Data publikacji: 17 lutego 2024 r., ostatnia aktualizacja: 22 kwietnia 2025 r.
Sztuczna inteligencja (AI) obejmuje wiele złożonych, nowych technologii, które kiedyś wymagały interwencji człowieka, a teraz mogą być wykonywane przez komputer. Ogólnie rzecz biorąc, AI to program, model lub komputer, który nie jest człowiekiem i wykazuje szeroki zakres umiejętności rozwiązywania problemów i kreatywności. Komputery mogą wykonywać zaawansowane funkcje, które dawniej były wykorzystywane do zadań związanych z przetwarzaniem informacji i generowaniem rekomendacji na ich podstawie. Dzięki generatywnej AI komputery mogą nawet tworzyć nowe treści.
Akronim AI jest często używany zamiennie do określania różnych rodzajów technologii w dziedzinie sztucznej inteligencji, ale możliwości AI mogą się znacznie różnić.
Znajdziesz tu wiele terminów i koncepcji związanych z praktycznym zastosowaniem AI w internecie. Więcej informacji o uczeniu maszynowym znajdziesz w glosariuszu terminów dotyczących uczenia maszynowego.
Jak działa AI?
Trenowanie to pierwszy krok w przypadku każdego modelu. Inżynierowie uczenia maszynowego tworzą algorytm, który dostarcza modelowi określone dane wejściowe i pokazuje optymalne dane wyjściowe. Zasadniczo deweloperzy stron internetowych nie muszą wykonywać tego kroku, ale warto wiedzieć, jak trenowany był dany model. Model można dostrajać, ale lepiej poświęcić czas na wybór najlepszego modelu do danego zadania.
Wnioskowanie to proces, w którym model wyciąga wnioski na podstawie nowych danych. Im więcej danych treningowych model ma w określonym obszarze, tym większe prawdopodobieństwo, że wnioskowanie wygeneruje przydatne i prawidłowe wyniki. Nie ma jednak gwarancji doskonałego wnioskowania, niezależnie od tego, jak intensywnie model był trenowany.
Na przykład Green Light korzysta z modelu AI wytrenowanego na danych z Map Google, aby rozpoznawać wzorce ruchu. W miarę otrzymywania większej ilości danych przeprowadzane są wnioskowania, aby dostarczać rekomendacje dotyczące optymalizacji sygnalizacji świetlnej.
Gdzie jest wykonywana AI?
Trenowanie AI jest ukończone przed opublikowaniem modelu. Może być konieczne dalsze trenowanie, które może prowadzić do powstania nowych wersji modeli o większych możliwościach lub dokładności.
Twórcy stron internetowych powinni zwracać uwagę na to, gdzie odbywa się wnioskowanie AI. Na koszt korzystania z AI w dużej mierze wpływa wnioskowanie. Zakres możliwości pojedynczego modelu jest również znacznie ograniczony.
AI po stronie klienta
Większość funkcji AI w internecie korzysta z serwerów, ale AI po stronie klienta działa w przeglądarce użytkownika i przeprowadza wnioskowanie na jego urządzeniu. Zapewnia to mniejsze opóźnienia, niższe koszty po stronie serwera, brak wymagań dotyczących klucza API, większą prywatność użytkowników i dostęp offline. Możesz wdrożyć AI po stronie klienta, która działa w różnych przeglądarkach dzięki bibliotekom JavaScript, takim jak Transformers.js, TensorFlow.js i MediaPipe.
Mały, zoptymalizowany model po stronie klienta może osiągać lepsze wyniki niż większy model po stronie serwera, zwłaszcza gdy jest zoptymalizowany pod kątem skuteczności. Określ, z jakich certyfikatów korzysta Twoja firma, by znaleźć dla niej najlepsze rozwiązanie.
AI po stronie serwera
AI po stronie serwera obejmuje usługi AI w chmurze. Think Gemini 1.5 Pro działający w chmurze. Modele te są zwykle znacznie większe i wydajniejsze. Dotyczy to zwłaszcza dużych modeli językowych.
Hybrydowa AI
Hybrydowa AI to każde rozwiązanie, które obejmuje zarówno komponent klienta, jak i komponent serwera. Możesz na przykład użyć modelu po stronie klienta do wykonania zadania, a w przypadku, gdy nie można go wykonać na urządzeniu, użyć modelu po stronie serwera.
Uczenie maszynowe (ML)
Uczenie maszynowe (ML) to proces, w ramach którego komputer uczy się i wykonuje zadania bez wyraźnego programowania. Sztuczna inteligencja ma na celu generowanie informacji, a uczenie maszynowe obejmuje algorytmy do tworzenia prognoz dotyczących zbiorów danych.
Załóżmy na przykład, że chcemy utworzyć witrynę, która ocenia pogodę w dowolnym dniu. Tradycyjnie może to robić jeden lub kilku meteorologów, którzy mogą tworzyć reprezentację atmosfery i powierzchni Ziemi, obliczać i prognozować wzorce pogodowe oraz określać ocenę, porównując bieżące dane z danymi historycznymi.
Zamiast tego możemy przekazać modelowi ML ogromną ilość danych pogodowych, aż nauczy się on matematycznej zależności między wzorcami pogodowymi, danymi historycznymi i wytycznymi dotyczącymi tego, co sprawia, że pogoda w danym dniu jest dobra lub zła. W rzeczywistości stworzyliśmy tę funkcję w internecie.
Generatywna AI i duże modele językowe
Generatywna AI to forma uczenia maszynowego, która pomaga użytkownikom tworzyć treści wyglądające znajomo i naśladujące ludzką kreatywność. Generatywna AI wykorzystuje duże modele językowe do porządkowania danych oraz tworzenia lub modyfikowania tekstu, obrazów, filmów i dźwięku na podstawie dostarczonego kontekstu. Generatywna AI wykracza poza dopasowywanie wzorców i prognozowanie.
Duży model językowy (LLM) ma wiele parametrów (często miliardy), których możesz używać do wykonywania różnorodnych zadań, takich jak generowanie, klasyfikowanie lub podsumowywanie tekstu lub obrazów.
Chatboty stały się niezwykle popularnymi narzędziami do korzystania z generatywnej AI, w tym:
Te narzędzia mogą tworzyć tekst pisany, przykłady kodu i grafikę. Mogą one pomóc Ci zaplanować wakacje, złagodzić lub nadać bardziej profesjonalny ton e-mailowi albo podzielić różne zestawy informacji na kategorie.
Istnieje nieskończenie wiele zastosowań dla programistów i osób, które nie są programistami.
Deep learning
Deep learning (DL) to klasa algorytmów uczenia maszynowego. Przykładem mogą być głębokie sieci neuronowe (DNN), które próbują modelować sposób, w jaki ludzki mózg przetwarza informacje.
Algorytm głębokiego uczenia może być trenowany w celu powiązania określonych cech obrazów z konkretną etykietą lub kategorią. Po wytrenowaniu algorytm może dokonywać prognoz, które identyfikują tę samą kategorię na nowych obrazach. Na przykład Zdjęcia Google potrafią odróżnić koty od psów na zdjęciu.
Przetwarzanie języka naturalnego (NLP)
Przetwarzanie języka naturalnego to klasa uczenia maszynowego, która pomaga komputerom rozumieć język ludzki, od reguł danego języka po osobliwości, dialekt i slang używany przez poszczególne osoby.
Wyzwania związane z AI
Tworzenie i korzystanie ze sztucznej inteligencji wiąże się z kilkoma wyzwaniami. Poniżej znajdziesz tylko kilka najważniejszych kwestii, które warto wziąć pod uwagę.
Jakość i aktualność danych
Duże zbiory danych używane do trenowania różnych modeli AI często stają się nieaktualne wkrótce po ich użyciu. Oznacza to, że jeśli szukasz najnowszych informacji, możesz skorzystać z inżynierii promptów, aby zwiększyć skuteczność modelu AI w wykonywaniu określonych zadań i uzyskiwać lepsze wyniki.
Zbiory danych mogą być niekompletne lub zbyt małe, aby skutecznie obsługiwać niektóre przypadki użycia. Warto wypróbować kilka narzędzi lub dostosować model do swoich potrzeb.
Problemy etyczne i uprzedzenia
Technologia AI jest fascynująca i ma ogromny potencjał. Jednak komputery i algorytmy są tworzone przez ludzi, szkolone na danych, które mogą być zbierane przez ludzi, a tym samym podlegają różnym wyzwaniom. Na przykład modele mogą uczyć się i wzmacniać ludzkie uprzedzenia i szkodliwe stereotypy, co bezpośrednio wpływa na wyniki. Ważne jest, aby podczas tworzenia technologii AI priorytetem było ograniczanie uprzedzeń.
Istnieje wiele kwestii etycznych dotyczących praw autorskich do treści wygenerowanych przez AI. Kto jest właścicielem wygenerowanych treści, zwłaszcza jeśli są one w dużym stopniu inspirowane materiałami chronionymi prawem autorskim lub bezpośrednio z nich skopiowane?
Zanim zaczniesz generować nowe treści i pomysły, zapoznaj się z obowiązującymi zasadami dotyczącymi korzystania z utworzonych materiałów.
Bezpieczeństwo i prywatność
Wielu deweloperów stron internetowych twierdzi, że prywatność i bezpieczeństwo są dla nich najważniejsze podczas korzystania z narzędzi AI. Jest to szczególnie ważne w kontekście biznesowym, w którym obowiązują rygorystyczne wymagania dotyczące danych, np. w przypadku instytucji państwowych i firm z branży opieki zdrowotnej. Udostępnianie danych użytkowników większej liczbie firm zewnętrznych za pomocą interfejsów API w chmurze jest problemem. Ważne jest, aby każda transmisja danych była bezpieczna i stale monitorowana.
AI po stronie klienta może być kluczem do rozwiązania tych problemów. Przed nami jeszcze wiele badań i prac rozwojowych.
Pierwsze kroki z AI w internecie
Znasz już wiele rodzajów sztucznej inteligencji, więc możesz zacząć zastanawiać się, jak wykorzystać istniejące modele, aby zwiększyć produktywność i tworzyć lepsze strony i aplikacje internetowe.
Możesz użyć AI do:
- Stwórz lepsze automatyczne uzupełnianie w wyszukiwarce w swojej witrynie.
- wykrywać obecność popularnych obiektów, takich jak ludzie lub zwierzęta domowe, za pomocą inteligentnej kamery;
- Rozwiązywanie problemu ze spamem w komentarzach za pomocą modelu języka naturalnego.
- Zwiększ produktywność, włączając autouzupełnianie kodu.
- Tworzenie tekstu w trybie WYSIWYG z sugestiami dotyczącymi kolejnego słowa lub zdania.
- Podaj zrozumiałe wyjaśnienie dotyczące zbioru danych.
- I wiele innych…
Wytrenowane modele AI mogą być świetnym sposobem na ulepszenie naszych witryn, aplikacji internetowych i zwiększenie produktywności bez konieczności pełnego zrozumienia, jak tworzyć modele matematyczne i zbierać złożone zbiory danych, które są podstawą najpopularniejszych narzędzi AI.
Może się okazać, że większość modeli od razu spełnia Twoje potrzeby i nie wymaga dalszego dostosowywania. Dostrajanie to proces polegający na wzięciu modelu, który został już wytrenowany na dużym zbiorze danych, i dalszym trenowaniu go w celu dostosowania do konkretnych potrzeb. Istnieje kilka technik dostrajania modelu:
- Uczenie przez wzmacnianie na podstawie opinii użytkowników (RLHF) to technika, która wykorzystuje opinie użytkowników do poprawy zgodności modelu z ich preferencjami i intencjami.
- Low-Rank Adaption (LoRA) to wydajna pod względem parametrów metoda dostrajania dużych modeli językowych, która zmniejsza liczbę parametrów podlegających trenowaniu przy zachowaniu skuteczności modelu.