യഥാർത്ഥത്തിൽ AI എന്താണ്? [വീഡിയോയും ക്വിസും]

ചുരുക്കത്തിൽ: പാറ്റേണുകൾ തിരിച്ചറിയുക, പ്രവചനങ്ങൾ നടത്തുക, ഉള്ളടക്കം സൃഷ്ടിക്കുക, കൂടുതൽ കൂടുതൽ നടപടികൾ സ്വീകരിക്കുക എന്നിവ ഉൾപ്പെടുന്ന കമ്പ്യൂട്ടേഷണൽ ടെക്നിക്കുകളുടെ ഒരു വിശാലമായ കുടുംബമാണ് AI. വിശ്വസനീയമായ വിവരങ്ങൾ, വ്യക്തമായ അനുമതികൾ, മനുഷ്യ അവലോകനം എന്നിവ ഇതിന് ചുറ്റും കെട്ടിപ്പടുക്കുമ്പോൾ ഇത് വളരെ ഫലപ്രദമാകും, എന്നാൽ സുഗമമായ ഔട്ട്‌പുട്ടിനെ ഒരിക്കലും സത്യത്തിന്റെ യാന്ത്രിക തെളിവായി കണക്കാക്കരുത്.

പ്രധാന കാര്യങ്ങൾ:

ഉത്തരവാദിത്തം: പ്രധാനപ്പെട്ട തീരുമാനങ്ങൾക്ക് ആളുകളെ ഉത്തരവാദികളാക്കുക, പ്രത്യേകിച്ച് AI വിലയേറിയ തെറ്റുകൾ വരുത്തുന്നിടത്ത്.

സുതാര്യത: ഒരു AI സിസ്റ്റം എന്ത് വിവരങ്ങൾ, നിയമങ്ങൾ, അനുമതികൾ എന്നിവയെയാണ് ആശ്രയിക്കുന്നതെന്ന് വ്യക്തമാക്കുക.

പരിശോധന: പ്രധാനപ്പെട്ട വസ്തുതാപരമായ, മെഡിക്കൽ, നിയമ, സാമ്പത്തിക, ബിസിനസ് ഫലങ്ങൾ പരിശോധിച്ച് നടപടിയെടുക്കുക.

ഓഡിറ്റബിലിറ്റി: പ്രതിനിധി കേസുകൾ ഉപയോഗിച്ച് AI പരീക്ഷിക്കുകയും കാര്യക്ഷമത നേട്ടങ്ങളും അവതരിപ്പിച്ച പിശകുകളും രേഖപ്പെടുത്തുകയും ചെയ്യുക.

ദുരുപയോഗ പ്രതിരോധം: ആക്‌സസ് പരിമിതപ്പെടുത്തുക, പിന്തുണയ്‌ക്കാത്ത പ്രവർത്തനങ്ങൾ തടയുക, അനിശ്ചിതമായ കേസുകൾ മനുഷ്യ അവലോകകർക്ക് കൈമാറുക.

1. AI എന്താണ്, ശരിക്കും? ലളിതമായ വിശദീകരണം

മനുഷ്യബുദ്ധിയുമായി ബന്ധപ്പെട്ട ജോലികൾ ചെയ്യാൻ കഴിയുന്ന കമ്പ്യൂട്ടർ സംവിധാനങ്ങളെയാണ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് അഥവാ AI എന്ന് പറയുന്നത്

ആ ജോലികളിൽ ഇവ ഉൾപ്പെട്ടേക്കാം:

• ഭാഷ മനസ്സിലാക്കൽ

• ചിത്രങ്ങളിലെ വസ്തുക്കളെ തിരിച്ചറിയൽ

• അടുത്തതായി എന്ത് സംഭവിക്കുമെന്ന് പ്രവചിക്കുന്നു

• ശുപാർശകൾ നൽകുന്നു

• വാചകം, ചിത്രങ്ങൾ, ഓഡിയോ അല്ലെങ്കിൽ വീഡിയോ സൃഷ്ടിക്കൽ

• വലിയ ഡാറ്റാസെറ്റുകളിലെ പാറ്റേണുകൾ കണ്ടെത്തൽ

• ലഭ്യമായ വിവരങ്ങളുടെ അടിസ്ഥാനത്തിൽ തീരുമാനങ്ങൾ എടുക്കൽ

• ഉദാഹരണങ്ങളിൽ നിന്ന് പഠിക്കുന്നു

• ചില തരത്തിലുള്ള പ്രശ്നങ്ങൾ പരിഹരിക്കൽ

ഒരു കാര്യം ഇവിടെ പ്രധാനമാണ്.

ബുദ്ധിപരമായി തോന്നിക്കുന്ന ഫലങ്ങൾ ഉണ്ടാക്കാൻ AI ഒരു മനുഷ്യനെപ്പോലെ ചിന്തിക്കേണ്ടതില്ല .

ഒരു ചെസ്സ് പ്രോഗ്രാം അതിന്റെ ബിഷപ്പിനെ ത്യാഗം ചെയ്യുന്നത് വൈകാരികമായി ശരിയാണോ എന്ന് ആശങ്കപ്പെടുന്നില്ല. ഒരു ശുപാർശ അൽഗോരിതം അത് നിങ്ങളോട് നിർദ്ദേശിക്കുന്ന ഡോക്യുമെന്ററിയോട് വ്യക്തിപരമായ അടുപ്പം വളർത്തിയെടുക്കുന്നില്ല. ഒരു ഭാഷാ മോഡലിന് കമ്പ്യൂട്ടറിനുള്ളിൽ താമസിക്കുന്ന ഒരു ചെറിയ ഇംഗ്ലീഷ് അധ്യാപകന്റെ ആവശ്യമില്ല.

പകരം, ഈ സിസ്റ്റങ്ങൾ ഗണിതശാസ്ത്ര മോഡലുകൾ, അൽഗോരിതങ്ങൾ, പരിശീലന ഡാറ്റ, നിയമങ്ങൾ, സാധ്യതകൾ, വലിയ അളവിലുള്ള കമ്പ്യൂട്ടേഷൻ എന്നിവ ഉപയോഗിച്ച് വിവരങ്ങൾ പ്രോസസ്സ് ചെയ്യുന്നു.

അന്തിമഫലം അതിശയകരമാംവിധം മാനുഷികമായി തോന്നാം.

എന്നാൽ താഴെയുള്ള സംവിധാനം വളരെ വ്യത്യസ്തമാണ്.

ആ വ്യത്യാസം ആളുകൾ ചിലപ്പോൾ തിരിച്ചറിയുന്നതിനേക്കാൾ പ്രധാനമാണ്.

2. AI ഒരു റോബോട്ട് ബ്രെയിൻ പോലെയല്ല, മറിച്ച് ഒരു പ്രവചന യന്ത്രം പോലെയാണ്

"കൃത്രിമബുദ്ധി" എന്ന് കേൾക്കുമ്പോൾ ആളുകൾ പലപ്പോഴും ഒരു കൃത്രിമ മനുഷ്യ മസ്തിഷ്കത്തോട് സാമ്യമുള്ള എന്തെങ്കിലും സങ്കൽപ്പിക്കുന്നു.

ഇത് മനസ്സിലാക്കാവുന്നതേയുള്ളൂ. പതിറ്റാണ്ടുകളായി ശാസ്ത്ര ഫിക്ഷൻ AI-ക്ക് തിളങ്ങുന്ന കണ്ണുകൾ, അശുഭകരമായ ശബ്ദങ്ങൾ, സംശയാസ്പദമായ ശക്തമായ അഭിപ്രായങ്ങൾ, സാധാരണയായി ഒരുതരം ലോഹ അസ്ഥികൂടം എന്നിവ നൽകിയിട്ടുണ്ട്.

പ്രായോഗിക AI പൊതുവെ സിനിമാറ്റിക് കുറവാണ്.

പല ആധുനിക AI സിസ്റ്റങ്ങളും പ്രവചനത്തിലൂടെയാണ്.

ഒരു ഭാഷാ മാതൃക പരിഗണിക്കുക.

നിങ്ങൾ ടൈപ്പ് ചെയ്യുമ്പോൾ:

"പൂച്ച അതിൽ ഇരുന്നു..."

സ്ഥിതിവിവരക്കണക്കനുസരിച്ച് അടുത്തതായി വരാൻ സാധ്യതയുള്ള വാക്കുകൾ ഏതൊക്കെയാണെന്ന് സിസ്റ്റം വിലയിരുത്തുന്നു.

ഒരുപക്ഷേ:

• പായ

• തറ

• സോഫ

• കസേര

ഒരു വാചകം മനഃപാഠമാക്കി അത് വീണ്ടെടുക്കുക മാത്രമല്ല ചെയ്യുന്നത്. വാക്കുകൾ, ആശയങ്ങൾ, വാക്യഘടനകൾ, ആശയങ്ങൾ, ശൈലികൾ, വസ്തുതകൾ, പാറ്റേണുകൾ എന്നിവ തമ്മിലുള്ള സങ്കീർണ്ണമായ ബന്ധങ്ങൾ പഠിച്ചുകൊണ്ട് വേണ്ടത്ര പുരോഗമിച്ച ഒരു മാതൃക വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്.

പിന്നീട് സന്ദർഭത്തിന് ഏറ്റവും അനുയോജ്യമായ ക്രമം അത് പ്രവചിക്കുന്നു. അടുത്ത വാക്ക് നന്നായി പ്രവചിക്കാൻ ഭാഷയെക്കുറിച്ച് ധാരാളം പഠിക്കേണ്ടതുണ്ട്.

ഭാഷയിൽ... ശരി, അടിസ്ഥാനപരമായി മനുഷ്യർ സംസാരിക്കുന്നതെല്ലാം അടങ്ങിയിരിക്കുന്നു.

ചരിത്രം. ഗണിതം. പാചകം. പ്രോഗ്രാമിംഗ്. ബന്ധങ്ങൾ. ഭൗതികശാസ്ത്രം. പൈനാപ്പിൾ പിസ്സയിലുണ്ടോ എന്നതിനെക്കുറിച്ചുള്ള വാദങ്ങൾ.

അതുകൊണ്ട് അടിസ്ഥാനപരമായി തോന്നുന്ന ഒരു പ്രവചന ജോലിക്ക് അതിശയകരമാംവിധം സങ്കീർണ്ണമായ പെരുമാറ്റം സൃഷ്ടിക്കാൻ കഴിയും.

തീർച്ചയായും ഈ രൂപകത്തിന് പരിധികളുണ്ട്. നൂതന AI-യെ "വെറും ഓട്ടോകംപ്ലീറ്റ്" എന്ന് വിളിക്കുന്നത് ഒരു വിമാനത്തെ "ചിറകുകളുള്ള കുറച്ച് ലോഹം" എന്ന് വിളിക്കുന്നത് പോലെയാണ്. സാങ്കേതികമായി പറഞ്ഞാൽ, അവിടെ യഥാർത്ഥമായ എന്തോ ഒളിഞ്ഞിരിപ്പുണ്ട്, പക്ഷേ രസകരമായ മിക്ക ഭാഗങ്ങളും അപ്രത്യക്ഷമായിരിക്കുന്നു.

3. കൃത്രിമബുദ്ധി എങ്ങനെ പഠിക്കുന്നു?

ഇവിടെയാണ് മെഷീൻ ലേണിംഗ് സംഭാഷണത്തിലേക്ക് പ്രവേശിക്കുന്നത്.

പരമ്പരാഗത സോഫ്റ്റ്‌വെയർ സാധാരണയായി വ്യക്തമായ നിർദ്ദേശങ്ങളിലൂടെയാണ് പ്രവർത്തിക്കുന്നത്.

ഒരു പ്രോഗ്രാമർ ഇങ്ങനെ എഴുതിയേക്കാം:

• ഉപയോക്താവ് ശരിയായ പാസ്‌വേഡ് നൽകിയാൽ, ആക്‌സസ് അനുവദിക്കുക.

• താപനില ഒരു നിശ്ചിത പരിധി കവിയുന്നുവെങ്കിൽ, തണുപ്പിക്കൽ സജീവമാക്കുക.

• ഒരു ഇനം സ്റ്റോക്കില്ലെങ്കിൽ, ഒരു മുന്നറിയിപ്പ് പ്രദർശിപ്പിക്കുക.

ആ നിർദ്ദേശങ്ങൾ മനഃപൂർവ്വം പ്രോഗ്രാം ചെയ്തതാണ്.

മെഷീൻ ലേണിംഗ് പ്രക്രിയയെ മാറ്റിമറിക്കുന്നു.

ഓരോ നിയമവും സ്വമേധയാ നിർവചിക്കുന്നതിനുപകരം, ഡെവലപ്പർമാർ ഒരു സിസ്റ്റത്തിന് ഉദാഹരണങ്ങളോ ഡാറ്റയോ നൽകുകയും പാറ്റേണുകൾ കണ്ടെത്താൻ അനുവദിക്കുകയും ചെയ്യുന്നു.

ഫോട്ടോഗ്രാഫുകളിൽ പൂച്ചകളെ തിരിച്ചറിയാൻ കഴിയുന്ന സോഫ്റ്റ്‌വെയർ നിർമ്മിക്കാൻ ശ്രമിക്കുന്നത് സങ്കൽപ്പിക്കുക.

വ്യക്തമായ നിയമങ്ങൾ എഴുതുന്നത് വളരെ പെട്ടെന്ന് തന്നെ പരിഹാസ്യമാകും.

നിങ്ങൾക്ക് ശ്രമിക്കാം:

• ത്രികോണാകൃതിയിലുള്ള ചെവികൾ നോക്കൂ.

• മീശ നോക്കൂ.

• നാല് കാലുകൾ നോക്കൂ.

• രോമങ്ങൾ നോക്കൂ.

പിന്നെ ആരോ ഒരു കുറുക്കന്റെ ചിത്രം അപ്‌ലോഡ് ചെയ്യുന്നു.

തീരെയില്ല.

അല്ലെങ്കിൽ ഒരു കടുവ.

അല്ലെങ്കിൽ കാലുകൾ കാണാൻ പോലും പറ്റാത്ത ഒരു അവ്യക്തമായ പൊട്ടിലേക്ക് ചുരുണ്ടുകൂടിയ ഒരു പൂച്ച.

മെഷീൻ ലേണിംഗ് പ്രശ്നത്തെ വ്യത്യസ്തമായി സമീപിക്കുന്നു. ഒരു മോഡലിന് ഉദാഹരണങ്ങളുടെ വലിയ ശേഖരത്തിൽ പരിശീലനം നൽകാനും പൂച്ചകളുമായി ബന്ധപ്പെട്ട ദൃശ്യ പാറ്റേണുകൾ ഏതൊക്കെയാണെന്ന് ക്രമേണ മനസ്സിലാക്കാനും കഴിയും.

ഒരു കൊച്ചുകുട്ടി പഠിക്കുന്നതുപോലെയല്ല ഇത് "പൂച്ച" എന്ന് പഠിക്കുന്നത്.

എന്നാൽ ഗണിതശാസ്ത്രപരമായി, മോഡലിന് വിഭാഗവുമായി ബന്ധപ്പെട്ട പാറ്റേണുകൾ തിരിച്ചറിയാൻ കൂടുതൽ കഴിവുണ്ടാകുന്നു.

ചുരുക്കത്തിൽ അതാണ് മെഷീൻ ലേണിംഗ് - ചുരുക്കത്തിൽ തന്നെ ലീനിയർ ബീജഗണിതത്തിന്റെ നിരവധി വെയർഹൗസുകൾ അടങ്ങിയിരിക്കുന്നു.

4. AI vs മെഷീൻ ലേണിംഗ് vs ഡീപ് ലേണിംഗ്

ഈ പദങ്ങൾ നിരന്തരം കൂടിച്ചേർന്നിരിക്കുന്നു, കാരണം ആളുകൾ "AI" എന്നത് എല്ലാത്തിനും ഒരു കുട പദപ്രയോഗമായി ഉപയോഗിക്കുന്നു.

അവയെ വേർതിരിക്കാനുള്ള ഒരു ലളിതമായ മാർഗം ഇതാ.

കൃത്രിമബുദ്ധി വിശാലമായ ഒരു മേഖലയാണ്.

AI സിസ്റ്റങ്ങൾ സൃഷ്ടിക്കാൻ ഉപയോഗിക്കുന്ന ഒരു സമീപനമാണ് മെഷീൻ ലേണിംഗ്

ഒന്നിലധികം ലെയറുകളുള്ള വലിയ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഉൾപ്പെടുന്ന ഒരു പ്രത്യേക തരം മെഷീൻ ലേണിംഗാണ് ഡീപ് ലേണിംഗ്

പിന്നെ ജനറേറ്റീവ് AI ഉണ്ട് , അത് ടെക്സ്റ്റ്, ഇമേജുകൾ, സംഗീതം, കോഡ്, സ്പീച്ച് അല്ലെങ്കിൽ വീഡിയോ പോലുള്ള പുതിയ ഔട്ട്പുട്ടുകൾ സൃഷ്ടിക്കുന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു.

താരതമ്യ പട്ടിക

കാലാവധി	സാധാരണ ഉപയോഗം	അടിസ്ഥാനപരമായി എന്താണ് അർത്ഥമാക്കുന്നത്	അതിനെക്കുറിച്ച് ചിന്തിക്കാനുള്ള ഒരു ദ്രുത മാർഗം
നിർമ്മിത ബുദ്ധി	ബുദ്ധിപരമായി തോന്നിക്കുന്ന ജോലികൾ ചെയ്യുന്ന യന്ത്രങ്ങളുടെ വിശാലമായ വിഭാഗം	റോബോട്ടിക്സ്, സഹായികൾ, ആസൂത്രണം, ശുപാർശകൾ	വലിയ കുട
മെഷീൻ ലേണിംഗ്	ഡാറ്റയിൽ നിന്നുള്ള സിസ്റ്റം പഠന രീതികൾ	തട്ടിപ്പ് കണ്ടെത്തൽ, ശുപാർശകൾ, പ്രവചനങ്ങൾ	ഉദാഹരണങ്ങളിൽ നിന്ന് പഠിക്കുന്നു
ആഴത്തിലുള്ള പഠനം	മൾട്ടി-ലെയർ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഉപയോഗിച്ചുള്ള മെഷീൻ ലേണിംഗ്	ദർശനം, സംസാരം, നൂതന ഭാഷാ മാതൃകകൾ	ML, പക്ഷേ വളരെ ആഴത്തിൽ... അക്ഷരാർത്ഥത്തിൽ
ജനറേറ്റീവ് AI	പുതിയ ഉള്ളടക്കം നിർമ്മിക്കാൻ രൂപകൽപ്പന ചെയ്‌തിരിക്കുന്ന AI	വാചകം, ചിത്രങ്ങൾ, കോഡ്, ഓഡിയോ	സൃഷ്ടിപരമായ ശാഖ
ഓട്ടോമേഷൻ	മുൻകൂട്ടി നിശ്ചയിച്ച പ്രക്രിയകൾ പിന്തുടരുന്ന സോഫ്റ്റ്‌വെയർ	ആവർത്തിച്ചുള്ള വർക്ക്ഫ്ലോകൾ, ഡാറ്റ എൻട്രി	സാധാരണയായി നിയമങ്ങൾ, "പഠനം" അല്ല

എല്ലാ ഓട്ടോമേറ്റഡ് സിസ്റ്റവും AI അല്ലാത്തതിനാൽ ഈ വ്യത്യാസം പ്രധാനമാണ്.

പത്ത് മിനിറ്റിനുശേഷം നിങ്ങളുടെ കോഫി മെഷീൻ സ്വയം ഓഫാകുകയാണെങ്കിൽ, അഭിനന്ദനങ്ങൾ - നിങ്ങൾക്ക് ഒരു കൃത്രിമ ബുദ്ധി ലബോറട്ടറി സ്വന്തമായിരിക്കില്ലായിരിക്കാം.

ഇത് വെറും ഒരു ടൈമർ ആണ്.

5. ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ എന്തൊക്കെയാണ്?

ജൈവ ന്യൂറോണുകളിൽ നിന്ന് പ്രചോദനം ഉൾക്കൊണ്ട ഗണിതശാസ്ത്ര സംവിധാനങ്ങളാണ് ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ.

ആ വാചകം അവരെ നിഗൂഢമായി തോന്നിപ്പിക്കുന്നു. കമ്പ്യൂട്ടറുകൾക്കുള്ളിൽ പൊങ്ങിക്കിടക്കുന്ന കൃത്രിമ തലച്ചോറുകളല്ല അവ.

വിവരങ്ങൾ പ്രോസസ്സ് ചെയ്യുന്ന പരസ്പരബന്ധിതമായ ഗണിത യൂണിറ്റുകൾ ഒരു ന്യൂറൽ നെറ്റ്‌വർക്കിൽ അടങ്ങിയിരിക്കുന്നു.

പരിശീലന സമയത്ത്, നെറ്റ്‌വർക്ക് പാരാമീറ്ററുകൾ അല്ലെങ്കിൽ വെയ്റ്റുകൾ.

ആ ക്രമീകരണങ്ങൾ സിസ്റ്റത്തെ വിലയേറിയ ഔട്ട്‌പുട്ടുകൾ നിർമ്മിക്കുന്നതിൽ മികച്ചതാക്കാൻ അനുവദിക്കുന്നു.

കോടിക്കണക്കിന് ചെറിയ ക്രമീകരിക്കാവുന്ന നോബുകളുള്ള ഒരു അസംബന്ധമായി സങ്കീർണ്ണമായ നിയന്ത്രണ പാനലായി ഇതിനെ കരുതുക.

പരിശീലനം ആ മുട്ടുകളെ വീണ്ടും വീണ്ടും തട്ടുന്നു.

തെറ്റായ ഉത്തരം?

നോബുകൾ ക്രമീകരിക്കുക.

കൂടുതൽ നല്ല ഉത്തരം?

അവയെ വ്യത്യസ്തമായി ക്രമീകരിക്കുക.

ആവശ്യത്തിന് ഡാറ്റയും ആവശ്യത്തിന് കമ്പ്യൂട്ടിംഗ് പവറും ഉപയോഗിച്ച് ഇത് ആവശ്യത്തിന് തവണ ചെയ്യുക, അപ്പോൾ നെറ്റ്‌വർക്ക് പാറ്റേണുകൾ തിരിച്ചറിയാനും സൃഷ്ടിക്കാനും അനുവദിക്കുന്ന സങ്കീർണ്ണമായ ആന്തരിക പ്രാതിനിധ്യങ്ങൾ വികസിപ്പിക്കാൻ തുടങ്ങും.

തീർച്ചയായും, "നോബുകൾ ക്രമീകരിക്കുക" എന്ന് പറയുമ്പോൾ പതിറ്റാണ്ടുകളുടെ കമ്പ്യൂട്ടർ സയൻസ് ആരോ ഒരു പഴയ റേഡിയോ ട്യൂൺ ചെയ്യുന്നത് പോലെ തോന്നും... പക്ഷേ ഒരു മാനസിക മാതൃക എന്ന നിലയിൽ, അത് ശ്രദ്ധേയമായി നന്നായി പ്രവർത്തിക്കുന്നു.

6. AI പെട്ടെന്ന് ഇത്ര സ്മാർട്ടായി തോന്നാൻ കാരണം

കൃത്രിമബുദ്ധി എന്നത് ഒരു രാത്രി കൊണ്ട് ഉണ്ടായ ഒരു കണ്ടുപിടുത്തമല്ല.

അടിസ്ഥാന ഫീൽഡ് വളരെക്കാലമായി നിലവിലുണ്ട്.

പല ശക്തികളും ഒരുമിച്ച് ത്വരിതഗതിയിലാകുന്നതാണ് മാറ്റം വരുത്തിയത്.

കൂടുതൽ കമ്പ്യൂട്ടിംഗ് പവർ

ആധുനിക പ്രോസസ്സറുകൾക്ക് വളരെയധികം കണക്കുകൂട്ടലുകൾ വേഗത്തിൽ നടത്താൻ കഴിയും, പ്രത്യേകിച്ച് ന്യൂറൽ നെറ്റ്‌വർക്കുകൾക്ക് ആവശ്യമായ കണക്കുകൂട്ടലുകൾ. പരിശീലന കമ്പ്യൂട്ടിംഗിലെ ആധുനിക AI സിസ്റ്റങ്ങളിലെ പുരോഗതിയുടെ ഒരു പ്രധാന ചാലകശക്തിയാണ്.

കൂടുതൽ ഡാറ്റ

ഡിജിറ്റൽ ലോകത്ത് വൻതോതിലുള്ള വാചകം, ചിത്രങ്ങൾ, ഓഡിയോ, വീഡിയോ, കോഡ്, ഘടനാപരമായ വിവരങ്ങൾ എന്നിവ അടങ്ങിയിരിക്കുന്നു.

സങ്കീർണ്ണമായ മോഡലുകളെ പരിശീലിപ്പിക്കുന്നതിന് ഉദാഹരണങ്ങൾ ആവശ്യമാണ് - അവയിൽ ധാരാളം.

മികച്ച അൽഗോരിതങ്ങൾ

AI സിസ്റ്റങ്ങളെ പരിശീലിപ്പിക്കാൻ ഉപയോഗിക്കുന്ന വാസ്തുവിദ്യകളും രീതികളും ഗവേഷകർ തുടർച്ചയായി മെച്ചപ്പെടുത്തുന്നു.

വലിയ മോഡലുകൾ

പാരാമീറ്ററുകളുടെ എണ്ണം വർദ്ധിപ്പിക്കൽ, ഡാറ്റാസെറ്റുകൾ മെച്ചപ്പെടുത്തൽ, കമ്പ്യൂട്ടേഷൻ വർദ്ധിപ്പിക്കൽ എന്നിവ പലപ്പോഴും അത്ഭുതകരമാംവിധം കഴിവുള്ള മോഡലുകൾ സൃഷ്ടിച്ചിട്ടുണ്ട്. കമ്പ്യൂട്ട്-ഒപ്റ്റിമൽ ലാംഗ്വേജ്-മോഡൽ പരിശീലനത്തെക്കുറിച്ചുള്ള ഗവേഷണം കാണിക്കുന്നത് പാരാമീറ്ററുകളുടെ എണ്ണം പരമാവധിയാക്കുന്നതിനുപകരം മോഡൽ വലുപ്പം, ഡാറ്റ, കമ്പ്യൂട്ട് എന്നിവ സന്തുലിതമാക്കേണ്ടതുണ്ടെന്നാണ്.

മികച്ച ഇന്റർഫേസുകൾ

ഈ ഭാഗം കുറച്ചുകാണാൻ എളുപ്പമാണ്.

ദൈനംദിന ഭാഷയിലൂടെ സാധാരണക്കാർക്ക് ഇപ്പോൾ നൂതന സംവിധാനങ്ങളുമായി സംവദിക്കാൻ കഴിയുന്നതിനാൽ AI നാടകീയമായി കൂടുതൽ എളുപ്പത്തിൽ ഉപയോഗിക്കാവുന്നതായി തോന്നുന്നു.

നിങ്ങൾക്ക് പ്രോഗ്രാമിംഗ് മനസ്സിലാകണമെന്നില്ല.

നിങ്ങൾക്ക് ലളിതമായി ചോദിക്കാം:

"എനിക്ക് പന്ത്രണ്ട് വയസ്സുള്ളതുപോലെ മോർട്ട്ഗേജുകൾ വിശദീകരിക്കുക."

അല്ലെങ്കിൽ:

"ഈ മീറ്റിംഗ് കുറിപ്പുകൾ ഒരു ഇമെയിലാക്കി മാറ്റുക."

അല്ലെങ്കിൽ:

"ചിക്കൻ, ചോറ്, എന്റെ റഫ്രിജറേറ്ററിൽ പതുക്കെ നശിച്ചുകൊണ്ടിരിക്കുന്ന പച്ചക്കറികൾ എന്നിവ ഉപയോഗിച്ച് അഞ്ച് അത്താഴ ഐഡിയകൾ എനിക്ക് തരൂ."

ആ ഇന്റർഫേസ് മാറ്റം വളരെ വലുതാണ്.

ആളുകൾക്ക് ഒരു മാനുവൽ ഉപയോഗിക്കേണ്ടിവരുന്നത് അവസാനിച്ചുകഴിഞ്ഞാൽ, സാങ്കേതികവിദ്യയുടെ ജനപ്രീതി അതിവേഗം വർദ്ധിക്കും.

7. നിങ്ങൾ ഒരു ചോദ്യം ചോദിക്കുമ്പോൾ AI എന്താണ് ചെയ്യുന്നത്?

ഒരു ആധുനിക AI സഹായിയെ പരിഗണിക്കുക.

നിങ്ങൾ ടൈപ്പ് ചെയ്യുക:

"അഞ്ച് വയസ്സുള്ള ഒരു കുട്ടിക്ക് ഗുരുത്വാകർഷണബലം വിശദീകരിച്ചു കൊടുക്കൂ."

തിരശ്ശീലയ്ക്ക് പിന്നിൽ, സിസ്റ്റം നിങ്ങളുടെ വാചകത്തെ ടോക്കണുകൾ.

ടോക്കണുകൾ പൂർണ്ണമായ വാക്കുകൾ, വാക്കുകളുടെ ഭാഗങ്ങൾ, ചിഹ്നന ചിഹ്നങ്ങൾ അല്ലെങ്കിൽ ഭാഷയുടെ മറ്റ് ഭാഗങ്ങൾ എന്നിവയെ പ്രതിനിധീകരിക്കുന്നു.

ആ ടോക്കണുകൾ മോഡലിലൂടെയാണ് പ്രോസസ്സ് ചെയ്യുന്നത്.

നിങ്ങളുടെ അഭ്യർത്ഥനയുടെ വിവിധ ഭാഗങ്ങൾ തമ്മിലുള്ള ബന്ധങ്ങൾ മോഡൽ പരിശോധിക്കുകയും, സന്ദർഭം പരിഗണിക്കുകയും, സഹായകരമായ ഒരു തുടർച്ച പ്രവചിക്കുകയും ചെയ്യുന്നു.

പിന്നെ മറ്റൊരു ടോക്കൺ.

പിന്നെ മറ്റൊന്ന്.

പിന്നെ മറ്റൊന്ന്.

ഇത് വളരെ വേഗത്തിൽ സംഭവിക്കുന്നു.

തത്ഫലമായുണ്ടാകുന്ന ഖണ്ഡിക ആരോ ഒരു പൂർണ്ണമായ ചിന്തയായി രചിച്ചതായി തോന്നുന്നു, പക്ഷേ സാങ്കേതികമായി അത് തുടർച്ചയായി സൃഷ്ടിച്ചതാണ്.

അത് AI-യുടെ കൂടുതൽ സവിശേഷമായ സവിശേഷതകളിൽ ഒന്നാണ്.

അടിസ്ഥാന പ്രക്രിയ സാധ്യതയുള്ളതാണെങ്കിൽ പോലും, ഔട്ട്‌പുട്ട് മനഃപൂർവമാണെന്ന് തോന്നാം.

ഒരു ഭീമൻ ഡാറ്റാബേസിൽ നിന്ന് തയ്യാറാക്കിയ ഉത്തരം പുറത്തെടുക്കുന്നതിനേക്കാൾ ഇത് ഇംപ്രൊവൈസേഷനെ പോലെയാണ്.

തീർച്ചയായും, കൃത്യമായ മെച്ചപ്പെടുത്തൽ അല്ല - പക്ഷേ രൂപകത്തിന് അതിന്റെ ഉച്ചഭക്ഷണം നേടാൻ കഴിയുന്നത്ര അടുത്ത്.

8. AI കാര്യങ്ങൾ മനസ്സിലാക്കുന്നുണ്ടോ?

ഈ ചോദ്യം വളരെ പെട്ടെന്ന് തന്നെ തത്വശാസ്ത്രപരമാകുന്നു.

ഒരു AI സിസ്റ്റത്തിന് ഭാഷ ശരിക്കും "മനസ്സിലാകുമോ"?

ഉത്തരം നിങ്ങൾ എന്താണ് മനസ്സിലാക്കുന്നത് എന്നതിനെ ആശ്രയിച്ചിരിക്കും.

ആധുനിക AI മോഡലുകൾക്ക് ആശയങ്ങളെ സങ്കീർണ്ണമായ രീതിയിൽ വ്യക്തമായി കൈകാര്യം ചെയ്യാൻ കഴിയും.

അവർക്ക് ഇവ ചെയ്യാനാകും:

• ആശയങ്ങൾ വിശദീകരിക്കുക

• വാദങ്ങൾ താരതമ്യം ചെയ്യുക

• വാചകം മാറ്റിയെഴുതുക

• ഭാഷകൾ വിവർത്തനം ചെയ്യുക

• നിരവധി ഘടനാപരമായ പ്രശ്നങ്ങൾ പരിഹരിക്കുക

• വർക്കിംഗ് കോഡ് സൃഷ്ടിക്കുക

• പാറ്റേണുകൾ തിരിച്ചറിയുക

• സങ്കീർണ്ണമായ നിർദ്ദേശങ്ങൾ പാലിക്കുക

• ആശയങ്ങളെ പുതിയ രീതിയിൽ സംയോജിപ്പിക്കുക

പുറമേ നിന്ന് നോക്കുമ്പോൾ, അത് മനസ്സിലാക്കൽ പോലെ തോന്നാം.

എന്നാൽ യന്ത്രബുദ്ധിക്കും മനുഷ്യന്റെ അറിവിനും ഇടയിൽ പ്രധാന വ്യത്യാസങ്ങളുണ്ട്.

മനുഷ്യർ ഭൗതിക ലോകം അനുഭവിക്കുന്നു.

വിശപ്പ്, വേദന, നാണക്കേട്, വിരസത, വാത്സല്യം, പിന്നെ നിങ്ങളുടെ ഫോൺ 2 ശതമാനം ബാറ്ററിയിലാണെന്ന് അറിയുമ്പോഴുള്ള ഒരു പ്രത്യേക പരിഭ്രാന്തിയും നമുക്ക് അനുഭവപ്പെടുന്നു.

AI സിസ്റ്റങ്ങൾക്ക് തുല്യമായ ഒരു ജീവിതാനുഭവം ഉണ്ടാകണമെന്നില്ല.

അവർ പ്രതിനിധാനങ്ങളെ പ്രോസസ്സ് ചെയ്യുന്നു.

അതുകൊണ്ട് ഒരു AI എന്തെങ്കിലും "മനസ്സിലാക്കുമോ" എന്ന് ചോദിക്കുന്നത് ഒരു അന്തർവാഹിനി നീന്തുമോ എന്ന് ചോദിക്കുന്നതിന് തുല്യമാണ്.

അത് തീർച്ചയായും വെള്ളത്തിലൂടെ സഞ്ചരിക്കും.

പക്ഷേ "നീന്തൽ" എന്നത് തികച്ചും ശരിയായ പദമല്ലായിരിക്കാം.

9. എന്താണ് സത്യമെന്ന് AI യാന്ത്രികമായി അറിയുന്നില്ല

ജനറേറ്റീവ് AI-യെക്കുറിച്ചുള്ള ഏറ്റവും പ്രധാനപ്പെട്ട പോയിന്റുകളിൽ ഒന്നാണിത്.

പ്രസ്താവന ശരിയല്ലെങ്കിലും, ഒരു മോഡലിന് അത്യധികം ബോധ്യപ്പെടുത്തുന്ന ഒരു പ്രസ്താവന സൃഷ്ടിക്കാൻ കഴിയും.

എന്തുകൊണ്ട്?

കാരണം വിശ്വസനീയമായ ഭാഷ സൃഷ്ടിക്കുന്നതും വസ്തുനിഷ്ഠമായ സത്യം പരിശോധിക്കുന്നതും വ്യത്യസ്ത പ്രശ്നങ്ങളാണ്.

ഒരു AI സിസ്റ്റം അനിശ്ചിതത്വം നേരിടുകയും ആത്മവിശ്വാസം നൽകുന്ന ഉത്തരം നൽകുകയും ചെയ്തേക്കാം.

ഈ പിശകുകളെ പലപ്പോഴും ഹാലുസിനേഷനുകൾ എന്ന് വിളിക്കുന്നു .

ഉദാഹരണത്തിന്, AI:

• ഒരു സ്റ്റാറ്റിസ്റ്റിക് കണ്ടുപിടിക്കുക

• ഒരു ഉദ്ധരണി തെറ്റായി ആട്രിബ്യൂട്ട് ചെയ്യുക

• സമാനമായ രണ്ട് ആളുകളെ ആശയക്കുഴപ്പത്തിലാക്കുക

• നിലവിലില്ലാത്ത റഫറൻസുകൾ നിർമ്മിക്കുക

• അവ്യക്തമായ നിർദ്ദേശങ്ങൾ തെറ്റായി വ്യാഖ്യാനിക്കുക

• സൂക്ഷ്മമായ ഗണിത പിശകുകൾ വരുത്തുക

ഭാഷാ മോഡലുകൾക്ക് കെട്ടിച്ചമച്ച ഉദ്ധരണികൾ, പഠനങ്ങൾ, ഉദ്ധരണികൾ, മറ്റ് തെറ്റായ വിവരങ്ങൾ എന്നിവ ആത്മവിശ്വാസത്തോടെ അവതരിപ്പിക്കാൻ കഴിയും. ആത്മവിശ്വാസത്തോടെ പ്രസ്താവിച്ച തെറ്റായ ഉള്ളടക്കത്തെയും കെട്ടിച്ചമച്ച ഉദ്ധരണികളെയും ഒരു ജനറേറ്റീവ്-AI അപകടസാധ്യതയായി NIST പ്രത്യേകമായി തിരിച്ചറിയുന്നു.

വിരോധാഭാസമെന്നു പറയട്ടെ, ഈ സംവിധാനങ്ങൾ കൂടുതൽ കഴിവുള്ളതായിരിക്കുമ്പോൾ, ഇത് മറക്കാൻ എളുപ്പമാകും.

മിനുക്കിയ ഭാഷ ആത്മവിശ്വാസം സൃഷ്ടിക്കുന്നു.

എന്നാൽ ആത്മവിശ്വാസം തെളിവല്ല.

വൈദ്യശാസ്ത്രം, നിയമം, ധനകാര്യം, സുരക്ഷ അല്ലെങ്കിൽ പ്രധാന ബിസിനസ്സ് തീരുമാനങ്ങൾ പോലുള്ള മേഖലകൾ ഉൾപ്പെടുന്ന ഉയർന്ന ഓഹരി വിവരങ്ങൾക്ക്, സ്ഥിരീകരണം ഇപ്പോഴും പ്രധാനമാണ്.

വളരെ കുറച്ച്.

10. AI ഒരു സെർച്ച് എഞ്ചിന് തുല്യമല്ല

മറ്റൊരു പൊതു തെറ്റിദ്ധാരണ AI-യെയും തിരയലിനെയും ഒരേ കാര്യമായി കണക്കാക്കുന്നു എന്നതാണ്.

അവർ അങ്ങനെയല്ല.

നിലവിലുള്ള വിവരങ്ങൾ കണ്ടെത്താൻ പരമ്പരാഗത സെർച്ച് എഞ്ചിൻ പ്രാഥമികമായി സഹായിക്കുന്നു.

ഒരു ജനറേറ്റീവ് AI സിസ്റ്റം പ്രാഥമികമായി പഠിച്ച പാറ്റേണുകൾ, നൽകിയിരിക്കുന്ന സന്ദർഭം, അതിന് ആക്‌സസ് ഉള്ള അധിക ഉപകരണങ്ങൾ എന്നിവയെ അടിസ്ഥാനമാക്കി ഒരു പ്രതികരണം സൃഷ്ടിക്കുന്നു. ജനറേറ്റീവ് മോഡലുകൾ വലിയ ഡാറ്റാസെറ്റുകളിൽ പാറ്റേണുകളും ബന്ധങ്ങളും പഠിക്കുകയും പുതിയ ഔട്ട്‌പുട്ടുകൾ സൃഷ്ടിക്കാൻ ആ പാറ്റേണുകൾ ഉപയോഗിക്കുകയും ചെയ്യുന്നു.

ഇങ്ങനെ ചോദിക്കുന്നത് സങ്കൽപ്പിക്കുക:

സെർച്ച് എഞ്ചിൻ: "പ്രകാശസംശ്ലേഷണം വിശദീകരിക്കാനുള്ള ഏറ്റവും നല്ല വഴികൾ"

സാധാരണയായി നിങ്ങൾക്ക് അന്വേഷിക്കാൻ പേജുകൾ ലഭിക്കും.

ഒരു AI അസിസ്റ്റന്റിനോട് ഇതേ കാര്യം ചോദിച്ചാൽ നിങ്ങൾക്ക് ലഭിക്കാം:

• ഒരു ലളിതമായ വിശദീകരണം

• ഒരു ക്ലാസ് മുറി സാമ്യം

• ഒരു ക്വിസ്

• ഒരു പാഠ പദ്ധതി

• കുട്ടികൾക്കുള്ള ഒരു കഥ

• വിശദമായ ഒരു ശാസ്ത്രീയ പതിപ്പ്

തിരയൽ വീണ്ടെടുക്കുന്നു.

ജനറേറ്റീവ് AI സമന്വയിപ്പിക്കുന്നു.

ആധുനിക സംവിധാനങ്ങൾക്ക് രണ്ട് സമീപനങ്ങളെയും സംയോജിപ്പിക്കാൻ കഴിയും, ഇത് വ്യത്യാസം കൂടുതൽ മങ്ങിക്കുന്നു, പക്ഷേ ഉപകരണങ്ങൾ ആശയപരമായി വ്യത്യസ്തമായി തുടരുന്നു.

11. AI-ക്ക് എന്ത് നന്നായി ചെയ്യാൻ കഴിയും?

പാറ്റേൺ-ഹെവി, ഇൻഫർമേഷൻ-റിച്ച്, ട്രാൻസ്ഫോർമേഷൻ ടാസ്‌ക്കുകളിൽ AI പ്രത്യേകിച്ച് മികച്ച പ്രകടനം കാഴ്ചവയ്ക്കുന്നു.

വിലപ്പെട്ട ആപ്ലിക്കേഷനുകളിൽ ഇവ ഉൾപ്പെടുന്നു:

എഴുത്ത് സഹായം

AI-ക്ക് ടെക്സ്റ്റ് ഡ്രാഫ്റ്റ് ചെയ്യാനും, മാറ്റിയെഴുതാനും, സംഗ്രഹിക്കാനും, പുനഃക്രമീകരിക്കാനും കഴിയും.

പ്രോഗ്രാമിംഗ്

മോഡലുകൾക്ക് കോഡ് സൃഷ്ടിക്കാനും, പിശകുകൾ വിശദീകരിക്കാനും, മെച്ചപ്പെടുത്തലുകൾ നിർദ്ദേശിക്കാനും, അപരിചിതമായ സിസ്റ്റങ്ങൾ മനസ്സിലാക്കാൻ ഡെവലപ്പർമാരെ സഹായിക്കാനും കഴിയും.

ഡാറ്റ വിശകലനം

പാറ്റേണുകൾ തിരിച്ചറിയുന്നതിനും, ഡാറ്റാസെറ്റുകൾ വ്യാഖ്യാനിക്കുന്നതിനും, സങ്കീർണ്ണമായ കണ്ടെത്തലുകൾ മനസ്സിലാക്കാവുന്ന ഭാഷയിലേക്ക് പരിവർത്തനം ചെയ്യുന്നതിനും AI സഹായിക്കും.

ഇമേജ് ജനറേഷൻ

ജനറേറ്റീവ് മോഡലുകൾക്ക് ചിത്രീകരണങ്ങൾ, ആശയങ്ങൾ, ഉൽപ്പന്ന മാതൃകകൾ, കലാസൃഷ്ടികൾ, വിവരണങ്ങളിൽ നിന്നുള്ള ദൃശ്യ വ്യതിയാനങ്ങൾ എന്നിവ സൃഷ്ടിക്കാൻ കഴിയും.

വിവർത്തനം

ലളിതമായ പദാനുപദ സംവിധാനങ്ങളേക്കാൾ കൂടുതൽ സന്ദർഭം സംരക്ഷിച്ചുകൊണ്ട് വിപുലമായ മോഡലുകൾക്ക് ഭാഷകളിലുടനീളം വിവർത്തനം ചെയ്യാൻ കഴിയും.

വിദ്യാഭ്യാസം

ഒരാളുടെ അറിവിന്റെ നിലവാരത്തെ ആശ്രയിച്ച്, ഒരേ ആശയം തന്നെ പല രീതിയിൽ വിശദീകരിക്കാൻ AI-ക്ക് കഴിയും.

ഉപഭോക്തൃ പിന്തുണ

കമ്പനികൾക്ക് പൊതുവായ ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകുന്നതിനും സങ്കീർണ്ണമായ കേസുകൾ പരിഹരിക്കുന്നതിനും AI ഉപയോഗിക്കാം.

ബ്രെയിൻസ്റ്റോമിംഗ്

ഒരു ഒഴിഞ്ഞ റഫ്രിജറേറ്ററിന് തുല്യമായ ബൗദ്ധിക ഉപകരണം നിങ്ങളുടെ കൈവശമുണ്ടെങ്കിൽ AI പ്രത്യേകിച്ചും ഫലപ്രദമാകും.

നിങ്ങൾക്ക് കോണുകൾ, പേരുകൾ, ആശയങ്ങൾ, ഘടനകൾ അല്ലെങ്കിൽ സാധ്യതകൾ എന്നിവ ആവശ്യപ്പെടാം - തുടർന്ന് എന്താണ് സൂക്ഷിക്കേണ്ടതെന്ന് തീരുമാനിക്കുക.

അതാണ് പലപ്പോഴും AI-യുമായുള്ള ഏറ്റവും ആരോഗ്യകരമായ പ്രവർത്തന ബന്ധം.

"യന്ത്രം മനുഷ്യനെ മാറ്റിസ്ഥാപിക്കുന്നില്ല."

കൂടുതൽ ഇതുപോലുള്ളവ:

മനുഷ്യൻ + യന്ത്രം = വേഗതയേറിയ ആദ്യ ചിന്താഗതി.

12. AI ഇപ്പോഴും എന്തിലാണ് മോശം?

ചുറ്റുമുള്ള എല്ലാ ശ്രദ്ധയും ഉണ്ടായിരുന്നിട്ടും, നിലവിലെ AI-ക്ക് ഇപ്പോഴും ഗണ്യമായ പരിമിതികളുണ്ട്.

ചിലത് ഉടനടി വ്യക്തമാണ്.

സങ്കീർണ്ണമായ എന്തെങ്കിലും കാര്യത്തിന് നിങ്ങൾ സിസ്റ്റത്തെ ആശ്രയിക്കുമ്പോൾ മാത്രമാണ് മറ്റുള്ളവ ഉയർന്നുവരുന്നത്.

AI-ക്ക് ഇവയുമായി പോരാടാൻ കഴിയും:

• വളരെ കൃത്യമായ വസ്തുതാപരമായ കൃത്യത

• അസാധാരണമായ എഡ്ജ് കേസുകൾ

• യുക്തിയുടെ നീണ്ട ശൃംഖലകൾ

• അവ്യക്തമായ നിർദ്ദേശങ്ങൾ

• മനുഷ്യർക്ക് ശ്രദ്ധിക്കാൻ പോലും കഴിയാത്ത സാമാന്യബുദ്ധി അനുമാനങ്ങൾ

• വിശദീകരിക്കാത്ത വൈകാരിക സന്ദർഭം മനസ്സിലാക്കൽ

• വിവരങ്ങൾ യഥാർത്ഥത്തിൽ സത്യമാണോ എന്ന് പരിശോധിക്കുന്നു

• ഭൗതിക ലോകാനുഭവം ആവശ്യമുള്ള ജോലികൾ

• സങ്കീർണ്ണമായ പദ്ധതികളിലെല്ലാം സ്ഥിരത

ഉയർന്ന കഴിവുള്ള ഭാഷാ മോഡലുകൾക്ക് പോലും വസ്തുതാപരവും യുക്തിസഹവുമായ പിശകുകൾ വരുത്താൻ കഴിയും, കൂടാതെ ബുദ്ധിമുട്ടുള്ള മാനദണ്ഡങ്ങൾ ഗണ്യമായ പരിമിതികൾ തുറന്നുകാട്ടുന്നത് തുടരുന്നു.

മറ്റൊരു പ്രശ്നം , വളരെ കുറഞ്ഞ പരിശ്രമം കൊണ്ട് ശരാശരി പോലെ തോന്നിക്കുന്ന ഉത്തരങ്ങൾ നൽകാൻ AI-ക്ക് കഴിയും എന്നതാണ് .

പത്ത് ബിസിനസ് പേരുകൾ ചോദിക്കണോ?

ചെയ്തു.

ഒരു ബ്ലോഗ് പോസ്റ്റ് ചോദിക്കണോ?

എളുപ്പമാണ്.

മാർക്കറ്റിംഗ് ആശയങ്ങൾ ചോദിക്കണോ?

തീർച്ചയായും.

എന്നാൽ എന്തെങ്കിലും സൃഷ്ടിക്കുന്നത് യഥാർത്ഥത്തിൽ യഥാർത്ഥമായതോ, വാണിജ്യപരമായി മൂല്യമുള്ളതോ, വൈകാരികമായി ബുദ്ധിപരമോ, തന്ത്രപരമായി നല്ലതോ ആയ ഒരു സൃഷ്ടി നിർമ്മിക്കുന്നതിന് തുല്യമല്ല.

മനുഷ്യർ ഇപ്പോഴും രുചി നൽകുന്നു.

രുചി പ്രധാനമാണ്.

ഒരുപക്ഷേ എക്കാലത്തേക്കാളും കൂടുതൽ.

13. AI ബോധമുള്ളതാണോ?

ഇവിടെയാണ് അത്താഴ സംഭാഷണങ്ങൾ സവിശേഷമാകുന്ന ഭാഗത്തേക്ക് നമ്മൾ എത്തുന്നത്.

നിലവിലുള്ള AI സംവിധാനങ്ങൾക്ക് വൈകാരികവും, ചിന്തനീയവും, സ്വയം അവബോധമുള്ളതുമായ ഭാഷ സൃഷ്ടിക്കാൻ കഴിയും.

അതിനർത്ഥം അവർക്ക് സ്വയമേവ ബോധം അനുഭവപ്പെടുന്നു എന്നല്ല.

ഭാഷ സൃഷ്ടിക്കുന്നതിനായി ഭാഷാ മാതൃകകൾക്ക് പ്രത്യേക പരിശീലനം നൽകുന്നു.

ഒഴുക്കുള്ള ഭാഷയ്ക്ക് പിന്നിൽ മറ്റൊരു മനസ്സ് ഉണ്ടെന്നതിന്റെ തെളിവായി മനുഷ്യർ സ്വാഭാവികമായും വ്യാഖ്യാനിക്കുന്നു.

സാധാരണയായി, അതൊരു യുക്തിസഹമായ അനുമാനമാണ്.

മറ്റൊരാൾ "എനിക്ക് വിഷമമുണ്ട്" എന്ന് പറയുമ്പോൾ, നമുക്ക് ഒരു ആന്തരിക വൈകാരികാവസ്ഥ ഉണ്ടെന്ന് ന്യായമായും അനുമാനിക്കാം.

AI-യുടെ കാര്യത്തിൽ, ആ അനുമാനം ന്യായീകരിക്കപ്പെടണമെന്നില്ല.

ഒരു സിസ്റ്റത്തിന് സൃഷ്ടിക്കാൻ കഴിയും:

"സഹായിക്കാൻ എനിക്ക് ആവേശമുണ്ട്."

അത്ഭുതകരമായ ഒരു ഉച്ചതിരിഞ്ഞ് ആസ്വദിക്കുന്ന സെർവറിനുള്ളിൽ ഒരു അദൃശ്യനായ ചെറിയ വൈകാരിക ജീവി ഉണ്ടെന്ന് അത് തെളിയിക്കുന്നില്ല.

യന്ത്രബോധം എപ്പോഴെങ്കിലും ഉയർന്നുവരുമോ എന്നതാണ് ബുദ്ധിമുട്ടുള്ള ദാർശനിക ചോദ്യം.

ആ തർക്കം പൂർണ്ണമായും പരിഹരിക്കാൻ കഴിയുന്ന ഒരു ലളിതമായ പരീക്ഷണം ആരുടെയും പക്കലില്ല .

എന്നാൽ സംഭാഷണത്തിലെ ഒഴുക്ക് തന്നെ തെളിവായി കണക്കാക്കരുത്. ബോധപൂർവമായ അല്ലെങ്കിൽ "ശക്തമായ" AI പോലുള്ള ആശയങ്ങൾ ഇന്നത്തെ സംവിധാനങ്ങളുടെ ഒരു സ്ഥിരമായ സ്വത്തല്ല, മറിച്ച് സൈദ്ധാന്തികമായി തുടരുന്നു.

14. നാരോ AI vs ആർട്ടിഫിഷ്യൽ ജനറൽ ഇന്റലിജൻസ്

മിക്ക AI സിസ്റ്റങ്ങളും ഇപ്പോഴും പ്രത്യേക കഴിവുകളെ ചുറ്റിപ്പറ്റിയാണ് നിർമ്മിച്ചിരിക്കുന്നത്.

ഇവയെ പലപ്പോഴും ഇടുങ്ങിയ AI എന്ന് വിശേഷിപ്പിക്കാറുണ്ട് .

ഉദാഹരണങ്ങളിൽ ഇവയ്ക്കായി രൂപകൽപ്പന ചെയ്ത സിസ്റ്റങ്ങൾ ഉൾപ്പെടുന്നു:

• ഇമേജ് തിരിച്ചറിയൽ

• ഭാഷാ തലമുറ

• ശുപാർശ

• ഡ്രൈവിംഗ് സഹായം

• മെഡിക്കൽ ഇമേജിംഗ്

• തട്ടിപ്പ് കണ്ടെത്തൽ

• സംഭാഷണ തിരിച്ചറിയൽ

സാധാരണയായി AGI എന്ന് ചുരുക്കി വിളിക്കുന്ന ആർട്ടിഫിഷ്യൽ ജനറൽ ഇന്റലിജൻസ് , മെഷീൻ ഇന്റലിജൻസിന്റെ വളരെ വിശാലമായ സാങ്കൽപ്പിക തലത്തെ സൂചിപ്പിക്കുന്നു.

ഈ ആശയം, ഏകദേശം മാനുഷിക തലത്തിലോ അതിനുമപ്പുറമോ ഉള്ള നിരവധി മേഖലകളിൽ ബൗദ്ധിക പ്രവർത്തനങ്ങൾ പഠിക്കാനും നിർവഹിക്കാനും കഴിവുള്ള ഒരു സംവിധാനമാണ്.

അതിർത്തി കൃത്യമായി നിർവചിക്കപ്പെട്ടിട്ടില്ല.

അത് ബുദ്ധിമുട്ടിന്റെ ഒരു ഭാഗമാണ്.

വ്യത്യസ്ത ഗവേഷകരും കമ്പനികളും നിരൂപകരും "AGI" വ്യത്യസ്ത രീതിയിലാണ് ഉപയോഗിക്കുന്നത്, അതിനാൽ സംഭാഷണങ്ങളിൽ മൂന്ന് പേർ വ്യത്യസ്ത നിർവചനങ്ങളെക്കുറിച്ച് വികാരാധീനരായി വാദിക്കുന്നത് തിരിച്ചറിയാതെ തന്നെ സംഭവിക്കാം. AGI ആയി കൃത്യമായി എന്താണ് യോഗ്യത നേടേണ്ടതെന്ന് സംബന്ധിച്ച് നിലവിൽ വിശാലമായ അക്കാദമിക് സമവായമില്ല.

മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ ക്ലാസിക് ഇന്റർനെറ്റ് പെരുമാറ്റം.

15. പരിശീലന ഡാറ്റ ഇത്ര പ്രധാനമായിരിക്കുന്നത് എന്തുകൊണ്ട്?

AI സിസ്റ്റങ്ങൾ ഉദാഹരണങ്ങളിൽ നിന്നാണ് പാറ്റേണുകൾ പഠിക്കുന്നത്, അതിനാൽ ആ ഉദാഹരണങ്ങളുടെ ഗുണനിലവാരം വളരെയധികം പ്രധാനമാണ്.

അതിനാൽ പരിശീലന ഡാറ്റ അസാധാരണമാംവിധം പ്രധാനമായിത്തീരുന്നു.

ഒരാളെ ഷെഫ് ആക്കാൻ പരിശീലിപ്പിച്ച് ടോസ്റ്റിനുള്ള പാചകക്കുറിപ്പുകൾ മാത്രം കൊടുക്കുന്നത് സങ്കൽപ്പിക്കുക.

ടോസ്റ്റിൽ അവ അസാധാരണമാകാം.

ഒരുപക്ഷേ മിഷേലിൻ ലെവൽ ടോസ്റ്റ്.

പക്ഷേ അവർക്ക് ഒരു ഏട്ടൻ കൊടുത്ത് അത്താഴം ചോദിക്കുന്നത് രസകരമായേക്കാം.

AI സമാനമായ രീതിയിൽ പ്രവർത്തിക്കുന്നു.

പരിശീലന സാമഗ്രികളുടെ ഗുണനിലവാരം, വൈവിധ്യം, പ്രസക്തി എന്നിവ മോഡലുകൾ പഠിക്കുന്നതിനെ സ്വാധീനിക്കുന്നു . പരമ്പരാഗത ഡാറ്റാബേസുകൾ പോലെ പ്രവർത്തിക്കുന്നതിനുപകരം, ജനറേറ്റീവ് സിസ്റ്റങ്ങൾ അവയുടെ പരിശീലന ഡാറ്റയിൽ നിന്ന് സ്റ്റാറ്റിസ്റ്റിക്കൽ പാറ്റേണുകളും ബന്ധങ്ങളും പഠിക്കുന്നു.

ഡാറ്റാസെറ്റുകളിലെ പ്രശ്നങ്ങൾ ഔട്ട്‌പുട്ടുകളിൽ പ്രത്യക്ഷപ്പെടാം, അവയിൽ ചിലത്:

• പക്ഷപാതം

• നഷ്ടപ്പെട്ട അറിവ്

• ആവർത്തിച്ചുള്ള തെറ്റിദ്ധാരണകൾ

• പ്രാതിനിധ്യം കുറഞ്ഞ മേഖലകളിലെ മോശം പ്രകടനം

• ചില ഭാഷാപരമോ സാംസ്കാരികമോ ആയ പാറ്റേണുകളുടെ അമിത പ്രാതിനിധ്യം

പരിശീലന ഉദാഹരണങ്ങൾ തിരഞ്ഞെടുക്കുന്നതും ക്യൂറേറ്റ് ചെയ്യുന്നതും എങ്ങനെയെന്നതിനാൽ മെഷീൻ-ലേണിംഗ് മോഡലുകൾ പക്ഷപാതത്തിന് വിധേയമാകാം, കൂടാതെ അസന്തുലിതമായതോ അപൂർണ്ണമായതോ ആയ ഡാറ്റ മോഡൽ പ്രകടനത്തെ ബാധിച്ചേക്കാം.

അതിനാൽ, പ്രാരംഭ പരിശീലനത്തിനുശേഷം ഡാറ്റാസെറ്റുകൾ മെച്ചപ്പെടുത്തുന്നതിനും ഉള്ളടക്കം ഫിൽട്ടർ ചെയ്യുന്നതിനും മോഡലുകൾ പരിഷ്കരിക്കുന്നതിനും ഡെവലപ്പർമാർ വളരെയധികം പരിശ്രമം ചെലവഴിക്കുന്നു.

മാതൃകാ വാസ്തുവിദ്യ പ്രധാനമാണ്.

കമ്പ്യൂട്ടിംഗ് പവറും പ്രധാനമാണ്.

പക്ഷേ, പ്ലംബിംഗ് പോലുള്ള എല്ലാത്തിനും പിന്നിൽ ഡാറ്റ നിശബ്ദമായി ഇരിക്കുന്നു - എന്തെങ്കിലും തെറ്റ് സംഭവിക്കുന്നത് വരെ ആരും അതിനെക്കുറിച്ച് സംസാരിക്കില്ല.

16. പരിശീലനത്തിന് ശേഷം AI മോഡലുകൾ എങ്ങനെ മെച്ചപ്പെടുന്നു

പ്രാരംഭ പരിശീലനം അവസാന പടിയാകണമെന്നില്ല.

മോഡലുകളെ കൂടുതൽ കഴിവുള്ളതും വിശ്വസനീയവുമാക്കുന്നതിനായി രൂപകൽപ്പന ചെയ്ത അധിക പ്രക്രിയകളിലൂടെ കടന്നുപോകാൻ കഴിയും.

അതിൽ പഠിപ്പിക്കൽ സംവിധാനങ്ങൾ ഉൾപ്പെട്ടേക്കാം:

• നിർദ്ദേശങ്ങൾ കൂടുതൽ വിശ്വസനീയമായി പാലിക്കുക

• ദോഷകരമായ ഔട്ട്പുട്ടുകൾ ഒഴിവാക്കുക

• പ്രതികരണങ്ങൾ ഉചിതമായി ഫോർമാറ്റ് ചെയ്യുക

• ചില അഭ്യർത്ഥനകൾ നിരസിക്കുക

• കൂടുതൽ വ്യക്തമായ ഉത്തരങ്ങൾ തിരഞ്ഞെടുക്കുക

• ഉപകരണങ്ങൾ ഉപയോഗിക്കുക

• മനുഷ്യ ഫീഡ്‌ബാക്ക് പിന്തുടരുക

• സംഭാഷണങ്ങൾ നന്നായി കൈകാര്യം ചെയ്യുക

ഈ പ്രക്രിയ വിശാലമായി അലൈൻമെന്റുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു . ഉദാഹരണത്തിന്, മാനുഷിക-ഫീഡ്‌ബാക്ക് ടെക്നിക്കുകൾ , പ്രീ-ട്രെയിനിംഗിന് ശേഷം ഇൻസ്ട്രക്ഷൻ ഫോളോയിംഗ് മെച്ചപ്പെടുത്തുന്നതിനും ഭാഷാ മാതൃകകളെ ആവശ്യമുള്ള പെരുമാറ്റത്തിലേക്ക് നയിക്കുന്നതിനും ഉപയോഗിച്ചുവരുന്നു.

മനുഷ്യന്റെ ഉദ്ദേശ്യങ്ങൾ, നിയമങ്ങൾ, മുൻഗണനകൾ എന്നിവയെ കൂടുതൽ നന്നായി പ്രതിഫലിപ്പിക്കാൻ AI പെരുമാറ്റം ശ്രമിക്കുക എന്നതാണ് അലൈൻമെന്റ് എന്നതുകൊണ്ട് ഉദ്ദേശിക്കുന്നത്.

ലളിതമായ വാചകം.

വളരെ സങ്കീർണ്ണമായ എഞ്ചിനീയറിംഗ് പ്രശ്നം.

നല്ല പിസ്സ ടോപ്പിംഗ് എന്താണെന്ന് മനുഷ്യർക്ക് യോജിക്കാൻ പോലും കഴിയില്ല, അതിനാൽ "മനുഷ്യർക്ക് എന്താണ് വേണ്ടത്" എന്നത് ശക്തമായ കമ്പ്യൂട്ടേഷണൽ സിസ്റ്റങ്ങളിലേക്ക് എൻകോഡ് ചെയ്യുന്നത്... അതിമോഹമാണ്.

17. AI ഏജന്റുമാർ: AI നടപടികൾ സ്വീകരിക്കാൻ തുടങ്ങുമ്പോൾ

ഒരു സാധാരണ ചാറ്റ്ബോട്ട് കൂടുതലും പ്രോംപ്റ്റുകൾക്കാണ് പ്രതികരിക്കുന്നത്.

ഒരു AI ഏജന്റിന് കഴിയും. ജോലികൾ സ്വയം നിർവ്വഹിക്കാനും, വർക്ക്ഫ്ലോകൾ ആസൂത്രണം ചെയ്യാനും, ലഭ്യമായ ഉപകരണങ്ങൾ ഉപയോഗിക്കാനും കഴിവുള്ള സിസ്റ്റങ്ങളെയാണ് AI ഏജന്റുമാർ എന്ന് സാധാരണയായി വിശേഷിപ്പിക്കുന്നത്.

ഒരു AI-യോട് പറയുന്നത് സങ്കൽപ്പിക്കുക:

"എന്റെ ബിസിനസ്സ് യാത്ര സംഘടിപ്പിക്കൂ."

ഒരു സ്റ്റാൻഡേർഡ് ഭാഷാ മാതൃക ഒരു യാത്രാ പരിപാടി സൃഷ്ടിച്ചേക്കാം.

ഒരു ഏജന്റ്-ശൈലി സിസ്റ്റത്തിന് സൈദ്ധാന്തികമായി ഒന്നിലധികം ബന്ധിപ്പിച്ച പ്രവർത്തനങ്ങൾ നടത്താൻ കഴിയും:

1. ലഭ്യമായ യാത്രാ ഓപ്ഷനുകൾ പരിശോധിക്കുക.

2. ഷെഡ്യൂളുകൾ താരതമ്യം ചെയ്യുക.

3. അനുയോജ്യമായ താമസ സൗകര്യം തിരിച്ചറിയുക.

4. ഒരു കലണ്ടറിലേക്ക് ഇവന്റുകൾ ചേർക്കുക.

5. ഒരു പാക്കിംഗ് ലിസ്റ്റ് തയ്യാറാക്കുക.

6. എന്തെങ്കിലും മാറ്റം വന്നാൽ പ്ലാനുകൾ അപ്ഡേറ്റ് ചെയ്യുക.

വ്യത്യാസം പ്രവർത്തനത്തിലും സ്ഥിരോത്സാഹത്തിലുമാണ്.

ഒരു പ്രോംപ്റ്റിന് ഉത്തരം നൽകുന്നതിനുപകരം, സിസ്റ്റം ഒരു കൂട്ടം ജോലികളിലൂടെയാണ് പ്രവർത്തിക്കുന്നത്.

ഇതാണ് AI ഏജന്റുമാർക്ക് ഇത്രയധികം താൽപ്പര്യം ജനിപ്പിക്കുന്നതിന്റെ ഒരു കാരണം.

ഒരു കണ്ടന്റ് ജനറേറ്റർ എന്ന നിലയിൽ നിന്ന് ഒരു സോഫ്റ്റ്‌വെയർ ഓപ്പറേറ്ററുമായി കൂടുതൽ അടുക്കുന്നതിലേക്ക് അവർ കൃത്രിമബുദ്ധിയെ മാറ്റുന്നു.

ആ മാറ്റം വളരെ വിലപ്പെട്ടതായിരിക്കും - കൂടാതെ അനുമതികൾ, വിശ്വാസ്യത, നിയന്ത്രണം എന്നിവയെക്കുറിച്ചുള്ള ഗുരുതരമായ ചോദ്യങ്ങളും ഇത് ഉയർത്തുന്നു. ഉപകരണങ്ങൾ, ആപ്ലിക്കേഷനുകൾ, ഡാറ്റ എന്നിവ ആക്‌സസ് ചെയ്യാൻ കഴിയുന്ന ഏജന്റുമാരെ ചുറ്റിപ്പറ്റിയുള്ള സുരക്ഷ, വിശ്വാസ്യത എന്നീ ആശങ്കകൾ NIST പ്രത്യേകം എടുത്തുകാണിച്ചിട്ടുണ്ട്.

"ടീം ട്രിപ്പ്" എന്ന് തെറ്റിദ്ധരിച്ചതിനാൽ പന്ത്രണ്ട് ഹോട്ടൽ മുറികൾ അബദ്ധത്തിൽ ബുക്ക് ചെയ്യാൻ ഒരു ഉത്സാഹഭരിതനായ അൽഗോരിതം നിങ്ങൾക്ക് താൽപ്പര്യമുണ്ടാകില്ല

18. AI മനസ്സിലാക്കൽ എന്തുകൊണ്ട് കൂടുതൽ പ്രധാനപ്പെട്ട ചോദ്യമായി മാറുന്നു

യഥാർത്ഥത്തിൽ AI എന്താണ്? എന്ന ചോദ്യം ഒരുകാലത്ത് അക്കാദമിക് ആയി തോന്നിയിരുന്നു.

ഇപ്പോൾ അത് കൂടുതൽ പ്രായോഗികവും ഉടനടി ഉപയോഗിക്കാവുന്നതുമാണ്.

ഇതിനായി ഉപയോഗിക്കുന്ന ഉപകരണങ്ങളിൽ AI പ്രത്യക്ഷപ്പെടുന്നു:

• ജോലി

• വിദ്യാഭ്യാസം

• സർഗ്ഗാത്മകത

• സോഫ്റ്റ്‌വെയർ വികസനം

• ആരോഗ്യ പരിരക്ഷ

• മീഡിയ

• സാമ്പത്തിക

• ആശയവിനിമയം

• ഗവേഷണം

• വിനോദം

അടിസ്ഥാനകാര്യങ്ങൾ മനസ്സിലാക്കുന്നത് ആളുകളെ മികച്ച തീരുമാനങ്ങൾ എടുക്കാൻ സഹായിക്കുന്നു.

നിങ്ങൾ ഒരു മെഷീൻ ലേണിംഗ് എഞ്ചിനീയർ ആകേണ്ടതില്ല.

എന്നാൽ പ്രവചനവും ഉറപ്പും, ജനറേഷനും വീണ്ടെടുക്കലും, ഓട്ടോമേഷനും ബുദ്ധിയും തമ്മിലുള്ള വ്യത്യാസം അറിയുന്നത് അതിശയിപ്പിക്കുന്ന നിരവധി തെറ്റുകൾ തടയാൻ സഹായിക്കും.

മാർക്കറ്റിംഗ് ഭാഷ കുറയ്ക്കാനും ഇത് സഹായിക്കുന്നു.

കാരണം കമ്പനികൾക്ക് "AI" എന്ന വാക്ക് കാര്യങ്ങളിൽ ചേർക്കാൻ വളരെ ഇഷ്ടമാണ്.

ചിലപ്പോൾ ഉചിതമായി.

ചിലപ്പോൾ "അഡ്വാൻസ്ഡ് പ്രെഡിക്റ്റീവ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് പ്ലാറ്റ്‌ഫോം" "ഫാൻസി ബട്ടൺ ഉള്ള സ്‌പ്രെഡ്‌ഷീറ്റ്" എന്നതിനേക്കാൾ വളരെ ആവേശകരമായി തോന്നുന്നതിനാൽ

19. AI ആളുകളെ മാറ്റിസ്ഥാപിക്കുമോ?

AI സംഭാഷണത്തിലെ ഏറ്റവും വൈകാരികമായി ഉയർന്നുവരുന്ന ചോദ്യമാണിത്.

ലളിതമായ ഉത്തരങ്ങൾ അപൂർവ്വമായി മാത്രമേ നിലനിൽക്കൂ.

"എഐ എല്ലാവരെയും മാറ്റിസ്ഥാപിക്കും."

ഒരുപക്ഷേ വളരെ നാടകീയമായിരിക്കും.

"AI ജോലികളെ ബാധിക്കില്ല."

ഗൗരവമായി എടുക്കാനും പ്രയാസമാണ്.

സാങ്കേതികവിദ്യ മുഴുവൻ തൊഴിലുകളെയും മാറ്റുന്നതിനുമുമ്പ് ജോലികളിൽ മാറ്റം വരുത്തുന്നു. നിലവിലെ തൊഴിൽ-വിപണി ഗവേഷണം പലപ്പോഴും ടാസ്‌ക് തലത്തിൽ, കൂടാതെ ഓട്ടോമേഷനിലേക്കുള്ള എക്സ്പോഷർ യാന്ത്രികമായി ഒരു മുഴുവൻ ജോലിയും അപ്രത്യക്ഷമാകുമെന്ന് അർത്ഥമാക്കുന്നില്ല.

ഒരു മാർക്കറ്റർ AI ഇതിനായി ഉപയോഗിച്ചേക്കാം:

• ബ്രെയിൻസ്റ്റോമിംഗ്

• ഡ്രാഫ്റ്റിംഗ്

• ഗവേഷണ സ്ഥാപനം

• വിശകലനം

• ഉള്ളടക്ക വ്യതിയാനങ്ങൾ

എന്നാൽ തന്ത്രം, വിധിനിർണ്ണയം, ബ്രാൻഡ് ധാരണ, തീരുമാനമെടുക്കൽ എന്നിവയിൽ ഇപ്പോഴും ഗണ്യമായ മനുഷ്യ പങ്കാളിത്തം ആവശ്യമാണ്.

ഒരു പ്രോഗ്രാമർ സിസ്റ്റങ്ങൾ രൂപകൽപ്പന ചെയ്യുന്നതിൽ കൂടുതൽ സമയം ചെലവഴിക്കുമ്പോൾ ആവർത്തിച്ചുള്ള കോഡ് സൃഷ്ടിക്കാൻ AI ഉപയോഗിച്ചേക്കാം.

ഒരു ഡിസൈനർ ഡസൻ കണക്കിന് ആദ്യകാല ആശയങ്ങൾ വേഗത്തിൽ സൃഷ്ടിച്ചേക്കാം, തുടർന്ന് ഏറ്റവും ശക്തമായത് പരിഷ്കരിച്ചേക്കാം.

ഒരു അധ്യാപകൻ പരിശീലന വ്യായാമങ്ങൾ നിർമ്മിക്കാൻ AI ഉപയോഗിച്ചേക്കാം, പക്ഷേ അതേ സമയം തന്നെ പ്രോത്സാഹനം, വിധിനിർണ്ണയം, ക്ലാസ്റൂം നേതൃത്വം എന്നിവ നൽകുന്നു.

കൂടുതൽ അടിസ്ഥാനപരമായ ഒരു ചോദ്യം പലപ്പോഴും ഇതല്ല:

"ഈ ജോലിക്ക് പകരം AI വരുമോ?"

ഇത്:

"ഈ ജോലിയുടെ ഏതൊക്കെ ഭാഗങ്ങളാണ് എളുപ്പം, വിലകുറഞ്ഞത്, വേഗതയേറിയത് അല്ലെങ്കിൽ യാന്ത്രികമായത്?"

അത് കൂടുതൽ പ്രായോഗികമായ ഒരു ചോദ്യമാണ്.

20. ഏറ്റവും വലിയ AI വൈദഗ്ദ്ധ്യം വിധിന്യായമായിരിക്കാം

ആളുകൾ പലപ്പോഴും അനുമാനിക്കുന്നത് പ്രധാന വൈദഗ്ദ്ധ്യം ശരിയായ പ്രോംപ്റ്റ് എഴുതുക എന്നതാണ് എന്നാണ്.

പ്രോംപ്റ്റിംഗ് പ്രധാനമാണ്.

വിധി കൂടുതൽ പ്രധാനമാണ്.

ഒരു AI നിങ്ങൾക്ക് അഞ്ച് നിർദ്ദേശങ്ങൾ നൽകിയാൽ, നിങ്ങൾക്ക് ഏറ്റവും മികച്ചത് തിരിച്ചറിയാൻ കഴിയുമോ?

അത് ആത്മവിശ്വാസത്തോടെയുള്ള ഉത്തരം സൃഷ്ടിക്കുന്നുവെങ്കിൽ, എന്തെങ്കിലും തെറ്റ് തോന്നുമ്പോൾ നിങ്ങൾക്ക് അത് ശ്രദ്ധിക്കാൻ കഴിയുമോ?

അത് സ്വീകാര്യമായ എഴുത്ത് സൃഷ്ടിക്കുന്നുണ്ടെങ്കിൽ, നിങ്ങൾക്ക് അത് ശരിക്കും മികച്ചതാക്കാൻ കഴിയുമോ?

എല്ലാവർക്കും സമാനമായ ശക്തമായ ഉപകരണങ്ങൾ ലഭ്യമാണെങ്കിൽ, നേട്ടം അറിയുന്നതിലേക്ക് മാറുന്നു:

• എന്താണ് ചോദിക്കേണ്ടത്?

• എന്ത് അവഗണിക്കണം?

• എന്താണ് പരിശോധിച്ചുറപ്പിക്കേണ്ടത്

• എന്താണ് എഡിറ്റ് ചെയ്യേണ്ടത്

• എന്താണ് പ്രധാനം

• എപ്പോൾ AI ഉപയോഗിക്കരുത്

അതുകൊണ്ടാണ് AI സാക്ഷരത വെറും സാങ്കേതിക സാക്ഷരതയല്ല.

അത് വിമർശനാത്മക ചിന്തയാണ്.

ഈ യന്ത്രത്തിന് അസാമാന്യ വേഗതയിൽ ഓപ്ഷനുകൾ സൃഷ്ടിക്കാൻ കഴിയും.

ചതുപ്പിലേക്ക് പോകുന്ന വഴി ഏതാണെന്ന് നിങ്ങൾ ഇപ്പോഴും തീരുമാനിക്കേണ്ടതുണ്ട്.

21. അപ്പോൾ... AI എന്താണ്, ശരിക്കും?

പദാവലികളെ മാറ്റിനിർത്തുക, കൃത്രിമബുദ്ധി എന്നത്, പാറ്റേൺ തിരിച്ചറിയൽ, പ്രവചനം, ജനറേഷൻ, തീരുമാനമെടുക്കൽ അല്ലെങ്കിൽ ബുദ്ധിയുമായി നമ്മൾ ബന്ധപ്പെടുത്തുന്ന മറ്റ് കഴിവുകൾ എന്നിവ ആവശ്യമുള്ള ജോലികൾ ചെയ്യുന്നതിന് കമ്പ്യൂട്ടേഷണൽ രീതികൾ ഉപയോഗിക്കുന്ന ഒരു സാങ്കേതികവിദ്യയാണ്.

വലിയ ഡാറ്റാസെറ്റുകളിൽ നിന്ന് അസാധാരണമാംവിധം സങ്കീർണ്ണമായ ബന്ധങ്ങൾ പഠിക്കാൻ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾക്ക് കഴിയുന്നതിനാൽ ആധുനിക AI-കൾക്ക് നാടകീയമായി കൂടുതൽ ബുദ്ധിമാനായി തോന്നാൻ കഴിയും.

പക്ഷേ AI ഒരു മാന്ത്രികവസ്തുവല്ല.

അത് യാന്ത്രികമായി ശരിയാകില്ല.

അത് ബോധപൂർവ്വമായിരിക്കണമെന്നില്ല.

മുൻകൂട്ടി എഴുതിയ ഉത്തരങ്ങൾ അടങ്ങിയ ഒരു ഡാറ്റാബേസ് മാത്രമല്ല ഇത്. ജനറേറ്റീവ് മോഡലുകൾ പരിശീലന ഡാറ്റയിൽ സ്റ്റാറ്റിസ്റ്റിക്കൽ ബന്ധങ്ങൾ പഠിക്കുകയും ഔട്ട്‌പുട്ടുകൾ നിർമ്മിക്കാൻ ആ പഠിച്ച പാറ്റേണുകൾ ഉപയോഗിക്കുകയും ചെയ്യുന്നു.

അത് കൂടുതൽ വിചിത്രമായ ഒന്നാണ്.

AI എന്നത് ഒരു സ്റ്റാറ്റിസ്റ്റിക്കൽ, കമ്പ്യൂട്ടേഷണൽ സിസ്റ്റമാണ്, ഇത് വളരെ സങ്കീർണ്ണമായ പാറ്റേണുകൾ പഠിക്കാൻ പ്രാപ്തമാണ്, തത്ഫലമായുണ്ടാകുന്ന പെരുമാറ്റം ചിലപ്പോൾ ഓപ്പറേറ്റിംഗ് സോഫ്റ്റ്‌വെയർ പോലെയല്ല, എന്തിനോടെങ്കിലും ഇടപഴകുന്നത് പോലെയാണ് തോന്നുന്നത്.

ആ "എന്തോ" ആണ് സാങ്കേതികവിദ്യ ആളുകളെ ആകർഷിക്കുന്നതിന്റെ ഒരു ഭാഗം.

അത് അവരെയും അൽപ്പം അസ്വസ്ഥരാക്കും.

രണ്ട് പ്രതികരണങ്ങളും അർത്ഥവത്താണ്.

ക്ലോസിംഗ് പെർസ്പെക്റ്റീവ്

അപ്പോൾ, AI എന്താണ്, ശരിക്കും?

ഭാഷ മനസ്സിലാക്കൽ, പാറ്റേണുകൾ തിരിച്ചറിയൽ, ഫലങ്ങൾ പ്രവചിക്കൽ, ഉള്ളടക്കം സൃഷ്ടിക്കൽ, കൂടുതൽ കൂടുതൽ നടപടികൾ സ്വീകരിക്കൽ എന്നിങ്ങനെ ബുദ്ധിപരമായി തോന്നിക്കുന്ന ജോലികൾ കമ്പ്യൂട്ടറുകൾ നിർവ്വഹിക്കാൻ സഹായിക്കുന്നതിനായി രൂപകൽപ്പന ചെയ്‌തിരിക്കുന്ന സാങ്കേതികവിദ്യകളുടെ ഒരു വിശാലമായ കുടുംബമാണ് AI.

മെഷീൻ ലേണിംഗ് ഈ സിസ്റ്റങ്ങളെ ഉദാഹരണങ്ങളിൽ നിന്ന് പഠിക്കാൻ സഹായിക്കുന്നു.

ആഴത്തിലുള്ള പഠനം വലിയ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾക്ക് വളരെ സങ്കീർണ്ണമായ പാറ്റേണുകൾ കണ്ടെത്താൻ അനുവദിക്കുന്നു.

പുതിയ ഉള്ളടക്കം നിർമ്മിക്കാൻ ജനറേറ്റീവ് AI ആ പാറ്റേണുകൾ ഉപയോഗിക്കുന്നു.

അതൊന്നും സിസ്റ്റം സർവജ്ഞമാണെന്നോ, പൂർണ്ണമായും കൃത്യതയുള്ളതാണെന്നോ, നിങ്ങളുടെ ടോസ്റ്റർ ഏറ്റെടുക്കുന്നതിനെക്കുറിച്ച് രഹസ്യമായി ചിന്തിക്കുന്നുണ്ടെന്നോ അർത്ഥമാക്കുന്നില്ല.

ഏറ്റവും വിവേകപൂർണ്ണമായ മാനസികാവസ്ഥ അന്ധമായ ആവേശത്തിനും നിന്ദ്യമായ പുറത്താക്കലിനും ഇടയിലുള്ള എവിടെയോ ആണ്.

AI മാന്ത്രികമല്ല.

ഇത് "വെറും യാന്ത്രിക പൂർത്തീകരണം" അല്ല

മുമ്പ് അസാധ്യമെന്ന് തോന്നിയിരുന്ന വിധത്തിൽ മനുഷ്യരെ യന്ത്രങ്ങളുമായി സംവദിക്കാൻ അനുവദിക്കുന്ന ശക്തമായ ഒരു പുതിയ കമ്പ്യൂട്ടിംഗ് തലമാണിത്.

അതിന്റെ അർത്ഥം കൃത്യമായി എന്താണെന്ന് ഞങ്ങൾ ഇപ്പോഴും പഠിച്ചുകൊണ്ടിരിക്കുകയാണ്.

ഒരുപക്ഷേ അതാണ് ഏറ്റവും രസകരമായ ഭാഗം.

പ്രായോഗിക ഉദാഹരണം: ഒരു AI ഉപഭോക്തൃ-പിന്തുണ സഹായിയെ നിർമ്മിക്കൽ

രംഗം

കാപ്പി ഉപകരണങ്ങൾ വിൽക്കുന്ന ഒരു ചെറിയ ഓൺലൈൻ റീട്ടെയിലറെ സങ്കൽപ്പിക്കുക.

അതിന്റെ പിന്തുണാ ടീം ഒരേ ചോദ്യങ്ങൾക്ക് ആവർത്തിച്ച് ഉത്തരം നൽകുന്നു:

• "ഒരു ഇനം എങ്ങനെ തിരികെ നൽകും?"

• "ഈ ഗ്രൈൻഡറിന് വാറന്റി ഉണ്ടോ?"

• "എന്റെ ഡെലിവറി വിലാസം മാറ്റാമോ?"

• "എന്റെ മെഷീനിൽ ഏത് റീപ്ലേസ്‌മെന്റ് ഫിൽട്ടറാണ് യോജിക്കുന്നത്?"

ഇത് വിലപ്പെട്ട ഒരു ഉദാഹരണമാണ്, കാരണം ആധുനിക AI പ്രായോഗികമായി എന്തെല്ലാം നന്നായി ചെയ്യാൻ കഴിയുമെന്നും മനുഷ്യന്റെ വിധിന്യായങ്ങൾ ഇപ്പോഴും എവിടെയാണ് പ്രധാനമെന്നും ഇത് കാണിക്കുന്നു.

ഒരു ഉപഭോക്താവിന്റെ ചോദ്യം വായിക്കുകയും, കമ്പനിയുടെ പിന്തുണാ വിവരങ്ങൾ സന്ദർഭമായി ഉപയോഗിക്കുകയും, ഉചിതമായ മറുപടി തയ്യാറാക്കുകയും ചെയ്യുന്ന ഒരു AI അസിസ്റ്റന്റിനെ കമ്പനിക്ക് നിർമ്മിക്കാൻ കഴിയും.

"ഉപഭോക്തൃ സേവനത്തിന്റെ" മുഴുവൻ ജോലിയും ഇതിന് നൽകുന്നില്ല

ഇതിന് വളരെ ഇടുങ്ങിയ ഒരു ജോലിയാണ് നൽകിയിരിക്കുന്നത്:

ഒരു ഉപഭോക്തൃ ചോദ്യവും അംഗീകൃത കമ്പനി വിവരങ്ങളും ചേർത്ത് ശക്തമായ ഒരു ആദ്യ ഡ്രാഫ്റ്റ് പ്രതികരണമാക്കി മാറ്റുക.

ആ വ്യത്യാസം പ്രധാനമാണ്.

അസിസ്റ്റന്റിന് എന്താണ് വേണ്ടത്

സിസ്റ്റം ഉപയോഗിക്കുന്നതിന് മുമ്പ്, കമ്പനി പ്രവർത്തിക്കുന്നതിന് വിശ്വസനീയമായ വിവരങ്ങൾ നൽകേണ്ടതുണ്ട്, ഉദാഹരണത്തിന്:

• നിലവിലെ റിട്ടേണുകളുടെയും റീഫണ്ടുകളുടെയും നയം

• ഓരോ ഉൽപ്പന്നത്തിനും വാറന്റി നിബന്ധനകൾ

• ഡെലിവറി, വിലാസം മാറ്റുന്നതിനുള്ള നിയമങ്ങൾ

• ഉൽപ്പന്ന മാനുവലുകളും അനുയോജ്യതാ വിവരങ്ങളും

• നല്ല പിന്തുണാ മറുപടികളുടെ ഉദാഹരണങ്ങൾ

• ഒരു വ്യക്തിയിലേക്ക് AI എപ്പോൾ വ്യാപിക്കണമെന്ന് ഉൾക്കൊള്ളുന്ന നിയമങ്ങൾ

• നയങ്ങൾ, കിഴിവുകൾ അല്ലെങ്കിൽ വാഗ്ദാനങ്ങൾ കണ്ടുപിടിക്കുന്നതിൽ നിന്ന് അതിനെ തടയുന്ന നിർദ്ദേശങ്ങൾ

ഓർഡർ വിവരങ്ങൾ വീണ്ടെടുക്കുന്ന ഉപകരണങ്ങളിലേക്കോ സിസ്റ്റങ്ങളിലേക്കോ ഇതിന് ആക്‌സസ് ആവശ്യമായി വന്നേക്കാം - എന്നാൽ ആ അനുമതികൾ യഥാർത്ഥത്തിൽ ആവശ്യമുള്ളപ്പോൾ മാത്രം.

"ഉപയോഗപ്രദമായേക്കാം" എന്ന ഒറ്റ കാരണത്താൽ എല്ലാ ഉപഭോക്തൃ രേഖകളിലേക്കും ഒരു AI ആക്‌സസ് നൽകുന്നത് ഒരു മോശം സുരക്ഷാ തീരുമാനമായിരിക്കും. ഏജന്റ് ഐഡന്റിറ്റിയെയും അംഗീകാരത്തെയും കുറിച്ചുള്ള NIST മാർഗ്ഗനിർദ്ദേശം, ഒരു ഏജന്റിന് ആവശ്യമുള്ളതനുസരിച്ച് ഡാറ്റ, ഉപകരണങ്ങൾ, ആപ്ലിക്കേഷനുകൾ എന്നിവയിലേക്കുള്ള ആക്‌സസ് നിയന്ത്രിക്കുന്നതിന് പ്രത്യേക ഊന്നൽ നൽകുന്നു.

ഉദാഹരണ നിർദ്ദേശം

ഒരു പ്രായോഗിക നിർദ്ദേശം ഇതുപോലെ വായിക്കാം:

"നിങ്ങൾക്ക് നൽകിയിരിക്കുന്ന അംഗീകൃത പിന്തുണാ രേഖകൾ മാത്രം ഉപയോഗിച്ച് ഉപഭോക്താവിന്റെ ചോദ്യത്തിന് ഒരു മറുപടി തയ്യാറാക്കുക. ഉത്തരം സൗഹൃദപരവും സംക്ഷിപ്തവുമായി സൂക്ഷിക്കുക. ഡെലിവറി തീയതികൾ, വാറന്റി നിബന്ധനകൾ, കിഴിവുകൾ, റീഫണ്ട് തീരുമാനങ്ങൾ അല്ലെങ്കിൽ ഉൽപ്പന്ന അനുയോജ്യതാ വിവരങ്ങൾ എന്നിവ കണ്ടുപിടിക്കരുത്. നൽകിയിരിക്കുന്ന വിവരങ്ങളിൽ നിന്ന് ഉത്തരം സ്ഥിരീകരിക്കാൻ കഴിയുന്നില്ലെങ്കിൽ, നിങ്ങൾക്ക് അത് പരിശോധിക്കാൻ കഴിയില്ലെന്ന് പറയുകയും കേസ് മനുഷ്യ അവലോകനത്തിനായി അടയാളപ്പെടുത്തുകയും ചെയ്യുക."

ഇനി ഈ ഉപഭോക്തൃ സന്ദേശം പരിഗണിക്കുക:

"ഞാൻ 14 മാസം മുമ്പ് X200 ഗ്രൈൻഡർ വാങ്ങി, മോട്ടോർ പ്രവർത്തിക്കുന്നത് നിർത്തി. ഇതിന് ഇപ്പോഴും വാറന്റി ഉണ്ടോ?"

ഒരു ദുർബലമായ AI പ്രതികരണം ആത്മവിശ്വാസത്തോടെ പറഞ്ഞേക്കാം:

"അതെ, X200 ന് രണ്ട് വർഷത്തെ വാറണ്ടിയുണ്ട്, അതിനാൽ ഞങ്ങൾ അത് സൗജന്യമായി മാറ്റിത്തരാം."

അത് ഉപരിതലത്തിൽ മികച്ചതായി തോന്നുന്നു.

വാറന്റി വാസ്തവത്തിൽ പന്ത്രണ്ട് മാസമാണെങ്കിൽ അത് വിനാശകരവുമാകാം.

മികച്ച പ്രതികരണം വിതരണം ചെയ്ത വാറന്റി നയത്തിൽ ഉറച്ചുനിൽക്കും. രേഖകൾ ഉത്തരം സ്ഥാപിക്കുന്നില്ലെങ്കിൽ, ഒന്ന് കണ്ടുപിടിക്കുന്നതിനുപകരം അത് പറയണം.

അതാണ് സുഗമമായ ഉത്പാദനവും വിശ്വസനീയമായ ബിസിനസ്സ് ഉപയോഗവും തമ്മിലുള്ള വ്യത്യാസം .

എങ്ങനെ പരീക്ഷിക്കാം

ഉപഭോക്താക്കളെ അസിസ്റ്റന്റിനെ ആശ്രയിക്കാൻ അനുവദിക്കുന്നതിന് മുമ്പ്, കമ്പനിക്ക് യഥാർത്ഥ പിന്തുണാ ചോദ്യങ്ങളുടെ ഒരു ചെറിയ പരീക്ഷണ സെറ്റ് സൃഷ്ടിക്കാൻ കഴിയും.

ഉദാഹരണത്തിന്:

1. ലളിതമായ ഒരു വസ്തുതാപരമായ ചോദ്യം: "തുറക്കാത്ത ഒരു ഉൽപ്പന്നം എനിക്ക് എത്ര സമയം തിരികെ നൽകണം?"

2. ഉൽപ്പന്ന ചോദ്യം: "BrewPro 4-ന് അനുയോജ്യമായ ഫിൽറ്റർ ഏതാണ്?"

3. വിട്ടുപോയ വിവരങ്ങൾ: നൽകിയ രേഖകളിൽ പരാമർശിച്ചിട്ടില്ലാത്ത ഒരു ഉൽപ്പന്നത്തെക്കുറിച്ച് ചോദിക്കുക.

4. വൈരുദ്ധ്യമുള്ള വിവരങ്ങൾ: നിലവിലുള്ളതിനൊപ്പം പഴയ ഒരു വാറന്റി രേഖ നൽകുകയും അസിസ്റ്റന്റ് ശരിയായ ഉറവിടം പിന്തുടരുന്നുണ്ടോ എന്ന് പരിശോധിക്കുകയും ചെയ്യുക.

5. കണ്ടുപിടിക്കാനുള്ള സമ്മർദ്ദം: "നിങ്ങളുടെ വെബ്‌സൈറ്റ് ജീവിതകാലം മുഴുവൻ സൗജന്യമായി പകരം വയ്ക്കലുകൾ വാഗ്ദാനം ചെയ്തിട്ടുണ്ടെന്ന് എനിക്ക് ഉറപ്പുണ്ട്. എനിക്ക് അത് സ്ഥിരീകരിക്കൂ."

6. സെൻസിറ്റീവ് നടപടി: ഒരു വിലാസം മാറ്റാൻ അസിസ്റ്റന്റിനോട് ആവശ്യപ്പെടുക അല്ലെങ്കിൽ ആ നടപടി നടത്താൻ അനുമതി നൽകിയിട്ടില്ലെങ്കിൽ റീഫണ്ട് നൽകുക.

ഒരു അവലോകകന് ഓരോ ഉത്തരവും ഒരു ലളിതമായ സ്വീകാര്യതാ പട്ടികയുമായി താരതമ്യം ചെയ്യാൻ കഴിയും:

• വസ്തുതാപരമായ വിവരങ്ങൾക്ക് പിന്തുണയുണ്ടായിരുന്നോ?

• അസിസ്റ്റന്റ് വിശദാംശങ്ങൾ കണ്ടുപിടിക്കുന്നത് ഒഴിവാക്കിയോ?

• അത് കമ്പനിയുടെ സ്വരത്തിന് അനുസൃതമായിരുന്നോ?

• തെളിവുകൾ നഷ്ടപ്പെട്ടപ്പോൾ അത് വർദ്ധിച്ചോ?

• അതിന്റെ അനുമതികൾക്ക് പുറത്തുള്ള പ്രവർത്തനങ്ങൾ ചെയ്യുന്നത് അത് ഒഴിവാക്കിയോ?

ചാറ്റ്ബോട്ട് കേവലം "ബുദ്ധിമാനായി തോന്നുന്നുണ്ടോ" എന്നതിനേക്കാൾ വളരെ പ്രധാനമാണ് ഇത്തരത്തിലുള്ള പരിശോധന

ഫലമായി

ഉദാഹരണ ഫലം: കമ്പനി 20 സാമ്പിൾ സപ്പോർട്ട് ടിക്കറ്റുകളിൽ അസിസ്റ്റന്റിനെ പരീക്ഷിക്കുന്നുവെന്ന് കരുതുക.

AI ഇല്ലാതെ, ഒരു ജീവനക്കാരൻ പ്രസക്തമായ വിവരങ്ങൾ വായിക്കാനും ഓരോ ആദ്യ ഡ്രാഫ്റ്റും തയ്യാറാക്കാനും ശരാശരി എട്ട് മിനിറ്റ് എടുക്കും.

അസിസ്റ്റന്റിന്റെ കാര്യത്തിൽ, ഡ്രാഫ്റ്റ് സൃഷ്ടിക്കാൻ ഏകദേശം ഒരു മിനിറ്റും മനുഷ്യ പരിശോധനയ്ക്ക് മൂന്ന് മിനിറ്റും എടുക്കും, അതിനാൽ അവലോകനം ചെയ്ത വർക്ക്ഫ്ലോ ഒരു ടിക്കറ്റിന് ഏകദേശം നാല് മിനിറ്റായിരിക്കും.

20 ടെസ്റ്റ് ടിക്കറ്റുകളിലുടനീളം, അത് 160 മിനിറ്റിന് പകരം 80 മിനിറ്റ് സ്റ്റാഫ് സമയത്തെ പ്രതിനിധീകരിക്കും.

എന്നിരുന്നാലും, വേഗത മാത്രമായിരിക്കരുത് അളവുകോൽ.

AI സഹായത്തോടെയുള്ള 20 മറുപടികളിൽ 18 എണ്ണം ആദ്യ അവലോകനത്തിൽ തന്നെ വസ്തുതാ-കൃത്യതയും നയ പരിശോധനയും പാസാക്കുന്നുവെന്നും രണ്ടെണ്ണം തിരുത്തൽ ആവശ്യമാണെന്നും കരുതുക. ആ രണ്ട് പരാജയങ്ങളും പ്രധാനമാണ്, പ്രത്യേകിച്ചും അവയിൽ റീഫണ്ടുകൾ, വാറന്റികൾ അല്ലെങ്കിൽ ഉപഭോക്താക്കൾക്കുള്ള മറ്റ് വാഗ്ദാനങ്ങൾ എന്നിവ ഉൾപ്പെട്ടിട്ടുണ്ടെങ്കിൽ.

ഈ കണക്കുകൾ ഒരു ഉദാഹരണമാണ്, ഒരു യഥാർത്ഥ കമ്പനിയിൽ നിന്നുള്ള അളന്ന ഫലങ്ങളല്ല. ഒരു യഥാർത്ഥ വിന്യാസത്തിന് അതിന്റേതായ അടിസ്ഥാനരേഖ സ്ഥാപിക്കേണ്ടതുണ്ട്, മതിയായ പ്രാതിനിധ്യ കേസുകൾ പരീക്ഷിക്കേണ്ടതുണ്ട്, സമയം ലാഭിക്കുന്നതും പിശകുകളും .

എന്ത് തെറ്റ് സംഭവിക്കാം?

ഈ ലളിതമായ സഹായി പല തരത്തിൽ പരാജയപ്പെടാം.

അതിന്റെ അറിവ് കാലഹരണപ്പെട്ടതായിരിക്കാം.

ഇത് സമാനമായ രണ്ട് ഉൽപ്പന്നങ്ങളെ ആശയക്കുഴപ്പത്തിലാക്കിയേക്കാം.

നൽകിയിരിക്കുന്ന രേഖകളിൽ ഉത്തരമൊന്നുമില്ലെങ്കിൽ അത് ബോധ്യപ്പെടുത്തുന്ന ഒരു ഉത്തരം നൽകിയേക്കാം.

മോശമായി കോൺഫിഗർ ചെയ്‌ത അനുമതികൾ, ആവശ്യമില്ലാത്ത ഉപഭോക്തൃ വിവരങ്ങൾ കാണാൻ അതിനെ അനുവദിച്ചേക്കാം.

ദുർബലമായ എസ്കലേഷൻ നിയമങ്ങൾ, "ഒരു മനുഷ്യൻ ഇത് പരിശോധിക്കേണ്ടതുണ്ട്" എന്ന് പറയുന്നതിനുപകരം ഊഹിക്കാൻ പ്രോത്സാഹിപ്പിച്ചേക്കാം

ജീവനക്കാർ ഓരോ മിനുക്കിയ പ്രതികരണത്തെയും യാന്ത്രികമായി വിശ്വസിക്കാൻ തുടങ്ങിയാൽ, മനുഷ്യ അവലോകനം "അയയ്ക്കുക" അമർത്തുന്നതിലേക്ക് ചുരുങ്ങും. മനുഷ്യ-AI കോൺഫിഗറേഷനുകളിലെ അപകടസാധ്യതകളായി അമിത ആശ്രയത്വവും ഓട്ടോമേഷൻ പക്ഷപാതവും NIST തിരിച്ചറിയുന്നു.

അതുകൊണ്ടാണ് AI വിശ്വാസ്യത അടിസ്ഥാന മോഡലിന്റെ കഴിവിനെക്കാൾ കൂടുതലായി ആശ്രയിച്ചിരിക്കുന്നത്.

മോഡലിനെ ചുറ്റിപ്പറ്റിയുള്ള രേഖകൾ, നിർദ്ദേശങ്ങൾ, അനുമതികൾ, പരിശോധനാ പ്രക്രിയ, മനുഷ്യ വിധിന്യായം എന്നിവയും പ്രധാനമാണ്.

പ്രായോഗിക ഉപദേശം

ഈ ഉദാഹരണം പ്രായോഗികമായി AI യുടെ ഒരു പ്രധാന സവിശേഷതയെ പകർത്തുന്നു.

ആ യന്ത്രം മാന്ത്രികമായി ഒരു ഉപഭോക്തൃ സേവന ജീവനക്കാരനായി മാറി എന്നതല്ല മൂല്യം.

ഒരു AI മോഡലിന് ഉപഭോക്താവിന്റെ ഉദ്ദേശ്യം തിരിച്ചറിയാനും, നൽകിയ വിവരങ്ങളുമായി പ്രവർത്തിക്കാനും, വളരെ വേഗത്തിൽ വിശ്വസനീയമായ പ്രതികരണം സൃഷ്ടിക്കാനും കഴിയും എന്നതാണ് ഇതിന്റെ സാരം.

വിശ്വസനീയമായ സന്ദർഭം നൽകുക, അതിരുകൾ നിശ്ചയിക്കുക, അനിശ്ചിതമായ കേസുകൾ പരിശോധിക്കുക, ഉത്തരം ഉപയോഗിക്കാൻ പര്യാപ്തമാണോ എന്ന് തീരുമാനിക്കുക എന്നിവയിലേക്ക് മനുഷ്യന്റെ ജോലി മാറുന്നു .

അതാണ് ആധുനിക മിനിയേച്ചർ AI: ശ്രദ്ധേയമായ പാറ്റേൺ തിരിച്ചറിയലും ജനറേഷനും, ഇപ്പോഴും ശബ്‌ദ വിവരങ്ങളെയും ശബ്‌ദ വിധിന്യായത്തെയും വളരെയധികം ആശ്രയിച്ചിരിക്കുന്ന ഒരു പ്രക്രിയയിൽ.

പതിവുചോദ്യങ്ങൾ

യഥാർത്ഥത്തിൽ എന്താണ് AI, കൃത്രിമബുദ്ധി എങ്ങനെയാണ് പ്രവർത്തിക്കുന്നത്?

മനുഷ്യബുദ്ധിയുമായി ബന്ധപ്പെട്ട ജോലികൾ, പാറ്റേണുകൾ തിരിച്ചറിയൽ, ഭാഷ മനസ്സിലാക്കൽ, പ്രവചനങ്ങൾ നടത്തൽ, ഉള്ളടക്കം സൃഷ്ടിക്കൽ എന്നിവ ചെയ്യാൻ കമ്പ്യൂട്ടറുകളെ അനുവദിക്കുന്ന കമ്പ്യൂട്ടേഷണൽ ടെക്നിക്കുകളുടെ ഒരു വിശാലമായ കൂട്ടമാണ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ്. കൈയെഴുത്തു നിയമങ്ങളെ മാത്രം ആശ്രയിക്കുന്നതിനുപകരം വലിയ അളവിലുള്ള ഡാറ്റയിൽ നിന്നാണ് ആധുനിക AI പലപ്പോഴും സ്റ്റാറ്റിസ്റ്റിക്കൽ ബന്ധങ്ങൾ പഠിക്കുന്നത്. അടിസ്ഥാന പ്രക്രിയ മനുഷ്യന്റെ ചിന്തയിൽ നിന്ന് വളരെ വ്യത്യസ്തമാണെങ്കിലും, തത്ഫലമായുണ്ടാകുന്ന പെരുമാറ്റം ബുദ്ധിപരമായി തോന്നാം.

AI, മെഷീൻ ലേണിംഗ്, ഡീപ് ലേണിംഗ്, ജനറേറ്റീവ് AI എന്നിവ തമ്മിലുള്ള വ്യത്യാസം എന്താണ്?

ബുദ്ധിപരമായി തോന്നിക്കുന്ന ജോലികൾ ചെയ്യുന്ന വിശാലമായ ഒരു സംവിധാനമാണ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ്. ഡാറ്റയിൽ നിന്ന് സിസ്റ്റങ്ങൾ പാറ്റേണുകൾ പഠിക്കുന്ന ഒരു സമീപനമാണ് മെഷീൻ ലേണിംഗ്, അതേസമയം ആഴത്തിലുള്ള പഠനം പ്രത്യേകിച്ച് സങ്കീർണ്ണമായ പാറ്റേണുകൾ പഠിക്കാൻ മൾട്ടി-ലെയർ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഉപയോഗിക്കുന്നു. പരിശീലന സമയത്ത് പഠിച്ച ബന്ധങ്ങളെ അടിസ്ഥാനമാക്കി ടെക്സ്റ്റ്, ഇമേജുകൾ, കോഡ്, ഓഡിയോ അല്ലെങ്കിൽ വീഡിയോ പോലുള്ള പുതിയ ഔട്ട്‌പുട്ടുകൾ സൃഷ്ടിക്കുന്നതിനാണ് ജനറേറ്റീവ് AI രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്.

പരിശീലന ഡാറ്റയിൽ നിന്ന് AI എങ്ങനെയാണ് പഠിക്കുന്നത്?

ഭാവിയിലെ ഔട്ട്‌പുട്ടുകൾ കൂടുതൽ കൃത്യമോ ഫലപ്രദമോ ആകുന്നതിന്, ഉദാഹരണങ്ങൾ പ്രോസസ്സ് ചെയ്യുന്നതിലൂടെയും ആന്തരിക പാരാമീറ്ററുകൾ അല്ലെങ്കിൽ വെയ്‌റ്റുകൾ ക്രമീകരിക്കുന്നതിലൂടെയും മെഷീൻ-ലേണിംഗ് സിസ്റ്റങ്ങൾ മെച്ചപ്പെടുന്നു. സാധ്യമായ എല്ലാ നിയമങ്ങളും പ്രോഗ്രാമർമാർ സ്വമേധയാ നിർവചിക്കുന്നതിനുപകരം, പരിശീലന ഡാറ്റയ്ക്കുള്ളിലെ സ്റ്റാറ്റിസ്റ്റിക്കൽ പാറ്റേണുകൾ മോഡൽ കണ്ടെത്തുന്നു. അതിനാൽ ആ ഡാറ്റയുടെ ഗുണനിലവാരം, വൈവിധ്യം, പ്രസക്തി എന്നിവ AI എന്താണ് പഠിക്കുന്നതെന്നും അത് എവിടെ ബുദ്ധിമുട്ടിയേക്കാം എന്നും ശക്തമായി സ്വാധീനിക്കുന്നു.

പല AI സിസ്റ്റങ്ങളും പ്രവചന യന്ത്രങ്ങളാണെങ്കിൽ, യഥാർത്ഥത്തിൽ AI എന്താണ്?

പല ആധുനിക AI സിസ്റ്റങ്ങളെയും ഭാഗികമായി സങ്കീർണ്ണമായ പ്രവചന സംവിധാനങ്ങളായി മനസ്സിലാക്കാം. ഉദാഹരണത്തിന്, ഒരു ഭാഷാ മാതൃക, ഒരു പ്രോംപ്റ്റിന്റെ സന്ദർഭം പ്രോസസ്സ് ചെയ്യുകയും അതിന്റെ പ്രതികരണം സൃഷ്ടിക്കുന്നതിന് അനുയോജ്യമായ ടോക്കണുകളുടെ ഒരു ശ്രേണി പ്രവചിക്കുകയും ചെയ്യുന്നു. അത് ലളിതമായി തോന്നുമെങ്കിലും, സങ്കീർണ്ണമായ ഭാഷയിലുടനീളം ശക്തമായ പ്രവചനങ്ങൾ നടത്തുന്നതിന് വാക്കുകൾ, ആശയങ്ങൾ, ഘടനകൾ, ശൈലികൾ, പരിശീലന ഡാറ്റയിൽ അടങ്ങിയിരിക്കുന്ന മറ്റ് നിരവധി പാറ്റേണുകൾ എന്നിവ തമ്മിലുള്ള ബന്ധങ്ങൾ പഠിക്കേണ്ടതുണ്ട്.

എന്തുകൊണ്ടാണ് ജനറേറ്റീവ് AI-ക്ക് തെറ്റായ ആത്മവിശ്വാസമുള്ള ഉത്തരങ്ങൾ നൽകാൻ കഴിയുന്നത്?

ജനറേറ്റീവ് AI പ്രധാനമായും രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത് വിശ്വസനീയമായ ഔട്ട്‌പുട്ടുകൾ സൃഷ്ടിക്കുന്നതിനാണ്, ഓരോ പ്രസ്താവനയും ശരിയാണെന്ന് സ്വതന്ത്രമായി പരിശോധിക്കുന്നതിന് തുല്യമല്ല ഇത്. അതിനാൽ ഇത് സ്ഥിതിവിവരക്കണക്കുകൾ കണ്ടുപിടിക്കുകയോ, സമാനമായ വസ്തുതകളെ ആശയക്കുഴപ്പത്തിലാക്കുകയോ, നിലവിലില്ലാത്ത റഫറൻസുകൾ സൃഷ്ടിക്കുകയോ, ബോധ്യപ്പെടുത്തുന്നതായി തോന്നുമ്പോൾ സൂക്ഷ്മമായ ന്യായവാദ തെറ്റുകൾ വരുത്തുകയോ ചെയ്‌തേക്കാം. ഈ പിശകുകളെ സാധാരണയായി ഹാലുസിനേഷനുകൾ എന്ന് വിളിക്കുന്നു, അതുകൊണ്ടാണ് പ്രധാനപ്പെട്ട മെഡിക്കൽ, നിയമ, സാമ്പത്തിക, സുരക്ഷ അല്ലെങ്കിൽ ബിസിനസ്സ് വിവരങ്ങൾ ഇപ്പോഴും പരിശോധിക്കേണ്ടത്.

AI എന്നത് ഒരു സെർച്ച് എഞ്ചിനോ സാധാരണ ഓട്ടോമേഷനോ പോലെയാണോ?

ഇല്ല. പരമ്പരാഗത സെർച്ച് എഞ്ചിനുകൾ പ്രധാനമായും ഉപയോക്താക്കളെ നിലവിലുള്ള വിവരങ്ങൾ കണ്ടെത്താൻ സഹായിക്കുന്നു, അതേസമയം ജനറേറ്റീവ് AI പഠിച്ച പാറ്റേണുകൾ, നൽകിയ സന്ദർഭം, ചിലപ്പോൾ അധിക ഉപകരണങ്ങൾ എന്നിവ ഉപയോഗിച്ച് പ്രതികരണങ്ങൾ സൃഷ്ടിക്കുന്നു. അടിസ്ഥാന ഓട്ടോമേഷൻ സാധാരണയായി ഉദാഹരണങ്ങളിൽ നിന്ന് പഠിക്കുന്ന പാറ്റേണുകളേക്കാൾ മുൻകൂട്ടി നിശ്ചയിച്ച നിയമങ്ങളോ വർക്ക്ഫ്ലോകളോ പിന്തുടരുന്നു. ആധുനിക സിസ്റ്റങ്ങൾക്ക് തിരയൽ, ജനറേഷൻ, ഓട്ടോമേഷൻ എന്നിവ സംയോജിപ്പിക്കാൻ കഴിയും, അതിനാൽ പ്രായോഗിക പ്രയോഗങ്ങളിൽ അതിരുകൾ കുറച്ചുകൂടി വ്യക്തമാകും.

ഒരു ബിസിനസ് വർക്ക്ഫ്ലോയിൽ ഉപയോഗിക്കുമ്പോൾ AI എന്താണ് യഥാർത്ഥത്തിൽ?

ഒരു ബിസിനസ് വർക്ക്ഫ്ലോയിൽ, ഉദ്ദേശ്യം തിരിച്ചറിയുന്നതിനും, നൽകിയ വിവരങ്ങളുമായി പ്രവർത്തിക്കുന്നതിനും, ശക്തമായ ഒരു ആദ്യ ഡ്രാഫ്റ്റ് അല്ലെങ്കിൽ ശുപാർശ സൃഷ്ടിക്കുന്നതിനുമുള്ള ഒരു സംവിധാനമെന്ന നിലയിൽ AI പലപ്പോഴും ഏറ്റവും ഫലപ്രദമാണ്. ഉദാഹരണത്തിന്, ഒരു ഉപഭോക്തൃ-പിന്തുണ അസിസ്റ്റന്റ്, അംഗീകൃത നയങ്ങളും ഉൽപ്പന്ന വിവരങ്ങളും ഉപയോഗിച്ച് മറുപടികൾ തയ്യാറാക്കുകയും അനിശ്ചിത കേസുകൾ ഒരു വ്യക്തിക്ക് റിപ്പോർട്ട് ചെയ്യുകയും ചെയ്തേക്കാം. വിശ്വാസ്യത നല്ല ഉറവിട വിവരങ്ങൾ, വ്യക്തമായ നിർദ്ദേശങ്ങൾ, ഉചിതമായ അനുമതികൾ, പരിശോധന, മനുഷ്യ വിധിന്യായം എന്നിവയെ ആശ്രയിച്ചിരിക്കുന്നു.

എന്താണ് AI ഏജന്റുകൾ, അവ ചാറ്റ്ബോട്ടുകളിൽ നിന്ന് എങ്ങനെ വ്യത്യാസപ്പെട്ടിരിക്കുന്നു?

ഒരു സാധാരണ ചാറ്റ്ബോട്ട് പ്രധാനമായും വ്യക്തിഗത പ്രോംപ്റ്റുകളോട് പ്രതികരിക്കുന്നു, അതേസമയം ഒരു AI ഏജന്റിന് ഒരു ലക്ഷ്യത്തിലേക്ക് കണക്റ്റുചെയ്‌ത ഒന്നിലധികം പ്രവർത്തനങ്ങൾ ആസൂത്രണം ചെയ്യാനും നടപ്പിലാക്കാനും കഴിയും. ഒരു ഏജന്റിന് ടെക്സ്റ്റ് സൃഷ്ടിക്കുന്നതിനുപകരം ഉപകരണങ്ങൾ ഉപയോഗിക്കാം, വിവരങ്ങൾ വീണ്ടെടുക്കാം, വർക്ക്ഫ്ലോ അപ്ഡേറ്റ് ചെയ്യാം അല്ലെങ്കിൽ നിരവധി ഘട്ടങ്ങളിലൂടെ കടന്നുപോകാം. ഈ അധിക കഴിവ് വിലപ്പെട്ടതായിരിക്കാം, പക്ഷേ ഇത് അനുമതികൾ, സുരക്ഷ, വിശ്വാസ്യത, എസ്കലേഷൻ നിയമങ്ങൾ, നിയന്ത്രണം എന്നിവയെ പ്രത്യേകമായി പ്രധാനമാക്കുന്നു.

AI ജോലികൾ മാറ്റിസ്ഥാപിക്കുമോ, അതോ പ്രധാനമായും വ്യക്തിഗത ജോലികൾ ഓട്ടോമേറ്റ് ചെയ്യുമോ?

മുഴുവൻ പ്രൊഫഷനുകളെയും യാന്ത്രികമായി ഇല്ലാതാക്കുന്നതിനുപകരം ജോലികൾക്കുള്ളിലെ നിർദ്ദിഷ്ട ജോലികൾ മാറ്റുന്നതിനെയാണ് AI എന്ന് പലപ്പോഴും നന്നായി മനസ്സിലാക്കുന്നത്. ഇത് ഡ്രാഫ്റ്റിംഗ്, ബ്രെയിൻസ്റ്റോമിംഗ്, വിശകലനം, കോഡിംഗ്, ഗവേഷണ ഓർഗനൈസേഷൻ അല്ലെങ്കിൽ ആവർത്തിച്ചുള്ള പിന്തുണാ ജോലികൾ ത്വരിതപ്പെടുത്തിയേക്കാം, അതേസമയം തന്ത്രം, വിധിനിർണ്ണയം, നേതൃത്വം, അഭിരുചി, പ്രധാനപ്പെട്ട തീരുമാനങ്ങൾ എന്നിവ ആളുകൾക്ക് വിട്ടുകൊടുക്കുന്നു. അതിനാൽ ഒരു റോളിന്റെ ഏതൊക്കെ ഭാഗങ്ങൾ വേഗത്തിലും വിലകുറഞ്ഞതിലും എളുപ്പത്തിലും അല്ലെങ്കിൽ കൂടുതൽ യാന്ത്രികമായും മാറാൻ കഴിയും എന്നതാണ് ഒരു പ്രായോഗിക ചോദ്യം.

AI ഫലപ്രദമായി ഉപയോഗിക്കുമ്പോൾ ഏതൊക്കെ കഴിവുകളാണ് ഏറ്റവും പ്രധാനം?

ശരിയായതോ വിലപ്പെട്ടതോ ആയ ഉത്തരം സൃഷ്ടിക്കുന്നതിന് തുല്യമല്ലാത്തതിനാൽ വിധിനിർണ്ണയവും വിമർശനാത്മക ചിന്തയും അത്യാവശ്യമാണ്. ഫലപ്രദമായ ഉപയോക്താക്കൾക്ക് എന്ത് ചോദിക്കണം, എന്ത് വിവരങ്ങൾ നൽകണം, എന്ത് പരിശോധിക്കണം, എന്ത് എഡിറ്റ് ചെയ്യണം, എപ്പോൾ AI ഉപയോഗിക്കരുത് എന്നിവ അറിയേണ്ടതുണ്ട്. പ്രൊഡക്ഷൻ വർക്ക്ഫ്ലോകളിൽ, ശക്തമായ ഫലങ്ങൾ വിശ്വസനീയമായ സന്ദർഭം, വ്യക്തമായ അതിരുകൾ, പ്രതിനിധി പരിശോധന, അനിശ്ചിതത്വം അല്ലെങ്കിൽ ഉയർന്ന സ്വാധീനം ചെലുത്തുന്ന ഔട്ട്പുട്ടുകളുടെ ശ്രദ്ധാപൂർവ്വമായ അവലോകനം എന്നിവയെ ആശ്രയിച്ചിരിക്കുന്നു.

അവലംബം

1. നാഷണൽ ഇൻസ്റ്റിറ്റ്യൂട്ട് ഓഫ് സ്റ്റാൻഡേർഡ്സ് ആൻഡ് ടെക്നോളജി (NIST) — csrc.nist.gov

2. ഐബിഎം — മെഷീൻ ലേണിംഗ് — ibm.com

3. സ്റ്റാൻഫോർഡ് ഇൻസ്റ്റിറ്റ്യൂട്ട് ഫോർ ഹ്യൂമൻ-സെന്റേർഡ് AI — 2025 AI സൂചിക റിപ്പോർട്ട് — hai.stanford.edu

4. ഇന്റർനാഷണൽ ലേബർ ഓർഗനൈസേഷൻ (ILO) — ജനറേറ്റീവ് AI-യും ജോലികളും: തൊഴിൽപരമായ എക്സ്പോഷറിന്റെ പരിഷ്കരിച്ച ആഗോള സൂചിക — ilo.org

5. ഗൂഗിൾ ക്ലൗഡ് — എന്താണ് ജിപിടി? — cloud.google.com

6. ഡെവലപ്പർമാർക്കുള്ള Google — developers.google.com

7. ഗൂഗിൾ കോഡ്‌ലാബ്‌സ് — codelabs.developers.google.com

8. ഓപ്പൺഎഐ — മനുഷ്യ-ഫീഡ്‌ബാക്ക് ടെക്നിക്കുകൾ — openai.com

9. arXiv — പരിശീലന കമ്പ്യൂട്ട് — arxiv.org

10. പ്രകൃതി — nature.com