منبع اصلی حقیقت برای بسیاری از اصطلاحات یادگیری ماشین (ML)، واژهنامه ML است. به جای تکرار کار آنها، ما فقط کلمات و اصطلاحات رایجی را که در واژهنامه ML نیستند، در این فهرست قرار میدهیم.
طرح اولیه سیستم هوش مصنوعی
هنگام ساخت ویژگیها یا محصولات جدید هوش مصنوعی، طرح کلی سیستم هوش مصنوعی خود را تعریف کنید و فرصت هوش مصنوعی را برای چگونگی ساخت یک راهحل ترسیم کنید. شما باید موارد زیر را تعریف کنید:
- چرا در حال ساخت هستید؟ چه موارد استفادهای از هوش مصنوعی در دسترس است و چه ارزشی برای کاربران به ارمغان میآورد؟
- برنامه شما چگونه کار خواهد کرد؟
- چگونه میتوانید مطمئن شوید که هر بخش از سیستم شما مسئولانه توسعه داده شده است؟
درباره طرح اولیه در مقدمهای بر هوش مصنوعی در وب بخوانید.
معماری هوش مصنوعی مرکب
معماریهای هوش مصنوعی ترکیبی ، ترکیبی از یک یا چند مدل و اجزای دیگر مانند پایگاههای داده، APIها و گاردریلها که با هم کار میکنند تا رفتاری قوی و آگاه از زمینه ارائه دهند.
مهندسی بافت
مهندسی زمینه فرآیندی است که در آن به صورت پویا مرتبطترین اطلاعات (توکنها) برای یک درخواست مشخص انتخاب میشوند تا احتمال دریافت یک نتیجه ارزشمند به حداکثر برسد.
رانش دادهها
رانش دادهها زمانی رخ میدهد که دادههای آموزشی دیگر نمایانگر واقعیت نباشند. رفتار کاربر، جمعآوری دادهها و محیط دادهها میتوانند در هر زمانی تغییر کنند و این میتواند منجر به کاهش عملکرد مدل شود.
نرمافزار قطعی
وقتی یک ورودی خاص داده میشود، نرمافزار قطعی همیشه همان سری مراحل را برای رسیدن به یک خروجی یکسان دنبال میکند. اینها قابل اعتمادترین نوع نرمافزار هستند، زیرا قابل پیشبینی هستند و به طور کارآمد اجرا میشوند.
هوش مصنوعی قطعی نیست. مسیرها و نتایج میتوانند بسیار متفاوت باشند، حتی با دستورالعملهای یکسان.
توسعه مبتنی بر ارزیابی (EDD)
چارچوب توسعه مبتنی بر ارزیابی (EDD) یک فرآیند تکرارپذیر و قابل آزمایش برای بهبود خروجیها در گامهای کوچک و مطمئن، شناسایی رگرسیونها و همسوسازی رفتار مدل با انتظارات کاربر و محصول در طول زمان ارائه میدهد.
آن را به عنوان توسعه مبتنی بر آزمون (TDD) در نظر بگیرید که برای عدم قطعیت هوش مصنوعی تطبیق داده شده است. برخلاف آزمونهای واحد قطعی، ارزیابیهای هوش مصنوعی را نمیتوان به صورت کدنویسیشده ارائه داد زیرا خروجیها، چه آنهایی که به خوبی شکل گرفتهاند و چه آنهایی که شکست خوردهاند، میتوانند اشکال مختلفی داشته باشند که نمیتوانید پیشبینی کنید.
هوش مصنوعی مولد
هوش مصنوعی مولد، یک سیستم یادگیری ماشینی است که میتواند محتوا ایجاد کند. این بدان معناست که مدل میتواند متن بنویسد، تصاویر تولید کند، کد تولید کند یا حتی رابطهای کاربری کامل را طراحی کند.
حکومتداری
ما سه بُعد از مدیریت هوش مصنوعی را پوشش میدهیم:
- حریم خصوصی : دادهها را مسئولانه مدیریت کنید، آنچه جمعآوری میشود را توضیح دهید و آنچه از مرورگر خارج میشود را به حداقل برسانید.
- انصاف : مدلهای خود را از نظر رفتار تبعیضآمیز (سوگیری) بررسی کنید و حلقههایی بسازید که به کاربران اجازه دهد مشکلات را علامتگذاری کنند.
- اعتماد و شفافیت : سیستم خود را برای شفافیت و اعتماد سنجیده طراحی کنید، تا کاربران علیرغم عدم قطعیت و اشتباهات احتمالی، همچنان از آن بهرهمند شوند.
بُعد آخر، یعنی امنیت، بُعد مهمی از مدیریت هوش مصنوعی است. ما قصد داریم در ماژولهای آینده اطلاعات بیشتری در مورد امنیت ارائه دهیم.
در عین حال، توصیه میکنیم چارچوب هوش مصنوعی امن گوگل (SAIF) و وبلاگ امنیتی گوگل را مطالعه کنید.
مدل
مدلها مهمترین ستون فقرات یک سیستم هوش مصنوعی هستند. به عنوان هسته اصلی، یک مدل مجموعهای از پارامترها و ساختار است که از پیشبینیهای سیستم پشتیبانی میکند. نحوه عملکرد مدل میتواند بر اساس سبک آموزش (نظارتشده یا بدون نظارت) و هدف مدل (پیشبینیکننده یا مولد) متفاوت باشد.
کارت مدل
کارتهای مدل، مرور کلی ساختاریافتهای از نحوه طراحی و ارزیابی یک مدل هستند. آنها به عنوان مصنوعات کلیدی، رویکرد گوگل به هوش مصنوعی مسئولانه را پشتیبانی میکنند.
وزنهای مدل
وزنهای مدل، مقادیر عددی هستند که اهمیت اطلاعات خاص را تعیین میکنند. این مقادیر به طور مداوم در آموزش مدل بهروزرسانی میشوند تا زمانی که یک وزن ایدهآل تعیین شود. شما میتوانید وزنهای مدلهای باز مانند Gemma را تغییر دهید.
فرصتهایی برای هوش مصنوعی
تعدادی دسته بندی برای چارچوب بندی راهکارهای هوش مصنوعی وجود دارد:
- بینشها : بهبود تصمیمگیری.
- راحتی : اصطکاک را حذف کنید.
- اتوماسیون : جایگزین کارهای تکراری شوید.
- تقویت : به کاربران در انجام وظایف پیچیده یا خلاقانه کمک کنید.
- شخصیسازی : تطبیق محصول با نیازها و ترجیحات فرد.
این موضوع به تفصیل در موارد استفاده Explore پوشش داده شده است.
پلتفرمها
هوش مصنوعی سمت کلاینت مستقیماً در مرورگر اجرا میشود. این بدان معناست که دادهها میتوانند به صورت خصوصی، روی دستگاه کاربر باقی بمانند و هیچ تأخیر شبکهای وجود ندارد. با این حال، برای عملکرد خوب، هوش مصنوعی سمت کلاینت به موارد استفاده بسیار خاص و کاملاً تعریفشده نیاز دارد.
هوش مصنوعی سمت سرور شامل مدلهایی است که در فضای ابری میزبانی و استنتاج را اجرا میکنند. این روش بسیار توانمند و مقیاسپذیر است، اما میتواند گرانتر باشد و به اتصال شبکه نیاز دارد.
هوش مصنوعی پیشبین
هوش مصنوعی پیشبینیکننده (یا تحلیلی) مجموعهای از الگوریتمها است که به شما کمک میکند دادههای موجود را درک کنید و پیشبینی کنید که احتمالاً چه اتفاقی در آینده خواهد افتاد. بر اساس الگوهای تاریخی، مدلهای هوش مصنوعی پیشبینیکننده یاد میگیرند که نتایج را پیشبینی کنند، بینشها را آشکار کنند و تصمیمات هوشمندانهتری بگیرند.
مهندسی سریع
مهندسی سریع ، عمل نوشتن و بازنویسی دستورالعملها برای تولید خروجیهایی است که با انتظارات کاربران شما همسو باشد. یک دستورالعمل خوب نوشته شده:
- بیان میکند که LLM چگونه باید پاسخ خود را ارائه دهد.
- شامل اجزای متعددی است که میتوانند در طول زمان نسخهبندی، آزمایش و بهبود یابند.
- میتواند به عنوان یک مصنوع مشترک برای همکاری بین تیمها عمل کند.
تعدادی تکنیک وجود دارد که میتوانید در مهندسی سریع به کار ببرید، که در ماژول مهندسی سریع در مورد آنها میخوانید.
انواع اعلان
یک نوع اعلان را به عنوان مخاطب اعلان در نظر بگیرید. میتوانید اطلاعات بیشتر در این مورد را در ماژول مهندسی اعلان مطالعه کنید.
اعلان سیستم
اعلان سیستم توسط توسعهدهندگان برنامه ارائه میشود و رفتار کلی مدل را تعریف میکند. این اعلان میتواند نقش مدل ("شما یک دستیار نویسنده هستید")، لحن مورد انتظار، فرمت خروجی (مانند یک طرحواره JSON دقیق) و هرگونه محدودیت جهانی را تنظیم کند. این اعلان در بین درخواستها پایدار میماند.
درخواست کاربر
اعلان کاربر شامل درخواست فوری است که منجر به یک خروجی میشود. کاربر نوعی از متغیرهای ورودی (مانند انتخاب متن یا سبک مورد انتظار) را ارائه میدهد و یک کار خاص را درخواست میکند. به عنوان مثال، "سه عنوان برای این پست ایجاد کنید"، "این پاراگراف را ادامه دهید" یا "این را رسمیتر کنید".