Takaisinkytkentä

Lähde: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Takaisinkytkentä on menetelmä, jota käytetään neuroverkkojen kouluttamiseen. Se toimii vertaamalla mallin tulosta oikeaan vastaukseen, laskemalla virheen ja lähettämällä tämän virheen sitten taaksepäin verkon läpi sen sisäisten asetusten säätämiseksi. Monien esimerkkien kautta malli paranee vähitellen. Takaisinkytkentä on yksi nykyaikaisen syväoppimisen taustalla olevista avaintekniikoista.

Bag-of-Words

Lähde: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Bag-of-words on yksinkertainen tapa esittää tekstiä koneoppimista varten. Se jättää huomiotta kieliopin ja sanajärjestyksen ja laskee yksinkertaisesti, mitkä sanat esiintyvät. Esimerkiksi lauseet ”AI auttaa liiketoimintaa” ja ”liiketoiminta auttaa AI:ta” voivat näyttää hyvin samankaltaisilta bag-of-words-mallissa. Menetelmä on vähemmän kehittynyt kuin nykyaikaiset kielimallit, mutta se on silti hyödyllinen joissakin tekstinluokittelutehtävissä.

Perusmalli

Kuva: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Perusmalli on tekoälymalli, joka on koulutettu laajalla aineistolla, mutta jota ei ole vielä erikoistettu tiettyyn käyttötarkoitukseen. Esimerkiksi yleinen kielimalli voidaan kouluttaa ennustamaan tekstiä, ja sitä voidaan myöhemmin hienosäätää hyödylliseksi avustajaksi, oikeudelliseksi tiivistäjäksi tai koodaustyökaluksi. Perusmalli on perusta, jolle erikoistuneemmat järjestelmät rakennetaan.

Bayesilainen tekoäly

Kuva: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Bayesilainen tekoäly käyttää todennäköisyyttä epävarmuuden arvioimiseen. Sen sijaan, että se antaisi vain yhden vastauksen, bayesilainen lähestymistapa voi päivittää näkemyksiään uuden todistusaineiston saapuessa. Tämä on hyödyllistä lääketieteessä, ennustamisessa, roskapostin tunnistamisessa ja riskianalyysissä. Perusajatus on tuttu: kun uutta tietoa ilmestyy, tarkistamme käsitystämme siitä, mikä on todennäköistä.

Beam-haku

Kuva: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Beam-haku on tekniikka, jota käytetään, kun tekoälyjärjestelmät tuottavat sekvenssejä, kuten tekstiä tai käännöksiä. Sen sijaan, että malli valitsisi joka kerta vain yhden todennäköisimmän seuraavan sanan, se pitää useita mahdollisia vaihtoehtoja avoimina ja tutkii niitä. Tämä voi parantaa lopullista tulosta. Se on vähän kuin useiden mahdollisten reittien harkitsemista ennen parhaan matkan valitsemista.

BERT

Kuva: Toimitettu kuva; Tekijä: Stephen Whitelaw;

BERT on vaikutusvaltainen kielimalli, joka kehitettiin ennen nykyistä suurten keskustelevien tekoälytyökalujen aaltoa. Se auttoi tietokoneita ymmärtämään tekstiä tarkastelemalla sanoja kontekstissa molempiin suuntiin sen sijaan, että ne luettaisiin yksinkertaisesti vasemmalta oikealle. BERT:iä käytettiin laajasti haku-, luokittelu- ja kielenymmärtämistehtävissä. Se auttoi tasoittamaan tietä kehittyneemmille kielimalleille.

Harha

Kuva: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Tekoälyssä puolueellisuus voi tarkoittaa useita asioita. Teknisessä mielessä se voi viitata malliin sisäänrakennettuihin oletuksiin. Sosiaalisessa mielessä se viittaa epäoikeudenmukaisiin tai vinoutuneisiin tuloksiin, jotka vaikuttavat ihmisiin tai ryhmiin. Molemmat merkitykset ovat tärkeitä. Hyödyllinen tekoälyjärjestelmä tarvitsee oikeanlaisia teknisiä oletuksia, mutta sen on vältettävä haitallista sosiaalista puolueellisuutta.

Big data

Kuva: Toimitettu kuva; Tekijä: Stephen Whitelaw;

Big data viittaa erittäin suuriin, monimutkaisiin tai nopeasti muuttuviin tietojoukkoihin, joiden käsittely on perinteisillä menetelmillä vaikeaa. Tekoäly on hyötynyt valtavasti big datasta, koska monet koneoppimisjärjestelmät parantuvat, kun niitä koulutetaan useammilla esimerkeillä. Enemmän dataa ei kuitenkaan aina ole parempi. Huonolaatuinen, puolueellinen tai epäolennaista data voi silti tuottaa huonoa tekoälyä.