Metoda wstecznej propagacji

Źródło: Zdjęcie udostępnione; Autor: Stephen Whitelaw;

Retropropagacja to metoda stosowana do uczenia sieci neuronowych. Polega ona na porównaniu wyniku modelu z prawidłową odpowiedzią, obliczeniu błędu, a następnie przesłaniu tego błędu wstecz przez sieć w celu dostosowania jej wewnętrznych parametrów. W miarę przetwarzania wielu przykładów model stopniowo się ulepsza. Retropropagacja jest jedną z kluczowych technik leżących u podstaw współczesnego głębokiego uczenia.

Metoda „bag-of-words”

Źródło: Zdjęcie udostępnione; Autor: Stephen Whitelaw;

Metoda „bag-of-words” to prosty sposób reprezentacji tekstu na potrzeby uczenia maszynowego. Pomija ona gramatykę i szyk wyrazów, a po prostu zlicza, które słowa się pojawiają. Na przykład zdania „AI pomaga biznesowi” i „biznes pomaga AI” mogą wyglądać bardzo podobnie w modelu typu „bag-of-words”. Jest on mniej zaawansowany niż nowoczesne modele językowe, ale nadal przydaje się w niektórych zadaniach związanych z klasyfikacją tekstu.

Model bazowy

Źródło: Zdjęcie udostępnione; Autor: Stephen Whitelaw;

Model bazowy to model sztucznej inteligencji, który został wytrenowany na obszernym zbiorze danych, ale nie został jeszcze wyspecjalizowany pod kątem konkretnego zastosowania. Na przykład ogólny model językowy może zostać wytrenowany do przewidywania tekstu, a następnie dopracowany tak, aby stał się pomocnym asystentem, narzędziem do sporządzania streszczeń prawnych lub narzędziem do kodowania. Model bazowy stanowi fundament, na którym budowane są bardziej wyspecjalizowane systemy.

Sztuczna inteligencja bayesowska

Źródło: Zdjęcie udostępnione; Autor: Stephen Whitelaw;

Sztuczna inteligencja bayesowska wykorzystuje prawdopodobieństwo do rozważań dotyczących niepewności. Zamiast podawać tylko jedną odpowiedź, podejście bayesowskie pozwala na aktualizację swoich przekonań w miarę pojawiania się nowych dowodów. Jest to przydatne w medycynie, prognozowaniu, wykrywaniu spamu i analizie ryzyka. Podstawowa idea jest znana: gdy pojawiają się nowe informacje, korygujemy nasze wyobrażenia o tym, co jest prawdopodobne.

Wyszukiwanie wiązkowe

Źródło: Zdjęcie udostępnione; Autor: Stephen Whitelaw;

Wyszukiwanie wiązkowe to technika stosowana, gdy systemy sztucznej inteligencji generują sekwencje, takie jak tekst lub tłumaczenia. Zamiast za każdym razem wybierać tylko jedno najbardziej prawdopodobne następne słowo, model rozważa kilka możliwych opcji i je bada. Może to poprawić ostateczny wynik. Przypomina to nieco rozważanie kilku możliwych tras przed wyborem najlepszej drogi.

BERT

Źródło: Zdjęcie udostępnione; Autor: Stephen Whitelaw;

BERT to wpływowy model językowy opracowany jeszcze przed obecną falą dużych narzędzi AI do prowadzenia rozmów. Pomógł komputerom zrozumieć tekst poprzez analizowanie słów w kontekście z obu kierunków, a nie tylko poprzez czytanie od lewej do prawej. BERT był szeroko stosowany w zadaniach związanych z wyszukiwaniem, klasyfikacją i rozumieniem języka. Pomógł utorować drogę dla bardziej zaawansowanych modeli językowych.

Stronniczość

Źródło: Zdjęcie udostępnione; Autor: Stephen Whitelaw;

W kontekście sztucznej inteligencji stronniczość może oznaczać kilka rzeczy. W sensie technicznym może odnosić się do założeń wbudowanych w model. W sensie społecznym odnosi się do niesprawiedliwych lub wypaczonych wyników, które mają wpływ na ludzi lub grupy. Oba znaczenia mają znaczenie. Użyteczny system sztucznej inteligencji wymaga odpowiednich założeń technicznych, ale musi unikać szkodliwej stronniczości społecznej.

Big Data

Źródło: Zdjęcie udostępnione; Autor: Stephen Whitelaw;

Termin „Big Data” odnosi się do niezwykle dużych, złożonych lub szybko zmieniających się zbiorów danych, z których przetwarzaniem tradycyjne metody mają trudności. Sztuczna inteligencja odniosła ogromne korzyści dzięki Big Data, ponieważ wiele systemów uczenia maszynowego działa lepiej, gdy są szkolone na większej liczbie przykładów. Jednak większa ilość danych nie zawsze oznacza lepsze wyniki. Dane niskiej jakości, obciążone uprzedzeniami lub nieistotne mogą nadal prowadzić do słabego działania sztucznej inteligencji.