هوش مصنوعی جادو نیست. این منطق جلسه ریاضی است – با کمی کنجکاوی.
هنگامی که من برای اولین بار به دنیای هوش مصنوعی قدم گذاشتم ، احساس می کردم که به اتاقی پر از کلمات کلیدی قدم می زنم: شبکه های عصبی ، ترانسفورماتورها ، تعبیه ها ، توهمات (نوع هوش مصنوعی!). اما پس از ارائه چندین پروژه هوش مصنوعی در دنیای واقعی ، من به دیدن AI نه به عنوان یک جعبه سیاه عرفانی-بلکه به عنوان یک ابزار ابزار. یک قدرتمند ، بله ، اما هنوز هم یک ابزار ابزار.
این پست مربوط به مدل های GPT یا چشمک زن نیست. این در مورد چگونگی فکر کردن در مورد هوش مصنوعی هنگام ساخت پروژه های واقعی است.
AI ، واقعاً چیست؟
در هسته اصلی آن ، هوش مصنوعی در مورد تصمیم گیری است. آیا این است:
پیش بینی کلمه بعدی در یک جمله
تشخیص کلاهبرداری در یک معامله
پیشنهاد یک فیلم در یک شب جمعه
… این فقط سیستمی است که الگوهای را می آموزد و از داده ها تعمیم می دهد.
یکی از اولین “آها!” لحظاتی که داشتم این بود که درک می کردم که AI نمی فهمد – تقریبی است. به همین دلیل هم درخشان و هم ناقص است. این می تواند مقاله های کامل را ایجاد کند … و هنوز هم این نکته را از دست می دهد. این می تواند یک گربه را در یک تصویر تشخیص دهد … و هنوز هم یک Chihuahua را برای کلوچه اشتباه می کند.
نحوه استفاده از هوش مصنوعی در پروژه های واقعی
من AI را در بیش از ده پروژه ، بیشتر در اکوسیستم لاجورد ، یکپارچه کرده ام. برخی از نکات برجسته:
تجزیه و تحلیل تصویر برنامه های وب با استفاده از API Computer Azure's API-تشخیص شیء در زمان واقعی و OCR.
چتپ های دارای هوش مصنوعی-ترکیب عملکردهای لاجورد با OpenAI برای اتوماسیون داخلی.
خطوط لوله تجزیه و تحلیل پیش بینی – جایی که هوش مصنوعی از تصمیمات تجاری با استفاده از داده های تاریخی پشتیبانی می کند.
من بزرگترین مدل یا پیچیده ترین معماری را تعقیب نمی کنم. می پرسم: آیا این مسئله برای کسی مشکل ایجاد می کند؟
درسهایی که با AI ساختمان آموخته شده است
این همان چیزی است که من راه سخت را آموخته ام:
داده ها> مدل. یک مجموعه داده تمیز با یک مدل ساده ، یک مدل پیچیده را که روی آشغال ها آموزش دیده است ، می تپد.
توضیحات اهمیت دارد. اگر هوش مصنوعی شما اشتباه می کند ، می توانید توضیح دهید که چرا؟
هوش مصنوعی باید کمک کند ، نه جایگزین. بیشتر برنامه های موفق تصمیم گیری انسان را تقویت می کنند-آن را از بین نمی برند.
برای مبتدیان: ساده را شروع کنید
اگر تازه با هوش مصنوعی شروع می کنید ، توصیه من در اینجا است:
به یادگیری عمیق عجله نکنید. با Scikit-Learn و رگرسیون اساسی بازی کنید.
برای تمرکز روی حل مسئله ، از API های از پیش آموزش (مانند خدمات AI Azure) استفاده کنید.
چیزی کوچک بسازید که در واقع کار کند. یک آنالایزر احساسات توییتر کار با ارزش تر از یک دستیار GPT نیمه پخته شده است.
افکار نهایی
هوش مصنوعی در مورد ساختن جارویس یک شبه نیست. این در مورد حل مشکلات کوچک و معنی دار است – یک مجموعه داده در یک زمان.
من دیده ام که Ai Olk Ollock بهره وری ، گردش کار خودکار و حتی صرفه جویی در ساعت های تجزیه و تحلیل دستی. اما این تنها در صورتی کار می کند که ما به عنوان جادو فکر کنیم … و به عنوان بخشی از جعبه ابزار توسعه دهنده خود شروع به فکر کردن در مورد آن کنیم.
آیا می خواهید ببینید که چگونه با AI در لاجوردی می سازم؟ احساس راحتی کنید که آخرین پروژه های من را کشف کنید – یا فقط با من ارتباط برقرار کنید. من همیشه برای بحث در مورد چگونگی دیدار هوش مصنوعی با DevOps ، ابر و تأثیر در دنیای واقعی آماده هستم.
ساختمان مبارک! 🚀
– ابنه سبد سایکات
