Paano gumagana ang AI?
Ang AI ay gumagana sa pamamagitan ng pagkatuto mula sa karanasan (data) tulad ng pagkatuto ng tao mula sa karanasan. Sa proseso ng pagsasanay, unti-unting naggenera ang mga makina ng kaalaman mula sa mga halimbawa ng data at bumubuo ng mga modelo na maaaring gamitin sa hinaharap.
Ang artificial intelligence (AI) ay lalong lumalabas sa ating pang-araw-araw na buhay, mula sa mga rekomendasyon ng pelikula na inirerekomenda ng Netflix hanggang sa mga self-driving na sasakyan tulad ng mga gawa ng Waymo. Naisip mo na ba kung paano gumagana ang AI? Sa likod ng bawat matalinong aplikasyon ay isang proseso na nagpapahintulot sa mga makina na matuto mula sa data at gumawa ng mga desisyon.
Sa artikulong ito, tatalakayin natin ang isang madaling maintindihang paliwanag ng mga prinsipyo sa likod ng kung paano gumagana ang AI, na nakatuon lalo na sa mga sistema ng machine learning, na nasa puso ng karamihan sa mga modernong AI.
Ang AI ay "natututo" at gumagawa ng mga desisyon batay sa data
Sa pinakapayak, ang AI ay umaandar sa pamamagitan ng pagkatuto mula sa data. Sa halip na i-programa gamit ang mga nakapirming patakaran para sa bawat sitwasyon, ang mga sistema ng AI (lalo na ang gumagamit ng machine learning) ay binibigyan ng malalaking halaga ng data at awtomatikong natutuklasan ang mga pattern o nakatagong patakaran sa loob ng data na iyon.
Pagkatapos, ginagamit nila ang kanilang natutunan upang maghula o gumawa ng mga desisyon kapag nakatagpo ng bagong data. Ang prosesong ito ay kahalintulad ng pagkatuto ng tao: tayo ay nakamasid ng maraming halimbawa, bumubuo ng mga konklusyon, at pagkatapos ay inilalapat ang karanasang iyon sa mga bagong sitwasyon.
Sa panahon ng pagsasanay, unti-unting inaayos ng sistema ang mga panloob na parametro upang mapabuti ang katumpakan. Bilang resulta, bumubuo ang AI ng isang modelo na kayang kilalanin kung ang isang larawan ay pusa o aso. Kapag binigyan ng bagong (hindi pa nakikitang) larawan, huhulaan ng modelo kung ito ay pusa o aso batay sa natutunan nito. Kung mali ang hula, maaaring i-fine-tune ang AI (gamit ang mga matematikal na algorithm) upang mapabuti ang katumpakan sa susunod.
Ang Apat na Pangunahing Hakbang ng Proseso ng Pagkatuto ng AI
Sa simpleng salita, ang proseso ng pagkatuto at operasyon ng AI ay karaniwang kinabibilangan ng mga sumusunod na pangunahing hakbang:
Pangangalap ng Data (Input)
Una, kailangan ng AI ng input na data upang matutunan. Ang data ay maaaring nasa iba't ibang anyo: numero, teksto, larawan, audio, atbp., at karaniwang maingat na kinokolekta at inihahanda. Halimbawa, upang sanayin ang AI na makilala ang mga pusa, kailangan mong mangolekta ng sampu-sampung libong larawan ng pusa (at hindi pusa) at lagyan ng label nang naaayon.
Pagsasanay ng Modelo (Pagkatuto/Pagsasanay)
Susunod ay ang yugto kung saan natututo ang makina mula sa data. Ang input na data ay ipinapasok sa isang learning algorithm (machine learning algorithm). Hinahanap ng algorithm na ito ang mga pattern o ugnayan sa data at unti-unting inaayos ang mga panloob na parametro upang umangkop sa data.
Sa kaso ng artificial neural networks (karaniwan sa deep learning), ang pagsasanay ay nangangahulugan ng pag-aayos ng mga weights ng mga koneksyon sa pagitan ng mga neuron sa maraming ulit. Patuloy na sinusubukan ng AI na hulaan ang training data at inaayos ang sarili batay sa pagkakaiba ng hula at aktwal na resulta (ang prosesong ito ay tinatawag na backpropagation sa neural networks).
Paggawa ng mga Hula/Resulta (Inference)
Pagkatapos ng pagsasanay, mayroong trained model ang AI. Ngayon, kapag nakatanggap ito ng bagong input na data (na hindi pa nito nakita dati), maaaring ilapat ng AI ang natutunang modelo upang gumawa ng mga hula o desisyon.
- Ang isang AI model na nakikilala ang pusa at aso ay maaaring tumingin sa bagong larawan at hulaan na "ito ay pusa" na may tiyak na kumpiyansa
- Ang AI na sinanay sa data ng mga transaksyon sa bangko ay maaaring hulaan kung alin sa mga bagong transaksyon ang pandaraya
- Ang modelong sinanay sa medikal na data ay maaaring magmungkahi ng mga diagnosis para sa mga bagong pasyente
Ang yugtong ito ay tinatawag na inference – ang AI ay naglalapat ng natutunang kaalaman sa mga totoong sitwasyon.
Feedback at Pagpapabuti
Isang mahalagang katangian ng AI (lalo na ng mga sistema ng machine learning) ay ang kakayahang pagbutihin ang sarili sa paglipas ng panahon. Kung ang AI ay gumagawa ng mga resulta at tumatanggap ng feedback tungkol sa katumpakan (halimbawa, tinutukoy ng tao kung tama o mali ang hula), maaari nitong iaayos ang modelo upang mas umangkop sa data.
Balikan ang halimbawa ng pag-uuri ng pusa/aso: kung may maling pag-uuri ang modelo (halimbawa, napagkamalan ang aso bilang pusa), maaaring magdagdag ang mga inhinyero ng mas maraming data tungkol sa mahihirap na kaso o baguhin ang arkitektura/hyperparameters ng modelo upang mas matuto ang AI. Sa pamamagitan ng patuloy na mga update na ito, ang AI ay nagiging mas tumpak at matalino sa paglipas ng panahon.
Ang mga sistema ng AI ay gumagana sa pamamagitan ng pagsasama ng tatlong pangunahing kakayahan: pagkatuto mula sa data, paggamit ng lohika upang makabuo ng mga resulta, at sariling pagwawasto mula sa mga pagkakamali. Sa panahon ng pagkatuto, nangongolekta at kumukuha ang AI ng impormasyon mula sa data (lumilikha ng "kaalaman"). Sa panahon ng inference, ginagamit ng AI ang natutunang kaalaman upang harapin ang mga bagong sitwasyon at makabuo ng mga resulta. At sa pamamagitan ng sariling pagwawasto, patuloy na pinapahusay ng AI ang operasyon nito upang mapabuti ang katumpakan.
— Mga Pangunahing Prinsipyo ng Operasyon ng AI
Ang kombinasyong ito ng pagkatuto, pangangatwiran, at sariling pag-aayos ang bumubuo sa lakas ng mga modernong sistema ng AI.
Isang simpleng halimbawa na nagpapakita kung paano gumagana ang AI
Isaalang-alang natin ang isang halimbawa sa totoong buhay upang mas malinaw na ipakita ang prosesong nabanggit: isang AI chatbot na awtomatikong sumasagot sa mga mensahe. Halimbawa, nais mong gumawa ng chatbot na sumusuporta sa mga customer at kayang natural na sagutin ang mga tanong sa wikang Vietnamese.
Pangangalap ng Data
Pagsasanay ng Chatbot
Pagsagot ng User
Pagpapabuti sa Paglipas ng Panahon
Malinaw na ipinapakita ng halimbawang ito kung paano ang praktikal na AI ay "natututo" at gumagana: pagkatuto mula sa nakaraang data upang ilapat sa mga hinaharap na sitwasyon. Maging ito man ay pag-uuri ng pusa/aso o pagsagot sa mga tanong ng customer, pareho ang pangunahing prinsipyo.
Paano gumagana ang generative AI?
Isang kamakailang tanyag na uso sa AI ay ang Generative AI – mga sistema ng AI na kayang gumawa ng bagong nilalaman tulad ng teksto, larawan, o audio na hindi pa umiiral dati. Paano nga ba gumagana ang generative AI, at ano ang pinagkaiba nito?
Pag-uuri at Paghula
- Kinikilala ang mga pattern
- Gumagawa ng mga hula
- Nag-uuri ng data
- Pumipili mula sa mga umiiral na opsyon
Paglikha ng Nilalaman
- Gumagawa ng bagong nilalaman
- Gumagawa ng teksto, larawan, audio
- Pinagsasama ang mga natutunang pattern
- Lumilikha ng orihinal na output
Sa katunayan, ang generative AI ay nakabatay din sa malalim na pagkatuto mula sa napakalaking data, ngunit sa halip na maghula o mag-uri lamang, sinasanay ang modelo upang gumawa ng bagong output batay sa mga natutunang pattern.
Malalaking Language Models
Mga AI Art Generators
Ang mga AI art generators tulad ng Midjourney at DALL-E ay gumagana sa pamamagitan ng malalim na pagkatuto sa "wika" ng mga larawan at pagkatapos ay gumagawa ng mga bagong visual na produkto ayon sa kahilingan.
- Mga foundation model na sinanay sa malalaking dataset
- Transformer architecture
- Malikhain na paglikha ng nilalaman
Kapag ginamit, sa halip na sumagot gamit ang mga nakaimbak na sagot, ang ChatGPT ay gumagawa ng mga bagong sagot sa pamamagitan ng pagpili ng bawat susunod na salita batay sa mga natutunang posibilidad. Ang resulta ay isang maayos na teksto na sumasalamin sa istilo ng wika mula sa training data ngunit may ganap na bagong nilalaman.
Pinapayagan nito ang mga programa tulad ng ChatGPT o Midjourney na gumawa ng bagong nilalaman (teksto, larawan, musika, atbp.) batay sa natutunang kaalaman, sa halip na pumili lamang ng umiiral na sagot.
Ang espesyal na katangian ng generative AI ay hindi lamang nito kinikilala o sinusuri kundi aktwal na lumilikha sa ilang antas. Siyempre, ang pagkamalikhain na ito ay nakabatay pa rin sa mga natutunan ng AI – pinagsasama at binabago nito ang mga pattern na nakita upang makalikha ng bago. Ngunit ang mga resulta ay maaaring maging napakaiba-iba at mayaman, kaya't ang generative AI ay isang makapangyarihang kasangkapan sa paglikha ng nilalaman, disenyo, libangan, at marami pang ibang larangan.
— Ang Lakas ng Generative AI
Mga Pangunahing Punto
Sa kabuuan, ang AI ay gumagana sa pamamagitan ng pagkatuto mula sa karanasan (data) tulad ng pagkatuto ng tao mula sa karanasan. Sa pamamagitan ng pagsasanay, unti-unting gineneralisa ng mga makina ang kaalaman mula sa mga halimbawa ng data at bumubuo ng mga modelo na maaaring gamitin sa hinaharap.
Pagkakatuklas ng Pattern
Natuklasan ng AI ang nakatagong mga pattern sa data upang epektibong malutas ang mga problema
Patuloy na Pagkatuto
Pinapabuti ng mga sistema sa pamamagitan ng pagsubok at pagkakamali, patuloy na pinapahusay ang pagganap
Mga Praktikal na Aplikasyon
Mula sa pagkilala ng larawan hanggang sa awtomatikong paglikha ng teksto at paggawa ng sining
Kahit na nagkakaiba-iba ang mga underlying algorithm – mula sa simpleng decision trees hanggang sa malalalim na neural networks na may bilyun-bilyong parametro – ang karaniwang layunin ng AI ay matuklasan ang mga nakatagong pattern na tumutulong sa paglutas ng mga problema. Dahil sa napakalaking data at makapangyarihang computing ngayon, nakamit ng AI ang kahanga-hangang mga resulta, mula sa tumpak na pagkilala ng larawan at boses hanggang sa kakayahang awtomatikong magsulat ng teksto at gumawa ng sining.
Sundan ang INVIAI upang manatiling updated sa pinakabagong kaalaman tungkol sa AI!
Comments 0
Leave a Comment
No comments yet. Be the first to comment!