Dirbtinis intelektas (DI, angl. AI) – plati technologijų sritis, skirta sistemoms, kurios atlieka tokias užduotis kaip atpažinimas, prognozavimas, kalbos apdorojimas ar turinio kūrimas. Pokalbių robotas yra tik vienas pavyzdys. DI gali veikti ir tada, kai nematote jokio pokalbio lango, pavyzdžiui, klasifikuodamas pranešimus ar siūlydamas turinį.
DI, mašininis ir gilusis mokymasis
Mašininio mokymosi atveju modelis iš mokymo duomenų išmoksta dėsningumus, kuriuos vėliau taiko naujai įvesčiai. „Google“ jį aiškina kaip programinės sistemos mokymą teikti naudingas prognozes arba generuoti turinį. Tai nėra reikalavimas žmogui ranka surašyti atskirą taisyklę kiekvienam galimam pavyzdžiui.
| Sąvoka | Pagrindinė mintis | Pavyzdinė užduotis |
|---|---|---|
| DI | Plati sistemų ir metodų sritis | Atpažinti, planuoti, prognozuoti |
| Mašininis mokymasis | Modelis mokomas naudojant duomenis | Priskirti pranešimą kategorijai |
| Gilusis mokymasis | Daugiasluoksniai neuroniniai tinklai | Apdoroti sudėtingus vaizdo ar kalbos dėsningumus |
| Generatyvinis DI | Kuriamas naujas turinys | Parengti tekstą, vaizdą ar garsą |
IBM apžvalgoje mašininis mokymasis išskiriamas kaip DI dalis, o gilusis mokymasis – kaip mašininio mokymosi kryptis. Ne visam DI būtinas pokalbio formatas ar tas pats modelio tipas. Taip pat ne kiekviena automatizuota funkcija savaime patvirtina DI naudojimą: paprastas laikmatis gali veikti pagal iš anksto nustatytą taisyklę.
Kaip modelis veikia: paprastas pavyzdys
Įsivaizduokite mokomąją sistemą, atskiriančią nepageidaujamus laiškus. Pateikiami ankstesni pavyzdžiai su žymomis, modelis mokomas atpažinti jų dėsningumus, tada tikrinamas su kitais duomenimis. Kai gaunamas naujas laiškas, jis vertinamas pagal išmoktą modelį. Tai supaprastintas paaiškinimas, ne mūsų sukurtos pašto sistemos bandymas.
- Duomenys: surenkami užduočiai tinkami pavyzdžiai.
- Mokymas: modelio parametrai pritaikomi pagal pasirinktą metodą.
- Vertinimas: tikrinama, kaip jis veikia su atskirais pavyzdžiais ir kokių klaidų daro.
- Naudojimas: nauja įvestis apdorojama jau parengtu modeliu.
Ne kiekvienas modelio panaudojimas reiškia, kad jo parametrai iškart mokomi iš naujo. Paslaugos gali skirtingai tvarkyti pokalbio kontekstą, saugomus duomenis ir vėlesnį mokymą. Todėl negalima vien iš atsakymo spręsti, kad sistema po kiekvienos jūsų žinutės „išmoko visam laikui“.
Kuo generavimas skiriasi nuo atpažinimo?
Klasifikavimo sistema gali nuspręsti, kuriai grupei priskirti objektą. Skaitinės prognozės modelis gali įvertinti būsimą dydį. Generatyvinis modelis kuria rezultatą, pavyzdžiui, teksto pastraipą ar paveikslą. Vienoje programoje gali būti sujungta daugiau nei viena tokia funkcija.
Didelio kalbos modelio atveju teksto kūrimas remiasi išmoktais dėsningumais ir tolesnių teksto vienetų prognozavimu. Tai savaime nėra interneto šaltinių patikra. Kai kuri paslauga gali turėti papildomą paiešką ar kitus įrankius, tačiau jų naudojimą ir rastą įrodymą reikia vertinti atskirai nuo sklandžiai parašyto atsakymo.
Pasitikrinkite sąvokas pagal situaciją
Atpažinkite DI sąvoką pagal pavyzdį
Tai vietinis mokomasis vedlys su iš anksto paruoštais paaiškinimais. Jis nepaleidžia DI modelio, neatlieka tyrimo ir jūsų duomenų kitai paslaugai nesiunčia.
Kada atsirado dirbtinis intelektas?
Vienos datos, kuri reikštų visų DI metodų atsiradimą, nėra. Svarbus srities istorijos atskaitos taškas – 1956 m. Dartmuto vasaros tyrimų projektas, surengtas vadovaujant Johnui McCarthy. Pats projekto pasiūlymas, cituojamas Dartmuto universiteto istorijos puslapyje, datuotas 1955 m. Šį pasirengimą verta atskirti nuo 1956 m. susitikimo.
Todėl DI nėra vien pastarųjų metų pokalbių paslaugų išradimas ar vieno šiuolaikinio produkto autorių darbas. Dabartinės sistemos remiasi ilgesne matematinių metodų, kompiuterijos ir duomenų apdorojimo raida.
Kur DI sutinkame kasdien?
- Pranešimų klasifikavime ir šlamšto filtravime.
- Kalbos vertime, garso ar vaizdo apdorojime.
- Turinio rekomendacijose ir prognozėse, pavyzdžiui, kelionės laiko.
- Teksto, vaizdų, muzikos ar programinio kodo kūrimo įrankiuose.
- Specializuotuose vaizdų atpažinimo ir duomenų analizės sprendimuose.
NIST rizikų apraše aptariamas klaidinantis turinys, privatumas ir šališkumas. Vertinant rezultatą svarbu atsižvelgti į panaudojimą, duomenis bei sprendimo kontekstą. Užrašas „su DI“ savaime neįrodo produkto tikslumo ar naudingumo jūsų konkrečiai užduočiai.
Kodėl įtikinamas atsakymas gali būti klaidingas?
NIST generatyvinio DI rizikų apraše konfabulacija vadinama situacija, kai sistema užtikrintai pateikia klaidingą ar išgalvotą turinį. Gali būti netikslūs ne tik faktai, bet ir juos tariamai pagrindžiantys šaltiniai ar paaiškinimai. Pakartotas atsakymas nėra nepriklausomas įrodymas.
Praktikoje atverkite nurodytą pirminį šaltinį, patikrinkite datas bei skaičius ir įvertinkite, ar duomenys apskritai tinkami užduočiai. Konfidencialią informaciją teikite tik pagal jums tinkamas paslaugos ir organizacijos taisykles. Konkretų užklausų rengimą aptariame praktiniame DI naudojimo gide.
Šaltiniai ir tikrinimo data
Tikrinta 2026 m. spalio 30 d. Tai bendras technologijų paaiškinimas. Jame neteikiami konkretūs produkto testai, ateities tikslumo garantijos ar modelių sąmoningumo vertinimas.
