ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਇੱਕ ਜਾਦੂਈ ਚਾਲ ਵਾਂਗ ਮਹਿਸੂਸ ਹੋ ਸਕਦੀ ਹੈ ਜਿਸ ਬਾਰੇ ਹਰ ਕੋਈ ਚੁੱਪਚਾਪ ਸੋਚਦੇ ਹੋਏ ਸਿਰ ਹਿਲਾਉਂਦਾ ਹੈ... ਉਡੀਕ ਕਰੋ, ਇਹ ਅਸਲ ਵਿੱਚ ਕੰਮ ਕਰਦਾ ਹੈ? ਚੰਗੀ ਖ਼ਬਰ। ਅਸੀਂ ਇਸਨੂੰ ਬਿਨਾਂ ਕਿਸੇ ਫਲੱਫ ਦੇ ਦੂਰ ਕਰਾਂਗੇ, ਵਿਹਾਰਕ ਰਹਾਂਗੇ, ਅਤੇ ਕੁਝ ਅਪੂਰਣ ਸਮਾਨਤਾਵਾਂ ਵਿੱਚ ਟਾਸ ਕਰਾਂਗੇ ਜੋ ਅਜੇ ਵੀ ਇਸਨੂੰ ਕਲਿੱਕ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਨਗੇ। ਜੇਕਰ ਤੁਸੀਂ ਸਿਰਫ਼ ਸਾਰ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਹੇਠਾਂ ਦਿੱਤੇ ਇੱਕ ਮਿੰਟ ਦੇ ਜਵਾਬ 'ਤੇ ਜਾਓ; ਪਰ ਇਮਾਨਦਾਰੀ ਨਾਲ, ਵੇਰਵੇ ਉਹ ਥਾਂ ਹਨ ਜਿੱਥੇ ਲਾਈਟਬਲਬ 💡 'ਤੇ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ।
ਇਸ ਤੋਂ ਬਾਅਦ ਤੁਸੀਂ ਜੋ ਲੇਖ ਪੜ੍ਹਨਾ ਪਸੰਦ ਕਰ ਸਕਦੇ ਹੋ:
🔗 GPT ਦਾ ਕੀ ਅਰਥ ਹੈ?
GPT ਦੇ ਸੰਖੇਪ ਸ਼ਬਦ ਅਤੇ ਇਸਦੇ ਅਰਥ ਦੀ ਇੱਕ ਤੇਜ਼ ਵਿਆਖਿਆ।
🔗 ਏਆਈ ਆਪਣੀ ਜਾਣਕਾਰੀ ਕਿੱਥੋਂ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ?
ਸਰੋਤ AI ਸਿੱਖਣ, ਸਿਖਲਾਈ ਦੇਣ ਅਤੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਲਈ ਵਰਤਦਾ ਹੈ।
🔗 ਆਪਣੇ ਕਾਰੋਬਾਰ ਵਿੱਚ AI ਨੂੰ ਕਿਵੇਂ ਸ਼ਾਮਲ ਕਰਨਾ ਹੈ
AI ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਲਈ ਵਿਹਾਰਕ ਕਦਮ, ਔਜ਼ਾਰ ਅਤੇ ਵਰਕਫਲੋ।
🔗 ਇੱਕ AI ਕੰਪਨੀ ਕਿਵੇਂ ਸ਼ੁਰੂ ਕਰੀਏ
ਵਿਚਾਰ ਤੋਂ ਲਾਂਚ ਤੱਕ: ਪ੍ਰਮਾਣਿਕਤਾ, ਫੰਡਿੰਗ, ਟੀਮ, ਅਤੇ ਅਮਲ।
ਏਆਈ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ? ਇੱਕ ਮਿੰਟ ਦਾ ਜਵਾਬ ⏱️
AI ਭਵਿੱਖਬਾਣੀਆਂ ਕਰਨ ਜਾਂ ਸਮੱਗਰੀ ਤਿਆਰ ਕਰਨ ਲਈ ਡੇਟਾ ਤੋਂ ਪੈਟਰਨ ਸਿੱਖਦਾ ਹੈ - ਹੱਥ ਨਾਲ ਲਿਖੇ ਨਿਯਮਾਂ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ। ਇੱਕ ਸਿਸਟਮ ਉਦਾਹਰਣਾਂ ਨੂੰ ਗ੍ਰਹਿਣ ਕਰਦਾ ਹੈ, ਇੱਕ ਨੁਕਸਾਨ ਫੰਕਸ਼ਨ ਦੁਆਰਾ ਇਹ ਮਾਪਦਾ ਹੈ ਕਿ ਇਹ ਕਿੰਨਾ ਗਲਤ ਹੈ, ਅਤੇ ਇਸਦੇ ਅੰਦਰੂਨੀ ਨੋਬਸ - ਪੈਰਾਮੀਟਰਾਂ - ਨੂੰ ਹਰ ਵਾਰ ਥੋੜ੍ਹਾ ਘੱਟ ਗਲਤ ਹੋਣ ਲਈ ਧੱਕਦਾ ਹੈ। ਕੁਰਲੀ ਕਰੋ, ਦੁਹਰਾਓ, ਸੁਧਾਰੋ। ਕਾਫ਼ੀ ਚੱਕਰਾਂ ਦੇ ਨਾਲ, ਇਹ ਉਪਯੋਗੀ ਹੋ ਜਾਂਦਾ ਹੈ। ਉਹੀ ਕਹਾਣੀ ਭਾਵੇਂ ਤੁਸੀਂ ਈਮੇਲਾਂ ਨੂੰ ਵਰਗੀਕ੍ਰਿਤ ਕਰ ਰਹੇ ਹੋ, ਟਿਊਮਰਾਂ ਨੂੰ ਲੱਭ ਰਹੇ ਹੋ, ਬੋਰਡ ਗੇਮਾਂ ਖੇਡ ਰਹੇ ਹੋ, ਜਾਂ ਹਾਇਕੂ ਲਿਖ ਰਹੇ ਹੋ। "ਮਸ਼ੀਨ ਲਰਨਿੰਗ" ਵਿੱਚ ਇੱਕ ਸਾਦੀ-ਭਾਸ਼ਾ ਦੀ ਗਰਾਊਂਡਿੰਗ ਲਈ, IBM ਦਾ ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਠੋਸ ਹੈ [1]।
ਜ਼ਿਆਦਾਤਰ ਆਧੁਨਿਕ AI ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਹੈ। ਇਸਦਾ ਸਰਲ ਰੂਪ: ਡੇਟਾ ਨੂੰ ਫੀਡ ਕਰਨਾ, ਇਨਪੁਟਸ ਤੋਂ ਆਉਟਪੁੱਟ ਤੱਕ ਮੈਪਿੰਗ ਸਿੱਖਣਾ, ਫਿਰ ਨਵੀਂ ਸਮੱਗਰੀ ਨੂੰ ਜਨਰਲਾਈਜ਼ ਕਰਨਾ। ਜਾਦੂ ਨਹੀਂ - ਗਣਿਤ, ਗਣਨਾ, ਅਤੇ, ਜੇ ਅਸੀਂ ਇਮਾਨਦਾਰ ਹਾਂ, ਤਾਂ ਇੱਕ ਚੁਟਕੀ ਕਲਾ।
"AI ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ?" ✅
ਜਦੋਂ ਲੋਕ ਗੂਗਲ 'ਤੇ AI ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ? ਬਾਰੇ , ਤਾਂ ਉਹ ਆਮ ਤੌਰ 'ਤੇ ਚਾਹੁੰਦੇ ਹਨ:
-
ਇੱਕ ਮੁੜ ਵਰਤੋਂ ਯੋਗ ਮਾਨਸਿਕ ਮਾਡਲ ਜਿਸ 'ਤੇ ਉਹ ਭਰੋਸਾ ਕਰ ਸਕਦੇ ਹਨ
-
ਮੁੱਖ ਸਿੱਖਣ ਕਿਸਮਾਂ ਦਾ ਨਕਸ਼ਾ ਤਾਂ ਜੋ ਸ਼ਬਦਾਵਲੀ ਡਰਾਉਣੀ ਨਾ ਹੋਵੇ
-
ਗੁਆਚੇ ਬਿਨਾਂ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦੇ ਅੰਦਰ ਇੱਕ ਝਾਤ ਮਾਰੋ
-
ਹੁਣ ਟ੍ਰਾਂਸਫਾਰਮਰ ਦੁਨੀਆਂ ਕਿਉਂ ਚਲਾਉਂਦੇ ਹਨ?
-
ਡੇਟਾ ਤੋਂ ਤੈਨਾਤੀ ਤੱਕ ਦੀ ਵਿਹਾਰਕ ਪਾਈਪਲਾਈਨ
-
ਇੱਕ ਤੇਜ਼ ਤੁਲਨਾ ਸਾਰਣੀ ਜਿਸਨੂੰ ਤੁਸੀਂ ਸਕ੍ਰੀਨਸ਼ੌਟ ਕਰ ਸਕਦੇ ਹੋ ਅਤੇ ਰੱਖ ਸਕਦੇ ਹੋ
-
ਨੈਤਿਕਤਾ, ਪੱਖਪਾਤ, ਅਤੇ ਭਰੋਸੇਯੋਗਤਾ 'ਤੇ ਰੱਖ-ਰਖਾਅ ਜੋ ਹੱਥੀਂ ਨਹੀਂ ਲਹਿਰਾਉਂਦੇ
ਇੱਥੇ ਤੁਹਾਨੂੰ ਇਹੀ ਮਿਲੇਗਾ। ਜੇ ਮੈਂ ਘੁੰਮਦਾ ਹਾਂ, ਤਾਂ ਇਹ ਜਾਣਬੁੱਝ ਕੇ ਹੈ - ਜਿਵੇਂ ਕਿ ਸੁੰਦਰ ਰਸਤਾ ਲੈਣਾ ਅਤੇ ਅਗਲੀ ਵਾਰ ਗਲੀਆਂ ਨੂੰ ਚੰਗੀ ਤਰ੍ਹਾਂ ਯਾਦ ਰੱਖਣਾ। 🗺️
ਜ਼ਿਆਦਾਤਰ AI ਪ੍ਰਣਾਲੀਆਂ ਦੇ ਮੁੱਖ ਤੱਤ 🧪
ਇੱਕ AI ਸਿਸਟਮ ਨੂੰ ਇੱਕ ਰਸੋਈ ਵਾਂਗ ਸੋਚੋ। ਚਾਰ ਸਮੱਗਰੀ ਵਾਰ-ਵਾਰ ਦਿਖਾਈ ਦਿੰਦੀਆਂ ਹਨ:
-
ਡੇਟਾ — ਲੇਬਲਾਂ ਦੇ ਨਾਲ ਜਾਂ ਬਿਨਾਂ ਉਦਾਹਰਣਾਂ।
-
ਮਾਡਲ — ਐਡਜਸਟੇਬਲ ਪੈਰਾਮੀਟਰਾਂ ਵਾਲਾ ਇੱਕ ਗਣਿਤਿਕ ਫੰਕਸ਼ਨ।
-
ਉਦੇਸ਼ - ਇੱਕ ਨੁਕਸਾਨ ਫੰਕਸ਼ਨ ਜੋ ਅਨੁਮਾਨਾਂ ਦੇ ਮਾੜੇ ਹੋਣ ਨੂੰ ਮਾਪਦਾ ਹੈ।
-
ਅਨੁਕੂਲਨ — ਇੱਕ ਐਲਗੋਰਿਦਮ ਜੋ ਨੁਕਸਾਨ ਨੂੰ ਘਟਾਉਣ ਲਈ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਧੱਕਦਾ ਹੈ।
ਡੂੰਘੀ ਸਿਖਲਾਈ ਵਿੱਚ, ਉਹ ਧੱਕਾ ਆਮ ਤੌਰ 'ਤੇ ਬੈਕਪ੍ਰੋਪੈਗੇਸ਼ਨ ਦੇ ਨਾਲ ਗਰੇਡੀਐਂਟ ਡਿਸੈਂਟ ਹੁੰਦਾ - ਇਹ ਪਤਾ ਲਗਾਉਣ ਦਾ ਇੱਕ ਕੁਸ਼ਲ ਤਰੀਕਾ ਹੈ ਕਿ ਇੱਕ ਵਿਸ਼ਾਲ ਸਾਊਂਡਬੋਰਡ 'ਤੇ ਕਿਹੜਾ ਨੋਬ ਚੀਕਿਆ ਹੈ, ਫਿਰ ਇਸਨੂੰ ਇੱਕ ਵਾਲ ਹੇਠਾਂ ਕਰ ਦਿਓ [2]।
ਮਿੰਨੀ-ਕੇਸ: ਅਸੀਂ ਇੱਕ ਭੁਰਭੁਰਾ ਨਿਯਮ-ਅਧਾਰਤ ਸਪੈਮ ਫਿਲਟਰ ਨੂੰ ਇੱਕ ਛੋਟੇ ਨਿਗਰਾਨੀ ਮਾਡਲ ਨਾਲ ਬਦਲ ਦਿੱਤਾ। ਲੇਬਲ → ਮਾਪ → ਅੱਪਡੇਟ ਲੂਪਸ ਦੇ ਇੱਕ ਹਫ਼ਤੇ ਬਾਅਦ, ਝੂਠੇ ਸਕਾਰਾਤਮਕ ਘਟ ਗਏ ਅਤੇ ਸਹਾਇਤਾ ਟਿਕਟਾਂ ਡਿੱਗ ਗਈਆਂ। ਕੁਝ ਵੀ ਫੈਂਸੀ ਨਹੀਂ - ਸਿਰਫ਼ ਸਾਫ਼ ਉਦੇਸ਼ ("ਹੈਮ" ਈਮੇਲਾਂ 'ਤੇ ਸ਼ੁੱਧਤਾ) ਅਤੇ ਬਿਹਤਰ ਅਨੁਕੂਲਤਾ।
ਇੱਕ ਨਜ਼ਰ ਵਿੱਚ ਸਿੱਖਣ ਦੇ ਨਮੂਨੇ 🎓
-
ਨਿਗਰਾਨੀ ਅਧੀਨ ਸਿੱਖਿਆ
ਤੁਸੀਂ ਇਨਪੁਟ-ਆਉਟਪੁੱਟ ਜੋੜੇ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹੋ (ਲੇਬਲਾਂ ਵਾਲੀਆਂ ਫੋਟੋਆਂ, ਸਪੈਮ/ਸਪੈਮ ਨਹੀਂ ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਈਮੇਲਾਂ)। ਮਾਡਲ ਇਨਪੁਟ → ਆਉਟਪੁੱਟ ਸਿੱਖਦਾ ਹੈ। ਬਹੁਤ ਸਾਰੇ ਵਿਹਾਰਕ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਰੀੜ੍ਹ ਦੀ ਹੱਡੀ [1]। -
ਬਿਨਾਂ ਨਿਗਰਾਨੀ ਵਾਲੀ ਸਿਖਲਾਈ
ਕੋਈ ਲੇਬਲ ਨਹੀਂ। ਢਾਂਚਾ-ਕਲੱਸਟਰ, ਸੰਕੁਚਨ, ਗੁਪਤ ਕਾਰਕ ਲੱਭੋ। ਖੋਜ ਜਾਂ ਪ੍ਰੀ-ਟ੍ਰੇਨਿੰਗ ਲਈ ਵਧੀਆ। -
ਸਵੈ-ਨਿਗਰਾਨੀ ਹੇਠ ਸਿੱਖਿਆ
ਇਹ ਮਾਡਲ ਆਪਣੇ ਲੇਬਲ ਖੁਦ ਬਣਾਉਂਦਾ ਹੈ (ਅਗਲੇ ਸ਼ਬਦ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ, ਗੁੰਮ ਹੋਏ ਚਿੱਤਰ ਪੈਚ)। ਕੱਚੇ ਡੇਟਾ ਨੂੰ ਪੈਮਾਨੇ 'ਤੇ ਸਿਖਲਾਈ ਸੰਕੇਤ ਵਿੱਚ ਬਦਲਦਾ ਹੈ; ਆਧੁਨਿਕ ਭਾਸ਼ਾ ਅਤੇ ਦ੍ਰਿਸ਼ਟੀ ਮਾਡਲਾਂ ਨੂੰ ਆਧਾਰ ਬਣਾਉਂਦਾ ਹੈ। -
ਮਜ਼ਬੂਤੀ ਸਿਖਲਾਈ
ਇੱਕ ਏਜੰਟ ਕੰਮ ਕਰਦਾ ਹੈ, ਇਨਾਮ , ਅਤੇ ਇੱਕ ਨੀਤੀ ਸਿੱਖਦਾ ਹੈ ਜੋ ਸੰਚਤ ਇਨਾਮ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕਰਦਾ ਹੈ। ਜੇਕਰ "ਮੁੱਲ ਫੰਕਸ਼ਨ," "ਨੀਤੀਆਂ," ਅਤੇ "ਅਸਥਾਈ-ਅੰਤਰ ਸਿੱਖਿਆ" ਘੰਟੀ ਵਜਾਉਂਦੇ ਹਨ - ਇਹ ਉਨ੍ਹਾਂ ਦਾ ਘਰ ਹੈ [5]।
ਹਾਂ, ਅਭਿਆਸ ਵਿੱਚ ਸ਼੍ਰੇਣੀਆਂ ਧੁੰਦਲੀਆਂ ਹੋ ਜਾਂਦੀਆਂ ਹਨ। ਹਾਈਬ੍ਰਿਡ ਤਰੀਕੇ ਆਮ ਹਨ। ਅਸਲ ਜ਼ਿੰਦਗੀ ਗੜਬੜ ਵਾਲੀ ਹੈ; ਚੰਗੀ ਇੰਜੀਨੀਅਰਿੰਗ ਇਸਨੂੰ ਉੱਥੇ ਹੀ ਮਿਲਦੀ ਹੈ ਜਿੱਥੇ ਇਹ ਹੁੰਦੀ ਹੈ।
ਸਿਰ ਦਰਦ ਤੋਂ ਬਿਨਾਂ ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦੇ ਅੰਦਰ 🧠
ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਛੋਟੀਆਂ ਗਣਿਤ ਇਕਾਈਆਂ (ਨਿਊਰੋਨ) ਦੀਆਂ ਪਰਤਾਂ ਨੂੰ ਇਕੱਠਾ ਕਰਦਾ ਹੈ। ਹਰੇਕ ਪਰਤ ਇਨਪੁਟਸ ਨੂੰ ਵਜ਼ਨ, ਪੱਖਪਾਤ, ਅਤੇ ReLU ਜਾਂ GELU ਵਰਗੀ ਇੱਕ ਸਕੁਈਸ਼ੀ ਗੈਰ-ਰੇਖਿਕਤਾ ਨਾਲ ਬਦਲਦੀ ਹੈ। ਸ਼ੁਰੂਆਤੀ ਪਰਤਾਂ ਸਧਾਰਨ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਸਿੱਖਦੀਆਂ ਹਨ; ਡੂੰਘੀਆਂ ਪਰਤਾਂ ਐਬਸਟਰੈਕਸ਼ਨਾਂ ਨੂੰ ਏਨਕੋਡ ਕਰਦੀਆਂ ਹਨ। "ਜਾਦੂ" - ਜੇ ਅਸੀਂ ਇਸਨੂੰ ਕਹਿ ਸਕਦੇ ਹਾਂ - ਰਚਨਾ : ਛੋਟੇ ਫੰਕਸ਼ਨਾਂ ਨੂੰ ਚੇਨ ਕਰੋ ਅਤੇ ਤੁਸੀਂ ਬਹੁਤ ਗੁੰਝਲਦਾਰ ਵਰਤਾਰੇ ਨੂੰ ਮਾਡਲ ਕਰ ਸਕਦੇ ਹੋ।
ਸਿਖਲਾਈ ਲੂਪ, ਸਿਰਫ਼-ਵਾਈਬਸ:
-
ਅੰਦਾਜ਼ਾ ਲਗਾਓ → ਗਲਤੀ ਮਾਪੋ → ਬੈਕਪ੍ਰੌਪ ਰਾਹੀਂ ਐਟਰੀਬਿਊਟ ਦੋਸ਼ → ਵਜ਼ਨ ਨੂੰ ਨਜ ਕਰੋ → ਦੁਹਰਾਓ।
ਇਹ ਸਾਰੇ ਬੈਚਾਂ ਵਿੱਚ ਕਰੋ ਅਤੇ, ਇੱਕ ਬੇਢੰਗੇ ਡਾਂਸਰ ਵਾਂਗ ਹਰੇਕ ਗਾਣੇ ਨੂੰ ਸੁਧਾਰਦੇ ਹੋਏ, ਮਾਡਲ ਤੁਹਾਡੇ ਪੈਰਾਂ ਦੀਆਂ ਉਂਗਲਾਂ 'ਤੇ ਕਦਮ ਰੱਖਣਾ ਬੰਦ ਕਰ ਦਿੰਦਾ ਹੈ। ਇੱਕ ਦੋਸਤਾਨਾ, ਸਖ਼ਤ ਬੈਕਪ੍ਰੌਪ ਅਧਿਆਇ ਲਈ, [2] ਵੇਖੋ।
ਟ੍ਰਾਂਸਫਾਰਮਰਾਂ ਨੇ ਕਿਉਂ ਕਬਜ਼ਾ ਕਰ ਲਿਆ - ਅਤੇ "ਧਿਆਨ" ਦਾ ਅਸਲ ਅਰਥ ਕੀ ਹੈ 🧲
ਟ੍ਰਾਂਸਫਾਰਮਰ ਸਵੈ-ਧਿਆਨ ਦੀ ਹੋਏ ਇਹ ਮੁਲਾਂਕਣ ਕਰਦੇ ਹਨ ਕਿ ਇਨਪੁਟ ਦੇ ਕਿਹੜੇ ਹਿੱਸੇ ਇੱਕ ਦੂਜੇ ਲਈ ਮਾਇਨੇ ਰੱਖਦੇ ਹਨ, ਸਾਰੇ ਇੱਕੋ ਸਮੇਂ। ਪੁਰਾਣੇ ਮਾਡਲਾਂ ਵਾਂਗ ਖੱਬੇ ਤੋਂ ਸੱਜੇ ਵਾਕ ਨੂੰ ਪੜ੍ਹਨ ਦੀ ਬਜਾਏ, ਇੱਕ ਟ੍ਰਾਂਸਫਾਰਮਰ ਹਰ ਜਗ੍ਹਾ ਦੇਖ ਸਕਦਾ ਹੈ ਅਤੇ ਸਬੰਧਾਂ ਦਾ ਗਤੀਸ਼ੀਲ ਤੌਰ 'ਤੇ ਮੁਲਾਂਕਣ ਕਰ ਸਕਦਾ ਹੈ - ਜਿਵੇਂ ਕਿ ਇੱਕ ਭੀੜ ਵਾਲੇ ਕਮਰੇ ਨੂੰ ਸਕੈਨ ਕਰਨਾ ਕਿ ਕੌਣ ਕਿਸ ਨਾਲ ਗੱਲ ਕਰ ਰਿਹਾ ਹੈ।
ਇਸ ਡਿਜ਼ਾਈਨ ਨੇ ਕ੍ਰਮ ਮਾਡਲਿੰਗ ਲਈ ਆਵਰਤੀ ਅਤੇ ਕਨਵੋਲਿਊਸ਼ਨ ਨੂੰ ਛੱਡ ਦਿੱਤਾ, ਜਿਸ ਨਾਲ ਵਿਸ਼ਾਲ ਸਮਾਨਤਾ ਅਤੇ ਸ਼ਾਨਦਾਰ ਸਕੇਲਿੰਗ ਸੰਭਵ ਹੋਈ। ਜਿਸ ਪੇਪਰ ਨੇ ਇਸਨੂੰ ਸ਼ੁਰੂ ਕੀਤਾ - ਧਿਆਨ ਸਿਰਫ਼ ਤੁਹਾਡੀ ਲੋੜ ਹੈ - ਆਰਕੀਟੈਕਚਰ ਅਤੇ ਨਤੀਜਿਆਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ [3]।
ਇੱਕ ਲਾਈਨ ਵਿੱਚ ਸਵੈ-ਧਿਆਨ: ਪੁੱਛਗਿੱਛ , ਕੁੰਜੀ ਅਤੇ ਮੁੱਲ ਵੈਕਟਰ ਬਣਾਓ; ਧਿਆਨ ਭਾਰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਸਮਾਨਤਾਵਾਂ ਦੀ ਗਣਨਾ ਕਰੋ; ਮੁੱਲਾਂ ਨੂੰ ਉਸ ਅਨੁਸਾਰ ਮਿਲਾਓ। ਵਿਸਥਾਰ ਵਿੱਚ ਗੁੰਝਲਦਾਰ, ਭਾਵਨਾ ਵਿੱਚ ਸ਼ਾਨਦਾਰ।
ਧਿਆਨ ਦਿਓ: ਟ੍ਰਾਂਸਫਾਰਮਰ ਹਾਵੀ ਹੁੰਦੇ ਹਨ, ਏਕਾਧਿਕਾਰ ਨਹੀਂ। CNN, RNN, ਅਤੇ ਟ੍ਰੀ ਐਨਸੈਂਬਲ ਅਜੇ ਵੀ ਕੁਝ ਖਾਸ ਡੇਟਾ ਕਿਸਮਾਂ ਅਤੇ ਲੇਟੈਂਸੀ/ਲਾਗਤ ਸੀਮਾਵਾਂ 'ਤੇ ਜਿੱਤ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ। ਕੰਮ ਲਈ ਆਰਕੀਟੈਕਚਰ ਚੁਣੋ, ਪ੍ਰਚਾਰ ਨਹੀਂ।
ਏਆਈ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ? ਵਿਹਾਰਕ ਪਾਈਪਲਾਈਨ ਜੋ ਤੁਸੀਂ ਅਸਲ ਵਿੱਚ ਵਰਤੋਗੇ 🛠️
-
ਸਮੱਸਿਆ ਦਾ ਹੱਲ
ਤੁਸੀਂ ਕੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਰਹੇ ਹੋ ਜਾਂ ਕੀ ਪੈਦਾ ਕਰ ਰਹੇ ਹੋ, ਅਤੇ ਸਫਲਤਾ ਨੂੰ ਕਿਵੇਂ ਮਾਪਿਆ ਜਾਵੇਗਾ? -
ਡਾਟਾ
ਇਕੱਠਾ ਕਰੋ, ਲੋੜ ਪੈਣ 'ਤੇ ਲੇਬਲ ਕਰੋ, ਸਾਫ਼ ਕਰੋ, ਅਤੇ ਵੰਡੋ। ਗੁੰਮ ਮੁੱਲ ਅਤੇ ਕਿਨਾਰੇ ਵਾਲੇ ਕੇਸਾਂ ਦੀ ਉਮੀਦ ਕਰੋ। -
ਮਾਡਲਿੰਗ
ਸਧਾਰਨ ਸ਼ੁਰੂਆਤ ਕਰੋ। ਬੇਸਲਾਈਨਾਂ (ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ, ਗਰੇਡੀਐਂਟ ਬੂਸਟਿੰਗ, ਜਾਂ ਇੱਕ ਛੋਟਾ ਟ੍ਰਾਂਸਫਾਰਮਰ) ਅਕਸਰ ਹੀਰੋਇਕ ਜਟਿਲਤਾ ਨੂੰ ਮਾਤ ਦਿੰਦੀਆਂ ਹਨ। -
ਸਿਖਲਾਈ
ਇੱਕ ਉਦੇਸ਼ ਚੁਣੋ, ਇੱਕ ਆਪਟੀਮਾਈਜ਼ਰ ਚੁਣੋ, ਹਾਈਪਰਪੈਰਾਮੀਟਰ ਸੈੱਟ ਕਰੋ। ਦੁਹਰਾਓ। -
ਮੁਲਾਂਕਣ
ਆਪਣੇ ਅਸਲ ਟੀਚੇ (ਸ਼ੁੱਧਤਾ, F1, AUROC, BLEU, ਉਲਝਣ, ਲੇਟੈਂਸੀ) ਨਾਲ ਜੁੜੇ ਹੋਲਡ-ਆਉਟ, ਕਰਾਸ-ਵੈਲੀਡੇਸ਼ਨ ਅਤੇ ਮੈਟ੍ਰਿਕਸ ਦੀ ਵਰਤੋਂ ਕਰੋ। -
ਤੈਨਾਤੀ
ਕਿਸੇ API ਦੇ ਪਿੱਛੇ ਸੇਵਾ ਕਰੋ ਜਾਂ ਕਿਸੇ ਐਪ ਵਿੱਚ ਏਮਬੈੱਡ ਕਰੋ। ਲੇਟੈਂਸੀ, ਲਾਗਤ, ਥਰੂਪੁੱਟ ਨੂੰ ਟਰੈਕ ਕਰੋ। -
ਨਿਗਰਾਨੀ ਅਤੇ ਸ਼ਾਸਨ
ਵਹਿਣ, ਨਿਰਪੱਖਤਾ, ਮਜ਼ਬੂਤੀ ਅਤੇ ਸੁਰੱਖਿਆ 'ਤੇ ਨਜ਼ਰ ਰੱਖੋ। NIST AI ਜੋਖਮ ਪ੍ਰਬੰਧਨ ਢਾਂਚਾ (GOVERN, MAP, MEASURE, MANAGE) ਭਰੋਸੇਮੰਦ ਪ੍ਰਣਾਲੀਆਂ ਲਈ ਇੱਕ ਵਿਹਾਰਕ ਚੈੱਕਲਿਸਟ ਹੈ [4]।
ਮਿੰਨੀ-ਕੇਸ: ਇੱਕ ਵਿਜ਼ਨ ਮਾਡਲ ਲੈਬ ਵਿੱਚ ਐਕਸੀਡੈਂਟ ਹੋਇਆ, ਫਿਰ ਜਦੋਂ ਰੋਸ਼ਨੀ ਬਦਲ ਗਈ ਤਾਂ ਫੀਲਡ ਵਿੱਚ ਫਲੱਬ ਹੋ ਗਿਆ। ਇਨਪੁਟ ਹਿਸਟੋਗ੍ਰਾਮ ਵਿੱਚ ਫਲੈਗਡ ਡ੍ਰਿਫਟ ਦੀ ਨਿਗਰਾਨੀ; ਇੱਕ ਤੇਜ਼ ਵਾਧਾ + ਫਾਈਨ-ਟਿਊਨ ਬੰਪ ਨੇ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਬਹਾਲ ਕੀਤਾ। ਬੋਰਿੰਗ? ਹਾਂ। ਪ੍ਰਭਾਵਸ਼ਾਲੀ? ਹਾਂ ਵੀ।
ਤੁਲਨਾ ਸਾਰਣੀ - ਤਰੀਕੇ, ਉਹ ਕਿਸ ਲਈ ਹਨ, ਮੋਟਾ ਖਰਚਾ, ਉਹ ਕਿਉਂ ਕੰਮ ਕਰਦੇ ਹਨ 📊
ਜਾਣਬੁੱਝ ਕੇ ਅਪੂਰਣ: ਥੋੜ੍ਹੀ ਜਿਹੀ ਅਸਮਾਨ ਵਾਕਾਂਸ਼ ਇਸਨੂੰ ਮਨੁੱਖੀ ਮਹਿਸੂਸ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ।
| ਪਹੁੰਚ | ਆਦਰਸ਼ ਦਰਸ਼ਕ | ਕੀਮਤੀ | ਇਹ ਕਿਉਂ ਕੰਮ ਕਰਦਾ ਹੈ / ਨੋਟਸ |
|---|---|---|---|
| ਨਿਗਰਾਨੀ ਅਧੀਨ ਸਿੱਖਿਆ | ਵਿਸ਼ਲੇਸ਼ਕ, ਉਤਪਾਦ ਟੀਮਾਂ | ਘੱਟ-ਮੱਧਮ | ਡਾਇਰੈਕਟ ਮੈਪਿੰਗ ਇਨਪੁਟ→ਲੇਬਲ। ਜਦੋਂ ਲੇਬਲ ਮੌਜੂਦ ਹੁੰਦੇ ਹਨ ਤਾਂ ਵਧੀਆ; ਬਹੁਤ ਸਾਰੇ ਤੈਨਾਤ ਸਿਸਟਮਾਂ ਦੀ ਰੀੜ੍ਹ ਦੀ ਹੱਡੀ ਬਣਦਾ ਹੈ [1]। |
| ਨਿਗਰਾਨੀ ਤੋਂ ਬਿਨਾਂ | ਡਾਟਾ ਐਕਸਪਲੋਰਰ, ਆਰ ਐਂਡ ਡੀ | ਘੱਟ | ਕਲੱਸਟਰ/ਸੰਕੁਚਨ/ਗੁਪਤ ਕਾਰਕ ਲੱਭਦਾ ਹੈ - ਖੋਜ ਅਤੇ ਪ੍ਰੀ-ਟ੍ਰੇਨਿੰਗ ਲਈ ਵਧੀਆ। |
| ਸਵੈ-ਨਿਗਰਾਨੀ | ਪਲੇਟਫਾਰਮ ਟੀਮਾਂ | ਦਰਮਿਆਨਾ | ਕੰਪਿਊਟ ਅਤੇ ਡੇਟਾ ਦੇ ਨਾਲ ਕੱਚੇ ਡੇਟਾ-ਸਕੇਲ ਤੋਂ ਆਪਣੇ ਖੁਦ ਦੇ ਲੇਬਲ ਬਣਾਉਂਦਾ ਹੈ। |
| ਮਜ਼ਬੂਤੀ ਸਿਖਲਾਈ | ਰੋਬੋਟਿਕਸ, ਓਪਸ ਖੋਜ | ਦਰਮਿਆਨਾ-ਉੱਚਾ | ਇਨਾਮ ਸਿਗਨਲਾਂ ਤੋਂ ਨੀਤੀਆਂ ਸਿੱਖਦਾ ਹੈ; ਕੈਨਨ ਲਈ ਸਟਨ ਅਤੇ ਬਾਰਟੋ ਪੜ੍ਹੋ [5]। |
| ਟ੍ਰਾਂਸਫਾਰਮਰ | ਐਨਐਲਪੀ, ਵਿਜ਼ਨ, ਮਲਟੀਮੋਡਲ | ਦਰਮਿਆਨਾ-ਉੱਚਾ | ਸਵੈ-ਧਿਆਨ ਲੰਬੀ ਦੂਰੀ ਦੇ ਡਿਪਸ ਨੂੰ ਫੜਦਾ ਹੈ ਅਤੇ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸਮਾਨਾਂਤਰ ਕਰਦਾ ਹੈ; ਅਸਲ ਪੇਪਰ [3] ਵੇਖੋ। |
| ਕਲਾਸਿਕ ML (ਰੁੱਖ) | ਸਾਰਣੀਬੱਧ ਬਿਜ਼ ਐਪਸ | ਘੱਟ | ਸਸਤਾ, ਤੇਜ਼, ਅਕਸਰ ਸਟ੍ਰਕਚਰਡ ਡੇਟਾ 'ਤੇ ਹੈਰਾਨ ਕਰਨ ਵਾਲੀ ਮਜ਼ਬੂਤ ਬੇਸਲਾਈਨ। |
| ਨਿਯਮ-ਅਧਾਰਿਤ/ਪ੍ਰਤੀਕਾਤਮਕ | ਪਾਲਣਾ, ਨਿਰਣਾਇਕ | ਬਹੁਤ ਘੱਟ | ਪਾਰਦਰਸ਼ੀ ਤਰਕ; ਜਦੋਂ ਤੁਹਾਨੂੰ ਆਡਿਟਯੋਗਤਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਤਾਂ ਹਾਈਬ੍ਰਿਡ ਵਿੱਚ ਉਪਯੋਗੀ। |
| ਮੁਲਾਂਕਣ ਅਤੇ ਜੋਖਮ | ਹਰ ਕੋਈ | ਬਦਲਦਾ ਹੈ | ਇਸਨੂੰ ਸੁਰੱਖਿਅਤ ਅਤੇ ਉਪਯੋਗੀ ਰੱਖਣ ਲਈ NIST ਦੇ GOVERN-MAP-MEASURE-MANAGE ਦੀ ਵਰਤੋਂ ਕਰੋ [4]। |
ਕੀਮਤ-ਇਸ਼ = ਡੇਟਾ ਲੇਬਲਿੰਗ + ਗਣਨਾ + ਲੋਕ + ਸੇਵਾ।
ਡੂੰਘੀ ਗੋਤਾਖੋਰੀ 1 - ਨੁਕਸਾਨ ਫੰਕਸ਼ਨ, ਗਰੇਡੀਐਂਟ, ਅਤੇ ਛੋਟੇ ਕਦਮ ਜੋ ਸਭ ਕੁਝ ਬਦਲ ਦਿੰਦੇ ਹਨ 📉
ਆਕਾਰ ਤੋਂ ਘਰ ਦੀ ਕੀਮਤ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਇੱਕ ਲਾਈਨ ਫਿੱਟ ਕਰਨ ਦੀ ਕਲਪਨਾ ਕਰੋ। ਤੁਸੀਂ ਪੈਰਾਮੀਟਰ (w) ਅਤੇ (b) ਚੁਣਦੇ ਹੋ, ਅਨੁਮਾਨ ਲਗਾਓ (\hat{y} = wx + b), ਅਤੇ ਔਸਤ ਵਰਗ ਨੁਕਸਾਨ ਨਾਲ ਗਲਤੀ ਨੂੰ ਮਾਪਦੇ ਹੋ। ਗਰੇਡੀਐਂਟ ਤੁਹਾਨੂੰ ਦੱਸਦਾ ਹੈ ਕਿ ਕਿਸ ਦਿਸ਼ਾ ਵਿੱਚ ਜਾਣਾ ਹੈ (w) ਅਤੇ (b) ਨੁਕਸਾਨ ਨੂੰ ਸਭ ਤੋਂ ਤੇਜ਼ੀ ਨਾਲ ਘਟਾਉਣਾ ਹੈ - ਜਿਵੇਂ ਕਿ ਧੁੰਦ ਵਿੱਚ ਹੇਠਾਂ ਵੱਲ ਤੁਰਨਾ, ਇਹ ਮਹਿਸੂਸ ਕਰਕੇ ਕਿ ਜ਼ਮੀਨੀ ਢਲਾਣ ਕਿਸ ਪਾਸੇ ਹੈ। ਹਰੇਕ ਬੈਚ ਤੋਂ ਬਾਅਦ ਅੱਪਡੇਟ ਕਰੋ ਅਤੇ ਤੁਹਾਡੀ ਲਾਈਨ ਹਕੀਕਤ ਦੇ ਨੇੜੇ ਆ ਜਾਂਦੀ ਹੈ।
ਡੂੰਘੇ ਨੈੱਟਾਂ ਵਿੱਚ ਇਹ ਇੱਕ ਵੱਡੇ ਬੈਂਡ ਦੇ ਨਾਲ ਉਹੀ ਗਾਣਾ ਹੈ। ਬੈਕਪ੍ਰੌਪ ਗਣਨਾ ਕਰਦਾ ਹੈ ਕਿ ਹਰੇਕ ਪਰਤ ਦੇ ਪੈਰਾਮੀਟਰਾਂ ਨੇ ਅੰਤਿਮ ਗਲਤੀ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕੀਤਾ - ਕੁਸ਼ਲਤਾ ਨਾਲ - ਤਾਂ ਜੋ ਤੁਸੀਂ ਲੱਖਾਂ (ਜਾਂ ਅਰਬਾਂ) ਨੌਬਾਂ ਨੂੰ ਸਹੀ ਦਿਸ਼ਾ ਵਿੱਚ ਧੱਕ ਸਕੋ [2]।
ਮੁੱਖ ਅਨੁਭਵ:
-
ਨੁਕਸਾਨ ਭੂ-ਦ੍ਰਿਸ਼ ਨੂੰ ਆਕਾਰ ਦਿੰਦਾ ਹੈ।
-
ਗਰੇਡੀਐਂਟ ਤੁਹਾਡਾ ਕੰਪਾਸ ਹਨ।
-
ਸਿੱਖਣ ਦੀ ਦਰ ਕਦਮਾਂ ਦੀ ਲੰਬਾਈ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੈ - ਬਹੁਤ ਜ਼ਿਆਦਾ ਅਤੇ ਤੁਸੀਂ ਹਿੱਲਦੇ ਹੋ, ਬਹੁਤ ਛੋਟਾ ਅਤੇ ਤੁਸੀਂ ਸੌਂਦੇ ਹੋ।
-
ਨਿਯਮਤਕਰਨ ਤੁਹਾਨੂੰ ਸਿਖਲਾਈ ਸੈੱਟ ਨੂੰ ਤੋਤੇ ਵਾਂਗ ਯਾਦ ਰੱਖਣ ਤੋਂ ਰੋਕਦਾ ਹੈ, ਜਿਸਦੀ ਯਾਦ ਪੂਰੀ ਤਰ੍ਹਾਂ ਯਾਦ ਹੈ ਪਰ ਕੋਈ ਸਮਝ ਨਹੀਂ ਹੈ।
ਡੂੰਘੀ ਗੋਤਾਖੋਰੀ 2 - ਏਮਬੈਡਿੰਗ, ਪ੍ਰੋਂਪਟਿੰਗ, ਅਤੇ ਪ੍ਰਾਪਤੀ 🧭
ਸ਼ਬਦਾਂ, ਤਸਵੀਰਾਂ, ਜਾਂ ਆਈਟਮਾਂ ਨੂੰ ਵੈਕਟਰ ਸਪੇਸ ਵਿੱਚ ਏਮਬੈੱਡਿੰਗ ਕਰਦਾ ਹੈ
-
ਅਰਥਾਂ ਦੇ ਸਮਾਨ ਪੈਰੇ ਲੱਭੋ
-
ਸ਼ਕਤੀ ਖੋਜ ਜੋ ਅਰਥ ਸਮਝਦੀ ਹੈ
-
ਰੀਟ੍ਰੀਵਲ-ਔਗਮੈਂਟਡ ਜਨਰੇਸ਼ਨ (RAG) ਨੂੰ ਪਲੱਗ ਇਨ ਕਰੋ ਤਾਂ ਜੋ ਇੱਕ ਭਾਸ਼ਾ ਮਾਡਲ ਲਿਖਣ ਤੋਂ ਪਹਿਲਾਂ ਤੱਥਾਂ ਦੀ ਖੋਜ ਕਰ ਸਕੇ।
ਪ੍ਰੋਂਪਟ ਕਰਨਾ ਹੀ ਉਹ ਤਰੀਕਾ ਹੈ ਜਿਸ ਨਾਲ ਤੁਸੀਂ ਜਨਰੇਟਿਵ ਮਾਡਲਾਂ ਨੂੰ ਚਲਾਉਂਦੇ ਹੋ - ਕੰਮ ਦਾ ਵਰਣਨ ਕਰੋ, ਉਦਾਹਰਣ ਦਿਓ, ਪਾਬੰਦੀਆਂ ਨਿਰਧਾਰਤ ਕਰੋ। ਇਸਨੂੰ ਇੱਕ ਬਹੁਤ ਤੇਜ਼ ਇੰਟਰਨ ਲਈ ਇੱਕ ਬਹੁਤ ਹੀ ਵਿਸਤ੍ਰਿਤ ਸਪੈਕਸ ਲਿਖਣ ਵਾਂਗ ਸੋਚੋ: ਉਤਸੁਕ, ਕਦੇ-ਕਦੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਆਤਮਵਿਸ਼ਵਾਸੀ।
ਵਿਹਾਰਕ ਸੁਝਾਅ: ਜੇਕਰ ਤੁਹਾਡਾ ਮਾਡਲ ਭਰਮ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਤਾਂ ਪ੍ਰਾਪਤੀ ਸ਼ਾਮਲ ਕਰੋ, ਪ੍ਰੋਂਪਟ ਨੂੰ ਸਖ਼ਤ ਕਰੋ, ਜਾਂ "ਵਾਈਬਸ" ਦੀ ਬਜਾਏ ਜ਼ਮੀਨੀ ਮੈਟ੍ਰਿਕਸ ਨਾਲ ਮੁਲਾਂਕਣ ਕਰੋ।
ਡੂੰਘੀ ਗੋਤਾਖੋਰੀ 3 - ਭਰਮਾਂ ਤੋਂ ਬਿਨਾਂ ਮੁਲਾਂਕਣ 🧪
ਚੰਗਾ ਮੁਲਾਂਕਣ ਬੋਰਿੰਗ ਮਹਿਸੂਸ ਹੁੰਦਾ ਹੈ - ਇਹੀ ਬਿਲਕੁਲ ਨੁਕਤਾ ਹੈ।
-
ਇੱਕ ਲਾਕਡ ਟੈਸਟ ਸੈੱਟ ਦੀ ਵਰਤੋਂ ਕਰੋ।
-
ਇੱਕ ਅਜਿਹਾ ਮਾਪਦੰਡ ਚੁਣੋ ਜੋ ਉਪਭੋਗਤਾ ਦੇ ਦਰਦ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੋਵੇ।
-
ਐਬਲੇਸ਼ਨ ਚਲਾਓ ਤਾਂ ਜੋ ਤੁਹਾਨੂੰ ਪਤਾ ਲੱਗੇ ਕਿ ਅਸਲ ਵਿੱਚ ਕੀ ਮਦਦ ਕੀਤੀ।
-
ਅਸਲੀ, ਗੁੰਝਲਦਾਰ ਉਦਾਹਰਣਾਂ ਨਾਲ ਅਸਫਲਤਾਵਾਂ ਨੂੰ ਲੌਗ ਕਰੋ।
ਉਤਪਾਦਨ ਵਿੱਚ, ਨਿਗਰਾਨੀ ਇੱਕ ਮੁਲਾਂਕਣ ਹੈ ਜੋ ਕਦੇ ਨਹੀਂ ਰੁਕਦਾ। ਵਹਾਅ ਹੁੰਦਾ ਹੈ। ਨਵੀਂ ਸਲੈਂਗ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ, ਸੈਂਸਰ ਰੀਕੈਲੀਬਰੇਟ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਅਤੇ ਕੱਲ੍ਹ ਦਾ ਮਾਡਲ ਥੋੜ੍ਹਾ ਜਿਹਾ ਖਿਸਕ ਜਾਂਦਾ ਹੈ। NIST ਢਾਂਚਾ ਚੱਲ ਰਹੇ ਜੋਖਮ ਪ੍ਰਬੰਧਨ ਅਤੇ ਸ਼ਾਸਨ ਲਈ ਇੱਕ ਵਿਹਾਰਕ ਸੰਦਰਭ ਹੈ - [4] ਨੂੰ ਸ਼ੈਲਫ ਕਰਨ ਲਈ ਇੱਕ ਨੀਤੀ ਦਸਤਾਵੇਜ਼ ਨਹੀਂ।
ਨੈਤਿਕਤਾ, ਪੱਖਪਾਤ ਅਤੇ ਭਰੋਸੇਯੋਗਤਾ ਬਾਰੇ ਇੱਕ ਨੋਟ ⚖️
ਏਆਈ ਸਿਸਟਮ ਆਪਣੇ ਡੇਟਾ ਅਤੇ ਤੈਨਾਤੀ ਸੰਦਰਭ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ। ਇਹ ਜੋਖਮ ਲਿਆਉਂਦਾ ਹੈ: ਪੱਖਪਾਤ, ਸਮੂਹਾਂ ਵਿੱਚ ਅਸਮਾਨ ਗਲਤੀਆਂ, ਵੰਡ ਸ਼ਿਫਟ ਦੇ ਅਧੀਨ ਭੁਰਭੁਰਾਪਨ। ਨੈਤਿਕ ਵਰਤੋਂ ਵਿਕਲਪਿਕ ਨਹੀਂ ਹੈ - ਇਹ ਟੇਬਲ ਦਾਅ ਹੈ। NIST ਠੋਸ ਅਭਿਆਸਾਂ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰਦਾ ਹੈ: ਦਸਤਾਵੇਜ਼ ਜੋਖਮਾਂ ਅਤੇ ਪ੍ਰਭਾਵਾਂ, ਨੁਕਸਾਨਦੇਹ ਪੱਖਪਾਤ ਲਈ ਮਾਪ, ਫਾਲਬੈਕ ਬਣਾਉਣਾ, ਅਤੇ ਜਦੋਂ ਦਾਅ ਉੱਚੇ ਹੁੰਦੇ ਹਨ ਤਾਂ ਮਨੁੱਖਾਂ ਨੂੰ ਲੂਪ ਵਿੱਚ ਰੱਖਣਾ [4]।
ਠੋਸ ਚਾਲ ਜੋ ਮਦਦ ਕਰਦੇ ਹਨ:
-
ਵਿਭਿੰਨ, ਪ੍ਰਤੀਨਿਧ ਡੇਟਾ ਇਕੱਠਾ ਕਰੋ
-
ਉਪ-ਜਨਸੰਖਿਆ ਵਿੱਚ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਮਾਪੋ
-
ਦਸਤਾਵੇਜ਼ ਮਾਡਲ ਕਾਰਡ ਅਤੇ ਡੇਟਾ ਸ਼ੀਟਾਂ
-
ਜਿੱਥੇ ਦਾਅ ਉੱਚਾ ਹੋਵੇ ਉੱਥੇ ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ ਸ਼ਾਮਲ ਕਰੋ
-
ਜਦੋਂ ਸਿਸਟਮ ਅਨਿਸ਼ਚਿਤ ਹੋਵੇ ਤਾਂ ਅਸਫਲ-ਸੇਫ਼ ਡਿਜ਼ਾਈਨ ਕਰੋ
AI ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ? ਇੱਕ ਮਾਨਸਿਕ ਮਾਡਲ ਦੇ ਤੌਰ 'ਤੇ ਤੁਸੀਂ ਦੁਬਾਰਾ ਵਰਤ ਸਕਦੇ ਹੋ 🧩
ਇੱਕ ਸੰਖੇਪ ਚੈੱਕਲਿਸਟ ਜੋ ਤੁਸੀਂ ਲਗਭਗ ਕਿਸੇ ਵੀ AI ਸਿਸਟਮ 'ਤੇ ਲਾਗੂ ਕਰ ਸਕਦੇ ਹੋ:
-
ਉਦੇਸ਼ ਕੀ ਹੈ? ਭਵਿੱਖਬਾਣੀ, ਦਰਜਾਬੰਦੀ, ਪੀੜ੍ਹੀ, ਨਿਯੰਤਰਣ?
-
ਸਿੱਖਣ ਦਾ ਸੰਕੇਤ ਕਿੱਥੋਂ ਆਉਂਦਾ ਹੈ? ਲੇਬਲ, ਸਵੈ-ਨਿਗਰਾਨੀ ਵਾਲੇ ਕੰਮ, ਇਨਾਮ?
-
ਕਿਸ ਆਰਕੀਟੈਕਚਰ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ? ਲੀਨੀਅਰ ਮਾਡਲ, ਟ੍ਰੀ ਐਨਸੈਂਬਲ, ਸੀਐਨਐਨ, ਆਰਐਨਐਨ, ਟ੍ਰਾਂਸਫਾਰਮਰ [3]?
-
ਇਸਨੂੰ ਕਿਵੇਂ ਅਨੁਕੂਲ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ? ਗਰੇਡੀਐਂਟ ਡਿਸੈਂਟ ਭਿੰਨਤਾਵਾਂ/ਬੈਕਪ੍ਰੌਪ [2]?
-
ਕਿਹੜਾ ਡਾਟਾ ਸਿਸਟਮ? ਛੋਟਾ ਲੇਬਲ ਕੀਤਾ ਸੈੱਟ, ਬਿਨਾਂ ਲੇਬਲ ਵਾਲੇ ਟੈਕਸਟ ਦਾ ਸਮੁੰਦਰ, ਨਕਲੀ ਵਾਤਾਵਰਣ?
-
ਅਸਫਲਤਾ ਦੇ ਢੰਗ ਅਤੇ ਸੁਰੱਖਿਆ ਉਪਾਅ ਕੀ ਹਨ? ਪੱਖਪਾਤ, ਵਹਿਣ, ਭਰਮ, ਲੇਟੈਂਸੀ, NIST ਦੇ GOVERN-MAP-MASURE-MANAGE [4] ਨਾਲ ਲਾਗਤ-ਮੈਪ ਕੀਤਾ ਗਿਆ।
ਜੇਕਰ ਤੁਸੀਂ ਇਹਨਾਂ ਦੇ ਜਵਾਬ ਦੇ ਸਕਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਮੂਲ ਰੂਪ ਵਿੱਚ ਸਿਸਟਮ ਨੂੰ ਸਮਝਦੇ ਹੋ - ਬਾਕੀ ਸਭ ਕੁਝ ਲਾਗੂਕਰਨ ਵੇਰਵੇ ਅਤੇ ਡੋਮੇਨ ਗਿਆਨ ਹੈ।
ਬੁੱਕਮਾਰਕ ਕਰਨ ਦੇ ਯੋਗ ਤੇਜ਼ ਸਰੋਤ 🔖
-
ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸੰਕਲਪਾਂ (IBM) ਦੀ ਸਾਦੀ ਭਾਸ਼ਾ ਜਾਣ-ਪਛਾਣ [1]
-
ਚਿੱਤਰਾਂ ਅਤੇ ਕੋਮਲ ਗਣਿਤ ਦੇ ਨਾਲ ਬੈਕਪ੍ਰੋਪੈਗੇਸ਼ਨ [2]
-
ਟ੍ਰਾਂਸਫਾਰਮਰ ਪੇਪਰ ਜਿਸਨੇ ਕ੍ਰਮ ਮਾਡਲਿੰਗ ਨੂੰ ਬਦਲਿਆ [3]
-
NIST ਦਾ AI ਜੋਖਮ ਪ੍ਰਬੰਧਨ ਢਾਂਚਾ (ਵਿਹਾਰਕ ਸ਼ਾਸਨ) [4]
-
ਕੈਨੋਨੀਕਲ ਰੀਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਪਾਠ ਪੁਸਤਕ (ਮੁਫ਼ਤ) [5]
ਅਕਸਰ ਪੁੱਛੇ ਜਾਂਦੇ ਸਵਾਲ ਬਿਜਲੀ ਦਾ ਦੌਰ ⚡
ਕੀ ਏਆਈ ਸਿਰਫ਼ ਅੰਕੜੇ ਹਨ?
ਇਹ ਅੰਕੜੇ ਅਤੇ ਅਨੁਕੂਲਤਾ, ਕੰਪਿਊਟ, ਡੇਟਾ ਇੰਜੀਨੀਅਰਿੰਗ, ਅਤੇ ਉਤਪਾਦ ਡਿਜ਼ਾਈਨ ਹਨ। ਅੰਕੜੇ ਪਿੰਜਰ ਹਨ; ਬਾਕੀ ਮਾਸਪੇਸ਼ੀ ਹੈ।
ਕੀ ਵੱਡੇ ਮਾਡਲ ਹਮੇਸ਼ਾ ਜਿੱਤਦੇ ਹਨ?
ਸਕੇਲਿੰਗ ਮਦਦ ਕਰਦੀ ਹੈ, ਪਰ ਡੇਟਾ ਗੁਣਵੱਤਾ, ਮੁਲਾਂਕਣ, ਅਤੇ ਤੈਨਾਤੀ ਦੀਆਂ ਰੁਕਾਵਟਾਂ ਅਕਸਰ ਜ਼ਿਆਦਾ ਮਾਇਨੇ ਰੱਖਦੀਆਂ ਹਨ। ਸਭ ਤੋਂ ਛੋਟਾ ਮਾਡਲ ਜੋ ਤੁਹਾਡੇ ਟੀਚੇ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ ਆਮ ਤੌਰ 'ਤੇ ਉਪਭੋਗਤਾਵਾਂ ਅਤੇ ਵਾਲਿਟ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਹੁੰਦਾ ਹੈ।
ਕੀ AI ਸਮਝ ਸਕਦਾ ਹੈ?
ਸਮਝ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ । ਮਾਡਲ ਡੇਟਾ ਵਿੱਚ ਬਣਤਰ ਨੂੰ ਕੈਪਚਰ ਕਰਦੇ ਹਨ ਅਤੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਆਮੀਕਰਨ ਕਰਦੇ ਹਨ; ਪਰ ਉਹਨਾਂ ਕੋਲ ਅੰਨ੍ਹੇ ਧੱਬੇ ਹਨ ਅਤੇ ਵਿਸ਼ਵਾਸ ਨਾਲ ਗਲਤ ਹੋ ਸਕਦੇ ਹਨ। ਉਹਨਾਂ ਨਾਲ ਸ਼ਕਤੀਸ਼ਾਲੀ ਔਜ਼ਾਰਾਂ ਵਾਂਗ ਵਿਵਹਾਰ ਕਰੋ - ਬੁੱਧੀਮਾਨਾਂ ਵਾਂਗ ਨਹੀਂ।
ਕੀ ਟ੍ਰਾਂਸਫਾਰਮਰ ਯੁੱਗ ਹਮੇਸ਼ਾ ਲਈ ਹੈ?
ਸ਼ਾਇਦ ਹਮੇਸ਼ਾ ਲਈ ਨਹੀਂ। ਇਹ ਹੁਣ ਪ੍ਰਮੁੱਖ ਹੈ ਕਿਉਂਕਿ ਧਿਆਨ ਸਮਾਨਾਂਤਰ ਹੁੰਦਾ ਹੈ ਅਤੇ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸਕੇਲ ਕਰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਅਸਲ ਪੇਪਰ ਨੇ ਦਿਖਾਇਆ ਹੈ [3]। ਪਰ ਖੋਜ ਅੱਗੇ ਵਧਦੀ ਰਹਿੰਦੀ ਹੈ।
ਏਆਈ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ? ਬਹੁਤ ਲੰਮਾ, ਪੜ੍ਹਿਆ ਨਹੀਂ 🧵
-
AI ਡੇਟਾ ਤੋਂ ਪੈਟਰਨ ਸਿੱਖਦਾ ਹੈ, ਨੁਕਸਾਨ ਨੂੰ ਘੱਟ ਕਰਦਾ ਹੈ, ਅਤੇ ਨਵੇਂ ਇਨਪੁਟਸ [1,2] ਨੂੰ ਆਮ ਬਣਾਉਂਦਾ ਹੈ।
-
ਨਿਗਰਾਨੀ ਅਧੀਨ, ਨਿਗਰਾਨੀ ਰਹਿਤ, ਸਵੈ-ਨਿਗਰਾਨੀ ਅਧੀਨ, ਅਤੇ ਮਜ਼ਬੂਤੀ ਸਿਖਲਾਈ ਮੁੱਖ ਸਿਖਲਾਈ ਸੈੱਟਅੱਪ ਹਨ; ਆਰਐਲ ਇਨਾਮਾਂ ਤੋਂ ਸਿੱਖਦਾ ਹੈ [5]।
-
ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਲੱਖਾਂ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਕੁਸ਼ਲਤਾ ਨਾਲ ਐਡਜਸਟ ਕਰਨ ਲਈ ਬੈਕਪ੍ਰੋਪੈਗੇਸ਼ਨ ਅਤੇ ਗਰੇਡੀਐਂਟ ਡਿਸੈਂਟ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ [2]।
-
ਟ੍ਰਾਂਸਫਾਰਮਰ ਬਹੁਤ ਸਾਰੇ ਕ੍ਰਮ ਕਾਰਜਾਂ 'ਤੇ ਹਾਵੀ ਹੁੰਦੇ ਹਨ ਕਿਉਂਕਿ ਸਵੈ-ਧਿਆਨ ਸਕੇਲ [3] 'ਤੇ ਸਮਾਨਾਂਤਰ ਸਬੰਧਾਂ ਨੂੰ ਕੈਪਚਰ ਕਰਦਾ ਹੈ।
-
ਅਸਲ-ਸੰਸਾਰ AI ਇੱਕ ਪਾਈਪਲਾਈਨ ਹੈ - ਸਮੱਸਿਆ ਦੇ ਫਰੇਮਿੰਗ ਤੋਂ ਲੈ ਕੇ ਤੈਨਾਤੀ ਅਤੇ ਸ਼ਾਸਨ ਤੱਕ - ਅਤੇ NIST ਦਾ ਢਾਂਚਾ ਤੁਹਾਨੂੰ ਜੋਖਮ ਬਾਰੇ ਇਮਾਨਦਾਰ ਰੱਖਦਾ ਹੈ [4]।
ਜੇਕਰ ਕੋਈ ਦੁਬਾਰਾ ਪੁੱਛੇ ਕਿ AI ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ?, ਤਾਂ ਤੁਸੀਂ ਮੁਸਕਰਾ ਸਕਦੇ ਹੋ, ਆਪਣੀ ਕੌਫੀ ਪੀ ਸਕਦੇ ਹੋ, ਅਤੇ ਕਹਿ ਸਕਦੇ ਹੋ: ਇਹ ਡੇਟਾ ਤੋਂ ਸਿੱਖਦਾ ਹੈ, ਨੁਕਸਾਨ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਂਦਾ ਹੈ, ਅਤੇ ਸਮੱਸਿਆ ਦੇ ਆਧਾਰ 'ਤੇ ਟ੍ਰਾਂਸਫਾਰਮਰ ਜਾਂ ਟ੍ਰੀ ਐਨਸੈਂਬਲ ਵਰਗੇ ਆਰਕੀਟੈਕਚਰ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਫਿਰ ਇੱਕ ਅੱਖ ਮਾਰੋ, ਕਿਉਂਕਿ ਇਹ ਸਧਾਰਨ ਅਤੇ ਗੁਪਤ ਰੂਪ ਵਿੱਚ ਸੰਪੂਰਨ ਹੈ। 😉
ਹਵਾਲੇ
[1] IBM - ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕੀ ਹੈ?
ਹੋਰ ਪੜ੍ਹੋ
[2] ਮਾਈਕਲ ਨੀਲਸਨ - ਬੈਕਪ੍ਰੋਪੈਗੇਸ਼ਨ ਐਲਗੋਰਿਦਮ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ
ਹੋਰ ਪੜ੍ਹੋ
[3] ਵਾਸਵਾਨੀ ਅਤੇ ਹੋਰ - ਧਿਆਨ ਹੀ ਸਭ ਕੁਝ ਹੈ (arXiv)
ਹੋਰ ਪੜ੍ਹੋ
[4] NIST - ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਰਿਸਕ ਮੈਨੇਜਮੈਂਟ ਫਰੇਮਵਰਕ (AI RMF 1.0)
ਹੋਰ ਪੜ੍ਹੋ
[5] ਸਟਨ ਅਤੇ ਬਾਰਟੋ - ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ: ਇੱਕ ਜਾਣ-ਪਛਾਣ (ਦੂਜਾ ਐਡੀ.)
ਹੋਰ ਪੜ੍ਹੋ