Sztuczna inteligencja (AI) obejmuje wiele złożonych, rozwijających się technologii, które kiedyś wymagały udziału człowieka, a teraz mogą być wykonywane przez komputer. Komputery mogą wykonywać zaawansowane funkcje, które dawniej były wykorzystywane do analizowania danych i przedstawiania rekomendacji. Obecnie dzięki AI komputery mogą nawet generować nowe treści.
Akronim AI jest często używany zamiennie w odniesieniu do różnych typów technologii, które tworzą dziedzinę AI.
Typowe koncepcje dotyczące AI
Istnieje wiele terminów i koncepcji, które definiują sztuczną inteligencję i systemy uczące się. Oto kilka sposobów na praktyczne korzystanie z AI w internecie
Ogólna sztuczna inteligencja
Ogólnie rzecz biorąc, ogólna sztuczna inteligencja to program lub model niebędący człowiekiem, który wykazuje szeroki zakres kreatywności i rozwiązywania problemów. Model to bardzo duży wzór matematyczny, który zawiera zbiór parametrów i strukturę potrzebną do zwrócenia przez maszynę danych wyjściowych.
Dzięki ogólnej sztucznej inteligencji można wykonywać wiele zadań, takich jak analizowanie danych, tłumaczenie tekstu, komponowanie muzyki czy rozpoznawanie chorób.
Narrow AI
Narrow AI to system, który może wykonywać pojedyncze lub określone podzbiory zadań. Może to być na przykład komputer, który gra w szachy z ludzkim przeciwnikiem (nie mylić z Mechanicznym Turkem). Ograniczona AI ma wstępnie zdefiniowany zestaw parametrów, ograniczeń i kontekstów, które mogą wydawać się zrozumiałe, ale w istocie są tylko odpowiedziami na równanie.
Możesz to zaobserwować w praktyce w przypadku systemów rozpoznawania twarzy, asystentów głosowych i prognoz pogody. Możesz używać bardzo szczegółowych modeli, aby ulepszać określone funkcje w swoich witrynach i aplikacjach.
Na przykład utworzysz stronę poświęconą filmom, na której użytkownicy mogą się zalogować, oceniać ulubione filmy i odkrywać nowe tytuły. Możesz użyć wstępnie wypełnionej bazy danych, aby polecać filmy na podstawie bieżącej strony, którą użytkownik odwiedza. Możesz też użyć wąskiego modelu AI, który analizuje zachowania i preferencje użytkownika, aby wyświetlać mu najbardziej odpowiednie informacje.
Generatywna AI
Duży model językowy (LLM) to model AI oparty na sieci neuronowej z wieloma parametrami, którego można używać do wykonywania różnych zadań, takich jak generowanie, klasyfikowanie czy streszczanie tekstu lub obrazów.
Generatywna AI reaguje na dane wejściowe i tworzy treści na podstawie kontekstu oraz pamięci modelu LLM. To coś więcej niż dopasowywanie wzorów i prognozy. Oto niektóre z najczęstszych narzędzi generatywnej AI:
Te narzędzia mogą tworzyć tekst, przykłady kodu i obrazy. Mogą one pomóc w planowaniu urlopu, złagodzeniu lub nadaniu profesjonalnego charakteru tonu e-maila albo pogrupowaniu różnych zestawów informacji.
Możliwości zastosowania są nieograniczone, zarówno w przypadku deweloperów, jak i nie-deweloperów.
AI po stronie klienta, po stronie serwera i hybrydowe
Chociaż większość funkcji AI w internecie działa na serwerach, AI po stronie klienta działa bezpośrednio w przeglądarce użytkownika. Daje to korzyści takie jak niskie opóźnienia, mniejsze koszty po stronie serwera, brak konieczności korzystania z klucza API, większa prywatność użytkowników i możliwość korzystania z aplikacji offline. Możesz wdrażać AI po stronie klienta, które działa w różnych przeglądarkach z bibliotekami JavaScript, w tym Transformers.js, TensorFlow.js i MediaPipe.
AI po stronie serwera obejmuje usługi AI w chmurze. Przykładem może być Gemini 1.5 Pro działający w chmurze. Te modele są zwykle znacznie większe i mocniejsze. Jest to szczególnie ważne w przypadku dużych modeli językowych.
Hybrydowe AI to dowolne rozwiązanie obejmujące zarówno komponent klienta, jak i serwera. Możesz na przykład użyć modelu po stronie klienta do wykonania zadania, a gdy nie będzie można go wykonać na urządzeniu, przejść do modelu po stronie serwera.
Mały, zoptymalizowany model po stronie klienta może być skuteczniejszy niż większy model po stronie serwera, zwłaszcza gdy jest optymalizowany pod kątem wydajności. Określ, jakie rozwiązanie będzie odpowiednie dla Twojego przypadku użycia.
Systemy uczące się
Systemy uczące się (ML) to forma sztucznej inteligencji, w której komputer uczy się bez wyraźnego programowania. AI dąży do tworzenia inteligencji, a ML umożliwia komputerom uczenie się na podstawie doświadczeń. Uczenie maszynowe polega na tworzeniu algorytmów do prognozowania zbiorów danych.
ML to proces trenowania modelu w celu tworzenia przydatnych prognoz lub generowania treści na podstawie danych.
Załóżmy na przykład, że chcemy utworzyć stronę internetową, która ocenia pogodę w każdym dniu. Tradycyjnie może to być wykonywane przez co najmniej jednego meteorologa, który może tworzyć reprezentację atmosfery i powierzchni Ziemi, obliczać i przewidywać wzorce pogody oraz określać ocenę, porównując bieżące dane z danymi historycznymi.
Zamiast tego możemy przekazać modelowi ML ogromną ilość danych o pogodzie, aż model nauczy się matematycznego związku między wzorami pogody, danymi historycznymi i wskazówkami dotyczącymi tego, co powoduje dobrą lub złą pogodę w danym dniu. W fakcie to rozwiązanie jest dostępne w internecie.
Uczenie głębokie
Deep learning (DL) to klasa algorytmów ML. Przykładem są głębokie sieci neuronowe (DNN), które próbują odwzorować sposób przetwarzania informacji przez ludzki mózg.
Problemy z AI
Tworzenie i używanie AI wiąże się z kilkoma wyzwaniami. Poniżej znajdziesz kilka najważniejszych kwestii, które warto wziąć pod uwagę.
Jakość i aktualność danych
Duże zbiory danych używane do trenowania różnych modeli AI często są nieaktualne już wkrótce po ich użyciu. Oznacza to, że gdy szukasz najnowszych informacji, możesz skorzystać z prompt engineering, aby zwiększyć wydajność modelu AI w wykonywaniu określonych zadań i otrzymywać lepsze wyniki.
Zbiory danych mogą być niekompletne lub zbyt małe, aby skutecznie obsługiwać niektóre przypadki użycia. Warto spróbować użyć kilku narzędzi lub dostosować model do swoich potrzeb.
problemy z etycznymi i uprzedzonymi podejściami;
Technologia AI jest ekscytująca i ma duży potencjał. Jednak w końcu to ludzie tworzą komputery i algorytmy, które są trenowane na podstawie danych, które mogą być zbierane przez ludzi, a więc podlegają pewnym ograniczeniom. Na przykład modele mogą uczyć się i wzmacniać uprzedzenia oraz szkodliwe stereotypy, co bezpośrednio wpływa na wyniki. Ważne jest, aby podczas tworzenia technologii AI priorytetem było ograniczanie stronniczości.
Istnieje wiele zagadnień etycznych związanych z prawami autorskimi do treści generowanych przez AI. Kto jest właścicielem wyników, zwłaszcza jeśli są one mocno inspirowane lub bezpośrednio skopiowane z materiałów chronionych prawem autorskim?
Zanim zaczniesz tworzyć nowe treści i pomysły, zapoznaj się z dotychczasowymi zasadami dotyczącymi sposobów wykorzystywania tworzonych przez Ciebie materiałów.
Bezpieczeństwo i prywatność
Wielu web developerów twierdzi, że prywatność i bezpieczeństwo to ich największe obawy związane z korzystaniem z narzędzi AI. Dotyczy to zwłaszcza firm, które mają wysokie wymagania dotyczące danych, np. firm rządowych i firm z branży opieki zdrowotnej. Wystawianie danych użytkownika na widok większej liczbie firm zewnętrznych za pomocą interfejsów API chmury jest niepokojące. Ważne jest, aby każda transmisja danych była bezpieczna i stale monitorowana.
AI po stronie klienta może być kluczem do realizacji tych scenariuszy. Potrzebujemy jeszcze wielu badań i rozwoju.
Pierwsze kroki z AI w internecie
Teraz, gdy znasz już wiele typów sztucznej inteligencji, możesz zacząć rozważać, jak używać dotychczasowych modeli, aby zwiększyć produktywność i tworzyć lepsze strony internetowe oraz aplikacje internetowe.
AI może Ci się przydać, gdy:
- Utwórz lepsze autouzupełnianie w wyszukiwarce witryny.
- wykrywać obecność zwykłych obiektów, takich jak ludzie czy zwierzęta domowe, za pomocą inteligentnej kamery;
- Rozwiązywanie problemu spamu w komentarzach za pomocą modelu języka naturalnego.
- Zwiększ produktywność, włączając autouzupełnianie kodu.
- Twórz dokumenty WYSIWYG z sugestiam dotyczącym następnego słowa lub zdania.
- Podaj zrozumiały opis zbioru danych.
- I wiele innych…
Wstępnie przetrenowane modele AI mogą być świetnym sposobem na ulepszanie witryn, aplikacji internetowych i produktywności bez konieczności pełnego zrozumienia sposobu tworzenia modeli matematycznych i zbierania złożonych zbiorów danych, które napędzają najbardziej popularne narzędzia AI.
Prawdopodobnie większość modeli spełnia Twoje wymagania bez konieczności dalszej ich regulacji. Dostrajanie to proces, w którym model, który został już wytrenowany na dużym zbiorze danych, jest dalej trenowany, aby spełniał określone potrzeby. Istnieje kilka technik dostrajania modelu:
- Uczenie przez wzmacnianie na podstawie opinii użytkowników (RLHF) to technika, która wykorzystuje opinie użytkowników do dostosowania modelu do ich preferencji i zamiarów.
- Adaptacja niskiego rzędu (LoRA) to metoda dostrajania parametrów LLM, która zmniejsza liczbę parametrów do trenowania, zachowując przy tym wydajność modelu.