Podrobnejšie o generatívnej AI a jej triedach

Čo to je generatívna umelá inteligencia?

V predošlých článkoch sme vás oboznámili s digitálnymi zručnosťami a s

úlohou umelej inteligencie. Poskytli sme vám tipy na kurzy, ktoré to prakticky

demonštrovali. Človek sa najlepšie učí z praktických príkladov, preto je teraz čas

dozvedieť sa konkrétne o GenAI niečo viac do hĺbky. Väčšina mladých ľudí už s ňou

nejakú skúsenosť má, takže je vhodné vysvetliť, čo sa za ňou skrýva. Princípom

generatívnej AI je napodobňovanie vstupných dát a vytváranie nových inštancií dát.

Tie môžu byť v rôzneho formátu alebo rozličných foriem – obrázky, hudba, video a

text. Tento druh AI sa snaží napodobňovať ľudskú schopnosť rozpoznávania.

Predstavte si, že na to, aby ste pochopili emóciu človeka, sledujete jeho mimiku.

Milimetre (napríklad krčenia kútikov úst) hovoria o protichodných emóciách.

Prekvapenie vo výraze tváre má niekedy pozitívny nádych a niekedy negatívny

nádych. Tak, ako človek posudzuje celú mimiku tváre, tak aj GenAI berie do úvahy

každý token (napríklad slovo) zo sekvencie.

Ujasnenie pojmov:

Zmyslom tohto článku je ukázať vám, že generatívna umelá inteligencia (GenAI) je

samostatný pojem. Nie je to to isté ako tradičná AI, všeobecná AI či strojové učenie.

GenAI sa dokáže učiť, vytvárať, predpokladať a narúšať vzťahy medzi slovami.

Tradičná AI sa od nej odlišuje napríklad v tom, že pracuje na základe konkrétnych

vzorcoch algoritmov, ktoré sú závislé od človeka a od toho ako ich nastaví. Strojové

učenie je zas proces, ktorý GenAI využíva. Taktiež nemôžeme povedať napríklad to,

že GenAI a konverzačná AI sú to isté, pretože sa líšia princípom, účelom a

schopnosťami. Umelá všeobecná inteligencia (AGI) sa od GenAI líši tým, že by mala

mať ešte väčšiu kapacitu a schopnosti inteligenčne vyššie až podobné ľudským

kognitívnym schopnostiam. Má potenciál nahradiť ľudské úlohy v rôznych

pracovných sférach.

Generatívna AI sa delí najmenej na 5 tried:

1. Model založený na transformátoroch – Táto trieda pracuje na základe

takzvaných transformátorov. Využívajú princíp self-attention (seba-pozornosti

alebo skôr sebavnímania), takže dokážu posudzovať vzťahy medzi všetkými

jednotlivými dátami (napríklad slovami) vo vstupe.

2. Generatívna konverzná sieť (GAN) – Skladá sa z 2 neurónových sietí,

generátora a diskriminátora. Konkurečný vzťah medzi generátorom

a diskriminátorom (ktorý hodnotí dáta) vedie k postupnému zdokonaľovaniu

výsledkov.

3. Variačný autokodér (VAE) – Funguje na princípe kódovača a dekódovača

(kódovač analyzuje vstupné dáta a dekódovač generuje výstup).

4. Autoregresné modely – Tu dekóder predikuje nasledujúci token (napríklad

slovo) na základe predošlých v tej istej sekvencii. Sústreďuje sa len na tú

sekvenciu a na to používa tzv. masked self-attention. To znamená, že pri

predikcii konkrétneho slova nemôže používať informácie z

nasledujúcich sekvencii (v budúcnosti nebude kopírovať, ale bude sa

sústreďovať na informácie zo staršej sekvencie).

5. Normalizačné modely prúdenia – Premieňajú jednoduché

pravdepodobnostné distribúcie (napr. normálnu gaussovu krivku) na zložité, a

to prostredníctvom série invertibilných transformácií.