اکنون که ما در مورد اینکه چه عوامل عمودی هوش مصنوعی هستند صحبت کرده ایم ، بیایید نگاهی بیندازیم که چگونه آنها واقعاً کار می کنند. این عوامل هوش مصنوعی هوشمندانه شروع نمی کنند. آنها باید آموزش ببینند ، دقیقاً مانند مردم با گذشت زمان مهارت ها را می آموزند. اما به جای منابعی مانند معلمان و فیلم های YouTube ، آنها از داده ها یاد می گیرند – غالباً مقدار زیادی از داده ها. این آموزش باعث می شود که آنها در یک کار واقعاً خوب باشند ، خواه این کلاهبرداری باشد ، به پزشکان کمک کند ، یا حتی آهنگ های جدید را توصیه می کنند.
فقط یک یادداشت سریع – من این مقاله ها را می نویسم که گویی خواننده ممکن است با چندین مورد از این اصطلاحات آشنا نباشد ، یا اگر در قسمت نرم افزاری نیستند. حتی اگر این تجربه را داشته باشید ، ممکن است چیز جدیدی را انتخاب کنید.
تغذیه هوش مصنوعی – از کجا داده ها حاصل می شود
بنابراین قبل از اینکه یک هوش مصنوعی عمودی بتواند کار خود را انجام دهد ، به اطلاعات نیاز دارد. تصور کنید که سعی می کنید یک بازی ویدیویی جدید انجام دهید بدون اینکه به قوانین نگاه کنید. شما ممکن است بر اساس دانش عمومی که طی این سالها بازی بازی کرده اید ، برخی از حدس های تحصیل کرده را انجام دهید. اما شما واقعاً نمی دانید دقیقاً چه کاری انجام دهید. AI به همان روش است. برای یادگیری به مثال نیاز دارد.
داده ها از کجا آمده اند؟
- بهداشت و درمان هوش مصنوعی: تصاویر پزشکی ، سوابق بیمار ، یادداشت های پزشک
- امور مالی هوش مصنوعی: گزارش های معاملات ، گزارش های کلاهبرداری ، روند بازار سهام
- خرده فروشی هوش مصنوعی: تاریخ خرید ، رفتار مشتری ، سطح موجودی
تولید بازیابی (RAG) روشی است که به هوش مصنوعی کمک می کند تا بهترین و مفیدترین اطلاعات را از داده های عظیمی از داده ها پیدا کند و آنچه را که می آموزد بهبود بخشد. ما در مقاله بعدی کمی بیشتر به این موضوع می پردازیم.
تمیز کردن داده ها: خلاص شدن
اگر داده ها آشفتگی باشد ، هوش مصنوعی نمی تواند به درستی یاد بگیرد. زباله ها منجر به زباله ها می شود. تصور کنید که سعی می کنید کتابی پر از اشتباهات املایی و صفحات گمشده را بخوانید. منطقی نخواهد بود به همین دلیل قبل از استفاده از AI باید داده ها را تمیز کرد. تمیز کردن یعنی:
- حذف داده های تکراری یا بی فایده
- پر کردن اطلاعات مفقود شده
- اطمینان حاصل کنید که تمام داده ها از همان قالب پیروی می کنند
آموزش هوش مصنوعی – یادگیری از مثال
پس از آماده شدن داده ها ، وقت آن است که AI را آموزش دهیم. روشهای مختلفی وجود دارد که می تواند مانند ما بیاموزد.
سه راه AI می آموزد:
- یادگیری تحت نظارت: هوش مصنوعی “داده های دارای برچسب” داده می شود ، به این معنی که گفته می شود چه چیزی درست و اشتباه است. به معلمی فکر کنید که تکالیف را درجه بندی می کند و به دانش آموزان اشتباهات خود را نشان می دهد.
- یادگیری بدون نظارت: داده های هوش مصنوعی داده می شود اما به چه چیزی درست یا غلط گفته نمی شود. درعوض ، به خودی خود الگوهای خود را پیدا می کند ، مانند بچه ای که لگوس را در رنگ ها مرتب می کند بدون اینکه به او گفته شود چگونه.
- یادگیری تقویت: هوش مصنوعی با آزمایش و خطا ، مانند بازی یک بازی ویدیویی و فهمیدن آنچه بر اساس نمرات و پاداش ها کار می کند ، می آموزد.
توسعه دهندگان AI اغلب از مدل های AI از پیش آموزش داده شده استفاده می کنند (مانند استفاده از مخلوط کیک از پیش ساخته به جای پخت از ابتدا). API (رابط برنامه نویسی برنامه) به AI اجازه می دهد تا به این مدل ها دسترسی پیدا کند تا حتی سریعتر یاد بگیرد. ما در مقاله آینده بیشتر در مورد API صحبت خواهیم کرد. آنها چندین کاربرد دارند.
تنظیم دقیق-صیقل دادن دانش هوش مصنوعی
آموزش نقطه شروع خوبی را به AI می بخشد ، اما کامل نیست. برای انجام خوب کار خود به تنظیم دقیق نیاز دارد. این مرحله مانند تمرین برای یک آزمون است – یادگیری از اشتباهات و بهبود با گذشت زمان.
چگونه AI خوب تنظیم می شود:
- تنظیم تنظیمات برای بهبود دقت (ما در مورد آنچه این تنظیمات در مقاله آینده وجود دارد صحبت خواهیم کرد)
- آزمایش روی داده های جدید و غیب
- از بین بردن سوگیری هایی که می تواند نتایج ناعادلانه ای ایجاد کند ، بسیاری از سیستم های هوش مصنوعی حتی پس از استقرار ، یادگیری را حفظ می کنند. با اتوماسیون گردش کار ، مدل های هوش مصنوعی می توانند بدون نیاز به آموزش مجدد از ابتدا ، هر بار که داده های جدید ظاهر می شوند ، خود را به روز کنند.
قرار دادن هوش مصنوعی برای کار – استقرار
پس از آماده شدن هوش مصنوعی ، وقت آن است که از آن استفاده کنیم. روش های مختلفی برای استفاده از سیستم AI وجود دارد:
- داخل برنامه ها یا نرم افزار (به عنوان مثال ، هوش مصنوعی که در برنامه های بانکی کلاهبرداری را تشخیص می دهد)
- به عنوان یک API (توسط یک چت بابات استفاده می شود که به تیم های پشتیبانی مشتری کمک می کند)
- برنامه های مستقل (مانند یک هوش مصنوعی پزشکی که اشعه ایکس را برای پزشکان اسکن می کند)
- در داخل ابزارهای موجود که روزانه از آنها استفاده می کنیم (مانند Slack ، WhatsApp و غیره)
یادگیری مداوم – نگه داشتن هوش مصنوعی به مرور زمان
درست همانطور که ما باید یاد بگیریم که در زمینه خود تیز و مرتبط بمانیم ، هوش مصنوعی نیز به روزرسانی نیاز دارد. اگر هوش مصنوعی روی داده های قدیمی آموزش دیده باشد ، ممکن است تصمیمات بد یا منسوخ شود. برای مفید ماندن ، باید از داده های جدید یاد بگیرد.
چگونه هوش مصنوعی به روز می ماند:
- داده های جدید آموزش به آن کمک می کند تا دقیق بماند
- بازخورد کاربران به تنظیم و بهبود آن کمک می کند
- بررسی خطا به رفع اشتباهات و تعصبات مانند آموزش های اولیه کمک می کند ، سیستم های هوش مصنوعی می توانند از نسل بازیابی (RAG) استفاده کنند تا هر زمان که تصمیم بگیرند ، آخرین اطلاعات را جمع کنند. این به آنها کمک می کند تا از پاسخ های منسوخ جلوگیری کنند و تازه بمانند.
استنباط چیست؟
پس از آموزش هوش مصنوعی ، باید از آنچه آموخته است برای تصمیم گیری استفاده کند ، استفاده کند. این استنباط نامیده می شود. این زمانی است که هوش مصنوعی به ورودی جدید نگاه می کند و پاسخ را بر اساس آنچه آموخته شده است پیش بینی می کند.
- مثال: هوش مصنوعی تشخیص کلاهبرداری در مورد هزاران مورد کلاهبرداری واقعی آموزش دیده است. وقتی معامله جدیدی را می بیند ، به نظر می رسد که آیا به نظر می رسد کلاهبرداری است یا نه.
- مثال: هوش مصنوعی پزشکی از میلیون ها تصویر اشعه ایکس یاد می گیرد. وقتی یک اشعه ایکس جدید را می بیند ، در صورت بروز مشکل ، غافل می شود. ## بسته بندی عوامل AI عمودی هوشمندانه شروع نمی شود. آنها از داده ها می آموزند ، آموزش می بینند و به مرور زمان بهبود می یابند. اما یادگیری کافی نیست. هوش مصنوعی برای کمک به آن به ابزارهایی نیاز دارد. از نسل بازیابی (RAG) گرفته تا API و اتوماسیون گردش کار ، این فناوری ها به کارآمدتر AI کمک می کنند تا کارآمدتر شوند ، جریان داشته باشند و با گذشت زمان بهبود یابد. به اندازه کافی بهبود می یابد که برای خودش فکر کند؟ خوب ، این یک بحث برای زمان دیگری است.
دفعه بعد ، ما به نحوه عملکرد این ابزارها و نحوه کمک به هوش مصنوعی در دقت ، مرتبط و قدرتمند کمک خواهیم کرد.
