Штучний інтелект — зірка сучасності, про яку говорять уже всі. Зараз важко уявити галузь економіки, котра б не намагалася пристосувати ШІ до своїх потреб та отримати від його використання певні зиски. Втім, оскільки технологія ще нова, не всі ясно усвідомлюють, з чим збираються працювати і якою мовою треба буде спілкуватися. Тож видання GALERA вирішило створити невеликий словник термінів ШІ, який допоможе знайти машині та людині спільну мову.
Що таке штучний інтелект?
Штучний інтелект, він же Artificial Intelligence, — це певні системи чи програми, які досить реалістично імітують розумову діяльність людей.
Важко сказати, на яке із слів цього визначення варто зробити акцент. Частина експертів наполягає на слові “імітує”, намагаючись таким чином справитися з панікою. Мовляв, ШІ не замінить людину, бо здатний лише на вдалу імітацію. Інша частина експертів наголошує на словах “розумова діяльність”, підштовхуючи до усвідомлення того, що ШІ швидко вчиться і створює не лише можливості, а й виклики.
У будь-якому разі штучний інтелект — це вже реальність, і треба вчитися не лише жити з цією думкою, а й правильно комунікувати з машиною. Важливість розуміння ШІ очевидна всім.
Які бувають види штучного інтелекту?
Перш ніж розглянути ключові терміни в технології та їх значення, варто визначитися з об’єктом. І ні, не можна просто сказати собі: “Я збираюся працювати із ШІ”, адже штучних інтелектів є декілька видів.
Narrow AI – Вузьконаправлений ШІ
Пересічний користувач має справу саме з вузьконаправленим штучним інтелектом, який здатний виконувати конкретні, вузькі завдання. У професійному середовищі такі моделі називаються слабкими. Що, відверто кажучи, звучить як знущання над психікою, бо ці “слабенькі” моделі за лічені секунди роблять те, для чого людині потрібні години, а то й дні.
Приклади вузьконаправленого ШІ: Siri та Google Assistant, рекомендації від YouTube та Spotify. І, можливо, вас це здивує — ChatGPT. Так, з ним у цілому асоціюється словосполучення штучний інтелект, але насправді улюблений чат — лише один із лінійки Narrow AI.
General AI – Загальний ШІ
Штучний інтелект, який думає як людина і може самостійно навчатися. Користуватися генеративним штучним інтелектом поки що ніхто не може з тієї простої причини, що його не існує. Загальний ШІ або сильний ШІ — це лише гіпотетична модель, над створенням якої зараз працює низка великих компаній.
Згідно з планами, такий штучний інтелект зможе вести повноцінні дискусії, лікувати, водити машину та навіть займатися творчістю.
Superintelligence – Суперінтелект
Ще більш гіпотетична модель, яка буде перевищувати людський інтелект у всьому, зокрема й у творчості. І так, ті, хто дивився “Термінатора”, зараз здригнулися від перспективи. Поки рано впадати в паніку. Дослідники вважають, що суперінтелект може потенційно нести загрозу людству, але до його створення ще є час.
Можна досить довго з’ясовувати, в чому ж різниця між типами ШІ, але в кінцевому рахунку всі побутові розмови можна звести до простої максими: ШІ-напрямки різноманітні і цікаві, але поки що ми маємо “стосунки” лише з вузьконаправленим ШІ. Тож з ним і будемо шукати спільну мову.
Керівництво по термінах ШІ
Ми розберемо основні поняття ШІ, розуміння яких може покращити практичну роботу із ШІ-агентами.
Агент ШІ (AI Agent)
Помічники, які працюють на базі штучного інтелекту та виконують кілька послідовних завдань за вимогою. Умовно: допомагають знайти рейс на літак, заповнити документи та забронювати квиток. Від чат-ботів агенти ШІ відрізняються тим, що можуть виконувати більш складні завдання.
Ланцюжок міркувань (Chain of Thought)
Для обробки інформації або відповіді на запит, штучному інтелекту треба “подумати”. Робить він це покроково, розбиваючи завдання на певні послідовні дії. Приблизно так, як у школі діти вирішують завдання з математики: дія перша, дія друга і т.д.
Знаючи, як працює обробка інформації штучним інтелектом, користувач може краще формулювати запити, вказуючи на правильну послідовність та ті чинники, які треба врахувати під час аналізу.
Загальна порада для всіх користувачів таких агентів ШІ, як ChatGPT, Grok та інших: логічно та послідовно формулюйте свій запит. Чим конкретнішим він буде, тим вищий шанс на правильний результат.
Машинне навчання (ML, Machine Learning)
Метод, за допомогою якого навчається ШІ. У загальному вигляді алгоритми машинного навчання можуть бути описані наступним чином: створюється велика база даних, прописуються алгоритми аналізу такої бази — в основному зосереджені на виявленні закономірностей. Далі, на базі виявлених закономірностей та співпадінь, відбувається безпосередньо навчання — оптимізація процесів.
Розуміння, хоча б базове, алгоритмів машинного навчання дає змогу не переоцінювати отримані результати. Зрештою, ефективність і точність відповіді залежать від бази даних, яка була завантажена, та алгоритмів їх обробки. Тому для кращого порозуміння із штучним інтелектом варто формулювати точні запити і критично оцінювати результати — бажано перевіряти хоча б за допомогою уточнюючих питань або звертатися із запитом про першоджерело.
Нейронні мережі (Neural Network)
В основі алгоритмів машинного навчання лежать нейронні мережі — вони імітують роботу людського мозку. Складаються із шарів “нейронів”, які обробляють вхідні дані, передаючи сигнали через з’єднання з вагами, що оптимізуються під час навчання. На використанні нейромереж базується глибинне навчання (Deep Learning).
Типи нейронних мереж
- Перцептрон та багатошарові перцептрони — базові мережі для виконання простих задач класифікації та регресії.
- Згорткові нейронні мережі — здатні розпізнавати об’єкти, як правило, використовуються для обробки відео чи фото.
- Рекурентні нейронні мережі — застосовуються для виконання послідовних завдань, наприклад: написання текстів.
- Трансформери — сучасні мережі для обробки природної мови, наприклад, у чат-ботах.
- Автокодери — використовуються для зменшення розмірності даних або генерації контенту.
- Генеративно-змагальні мережі (GAN) — створюють нові дані, наприклад, зображення чи музику, через конкуренцію двох мереж.
Інференція (Inference)
Етап обробки нового запиту — в проміжок часу між запитом та відповіддю саме й відбувається інференція. Чим складніша модель, тим більше часу та ресурсів потрібно на виконання інференції. Ось чому відповідь на питання може зайняти кілька секунд, а генерація зображення чи побудова графіка потребує більше часу.
Під час інференції переривати процес не можна — перезавантаження призведе до того, що модель наново почне опрацьовувати запит.
Галюцинація (Hallucination)
Інколи штучний інтелект відверто вигадує факти — такі явища називають галюцинаціями. І потенційно кожна модель здатна галюцинувати. Це відбувається, коли модель “домислює” деталі, не маючи достатньо даних чи контексту, або через особливості навчання, коли вона заповнює прогалини у знаннях.
Користувачам дуже важливо знати, що всі моделі можуть помилятися. Причому практика показує, що уточнюючі питання не допомагають ШІ розпізнати власну вигадку. Тому запорукою успіху в розпізнаванні глюків є критичне мислення і перевірка фактів.
Упередженість (Bias)
Часом моделі штучного інтелекту видають неправильні, несправедливі або дискримінаційні результати. Подібні ситуації відбуваються тоді, коли початкова база для навчання моделі була неповною, однобокою.
Наприклад: якщо модель розпізнавання облич навчали переважно на фото людей зі світлою шкірою — вона гірше розпізнаватиме обличчя людей із темнішою шкірою. Або якщо в текстах, на яких навчався ШІ, жінки згадувалися як медсестри, а чоловіки — як лікарі, модель теж може відтворити ці стереотипи.
Упередженість та галюцинації легко сплутати. Втім, різниця є. У випадку з упередженістю джерелом помилки є несбалансовані дані. Модель приходить до певних висновків, і вони логічні в межах наявної в неї інформації. У ситуації з галюцинаціями модель вигадує те, чого в базі даних не було, і намагається в такий спосіб заповнити прогалини.
Підказка / Запит (Prompt)
Усі ШІ-асистенти працюють на основі текстових запитів користувачів. Такі запити, в яких міститься інформація про те, що користувач хоче, щоб зробила модель, називаються промптами.
Важливо правильно, логічно й вичерпно писати промпти. Тут усе за принципом: “як стукнеш, так і грюкне”.
Інтерфейс прикладного програмування (API)
Простими словами пояснити суть поняття доволі важко, але можна вдатися до аналогії. API — це спільна мова для двох програм. Коли користувач пише запит у своєму застосунку, то він співпрацює з однією програмою для того, щоб вона працювала з ШІ і передала дані.
Для пересічного користувача знання в галузі API не мають критичного значення, але програмістам вони потрібні, щоб вдало інтегрувати ШІ у свій продукт.
Термінологія штучного інтелекту доволі проста, а головне — логічна. Користувачі мають усвідомлювати базову логіку роботи моделі, щоб убезпечити себе від неправдивої інформації або її викривлення. І коли ми говоримо про етичні виклики ШІ, то одним із аспектів проблеми є свідоме та екологічне споживання продукту. Сфера застосування штучного інтелекту розширюється, а разом з нею зростає і критичність помилок. Тому за людиною все ще лишається функція контролю — і це хороша новина.
