Poznáš základné pojmy, ktoré sa týkajú umelej inteligencie? Poď sa s nami dnes na ne pozrieť a nauč sa niečo nové.
Umelá inteligencia
V slovníku sa stretneme s vysvetlením, že AI je používanie alebo štúdium počítačových systémov alebo strojov, ktoré majú niektoré vlastnosti ľudského mozgu, ako napríklad schopnosť interpretovať a produkovať jazyk spôsobom, ktorý sa javí ako ľudský, rozpoznávať alebo vytvárať obrazy, riešiť problémy a učiť sa z dát, ktoré im boli poskytnuté.
Strojové učenie
Modely strojového učenia slúžia hlavne na vytváranie predikcií a rozhodnutí na základe historických dát, bez toho aby boli explicitne naprogramované na konkrétne úlohy. Existuje mnoho typov techník alebo algoritmov strojového učenia, ktoré hľadajú podobnosti alebo vzorce správania dát. Medzi ne patrí lineárna regresia, logistická regresia, rozhodovacie stromy, náhodný les, metódy podporných vektorov (SVM), k-najbližších susedov (KNN), klastrovanie a ďalšie. Každý z týchto prístupov je vhodný pre rôzne druhy problémov a údajov. Najzaujímavejším algoritmom sú neurónové siete, ktoré fungujú na princípe štruktúry a funkcie ľudského mozgu.
Podobne ako mozog obsahujú vrstvy neurónov, ktoré pracujú a analyzujú problémy spoločne na viacerých úrovniach.
Hlboké učenie
Súčasťou strojového učenia je hlboké učenie, ktoré v modeloch využíva viacvrstvové neurónové siete, označované ako „hlboké“. Tieto siete dôveryhodnejšie simulujú schopnosť rozhodovania nášho mozgu. Obsahujú zvyčajne vstupnú vrstvu, najmenej tri, a často stovky, skrytých vrstiev a výstupnú vrstvu. Vďaka tomu dochádza k samostatnému učeniu bez priameho zásahu človeka.
Hlboké učenie umožňuje pracovať s veľkým množstvom neštrukturovaných dát a je vhodné na spracovanie prirodzeného jazyka (NLP), počítačové videnie a ďalšie úlohy, ktoré vyžadujú rýchlu a presnú identifikáciu zložitých vzorcov a vzťahov vo veľkých súboroch dát.
Generatívna AI
Generatívna AI zahŕňa modely hlbokého učenia, ktoré dokážu vytvárať komplexný obsah, napríklad originálny text, obrázky alebo audiovizuálne formy. Pár rokov sa používali v štatistike na analýzu numerických dát, no v poslednom desaťročí sa vyvinuli tak, aby dokázali analyzovať a generovať zložitejšie typy dát. Všeobecne fungujú v troch fázach: trénovanie (tvorba základného modelu), ladenie (prispôsobenie modelu konkrétnej úlohe) a proces generovania a vyhodnotenia,
po ktorom nasleduje ďalšie ladenie.
