Esu Eglė, finansų direktorė. Anksčiau dirbau tradiciniuose versluose – nuo gamybos iki aviacijos, bet dabar esu įtraukta į Generatyviosios AI pasaulį Moterra. Man patinka suprasti dalykus nuo pagrindų: skaičiai turi sutapti, o struktūra yra svarbi. Todėl nenoriu tik žinoti, kaip naudotis AI ar naršyti joje, noriu suprasti, kaip ji iš tikrųjų veikia ir kodėl. Problema ta, kad AI diskusijos dažnai pereina tiesiai prie įrankių, maišant AI su GenAI ir painiojant modelius su programomis. Tai greitai tampa painu. Dauguma turinio yra arba per daug techninio, arba per paviršutiniško. Kai taip nutinka, atidarau Excel, pataisau žodyną ir sudėlioju logiką. Tai padariau ir AI atveju, ir dalinuosi tuo čia kaip trumpa serija. Jei norite pagrindų – aiškių, naudingų ir be per daug detalių – prisijunkite prie manęs.
AI žemėlapis vienoje eilutėje
Dirbtinis intelektas (AI) → Mašininis mokymasis (ML) → Gilusis mokymasis (DL) → Generatyvusis dirbtinis intelektas (GenAI)
Tikslas → Mokytis → Mokytis giliai → Kurti.
Kai terminologija tampa paini, atidarau Excel, išaiškinu žodyną ir sudėlioju logiką. Štai kaip tai atrodo:
Ši lentelė yra mano atskaitos taškas, dabar leiskite man paaiškinti, ką kiekvienas sluoksnis reiškia praktiškai.
Kaip pasiekėme GenAI (Trumpa istorija)
Ankstyvasis AI buvo daugiausia taisyklės: jei X, tada Y. Naudinga, bet trapi. Mašininis mokymasis atėjo ir leido sistemoms mokytis iš pavyzdžių, pastebint modelius, kurių mes neprogramavome. Su daugiau duomenų ir skaičiavimo galios, Gilusis mokymasis išsiveržė: daugiasluoksniai neuroniniai tinklai, kurie užfiksuoja turtingą struktūrą kalboje, vaizduose ir garse. Iš ten atsirado Generatyvusis AI – modeliai, kurie ne tik žymi dalykus; jie kuria naują turinį.
Ką kiekvienas sluoksnis daro (Strateginis požiūris)
Dirbtinis intelektas — Strateginis sluoksnis
AI reiškia plačiausią siekį: programinė įranga, atliekanti užduotis, kurios paprastai reikalauja žmogaus sprendimo. Nors lentelė rodo, kad ji sprendžia problemas, verslui svarbu, kaip ji jas sprendžia. AI sistemos gali prisitaikyti prie naujų scenarijų ir tobulėti laikui bėgant, todėl jos yra vertingos aukšto lygio sprendimams, kurie apima kelis kintamuosius ir neapibrėžtumą.
Mašininis mokymasis — Modelių variklis
Lentelė rodo, kad ML mokosi iš istorinių duomenų, bet štai ką tai reiškia praktiškai: vietoj to, kad programuotumėte kiekvieną galimą taisyklę, jūs parodote sistemai pavyzdžius ir leidžiate jai sukurti savo logiką. Štai kodėl ML puikiai tinka prognozavimui ir klasifikavimui, jis pastebi modelius, kurių žmonės gali nepastebėti arba negali apdoroti dideliu mastu.
Gilusis mokymasis — Sudėtingumo tvarkytojas
Nors lentelė pažymi, kad DL apdoroja nestruktūrizuotus duomenis per neuroninius tinklus, tikrasis proveržis yra tai, ką jis gali apdoroti. Teksto dokumentai, vaizdai, garso failai, vaizdo įrašai – visi netvarkingi, realaus pasaulio duomenys, su kuriais tradicinės sistemos sunkiai susidoroja. Štai kodėl DL revoliucionavo tokias sritis kaip medicininis vaizdavimas ir natūralios kalbos apdorojimas (tai reiškia paprastos žmogaus kalbos supratimą, o ne kodą).
Generatyvusis AI — Turinys kūrėjas
Lentelė rodo, kad GenAI kuria naują turinį iš užklausų, bet transformacija yra gilesnė. Skirtingai nuo ankstesnio AI, kuris analizavo esamą informaciją, GenAI kuria originalius rezultatus. Tai perkelia pokalbį nuo „Ką šie duomenys mums sako?” prie „Ką galime sukurti su šiuo supratimu?”
Kaip sluoksniai veikia kartu (Srautas, kurį iš tikrųjų naudoju)
Čia viskas tampa praktiška. Aš tai traktuoju kaip vieną AI valdomą sąskaitų apmokėjimo sistemą, kuri sujungia kelias galimybes. Kai įkeliamas nuskaitytas sąskaitos faktūros vaizdas, sistema organizuoja: pagrindines patikros taisykles (AI pagrindai), kad patikrintų tokius dalykus kaip PVM formatas ir sumos; ML, kad klasifikuotų tiekėją ir nukreiptų į tinkamą sąnaudų centrą/darbų srautą; DL pagrįstą OCR ir duomenų ištraukimą, kad ištrauktų vardus, datas, eilutės elementus ir sumas; ir GenAI, kad parengtų glaustą mokėtiną užrašą ir, jei reikia, mandagų tiekėjo el. laišką, baigtą greita žmogaus peržiūra prieš patvirtinimą.
Kaip veikia Generatyvusis AI (Paprasta kalba)
Kai įklijuoju tekstą, jis suskaidomas į mažus gabalėlius, vadinamus žetonais. Modelis žiūri į pateiktus žetonus (kontekstą), tada prognozuoja labiausiai tikėtiną kitą žetoną – vėl ir vėl – kol suformuoja pastraipą, santrauką ar atsakymą. Keista ir stulbinanti dalis? Jis iš tikrųjų nemąsto ar nesupranta, tik tampa neįtikėtinai geras spėjant, koks žodis bus kitas, remiantis didžiuliais tekstų kiekiais.
GenAI šiandien — Kuo jis puikus, kuo ne, ir kodėl
Puikus (kaip aš jį naudoju):
- Pirmieji juodraščiai greitai: el. laiškai, santraukos, kontūrai, trumpas kodas. Aš paverčiu netvarkingas susitikimo pastabas aiškiais protokolais, tada patikrinu faktus.
- Transformacijos: tono perrašymas, vertimas, tvarkymas, pagrindinių laukų ištraukimas. Aš pritaikau pasiūlymo įžangą finansų direktoriaus auditorijai per kelias sekundes.
- Paaiškinimas/struktūravimas: išsklaidytų pastabų formavimas į planą. Aš parengiu vieno ekrano santrauką prieš skambutį su suinteresuotaisiais asmenimis.
Ne puikus vienas:
- Garantijos faktai: jis prognozuoja tikėtiną tekstą; jis pagal nutylėjimą netikrina tiesos. Aš visada tikrinu skaičius pagal mūsų lenteles.
- Prognozavimas/vertinimas: klasikinis mašininis mokymasis dažnai pranoksta skaitmeninėse užduotyse. Jei man reikia prognozės, naudoju ML, o ne GenAI prozą.
- Apsaugos priemonių pakeitimas: privatumas, patvirtinimai, auditas vis dar svarbūs. Aš laikau jautrius duomenis privačioje aplinkoje ir peržiūriu rezultatus.
Kodėl egzistuoja ribos: Generatyvusis AI yra prognozinė generacija dideliu mastu. Jis puikiai tinka formai ir sklandumui. Tikslumas pagerėja, kai jis derinamas su tinkama informacija ir protingomis patikromis.
Mano išvada
Dirbtinis intelektas yra pagrindas. Mašininis mokymasis yra metodas. Gilusis mokymasis yra variklis. Generatyvusis AI yra tai, ką mes sukūrėme.
