AI తన సమాచారాన్ని ఎక్కడి నుండి పొందుతుంది?

ఎప్పుడైనా తల గోక్కుంటూ కూర్చుంటే,... అసలు ఈ వస్తువులు ఎక్కడి నుండి వస్తున్నాయి ? అంటే, AI దుమ్ము పట్టిన లైబ్రరీ స్టాక్‌ల గుండా తిరగడం లేదా YouTube షార్ట్‌లను మోసపూరితంగా చూడటం లేదు. అయినప్పటికీ, ఏదో ఒకవిధంగా అది లాసాగ్నా హ్యాక్‌ల నుండి బ్లాక్ హోల్ ఫిజిక్స్ వరకు ప్రతిదానికీ సమాధానాలను అందిస్తుంది - దానిలో కొంత అట్టడుగు ఫైలింగ్ క్యాబినెట్ ఉన్నట్లుగా. వాస్తవికత వింతగా ఉంది మరియు మీరు ఊహించిన దానికంటే మరింత ఆసక్తికరంగా ఉండవచ్చు. దాన్ని కొంచెం విప్పి చూద్దాం (మరియు అవును, బహుశా మార్గంలో కొన్ని అపోహలను ఛేదించవచ్చు).

ఇది మంత్రవిద్యనా? 🌐

ఇది మంత్రవిద్య కాదు, కొన్నిసార్లు అలా అనిపిస్తుంది. హుడ్ కింద జరుగుతున్నది ప్రాథమికంగా నమూనా అంచనా . పెద్ద భాషా నమూనాలు (LLMలు) వాస్తవాలను నిల్వ ; బదులుగా, వారు ముందు వచ్చిన దాని ఆధారంగా తదుపరి పదాన్ని (టోకెన్) ఊహించడానికి శిక్షణ పొందుతారు [2]. ఆచరణలో, అంటే అవి సంబంధాలపై పట్టు సాధిస్తాయి: ఏ పదాలు కలిసి ఉంటాయి, వాక్యాలు సాధారణంగా ఎలా ఆకారం తీసుకుంటాయి, మొత్తం ఆలోచనలు పరంజా లాగా ఎలా నిర్మించబడ్డాయి. అందుకే అవుట్‌పుట్ అనిపిస్తుంది , అయినప్పటికీ - పూర్తి నిజాయితీ - ఇది గణాంక అనుకరణ, అవగాహన కాదు [4].

కాబట్టి AI-సృష్టించిన సమాచారాన్ని వాస్తవానికి ఉపయోగకరంగా ? కొన్ని విషయాలు:

• డేటా వైవిధ్యం - ఒక ఇరుకైన ప్రవాహం నుండి కాకుండా లెక్కలేనన్ని మూలాల నుండి తీసుకోవడం.

• అప్‌డేట్‌లు - రిఫ్రెష్ సైకిల్స్ లేకుండా, ఇది త్వరగా పాతబడిపోతుంది.

• వడపోత - చెత్త లోపలికి చొరబడకముందే పట్టుకోవడం ఆదర్శం (అయితే, నిజం అనుకుందాం, ఆ వలకు రంధ్రాలు ఉంటాయి).

• క్రాస్-చెకింగ్ - అధికార వనరులపై ఆధారపడటం (NASA, WHO, ప్రధాన విశ్వవిద్యాలయాలు వంటివి), ఇది చాలా AI గవర్నెన్స్ ప్లేబుక్‌లలో తప్పనిసరిగా ఉండాలి [3].

భ్రాంతులు అని పిలవబడేవి ? ప్రాథమికంగా మెరుగుపెట్టిన అర్ధంలేనివి నేరుగా ముఖంతో అందించబడతాయి [2][3].

దీని తర్వాత మీరు చదవడానికి ఇష్టపడే కథనాలు:

🔗 AI లాటరీ సంఖ్యలను అంచనా వేయగలదా?
AI లాటరీ అంచనాల గురించి అపోహలు మరియు వాస్తవాలను అన్వేషించడం.

🔗 AI కి సమగ్ర విధానాన్ని తీసుకోవడం అంటే ఏమిటి?
నైతికత మరియు ప్రభావంపై సమతుల్య దృక్పథాలతో AIని అర్థం చేసుకోవడం.

🔗 కృత్రిమ మేధస్సు గురించి బైబిల్ ఏమి చెబుతుంది?
సాంకేతికత మరియు మానవ సృష్టిపై బైబిల్ దృక్కోణాలను పరిశీలించడం.

త్వరిత పోలిక: AI ఎక్కడి నుండి వస్తుంది 📊

ప్రతి మూలం సమానంగా ఉండదు, కానీ ప్రతి ఒక్కటి దాని పాత్రను పోషిస్తుంది. ఇక్కడ స్నాప్‌షాట్ వీక్షణ ఉంది.

శిక్షణ డేటా విశ్వం 🌌

ఇది “బాల్యం నేర్చుకునే” దశ. ఒక పిల్లవాడికి లక్షలాది కథా పుస్తకాలు, వార్తల క్లిప్పింగ్‌లు మరియు వికీపీడియా రాబిట్ హోల్స్ అన్నీ ఒకేసారి అందజేయడాన్ని ఊహించుకోండి. ప్రీ-ట్రైనింగ్ అలాగే కనిపిస్తుంది. వాస్తవ ప్రపంచంలో, ప్రొవైడర్లు బహిరంగంగా అందుబాటులో ఉన్న డేటా, లైసెన్స్ పొందిన మూలాలు మరియు శిక్షకుడు రూపొందించిన వచనాన్ని [2] ఒకచోట చేర్చుతారు.

పైన పొరలుగా: క్యూరేటెడ్ మానవ ఉదాహరణలు-మంచి సమాధానాలు, చెడు సమాధానాలు, సరైన దిశలో నెట్టడం-బలోపేతం ప్రారంభమయ్యే ముందు [1].

పారదర్శకత హెచ్చరిక: కంపెనీలు ప్రతి వివరాలను వెల్లడించవు. కొన్ని గార్డ్‌రెయిల్‌లు రహస్యంగా ఉంటాయి (IP, భద్రతా సమస్యలు), కాబట్టి మీరు వాస్తవ మిశ్రమంలోకి పాక్షిక విండోను మాత్రమే పొందుతారు [2].

రియల్-టైమ్ సెర్చ్: ది ఎక్స్‌ట్రా టాపింగ్ 🍒

కొన్ని మోడల్స్ ఇప్పుడు తమ శిక్షణా బుడగ వెలుపలికి తొంగి చూడవచ్చు. అది రిట్రీవల్-ఆగ్మెంటెడ్ జనరేషన్ (RAG) - ప్రాథమికంగా లైవ్ ఇండెక్స్ లేదా డాక్ స్టోర్ నుండి భాగాలను తీసి, ఆపై దానిని ప్రత్యుత్తరంలో అల్లడం [5]. వార్తల ముఖ్యాంశాలు లేదా స్టాక్ ధరలు వంటి వేగంగా మారుతున్న విషయాలకు ఇది సరైనది.

అసలు విషయం ఏంటి? ఇంటర్నెట్ అనేది తెలివితేటలు మరియు చెత్త నిప్పుతో సమానం. ఫిల్టర్లు లేదా మూల తనిఖీలు బలహీనంగా ఉంటే, మీరు జంక్ డేటా తిరిగి దొంగిలించే ప్రమాదం ఉంది - రిస్క్ ఫ్రేమ్‌వర్క్‌లు దేని గురించి హెచ్చరిస్తాయో అదే [3].

వారి స్వంత కలుపుతాయి , కాబట్టి సమాధానాలు దానిని రెక్కలు కట్టడానికి బదులుగా ప్రస్తుత HR పాలసీ లేదా నవీకరించబడిన ఉత్పత్తి పత్రాన్ని ఉదహరిస్తాయి. ఆలోచించండి: తక్కువ "ఊ-ఓహ్" క్షణాలు, మరింత నమ్మదగిన సమాధానాలు.

ఫైన్-ట్యూనింగ్: AI యొక్క పాలిషింగ్ దశ 🧪

ముడి ప్రీ-ట్రైన్డ్ మోడల్స్ వికృతంగా ఉంటాయి. కాబట్టి అవి చక్కగా ట్యూన్ చేయబడతాయి :

• సహాయకారిగా, హానిచేయనిదిగా, నిజాయితీగా ఉండటానికి నేర్పించడం (మానవ అభిప్రాయం నుండి ఉపబల అభ్యాసం ద్వారా, RLHF) [1].

• అసురక్షిత లేదా విషపూరిత అంచులను ఇసుక వేయడం (అమరిక) [1].

• స్నేహపూర్వకంగా, అధికారికంగా లేదా సరదాగా వ్యంగ్యంగా మాట్లాడే స్వరానికి తగ్గట్టుగా సర్దుబాటు చేసుకోవడం.

ఇది వజ్రాన్ని మెరుగుపెట్టడం కాదు, గణాంకపరంగా వచ్చిన హిమపాతాన్ని సంభాషణ భాగస్వామిలా ప్రవర్తించేలా చేయడం.

ఒడిదుడుకులు మరియు వైఫల్యాలు 🚧

ఇది దోషరహితంగా ఉందని నటించవద్దు:

• భ్రాంతులు - పూర్తిగా తప్పుగా ఉండే స్పష్టమైన సమాధానాలు [2][3].

• పక్షపాతం - ఇది డేటాలో బేక్ చేయబడిన నమూనాలను ప్రతిబింబిస్తుంది; తనిఖీ చేయకపోతే వాటిని విస్తరించవచ్చు [3][4].

• ప్రత్యక్ష అనుభవం లేదు - ఇది మాట్లాడగలదు కానీ ఎప్పుడూ రుచి చూడలేదు [4].

• అతి విశ్వాసం - గద్యం తనకు తెలిసినట్లుగా ప్రవహిస్తుంది, తెలియకపోయినా కూడా. ప్రమాద చట్రాలు అంచనాలను దెబ్బతీస్తాయి [3].

ఎందుకు అనిపిస్తుంది 🧠

దానికి నమ్మకాలు లేవు, మానవ కోణంలో జ్ఞాపకశక్తి లేదు, మరియు ఖచ్చితంగా స్వీయ భావన లేదు. అయినప్పటికీ అది వాక్యాలను సజావుగా కలిపి ఉంచుతుంది కాబట్టి, మీ మెదడు దానిని అర్థం చేసుకున్నట్లుగా . జరుగుతున్నది కేవలం భారీ-స్థాయి తదుపరి-టోకెన్ అంచనా : స్ప్లిట్-సెకన్లలో ట్రిలియన్ల కొద్దీ సంభావ్యతలను క్రంచ్ చేయడం [2].

"తెలివితేటలు" అనే వైబ్ అనేది ఉద్భవిస్తున్న ప్రవర్తన - పరిశోధకులు దీనిని కొంచెం అసభ్యకరంగా, "సంక్లిష్ట చిలుక" ప్రభావం అని పిలుస్తారు [4].

పిల్లలకు అనుకూలమైన సారూప్యత 🎨

లైబ్రరీలోని ప్రతి పుస్తకాన్ని చదివిన ఒక చిలుకను ఊహించుకోండి. దానికి అర్థం కానీ పదాలను తిరిగి కలిపి తెలివైనదిగా అనిపించేలా చేయగలదు. కొన్నిసార్లు ఇది స్పష్టంగా ఉంటుంది; కొన్నిసార్లు ఇది అర్ధంలేనిది - కానీ తగినంత నైపుణ్యంతో, మీరు ఎల్లప్పుడూ తేడాను గుర్తించలేరు.

సంక్షిప్తంగా: AI సమాచారం ఎక్కడి నుండి వస్తుంది 📌

సరళంగా చెప్పాలంటే:

• భారీ శిక్షణ డేటా (పబ్లిక్ + లైసెన్స్ పొందిన + శిక్షకుడు రూపొందించినది) [2].

• స్వరం/ప్రవర్తనను రూపొందించడానికి మానవ అభిప్రాయంతో ఫైన్-ట్యూనింగ్

• లైవ్ డేటా స్ట్రీమ్‌లకు అనుసంధానించబడినప్పుడు తిరిగి పొందే వ్యవస్థలు

AI కి విషయాలు "తెలియవు" - అది వచనాన్ని అంచనా వేస్తుంది . అదే దాని సూపర్ పవర్ మరియు దాని అకిలెస్ హీల్ రెండూ. సారాంశం? ఎల్లప్పుడూ ముఖ్యమైన విషయాలను విశ్వసనీయ మూలంతో పోల్చి చూసుకోండి [3].

ప్రస్తావనలు

1. ఔయాంగ్, ఎల్. మరియు ఇతరులు (2022). మానవ అభిప్రాయంతో సూచనలను అనుసరించడానికి భాషా నమూనాలకు శిక్షణ ఇవ్వడం (InstructGPT) . arXiv .

2. OpenAI (2023). GPT-4 సాంకేతిక నివేదిక - లైసెన్స్ పొందిన, పబ్లిక్ మరియు మానవ-సృష్టించిన డేటా మిశ్రమం; తదుపరి-టోకెన్ అంచనా లక్ష్యం మరియు పరిమితులు. arXiv .

3. NIST (2023). AI రిస్క్ మేనేజ్‌మెంట్ ఫ్రేమ్‌వర్క్ (AI RMF 1.0) - మూలం, విశ్వసనీయత మరియు రిస్క్ నియంత్రణలు. PDF .

4. బెండర్, EM, గెబ్రూ, T., మెక్‌మిలన్-మేజర్, A., మిచెల్, S. (2021). యాదృచ్ఛిక చిలుకల ప్రమాదాలపై: భాషా నమూనాలు చాలా పెద్దవిగా ఉండవచ్చా? PDF .

5. లూయిస్, పి. మరియు ఇతరులు (2020). నాలెడ్జ్-ఇంటెన్సివ్ NLP కోసం తిరిగి పొందే-వృద్ధి చెందిన తరం . arXiv .

అధికారిక AI అసిస్టెంట్ స్టోర్‌లో తాజా AI ని కనుగొనండి

మా గురించి