Artificiell intelligens (AI) är ett brett forskningsområde, liknande fysik, som omfattar olika delområden som maskininlärning. Maskininlärning är en delmängd av AI, precis som termodynamik är ett delområde av fysik.

Innom maskininlärning finns det ytterligare uppdelningar som övervakad och oövervakad inlärning. Övervakad inlärning använder märkta data för att träna modeller som kan göra förutsägelser på nya data, medan oövervakad inlärning identifierar mönster i omärkta data.

Djupinlärning, en typ av maskininlärning, utnyttjar artificiella neuronnät inspirerade av den mänskliga hjärnan. Djupinlärningsmodeller kan antingen vara diskriminerande, vilket klassificerar data baserat på etiketter, eller generativa, vilket kan skapa nya dataprov baserat på mönster i träningsdata.

Stora språkmodeller (LLM) är en specifik typ av djupinlärningsmodell som är förtränade på enorma mängder textdata och sedan finslipas för specifika uppgifter. Detta gör att de kan utmärka sig inom språkrelaterade tillämpningar som textgenerering, sammanfattning och frågebesvarande.

Sammanfattningsvis är AI ett brett fält, maskininlärning är ett delområde av AI, djupinlärning är en typ av maskininlärning och LLM är en specifik typ av djupinlärningsmodell med unika möjligheter.

Maskininlärning är ett delområde av artificiell intelligens som innebär att träna datorprogram att lära sig från data och göra förutsägelser eller beslut utan att vara explicit programmerade. De viktiga aspekterna av maskininlärning är:

• Indata: Maskininlärningsmodeller tränas på indata, som kan vara märkta (övervakad inlärning) eller omärkta (oövervakad inlärning).
• Träning: Modellen lär sig mönster och samband i indatan genom träningsprocessen.
• Förutsägelse: Den tränade modellen kan sedan göra förutsägelser eller beslut på nya, osedda data.

Det finns två huvudtyper av maskininlärningsmodeller:

1. Övervakad inlärning: Dessa modeller tränas på märkta data, där indatan är kopplad till förväntat utdata. Modellen lär sig att mappa indata till utdata och kan sedan göra förutsägelser på nya data.

2. Oövervakad inlärning: Dessa modeller tränas på omärkta data, och algoritmen upptäcker mönster och grupperingar i data på egen hand, utan några förutbestämda etiketter.

Maskininlärningsmodeller kan vidare delas in i diskriminerande och generativa modeller:

• Diskriminerande modeller: Dessa modeller lär sig sambandet mellan indata och etiketter, och kan klassificera nya datapunkter i de inlärda kategorierna.
• Generativa modeller: Dessa modeller lär sig de underliggande mönstren och fördelningarna i träningsdata, och kan generera nya prover som liknar den ursprungliga datan.

Sammanfattningsvis är maskininlärning ett kraftfullt verktyg för att extrahera insikter och göra förutsägelser från data, och är en grundläggande komponent i moderna system för artificiell intelligens.

Djupinlärning är en typ av maskininlärning som använder artificiella neuronnät för att lära sig från data. Dessa neuronnät är inspirerade av den mänskliga hjärnans struktur och funktion, med lager av sammankopplade noder som kan bearbeta och lära sig från komplexa mönster i data.

De viktiga aspekterna av djupinlärning är:

1. Artificiella neuronnät: Djupinlärningsmodeller byggs med hjälp av artificiella neuronnät, som består av flera lager av noder och kopplingar som efterliknar den mänskliga hjärnans struktur.

2. Hierarkisk inlärning: Djupinlärningsmodeller kan lära sig hierarkiska representationer av data, där lägre lager lär sig enkla funktioner och högre lager lär sig mer komplexa, abstrakta funktioner.

3. Oövervakad och semi-övervakad inlärning: Djupinlärningsmodeller kan lära sig från både märkta och omärkta data, vilket gör att de kan extrahera meningsfulla mönster från stora, ostrukturerade datamängder.

4. Diskriminerande och generativa modeller: Djupinlärning kan användas för att bygga både diskriminerande modeller, som klassificerar data, och generativa modeller, som kan generera nya dataprov.

5. Tillämpningar: Djupinlärning har framgångsrikt tillämpats på en bred uppsättning uppgifter, inklusive bildigeninning, naturlig språkbehandling, taligeninning och prediktiv analys.

Kraften i djupinlärning ligger i dess förmåga att automatiskt lära sig funktioner från data, utan behovet av manuell funktionsframtagning. Detta gör djupinlärningsmodeller mycket anpassningsbara och kapabla att lösa komplexa problem inom en mängd olika domäner.

Generativa AI-modeller är en kraftfull delmängd av djupinlärning som kan generera nytt innehåll, som text, bilder och till och med videor, baserat på de mönster de lär sig från träningsdata. Dessa modeller delas in i två huvudtyper: diskriminerande och generativa.

Diskriminerande modeller lär sig sambandet mellan indata och etiketter, och kan endast klassificera befintliga datapunkter. Generativa modeller däremot lär sig de underliggande mönstren i träningsdata och kan sedan generera helt nya prover som liknar den ursprungliga datan.

Några vanliga typer av generativa AI-modeller inkluderar:

1. Text-till-text-modeller: Dessa modeller, som ChatGPT och Google Bard, kan generera mänskliknande text baserat på inmatade uppmaningar.

2. Text-till-bild-modeller: Exempel är DALL-E, Midjourney och Stable Diffusion, som kan skapa bilder utifrån textbeskrivningar.

3. Text-till-video-modeller: Modeller som Cogito och Make-A-Video kan generera videomaterial utifrån textuppmaningar.

4. Text-till-3D-modeller: Sådana modeller, som Shaper, kan skapa 3D-tillgångar och spellobjekt utifrån textinmatning.

5. Text-till-uppgift-modeller: Dessa modeller är tränade att utföra specifika uppgifter, som att sammanfatta e-post eller besvara frågor, baserat på textinmatning.

Stora språkmodeller (LLM) är en delmängd av djupinlärning som är förtränade på enorma mängder data och sedan finslipas för specifika tillämpningar. Detta gör det möjligt för mindre organisationer att dra nytta av dessa modellers kraft utan att behöva utveckla egna från grunden.

Den viktiga skillnaden mellan generativa AI och LLM är att generativa modeller kan skapa nytt innehåll, medan LLM främst används för uppgifter som klassificering, frågebesvarande och textgenerering.

Stora språkmodeller (LLM) är en delmängd av djupinlärning, som i sin tur är en typ av maskininlärning. LLM är förtränade på enorma mängder data, vanligtvis text, för att lösa vanliga språkproblem som textklassificering, frågebesvarande, dokumentsammanfattning och textgenerering.

Efter denna inledande förträning kan LLM finslipas på mindre, domänspecifika datamängder för att lösa mer specialiserade problem. Till exempel skulle ett sjukhus kunna finslipa en förtränad LLM med sina egna medicinska data för att förbättra diagnostisk noggrannhet från röntgenbilder och andra tester.

Denna metod är fördelaktig eftersom den gör det möjligt för mindre institutioner, som detaljhandelsföretag, banker och sjukhus, att dra nytta av LLMs kraftfulla möjligheter utan att behöva utveckla egna modeller från grunden, vilket kan vara resurskrävande.

Den viktiga skillnaden mellan LLM och generativ AI är att LLM i allmänhet är förtränade för att lösa vanliga språkuppgifter, medan generativa AI-modeller är tränade för att generera nytt, originellt innehåll som text, bilder eller ljud.

Sammanfattningsvis är LLM ett kraftfullt verktyg som kan finslipas för en bred uppsättning tillämpningar, vilket gör dem till en värdefull tillgång för organisationer som inte har resurser att utveckla egna språkmodeller.

I denna koncisa översikt har vi täckt de viktigaste begreppen och relationerna inom området för artificiell intelligens. Vi började med den breda definitionen av AI som ett forskningsområde, och gick sedan in på delområdena maskininlärning, djupinlärning och stora språkmodeller.

Vi utforskade skillnaderna mellan övervakad och oövervakad inlärning, samt kraften i semi-övervakad inlärning med hjälp av djupa neuronnät. Vi diskuterade också skillnaden mellan diskriminerande och generativa modeller, och hur de senare kan skapa nytt innehåll som text, bilder och videor.

Avslutningsvis belyste vi betydelsen av stora språkmodeller (LLM) och hur de är förtränade på enorma datamängder och sedan finslipas för specifika tillämpningar, vilket möjliggör för mindre organisationer att dra nytta av kraftfulla AI-möjligheter.

Denna översikt bör ge en solid grund för att förstå de centrala komponenterna i artificiell intelligens och hur de relaterar till praktiska tillämpningar som ChatGPT och Google Bard. Kom ihåg att den fullständiga Google AI-kursen är tillgänglig gratis, och du kan enkelt navigera tillbaka till specifika avsnitt med hjälp av videotidsstämplarna.