Od chvíle, kdy bylo na konci roku 2022 představeno generativní AI, získala většina z nás základní pochopení této technologie. Mnozí již běžně používají pojmy jako „prompty“ nebo „strojové učení“, ale jak umělá inteligence pokračuje ve vývoji, tak se mění i terminologie kolem ní. Víte, jaký je rozdíl mezi velkými a malými jazykovými modely? Nebo k čemu je dobré GPU? Pokud ne, pomůžeme vám se v těchto pojmech lépe zorientovat.
1.REASONING/PLANNING
Počítače používající AI nyní dokážou řešit problémy a plnit úkoly pomocí vzorců, které se naučily z historických dat. Nejvyspělejší systémy dokážou jít ještě o krok dál a řešit stále složitější problémy tím, že vytvářejí plány k dosažení cíle.
Představte si, že požádáte AI o pomoc s organizací výletu do zábavního parku. Systém rozdělí tento cíl na kroky a naplánuje vše tak, abyste nešli stejnou trasou dvakrát a aby vodní atrakce byla naplánována na nejteplejší část dne.
2.TRAINING/INFERENCE
Vytvoření a používání AI systému zahrnuje dva kroky: trénink neboli proces učení a inferenci. Trénink je vlastně systémové vzdělávání, kdy model čerpá z datového souboru a učí se plnit úkoly nebo dělat predikce. Inferenci pak AI systém používá k aplikaci vzorců či modelů, které se naučil během trainingu.
3. SLM/MALÉ JAZYKOVÉ MODELY
Malé jazykové modely (SLM) jsou zjednodušené verze velkých jazykových modelů (LLM). Zatímco velké jazykové modely vyžadují hodně výpočetního výkonu a paměti, protože jsou trénovány na obrovských množstvích dat, malé jazykové modely jsou navrženy tak, aby byly méně náročné. Jsou trénovány na menších datových sadách, což znamená, že nevyžadují tolik výpočetního výkonu ani paměti.
Díky tomu jsou malé jazykové modely ideální pro použití na běžných zařízeních, jako jsou notebooky nebo smartphony a tak je můžete lépe použít k odpovídání na základní otázky nebo k plnění jednoduchých úkolů.
4. GROUNDING
Generativní AI systémy dokážou vytvářet příběhy, básně i vtipy, ale někdy mívají problémy s oddělením faktických informací od fikce. Vývojáři pracují na tom, aby AI systémy interagovaly s fakty a výstupy byly přesnější, a to pomocí procesu zvaného grounding, který spojuje modely s daty pro zlepšení přesnosti.
5. RETRIEVAL AUGMENTED GENERATION (RAG)
RAG je metoda, která umožňuje AI systémům přístup k aktuálním zdrojům dat, což zvyšuje jejich přesnost bez nutnosti dalšího trainingu.
RAG je metoda, která napomáhá k tomu, aby byly AI systémy chytřejší a aktuálnější. Zjednodušeně řečeno, RAG umožňuje AI přístup k aktuálním informacím z různých zdrojů dat, aniž by bylo potřeba znovu procházet procesem učení (training).
6. ORCHESTRACE
Orchestrace řídí různé části AI systému, aby spolupracovaly efektivně a poskytly co nejlepší odpovědi na vaše otázky. Představte si to takto: pokud se zeptáte AI na několik otázek naráz, Orchestrace zajistí, že AI správně propojí vaše otázky a poskytne přesné a smysluplné odpovědi.
Orchestrace je tedy klíčová pro to, aby AI systémy byly schopny správně a logicky reagovat, i když se otázky týkají různých částí jednoho tématu nebo jsou položeny v různém pořadí.
7. PAMĚŤ
Současné AI modely nemají technicky vzato paměť, ale mohou používat orchestraci k „zapamatování“ informací tím, že dočasně ukládají předchozí otázky a odpovědi a zahrnují tento kontext do aktuálního požadavku.
8. TRANSFORMAČNÍ A DIFUZNÍ MODELY
Transformační modely jsou špičkové generativní AI modely, které vynikají v porozumění kontextu a jemným nuancím v textu. Tyto modely, často používané v chatovacích aplikacích, jsou schopny rychle a efektivně analyzovat vzorce a data, aby poskytly smysluplné a relevantní odpovědi.
Na druhé straně difuzní modely se specializují na tvorbu grafiky. Pracují pozvolně, s každým krokem přidávají a upravují pixely, až vytvoří požadovaný obrázek. Tímto způsobem mohou difuzní modely generovat vysoce kvalitní a detailní vizuální výstupy.
9. FRONTIER MODELY
Frontier modely jsou velké systémy, které posouvají hranice AI a mohou plnit širokou škálu úkolů pomocí pokročilých funkcí. Technologické společnosti jako Microsoft založil společně Frontier Model Forum, aby sdílely znalosti, stanovovaly bezpečnostní standardy a zajistily bezpečný a zodpovědný vývoj těchto mocných AI modelů.
10. GPU
GPU (Graphics Processing Unit), neboli grafický procesor byl původně navržen pro zpracování grafiky ve videohrách, aby hry vypadaly dobře a běžely hladce. Jeho schopnost rychle provádět mnoho výpočtů současně (paralelní zpracování) se ukázala být neuvěřitelně užitečná i pro umělou inteligenci. Díky GPU mohou AI modely rychle provádět training na obrovských množstvích dat a provádět složité operace, což by běžné procesory (CPU) zvládaly mnohem pomaleji.
závěr
Jak vidíte, svět umělé inteligence je plný pojmů. Terminologie se neustále vyvíjí a její pochopení vám pomůže lépe se orientovat v této dynamické oblasti. Nezáleží na tom, zda jste nadšenec do technologií nebo se s AI teprve seznamujete, umělá inteligence se stává nedílnou součástí našeho života a je užitečné být v obraze.
Zdroj textu a autor: Susanna Ray, Microsoft
Pokud by vás zajímalo více informací o umělé inteligenci v podobě Copilot pro Microsoft 365, můžete nás kontaktovat, rádi zodpovíme vaše dotazy.
