ປັນຍາປະດິດສາມາດຮູ້ສຶກຄືກັບເຄັດລັບມະຫັດສະຈັນທີ່ທຸກຄົນພະຍັກໜ້າຜ່ານໄປໃນຂະນະທີ່ຄິດຢ່າງງຽບໆ... ລໍຖ້າກ່ອນ, ມັນເຮັດວຽກແນວໃດ ແທ້ ? ຂ່າວດີ. ພວກເຮົາຈະອະທິບາຍມັນໃຫ້ເຂົ້າໃຈງ່າຍຂຶ້ນ, ຮັກສາປະໂຫຍດໄດ້, ແລະເພີ່ມການປຽບທຽບທີ່ບໍ່ສົມບູນແບບສອງສາມຢ່າງທີ່ຍັງເຮັດໃຫ້ມັນເຂົ້າໃຈງ່າຍ. ຖ້າທ່ານພຽງແຕ່ຕ້ອງການຄວາມໝາຍຫຼັກ, ໃຫ້ຂ້າມໄປຫາຄຳຕອບໜຶ່ງນາທີຂ້າງລຸ່ມນີ້; ແຕ່ດ້ວຍຄວາມຊື່ສັດ, ລາຍລະອຽດແມ່ນບ່ອນທີ່ຫລອດໄຟປະກົດຂຶ້ນ 💡.
ບົດຄວາມທີ່ທ່ານອາດຈະຢາກອ່ານຫຼັງຈາກບົດຄວາມນີ້:
🔗 GPT ຫຍໍ້ມາຈາກຫຍັງ
ຄຳອະທິບາຍສັ້ນໆກ່ຽວກັບຕົວຫຍໍ້ GPT ແລະ ຄວາມໝາຍຂອງມັນ.
🔗 AI ໄດ້ຂໍ້ມູນຂອງມັນມາຈາກໃສ
ແຫຼ່ງຂໍ້ມູນທີ່ AI ໃຊ້ເພື່ອຮຽນຮູ້, ຝຶກອົບຮົມ ແລະ ຕອບຄຳຖາມ.
🔗 ວິທີການລວມເອົາ AI ເຂົ້າໃນທຸລະກິດຂອງທ່ານ
ຂັ້ນຕອນ, ເຄື່ອງມື ແລະ ຂັ້ນຕອນການເຮັດວຽກທີ່ເປັນປະໂຫຍດເພື່ອເຊື່ອມໂຍງ AI ຢ່າງມີປະສິດທິພາບ.
🔗 ວິທີການເລີ່ມຕົ້ນບໍລິສັດ AI
ຈາກແນວຄວາມຄິດຈົນເຖິງການເປີດຕົວ: ການຢືນຢັນຄວາມຖືກຕ້ອງ, ການສະໜອງທຶນ, ທີມງານ, ແລະ ການປະຕິບັດ.
AI ເຮັດວຽກແນວໃດ? ຄຳຕອບໜຶ່ງນາທີ ⏱️
AI ຮຽນຮູ້ຮູບແບບຈາກຂໍ້ມູນເພື່ອເຮັດການຄາດຄະເນ ຫຼື ສ້າງເນື້ອຫາ - ບໍ່ຕ້ອງໃຊ້ກົດລະບຽບທີ່ຂຽນດ້ວຍມື. ລະບົບຈະດູດຊຶມຕົວຢ່າງ, ວັດແທກວ່າມັນຜິດພາດແນວໃດຜ່ານຟັງຊັນການສູນເສຍ, ແລະ ກະຕຸ້ນ ຕົວ ໃຫ້ມີຄວາມຜິດພາດໜ້ອຍລົງໃນແຕ່ລະຄັ້ງ. ລ້າງ, ເຮັດຊ້ຳອີກ, ປັບປຸງ. ດ້ວຍຮອບວຽນທີ່ພຽງພໍ, ມັນຈະເປັນປະໂຫຍດ. ເລື່ອງດຽວກັນບໍ່ວ່າທ່ານຈະຈັດປະເພດອີເມວ, ກວດຫາເນື້ອງອກ, ຫຼິ້ນເກມກະດານ, ຫຼື ຂຽນເລື່ອງໄຮກຸສ. ສຳລັບພື້ນຖານພາສາທີ່ງ່າຍດາຍໃນ "ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ," ພາບລວມຂອງ IBM ແມ່ນແຂງແກ່ນ [1].
AI ທີ່ທັນສະໄໝສ່ວນໃຫຍ່ແມ່ນການຮຽນຮູ້ຂອງເຄື່ອງຈັກ. ຮຸ່ນງ່າຍໆ: ປ້ອນຂໍ້ມູນ, ຮຽນຮູ້ການສ້າງແຜນທີ່ຈາກອິນພຸດໄປຫາຜົນຜະລິດ, ຈາກນັ້ນນຳໄປໃຊ້ກັບສິ່ງໃໝ່ໆ. ບໍ່ແມ່ນຄະນິດສາດເວດມົນ, ການຄຳນວນ, ແລະ ຖ້າເວົ້າຕາມຄວາມຈິງ, ມັນພຽງແຕ່ເປັນສິລະປະເລັກນ້ອຍເທົ່ານັ້ນ.
“AI ເຮັດວຽກແນວໃດ?” ✅
ເມື່ອຄົນຄົ້ນຫາ Google ວ່າ AI ເຮັດວຽກແນວໃດ? , ໂດຍປົກກະຕິແລ້ວເຂົາເຈົ້າຕ້ອງການ:
-
ຮູບແບບທາງຈິດໃຈທີ່ນຳໃຊ້ຄືນໄດ້ທີ່ພວກເຂົາສາມາດໄວ້ວາງໃຈໄດ້
-
ແຜນທີ່ຂອງປະເພດການຮຽນຮູ້ຫຼັກໆ ເພື່ອໃຫ້ຄຳສັບສະເພາະບໍ່ໜ້າຢ້ານອີກຕໍ່ໄປ
-
ແນມເບິ່ງພາຍໃນເຄືອຂ່າຍປະສາດໂດຍບໍ່ຫຼົງທາງ
-
ເປັນຫຍັງ Transformers ຈຶ່ງເບິ່ງຄືວ່າຄວບຄຸມໂລກໃນປັດຈຸບັນ
-
ທໍ່ສົ່ງຂໍ້ມູນປະຕິບັດໄດ້ຈາກຂໍ້ມູນໄປສູ່ການນຳໃຊ້
-
ຕາຕະລາງປຽບທຽບໄວໆທີ່ທ່ານສາມາດຈັບພາບໜ້າຈໍ ແລະ ເກັບຮັກສາໄວ້ໄດ້
-
ມາດຕະການປ້ອງກັນດ້ານຈັນຍາບັນ, ອະຄະຕິ ແລະ ຄວາມໜ້າເຊື່ອຖືທີ່ບໍ່ແມ່ນການຫຼອກລວງ
ນັ້ນແມ່ນສິ່ງທີ່ເຈົ້າຈະໄດ້ຮັບຢູ່ທີ່ນີ້. ຖ້າຂ້ອຍຍ່າງໄປມາ, ມັນຕັ້ງໃຈຄືກັບການໄປຕາມເສັ້ນທາງທີ່ມີທິວທັດທີ່ສວຍງາມ ແລະ ຈື່ຖະໜົນຫົນທາງໄດ້ດີຂຶ້ນໃນຄັ້ງຕໍ່ໄປ. 🗺️
ສ່ວນປະກອບຫຼັກຂອງລະບົບ AI ສ່ວນໃຫຍ່🧪
ລອງຄິດເຖິງລະບົບ AI ຄືກັບເຮືອນຄົວ. ສ່ວນປະກອບສີ່ຢ່າງປາກົດຂຶ້ນຊ້ຳແລ້ວຊ້ຳອີກ:
-
ຂໍ້ມູນ — ຕົວຢ່າງທີ່ມີ ຫຼື ບໍ່ມີປ້າຍກຳກັບ.
-
ຮູບແບບ — ຟັງຊັນຄະນິດສາດທີ່ມີພາລາມິເຕີທີ່ສາມາດປັບໄດ້.
-
ຈຸດປະສົງ — ຟັງຊັນການສູນເສຍທີ່ວັດແທກວ່າການຄາດເດົາບໍ່ດີປານໃດ.
-
ການເພີ່ມປະສິດທິພາບ — ອັລກໍຣິທຶມທີ່ກະຕຸ້ນພາລາມິເຕີເພື່ອຫຼຸດຜ່ອນການສູນເສຍ.
ໃນການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງ, ການຍູ້ນັ້ນມັກຈະເປັນ ການເລື່ອນລົງແບບ gradient ພ້ອມກັບ ກັບຄືນ - ວິທີທີ່ມີປະສິດທິພາບໃນການຄິດໄລ່ວ່າປຸ່ມໃດໃນ soundboard ຂະໜາດໃຫຍ່ມີສຽງດັງ, ຈາກນັ້ນຫຼຸດສຽງລົງເລັກນ້ອຍ [2].
ກໍລະນີຫຍໍ້: ພວກເຮົາໄດ້ປ່ຽນແທນຕົວກອງສະແປມທີ່ອີງໃສ່ກົດລະບຽບທີ່ແຕກຫັກງ່າຍດ້ວຍຮູບແບບການຊີ້ນຳຂະໜາດນ້ອຍ. ຫຼັງຈາກໜຶ່ງອາທິດຂອງການຕິດປ້າຍ → ການວັດແທກ → ການອັບເດດຮອບວຽນ, ຜົນບວກທີ່ບໍ່ຖືກຕ້ອງໄດ້ຫຼຸດລົງ ແລະ ປີ້ສະໜັບສະໜູນກໍ່ຫຼຸດລົງ. ບໍ່ມີຫຍັງທີ່ແປກປະຫຼາດ - ພຽງແຕ່ຈຸດປະສົງທີ່ສະອາດກວ່າ (ຄວາມແມ່ນຍຳໃນອີເມວ "ham") ແລະ ການເພີ່ມປະສິດທິພາບທີ່ດີຂຶ້ນ.
ພາບລວມຂອງຮູບແບບການຮຽນຮູ້🎓
-
ການຮຽນຮູ້ແບບຄວບຄຸມ
ທ່ານສະໜອງຄູ່ການປ້ອນຂໍ້ມູນ-ຜົນຜະລິດ (ຮູບພາບທີ່ມີປ້າຍຊື່, ອີເມວທີ່ໝາຍເປັນສະແປມ/ບໍ່ແມ່ນສະແປມ). ຮູບແບບການຮຽນຮູ້ການປ້ອນຂໍ້ມູນ → ຜົນຜະລິດ. ກະດູກສັນຫຼັງຂອງລະບົບປະຕິບັດຫຼາຍຢ່າງ [1]. -
ການຮຽນຮູ້ແບບບໍ່ມີ
ບໍ່ມີປ້າຍກຳກັບ. ຊອກຫາກຸ່ມໂຄງສ້າງ, ການບີບອັດ, ປັດໄຈແຝງ. ດີເລີດສຳລັບການສຳຫຼວດ ຫຼື ການຝຶກອົບຮົມລ່ວງໜ້າ. -
ການຮຽນຮູ້ດ້ວຍຕົນເອງ
ແບບຈຳລອງສ້າງປ້າຍຊື່ຂອງຕົນເອງ (ຄາດເດົາຄຳສັບຕໍ່ໄປ, ຮູບພາບທີ່ຫາຍໄປ). ປ່ຽນຂໍ້ມູນດິບໃຫ້ເປັນສັນຍານການຝຶກອົບຮົມໃນຂອບເຂດ; ສະໜັບສະໜູນແບບຈຳລອງພາສາ ແລະ ວິໄສທັດທີ່ທັນສະໄໝ. -
ການຮຽນຮູ້ແບບເສີມສ້າງ
ຕົວແທນຈະປະຕິບັດ, ເກັບກຳ ລາງວັນ , ແລະ ຮຽນຮູ້ນະໂຍບາຍທີ່ເພີ່ມຜົນຕອບແທນສະສົມໃຫ້ສູງສຸດ. ຖ້າ “ໜ້າທີ່ຄຸນຄ່າ,” “ນະໂຍບາຍ,” ແລະ “ການຮຽນຮູ້ຄວາມແຕກຕ່າງທາງດ້ານເວລາ” ດັງຂຶ້ນ - ນີ້ແມ່ນບ້ານຂອງພວກເຂົາ [5].
ແມ່ນແລ້ວ, ໝວດໝູ່ຕ່າງໆມົວໆໃນການປະຕິບັດ. ວິທີການແບບປະສົມປະສານແມ່ນເປັນເລື່ອງປົກກະຕິ. ຊີວິດຈິງແມ່ນວຸ້ນວາຍ; ວິສະວະກຳທີ່ດີພົບມັນຢູ່ບ່ອນທີ່ມັນຢູ່.
ພາຍໃນເຄືອຂ່າຍປະສາດທີ່ບໍ່ມີອາການປວດຫົວ 🧠
ເຄືອຂ່າຍປະສາດຈະວາງຊັ້ນຂອງໜ່ວຍຄະນິດສາດຂະໜາດນ້ອຍ (ນິວຣອນ). ແຕ່ລະຊັ້ນຈະປ່ຽນອິນພຸດດ້ວຍນ້ຳໜັກ, ອະຄະຕິ, ແລະຄວາມບໍ່ເປັນເສັ້ນຊື່ທີ່ອ່ອນໂຍນເຊັ່ນ ReLU ຫຼື GELU. ຊັ້ນຕົ້ນໆຮຽນຮູ້ຄຸນສົມບັດງ່າຍໆ; ຊັ້ນທີ່ເລິກກວ່າຈະເຂົ້າລະຫັດສິ່ງທີ່ບໍ່ມີຕົວຕົນ. "ເວດມົນ" - ຖ້າພວກເຮົາສາມາດເອີ້ນມັນວ່າແນວນັ້ນ - ແມ່ນ ອົງປະກອບ : ເຊື່ອມຕໍ່ຟັງຊັນຂະໜາດນ້ອຍ ແລະ ເຈົ້າສາມາດສ້າງແບບຈຳລອງປະກົດການທີ່ສັບສົນຫຼາຍ.
ວົງວຽນການຝຶກອົບຮົມ, vibes ເທົ່ານັ້ນ:
-
ການຄາດເດົາ → ຄວາມຜິດພາດໃນການວັດແທກ → ການຕຳນິຄຸນລັກສະນະຜ່ານ backprop → ນ້ຳໜັກການຍູ້ → ເຮັດຊ້ຳ.
ເຮັດແບບນີ້ເປັນຊຸດໆ ແລະ ຄືກັບນັກເຕັ້ນທີ່ງຸ່ມງ່າມທີ່ປັບປຸງແຕ່ລະເພງ, ນາງແບບຈະຢຸດຢຽບຕີນຂອງເຈົ້າ. ສຳລັບບົດທີ່ເປັນມິດ ແລະ ເຂັ້ມງວດກ່ຽວກັບ backprop, ເບິ່ງ [2].
ເປັນຫຍັງ Transformers ຈຶ່ງເຂົ້າຄວບຄຸມ - ແລະ “ຄວາມສົນໃຈ” ໝາຍຄວາມວ່າແນວໃດ 🧲
ໝໍ້ແປງໄຟຟ້າໃຊ້ ຄວາມສົນໃຈຕົນເອງ ເພື່ອຊັ່ງນໍ້າໜັກວ່າສ່ວນໃດຂອງອິນພຸດມີຄວາມສຳຄັນຕໍ່ກັນແລະກັນ, ທັງໝົດໃນເທື່ອດຽວ. ແທນທີ່ຈະອ່ານປະໂຫຍກຈາກຊ້າຍຫາຂວາຢ່າງເຂັ້ມງວດຄືກັບຮຸ່ນເກົ່າ, ໝໍ້ແປງໄຟຟ້າສາມາດເບິ່ງໄດ້ທຸກບ່ອນ ແລະ ປະເມີນຄວາມສຳພັນແບບເຄື່ອນໄຫວຄືກັບການສະແກນຫ້ອງທີ່ແອອັດເພື່ອເບິ່ງວ່າໃຜກຳລັງເວົ້າກັບໃຜ.
ການອອກແບບນີ້ໄດ້ຫຼຸດຜ່ອນການເກີດຂຶ້ນຊ້ຳ ແລະ ການບິດເບືອນສຳລັບການສ້າງແບບຈຳລອງລຳດັບ, ເຊິ່ງເຮັດໃຫ້ສາມາດສ້າງຂະໜານຂະໜາດໃຫຍ່ ແລະ ການຂະຫຍາຍທີ່ດີເລີດ. ເອກະສານທີ່ເລີ່ມຕົ້ນມັນ ຄວາມສົນໃຈຄືສິ່ງທີ່ທ່ານຕ້ອງການ - ໄດ້ວາງໂຄງສ້າງ ແລະ ຜົນໄດ້ຮັບ [3].
ການເອົາໃຈໃສ່ຕົນເອງໃນແຖວດຽວ: ສ້າງ ສອບຖາມ , ຄີ , ແລະ ຄ່າ ສຳລັບແຕ່ລະໂທເຄັນ; ຄິດໄລ່ຄວາມຄ້າຍຄືກັນເພື່ອໃຫ້ໄດ້ນ້ຳໜັກຄວາມສົນໃຈ; ປະສົມຄ່າຕ່າງໆຕາມຄວາມເໝາະສົມ. ລະອຽດອ່ອນ, ສະຫງ່າງາມ.
ລະວັງ: Transformers ຄອບງຳ, ບໍ່ແມ່ນຜູກຂາດ. CNNs, RNNs, ແລະ tree ensembles ຍັງຄົງຊະນະໃນປະເພດຂໍ້ມູນທີ່ແນ່ນອນ ແລະ ຂໍ້ຈຳກັດດ້ານຄວາມຊັກຊ້າ/ຄ່າໃຊ້ຈ່າຍ. ເລືອກສະຖາປັດຕະຍະກຳສຳລັບວຽກ, ບໍ່ແມ່ນການໂຄສະນາເກີນຈິງ.
AI ເຮັດວຽກແນວໃດ? ທໍ່ສົ່ງທີ່ໃຊ້ໄດ້ຈິງທີ່ທ່ານຈະໃຊ້ 🛠️
-
ການວາງກອບບັນຫາ
ເຈົ້າກຳລັງຄາດຄະເນ ຫຼື ຜະລິດຫຍັງຂຶ້ນມາ, ແລະ ຄວາມສຳເລັດຈະຖືກວັດແທກແນວໃດ? -
ຂໍ້ມູນ
, ຕິດປ້າຍຖ້າຈຳເປັນ, ທຳຄວາມສະອາດ, ແລະ ແຍກ. ຄາດວ່າຈະມີຄ່າທີ່ຂາດຫາຍໄປ ແລະ ກໍລະນີຂອບ. -
ການສ້າງແບບຈຳລອງ
ເລີ່ມຕົ້ນງ່າຍໆ. ເສັ້ນພື້ນຖານ (ການຖົດຖອຍໂລຈິດສະຕິກ, ການເພີ່ມຄວາມຊັນ, ຫຼື ໝໍ້ແປງຂະໜາດນ້ອຍ) ມັກຈະເອົາຊະນະຄວາມຊັບຊ້ອນແບບວິລະຊົນ. -
ການຝຶກອົບຮົມ
ເລືອກຈຸດປະສົງ, ເລືອກຕົວເພີ່ມປະສິດທິພາບ, ຕັ້ງຄ່າ hyperparameters. ເຮັດຊ້ຳ. -
ການປະເມີນຜົນ
ໃຊ້ການຢຸດ, ການກວດສອບຂ້າມ, ແລະ ຕົວຊີ້ວັດທີ່ເຊື່ອມໂຍງກັບເປົ້າໝາຍທີ່ແທ້ຈິງຂອງທ່ານ (ຄວາມຖືກຕ້ອງ, F1, AUROC, BLEU, ຄວາມສັບສົນ, ຄວາມໜ່ວງຊ້າ). -
ການນຳໃຊ້
ໃຫ້ບໍລິການຢູ່ຫຼັງ API ຫຼື ຝັງຢູ່ໃນແອັບ. ຕິດຕາມຄວາມໜ่วงເວລາ, ຄ່າໃຊ້ຈ່າຍ, ປະລິມານການຜະລິດ. -
ການຕິດຕາມກວດກາ ແລະ ການຄຸ້ມຄອງ ສັງ
ເກດເບິ່ງຄວາມວຸ້ນວາຍ, ຄວາມຍຸຕິທຳ, ຄວາມໝັ້ນຄົງ, ແລະ ຄວາມປອດໄພ. ຂອບການຄຸ້ມຄອງຄວາມສ່ຽງດ້ານ AI ຂອງ NIST (GOVERN, MAP, MEASURE, MANAGE) ແມ່ນບັນຊີກວດສອບທີ່ໃຊ້ໄດ້ຈິງສຳລັບລະບົບທີ່ໜ້າເຊື່ອຖືຕັ້ງແຕ່ຕົ້ນຈົນຈົບ [4].
ກໍລະນີນ້ອຍ: ຮູບແບບວິໄສທັດໄດ້ຮັບຜົນດີໃນຫ້ອງທົດລອງ, ຫຼັງຈາກນັ້ນກໍ່ລົ້ມເຫຼວໃນພາກສະໜາມເມື່ອແສງປ່ຽນໄປ. ການຕິດຕາມກວດກາການປ່ຽນແປງທີ່ຖືກໝາຍໄວ້ໃນ histograms ການປ້ອນຂໍ້ມູນ; ການເພີ່ມຄວາມໄວ + ການປັບແຕ່ງ bump ໄດ້ຟື້ນຟູປະສິດທິພາບ. ໜ້າເບື່ອບໍ? ແມ່ນແລ້ວ. ມີປະສິດທິພາບບໍ? ແມ່ນແລ້ວເຊັ່ນກັນ.
ຕາຕະລາງປຽບທຽບ - ວິທີການ, ວິທີການເຫຼົ່ານັ້ນແມ່ນໃຜ, ຄ່າໃຊ້ຈ່າຍປະມານ, ເປັນຫຍັງພວກມັນຈຶ່ງເຮັດວຽກ 📊
ບໍ່ສົມບູນແບບໂດຍເຈດຕະນາ: ການໃຊ້ສຳນວນທີ່ບໍ່ສະໝໍ່າສະເໝີເລັກນ້ອຍຊ່ວຍໃຫ້ມັນຮູ້ສຶກຄືກັບມະນຸດ.
| ວິທີການ | ຜູ້ຊົມທີ່ເໝາະສົມ | ລາຄາປະມານ | ເປັນຫຍັງມັນຈຶ່ງເຮັດວຽກ / ໝາຍເຫດ |
|---|---|---|---|
| ການຮຽນຮູ້ແບບມີການຄວບຄຸມ | ນັກວິເຄາະ, ທີມງານຜະລິດຕະພັນ | ຕ່ຳ–ກາງ | ການປ້ອນຂໍ້ມູນການສ້າງແຜນທີ່ໂດຍກົງ → ປ້າຍຊື່. ດີຫຼາຍເມື່ອປ້າຍຊື່ມີຢູ່; ປະກອບເປັນກະດູກສັນຫຼັງຂອງລະບົບທີ່ນຳໃຊ້ຫຼາຍຢ່າງ [1]. |
| ບໍ່ມີການຊີ້ນຳ | ນັກສຳຫຼວດຂໍ້ມູນ, ການຄົ້ນຄວ້າ ແລະ ພັດທະນາ | ຕ່ຳ | ຊອກຫາກຸ່ມ/ການບີບອັດ/ປັດໄຈແຝງ - ດີສຳລັບການຄົ້ນພົບ ແລະ ການຝຶກອົບຮົມກ່ອນ. |
| ຄວບຄຸມດ້ວຍຕົນເອງ | ທີມງານແພລດຟອມ | ປານກາງ | ສ້າງປ້າຍກຳກັບຂອງຕົນເອງຈາກຂໍ້ມູນດິບທີ່ມີການຄິດໄລ່ ແລະ ຂໍ້ມູນ. |
| ການຮຽນຮູ້ແບບເສີມສ້າງ | ຫຸ່ນຍົນ, ການຄົ້ນຄວ້າການປະຕິບັດງານ | ປານກາງ–ສູງ | ຮຽນຮູ້ນະໂຍບາຍຈາກສັນຍານລາງວັນ; ອ່ານ Sutton & Barto ສຳລັບຫຼັກການ [5]. |
| ໝໍ້ແປງໄຟຟ້າ | NLP, ວິໄສທັດ, ຫຼາຍຮູບແບບ | ປານກາງ–ສູງ | ການເອົາໃຈໃສ່ຕົນເອງສາມາດຈັບເອົາຈຸດອ່ອນໃນໄລຍະຍາວ ແລະ ຂະໜານກັນໄດ້ດີ; ເບິ່ງເອກະສານຕົ້ນສະບັບ [3]. |
| ML ແບບຄລາສສິກ (ຕົ້ນໄມ້) | ແອັບທຸລະກິດແບບຕາຕະລາງ | ຕ່ຳ | ລາຄາຖືກ, ໄວ, ມັກຈະເປັນຂໍ້ມູນພື້ນຖານທີ່ເຂັ້ມແຂງຢ່າງໜ້າຕົກໃຈ. |
| ອີງໃສ່ກົດລະບຽບ/ສັນຍາລັກ | ການປະຕິບັດຕາມ, ກຳນົດໄວ້ | ຕ່ຳຫຼາຍ | ເຫດຜົນທີ່ໂປ່ງໃສ; ເປັນປະໂຫຍດໃນການປະສົມປະສານເມື່ອທ່ານຕ້ອງການການກວດສອບ. |
| ການປະເມີນຜົນ ແລະ ຄວາມສ່ຽງ | ທຸກໆຄົນ | ແຕກຕ່າງກັນ | ໃຊ້ GOVERN-MAP-MEASURE-MANAGE ຂອງ NIST ເພື່ອຮັກສາມັນໃຫ້ປອດໄພ ແລະ ເປັນປະໂຫຍດ [4]. |
ລາຄາ = ການຕິດສະຫຼາກຂໍ້ມູນ + ການຄຳນວນ + ພະນັກງານ + ການບໍລິການ.
ການເຈາະເລິກ 1 - ຟັງຊັນການສູນເສຍ, ການເລື່ອນລະດັບ, ແລະຂັ້ນຕອນນ້ອຍໆທີ່ປ່ຽນແປງທຸກຢ່າງ 📉
ລອງນຶກພາບເຖິງການວາງເສັ້ນເພື່ອຄາດຄະເນລາຄາເຮືອນຈາກຂະໜາດ. ເຈົ້າເລືອກພາລາມິເຕີ (w) ແລະ (b), ຄາດຄະເນ (\hat{y} = wx + b), ແລະວັດແທກຄວາມຜິດພາດດ້ວຍການສູນເສຍກຳລັງສອງສະເລ່ຍ. ຄວາມຊັນບອກເຈົ້າວ່າຕ້ອງເຄື່ອນທີ່ໄປໃນທິດທາງໃດ (w) ແລະ (b) ເພື່ອຫຼຸດຜ່ອນການສູນເສຍທີ່ໄວທີ່ສຸດ - ຄືກັບການຍ່າງລົງເນີນໃນໝອກໂດຍການຮູ້ສຶກວ່າພື້ນດິນລາດຊັນໄປທາງໃດ. ອັບເດດຫຼັງຈາກແຕ່ລະຊຸດ ແລະເສັ້ນຂອງເຈົ້າໃກ້ກັບຄວາມເປັນຈິງຫຼາຍຂຶ້ນ.
ໃນ deep nets ມັນເປັນເພງດຽວກັນທີ່ມີແຖບໃຫຍ່ກວ່າ. Backprop ຄິດໄລ່ວ່າພາລາມິເຕີຂອງແຕ່ລະຊັ້ນມີຜົນກະທົບຕໍ່ຄວາມຜິດພາດສຸດທ້າຍຢ່າງມີປະສິດທິພາບແນວໃດ - ດັ່ງນັ້ນທ່ານສາມາດຍູ້ປຸ່ມຫຼາຍລ້ານ (ຫຼືຫຼາຍພັນລ້ານ) ໄປໃນທິດທາງທີ່ຖືກຕ້ອງ [2].
ສະຕິປັນຍາທີ່ສຳຄັນ:
-
ການສູນເສຍສ້າງຮູບແບບພູມສັນຖານ.
-
Gradients ແມ່ນເຂັມທິດຂອງເຈົ້າ.
-
ອັດຕາການຮຽນຮູ້ແມ່ນຂະໜາດຂັ້ນຕອນ - ໃຫຍ່ເກີນໄປ ແລະ ເຈົ້າຈະສັ່ນ, ນ້ອຍເກີນໄປ ແລະ ເຈົ້າຈະງ້ວງນອນ.
-
ການເຮັດເປັນປະຈຳເຮັດໃຫ້ເຈົ້າບໍ່ສາມາດທ່ອງຈຳຊຸດການຝຶກອົບຮົມໄດ້ຄືກັບນົກແກ້ວທີ່ມີການຈື່ຈຳທີ່ສົມບູນແບບແຕ່ບໍ່ມີຄວາມເຂົ້າໃຈ.
ການເຈາະເລິກ 2 - ການຝັງ, ການກະຕຸ້ນ, ແລະ ການດຶງຂໍ້ມູນຄືນ 🧭
ການຝັງຕົວຈະສ້າງ ແຜນທີ່ຄຳສັບ, ຮູບພາບ ຫຼື ລາຍການຕ່າງໆເຂົ້າໄປໃນຊ່ອງເວັກເຕີບ່ອນທີ່ມີສິ່ງທີ່ຄ້າຍຄືກັນຢູ່ໃກ້ກັນ. ສິ່ງນັ້ນຊ່ວຍໃຫ້ທ່ານສາມາດ:
-
ຊອກຫາຂໍ້ຄວາມທີ່ຄ້າຍຄືກັນທາງຄວາມໝາຍ
-
ການຄົ້ນຫາພະລັງງານທີ່ເຂົ້າໃຈຄວາມໝາຍ
-
ສຽບການເຊື່ອມຕໍ່ ການສ້າງແບບເຕີມເຕັມ (RAG) ເພື່ອໃຫ້ຮູບແບບພາສາສາມາດຊອກຫາຂໍ້ເທັດຈິງກ່ອນທີ່ມັນຈະຂຽນ
ການກະຕຸ້ນ ແມ່ນວິທີທີ່ເຈົ້າຄວບຄຸມຮູບແບບການສ້າງແບບຈຳລອງ - ອະທິບາຍໜ້າວຽກ, ຍົກຕົວຢ່າງ, ກຳນົດຂໍ້ຈຳກັດ. ລອງຄິດເບິ່ງມັນຄືກັບການຂຽນລາຍລະອຽດສະເພາະສຳລັບນັກຝຶກງານທີ່ເຮັດວຽກໄວຫຼາຍ: ກະຕືລືລົ້ນ, ບາງຄັ້ງກໍ່ໝັ້ນໃຈເກີນໄປ.
ຄຳແນະນຳທີ່ເປັນປະໂຫຍດ: ຖ້າຮູບແບບຂອງເຈົ້າມີອາການຫຼອນ, ໃຫ້ເພີ່ມການດຶງຂໍ້ມູນຄືນ, ຮັດກຸມການກະຕຸ້ນ, ຫຼື ປະເມີນດ້ວຍຕົວຊີ້ວັດພື້ນຖານແທນທີ່ຈະເປັນ "ຄວາມຮູ້ສຶກ".
ການເຈາະເລິກ 3 - ການປະເມີນຜົນໂດຍບໍ່ມີພາບລວງຕາ 🧪
ການປະເມີນຜົນທີ່ດີຮູ້ສຶກໜ້າເບື່ອ - ເຊິ່ງນັ້ນແມ່ນຈຸດປະສົງແທ້ໆ.
-
ໃຊ້ຊຸດທົດສອບທີ່ຖືກລັອກໄວ້.
-
ເລືອກຕົວຊີ້ວັດທີ່ສະທ້ອນເຖິງຄວາມເຈັບປວດຂອງຜູ້ໃຊ້.
-
ດໍາເນີນການ ablation ເພື່ອໃຫ້ທ່ານຮູ້ວ່າສິ່ງໃດຊ່ວຍໄດ້ແທ້.
-
ບັນທຶກຄວາມລົ້ມເຫຼວດ້ວຍຕົວຢ່າງທີ່ແທ້ຈິງ ແລະ ສັບສົນ.
ໃນການຜະລິດ, ການຕິດຕາມກວດກາແມ່ນການປະເມີນຜົນທີ່ບໍ່ເຄີຍຢຸດຢັ້ງ. ການເລື່ອນລອຍເກີດຂຶ້ນ. ພາສາສະແລງໃໝ່ປະກົດຂຶ້ນ, ເຊັນເຊີຖືກປັບປ່ຽນໃໝ່, ແລະຮູບແບບຂອງມື້ວານນີ້ເລື່ອນລົງເລັກນ້ອຍ. ຂອບການເຮັດວຽກ NIST ແມ່ນເອກະສານອ້າງອີງທີ່ເປັນປະໂຫຍດສຳລັບການຄຸ້ມຄອງຄວາມສ່ຽງ ແລະ ການຄຸ້ມຄອງຢ່າງຕໍ່ເນື່ອງ - ບໍ່ແມ່ນເອກະສານນະໂຍບາຍທີ່ຈະເກັບໄວ້ [4].
ໝາຍເຫດກ່ຽວກັບຈັນຍາບັນ, ອະຄະຕິ ແລະ ຄວາມໜ້າເຊື່ອຖື ⚖️
ລະບົບ AI ສະທ້ອນໃຫ້ເຫັນເຖິງຂໍ້ມູນ ແລະ ສະພາບການນຳໃຊ້ຂອງມັນ. ສິ່ງນັ້ນນຳມາເຊິ່ງຄວາມສ່ຽງ: ອະຄະຕິ, ຄວາມຜິດພາດທີ່ບໍ່ສະເໝີພາບກັນໃນທົ່ວກຸ່ມ, ຄວາມແຕກຫັກງ່າຍພາຍໃຕ້ການປ່ຽນແປງການແຈກຢາຍ. ການນຳໃຊ້ຢ່າງມີຈັນຍາບັນບໍ່ແມ່ນທາງເລືອກ - ມັນເປັນການສ່ຽງໃນຕາຕະລາງ. NIST ຊີ້ໃຫ້ເຫັນເຖິງການປະຕິບັດທີ່ເປັນຮູບປະທຳ: ບັນທຶກຄວາມສ່ຽງ ແລະ ຜົນກະທົບ, ວັດແທກອະຄະຕິທີ່ເປັນອັນຕະລາຍ, ສ້າງທາງເລືອກສຳຮອງ, ແລະ ຮັກສາມະນຸດໃຫ້ຢູ່ໃນວົງຈອນເມື່ອມີຄວາມສ່ຽງສູງ [4].
ການເຄື່ອນຍ້າຍຄອນກີດທີ່ຊ່ວຍໄດ້:
-
ເກັບກຳຂໍ້ມູນທີ່ຫຼາກຫຼາຍ ແລະ ເປັນຕົວແທນ
-
ວັດແທກປະສິດທິພາບໃນທົ່ວກຸ່ມຍ່ອຍ
-
ບັດຮູບແບບເອກະສານ ແລະ ແຜ່ນຂໍ້ມູນ
-
ເພີ່ມການກວດສອບຂອງມະນຸດບ່ອນທີ່ມີຄວາມສ່ຽງສູງ
-
ອອກແບບລະບົບປ້ອງກັນຄວາມຜິດພາດເມື່ອລະບົບບໍ່ແນ່ນອນ
AI ເຮັດວຽກແນວໃດ? ໃນຖານະເປັນຮູບແບບທາງຈິດໃຈທ່ານສາມາດນຳໃຊ້ຄືນໄດ້ 🧩
ບັນຊີກວດສອບທີ່ກະທັດຮັດທີ່ທ່ານສາມາດນຳໃຊ້ກັບລະບົບ AI ເກືອບທຸກລະບົບ:
-
ຈຸດປະສົງແມ່ນຫຍັງ? ການຄາດຄະເນ, ການຈັດອັນດັບ, ການສ້າງ, ການຄວບຄຸມ?
-
ສັນຍານການຮຽນຮູ້ມາຈາກໃສ? ປ້າຍກຳກັບ, ໜ້າວຽກທີ່ຕົນເອງຄວບຄຸມ, ລາງວັນ?
-
ສະຖາປັດຕະຍະກຳໃດທີ່ນຳໃຊ້? ແບບຈຳລອງເສັ້ນຊື່, ຊຸດຕົ້ນໄມ້, CNN, RNN, ໝໍ້ແປງໄຟຟ້າ [3]?
-
ມັນຖືກເພີ່ມປະສິດທິພາບແນວໃດ? ການປ່ຽນແປງການລົງຂອງລະດັບສີ/backprop [2]?
-
ລະບົບຂໍ້ມູນແບບໃດ? ຊຸດຂໍ້ມູນຂະໜາດນ້ອຍທີ່ມີປ້າຍຊື່, ມະຫາສະໝຸດຂອງຂໍ້ຄວາມທີ່ບໍ່ມີປ້າຍຊື່, ສະພາບແວດລ້ອມຈຳລອງ?
-
ຮູບແບບຄວາມລົ້ມເຫຼວ ແລະ ມາດຕະການປ້ອງກັນແມ່ນຫຍັງ? ອະຄະຕິ, ການເລື່ອນລອຍ, ການຫຼອນ, ຄວາມຊັກຊ້າ, ການສ້າງແຜນທີ່ຕົ້ນທຶນຕາມ GOVERN-MAP-MEASURE-MANAGE [4] ຂອງ NIST.
ຖ້າທ່ານສາມາດຕອບຄຳຖາມເຫຼົ່ານັ້ນໄດ້, ໂດຍພື້ນຖານແລ້ວທ່ານເຂົ້າໃຈລະບົບ - ສ່ວນທີ່ເຫຼືອແມ່ນລາຍລະອຽດການຈັດຕັ້ງປະຕິບັດ ແລະ ຄວາມຮູ້ດ້ານໂດເມນ.
ແຫຼ່ງຂໍ້ມູນໄວທີ່ຄວນຄ່າແກ່ການບຸກມາກ 🔖
-
ການແນະນຳແນວຄວາມຄິດການຮຽນຮູ້ຂອງເຄື່ອງຈັກ (IBM) ແບບພາສາທຳມະດາ [1]
-
ການແຜ່ພັນກັບຫຼັງດ້ວຍແຜນວາດ ແລະ ຄະນິດສາດແບບອ່ອນໂຍນ [2]
-
ເຈ້ຍໝໍ້ແປງທີ່ປ່ຽນແປງການສ້າງແບບຈຳລອງລຳດັບ [3]
-
ຂອບການຄຸ້ມຄອງຄວາມສ່ຽງດ້ານ AI ຂອງ NIST (ການຄຸ້ມຄອງແບບປະຕິບັດ) [4]
-
ປຶ້ມແບບຮຽນການເສີມແຮງແບບມາດຕະຖານ (ບໍ່ເສຍຄ່າ) [5]
ຄຳຖາມທີ່ຖືກຖາມເລື້ອຍໆກ່ຽວກັບຟ້າຜ່າ ⚡
AI ເປັນພຽງສະຖິຕິບໍ?
ມັນແມ່ນສະຖິຕິບວກກັບການເພີ່ມປະສິດທິພາບ, ການຄຳນວນ, ວິສະວະກຳຂໍ້ມູນ, ແລະ ການອອກແບບຜະລິດຕະພັນ. ສະຖິຕິແມ່ນໂຄງກະດູກ; ສ່ວນທີ່ເຫຼືອແມ່ນກ້າມຊີ້ນ.
ຮູບແບບທີ່ໃຫຍ່ກວ່າຈະຊະນະສະເໝີບໍ?
ການຂະຫຍາຍຊ່ວຍໄດ້, ແຕ່ຄຸນນະພາບຂໍ້ມູນ, ການປະເມີນຜົນ, ແລະ ຂໍ້ຈຳກັດໃນການນຳໃຊ້ມັກຈະມີຄວາມສຳຄັນຫຼາຍກວ່າ. ຮູບແບບທີ່ນ້ອຍທີ່ສຸດທີ່ບັນລຸເປົ້າໝາຍຂອງທ່ານມັກຈະດີທີ່ສຸດສຳລັບຜູ້ໃຊ້ ແລະ ກະເປົາເງິນ.
AI ສາມາດເຂົ້າໃຈໄດ້ບໍ?
ໃຫ້ນິຍາມ ຄຳວ່າ ເຂົ້າໃຈ . ຮູບແບບສາມາດຈັບໂຄງສ້າງໃນຂໍ້ມູນ ແລະ ສະຫຼຸບລວມໄດ້ຢ່າງໜ້າປະທັບໃຈ; ແຕ່ພວກມັນມີຈຸດບອດ ແລະ ສາມາດຜິດພາດໄດ້ຢ່າງໝັ້ນໃຈ. ປະຕິບັດຕໍ່ພວກມັນຄືກັບເຄື່ອງມືທີ່ມີປະສິດທິພາບ - ບໍ່ແມ່ນນັກປາດ.
ຍຸກຂອງ Transformer ແມ່ນຕະຫຼອດໄປບໍ?
ອາດຈະບໍ່ແມ່ນຕະຫຼອດໄປ. ມັນມີອິດທິພົນຫຼາຍໃນປັດຈຸບັນເພາະວ່າຄວາມສົນໃຈມີຄວາມຄ້າຍຄືກັນ ແລະ ຂະຫຍາຍໄດ້ດີ, ດັ່ງທີ່ເອກະສານຕົ້ນສະບັບສະແດງໃຫ້ເຫັນ [3]. ແຕ່ການຄົ້ນຄວ້າຍັງສືບຕໍ່ດຳເນີນຕໍ່ໄປ.
AI ເຮັດວຽກແນວໃດ? ຍາວເກີນໄປ, ບໍ່ໄດ້ອ່ານ 🧵
-
AI ຮຽນຮູ້ຮູບແບບຈາກຂໍ້ມູນ, ຫຼຸດຜ່ອນການສູນເສຍ, ແລະ ລວມເອົາຂໍ້ມູນເຂົ້າໃໝ່ເຂົ້າກັນ [1,2].
-
ການຮຽນຮູ້ແບບມີການຊີ້ນຳ, ການຮຽນຮູ້ແບບບໍ່ມີການຊີ້ນຳ, ການຮຽນຮູ້ແບບຄວບຄຸມດ້ວຍຕົນເອງ, ແລະ ການຮຽນຮູ້ແບບເສີມສ້າງ ແມ່ນຮູບແບບການຝຶກອົບຮົມຫຼັກ; RL ຮຽນຮູ້ຈາກລາງວັນ [5].
-
ເຄືອຂ່າຍປະສາດໃຊ້ການແຜ່ລາມກັບຄືນ ແລະ ການເລື່ອນລົງຂອງລະດັບຄວາມຊັນເພື່ອປັບຕົວກໍານົດການຫຼາຍລ້ານຢ່າງມີປະສິດທິພາບ [2].
-
ຕົວປ່ຽນຮູບແບບມີອິດທິພົນຕໍ່ວຽກງານລຳດັບຫຼາຍຢ່າງ ເພາະວ່າການເອົາໃຈໃສ່ຕົນເອງສາມາດຈັບເອົາຄວາມສຳພັນທີ່ຂະໜານກັນໃນລະດັບໃຫຍ່ໄດ້ [3].
-
AI ໃນໂລກຕົວຈິງແມ່ນທໍ່ສົ່ງ - ຕັ້ງແຕ່ການກຳນົດບັນຫາຈົນເຖິງການນຳໃຊ້ ແລະ ການຄຸ້ມຄອງ - ແລະ ຂອບການເຮັດວຽກຂອງ NIST ເຮັດໃຫ້ທ່ານມີຄວາມຊື່ສັດກ່ຽວກັບຄວາມສ່ຽງ [4].
ຖ້າມີຄົນຖາມອີກວ່າ AI ເຮັດວຽກແນວໃດ? , ເຈົ້າສາມາດຍິ້ມ, ຈິບກາເຟຂອງເຈົ້າ, ແລະເວົ້າວ່າ: ມັນຮຽນຮູ້ຈາກຂໍ້ມູນ, ເພີ່ມປະສິດທິພາບການສູນເສຍ, ແລະໃຊ້ສະຖາປັດຕະຍະກຳເຊັ່ນ: ໝໍ້ແປງໄຟຟ້າ ຫຼື ຊຸດຕົ້ນໄມ້ຂຶ້ນກັບບັນຫາ. ຈາກນັ້ນເພີ່ມການກະພິບຕາ, ເພາະວ່າມັນທັງງ່າຍດາຍ ແລະ ສົມບູນແບບ. 😉
ເອກະສານອ້າງອີງ
[1] IBM - ການຮຽນຮູ້ຂອງເຄື່ອງຈັກແມ່ນຫຍັງ?
ອ່ານຕື່ມ
[2] Michael Nielsen - ວິທີການເຮັດວຽກຂອງອັລກໍຣິທຶມການແຜ່ພັນກັບຄືນ
ອ່ານຕື່ມ
[3] Vaswani ແລະ ຄະນະ - ຄວາມສົນໃຈຄືສິ່ງທີ່ທ່ານຕ້ອງການ (arXiv)
ອ່ານຕື່ມ
[4] NIST - ຂອບການຄຸ້ມຄອງຄວາມສ່ຽງດ້ານປັນຍາປະດິດ (AI RMF 1.0)
ອ່ານຕື່ມ
[5] Sutton & Barto - ການຮຽນຮູ້ແບບເສີມສ້າງ: ບົດນຳ (ສະບັບທີ 2)
ອ່ານຕື່ມ