人工智慧 (AI) 涵蓋許多複雜的新興技術,這些技術過去需要人為輸入,現在則可由電腦執行。電腦可以執行進階函式,這類函式過去用於解讀與推薦資訊。如今,電腦也能透過 AI 技術產生新內容。
縮寫詞 AI 通常用於代表 AI 領域的各種技術。
常見的 AI 概念
有許多術語和概念可定義人工智慧和機器學習,這些概念可能對您有所幫助。以下列舉一些在網路上使用 AI 技術的實例
一般 AI
廣義來說,通用 AI 是一種非人類程式或模型,可展現多種問題解決和創意能力。模型是一組龐大的數學公式,其中包含一組參數和結構,機器需要這些參數和結構才能傳回輸出內容。
一般 AI 可執行多種工作,例如分析資料、翻譯文字、譜寫音樂、識別疾病等等。
狹義 AI
Narrow AI 是指可執行單一或特定子集工作系統。舉例來說,電腦與人類對弈 (請勿與Mechanical Turk混淆)。狹義 AI 有預先定義的參數、限制和情境組合,雖然看似能理解,但實際上只是等式答案。
您可能會在臉部辨識系統、語音助理和天氣預報中看到這類實例。您可以使用高度專屬的模型,改善網站和應用程式上的特定功能。
舉例來說,您建立了專門提供電影的網站,使用者可以登入、為喜愛的電影評分,以及探索新片。您可以使用預先填入的資料庫,根據使用者目前造訪的網頁推薦電影。或者,您也可以使用狹義 AI 模型,分析使用者行為和偏好,為讀者顯示最相關的資訊。
生成式 AI
大型語言模型 (LLM) 是一種具有許多參數的類神經網路 AI 模型,可用於執行各種工作,例如產生、分類或摘要文字或圖像。
生成式 AI 會根據 LLM 的內容和記憶回應輸入內容並建立內容。這項功能不只提供模式配對和預測功能,常見的生成式 AI 工具包括:
這些工具可建立文字、程式碼範例和圖片。這些功能可協助您規劃假期、讓電子郵件內容更溫和或更專業,或是將不同資訊分類。
無論是開發人員還是非開發人員,應用情境都無窮無盡。
用戶端、伺服器端和混合式 AI
雖然大多數的網路 AI 功能都需要伺服器,但用戶端 AI 會直接在使用者的瀏覽器中執行。這項功能可帶來多項優點,例如低延遲、降低伺服器端成本、無需 API 金鑰、提升使用者隱私權,以及離線存取。您可以使用 JavaScript 程式庫實作跨瀏覽器運作的用戶端 AI,包括 Transformers.js、TensorFlow.js 和 MediaPipe。
伺服器端 AI 包含雲端 AI 服務。請想像 Gemini 1.5 Pro 在雲端執行。這些模型通常體積更大,功能也更強大。這一點對於大型語言模型尤其適用。
混合式 AI 是指同時包含用戶端和伺服器元件的任何解決方案。舉例來說,您可以使用用戶端模型執行工作,並在裝置無法完成工作時改用伺服器端模型。
經過最佳化處理的小型用戶端模型,可能會比經過效能最佳化的大型伺服器端模型更有效率,評估您的用途,判斷適合您的解決方案。
機器學習 (ML)
機器學習 (ML) 是一種 AI 形式,電腦無須透過明確的程式設計,即可進行學習。AI 致力於產生智慧,而機器學習則可讓電腦從經驗中學習。機器學習包含用於預測資料集的演算法。
機器學習是訓練模型的過程,可用於做出實用的預測,或從資料產生內容。
舉例來說,假設我們想建立一個網站,針對任何特定日期的天氣評分。傳統上,這項工作可能由一或多位氣象學家負責,他們可以建立地球大氣和地表的表示方式,計算及預測天氣模式,並透過比較目前資料和歷史背景,判斷天氣等級。
相反地,我們可以為機器學習模型提供大量天氣資料,直到模型學會天氣模式、歷史資料和指南之間的數學關係,進而判斷某天天氣好壞。事實上,我們已在網路上建立這項功能。
深度學習
深度學習 (DL) 是一種機器學習演算法。舉例來說,深層類神經網路 (DNN) 會嘗試模擬人腦處理資訊的方式。
AI 相關挑戰
建構及使用 AI 時會遇到許多挑戰。以下是您應考量的幾個重點。
資料品質和新舊
用於訓練各種 AI 模型的大型資料集,通常在使用後很快就會過時。也就是說,在尋找最新資訊時,您可以透過提示工程提升 AI 模型在特定任務上的效能,並產生更優質的輸出內容。
資料集可能不完整或太小,無法有效支援某些用途。嘗試使用多種工具或自訂模型以符合需求,可能會很有幫助。
倫理和偏見問題
AI 技術充滿無限可能,不過,電腦和演算法都是人類建構的,訓練資料也可能由人類收集,因此會面臨一些挑戰。舉例來說,模型可以學習並放大人類偏見和有害的刻板印象,直接影響輸出結果。在建構 AI 技術時,務必將減少偏見列為優先事項。
關於 AI 產生內容的版權,有許多倫理考量:誰擁有產出內容的所有權?尤其是如果產出內容受到版權內容的強烈影響,或直接複製自版權內容,這點就值得深思。
在產生新內容和構想之前,請先參考現有政策,瞭解如何使用您創作的素材。
安全性和隱私權
許多網頁開發人員表示,隱私權和安全性是他們在使用 AI 工具時最關心的重點。對於資料需求嚴格的商業環境 (例如政府和醫療照護公司) 而言,更是如此。使用雲端 API 將使用者資料公開給更多第三方,這點令人擔心。請務必確保所有資料傳輸作業安全無虞,並持續監控。
用戶端 AI 可能是解決這些用途的關鍵。我們仍有許多研究和開發工作要完成。
開始在網路上使用 AI
您現在已熟悉多種人工智慧類型,可以開始考慮如何使用現有模型提高工作效率,並建構更優質的網站和網頁應用程式。
您可以使用 AI 來:
- 為網站搜尋功能建立更完善的自動完成功能。
- 使用智慧相機偵測人類或寵物等常見物體
- 使用自然語言模型處理垃圾留言。
- 為程式碼啟用自動完成功能,提升工作效率。
- 提供下一個字詞或句子的建議,打造所見即所得的書寫體驗。
- 提供資料集的易讀說明。
- 以及更多應用程式...
預先訓練的 AI 模型是改善網站、網頁應用程式和工作效率的絕佳方法,而且不需要完全瞭解如何建構數學模型,以及收集可支援最熱門 AI 工具的複雜資料集。
您可能會發現,大多數模型都能立即滿足您的需求,無須進一步調整。調校是指將已在大型資料集上訓練的模型,進一步訓練以滿足特定用途需求的過程。調整模型的方法有很多種:
- 人類回饋增強學習 (RLHF) 是一種利用人類回饋來改善模型與人類偏好和意圖一致性的技術。
- 低秩調整 (LoRA) 是一種參數效率高的 LLM 方法,可減少可訓練參數的數量,同時維持模型效能。