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。廣義來說,AI 是一種非人類程式或模型,可展現多種解決問題的方法和創意。
電腦可以執行進階功能,這類功能過去用於解讀和推薦資訊。如今,電腦還能透過 AI 產生新內容。
縮寫詞 AI 經常用於代表 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
生成式 AI 和大型語言模型
生成式 AI 會根據大型語言模型的內容和記憶回應輸入內容並創作內容。
大型語言模型 (LLM) 是一種 AI 模型,內含大量 (通常是數十億個) 參數,可用於執行各種工作,例如產生、分類或摘要文字或圖片。
生成式 AI 不僅能比對模式和預測,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。這些功能可協助你規劃假期、讓電子郵件內容更溫和或專業,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 AI
雖然網站上的大部分 AI 功能都需要伺服器,但用戶端 AI 會在使用者的瀏覽器中執行,並在使用者的裝置上執行推論。這可縮短延遲時間、降低伺服器端成本、移除 API 金鑰需求、提升使用者隱私權,以及提供離線存取功能。您可以實作跨瀏覽器運作的用戶端 AI,並搭配 JavaScript 程式庫,包括 Transformers.js、TensorFlow.js 和 MediaPipe。
經過最佳化的用戶端端小型模型,可能會比大型伺服器端模型更出色,尤其是在為效能進行最佳化時。評估您的用途,判斷適合您的解決方案。
伺服器端 AI
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
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。
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執行,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,判斷天氣風險。
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、歷來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) 會嘗試模擬人類大腦處理資訊的方式。
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,因此會面臨許多挑戰。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,我們有許多倫理考量,例如誰擁有產出內容的所有權?尤其是當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時。
在產生新內容和構想之前,請先考量現有政策,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 工具時最關心的問題。這在資料需求嚴格的商業環境中尤其明顯,例如政府和醫療照護公司。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立數學模型和收集複雜的資料集,就能支援最受歡迎的 AI 工具。
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。調校是指將已在大量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。