Forrás: Beküldött kép; Szerző: Stephen Whitelaw;
Mélytanulás
A mélytanulás egy olyan gépi tanulási módszer, amely többrétegű neurális hálózatokon alapul. Ezek a rendszerek képesek komplex mintákat felismerni képekben, szövegekben, hanganyagokban és videókban. A mélytanulás számos modern mesterséges intelligencia áttörés mögött áll, ideértve a beszédfelismerést, a képgenerálást, a fordítást és a nagy nyelvi modelleket. Gyakran nagy mennyiségű adatot és számítási teljesítményt igényel.
Forrás: Beküldött kép; Szerző: Stephen Whitelaw;
Diffúziós modell
A diffúziós modell egy generatív mesterséges intelligencia-típus, amelyet gyakran használnak képek létrehozására. A modell úgy tanul meg adatokat generálni, hogy zajból indul ki, és azt fokozatosan finomítja egy koherens képpé vagy kimenetté. Számos modern képgeneráló eszköz használ diffúziós technikákat. Az eredmény a prompttól és a modelltől függően rendkívül valósághű vagy művészi lehet.
Forrás: Beküldött kép; Szerző: Stephen Whitelaw;
Digitális iker
A digitális iker egy valós tárgy, rendszer vagy folyamat virtuális modellje. Például egy gyárnak lehet olyan digitális ikere, amely szimulálja a gépeket, az energiafelhasználást és a termelési folyamatot. A mesterséges intelligencia hatékonyabbá teheti a digitális ikreket azáltal, hogy előre jelzi a problémákat és teszteli a változtatásokat, mielőtt azok a valós világban bekövetkeznének. A digitális ikreket a mérnöki munkában, az egészségügyben, a közlekedésben és az intelligens városokban használják.
Forrás: Beküldött kép; Szerző: Stephen Whitelaw;
Diszkriminatív modell
A diszkriminatív modell megtanulja megkülönböztetni a kategóriákat. Például eldöntheti, hogy egy e-mail spam-e vagy sem, illetve hogy egy daganat képe jóindulatúnak vagy rosszindulatúnak tűnik-e. A diszkriminatív modellek eltérnek a generatív modellektől, amelyek új tartalmat hoznak létre. Egyszerűen fogalmazva: a diszkriminatív modellek osztályoznak, a generatív modellek pedig létrehoznak.
Forrás: Beküldött kép; Szerző: Stephen Whitelaw;
Desztilláció
Az AI-desztilláció során egy kicsi, gyors AI-modellt tanítanak meg arra, hogy lemásolja egy nagy, intelligens AI-modell tudását és viselkedését. Képzeljük el úgy, mintha egy mesterséf (a nagy modell) megtanítaná egy tanítványának (a kicsi modellnek) az összes titkos receptjét és technikáját, hogy a tanítvány ugyanolyan minőségű ételeket tudjon főzni, csak sokkal gyorsabban és kevesebb konyhai eszközzel.Miért használják? Helymegtakarítás: Leegyszerűsíti a hatalmas AI-rendszereket, így azok elférnek egy okostelefonon vagy laptopon. Pénzmegtakarítás: A kisebb modell futtatása lényegesen kevesebb számítógépes teljesítményt igényel. Időmegtakarítás: A kisebb modell sokkal gyorsabban ad válaszokat, mint az óriási.
Forrás: Beküldött kép; Szerző: Stephen Whitelaw;
Doménadaptáció
A doménadaptáció az a folyamat, amelynek során egy AI-modellt úgy alakítanak át, hogy az új, de kapcsolódó környezetben is jól működjön. Például egy ország kórházi adatai alapján betanított modell nem biztos, hogy ugyanolyan jól működik egy másik országban, mivel a felszerelés, a betegek vagy az eljárások eltérőek. A doménadaptáció segít a modelleknek a tudás átvitelében, miközben alkalmazkodnak a helyi körülményekhez.
Forrás: Beküldött kép; Szerző: Stephen Whitelaw;
Doménspecifikus mesterséges intelligencia
A terület-specifikus mesterséges intelligencia egy adott területre, például az egészségügyre, a jogra, a pénzügyekre, az oktatásra, a mezőgazdaságra vagy a gyártásra tervezett mesterséges intelligencia. Ezek a rendszerek pontosabbak és hasznosabbak lehetnek az általános eszközöknél, mivel szakértői ismeretekre és munkafolyamatokra épülnek. A terület-specifikus mesterséges intelligenciát azonban szakértői felügyelet alá kell helyezni, mivel a hibák súlyos következményekkel járhatnak.
Forrás: Beküldött kép; Szerző: Stephen Whitelaw;
Eltérés
A drift akkor következik be, amikor egy mesterséges intelligencia modell teljesítménye az idő múlásával megváltozik a valós világ változásai miatt. Például a fogyasztói viselkedés, a csalási taktikák, az orvosi gyakorlat vagy a nyelvhasználat is változhat. Egy modell, amely tavaly még jól működött, ma már kevésbé megbízható lehet. A drift figyelemmel kísérése elengedhetetlen minden olyan mesterséges intelligencia rendszer esetében, amelyet hosszabb ideig használnak.
Forrás: Beküldött kép; Szerző: Stephen Whitelaw;
Dropout
A dropout egy neurális hálózatokban alkalmazott tanítási technika, amelynek célja a túlillesztés csökkentése. A tanítás során bizonyos kapcsolatokat véletlenszerűen figyelmen kívül hagynak, így a modell nem támaszkodhat túlzottan egyetlen útvonalra sem. Ez segít a modellnek jobban általánosítani az új adatokra. Hasonló ahhoz, mintha egy csapatot úgy edzenének, hogy az egész csoport jól teljesítsen, ahelyett, hogy egy sztárjátékosra támaszkodnának.

Forrás: Beküldött kép; Szerző: Stephen Whitelaw; 







Follow us on social media