Başlıqların sürətli bir şəkildə skan edilməsi bu günlərdə generativ süni intellektin hər yerdə olduğunu göstərir. Əslində, bu başlıqların bəziləri həqiqətən insan tərəfindən yazılmış kimi görünən mətn yaratmaq üçün qeyri-adi qabiliyyət nümayiş etdirən OpenAI-nin ChatGPT chatbot kimi generativ süni intellekt tərəfindən yazılmış ola bilər.

Bəs insanlar “generativ AI” deyəndə əslində nəyi nəzərdə tuturlar?

Son bir neçə ilin generativ süni intellekt bumundan əvvəl insanlar süni intellekt haqqında danışarkən, adətən, məlumatlara əsaslanaraq proqnoz verməyi öyrənə bilən maşın öyrənmə modellərindən danışırdılar. Məsələn, bu cür modellər milyonlarla nümunədən istifadə edərək müəyyən bir rentgenin şiş əlamətlərini göstərib-göstərmədiyini və ya müəyyən bir borcalanın kredit üzrə defolt ehtimalını proqnozlaşdırmaq üçün öyrədilir.

Generativ süni intellekt xüsusi verilənlər bazası haqqında proqnoz verməkdənsə, yeni məlumatlar yaratmaq üçün öyrədilmiş maşın öyrənmə modeli kimi düşünülə bilər . Generativ süni intellekt sistemi, öyrədildiyi məlumatlara bənzəyən daha çox obyekt yaratmağı öyrənən sistemdir.

Elektrik mühəndisliyi və kompüter fakültəsinin dosenti Phillip Isola deyir: “Söhbət generativ süni intellekt və digər süni intellekt növlərinin əsasını təşkil edən faktiki mexanizmdən gedirsə, fərqlər bir az bulanıq ola bilər. Çox vaxt eyni alqoritmlər hər ikisi üçün istifadə edilə bilər” deyir. MIT-də elm və Kompüter Elmləri və Süni İntellekt Laboratoriyasının (CSAIL) üzvü.

ChatGPT və onun həmkarlarının buraxılması ilə gələn şırınga baxmayaraq, texnologiyanın özü yeni deyil. Bu güclü maşın öyrənmə modelləri 50 ildən çox keçmişə gedən tədqiqat və hesablama nailiyyətlərinə əsaslanır.

https://googleads.g.doubleclick.net/pagead/ads?client=ca-pub-0536483524803400&output=html&h=135&slotname=2793866484&adk=675901022&adf=1873531024&pi=t.ma~as.2793866484&w=540&fwrn=4&lmt=1709711969&rafmt=11&format=540×135&url=https%3A%2F%2Ftechxplore.com%2Fnews%2F2023-11-generative-ai.html&wgl=1&uach=WyJXaW5kb3dzIiwiMTUuMC4wIiwieDg2IiwiIiwiMTIyLjAuNjI2MS45NSIsbnVsbCwwLG51bGwsIjY0IixbWyJDaHJvbWl1bSIsIjEyMi4wLjYyNjEuOTUiXSxbIk5vdChBOkJyYW5kIiwiMjQuMC4wLjAiXSxbIkdvb2dsZSBDaHJvbWUiLCIxMjIuMC42MjYxLjk1Il1dLDBd&dt=1709711969392&bpp=1&bdt=183&idt=130&shv=r20240304&mjsv=m202402290101&ptt=9&saldr=aa&abxe=1&cookie=ID%3Dd8c6cdc5123375cd%3AT%3D1709623025%3ART%3D1709711569%3AS%3DALNI_MY2ynj5TDpMXqOZBx7W90OihbbXuw&gpic=UID%3D00000d6971a748b6%3AT%3D1709623025%3ART%3D1709711569%3AS%3DALNI_MaTILJ6PYHOKRZlSvHcKJ4LkDsnLQ&eo_id_str=ID%3D34d5e14efb6a7c5d%3AT%3D1709623025%3ART%3D1709711569%3AS%3DAA-Afjbw5XrDrmZOIEp3UV8fgvCO&prev_fmts=0x0&nras=1&correlator=2641368826951&frm=20&pv=1&ga_vid=1833901760.1709623018&ga_sid=1709711969&ga_hid=696152725&ga_fc=1&rplot=4&u_tz=240&u_his=1&u_h=864&u_w=1536&u_ah=816&u_aw=1536&u_cd=24&u_sd=1.25&dmc=8&adx=395&ady=1692&biw=1519&bih=695&scr_x=0&scr_y=0&eid=44759876%2C44759927%2C44759842%2C31081612%2C42531706%2C95325753%2C95325974%2C95322195%2C95324160%2C95325784%2C95326914%2C31078663%2C31078665%2C31078668%2C31078670&oid=2&pvsid=3104825633363764&tmod=884483725&uas=0&nvt=3&ref=https%3A%2F%2Ftechxplore.com%2Fnews%2F2024-02-ai-tools-dazzling-results-intelligence.html&fc=1920&brdim=0%2C0%2C0%2C0%2C1536%2C0%2C1536%2C816%2C1536%2C695&vis=1&rsz=%7C%7CpeEbr%7C&abl=CS&pfx=0&fu=128&bc=31&bz=1&td=1&psd=W251bGwsbnVsbCwibGFiZWxfb25seV8xIiwxXQ..&nt=1&ifi=2&uci=a!2&btvi=1&fsb=1&dtd=136

Mürəkkəbliyin artması

Generativ AI-nin ilk nümunəsi Markov zənciri kimi tanınan daha sadə modeldir. Texnika 1906-cı ildə təsadüfi proseslərin davranışını modelləşdirmək üçün bu statistik metodu təqdim edən rus riyaziyyatçısı Andrey Markovun şərəfinə adlandırılıb. Maşın öyrənməsində Markov modelləri uzun müddətdir ki, e-poçt proqramında avtomatik tamamlama funksiyası kimi növbəti sözün proqnozlaşdırılması tapşırıqları üçün istifadə olunur.

Mətnin proqnozlaşdırılmasında Markov modeli əvvəlki sözə və ya bir neçə əvvəlki sözə baxaraq cümlədə növbəti sözü yaradır. MIT-də Elektrik Mühəndisliyi və Kompüter Elmləri üzrə Tomas Sibel professoru Tommi Jaakkola deyir ki, bu sadə modellər yalnız o qədər geriyə baxa bilirlər, onlar inandırıcı mətn yaratmaqda yaxşı deyillər. Məlumat, Sistemlər və Cəmiyyət (IDSS).

“Biz son onillikdən əvvəl çox şeylər yaradırdıq, lakin burada əsas fərq yarada biləcəyimiz obyektlərin mürəkkəbliyi və bu modelləri öyrədə biləcəyimiz miqyas baxımındandır” dedi.

Cəmi bir neçə il əvvəl tədqiqatçılar xüsusi verilənlər toplusundan ən yaxşı şəkildə istifadə edən maşın öyrənmə alqoritminin tapılmasına diqqət yetirirdilər. Lakin bu diqqət bir az dəyişdi və bir çox tədqiqatçılar indi təsir edici nəticələr əldə edə biləcək modelləri yetişdirmək üçün bəlkə də yüz milyonlarla, hətta milyardlarla məlumat nöqtəsi olan daha böyük verilənlər bazasından istifadə edirlər.

ChatGPT və oxşar sistemlərin əsasını təşkil edən əsas modellər Markov modeli ilə eyni şəkildə işləyir. Ancaq böyük bir fərq ondan ibarətdir ki, ChatGPT milyardlarla parametrlə daha böyük və daha mürəkkəbdir. Və o, çoxlu sayda məlumat üzərində öyrədilib – bu halda, internetdə açıq olan mətnin çox hissəsi.

Bu nəhəng mətn korpusunda sözlər və cümlələr müəyyən asılılıqlarla ardıcıllıqla görünür. Bu təkrarlama modelə mətni müəyyən qədər proqnozlaşdırıla bilən statistik hissələrə necə kəsmək lazım olduğunu anlamağa kömək edir. O, bu mətn bloklarının nümunələrini öyrənir və bundan sonra nə ola biləcəyini təklif etmək üçün bu biliklərdən istifadə edir.

Daha güclü arxitekturalar

Daha böyük məlumat dəstləri generativ süni intellekt bumuna səbəb olan katalizatorlardan biri olsa da, müxtəlif əsas tədqiqat nailiyyətləri də daha mürəkkəb dərin öyrənmə arxitekturasına gətirib çıxardı.

2014-cü ildə Monreal Universitetinin tədqiqatçıları tərəfindən generativ rəqib şəbəkə (GAN) kimi tanınan maşın öyrənmə arxitekturası təklif edildi. GAN-lar tandemdə işləyən iki modeldən istifadə edirlər: Biri hədəf çıxışı (şəkil kimi) yaratmağı, digəri isə generatorun çıxışından həqiqi məlumatları ayırd etməyi öyrənir. Generator diskriminatoru aldatmağa çalışır və bu prosesdə daha real nəticələr əldə etməyi öyrənir. Image generator StyleGAN bu tip modellərə əsaslanır.

Diffuziya modelləri bir il sonra Stanford Universiteti və Berklidəki Kaliforniya Universitetinin tədqiqatçıları tərəfindən təqdim edildi. Çıxışlarını təkrar təkmilləşdirməklə, bu modellər təlim verilənlər toplusunda nümunələrə bənzəyən yeni məlumat nümunələri yaratmağı öyrənirlər və real görünən şəkillər yaratmaq üçün istifadə olunurlar. Diffuziya modeli, mətndən-şəklə generasiya sisteminin əsasını Sabit Diffuziya təşkil edir.

2017-ci ildə Google tədqiqatçıları ChatGPT-ni gücləndirənlər kimi böyük dil modellərini inkişaf etdirmək üçün istifadə edilən transformator arxitekturasını təqdim etdilər. Təbii dil emalında , transformator mətn korpusunda hər bir sözü bir işarə kimi kodlayır və sonra hər bir işarənin bütün digər işarələrlə əlaqəsini tutan diqqət xəritəsi yaradır. Bu diqqət xəritəsi transformatora yeni mətn yaradan zaman konteksti anlamağa kömək edir.

Bunlar generativ süni intellekt üçün istifadə edilə bilən bir çox yanaşmadan yalnız bir neçəsidir.

https://googleads.g.doubleclick.net/pagead/ads?gdpr=0&us_privacy=1—&gpp_sid=-1&client=ca-pub-0536483524803400&output=html&h=135&slotname=2793866484&adk=675901022&adf=1897700409&pi=t.ma~as.2793866484&w=540&fwrn=4&lmt=1709712038&rafmt=11&format=540×135&url=https%3A%2F%2Ftechxplore.com%2Fnews%2F2023-11-generative-ai.html&wgl=1&uach=WyJXaW5kb3dzIiwiMTUuMC4wIiwieDg2IiwiIiwiMTIyLjAuNjI2MS45NSIsbnVsbCwwLG51bGwsIjY0IixbWyJDaHJvbWl1bSIsIjEyMi4wLjYyNjEuOTUiXSxbIk5vdChBOkJyYW5kIiwiMjQuMC4wLjAiXSxbIkdvb2dsZSBDaHJvbWUiLCIxMjIuMC42MjYxLjk1Il1dLDBd&dt=1709711969393&bpp=3&bdt=183&idt=150&shv=r20240304&mjsv=m202402290101&ptt=9&saldr=aa&abxe=1&cookie=ID%3Dd8c6cdc5123375cd%3AT%3D1709623025%3ART%3D1709711973%3AS%3DALNI_MY2ynj5TDpMXqOZBx7W90OihbbXuw&gpic=UID%3D00000d6971a748b6%3AT%3D1709623025%3ART%3D1709711973%3AS%3DALNI_MaTILJ6PYHOKRZlSvHcKJ4LkDsnLQ&eo_id_str=ID%3D34d5e14efb6a7c5d%3AT%3D1709623025%3ART%3D1709711973%3AS%3DAA-Afjbw5XrDrmZOIEp3UV8fgvCO&prev_fmts=0x0%2C540x135%2C1005x124&nras=2&correlator=2641368826951&frm=20&pv=1&ga_vid=1833901760.1709623018&ga_sid=1709711969&ga_hid=696152725&ga_fc=1&rplot=4&u_tz=240&u_his=1&u_h=864&u_w=1536&u_ah=816&u_aw=1536&u_cd=24&u_sd=1.25&dmc=8&adx=395&ady=3658&biw=1519&bih=695&scr_x=0&scr_y=908&eid=44759876%2C44759927%2C44759842%2C31081612%2C42531706%2C95325753%2C95325974%2C95322195%2C95324160%2C95325784%2C95326914%2C31078663%2C31078665%2C31078668%2C31078670&oid=2&psts=AOrYGskRzNKPBt2vtYi_bgcwxy3h4IOhNydOTQW-xdNTu1vChUV2_NoKvMByEjHLEmXjUBN0pSvwxJKnX5AYVMVTMm4%2CAOrYGsmruYYyWV65gDqvq5rInxYhN0yPocGbHaYFtH5bsOvFCGLkezfGhg50gDHbb5QerUkrhXyLwkRc3tqOZKAVcSA-WTBhaUhWjgBbtSNTyCtD&pvsid=3104825633363764&tmod=884483725&uas=3&nvt=3&ref=https%3A%2F%2Ftechxplore.com%2Fnews%2F2024-02-ai-tools-dazzling-results-intelligence.html&fc=1920&brdim=0%2C0%2C0%2C0%2C1536%2C0%2C1536%2C816%2C1536%2C695&vis=1&rsz=%7C%7CpeEbr%7C&abl=CS&pfx=0&fu=128&bc=31&bz=1&td=1&psd=W251bGwsbnVsbCwibGFiZWxfb25seV8xIiwxXQ..&nt=1&ifi=3&uci=a!3&btvi=3&fsb=1&dtd=68771

Bir sıra tətbiqlər

Bütün bu yanaşmaların ümumi cəhəti odur ki, onlar girişləri məlumat hissələrinin ədədi təsvirləri olan əlamətlər dəstinə çevirirlər. Nə qədər ki, məlumatlarınız bu standart, token formatına çevrilə bilər, sonra nəzəri olaraq, oxşar görünən yeni məlumatlar yaratmaq üçün bu üsulları tətbiq edə bilərsiniz.

“Məlumatınızın nə qədər səs-küylü olduğuna və siqnalın çıxarılmasının nə qədər çətin olduğuna görə yürüşünüz dəyişə bilər, lakin bu, həqiqətən də ümumi təyinatlı CPU-nun istənilən növ məlumatı qəbul edə və onu vahid sistemdə emal etməyə başlaya biləcəyi üsula yaxınlaşır. yol,” Isola deyir.

Bu, generativ süni intellekt üçün çoxlu proqramlar açır.

Məsələn, Isola qrupu generativ süni intellektdən istifadə edərək, başqa bir ağıllı sistemi öyrətmək üçün istifadə oluna bilən sintetik təsvir məlumatlarını yaradır, məsələn, kompüter görmə modelinə obyektləri necə tanımağı öyrətməklə.

Jaakkola qrupu, yeni protein strukturlarını və ya yeni materialları təyin edən etibarlı kristal strukturları dizayn etmək üçün generativ süni intellektdən istifadə edir. O izah edir ki, generativ model dilin asılılıqlarını öyrəndiyi kimi, onun əvəzinə kristal strukturlar göstərilsə, strukturları sabit və reallaşdıran əlaqələri öyrənə bilər.

Lakin generativ modellər inanılmaz nəticələr əldə edə bilsə də, onlar bütün məlumat növləri üçün ən yaxşı seçim deyil. MİT-də Endryu və Erna Viterbi Elektrik Mühəndisliyi və Kompüter Elmləri üzrə Professor Devavrat Şah deyir ki, elektron cədvəldəki cədvəl məlumatları kimi strukturlaşdırılmış məlumatlar üzərində proqnozlar verməyi əhatə edən tapşırıqlar üçün generativ süni intellekt modelləri ənənəvi maşın öyrənmə metodlarından üstün olur. və IDSS və İnformasiya və Qərar Sistemləri Laboratoriyasının üzvüdür.

“Mənim fikrimcə, onların sahib olduğu ən yüksək dəyər, insan dostu olan maşınlar üçün bu dəhşətli interfeys olmaqdır. Əvvəllər insanlar hər şeyi etmək üçün maşınlarla maşınların dilində danışmalı idilər. İndi bu interfeys necə olduğunu anladı. həm insanlarla, həm də maşınlarla danışmaq,” Şah deyir.

Qırmızı bayraqların qaldırılması

Generativ süni intellekt chatbotları indi zəng mərkəzlərində insan müştərilərinin suallarını cavablandırmaq üçün istifadə olunur, lakin bu proqram bu modellərin tətbiqi üçün potensial qırmızı bayrağı vurğulayır – işçi yerdəyişməsi.

Bundan əlavə, generativ süni intellekt təlim məlumatlarında mövcud olan qərəzləri miras ala və çoxalda bilər və ya nifrət nitqini və yalan ifadələri gücləndirə bilər. Modellər plagiat etmək qabiliyyətinə malikdir və potensial müəllif hüquqları ilə bağlı problemləri qaldıraraq konkret insan yaradıcısı tərəfindən hazırlanmış kimi görünən məzmun yarada bilər.

Digər tərəfdən, Şah təklif edir ki, generativ süni intellekt sənətkarları gücləndirə bilər, onlar başqa cür istehsal etmək vasitələrinə malik olmaya biləcəkləri yaradıcı məzmun yaratmağa kömək etmək üçün generativ vasitələrdən istifadə edə bilərlər.

Gələcəkdə o, generativ süni intellektin bir çox fənlərdə iqtisadiyyatı dəyişdirdiyini görür.

Isola generativ süni intellekt üçün perspektivli gələcək istiqamətlərdən biri onun istehsal üçün istifadəsidir. Bir modelin bir stul şəklini yaratması əvəzinə , bəlkə də istehsal edilə bilən bir stul üçün bir plan yarada bilər.

O, həmçinin generativ süni intellekt sistemlərinin gələcək istifadələrini daha ümumi olaraq ağıllı AI agentlərinin hazırlanmasında görür.

“Bu modellərin necə işlədiyi və insan beyninin necə işlədiyi ilə bağlı fərqlər var, amma məncə, oxşar cəhətlər də var. Bizim beynimizdə düşünmək və xəyal etmək, maraqlı ideyalar və ya planlar irəli sürmək qabiliyyəti var və məncə, generativ süni intellekt agentləri də bunu etmək üçün gücləndirəcək vasitələrdən biridir “dedi Isola.Massaçusets Texnologiya İnstitutu tərəfindən təmin edilmişdir 

Bu hekayə MIT News ( web.mit.edu/newsoffice/ ), MİT tədqiqatı, innovasiya və tədrisi haqqında xəbərləri əhatə edən məşhur saytın izni ilə yenidən nəşr edilmişdir.