KI-Terminologie für Anfänger (Glossar für Grundlagen der künstlichen Intelligenz)

1. Einführung: Sie haben also wahrscheinlich gesehen, dass KI in den Nachrichten schon oft auftaucht. Und oft gibt es viele dieser Jargonwörter , die in der KI verwendet werden Jetzt, da ich kein Technikfreak bin, fiel es mir schwer zu verstehen was einige dieser Wörter bedeuteten und was sie für meine Karriere und meine Arbeit bedeuten meine Karriere und meine Arbeit In diesem Kurs werden nun einige der wichtigsten und grundlegendsten Begriffe aus dem Glossar hervorgehoben wichtigsten und grundlegendsten Begriffe aus dem , damit Sie als technisch nicht versierter Mensch besser verstehen können , wie die KI-Welt funktioniert 2. Glossar: Das erste Wort, mit dem wir beginnen werden, wird von A sein, und wir werden bis Z gehen also wird es eine alphabetische Reihenfolge sein Wenn Sie sich erneut auf ein Wort beziehen müssen, können Sie es auf diese Weise leichter nachschlagen Das erste Wort, das wir verwenden oder über das wir sprechen werden, ist Agenten, KI-Agenten. KI-Agenten sind also Sprachmodelle, die in der Lage sind, miteinander zu kommunizieren , um uns zu helfen, eine bestimmte Aufgabe oder Aktivität besser zu erledigen . Um den Output der KI zu optimieren, würden Entwickler also mit verschiedenen KI-Agenten arbeiten. Stellen Sie sich vor, Sie hätten ein Reisebüro, und das sind Reisebüros, die stattdessen Technologie einsetzen, um dieses Ziel zu erreichen. Als Nächstes haben wir Chat-Bots. Chat Bots ist Chat GBT, Claude Lama. Dies sind die großen Chat-KI-Modelle, die wir kennen und lieben. Und das sind die, an die wahrscheinlich jeder denkt, wenn er an KI denkt, denn bei diesen Chat-Bots sprechen wir mit ihnen in natürlicher Sprache, und dann geben sie uns eine Antwort. Und das führt zu der ganzen Sache mit künstlicher Intelligenz. Die nächste ist Computer Vision. Computer Vision ist die Technologie , mit der eine Maschine eine bestimmte Sache visualisieren kann, und die ein ganzes Feld umfassen kann und auch viele verschiedene Komplexitäten aufweist viele verschiedene Komplexitäten Wenn wir über Chat GBT Vision sprechen, nutzt es diese Technologie und alle Erkenntnisse aus dieser Community , um es in seinen Visionsprozess umzusetzen Wenn Sie also Bilder einstellen und es beurteilen lassen, was das ist, fällt auch das in diese Kategorie Oder wenn Sie Entfernungen und Gesichtsstrukturen beurteilen , fällt das ebenfalls in den Bereich Computer Vision. Als Nächstes haben wir Deep Learning. Deep Learning bedeutet, dass Sie mehr Nischen in die Art des maschinellen Lernens einsteigen, die Sie durchführen, und maschinelles Lernen wird sich später damit befassen. Aber es nutzt diese spezifischen Informationen und ist eher ein Nischendasein. Sie würden Deep Learning also verwenden, wenn jemand eine bestimmte Sprache oder eine bestimmte Art von Prüfung für eine bestimmte Nische studiert eine bestimmte Sprache oder eine bestimmte Art . Vielleicht ist es das Übersetzen von Sprachen oder vielleicht ist es eine Lesediagnose oder vielleicht hilft es dabei, bestimmte Bildteile zu erstellen All dies hat damit zu tun, Informationen zu kategorisieren, diese Informationen in eine bestimmte Sekte oder einen bestimmten Sektor aufzuteilen und dann das Wissen darauf aufzubauen oder Ergebnisse aus diesem Wissen zu ziehen oder Ergebnisse aus diesem Wissen zu Als nächstes haben wir GPT, was generativer, vortrainierter Transformator bedeutet Chat-GPT ist also Chat, der ein generativer, vortrainierter Transformator ist Aus diesem Grund gibt es auch die Möglichkeit, benutzerdefinierte GPTs zu erstellen, was Ihr eigenes benutzerdefiniertes GPT ist Und das Wort selbst erklärt im Wesentlichen, was es ist. Es ist so generativ, dass es vortrainiert generiert, was bedeutet, dass es aus den trainierten Daten Transformatoren generiert , bei denen es sich um eine prädiktive Ausgangstechnologie handelt Als Nächstes haben wir umfangreiche Sprachmodelle, und große Sprachmodelle sind diese riesigen Datenmengen , die in natürliche Sprache eingeteilt werden können in natürliche Sprache eingeteilt Der Grund, warum KI so explosionsartig angestiegen ist, ist, dass wir jetzt natürliche Sprache verwenden können Und mit diesen natürlichen Sprachen, vielleicht Englisch, Vietnamesisch, Chinesisch, Russisch, all diesen Arten von Sprachen Wenn Sie mithilfe dieser umfangreichen Sprachmodelle mithilfe von Sprache auf diese Datensätze zugreifen können, sind Sie in der Lage, große Datenmengen extrem schnell abzurufen , um eine viel bessere Ausgabe zu erzielen. Aus diesem Grund können Sie Chat GBT aufrufen. Sag etwas, und wenn es das tut, greift es auf alle Informationen zu, die es hat, und gibt dir dann eine Antwort aus, die auf deinen Wünschen basiert Aber eine schnelle Art, sich große Sprachmodelle, LLMs, vorzustellen , besteht darin, Ihr natürliches Wort zu verwenden , um es dabei zu unterstützen , aus diesem riesigen Gehirn herauszufinden wie Sie die richtigen und spezifischen Informationen herausholen die richtigen und spezifischen Informationen können , die Sie benötigen, um die gewünschte Ausgabe Als Nächstes haben wir maschinelles Lernen. Maschinelles Lernen bedeutet im Wesentlichen , dass Maschinen aus einer Reihe von Daten lernen. Und das ist wichtig, denn in den letzten zehn Jahren und auch davor Menschen beim maschinellen Lernen im Wesentlichen bestimmte Datensätze trainiert, um bestimmte Antworten zu erhalten , die sie wollten. Wenn Sie beispielsweise einen Roboter zum Pflücken von Erdbeeren bauen , würden Sie diesem Roboter mithilfe von maschinellem Lernen beibringen , welche Pflanzen er pflücken welche Farben er beachten muss, und dann die richtigen Erdbeeren pflücken. Viele Menschen aus der Welt des maschinellen Lernens sind zur KI-Welt übergegangen, was im Grunde der nächste Schritt bei der Interpretation und Nutzung von Daten ist . Aus diesem Grund gibt es viele Zwischenräume und Verflechtungen zwischen diesen Technologien Das nächste Wort ist natürliche Sprache. Da wir also mit KI arbeiten, verwenden wir natürliche Sprache. Und Sie werden sehen, dass es oft auftaucht Leute Begriffe wie NLP verwenden , um zu beschreiben, dass eine Sache der natürlichen Sprachverarbeitung handelt Wenn Sie also mit ihrem LLM arbeiten, verwenden sie ihre Daten Ihre natürliche Sprache zu verarbeiten Ich persönlich denke also, dass natürliche Sprache in Zukunft so sein wird, wie ein Programmierer Code verwendet, um die gewünschte Ausgabe zu erzielen Der nächste Begriff sind neuronale Netzwerke, und neuronale Netzwerke sind im Wesentlichen die Funktionsweise des neuronalen Netzwerks des Gehirns Ein Großteil der KI-Theorie und der Art und Weise, wie wir Informationen in KI abrufen , basiert auf Studien über neuronale Netzwerke. Schnelles Engineering oder Aufforderung. Dies ist der Fall, wenn Sie die Aufforderung zur Eingabe in das Sprachmodell ausschreiben die Aufforderung zur Eingabe in das Sprachmodell Und der technische Teil bedeutet, dass Sie beim Schreiben einer Aufforderung wissen, welche Korrekturen Sie vornehmen müssen? Woher weißt du, was dein Ziel ist? Und wie übersetzt sich das in diese Aufforderung , die Sie schreiben, sodass die Maschine weiß, welche Art von Informationen sie abrufen muss, um Ihnen die gewünschte Ausgabe zu geben, wenn Sie sie an die Maschine senden Maschine weiß, welche Art von Informationen sie abrufen muss, um Ihnen die gewünschte Ausgabe zu Sie sie an die Tokens. Einfach ausgedrückt sind Tokens die Wörter, die Sie in Ihre Aufforderung eingeben, bevor Sie sie abschicken. Transformatoren. Transformatoren, mit denen die meisten Menschen vertraut sind, wären also Cat GBT Und wie das funktioniert, ist, dass der Transformator Lage ist, all die verschiedenen Wörter in einem Kontext zu verstehen all die verschiedenen Wörter in einem Kontext Und anhand dieser Wörter werden Gewichte und Wichtigkeiten zugewiesen, zum Beispiel, wie wichtig ein bestimmtes Wort in diesem Satz ist Und wenn es dann in die Maschine geht, beginnt es, die Daten zu verarbeiten und zu finden, die es benötigt, basierend auf der Aufforderung, die Sie ihm gegeben haben Prüfen Sie, welches Wort am wichtigsten ist. Dann wird es in der Datenwolke in diese Richtung geschickt , und dann wird es anhand Ihrer anderen Tokens herausfinden, wohin es seinen Datencrawler schicken soll , und findet die richtigen Daten , um sie zu bündeln und dann an Sie auszugeben Und die Sache mit Transformatoren ist, dass sie prädiktive Technologie verwenden , um vorherzusagen, was Ihnen als Nächstes gegeben wird Es baut also auf dem vorherigen Wort auf der Grundlage der Informationen auf , die es gegeben hat Es nimmt also all diese Daten, greift auf eine Bibliothek mit all diesen Daten zu, zerlegt sie in das, was für Ihre Bedürfnisse wichtig ist , und berechnet sie dann , wie individuell, mithilfe Algorithmen für die prädiktive Analyse um Ihnen das zurückzugeben, wonach Sie sie ursprünglich gefragt Das ist also das Glossar für die Wörter, die Sie als Nicht-Technikfreak kennen sollten, wenn Sie in die KI-Welt einsteigen Dies sollte Ihnen die Grundlage geben , um zu verstehen, wann es eine neue Version oder Updates oder einen großen Durchbruch in der KI gibt oder einen großen Durchbruch in Ich hoffe, Ihnen gefällt dieser Kurs und wir sehen uns beim nächsten Mal.