Qu’est-ce que l’IA générative ? Quels types de fonctionnalités existe-t-il

L'IA générative est une technologie d'intelligence artificielle humaine qui peut générer différents types de contenu, notamment du texte, des images, de l'audio et des données synthétiques. Alors, qu’est-ce que l’intelligence artificielle ? Quelle est la différence entre l’intelligence artificielle et l’apprentissage automatique ? Quelles sont les caractéristiques techniques ?

L'intelligence artificielle est une discipline, une branche de l'informatique qui étudie la création d'agents intelligents. Ce sont des systèmes dans lesquels des agents intelligents peuvent raisonner, apprendre et agir de manière autonome. L’étude des agents intelligents est l’étude de systèmes capables de raisonner, d’apprendre et d’agir de manière autonome.

L'intelligence artificielle concerne les théories et les méthodes de construction de machines qui pensent et agissent comme des humains. Au sein de cette discipline, l’apprentissage automatique est un domaine de l’intelligence artificielle. Il s'agit d'un programme ou d'un système qui entraîne un modèle basé sur des données d'entrée. Le modèle entraîné peut faire des prédictions utiles à partir de données nouvelles ou invisibles, qui peuvent être dérivées des données unifiées sur lesquelles le modèle a été entraîné. En entraînant un modèle sur des données unifiées provenant de son propre modèle d'entraînement, ces données peuvent être utilisées pour prédire les données que le modèle n'a pas vues. Ces données proviennent des données unifiées utilisées pour entraîner le modèle lui-même, permettant de faire des prédictions utiles. Cette méthode est largement utilisée dans les problèmes d’image, de reconnaissance vocale, de traitement du langage naturel et dans d’autres domaines.

L'apprentissage automatique donne aux ordinateurs la capacité d'apprendre sans programmation explicite. Les deux types de modèles d'apprentissage automatique les plus courants sont l'apprentissage non supervisé et les modèles de ML supervisés. La principale différence entre les deux est que pour les modèles supervisés, nous avons des étiquettes, les données étiquetées sont des données avec des étiquettes comme un nom, un type ou un numéro et les données non supervisées sont des données sans étiquettes.

Cette figure est un exemple de problème qu'un modèle supervisé pourrait tenter de résoudre.

Supposons que vous soyez propriétaire d'un restaurant et que vous disposiez de données historiques sur le montant de la facture, combien de pourboires ont été donnés à différentes personnes en fonction du type de commande, combien de personnes différentes ont reçu un pourboire en fonction du type de commande, qu'il s'agisse d'un ramassage ou d'une livraison. . Dans l'apprentissage supervisé, un modèle apprend des données passées et prédit la valeur future. Ainsi, dans ce modèle, en fonction du type de commande, le montant total de la facture est utilisé pour prédire si les futurs achats pourraient être à emporter ou à livrer, et quel pourrait être le montant du pourboire. Les prévisions basées sur les modèles passés devraient permettre de prédire avec précision les quantités de consommation à venir. Par conséquent, le modèle utilise ici le montant total de la facture pour prédire les dépenses futures et les pourboires en fonction du type de commande.

Ce modèle non supervisé peut être utile dans les exemples de problèmes où il faut examiner l'ancienneté et les revenus, puis regrouper les employés pour obtenir des cohortes afin de voir si quelqu'un est sur la voie rapide. Le problème non supervisé consiste à examiner les données brutes et à voir si elles se regroupent naturellement. Allons un peu plus en profondeur et montrons cela graphiquement.

Les concepts ci-dessus constituent la base pour comprendre l'IA générative.

Dans l'apprentissage supervisé, les valeurs des données de test sont introduites dans le modèle, le modèle génère une prédiction et cette prédiction est comparée aux données d'entraînement utilisées pour entraîner le modèle.

Si la valeur prévue des données de test et la valeur réelle des données d'entraînement sont éloignées, cela s'appelle une erreur, et le modèle tente de réduire cette erreur jusqu'à ce que les valeurs prédites et réelles soient plus proches.

Nous avons discuté de la différence entre l'intelligence artificielle et l'apprentissage automatique, l'apprentissage supervisé et l'apprentissage non supervisé. Alors, explorons brièvement l’apprentissage profond.

Bien que l'apprentissage automatique soit un vaste domaine qui englobe de nombreuses techniques différentes, l'apprentissage profond est un type d'apprentissage automatique qui utilise des réseaux de neurones artificiels, leur permettant de traiter des modèles plus complexes que l'apprentissage automatique.

Les réseaux de neurones artificiels sont inspirés du cerveau humain. Ils sont composés de nombreux nœuds ou neurones interconnectés qui peuvent apprendre à effectuer des tâches en traitant des données et en faisant des prédictions.

Les modèles d'apprentissage profond comportent généralement plusieurs couches de neurones. Cela leur permet d’apprendre des modèles plus complexes que les modèles d’apprentissage automatique traditionnels. Les réseaux de neurones peuvent fonctionner avec des données étiquetées et non étiquetées, ce que l'on appelle l'apprentissage semi-supervisé. Dans l'apprentissage semi-supervisé, un réseau de neurones est entraîné sur une petite quantité de données étiquetées et une grande quantité de données non étiquetées. Les données étiquetées aident le réseau neuronal à apprendre les concepts de base de la tâche. Et les données non étiquetées aident les réseaux de neurones à se généraliser à de nouveaux exemples.

position dans cette discipline de l'intelligence artificielle, ce qui signifie qu'à l'aide de réseaux de neurones artificiels, les données étiquetées et non étiquetées peuvent être traitées selon des méthodes supervisées, non supervisées et semi-supervisées. Les grands modèles de langage sont également un sous-ensemble du deep learning, des modèles d’apprentissage profond ou des modèles d’apprentissage automatique en général.

Le deep learning peut être divisé en deux types : discriminatif et génératif. Un modèle discriminant est un modèle utilisé pour classer ou prédire les étiquettes des points de données. Les modèles discriminants sont généralement formés sur des ensembles de données de points de données étiquetés. Ils apprennent la relation entre les caractéristiques et les étiquettes des points de données, et une fois le modèle discriminant formé, il peut être utilisé pour prédire les étiquettes de nouveaux points de données. Le modèle génératif génère de nouvelles instances de données sur la base de la distribution de probabilité apprise des données existantes, de sorte que le modèle génératif produit un nouveau contenu.

Le modèle génératif peut générer de nouvelles instances de données, tandis que le modèle discriminant peut distinguer différents types d'instances de données.

Ce diagramme montre un modèle d'apprentissage automatique traditionnel, la différence est la relation entre les données et les étiquettes, ou ce que vous voulez prédire. L'image du bas montre un modèle d'IA générative essayant d'apprendre des modèles de contenu afin de générer et de produire du nouveau contenu.

Lorsque l'étiquette externe de sortie est un nombre ou une probabilité, il s'agit d'une IA non générative, telle que du spam ou du non-spam. Lorsque le résultat est un langage naturel, il s’agit d’une IA générative, telle que la parole, le texte, les images et les vidéos.

La sortie du modèle est fonction de toutes les entrées, si Y est un nombre, comme les ventes prévues, alors ce n'est pas GenAI. Si Y est une phrase, c'est comme définir les ventes. Elle est générative dans la mesure où les questions suscitent des réponses textuelles. Ses réponses seront basées sur toutes les quantités massives de données massives sur lesquelles le modèle a été formé.

En résumé, le processus d'apprentissage traditionnel, classique, supervisé et non supervisé utilise le code de formation et les données étiquetées pour construire le modèle. Selon le cas d'utilisation ou le problème, le modèle peut vous donner des prédictions, il peut classer ou regrouper quelque chose, utiliser cette force pour montrer la robustesse du processus qui l'a généré.

Le processus GenAI peut obtenir du code de formation, des données étiquetées et des données non étiquetées de tous types de données, construire un modèle de base, puis le modèle de base peut générer un nouveau contenu. Tels que le texte, le code, les images, l'audio, la vidéo, etc.

De la programmation traditionnelle aux réseaux de neurones en passant par les modèles génératifs, nous avons parcouru un long chemin. Dans la programmation traditionnelle, nous devions coder des règles pour distinguer les chats. Le type est un animal, avec 4 pattes, 2 oreilles, de la fourrure, etc.

Dans la vague des réseaux de neurones, nous pouvons alimenter le réseau en photos de chats et de chiens. et m'a demandé si c'était un chat. Il prédira un chat. Dans la vague de l’IA générative, nous, en tant qu’utilisateurs, pouvons générer notre propre contenu.

Qu'il s'agisse de texte, d'image, d'audio, de vidéo, etc., comme le modèle de langage Python ou le modèle de langage d'application conversationnel et d'autres modèles. Obtenez des données très volumineuses provenant de plusieurs sources sur Internet. Créez des modèles de langage de base qui peuvent être utilisés simplement en posant des questions. Ainsi, lorsque vous lui demanderez ce qu’est un chat, il pourra vous dire tout ce qu’il sait sur les chats.

GenAI Generative AI est une technologie d'intelligence artificielle qui crée un nouveau contenu basé sur les connaissances acquises à partir du contenu existant. Le processus d'apprentissage à partir du contenu existant est appelé formation. Et créez un modèle statistique lorsqu'une invite est donnée, utilisez ce modèle pour prédire quelle pourrait être la réponse attendue et générez un nouveau contenu.

Essentiellement, il apprend le contenu structurel sous-jacent des données et peut ensuite générer de nouveaux échantillons similaires aux données d'entraînement. Comme mentionné précédemment, un modèle de langage génératif peut prendre ce qu'il a appris des exemples qui lui ont été présentés et créer quelque chose d'entièrement nouveau sur la base de ces informations.

Les modèles de langage à grande échelle sont un type d'intelligence artificielle générative dans le sens où ils génèrent de nouvelles combinaisons de texte sous la forme d'un langage à consonance naturelle, génèrent des modèles d'image, prennent une image en entrée et peuvent produire du texte, une autre image ou une vidéo. Par exemple, sous Output Text, vous pouvez obtenir des questions et réponses visuelles, tandis que sous Output Image, générer la complétion de l'image et sous Output Video, générer une animation.

Générez un modèle de langage qui prend du texte en entrée et peut générer plus de texte, d'images, d'audio ou de décisions. Par exemple, générez une question et une réponse sous le texte de sortie et une vidéo sous l'image de sortie.

Nous avons dit que les modèles de langage génératifs apprennent les modèles et le langage grâce aux données d'entraînement, puis, à partir d'un texte, ils prédisent ce qui va se passer ensuite.

Les modèles de langage génératifs sont des systèmes de correspondance de modèles, ils apprennent des modèles en fonction des données que vous leur fournissez. Sur la base de ce qu'il a appris des données d'entraînement, il fournit une prédiction sur la manière de compléter la phrase. Il a été formé sur de grandes quantités de données textuelles et a été capable de communiquer en réponse à diverses invites et questions et de générer un texte de type humain.

Dans un transformateur, une hallucine est un mot ou une phrase généré par le modèle, qui est généralement absurde ou grammaticalement incorrect. Les hallucinations peuvent être causées par divers facteurs, notamment le modèle n'ayant pas été formé sur suffisamment de données, ou le modèle étant formé sur des données bruitées ou sales, ou ne donnant pas suffisamment de contexte au modèle, ou ne lui donnant pas suffisamment de contraintes.

Ils peuvent également rendre le modèle plus susceptible de générer des informations incorrectes ou trompeuses, comme Divers TPT3.5 qui peut parfois générer des informations qui ne sont pas nécessairement correctes. Un mot d'invite est un petit morceau de texte donné en entrée à un grand modèle de langage. Et il peut être utilisé pour contrôler la sortie du modèle de différentes manières.

Le design hip est le processus de création d'indices qui produiront le contenu de sortie souhaité à partir d'un grand modèle de langage. Comme mentionné précédemment, le LLM dépend fortement des données de formation que vous saisissez. Il apprend en analysant les modèles et la structure des données d'entrée. Mais en accédant aux invites du navigateur, les utilisateurs peuvent générer leur propre contenu.

Nous avons montré une feuille de route pour les types d'entrée basés sur des données, voici les types de modèles pertinents.

Modèle texte-texte. Prend une saisie en langage naturel et génère une sortie de texte. Ces modèles sont formés pour apprendre les mappages entre les textes. Par exemple, traduction d'une langue à une autre.

Texte au modèle d'image. Parce que les modèles texte-image sont formés sur un grand nombre d'images. Chaque image est accompagnée d'une courte description textuelle. La diffusion est une méthode utilisée pour y parvenir.

Texte en vidéo et texte en 3D. Les modèles texte-vidéo génèrent du contenu vidéo à partir uniquement de la saisie de texte, qui peut aller d'une simple phrase à un script complet. La sortie est un texte de type vidéo correspondant au texte saisi dans un modèle 3D qui génère des objets tridimensionnels correspondant à la description textuelle de l'utilisateur. Cela pourrait être utilisé pour des jeux ou d'autres mondes 3D, par exemple.

Modèle texte-tâche. Une fois formé, il peut effectuer des tâches ou des actions définies basées sur la saisie de texte. Cette tâche peut être étendue. Par exemple, répondre à une question, effectuer une recherche, faire une prédiction ou entreprendre une action. Les modèles texte-tâche peuvent également être entraînés pour guider les requêtes ou apporter des modifications aux documents.

Le modèle de base est un grand modèle d'IA pré-entraîné sur une grande quantité de données. L'objectif est d'adapter ou d'affiner une variété de tâches en aval telles que l'analyse des sentiments, l'image, le sous-titrage et la reconnaissance d'objets.

Les modèles sous-jacents ont le potentiel de révolutionner de nombreux secteurs, notamment la santé, la finance et le service client, où ils peuvent être utilisés pour détecter des prédictions et fournir un support client personnalisé. OpenAI fournit un langage source de modèle de base, y compris ceux pour le chat et le texte.

Le modèle de vision de base inclut une diffusion stable, qui peut générer efficacement des images de qualité emballage à partir de descriptions textuelles. Supposons que vous ayez besoin de recueillir des informations sur ce que les clients pensent de votre produit ou service.

Generative AI Studio, du point de vue d'un développeur, vous permet de concevoir et de créer facilement des applications sans écrire de code. Il dispose d'un éditeur visuel qui facilite la création et la modification du contenu de l'application. Il existe également un moteur de recherche intégré qui permet aux utilisateurs de rechercher des informations dans l'application.

Il existe également un moteur d'intelligence artificielle conversationnelle qui aide les utilisateurs à interagir avec l'application en utilisant le langage naturel. Vous pouvez créer votre propre assistant numérique, moteur de recherche personnalisé, base de connaissances, application de formation, etc.

Les outils de déploiement de modèles aident les développeurs à déployer des modèles dans des environnements de production en utilisant un certain nombre d'options de déploiement différentes. Et les outils de surveillance des modèles aident les développeurs à surveiller les performances des modèles ML en production à l'aide de tableaux de bord et de nombreuses métriques différentes.

Si vous considérez le développement d'applications d'IA générative comme l'assemblage d'un puzzle complexe, chacune des capacités techniques qu'il nécessite, telles que la science des données, l'apprentissage automatique et la programmation, est équivalente à chaque pièce du puzzle.

Il est déjà difficile pour les entreprises sans accumulation technique de comprendre ces pièces de puzzle, et les assembler devient une tâche encore plus difficile. Mais s'il existe des services qui peuvent fournir à ces entreprises traditionnelles aux capacités techniques faibles des pièces de puzzle préassemblées, ces entreprises traditionnelles peuvent compléter l'ensemble du puzzle plus facilement et plus rapidement.

À en juger par la situation actuelle du marché intérieur, le développement de l'IA générative n'est ni aussi optimiste que le prédisent les praticiens qui suivent la tendance, ni aussi pessimiste que le décrivent les opposants.

Les utilisateurs d'entreprise recherchent la robustesse, l'économie, la sécurité et la convivialité des applications, ce qui est une voie complètement différente de l'IA générative telle que les grands modèles de langage qui dépensent des coûts de puissance de calcul élevés pendant le processus de formation pour atteindre des capacités plus élevées.

Un problème central derrière cela est que dans le domaine de l'IA générative au niveau de l'entreprise avec une plus grande imagination, le plus important n'est pas la puissance du grand modèle, mais la manière dont il peut évoluer d'un modèle de base vers des applications spécifiques dans divers domaines. . Renforçant ainsi le développement de l’ensemble de l’économie et de la société.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!