რა არის ხელოვნური ინტელექტის ალგორითმი? [ვიდეო და ვიქტორინა]

მოკლე პასუხი: ხელოვნური ინტელექტის ალგორითმი არის მეთოდი, რომელსაც კომპიუტერი იყენებს მონაცემებიდან შაბლონების შესასწავლად, შემდეგ კი გაწვრთნილი მოდელის გამოყენებით პროგნოზების ან გადაწყვეტილებების მისაღებად. ეს არ არის ფიქსირებული „თუ-მაშინ“ ლოგიკა: ის ადაპტირდება მაგალითებისა და უკუკავშირის წააწყებისას. როდესაც მონაცემები იცვლება ან ცდომილებას შეიცავს, მას მაინც შეუძლია გამოიწვიოს სარწმუნო შეცდომები.

ძირითადი დასკვნები:

განმარტებები: გამოყავით სწავლის რეცეპტი (ალგორითმი) გაწვრთნილი პროგნოზირებისგან (მოდელი).

სასიცოცხლო ციკლი: ტრენინგი და დასკვნა განცალკევებულად ჩათვალეთ; ჩავარდნები ხშირად განლაგების შემდეგ ჩნდება.

ანგარიშვალდებულება: გადაწყვიტეთ, ვინ ამოწმებს შეცდომებს და რა ხდება, როდესაც სისტემა არასწორად უშვებს შეცდომას.

ბოროტად გამოყენების წინააღმდეგობა: ყურადღება მიაქციეთ გაჟონვას, ავტომატიზაციის მიკერძოებას და მეტრულ თამაშებს, რამაც შეიძლება შედეგები გაზარდოს.

აუდიტირებადობა: მონაცემთა წყაროების, პარამეტრებისა და შეფასებების თვალყურის დევნება, რათა გადაწყვეტილებები მოგვიანებით სადავო დარჩეს.

სტატიები, რომელთა წაკითხვაც შეიძლება მოგეწონოთ ამის შემდეგ:

🔗 რა არის ხელოვნური ინტელექტის ეთიკა?
პასუხისმგებლიანი ხელოვნური ინტელექტის პრინციპები: სამართლიანობა, გამჭვირვალობა, ანგარიშვალდებულება და უსაფრთხოება.

🔗 რა არის ხელოვნური ინტელექტის მიკერძოება?
როგორ ამახინჯებს მიკერძოებული მონაცემები ხელოვნური ინტელექტის შედეგებს და როგორ გამოვასწოროთ ეს.

🔗 რა არის ხელოვნური ინტელექტის მასშტაბირება?
ხელოვნური ინტელექტის სისტემების მასშტაბირების გზები: მონაცემები, გამოთვლები, განლაგება და ოპერაციები.

🔗 რა არის ახსნადი ხელოვნური ინტელექტი
რატომ არის ინტერპრეტირებადი მოდელები მნიშვნელოვანი ნდობის, გამართვისა და შესაბამისობისთვის.

რა არის სინამდვილეში ხელოვნური ინტელექტის ალგორითმი? 🧠

ხელოვნური ინტელექტის ალგორითმი არის პროცედურა, რომელსაც კომპიუტერი იყენებს შემდეგი მიზნებისთვის:

• ისწავლეთ მონაცემებიდან (ან უკუკავშირიდან)

• ნიმუშების ამოცნობა

• გააკეთეთ პროგნოზები ან გადაწყვეტილებები

• გააუმჯობესეთ შესრულება [1]

კლასიკური ალგორითმები ასეთია: „დაალაგეთ ეს რიცხვები ზრდადი თანმიმდევრობით“. ნაბიჯების სიცხადე, შედეგი ყოველთვის ერთი და იგივეა.

ხელოვნური ინტელექტის მსგავსი ალგორითმები უფრო ასე ჟღერს: „აი, მილიონი მაგალითი. გთხოვთ, გაარკვიეთ, რა არის „კატა“. შემდეგ ის ქმნის შინაგან ნიმუშს, რომელიც , როგორც წესი, მუშაობს. როგორც წესი. ზოგჯერ ის ხედავს ფუმფულა ბალიშს და სრული თავდაჯერებულობით ყვირის „კატა!“. 🐈⬛

ხელოვნური ინტელექტის ალგორითმი ხელოვნური ინტელექტის მოდელის წინააღმდეგ: განსხვავება, რომელსაც ადამიანები ვერ ამჩნევენ 😬

ეს სწრაფად ხსნის ბევრ გაუგებრობას:

• ხელოვნური ინტელექტის ალგორითმი = სწავლის მეთოდი / ტრენინგის მიდგომა
  („ასე ვაახლებთ საკუთარ თავს მონაცემებიდან“)

• ხელოვნური ინტელექტის მოდელი = გაწვრთნილი არტეფაქტი, რომელსაც ახალ შეყვანებზე ამუშავებთ
  („ეს არის ის, ვინც ახლა პროგნოზებს აკეთებს.“) [1]

ასე რომ, ალგორითმი მომზადების პროცესს ჰგავს, მოდელი კი მზა კერძია 🍝. შესაძლოა, ოდნავ მერყევი მეტაფორაა, მაგრამ მართალია.

ასევე, ერთი და იგივე ალგორითმს შეუძლია სრულიად განსხვავებული მოდელების შექმნა, რაც დამოკიდებულია:

• მონაცემები, რომლებსაც მას აწვდით

• თქვენს მიერ არჩეული პარამეტრები

• რამდენ ხანს ვარჯიშობ

• რამდენად მოუწესრიგებელია თქვენი მონაცემთა ნაკრები (სპოილერი: ის თითქმის ყოველთვის მოუწესრიგებელია)

რატომ არის ხელოვნური ინტელექტის ალგორითმი მნიშვნელოვანი (მაშინაც კი, თუ „ტექნიკური“ სპეციალისტი არ ხართ) 📌

მაშინაც კი, თუ კოდის ერთ სტრიქონსაც კი არასდროს დაწერთ, ხელოვნური ინტელექტის ალგორითმები მაინც დიდ გავლენას ახდენს თქვენზე.

დაფიქრდით: სპამის ფილტრები, თაღლითობის შემოწმება, რეკომენდაციები, თარგმანი, სამედიცინო ვიზუალიზაციის მხარდაჭერა, მარშრუტის ოპტიმიზაცია და რისკის შეფასება. (არა იმიტომ, რომ ხელოვნური ინტელექტი „ცოცხალია“, არამედ იმიტომ, რომ მასშტაბური ნიმუშების ამოცნობა ფასეულია მილიონობით ჩუმად და სასიცოცხლოდ მნიშვნელოვან ადგილას.)

და თუ ბიზნესს ქმნით, გუნდს მართავთ ან ცდილობთ, ჟარგონი არ მოგატყუოთ, ხელოვნური ინტელექტის ალგორითმის უკეთესი კითხვების დასმაში დაგეხმარებათ:

• დაადგინეთ, რა მონაცემებიდან მიიღო სისტემამ ინფორმაცია.

• შეამოწმეთ, თუ როგორ იზომება და მცირდება მიკერძოება.

• განსაზღვრეთ, რა ხდება, როდესაც სისტემა არასწორია.

რადგან ზოგჯერ ეს არასწორი იქნება. ეს პესიმიზმი არ არის. ეს რეალობაა.

როგორ „სწავლობს“ ხელოვნური ინტელექტის ალგორითმი (ტრენინგი და დასკვნა) 🎓➡️🔮

მანქანური სწავლების სისტემების უმეტესობას ორი ძირითადი ფაზა აქვს:

1) ტრენინგი (სწავლის დრო)

ვარჯიშის დროს, ალგორითმი შემდეგია:

• ხედავს მაგალითებს (მონაცემები)

• აკეთებს პროგნოზებს

• ზომავს, რამდენად არასწორია

• შეცდომის შესამცირებლად შიდა პარამეტრებს არეგულირებს [1]

2) დასკვნა (დროის გამოყენებით)

დასკვნა არის ის, როდესაც გაწვრთნილი მოდელი გამოიყენება ახალ შეყვანებზე:

• ახალი ელფოსტის სპამად კლასიფიცირება თუ არა

• მოთხოვნის პროგნოზირება მომავალ კვირას

• სურათის მონიშვნა

• პასუხის გენერირება [1]

ვარჯიში „სწავლაა“. დასკვნა კი „გამოცდა“. თუმცა გამოცდა არასდროს მთავრდება და ადამიანები წესების შუაში ცვლიან. 😵

ხელოვნური ინტელექტის ალგორითმის სტილის დიდი ოჯახები (მარტივი ინგლისური ინტუიციით) 🧠🔧

ზედამხედველობითი სწავლება 🎯

თქვენ მოჰყავთ ისეთი ეტიკეტირებული მაგალითები, როგორიცაა:

• „ეს სპამია“ / „ეს სპამი არ არის“

• „ეს მომხმარებელი წავიდა“ / „ეს მომხმარებელი დარჩა“

ალგორითმი სწავლობს შესაბამისობას შეყვანებიდან → გამომავალი სიგნალებიდან. ძალიან გავრცელებულია. [1]

უკონტროლო სწავლა 🧊

ეტიკეტები არ არის. სისტემა ეძებს სტრუქტურას:

• მსგავსი მომხმარებლების ჯგუფები

• უჩვეულო ნიმუშები

• დოკუმენტებში არსებული თემები [1]

გაძლიერებული სწავლება 🕹️

სისტემა სწავლობს ცდისა და შეცდომის მეთოდით, ჯილდოებით ხელმძღვანელობით. (შესანიშნავია, როდესაც ჯილდოები ნათელია. არასტაბილურია, როდესაც ისინი არ არის.) [1]

ღრმა სწავლება (ნეირონული ქსელები) 🧠⚡

ეს უფრო ტექნიკის ოჯახია, ვიდრე ერთი ალგორითმი. ის იყენებს ფენებად წარმოდგენებს და შეუძლია ძალიან რთული ნიმუშების შესწავლა, განსაკუთრებით მხედველობაში, მეტყველებასა და ენაში. [1]

შედარების ცხრილი: პოპულარული ხელოვნური ინტელექტის ალგორითმების ოჯახები ერთი შეხედვით 🧩

ეს არ არის „საუკეთესო სია“ - უფრო რუკას ჰგავს, რათა აღარ იგრძნოთ, რომ ყველაფერი ერთი დიდი ხელოვნური ინტელექტის სუპია.

რა ხდის ხელოვნური ინტელექტის ალგორითმს კარგ ვერსიას? ✅🤔

„კარგი“ ხელოვნური ინტელექტის ალგორითმი ავტომატურად არ არის ყველაზე დახვეწილი. პრაქტიკაში, კარგი სისტემა, როგორც წესი, შემდეგია:

• საკმარისად ზუსტი რეალური მიზნისთვის (არა იდეალური - ღირებული)

• მტკიცე (არ იშლება მონაცემების ოდნავ შეცვლისას)

• საკმარისად ახსნილია (არა აუცილებლად გამჭვირვალე, მაგრამ არც სრულიად შავი ხვრელი)

• სამართლიანი და მიკერძოებით შემოწმებული (დამახინჯებული მონაცემები → დამახინჯებული გამომავალი)

• ეფექტური (მარტივი დავალებისთვის სუპერკომპიუტერი არ არის საჭირო)

• შენარჩუნებადი (მონიტორინგის, განახლებადი, გაუმჯობესებადი)

სწრაფი პრაქტიკული მინი შემთხვევა (რადგან სწორედ აქ ხდება ყველაფერი ხელშესახები)

წარმოიდგინეთ გადინების მოდელი, რომელიც ტესტირებისას „გასაოცარია“... რადგან მან შემთხვევით შეიტყო პროქსი, რომელიც გულისხმობს „მომხმარებელს, რომელსაც შენარჩუნების გუნდი უკვე დაუკავშირდა“. ეს არ არის პროგნოზირებადი მაგია. ეს არის გაჟონვა. ის გმირულად გამოიყურება მანამ, სანამ არ განათავსებთ მას და შემდეგ დაუყოვნებლივ არ გადააკეთებთ სახის დამუშავებას. 😭

როგორ ვადგენთ, არის თუ არა ხელოვნური ინტელექტის ალგორითმი „კარგი“ 📏✅

უბრალოდ თვალს არ აშორებ (ზოგიერთი ასეც ფიქრობს და შემდეგ ქაოსი მოჰყვება).

შეფასების საერთო მეთოდები მოიცავს:

• სიზუსტე

• სიზუსტე / გახსენება

• F1 ქულა (აბალანსებს სიზუსტეს/გახსენებას) [2]

• AUC-ROC (ორობითი კლასიფიკაციის რანჟირების ხარისხი) [3]

• კალიბრაცია (შეესაბამება თუ არა ნდობა რეალობას)

და შემდეგ არის რეალური სამყაროს ტესტი:

• ეხმარება ეს მომხმარებლებს?

• ამცირებს ეს ხარჯებს თუ რისკებს?

• ქმნის თუ არა ეს ახალ პრობლემებს (ცრუ განგაში, უსამართლო უარყოფა, დამაბნეველი სამუშაო პროცესები)?

ზოგჯერ ქაღალდზე წარმოდგენილი „ოდნავ უარესი“ მოდელი წარმოებაში უკეთესია, რადგან ის სტაბილური, ახსნადი და მონიტორინგისთვის უფრო ადვილია.

გავრცელებული ხაფანგები (ანუ ის, თუ როგორ ჩუმად მიდის ხელოვნური ინტელექტის პროექტები უკუღმა) ⚠️😵💫

სოლიდურმა გუნდებმაც კი შეძლეს ამ მაჩვენებლების მიღწევა:

• ზედმეტად მორგება (შესანიშნავია სასწავლო მონაცემებზე, უარესია ახალ მონაცემებზე) [1]

• მონაცემთა გაჟონვა (გაწვრთნილი ინფორმაციით, რომელიც პროგნოზირების დროს არ გექნებათ)

• მიკერძოებისა და სამართლიანობის საკითხები (ისტორიული მონაცემები შეიცავს ისტორიულ უსამართლობას)

• კონცეფციის დრიფტი (სამყარო იცვლება; მოდელი არა)

• არასწორად განლაგებული მეტრიკები (თქვენ ოპტიმიზაციას უკეთებთ სიზუსტეს; მომხმარებლებს სხვა რამ აინტერესებთ)

• შავი ყუთის პანიკა (ვერავინ ხსნის გადაწყვეტილებას, როდესაც ის მოულოდნელად მნიშვნელოვანი ხდება)

კიდევ ერთი დახვეწილი საკითხი: ავტომატიზაციის მიკერძოება - ადამიანები ზედმეტად ენდობიან სისტემას, რადგან ის გასცემს დამაჯერებელ რეკომენდაციებს, რამაც შეიძლება შეამციროს სიფხიზლე და დამოუკიდებელი შემოწმება. ეს დოკუმენტირებულია გადაწყვეტილების მხარდაჭერის კვლევებში, მათ შორის ჯანდაცვის კონტექსტში. [4]

„სანდო ხელოვნური ინტელექტი“ ვიბრაცია არ არის - ეს საკონტროლო სიაა 🧾🔍

თუ ხელოვნური ინტელექტის სისტემა რეალურ ადამიანებზე მოქმედებს, თქვენ გსურთ მეტი, ვიდრე „ის ჩვენი საორიენტაციო კრიტერიუმით ზუსტია“

მყარი ჩარჩოა სასიცოცხლო ციკლის რისკების მართვა: დაგეგმვა → შექმნა → ტესტირება → განლაგება → მონიტორინგი → განახლება. NIST-ის ხელოვნური ინტელექტის რისკების მართვის ჩარჩო განსაზღვრავს „სანდო“ ხელოვნური ინტელექტის მახასიათებლებს, როგორიცაა ვალიდური და საიმედო, უსაფრთხო, დაცული და მდგრადი, ანგარიშვალდებული და გამჭვირვალე, ახსნადი და ინტერპრეტირებადი, კონფიდენციალურობის გაუმჯობესებულიდა სამართლიანი (მავნე მიკერძოების მართვა). [5]

თარგმანი: თქვენ კითხულობთ, მუშაობს თუ არა.
ასევე, თქვენ კითხულობთ, უსაფრთხოდ ვერ ხერხდება თუ არა ის და შეგიძლიათ თუ არა ამის დემონსტრირება.

ძირითადი რჩევები 🧾✅

თუ აქედან სხვას ვერაფერს გაიგებთ:

• ხელოვნური ინტელექტის ალგორითმი = სწავლის მიდგომა, ტრენინგის რეცეპტი

• ხელოვნური ინტელექტის მოდელი = თქვენს მიერ გამოყენებული გაწვრთნილი გამომავალი

• კარგი ხელოვნური ინტელექტი მხოლოდ „ჭკვიანი“ არ არის - ის საიმედოა, მონიტორინგის ქვეშაა, მიკერძოებულობისგან შემოწმებულია და სამუშაოსთვის შესაფერისია.

• მონაცემთა ხარისხი უფრო მნიშვნელოვანია, ვიდრე ადამიანების უმეტესობას სურს აღიაროს

• საუკეთესო ალგორითმი, როგორც წესი, ისაა, რომელიც პრობლემას სამი ახალი პრობლემის შექმნის გარეშე 😅

რეალური მაგალითი: გაშვების წინ გადინების პროგნოზირების ალგორითმის ტესტირება 📉🧪

სცენარი

წარმოიდგინეთ პატარა სააბონენტო პროგრამული უზრუნველყოფის კომპანია, რომელსაც სურს იწინასწარმეტყველოს, თუ რომელი მომხმარებლები გააუქმებენ შეკვეთას მომდევნო 30 დღის განმავლობაში.

გუნდს აქვს 18 თვის მომხმარებლის მონაცემები: შესვლის სიხშირე, დახმარების ბილეთები, გეგმის ტიპი, გადახდის დაგვიანებები, პროდუქტის გამოყენება, განახლების თარიღები და საბოლოოდ გააუქმა თუ არა თითოეული მომხმარებელი. მონაცემთა ანალიტიკოსი ქმნის მოდელის ორ ვერსიას: მარტივ ლოგისტიკურ რეგრესიულ საბაზისო მოდელს და უფრო რთულ გრადიენტის გამაძლიერებელ მოდელს.

მიზანი არ არის „ყველაზე ჭკვიანი ალგორითმის პოვნა“. მიზანია ისეთი მოდელის პოვნა, რომელიც მომხმარებელთა წარმატების გუნდს დაეხმარება სწორ ანგარიშებთან ადრეულ ეტაპზე დაკავშირებაში, ისე, რომ ნახევარი კვირა არ დაიკარგოს ცრუ განგაშის დევნაში.

რა არის საჭირო სამუშაო პროცესისთვის

ალგორითმის არჩევამდე, გუნდი ამზადებს:

• სუფთა ტრენინგის მონაცემთა ნაკრები, თითოეული მომხმარებლისთვის ერთი რიგით

• მკაფიო ეტიკეტი: „გაუქმებულია 30 დღის განმავლობაში“ კი/არა

• პროგნოზირების თარიღამდე ხელმისაწვდომი სვეტების სია

• ბოლო სამი თვის შეკავების ტესტის ნაკრები

• ცრუ დადებითი და ცრუ უარყოფითი შედეგების მარტივი განხილვის პროცესი

• წესი, რომლის მიხედვითაც მომხმარებლებს არ ეჩვენებათ ავტომატური გაუქმების რისკის ქულა

ერთი მნიშვნელოვანი შემოწმება: წაშალეთ ყველაფერი, რაც პასუხს გაჟონავს. მაგალითად, „შენარჩუნების გუნდის მიერ შემოთავაზებული ფასდაკლება“ არ უნდა იქნას გამოყენებული, თუ ეს მხოლოდ მას შემდეგ ხდება, რაც ვინმეს უკვე აქვს ეჭვი ჯავშნის გაუქმებაში.

მაგალითი ინსტრუქცია

გამოიყენეთ ეს ინსტრუქცია, როდესაც ხელოვნური ინტელექტის ასისტენტს ან ანალიტიკოსს სთხოვთ პარამეტრების გადახედვას:

გადახედეთ მომხმარებელთა გადინების პროგნოზირების ამ მონაცემთა ნაკრების დიზაინს. დაასახელეთ ნებისმიერი სვეტი, რომელმაც შეიძლება გამოიწვიოს მონაცემთა გაჟონვა, ნებისმიერი მახასიათებელი, რომელმაც შეიძლება უსამართლოდ დაამახინჯოს პროგნოზები და ნებისმიერი მეტრიკა, რომელსაც უნდა მივყვეთ განლაგებამდე. მოდელს მომხმარებელთა წარმატების გუნდი გამოიყენებს საზოგადოებასთან ურთიერთობის პრიორიტეტულობის დასადგენად და არა ანგარიშის ავტომატური გადაწყვეტილებების მისაღებად.

როგორ გამოვცადოთ ის

მოდელის შემოწმება შემდეგი კითხვებით:

• მოდელი კვლავ მუშაობს ბოლო სამი თვის მონაცემებზე?

• რომელი 10 სვეტი ახდენს ყველაზე დიდ გავლენას პროგნოზებზე?

• უფრო ხშირად ფიქსირდება თუ არა უფრო იაფი გეგმების მქონე მომხმარებლები იმ მიზეზების გამო, რომლებიც არ არის დაკავშირებული მომხმარებელთა გადინების რეალურ რისკთან?

• კვირაში რამდენი მონიშნული მომხმარებლის დასაკავშირებლად ექნება გუნდს დრო?

• რა მოხდება, თუ პროდუქტის გამოყენება ყველასთვის შემცირდება სადღესასწაულო პერიოდში?

კარგი ტესტი პრაქტიკულია და არა მხოლოდ მათემატიკური. თუ მოდელი კვირაში 600 მომხმარებელს აფიქსირებს და გუნდს მხოლოდ 80-თან დაკავშირება შეუძლია, ალგორითმი შესაძლოა ზუსტი იყოს, მაგრამ მაინც ცუდად იყოს შექმნილი სამუშაო პროცესისთვის.

შედეგი

საილუსტრაციო შედეგი: 1000 მომხმარებლის ანგარიშის სატესტო ნაკრების საფუძველზე, მარტივი ლოგისტიკური რეგრესიის მოდელმა მიაღწია 71%-იან გამოძახებას და 42%-იან სიზუსტეს. გრადიენტის გამაძლიერებელმა მოდელმა მიაღწია 78%-იან გამოძახებას და 48%-იან სიზუსტეს, მაგრამ დამატებითი მიმოხილვა მოითხოვა, რადგან მისი ძირითადი მახასიათებლები მოიცავდა გაჟონვის ორ შესაძლო რისკს.

გაჟონვისკენ მიდრეკილი სვეტების ამოღების შემდეგ, გრადიენტის გამაძლიერებელი მოდელის მაჩვენებელი ოდნავ დაეცა 74%-მდე და 46%-მდე სიზუსტით. ეს მაინც ღირებული იყო: 100 დროშით მონიშნული ანგარიშის ყოველკვირეული მიმოხილვისას, გუნდს შეეძლო დაახლოებით 46 ნამდვილად მაღალი რისკის მქონე მომხმარებლის მოლოდინი, ანგარიშებთან შემთხვევითი კავშირის ნაცვლად.

დროის შეფასება: თუ ანგარიშის ხელით განხილვას თითოეული მომხმარებლისთვის 6 წუთი სჭირდება, შემთხვევით შერჩეული 100 ანგარიშის განხილვას 10 საათი დასჭირდება. მოდელის გამოყენებით, სავარაუდო რისკების შესარჩევად, განხილვის დრო 10 საათზე რჩება, მაგრამ იზრდება ღირებული მცდელობების რაოდენობა. დასადასტურებელი მეტრიკა მარტივია: თვალყური ადევნეთ, რამდენ მონიშნულ მომხმარებელს დაუკავშირდნენ, რამდენს ჰქონდა რეალურად რისკი და რამდენმა შეინარჩუნა გამოწერა შეტყობინების შემდეგ.

რა შეიძლება არასწორად წავიდეს

მოდელი შეიძლება უკეთესად გამოიყურებოდეს, ვიდრე სინამდვილეშია, თუ მონაცემთა ნაკრები მოიცავს სამომავლო ინფორმაციას, როგორიცაა შეკავების შეთავაზებები, გაუქმების გამოკითხვის პასუხები ან დამხმარე ჩანაწერები, რომლებიც დაწერილია მომხმარებლის წასვლის გადაწყვეტილების შემდეგ.

გუნდი ასევე შეიძლება ავტომატიზაციის მიკერძოებაში ჩავარდეს. „მაღალი რისკის“ ქულამ უნდა გამოიწვიოს ადამიანის მიერ განხორციელებული მიმოხილვა და არა რობოტული ელფოსტა, რომელიც ლოიალურ მომხმარებლებს გააღიზიანებს.

კიდევ ერთი შეცდომა მხოლოდ სიზუსტისკენ სწრაფვაა. თუ მომხმარებელთა მხოლოდ 5% გააუქმებს შეკვეთას, ზარმაცი მოდელი, რომელიც პროგნოზირებს, რომ „არავინ გააუქმებს“ შეიძლება ზუსტად გამოიყურებოდეს, მაგრამ პრაქტიკული ღირებულება არ ჰქონდეს.

პრაქტიკული რჩევები

საუკეთესო ხელოვნური ინტელექტის ალგორითმი ისაა, რომელიც უძლებს რეალურ სამუშაო პროცესთან კონტაქტს. დაიწყეთ საბაზისო დონით, შეამოწმეთ გაჟონვა, გამოსცადეთ ბოლო მონაცემები, გაზომეთ ცრუ განგაში და დარწმუნდით, რომ ადამიანებმა იციან, როდის უნდა დააყენონ ეჭვქვეშ ქულა.

ხშირად დასმული კითხვები

რა არის ხელოვნური ინტელექტის ალგორითმი მარტივად რომ ვთქვათ?

ხელოვნური ინტელექტის ალგორითმი არის მეთოდი, რომელსაც კომპიუტერი იყენებს მონაცემებიდან შაბლონების შესასწავლად და გადაწყვეტილებების მისაღებად. ფიქსირებული „თუ-მაშინ“ წესების ნაცვლად, ის მრავალი მაგალითის ნახვის ან უკუკავშირის მიღების შემდეგ არეგულირებს საკუთარ თავს. მიზანია დროთა განმავლობაში ახალი შეყვანის პროგნოზირების ან კლასიფიკაციის გაუმჯობესება. ის ძლიერია, მაგრამ მაინც შეუძლია თავდაჯერებული შეცდომების დაშვება.

რა განსხვავებაა ხელოვნური ინტელექტის ალგორითმსა და ხელოვნური ინტელექტის მოდელს შორის?

ხელოვნური ინტელექტის ალგორითმი არის სწავლის პროცესი ან ტრენინგის რეცეპტი - როგორ ახლდება სისტემა მონაცემებზე დაყრდნობით. ხელოვნური ინტელექტის მოდელი არის ტრენინგის შედეგი, რომელსაც თქვენ ამუშავებთ ახალი შეყვანის მონაცემების პროგნოზირებისთვის. ერთი და იგივე ხელოვნური ინტელექტის ალგორითმს შეუძლია შექმნას ძალიან განსხვავებული მოდელები მონაცემების, ტრენინგის ხანგრძლივობისა და პარამეტრების მიხედვით. წარმოიდგინეთ „მომზადების პროცესი“ „მზა კერძის“ წინააღმდეგ

როგორ სწავლობს ხელოვნური ინტელექტის ალგორითმი ვარჯიშის დროს და როგორ სწავლობს დასკვნებისგან განსხვავებით?

ტრენინგი არის ის, როდესაც ალგორითმი სწავლობს: ის ხედავს მაგალითებს, აკეთებს პროგნოზებს, ზომავს შეცდომას და არეგულირებს შიდა პარამეტრებს ამ შეცდომის შესამცირებლად. დასკვნა არის ის, როდესაც გაწვრთნილი მოდელი გამოიყენება ახალ შეყვანებზე, როგორიცაა სპამის კლასიფიკაცია ან სურათის მონიშვნა. ტრენინგი არის სწავლის ფაზა; დასკვნა არის გამოყენების ფაზა. ბევრი საკითხი მხოლოდ დასკვნის დროს იჩენს თავს, რადგან ახალი მონაცემები განსხვავებულად იქცევა იმისგან, რაც სისტემამ ისწავლა.

რა არის ხელოვნური ინტელექტის ალგორითმების ძირითადი ტიპები (ზედამხედველობითი, ზედამხედველობის გარეშე, გამაგრებითი)?

ზედამხედველობითი სწავლება იყენებს მონიშნულ მაგალითებს შეყვანიდან გამოსავალზე შესაბამისობის შესასწავლად, მაგალითად, სპამი და არასპამი. ზედამხედველობის გარეშე სწავლებას არ აქვს მონიშნული მაგალითები და ეძებს სტრუქტურას, როგორიცაა კლასტერები ან უჩვეულო ნიმუშები. გაძლიერებული სწავლება სწავლობს ცდისა და შეცდომის მეთოდით ჯილდოების გამოყენებით. ღრმა სწავლება არის ნეირონული ქსელების ტექნიკის უფრო ფართო ოჯახი, რომელსაც შეუძლია რთული ნიმუშების დაფიქსირება, განსაკუთრებით მხედველობისა და ენობრივი ამოცანებისთვის.

როგორ გავიგოთ, რეალურ ცხოვრებაში ხელოვნური ინტელექტის ალგორითმი „კარგია თუ არა“?

კარგი ხელოვნური ინტელექტის ალგორითმი ავტომატურად არ არის ყველაზე რთული - ის არის ის, რომელიც საიმედოდ აღწევს მიზანს. გუნდები აკვირდებიან ისეთ მეტრიკებს, როგორიცაა სიზუსტე, სიზუსტე/გამოძახება, F1, AUC-ROC და კალიბრაცია, შემდეგ კი ამოწმებენ შესრულებას და მის გავლენას დანერგვის პარამეტრებში. სტაბილურობას, ახსნადობას, ეფექტურობას და შენარჩუნებას დიდი მნიშვნელობა აქვს წარმოებაში. ზოგჯერ ქაღალდზე ოდნავ სუსტი მოდელი იმარჯვებს, რადგან მისი მონიტორინგი და ნდობა უფრო ადვილია.

რა არის მონაცემთა გაჟონვა და რატომ აფერხებს ის ხელოვნური ინტელექტის პროექტებს?

მონაცემთა გაჟონვა ხდება მაშინ, როდესაც მოდელი სწავლობს იმ ინფორმაციიდან, რომელიც პროგნოზირების დროს ხელმისაწვდომი არ იქნება. ამან შეიძლება შედეგები ტესტირებისას გასაოცრად გამოიყურებოდეს, ხოლო განლაგების შემდეგ მნიშვნელოვნად ჩავარდეს. კლასიკური მაგალითია შემთხვევითი სიგნალების გამოყენება, რომლებიც ასახავს შედეგის შემდეგ განხორციელებულ ქმედებებს, როგორიცაა შენარჩუნების გუნდთან კონტაქტი გადინების მოდელში. გაჟონვა ქმნის „ყალბ შესრულებას“, რომელიც ქრება რეალურ სამუშაო პროცესში.

რატომ უარესდება ხელოვნური ინტელექტის ალგორითმები დროთა განმავლობაში, მაშინაც კი, თუ ისინი ზუსტი იყო გაშვებისას?

მონაცემები დროთა განმავლობაში იცვლება - მომხმარებლები განსხვავებულად იქცევიან, პოლიტიკა იცვლება ან პროდუქტები ვითარდება, რაც იწვევს კონცეფციის ცვალებადობას. მოდელი იგივე რჩება, თუ არ აკონტროლებთ მუშაობას და არ განაახლებთ მას. მცირე ცვლილებებმაც კი შეიძლება შეამციროს სიზუსტე ან გაზარდოს ცრუ განგაშის რაოდენობა, განსაკუთრებით თუ მოდელი მყიფე იყო. მუდმივი შეფასება, გადამზადება და ფრთხილად განლაგების პრაქტიკა ხელოვნური ინტელექტის სისტემის ჯანმრთელობის შენარჩუნების ნაწილია.

რა არის ყველაზე გავრცელებული ხარვეზები ხელოვნური ინტელექტის ალგორითმის დანერგვისას?

ზედმეტად მორგება მნიშვნელოვანი პრობლემაა: მოდელი შესანიშნავად მუშაობს სასწავლო მონაცემებზე, მაგრამ ცუდად - ახალ მონაცემებზე. მიკერძოებისა და სამართლიანობის პრობლემები შეიძლება წარმოიშვას, რადგან ისტორიული მონაცემები ხშირად შეიცავს ისტორიულ უსამართლობას. არასწორად განლაგებულმა მეტრიკებმა ასევე შეიძლება ჩაძიროს პროექტები - რაც სიზუსტის ოპტიმიზაციას ახდენს, როდესაც მომხმარებლებს სხვა რამ აინტერესებთ. კიდევ ერთი დახვეწილი რისკია ავტომატიზაციის მიკერძოება, როდესაც ადამიანები ზედმეტად ენდობიან მოდელის თავდაჯერებულ შედეგებს და წყვეტენ ორმაგ შემოწმებას.

რას ნიშნავს პრაქტიკაში „სანდო ხელოვნური ინტელექტი“?

სანდო ხელოვნური ინტელექტი არ არის მხოლოდ „მაღალი სიზუსტე“ - ეს არის სასიცოცხლო ციკლის მიდგომა: დაგეგმვა, აწყობა, ტესტირება, განლაგება, მონიტორინგი და განახლება. პრაქტიკაში, თქვენ ეძებთ სისტემებს, რომლებიც არის ვალიდური და საიმედო, უსაფრთხო, დაცული, ანგარიშვალდებული, ახსნილი, კონფიდენციალურობისადმი მგრძნობიარე და მიკერძოებულად შემოწმებული. თქვენ ასევე გჭირდებათ გაუმართაობის რეჟიმები, რომლებიც გასაგები და აღდგენადია. მთავარი იდეაა შეძლოთ იმის დემონსტრირება, რომ ის მუშაობს და უსაფრთხოდ ვერ ხერხდება და არა მხოლოდ იმედი გქონდეთ, რომ ასე მოხდება.

ცნობები

1. Google Developers - მანქანური სწავლების ტერმინთა ლექსიკონი

2. scikit-learn - სიზუსტე, გახსენება, F-ზომა

3. scikit-learn - ROC AUC ქულა

4. გოდარდი და სხვ. - ავტომატიზაციის მიკერძოების სისტემატური მიმოხილვა (PMC სრული ტექსტი)

5. NIST - ხელოვნური ინტელექტის რისკების მართვის ჩარჩო (AI RMF 1.0) PDF

იპოვეთ უახლესი ხელოვნური ინტელექტი ოფიციალურ ხელოვნური ინტელექტის ასისტენტების მაღაზიაში

ჩვენს შესახებ