaa oppipojalleen (pieni malli) kaikki salaiset reseptinsä ja tekniikkansa, jotta oppipoika voi valmistaa yhtä laadukasta ruokaa, mutta paljon nopeammin ja vähemmillä keittiövälineillä.Miksi sitä käytetään Säästää tilaa: Se pienentää massiivisia tekoälyjärjestelmiä niin, että ne mahtuvat älypuhelimeen tai kannettavaan tietokoneeseen. Säästää rahaa: Pienemmän mallin ajaminen vaatii huomattavasti vähemmän laskentatehoa. Säästää aikaa: Pienempi malli antaa vastauksia paljon nopeammin kuin jättimäinen malli.

Lähde: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Alueen mukautus

Alueen mukautus on prosessi, jossa tekoälymalli saadaan toimimaan hyvin uudessa, mutta aihepiiriltään samankaltaisessa ympäristössä. Esimerkiksi mallia, joka on koulutettu yhden maan sairaalatietojen perusteella, ei välttämättä voi käyttää yhtä hyvin toisessa maassa, koska laitteet, potilaat tai menettelytavat eroavat toisistaan. Alueen mukautus auttaa malleja siirtämään tietoa ja sopeutumaan samalla paikallisiin olosuhteisiin.

Lähde: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Alakohtainen tekoäly

Alakohtainen tekoäly on tekoälyä, joka on suunniteltu tietylle alalle, kuten terveydenhuoltoon, lakiin, rahoitukseen, koulutukseen, maatalouteen tai teollisuuteen. Nämä järjestelmät voivat olla tarkempia ja hyödyllisempiä kuin yleiset työkalut, koska ne perustuvat asiantuntijatietoon ja erityisiin työnkulkuihin. Alakohtainen tekoäly vaatii kuitenkin asiantuntijoiden valvontaa, koska virheillä voi olla vakavia seurauksia.

Lähde: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Poikkeama

Driftia esiintyy, kun tekoälymallin suorituskyky muuttuu ajan myötä, koska todellinen maailma muuttuu. Esimerkiksi asiakkaiden käyttäytyminen, petostaktiikat, lääketieteelliset käytännöt tai kielenkäyttö voivat kehittyä. Malli, joka toimi hyvin viime vuonna, voi olla nykyään vähemmän luotettava. Driftin seuranta on välttämätöntä kaikissa pitkään käytettävissä tekoälyjärjestelmissä.

Lähde: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Dropout

Dropout on neuroverkkoissa käytetty koulutustekniikka, jolla pyritään vähentämään ylisovittumista. Koulutuksen aikana osa yhteyksistä jätetään satunnaisesti huomiotta, mikä pakottaa mallin olemaan luottamatta liikaa mihinkään yksittäiseen reittiin. Tämä auttaa mallia yleistämään tuloksia paremmin uusille tiedoille. Se on verrattavissa joukkueen valmentamiseen siten, että koko ryhmä suoriutuu hyvin sen sijaan, että luotettaisiin yhteen tähtipelaajaan.

Lähde: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Kaksikäyttö

Kaksikäyttö tarkoittaa, että teknologiaa voidaan käyttää sekä hyödyllisiin että haitallisiin tarkoituksiin. Tekoäly on klassinen kaksikäyttöteknologia. Sama työkalu, joka auttaa kirjoittamaan oppimateriaalia, voi auttaa myös kirjoittamaan tietojenkalastelusähköposteja. Sama kuvanluontijärjestelmä, joka auttaa taiteilijoita, voi luoda väärennettyjä todisteita. Vastuullinen tekoäly edellyttää sekä väärinkäytön että aiotun käytön huomioon ottamista.

Aseta The Portugal News ensisijaiseksi uutislähteeksesi Googlessa

GoogleLisää ensisijaiseksi lähteeksi Googlessa