La scelta del modello di Prima descrive l'attività: ciò che riceve, ciò che ritorna e come saprai se funziona. Tale abitudine impedisce di utilizzare IA dove una regola e aiuta a confrontare diverse soluzioni.
Obiettivi: Per distinguere IA, ML e DL; Riconoscere i compiti di lingua, audio e visione. classificazione di generazione separata e valutare un'uscita senza trattare la sua fiducia come certezza.
Concetti Chiave
Intelligenza artificiale (IA) E' il campo che costruisce sistemi in grado di svolgere compiti associati alla percezione, al ragionamento, alla lingua o alla decisione. Apprendimento della macchina (ML) Impara i modelli dai dati. Apprendimento Profondo (DL) è una famiglia di ML che utilizza reti neurali multistrato per imparare rappresentazioni complesse. Così, DL dentro ML e ML dentro IA.
The Generative AI produzione di testo, immagini, audio o codice. Molti sistemi di generazione di oggi hanno usato l'apprendimento profondo. Non significa che generino senza prevedere: una LLM può costruire il testo predicendo la successiva token. Rete profonda A che classifica le fotografie rimane DL anche se non genera immagini.
La soluzione A specializzata nella transcribing chiamate non dimostra l'intelligenza generale. AGI descrive una capacità complessiva e completa Per riconoscere gli oggetti, di per sé, non li accredita. È anche opportuno separare IA da scienza dei datiCiò include l'esplorazione dei dati, la progettazione di esperimenti e la comunicazione dei risultati con o senza modelli ML.
Compiti e tipi di dati
| Input | Compiti | Partenza che dovete riconoscere |
|---|---|---|
| Il testo di un reclamo | Classificare tema o sentimento | Etichetta o punteggio |
| Il testo di una politica | Generare un Riepilogo | Nuovo testo utilizzando la sorgente |
| Audio di un chiamata | Riconoscimento vocale, ASR | Trascrizione |
| Fotografia di attrezzature | Rilevamento oggetti | Etichette e scatole di delimitazione |
| Fattura scansionato | Campi di estrazione e tabelle | Dati strutturato |
| Riparazioni Storia | Per stimare la durata | Valore numerico |
Dati strutturato hanno un profilo, come un tavolo d'ordine. The Non strutturatocome foto o testo libero, hanno anche una struttura interna, ma non sono organizzati in colonne aziendali. JSON è un esempio regolare di dati semistrutturati.
Il testo diventa token e rappresentazioni numeriche. L'audio è rappresentato con campioni di tempo; La frequenza del campione e la profondità del bit descrivono diversi aspetti. A immagine contiene pixel e canali: un pixel isolato raramente identifica l'oggetto. Il contesto e le relazioni tra gli elementi sono importanti.
Scegliere tra regole e apprendimento
La regola A come "il codice dovrebbe avere otto caratteri" non richiede l'allenamento. ML è utile quando si riconosce il modello con regole manuali sarebbe difficile e i dati appropriati sono disponibili. Apprendimento sorvegliato ci sono esempi con risposte. in non supervisionato un'esplorazione di una struttura senza queste etichette; in rafforzamento le decisioni sono imparate da premi di gioco.
Il nome dell'applicazione non determina un singolo metodo. Il veicolo standalone A può combinare la percezione monitorata, la pianificazione e altri componenti. Un'anomalia non dimostra nemmeno la frode: punta solo a qualcosa che merita la revisione.
Esempio guidato
A riceve società "Il computer torna fuori" con una foto e un audio. Vuole classificare il problema e scrivere una risposta iniziale.
- Ingressi separati: messaggio, immagine e registrazione. Non trattare tutti i file come testo.
- Trasforma il suo audio in modo da poterlo guardare e analizzarlo. Tenere l'originale per controllare gli errori.
- Classifica il testo come categoria Se è necessario capire un pezzo nella foto, utilizzare un rilevamento dell'elemento.
- La politica di garanzia autorizzata di Query e genera una spiegazione supportata da essa.
- Controllare i dati dubbi e decidere se l'intervento umano è necessario prima di un'azione.
Il sistema genera una risposta, ma questo non significa che tu abbia superato una garanzia. La decisione e la autorizzazioni appartengono al processo di business.
Errori comuni
- Unire un'etichetta, come un "motore", con un nuovo immagine di un motore.
- Assumere che tutti IA utilizzi reti profonde o che ogni rete profonda sia generativa.
- Leggi un punteggio di alta fiducia come garanzia di correzione in qualsiasi situazione.
- Per pensare che l'invio di un messaggio a un chatbot modifichi automaticamente i pesi del modello.
- Per dire che il ripristino delle immagini non è mai IA: ci sono modelli che fanno quel compito. Questo è lo stesso di classificare o rilevare.
Esercizio Selezione
officina A vuole controllare un formato seriale, rilevare un pezzo in una foto e scrivere un avviso comprensibile. Hai lo stesso modello per qualcosa?
Soluzione
Utilizza la validazione determinista per il formato seriale, la visione per individuare la generazione del pezzo e del testo per scrivere l'avviso da dati verificati. Tenere le tre uscite separate: il formato valido non dimostra che il pezzo esiste, e il testo convincente non conferma una riparazione.
Fonti e recensioni
Esaminare IA Foundations at itinerario ufficiale. Esso contrasta i compiti delle immagini con Visione di OCI. Prima per avanzare, dà un esempio della propria classificazione, regressione e generazione.