Штучний інтелект (ШІ) докорінно змінює сучасний світ, водночас формуючи власну термінологію, яка може бути незрозумілою навіть для досвідчених фахівців ІТ-сфери. Нижче наведено пояснення ключових понять, що допоможуть зорієнтуватися у світі технологій штучного інтелекту.
Про це розповідає ProIT
Визначення та особливості AGI, агентів та великих мовних моделей
Штучний загальний інтелект (AGI) – це термін, що позначає рівень ШІ, здатного виконувати більшість когнітивних завдань на рівні або краще за людину. Директор OpenAI Сем Альтман описує AGI як “еквівалент середньостатистичної людини, яку можна найняти співробітником”. Водночас у статуті OpenAI AGI трактується як “високорівневі автономні системи, котрі перевершують людей у більшості економічно важливих завдань”; Google DeepMind розглядає AGI як ШІ, що не поступається людині у когнітивних процесах.
“AGI – це високорівневі автономні системи, котрі перевершують людей у більшості економічно важливих завдань”.
AI-агент – це інструмент, який використовує ШІ для виконання складних послідовних дій на користь користувача: від бронювання квитків до написання та супроводу коду. Концепція передбачає автономність і здатність взаємодіяти з різними системами для виконання багатокрокових завдань.
Великі мовні моделі (LLM) – це глибокі нейромережі з мільярдами параметрів, які навчаються на величезних обсягах текстових даних. Вони використовуються у таких продуктах, як ChatGPT, Claude, Gemini, Llama, Copilot та Le Chat. LLM аналізують текст, знаходять патерни і генерують відповіді, що максимально відповідають запиту користувача.
Ключові технічні терміни та концепції AI
- API endpoints – це інтерфейси, через які одна програма може взаємодіяти з іншою, наприклад, для доступу до сервісу або даних. AI-агенти можуть самостійно знаходити і використовувати ці точки доступу для автоматизації дій.
- Chain-of-thought reasoning – розбивання складної задачі на прості проміжні кроки для отримання якісної відповіді, особливо у логічних або програмних задачах.
- Кодовий агент – це спеціалізований AI-агент для розробки ПЗ, який може автономно писати, тестувати й виправляти код, мінімізуючи потребу в постійному нагляді людини.
- Обчислювальні потужності (Compute) – ресурси (GPU, CPU, TPU тощо), необхідні для навчання та роботи AI-моделей.
- Глибинне навчання (Deep learning) – підхід у машинному навчанні, де використовуються багаторівневі штучні нейромережі, що самостійно виокремлюють важливі ознаки у даних та оптимізують свої результати на основі помилок.
- Дифузія (Diffusion) – технологія, на основі якої працюють багато генеративних моделей, що відновлюють дані зі стану “шуму”.
- Дистиляція (Distillation) – метод створення меншої, ефективнішої моделі на основі великої шляхом навчання “студента” на відповідях “вчителя”.
- Тонке налаштування (Fine tuning) – донавчання моделі для вузької галузі або спеціалізованої задачі.
- Генеративна змагальна мережа (GAN) – структура з двох нейронних мереж, одна з яких генерує дані, а інша оцінює їх на реалістичність, забезпечуючи розвиток генеративних AI-рішень.
- Галюцинації (Hallucination) – вигадані або помилкові відповіді AI, що виникають через нестачу або нерелевантність даних під час навчання.
- Інференс (Inference) – процес використання AI-моделі для прогнозування або формування висновків на основі навченої інформації.
- Кешування пам’яті (Memory cache) – оптимізація, що зберігає результати обчислень для швидшого отримання відповідей на майбутні запити.
- Нейронна мережа – багаторівнева математична структура, що імітує роботу людського мозку для обробки й аналізу даних.
- Відкритий код (Open source) – підхід, при якому програмний код AI-моделі є загальнодоступним для аналізу, змін і розвитку.
- Паралелізація (Parallelization) – виконання багатьох обчислювальних операцій одночасно для пришвидшення навчання та роботи AI-систем.
- RAMageddon – термін для позначення глобального дефіциту оперативної пам’яті через потреби AI-індустрії, що призводить до подорожчання техніки.
- Рекурсивне самовдосконалення (RSI) – здатність AI-моделей самостійно створювати свої вдосконалені версії без участі людини.
- Підкріплювальне навчання (Reinforcement learning) – метод, коли AI вчиться через нагороди за правильні дії, що особливо ефективно при навчанні ігор, роботів чи мовних моделей.
- Токени – найменші одиниці тексту, які AI-моделі аналізують для обробки запитів; також використовуються для розрахунку вартості використання LLM у бізнес-середовищі.
- Пропускна здатність токенів (Token throughput) – показник того, скільки токенів AI-система може обробити за визначений час.
- Навчання (Training) – процес подачі даних для формування навичок AI-моделі, що потребує значних ресурсів та оптимізації.
- Трансферне навчання (Transfer learning) – використання вже навченої моделі як основи для вирішення нової, схожої задачі.
- Validation loss – показник, що демонструє якість навчання AI; його зменшення свідчить про покращення моделі.
- Ваги (Weights) – числові параметри, які визначають важливість окремих ознак у даних для формування відповіді AI.
Глосарій оновлюється відповідно до розвитку галузі штучного інтелекту та появи нових понять.