Tehnoloģiju izmantošana datorprogrammās vai robotikā, kas simulē un atdarina cilvēka intelektu, nu jau kļuvusi par neatņemamu ikdienas sastāvdaļu. Arvien vairāk uzņēmumu un iestāžu izmanto dažādus mākslīgā intelekta (MI) veidus, lai uzlabotu darba efektivitāti un attīstītu inovācijas.
. Čatboti, datorredze, mašīnmācīšanās ir tikai daži no mākslīgā intelekta veidiem, kas nodrošina mums ierastas un regulāras darbības. Inese Zariņa, Tet mākslīgā intelekta biznesa vadītāja, skaidro dažus no populārākajiem MI veidiem un atklāj, kā tos izmanto praktiski.
1. Dabiskās valodas apstrāde
Mākslīgā intelekta joma, kas attiecas uz datoru spēju saprast un interpretēt cilvēku valodu. Uz valodas apstrādes pamata balstās visi automātiskie tulkošanas rīki, sociālo mediju un interneta tekstu analīze, lai izprastu sabiedrības viedokli par produktiem vai notikumiem.
2. Lielais valodas modelis jeb LLM
LLM ir lieli mākslīgā intelekta modeļi, kas spēj apstrādāt un ģenerēt valodas saturu. Tie analizē un uzlabo tekstu un tulkošanas procesu. Piemēram, Google Translate izmanto LLM, lai nodrošinātu precīzus un ātrus tulkojumus no vienas valodas uz citu.
3. Čatboti
Čatboti ir datorprogrammas, kas atbild uz lietotāju jautājumiem un izvērš dialogu, izmantojot cilvēku valodu. Populārākie, ikvienam pieejamie čatboti ir ChatGPT, kas izmanto lielo valodas modeļu tehnoloģiju (LLM); Google Bard, kas darbojas līdzīgi kā ChatGPT, bet informāciju iegūst no interneta; un Microsoft Bing meklētājprogramma, kas izmanto tādu pašu tehnoloģiju kā ChatGPT un ir savienots ar internetu, lai ar mākslīgo intelektu nodrošinātu precīzākus meklēšanas rezultātus. Čatboti ir īpaši populāri klientu apkalpošanas un e-komercijas platformās tādās kā Amazon, kas izmanto tehnoloģiju, lai palīdzētu klientiem ar jautājumiem par produktiem un pasūtījumiem.
4. Prompts jeb aicinājums
Teksts, kas tiek izmantots, lai sniegtu mākslīgā intelekta sistēmām norādījumus par to, kas jādara. Tas var būt jautājums, apgalvojums vai norāžu kopums. Prompts tiek izmantots, lai vadītu MI modeļa mācīšanās procesu un palīdzētu tam radīt vēlamo rezultātu. Programmētāji izmanto promptus, lai trenētu mākslīgo intelektu veikt konkrētus uzdevumus.
5. Mašīnmācīšanās jeb ML
Mākslīgā intelekta sastāvdaļa, kas ļauj datoriem mācīties un labāk prognozēt rezultātus bez tiešas programmēšanas. Tā tiek plaši izmantota medicīnā, automašīnu ražošanā un pašbraucošajās automašīnās, kur mašīnas apgūst dažādas situācijas satiksmē.
6. Difūzija
Difūzijas modeļi ir ģeneratīvi modeļi, kas pēdējos gados ir guvuši ievērojamu popularitāti. Difūzijas tehnika izmanto jau esošus datus, piemēram, fotoattēlu, un pievieno tiem nejaušu troksni - tie apmāca savus tīklus, lai pārveidotu vai atjaunotu fotoattēlu un radītu jaunas variācijas. Piemēram, DALL·E 2 ir MI sistēma, kas no apraksta rada reālistiskus attēlus un mākslas darbus.
7. Datorredze
Datorzinātņu nozare, kas ļauj datoriem analizēt un interpretēt attēlus un video. Datorredzes algoritmus var izmantot, lai identificētu objektus, izsekotu kustību un atpazītu sejas. Bieži tiek izmantots drošības kamerās, medicīniskajā diagnostikā un pašbraucošajās automašīnās, lai noteiktu apkārtējās vides objektus.
8. Ģeneratīvais mākslīgais intelekts
Satura ģenerēšanas tehnoloģija, kas izmanto mākslīgo intelektu, lai radītu tekstu, video, datora kodu vai attēlus. Mākslīgajam intelektam tiek ievadīti lieli mācību datu apjomi, tas atrod modeļus un piedāvā jaunas atbildes. Ģeneratīvie algoritmi tiek izmantoti, lai radītu mākslas darbus datorgrafikā un pat filmu efektus.
9. Neironu tīkls
Skaitļošanas modelis, kas līdzinās cilvēka smadzeņu struktūrai un ir paredzēts datu modeļu atpazīšanai. To veido savstarpēji savienoti mezgli jeb neironi, kas spēj atpazīt modeļus un laika gaitā mācīties. Neironu tīkli tiek izmantoti, lai identificētu objektus attēlos, piemēram, automašīnas vai dzīvniekus. Tāpat tos izmanto, lai uzraudzītu un kontrolētu gaisa kondicionēšanu un apgaismojumu mājās vai birojā.
10. Ģeneratīvie adversārie tīkli jeb GAN
Ģeneratīvais mākslīgā intelekta modelis, kas sastāv no diviem neironu tīkliem jaunu datu ģenerēšanai: ģeneratora un diskriminatora. Ģenerators rada jaunu saturu un diskriminators pārbauda, vai tas ir autentisks. GAN tiek izmantots, lai radītu fotoreālistiskas attēlu kopijas, kas izskatās ļoti līdzīgas oriģinālam.
Kā norāda Inese Zariņa, mākslīgais intelekts turpina attīstīties un iegūt arvien jaunus pielietojumu veidus, kas noteikti mainīs to, kā mēs strādājam, dzīvojam un sazināmies. “Čatbots “Anete”, ko kopā ar Tet komandu izveidojām pirms vairākiem gadiem, jau ietvēra sevī mašīnmācīšanos un neironu tīklus. Jāatzīst, ka mūsdienu LLM čatboti ir pavisam cita evolūcija mākslīgā intelekta attīstībā un pie iepriekšējām metodēm diez vai atgriezīsimies,” norāda eksperte.
Skaidrojums ir laba lieta, BET - ja māsklīgais intelekts sāk "mācīties" pats no sevis, tad tajā sāk ieviesties begalīgi daudz kļūdu, un tā praktiskais pielietojums sāk tuvoties 0.