A escolha do modelo de Antes descreve a tarefa: o que recebe, o que retorna e como você saberá se funciona. Esse hábito evita usar IA onde uma regra e ajuda a comparar diferentes soluções.
Objetivos: Para distinguir IA, ML e DL; Reconhecer as tarefas de linguagem, áudio e visão. Classificação de geração separada e avaliar uma saída sem tratar sua confiança como certeza.
Conceitos de Chave
Inteligência artificial (IA) É o campo que constrói sistemas capazes de realizar tarefas associadas com percepção, raciocínio, linguagem ou decisão. Aprendizado de máquina (ML) Aprenda padrões com os dados. Aprendizado profundo (DL) É uma família de ML que usa redes neurais multicamadas para aprender representações complexas. Assim, DL está dentro de ML e ML está dentro de IA.
O Generative AI produção de texto, imagens, áudio ou código. Muitos sistemas de geração de hoje têm usado o aprendizado profundo. Isso não significa que eles geram sem prever: um LLM pode construir texto prevendo sucessivas tokens. A profunda rede que classifica fotografias permanece DL mesmo se não gerar imagens.
Solução A especializada em transcrever chamadas não prova inteligência geral. AGI. descreve uma capacidade global e abrangente de reconhecer objetos, por si só, não os credita. Também é apropriado separar IA de Ciência dos dadosIsso inclui explorar dados, projetar experimentos e comunicar resultados com ou sem modelos ML.
Tarefas e tipos de dados
| Entrada | Tarefa | Partida que você tem que reconhecer |
|---|---|---|
| O texto de uma reivindicação | Qualifique o tema ou sentimento | Legenda ou pontuação |
| O texto de uma política | Gere um resumo. | Novo texto usando a fonte |
| Áudio de um chamada | Reconhecimento de voz, ASR | Transcrição |
| Fotografia de equipamentos | Detecção de objetos | Etiquetas e caixas delimitadoras |
| Fatura escaneado. | Extrair campos e tabelas | Dados estruturado |
| História das reparações | Para estimar a duração | Valor numérico |
Dados Estruturado tem um esboço, como uma mesa de ordem. O Desestruturado.como fotos ou texto livre, eles também têm uma estrutura interna, mas eles não são organizados em colunas de negócios. JSON é um exemplo regular de dados semiestruturados.
O texto se torna tokens e representações numéricas. O áudio é representado com amostras de tempo; Frequência de amostra e profundidade de bits descrevem diferentes aspectos. A imagem contém pixels e canais: um pixel isolado raramente identifica o objeto. O contexto e as relações entre elementos importam.
Para escolher entre regras e aprendizagem
A regra como "código deve ter oito caracteres" não requer treinamento. ML é útil ao reconhecer o padrão com regras manuais seria difícil e dados apropriados estão disponíveis. Aprendendo. Supervisionado. Há exemplos com respostas. em não supervisionado uma exploração de uma estrutura sem esses rótulos; em Reforçando As decisões são aprendidas com recompensas de interação.
O nome da aplicação não determina um único método. A veículo autônomo pode combinar percepção monitorada, planejamento e outros componentes. Uma anomalia também não prova fraude, só aponta para algo que merece revisão.
Exemplo passo a passo
A recebe empresa "O computador volta" com uma foto e um áudio. Ele quer classificar o problema e escrever uma resposta inicial.
- Entradas separadas: mensagem, imagem e gravação. Não trate todos os arquivos como texto.
- Ele transforma seu áudio para que ele possa olhar e analisar. Mantenha o original para verificar erros.
- Classifica o texto como uma categoria Se você precisa descobrir uma peça na foto, use uma detecção de item.
- A política de garantia autorizada da Consulta gera uma explicação apoiada por ela.
- Verifique dados duvidosos e decida se a intervenção humana é necessária antes de uma ação.
O sistema gera uma resposta, mas isso não significa que você tenha passado uma garantia. A decisão e a permissões pertencem ao processo de negócios.
Erros comuns.
- Para fundir uma etiqueta, como um "motor", com um novo imagem de um motor.
- Assumir que todos os IA usam redes profundas ou que cada rede profunda é generativa.
- Leia uma nota alta de confiança como garantia de correção em qualquer situação.
- E pensar que enviar uma mensagem para um chatbot modifica automaticamente os pesos do modelo.
- Dizer que restaurar imagens nunca é IA: existem modelos que fazem essa tarefa. É o mesmo que categorizar ou detectar.
Exercício de seleção.
A oficina A quer verificar um formato serial, detectar uma peça em uma foto e escrever um aviso compreensível. Você tem o mesmo modelo para alguma coisa?
Solução
Ele usa validação determinista para o formato serial, visão para localizar a peça e geração de texto para escrever o aviso a partir de dados verificados. Mantenha as três saídas separadas: formato válido não prova que a peça existe, e texto convincente não confirma um reparo.
Fontes e revisão
Revisar IA Fundações em Rota oficial.. Isso contrasta as tarefas das imagens com Visão OCI. Antes para avançar, dá um exemplo de sua própria classificação, regressão e geração.