Visszaterjesztés

Forrás: Beküldött kép; Szerző: Stephen Whitelaw;

A visszaterjesztés a neurális hálózatok betanítására használt módszer. Úgy működik, hogy összehasonlítja a modell kimenetét a helyes válasszal, kiszámítja a hibát, majd ezt a hibát visszaterjeszti a hálózaton keresztül annak belső beállításainak módosítása érdekében. Számos példa alapján a modell fokozatosan javul. A visszaterjesztés a modern mélytanulás egyik kulcsfontosságú technikája.

Bag-of-Words

Forrás: Beküldött kép; Szerző: Stephen Whitelaw;

A „bag-of-words” (szavak halmaza) a szövegek gépi tanulás céljából történő egyszerű ábrázolási módja. Nem veszi figyelembe a nyelvtant és a szórendet, hanem egyszerűen csak számolja, mely szavak jelennek meg. Például az „AI segít az üzleti életnek” és az „üzleti élet segít az AI-nek” kifejezések egy bag-of-words modellben nagyon hasonlóaknak tűnhetnek. Kevesebb kifinomultsággal rendelkezik, mint a modern nyelvi modellek, de bizonyos szövegosztályozási feladatoknál még mindig hasznos.

Alapmodell

Forrás: Beküldött kép; Szerző: Stephen Whitelaw;

Az alapmodell egy olyan mesterséges intelligencia-modell, amelyet széles körű adathalmazon képeztek ki, de még nem specializáltak egy adott felhasználásra. Például egy általános nyelvi modellt betaníthatunk szövegek előrejelzésére, majd később finomhangolhatjuk, hogy hasznos asszisztenssé, jogi összefoglalóvá vagy kódolási eszközzé váljon. Az alapmodell az az alap, amelyre a specializáltabb rendszerek épülnek.

Bayesi mesterséges intelligencia

Forrás: Beküldött kép; Szerző: Stephen Whitelaw;

A bayesi mesterséges intelligencia a valószínűséget használja a bizonytalanság értelmezésére. Ahelyett, hogy csak egy választ adna, a bayesi megközelítés frissítheti a feltételezéseit, amint új bizonyítékok érkeznek. Ez hasznos az orvostudományban, az előrejelzésekben, a spam-felismerésben és a kockázatelemzésben. Az alapelv ismerős: amikor új információk jelennek meg, felülvizsgáljuk, mit tartunk valószínűnek.

Sugárkeresés

Forrás: Beküldött kép; Szerző: Stephen Whitelaw;

A sugárkeresés egy olyan technika, amelyet akkor alkalmaznak, amikor a mesterséges intelligencia rendszerek szekvenciákat generálnak, például szövegeket vagy fordításokat. Ahelyett, hogy minden alkalommal csak a legvalószínűbb következő szót választaná ki, a modell több lehetséges opciót is nyitva tart, és azokat vizsgálja meg. Ez javíthatja a végső eredményt. Ez kicsit olyan, mintha több lehetséges útvonalat mérlegelnénk, mielőtt kiválasztanánk a legjobb utazási útvonalat.

BERT

Forrás: Beküldött kép; Szerző: Stephen Whitelaw;

A BERT egy befolyásos nyelvi modell, amelyet a jelenlegi nagy beszélgető AI-eszközök hulláma előtt fejlesztettek ki. Segített a számítógépeknek megérteni a szöveget azáltal, hogy a szavakat nem egyszerűen balról jobbra olvasta, hanem mindkét irányból figyelembe vette a kontextust. A BERT-et széles körben használták keresési, osztályozási és nyelvértési feladatokban. Segített előkészíteni az utat a fejlettebb nyelvi modellek számára.

Előítélet

Forrás: Beküldött kép; Szerző: Stephen Whitelaw;

A mesterséges intelligenciában az elfogultság több dolgot is jelenthet. Technikai értelemben a modellbe beépített feltételezésekre utalhat. Társadalmi értelemben pedig az embereket vagy csoportokat érintő igazságtalan vagy torz eredményekre utal. Mindkét jelentés fontos. Egy hasznos mesterséges intelligencia-rendszernek megfelelő technikai feltételezésekre van szüksége, de el kell kerülnie a káros társadalmi elfogultságot.

Big Data

Forrás: Beküldött kép; Szerző: Stephen Whitelaw;

A big data olyan rendkívül nagy, összetett vagy gyorsan változó adathalmazokat jelöl, amelyek kezelése a hagyományos módszerekkel nehézségekbe ütközik. A mesterséges intelligencia hatalmas mértékben profitált a big data-ból, mivel sok gépi tanulási rendszer teljesítménye javul, ha több példával képezik be. Azonban a több adat nem mindig jelent előnyt. A rossz minőségű, elfogult vagy irreleváns adatok továbbra is gyenge teljesítményű mesterséges intelligenciát eredményezhetnek.