Mesterséges intelligencia: 6. rész

Forrás: Beküldött kép; Szerző: Stephen Whitelaw;

Osztályozás

A besorolás egy olyan mesterséges intelligencia feladat, amelynek során a rendszer valamit egy kategóriába sorol. Példák erre az e-mailek spam és nem spam kategóriákba történő szortírozása, egy értékelés pozitív vagy negatív jellegének azonosítása, vagy egy röntgenfelvétel normális vagy rendellenes jellegének felismerése. A besorolás a gépi tanulás egyik leggyakoribb alkalmazási területe.

Forrás: Beküldött kép; Szerző: Stephen Whitelaw;

Claude

A Claude az Anthropic által kifejlesztett, fejlett nagy nyelvi modellekből álló család. Biztonságos, pontos és védett működésre tervezték, és olyan speciális eszközökkel rendelkezik, mint a Claude Code (egy ügynöki kódoló eszköz), a Claude Design és a kutatáshoz szánt Claude Science. A Claude-ot a híres Claude Shannonról, matematikusról, informatikusról és az információelmélet atyjáról nevezték el.

Forrás: Beküldött kép; Szerző: Stephen Whitelaw;

Felhőalapú mesterséges intelligencia

A Cloud AI olyan mesterséges intelligencia-szolgáltatásokat jelöl, amelyeket nagy számítástechnikai szolgáltatók nyújtanak az interneten keresztül. Ahelyett, hogy drága hardvert vásárolnának, a vállalkozások felhőalapú platformokon keresztül férhetnek hozzá mesterséges intelligencia-modellekhez, tárolókapacitáshoz és számítási teljesítményhez. Ez hozzáférhetőbbé teszi a mesterséges intelligenciát, ugyanakkor felvet kérdéseket az adatvédelem, a biztonság, a költségek és a nagy technológiai vállalatoktól való függőség tekintetében.

Forrás: Beküldött kép; Szerző: Stephen Whitelaw;

Klaszterezés

A klaszterezés egy gépi tanulási módszer, amely hasonló elemeket csoportosít össze anélkül, hogy előre megadnák a helyes kategóriákat. Például egy kiskereskedő a klaszterezést felhasználhatja hasonló vásárlási szokásokkal rendelkező ügyfélcsoportok azonosítására. A klaszterezés hasznos a minták felfedezéséhez, de az általa azonosított csoportokat még mindig emberi értelmezésre szorulnak.

Forrás: Beküldött kép; Szerző: Stephen Whitelaw;

Kognitív számítástechnika

A kognitív számítástechnika egy régebbi és tágabb fogalom, amely olyan rendszereket jelöl, amelyek az emberi gondolkodás bizonyos aspektusait, például a tanulást, az érvelést és a nyelvértést hivatottak utánozni. Gyakran használják üzleti kontextusban. Manapság az emberek inkább a mesterséges intelligenciáról, a gépi tanulásról és a generatív mesterséges intelligenciáról beszélnek, de az alapgondolat változatlan marad: számítógépek használata komplex, emberi jellegű feladatok támogatására.

Forrás: Beküldött kép; Szerző: Stephen Whitelaw;

Számítógépes látás

A számítógépes látás a mesterséges intelligencia azon ága, amely segít a számítógépeknek a képek és videók értelmezésében. Alkalmazzák az orvosi képalkotásban, az arcfelismerésben, az önvezető autókban, a minőség-ellenőrzésben, a mezőgazdaságban, a biztonsági területeken és a sportelemzésekben. A számítógépes látórendszerek rendkívül hatékonyak lehetnek, de meghibásodhatnak, ha a megvilágítás, a szögek, a háttér vagy a valós körülmények eltérnek a betanítási adatoktól.

Forrás: Beküldött kép; Szerző: Stephen Whitelaw;

Bizalomérték

A bizalmi pontszám egy szám, amely azt mutatja, hogy egy mesterséges intelligencia rendszer mennyire biztos a kimenetét illetően. Például egy képosztályozó azt mondhatja, hogy 92%-os bizonyossággal állapítja meg, hogy egy képen kutya látható. A bizalmi pontszámok hasznosak lehetnek, de nem jelentenek garanciát. Egyes mesterséges intelligencia rendszerek túlzottan magabiztosak, még akkor is, ha tévednek, ezért fontos a kalibrálás és a tesztelés.

Forrás: Beküldött kép; Szerző: Stephen Whitelaw;

Kontextusablak

A kontextusablak az az információmennyiség, amelyet egy nyelvi modell egyszerre képes figyelembe venni. Ez magában foglalhatja a felhasználó kérdését, a korábbi beszélgetést, a feltöltött szöveget vagy a lekért dokumentumokat. Egy nagyobb kontextusablak lehetővé teszi a modell számára, hogy hosszabb dokumentumokkal és több háttérinformációval dolgozzon. Azonban még egy nagy kontextusablak esetén is előfordulhat, hogy a modell kihagy bizonyos részleteket, vagy egyes információkat mások elé helyez. Az iparágban sokan úgy vélik, hogy a végtelen kontextusablakok felé tartunk – azaz olyan megoldás felé, amelyet a felhasználónak már nem kell figyelembe vennie.

Forrás: Beküldött kép; Szerző: Stephen Whitelaw;

Konvolúciós neurális hálózat

A konvolúciós neurális hálózat (CNN) egy olyan neurális hálózat-típus, amely különösen hasznos a képek feldolgozásában. A CNN-ek olyan mintákat ismernek fel, mint az élek, formák, textúrák és tárgyak. Jelentős szerepet játszottak a számítógépes látás térnyerésében. Bár manapság már újabb architektúrákat is alkalmaznak, a CNN-ek továbbra is fontos szerepet töltenek be a képelemzésben, az orvosi képalkotásban és a vizuális felismerésben.

Forrás: Beküldött kép; Szerző: Stephen Whitelaw;

Korpusz

A korpusz olyan szöveg- vagy adatgyűjtemény, amelyet elemzésre vagy tanításra használnak. Például egy nyelvi modellt olyan korpuszon lehet betanítani, amely könyveket, cikkeket, weboldalakat, kódot és egyéb írott anyagokat tartalmaz. A korpusz minősége és összetétele erősen befolyásolja a modell viselkedését. Ha a korpusz hibákat, elfogultságot vagy elavult információkat tartalmaz, a modell ezeket is megtanulhatja.

Forrás: Beküldött kép; Szerző: Stephen Whitelaw;

Költségfüggvény

A költségfüggvény, más néven veszteségfüggvény, azt méri, hogy a modell mennyire téved a tanulás során. A modell idővel igyekszik csökkenteni ezt a hibát. Például, ha egy mesterséges intelligencia ingatlanárakat jósol, a költségfüggvény a jósolt és a tényleges árak közötti különbséget méri. A tanulás lényegében a modell olyan módosításának folyamata, amelynek célja e veszteség minimalizálása.

Forrás: Beküldött kép; Szerző: Stephen Whitelaw;

Keresztvalidáció

A keresztvalidáció egy olyan technika, amellyel azt tesztelik, hogy a modell mennyire jól teljesít az adatok különböző részein. Ahelyett, hogy csak egyszer végeznének edzést és tesztelést, az adatokat többféleképpen felosztják. Ez segít feltárni, hogy a modell teljesítménye következetes-e, vagy csak egy szerencsés felosztás esetén működik jól. A keresztvalidáció csökkenti annak kockázatát, hogy a modell valós teljesítményét túlbecsüljék.

Forrás: Beküldött kép; Szerző: Stephen Whitelaw;

Egyedi modell

Az egyedi modell egy adott szervezethez, feladathoz vagy adatkészlethez igazított mesterséges intelligencia-modell. Például egy kórház saját klinikai dokumentumai alapján betanított modellt szeretne, vagy egy ügyvédi iroda jogi szövegek megfogalmazására hangolt modellt igényelhet. Az egyedi modellek relevánsabbak lehetnek, mint az általános modellek, de gondos adatkezelést, tesztelést és irányítást igényelnek.

Forrás: Beküldött kép; Szerző: Stephen Whitelaw;

Kiberbiztonsági mesterséges intelligencia

A kiberbiztonsági mesterséges intelligencia gépi tanulást és automatizálást használ a digitális fenyegetések felismerésére, megelőzésére vagy az azokra való reagálásra. Segítségével felismerhetők a szokatlan hálózati viselkedésformák, az adathalász kísérletek, a rosszindulatú szoftverek vagy a gyanús bejelentkezések. Ugyanakkor a támadók is felhasználhatják a mesterséges intelligenciát, hogy meggyőzőbb csalásokat írjanak vagy automatizálják a támadásokat. A mesterséges intelligencia ezért egyrészt védelmi eszköz, másrészt új kihívás a kiberbiztonság terén.