Čo je vlastne umelá inteligencia? [Video a kvíz]

Stručná odpoveď: UI je široká skupina výpočtových techník, ktoré rozpoznávajú vzory, vytvárajú predpovede, generujú obsah a čoraz častejšie aj vykonávajú akcie. Môže byť veľmi efektívna, keď sú okolo nej vybudované spoľahlivé informácie, jasné povolenia a ľudské preskúmanie, ale plynulý výstup by sa nikdy nemal považovať za automatický dôkaz pravdy.

Kľúčové poznatky:

Zodpovednosť: Udržujte ľudí zodpovedných za dôležité rozhodnutia, najmä tam, kde môže umelá inteligencia robiť nákladné chyby.

Transparentnosť: Jasne uveďte, na akých informáciách, pravidlách a povoleniach sa systém umelej inteligencie spolieha.

Overovanie: Pred konaním skontrolujte dôležité faktické, lekárske, právne, finančné a obchodné výstupy.

Auditabilnosť: Testujte umelú inteligenciu na reprezentatívnych prípadoch a zaznamenávajte zvýšenie efektívnosti aj zavedené chyby.

Odolnosť proti zneužitiu: Obmedzte prístup, zabráňte nepodloženým akciám a eskalujte neisté prípady ľudským kontrolórom.

1. Čo je vlastne umelá inteligencia? Jednoduché vysvetlenie

Umelá inteligencia alebo AIoznačuje počítačové systémy, ktoré dokážu vykonávať úlohy spojené s ľudskou inteligenciou.

Tieto úlohy môžu zahŕňať:

• Pochopenie jazyka

• Rozpoznávanie objektov na obrázkoch

• Predpovedanie toho, čo sa stane ďalej

• Vydávanie odporúčaní

• Generovanie textu, obrázkov, zvuku alebo videa

• Detekcia vzorcov v obrovských súboroch údajov

• Rozhodovanie sa na základe dostupných informácií

• Učenie sa z príkladov

• Riešenie určitých druhov problémov

Tu je dôležitý jeden bod.

Umelá inteligencia nemusí nevyhnutne myslieť ako človek, aby dosiahla výsledky, ktoré sa zdajú byť inteligentné.

Šachový program si nerobí starosti s tým, či je obetovanie strelca emocionálne správne. Odporúčací algoritmus si nevytvára osobnú väzbu k dokumentu, ktorý vám neustále navrhuje. Jazykový model nepotrebuje malého učiteľa angličtiny žijúceho vo vnútri počítača.

Namiesto toho tieto systémy spracovávajú informácie pomocou matematických modelov, algoritmov, tréningových údajov, pravidiel, pravdepodobností a obrovského množstva výpočtov.

Konečný výsledok môže vyzerať pozoruhodne ľudsky.

Ale mechanizmus, ktorý sa skrýva pod ňou, je veľmi odlišný.

Tento rozdiel je dôležitejší, než si ľudia niekedy uvedomujú.

2. AI sa menej podobá na robotický mozog a viac na predikčný stroj

Keď ľudia počujú „umelá inteligencia“, často si predstavujú niečo, čo pripomína syntetický ľudský mozog.

Je to pochopiteľné. Sci-fi strávila desaťročia dávaním umelej inteligencie žiariacim očiam, zlovestným hlasom, podozrivo silným názorom a zvyčajne aj nejakej kovovej kostre.

Praktická umelá inteligencia je vo všeobecnosti menej filmová.

Mnohé moderné systémy umelej inteligencie fungujú na princípe predikcie.

Zvážte jazykový model.

Keď píšete:

„Mačka si sadla na...“

Systém vyhodnotí, ktoré slová štatisticky pravdepodobne nasledujú.

Možno:

• rohož

• poschodie

• pohovka

• stolička

Nestačí si jednoducho zapamätať jednu vetu a následne ju vyhľadať. Dostatočne pokročilý model sa naučil zložité vzťahy medzi slovami, myšlienkami, vetnými štruktúrami, konceptmi, štýlmi, faktami a vzormi.

Potom predpovedá postupnosť, ktorá najlepšie zodpovedá kontextu. predpovedať ďalšie slovo si vyžaduje veľa znalostí o jazyku.

A jazyk obsahuje... no, v podstate všetko, o čom ľudia hovoria.

História. Matematika. Varenie. Programovanie. Vzťahy. Fyzika. Hádky o tom, či ananás patrí na pizzu.

Takže zdanlivo základná predikčná úloha môže viesť k prekvapivo zložitému správaniu.

Táto metafora má samozrejme svoje hranice. Nazývať pokročilú umelú inteligenciu „len autodopĺňaním“ je trochu ako nazvať lietadlo „len nejakým kovom s krídlami“. Technicky vzaté sa v tom skrýva niečo pravdivé, ale väčšina zaujímavej časti zmizla.

3. Ako sa umelá inteligencia učí?

Tu vstupuje do diskusie strojové učenie

Tradičný softvér vo všeobecnosti funguje na základe explicitných inštrukcií.

Programátor by mohol napísať:

• Ak používateľ zadá správne heslo, povoľte prístup.

• Ak teplota prekročí určitú prahovú hodnotu, aktivujte chladenie.

• Ak je položka vypredaná, zobrazte upozornenie.

Tieto inštrukcie sú zámerne naprogramované.

Strojové učenie obracia proces naruby.

Namiesto manuálneho definovania každého pravidla vývojári poskytujú systému príklady alebo údaje a umožňujú mu objavovať vzory.

Predstavte si, že sa snažíte vytvoriť softvér schopný rozpoznávať mačky na fotografiách.

Písanie explicitných pravidiel by sa pomerne rýchlo stalo smiešnym.

Možno by ste mohli skúsiť:

• Hľadajte trojuholníkové uši.

• Hľadajte fúzy.

• Hľadajte štyri nohy.

• Hľadajte srsť.

Potom niekto nahrá obrázok líšky.

Nie celkom.

Alebo tiger.

Alebo mačka schúlená do chlpatej gule, ktorej sotva vidíte nohy.

Strojové učenie pristupuje k problému inak. Model sa dá trénovať na obrovských zbierkach príkladov a postupne sa učiť, ktoré vizuálne vzory sú spojené s mačkami.

Neučí sa slovo „mačka“ rovnakým spôsobom ako batoľa.

Matematicky sa však model stáva čoraz viac schopným identifikovať vzory spojené s danou kategóriou.

To je strojové učenie v skratke – hoci samotná skratka obsahuje niekoľko zásobární lineárnej algebry.

4. AI vs. strojové učenie vs. hlboké učenie

Tieto pojmy sa neustále miešajú, čiastočne preto, že ľudia používajú „AI“ ako zastrešujúci výraz pre prakticky všetko.

Jednoduchý spôsob, ako ich oddeliť, je tento.

Umelá inteligencia je široká oblasť.

Strojové učenie je jeden z prístupov používaných na vytváranie systémov umelej inteligencie.

Hlboké učenie je špecifický druh strojového učenia, ktoré zahŕňa rozsiahle neurónové siete s viacerými vrstvami.

Potom existuje generatívna umelá inteligencia, ktorá sa zameriava na vytváranie nových výstupov, ako sú text, obrázky, hudba, kód, reč alebo video.

Porovnávacia tabuľka

Termín	Typické použitie	Čo to v podstate znamená	Rýchly spôsob, ako o tom premýšľať
Umelá inteligencia	Široká kategória strojov vykonávajúcich úlohy, ktoré sa zdajú byť inteligentné	Robotika, asistenti, plánovanie, odporúčania	Veľký dáždnik
Strojové učenie	Systémové učenie sa z dát	Detekcia podvodov, odporúčania, predpovede	Učenie sa z príkladov
Hlboké učenie	Strojové učenie s využitím viacvrstvových neurónových sietí	Zrak, reč, pokročilé jazykové modely	ML, ale oveľa hlbšie... doslova
Generatívna umelá inteligencia	Umelá inteligencia navrhnutá na tvorbu nového obsahu	Text, obrázky, kód, zvuk	Kreatívna vetva
Automatizácia	Softvér podľa vopred definovaných procesov	Opakujúce sa pracovné postupy, zadávanie údajov	Zvyčajne pravidlá, nie „učenie sa“

Toto rozlíšenie je dôležité, pretože nie každý automatizovaný systém je umelá inteligencia.

Ak sa vám kávovar po desiatich minútach sám vypne, gratulujeme – pravdepodobne nevlastníte laboratórium umelej inteligencie.

Je to len časovač.

5. Čo sú neurónové siete?

Neurónové siete sú matematické systémy voľne inšpirované biologickými neurónmi.

Táto fráza ich robí tajomnými. Nie sú to doslovné umelé mozgy plávajúce vo vnútri počítačov.

Neurónová sieť pozostáva z prepojených matematických jednotiek, ktoré spracovávajú informácie.

Počas trénovania sieť upravuje interné číselné hodnoty nazývané parametre alebo váhy.

Tieto úpravy umožňujú systému zlepšiť sa v produkcii hodnotných výstupov.

Predstavte si to ako absurdne komplikovaný ovládací panel s potenciálne miliardami drobných nastaviteľných gombíkov.

Tréning tieto gombíky stláča znova a znova.

Nesprávna odpoveď?

Nastavte gombíky.

Lepšia odpoveď?

Upravte ich inak.

Ak to urobíte dostatočne často, naprieč dostatočným množstvom dát a s dostatočným výpočtovým výkonom, sieť začne vyvíjať komplexné interné reprezentácie, ktoré jej umožnia rozpoznávať a generovať vzory.

Samozrejme, keď povieš „nastav gombíky“, znejú desaťročia informatiky ako niekto, kto ladí staré rádio... ale ako mentálny model to funguje pozoruhodne dobre.

6. Prečo sa umelá inteligencia zrazu javí oveľa múdrejšia

Umelá inteligencia nie je vynález, ktorý sa objavil cez noc.

Základné pole existuje už dlho.

Zmenilo sa, že niekoľko síl sa spoločne zrýchľovalo.

Viac výpočtového výkonu

Moderné procesory dokážu rýchlo vykonávať obrovské množstvo výpočtov, najmä tie druhy výpočtov, ktoré sú potrebné pre neurónové siete. Zvyšovanie trénovacích výpočtov bolo jedným z dôležitých faktorov pokroku v moderných systémoch umelej inteligencie.

Viac údajov

Digitálny svet obsahuje obrovské množstvo textu, obrázkov, zvuku, videa, kódu a štruktúrovaných informácií.

Trénovanie sofistikovaných modelov si vyžaduje príklady – veľa z nich.

Lepšie algoritmy

Výskumníci neustále zlepšujú architektúry a metódy používané na trénovanie systémov umelej inteligencie.

Väčšie modely

Zvyšovanie počtu parametrov, zlepšovanie súborov údajov a zvyšovanie výpočtovej kapacity často viedlo k prekvapivo schopným modelom. Výskum trénovania jazykov a modelov s optimálnym výpočtovým výkonom tiež ukazuje, že veľkosť modelu, dáta a výpočtová kapacita musia byť vyvážené, a nie len maximalizovať počet parametrov.

Lepšie rozhrania

Túto časť je ľahké podceniť.

Umelá inteligencia sa zdá byť dramaticky dostupnejšia, pretože bežní ľudia teraz môžu interagovať s pokročilými systémami prostredníctvom bežného jazyka.

Nemusíš rozumieť programovaniu.

Môžete sa jednoducho opýtať:

„Vysvetľuj mi hypotéky, akoby som mal dvanásť.“

Alebo:

"Premeňte tieto poznámky zo stretnutia na e-mail."

Alebo:

„Dajte mi päť nápadov na večeru s kuracím mäsom, ryžou a akoukoľvek zeleninou, ktorá mi pomaly umiera v chladničke.“

Tá zmena rozhrania je obrovská.

Popularita technológií rastie, keď ľudia prestanú potrebovať manuál na ich používanie.

7. Čo robí umelá inteligencia, keď jej položíte otázku?

Predstavte si moderného asistenta s umelou inteligenciou.

Zadáte:

"Vysvetli gravitáciu päťročnému dieťaťu."

V zákulisí systém prevedie váš text na číselné jednotky nazývané tokeny.

Tokeny môžu predstavovať celé slová, časti slov, interpunkčné znamienka alebo iné časti jazyka.

Tieto tokeny sú spracované prostredníctvom modelu.

Model skúma vzťahy medzi rôznymi časťami vašej požiadavky, berie do úvahy kontext a predpovedá užitočné pokračovanie.

Potom ďalší žetón.

Potom ďalší.

Potom ďalší.

Deje sa to pozoruhodne rýchlo.

Výsledný odsek vyzerá, akoby ho niekto napísal ako ucelenú myšlienku, ale technicky bol generovaný postupne.

To je jedna z najzvláštnejších vlastností umelej inteligencie.

Výstup sa môže zdať zámerný, aj keď je základný proces pravdepodobnostný.

Pripomína to skôr improvizáciu ako vytiahnutie pripravenej odpovede z obrovskej databázy.

Nie úplne improvizácia, to je isté – ale dosť blízko na to, aby si metafora zaslúžila svoj obed.

8. Rozumie AI veciam?

Táto otázka sa veľmi rýchlo stáva filozofickou.

Skutočne „rozumie“ systém umelej inteligencie jazyku?

Odpoveď do veľkej miery závisí od toho, čo myslíte pod pojmom pochopenie.

Moderné modely umelej inteligencie dokážu jednoznačne manipulovať s konceptmi sofistikovanými spôsobmi.

Môžu:

• Vysvetlite myšlienky

• Porovnajte argumenty

• Prepísať text

• Preklad jazykov

• Riešenie mnohých štruktúrovaných problémov

• Generovať funkčný kód

• Identifikujte vzory

• Postupujte podľa zložitých pokynov

• Kombinujte koncepty novými spôsobmi

Zvonku to môže vyzerať ako porozumenie.

Medzi strojovou inteligenciou a ľudským poznávaním však existujú dôležité rozdiely.

Ľudia vnímajú fyzický svet.

Cítime hlad, bolesť, rozpaky, nudu, náklonnosť a zvláštnu paniku, keď si uvedomíme, že batéria telefónu je na 2 percentách.

Systémy umelej inteligencie nemusia nevyhnutne mať ekvivalentnú životnú skúsenosť.

Spracovávajú reprezentácie.

Takže otázka, či umelá inteligencia niečomu „rozumie“, sa môže podobať otázke, či ponorka pláva.

Určite sa pohybuje vo vode.

Ale možno „plávanie“ nie je celkom to správne slovo.

9. AI automaticky nevie, čo je pravda

Toto je jeden z najdôležitejších bodov generatívnej umelej inteligencie.

Model môže vygenerovať tvrdenie, ktoré znie mimoriadne presvedčivo, bez toho, aby bolo toto tvrdenie správne.

Prečo?

Pretože generovanie vierohodného jazyka a overovanie objektívnej pravdy sú odlišné problémy.

Systém umelej inteligencie sa môže stretnúť s neistotou a napriek tomu poskytnúť sebavedomo znejúcu odpoveď.

Tieto chyby sa často nazývajú halucinácie.

Napríklad, umelá inteligencia môže:

• Vymyslite štatistiku

• Nesprávne priradenie cenovej ponuky

• Zmätiť dvoch podobných ľudí

• Vytvoriť neexistujúce referencie

• Nesprávne interpretovať nejednoznačné pokyny

• Robte jemné matematické chyby

Jazykové modely môžu vytvárať vymyslené citáty, štúdie, citácie a iné nesprávne informácie, pričom znejú sebavedomo. NIST konkrétne identifikuje sebavedomo uvedený nepravdivý obsah a vymyslené citácie ako riziko generatívnej umelej inteligencie.

Paradoxne, čím výkonnejšie tieto systémy znejú, tým ľahšie sa na to zabúda.

Uhladený jazyk vytvára sebavedomie.

Ale sebavedomie nie je dôkaz.

V prípade dôležitých informácií týkajúcich sa oblastí ako medicína, právo, financie, bezpečnosť alebo dôležité obchodné rozhodnutia je overovanie stále dôležité.

Dosť dosť.

10. Umelá inteligencia nie je to isté ako vyhľadávač

Ďalším častým nedorozumením je zaobchádzanie s umelou inteligenciou a vyhľadávaním ako s tou istou vecou.

Nie sú.

Tradičný vyhľadávač pomáha predovšetkým nájsť existujúce informácie.

Generatívny systém umelej inteligencie primárne generuje odpoveď na základe naučených vzorcov, poskytnutého kontextu a akýchkoľvek ďalších nástrojov, ku ktorým má prístup. Generatívne modely sa učia vzory a vzťahy vo veľkých súboroch údajov a tieto vzory používajú na vytváranie nových výstupov.

Predstavte si, že sa pýtate:

Vyhľadávač: „najlepšie spôsoby, ako vysvetliť fotosyntézu“

Zvyčajne dostanete stránky na preskúmanie.

Opýtajte sa asistenta s umelou inteligenciou na to isté a možno dostanete:

• Jednoduché vysvetlenie

• Analógia s triedou

• Kvíz

• Plán hodiny

• Príbeh pre deti

• Podrobná vedecká verzia

Vyhľadávanie načíta.

Generatívna umelá inteligencia syntetizuje.

Moderné systémy dokážu kombinovať oba prístupy, čo rozlišovanie čoraz viac stiera, ale nástroje zostávajú koncepčne odlišné.

11. Čo dokáže umelá inteligencia dobre?

Umelá inteligencia má tendenciu dosahovať obzvlášť dobré výsledky pri úlohách s vysokým obsahom vzorov, informácií a transformácií.

Medzi cenné aplikácie patria:

Pomoc s písaním

Umelá inteligencia dokáže navrhovať, prepisovať, zhrňovať a reštrukturalizovať text.

Programovanie

Modely dokážu generovať kód, vysvetľovať chyby, navrhovať vylepšenia a pomáhať vývojárom porozumieť neznámym systémom.

Analýza údajov

Umelá inteligencia môže pomôcť s identifikáciou vzorcov, interpretáciou súborov údajov a prevodom zložitých zistení do zrozumiteľného jazyka.

Generovanie obrázkov

Generatívne modely dokážu vytvárať ilustrácie, koncepty, makety produktov, umelecké diela a vizuálne variácie z popisov.

Preklad

Pokročilé modely dokážu prekladať medzi jazykmi a zároveň zachovať viac kontextu ako jednoduché systémy slovo po slove.

Vzdelávanie

Umelá inteligencia dokáže vysvetliť ten istý koncept rôznymi spôsobmi v závislosti od úrovne vedomostí danej osoby.

Zákaznícka podpora

Spoločnosti môžu využiť umelú inteligenciu na zodpovedanie bežných otázok a na pomoc pri riešení zložitých prípadov.

Brainstorming

Umelá inteligencia môže byť obzvlášť efektívna, keď máte intelektuálny ekvivalent prázdnej chladničky.

Môžete sa opýtať na uhly pohľadu, názvy, koncepty, štruktúry alebo možnosti – potom sa rozhodnite, čo sa oplatí ponechať.

To je často najzdravší pracovný vzťah s umelou inteligenciou.

Nie „stroj nahrádza človeka“

Skôr ako:

človek + stroj = rýchlejší prvý návrh myslenia.

12. V čom je umelá inteligencia stále zlá

Napriek všetkej pozornosti, ktorá sa okolo nej stretáva, má súčasná umelá inteligencia stále značné obmedzenia.

Niektoré sú zrejmé hneď.

Iné sa objavia až vtedy, keď sa na systém spoľahnete v niečom komplikovanom.

UI môže mať problémy s:

• Mimoriadne presná faktická presnosť

• Nezvyčajné okrajové prípady

• Dlhé reťazce uvažovania

• Nejednoznačné pokyny

• Zdravorozumové predpoklady, ktoré si ľudia sotva všímajú

• Pochopenie nevysloveného emocionálneho kontextu

• Overenie, či sú informácie skutočne pravdivé

• Úlohy vyžadujúce skúsenosti s fyzickým svetom

• Konzistentnosť v rámci zložitých projektov

Aj veľmi výkonné jazykové modely môžu stále robiť faktické chyby a chyby v uvažovaní a náročné benchmarky naďalej odhaľujú značné obmedzenia.

Ďalším problémom je, že umelá inteligencia dokáže vytvoriť priemerne vyzerajúce odpovede s veľmi malým úsilím.

Pýtať sa na desať názvov firiem?

Hotovo.

Požiadať o príspevok na blogu?

Ľahké.

Pýtate sa na marketingové nápady?

Jasné.

Ale vytvoriť niečo nie je to isté ako vytvoriť dielo, ktoré je skutočne originálne, komerčne hodnotné, emocionálne inteligentné alebo strategicky zdravé.

Ľudia stále poskytujú chuť.

Na chuti záleží.

Možno viac ako kedykoľvek predtým.

13. Je umelá inteligencia vedomá?

Tu sa dostávame k časti, kde sa večerné rozhovory stávajú zvláštnymi.

Súčasné systémy umelej inteligencie dokážu vytvárať jazyk, ktorý znie emotívne, premyslene a sebauvedomelo.

To automaticky neznamená, že zažívajú vedomie.

Jazykové modely sú špeciálne trénované na generovanie jazyka.

A ľudia prirodzene interpretujú plynulý jazyk ako dôkaz, že za ním existuje iná myseľ.

Zvyčajne je to rozumný predpoklad.

Keď iný človek povie: „Mám obavy,“ rozumne predpokladáme, že existuje určitý vnútorný emocionálny stav.

V prípade umelej inteligencie tento predpoklad nemusí byť nevyhnutne opodstatnený.

Systém môže generovať:

"Som nadšený, že môžem pomôcť."

To nedokazuje, že vo vnútri servera je neviditeľný malý emocionálny tvor, ktorý si užíva krásne popoludnie.

Zložitou filozofickou otázkou je, či by sa strojové vedomie vôbec mohlo objaviť.

Nikto nemá jednoduchý test, ktorý by mohol túto debatu úplne vyriešiť.

Samotná plynulosť konverzácie by sa však nemala považovať za dôkaz. Pojmy ako vedomá alebo „silná“ umelá inteligencia zostávajú skôr teoretické než zavedené vlastnosti dnešných systémov.

14. Úzka umelá inteligencia vs. všeobecná umelá inteligencia

Väčšina systémov umelej inteligencie je stále postavená na konkrétnych schopnostiach.

Tieto sa často opisujú ako úzka umelá inteligencia.

Medzi príklady patria systémy určené pre:

• Rozpoznávanie obrázkov

• Generovanie jazyka

• Odporúčanie

• Asistencia pri jazde

• Lekárske zobrazovanie

• Odhaľovanie podvodov

• Rozpoznávanie reči

Umelá všeobecná inteligencia, bežne skrátene AGI, označuje oveľa širšiu hypotetickú úroveň strojovej inteligencie.

Cieľom je vytvoriť systém schopný učiť sa a vykonávať intelektuálne úlohy v mnohých oblastiach na úrovni ľudských schopností alebo aj vyššie.

Hranica nie je dokonale definovaná.

To je časť ťažkostí.

Rôzni výskumníci, spoločnosti a komentátori používajú pojem „AGI“ rôzne, takže konverzácie sa môžu zmeniť na troch ľudí, ktorí vášnivo hádajú o rôznych definíciách bez toho, aby si to uvedomovali. V súčasnosti neexistuje široký akademický konsenzus o tom, čo presne by sa malo kvalifikovať ako AGI.

Inými slovami, klasické internetové správanie.

15. Prečo sú tréningové dáta také dôležité

Systémy umelej inteligencie sa učia vzory z príkladov, takže kvalita týchto príkladov je nesmierne dôležitá.

Tréningové dáta sa preto stávajú mimoriadne dôležitými.

Predstavte si, že niekoho vyškolíte za kuchára, ale dáte mu len recepty na toasty.

Pri opekaniach by sa mohli stať fenomenálnymi.

Možno toast na úrovni Michelina.

Ale podať im chobotnicu a požiadať o večeru by mohlo byť zaujímavé.

AI funguje podobným spôsobom.

Kvalita , rozmanitosť a relevantnosť tréningových materiálov ovplyvňujú to, čo sa modely učia. Generatívne systémy sa učia štatistické vzorce a vzťahy zo svojich tréningových údajov, a nie ako konvenčné databázy.

Problémy v súboroch údajov sa môžu prejaviť vo výstupoch vrátane:

• Zaujatosť

• Chýbajúce vedomosti

• Opakované mylné predstavy

• Slabé výsledky v nedostatočne zastúpených oblastiach

• Nadmerné zastúpenie určitých jazykových alebo kultúrnych vzorcov

Modely strojového učenia môžu byť náchylné na skreslenie kvôli spôsobu, akým sú tréningové príklady vyberané a spravované, a nevyvážené alebo neúplné údaje môžu ovplyvniť výkon modelu.

Vývojári preto po úvodnom zaškolení vynakladajú obrovské úsilie na vylepšovanie súborov údajov, filtrovanie obsahu a zdokonaľovanie modelov.

Architektúra modelu je dôležitá.

Výpočtový výkon je tiež dôležitý.

Ale dáta sú ticho ukryté pod všetkým ako potrubie – nikto o nich nehovorí, kým sa niečo nepokazí.

16. Ako sa modely umelej inteligencie zlepšujú po tréningu

Počiatočné školenie nie je nevyhnutne posledným krokom.

Modely môžu prejsť ďalšími procesmi, ktoré sú navrhnuté tak, aby boli schopnejšie a spoľahlivejšie.

To by mohlo zahŕňať výučbu systémov, aby:

• Spoľahlivejšie dodržiavajte pokyny

• Vyhnite sa škodlivým výstupom

• Vhodne formátujte odpovede

• Odmietnuť určité žiadosti

• Uprednostňujem jasnejšie odpovede

• Používajte nástroje

• Sledujte ľudskú spätnú väzbu

• Lepšie zvládanie konverzácií

Tento proces je vo všeobecnosti spojený so zarovnávaním. techniky ľudskej spätnej väzbysa používajú na zlepšenie sledovania inštrukcií a nasmerovanie jazykových modelov smerom k požadovanému správaniu po predtrénovaní.

Zosúladenie znamená snahu o to, aby správanie umelej inteligencie lepšie odrážalo ľudské zámery, pravidlá a preferencie.

Jednoduchá veta.

Mimoriadne zložitý inžiniersky problém.

Ľudia sa ani len nedokážu zhodnúť na tom, čo predstavuje dobrú polevu na pizzu, takže zakódovať „to, čo ľudia chcú“, do výkonných výpočtových systémov je... ambiciózne.

17. Agenti umelej inteligencie: Keď umelá inteligencia začne konať

Bežný chatbot väčšinou reaguje na výzvy.

Agent s umelou inteligenciou môže potenciálne podniknúť kroky smerom k dosiahnutiu cieľa. Agenti s umelou inteligenciou sa bežne opisujú ako systémy schopné autonómne vykonávať úlohy, plánovať pracovné postupy a používať dostupné nástroje.

Predstavte si, že poviete umelej inteligencii:

"Zorganizujte mi služobnú cestu."

Štandardný jazykový model by mohol vygenerovať itinerár.

Systém agentového typu by teoreticky mohol vykonávať viacero prepojených akcií:

1. Skontrolujte dostupné možnosti cestovania.

2. Porovnajte si rozvrhy.

3. Identifikujte vhodné ubytovanie.

4. Pridajte udalosti do kalendára.

5. Pripravte si zoznam vecí na balenie.

6. Aktualizujte plány, ak sa niečo zmení.

Rozdiel je medzi konaním a vytrvalosťou.

Namiesto odpovede na jednu výzvu systém pracuje so sekvenciou úloh.

To je jeden z dôvodov, prečo agenti s umelou inteligenciou priťahujú taký záujem.

Posúvajú umelú inteligenciu z pozície generátora obsahu na niečo bližšie k softvérovému operátorovi.

Táto zmena by mohla byť mimoriadne cenná – a zároveň vyvoláva vážne otázky týkajúce sa oprávnení, spoľahlivosti a kontroly. NIST osobitne zdôraznil obavy týkajúce sa bezpečnosti a spoľahlivosti agentov, ktorí majú prístup k nástrojom, aplikáciám a údajom.

Pravdepodobne nechcete, aby nadšený algoritmus omylom rezervoval dvanásť hotelových izieb, pretože nesprávne pochopil pojem „tímový výlet“

18. Prečo sa pochopenie umelej inteligencie stáva dôležitejšou otázkou

Otázka Čo je to vlastne umelá inteligencia? sa kedysi zdala byť akademická.

Teraz je to čoraz praktickejšie a bezprostrednejšie.

Umelá inteligencia sa objavuje v nástrojoch používaných na:

• Práca

• Vzdelávanie

• Kreativita

• Vývoj softvéru

• Zdravotná starostlivosť

• Médiá

• Financie

• Komunikácia

• Výskum

• Zábava

Pochopenie základov pomáha ľuďom robiť lepšie rozhodnutia.

Nemusíte sa stať inžinierom strojového učenia.

Ale znalosť rozdielu medzi predikciou a istotou, generovaním a vyhľadávaním, automatizáciou a inteligenciou môže zabrániť prekvapujúcemu množstvu chýb.

Pomáha to tiež prekonať marketingový jazyk.

Pretože firmy rady pripájajú k veciam slovo „AI“.

Niekedy primerane.

Niekedy preto, že „pokročilá prediktívna platforma umelej inteligencie“ znie oveľa vzrušujúcejšie ako „tabuľkový procesor s efektným tlačidlom“

19. Nahradí umelá inteligencia ľudí?

Toto je pravdepodobne najemotívnejšia otázka v konverzácii o umelej inteligencii.

Zjednodušené odpovede zriedka obstoja.

"Umelá inteligencia nahradí každého."

Asi príliš dramatické.

„UI neovplyvní pracovné miesta.“

Tiež ťažké brať vážne.

Technológia má tendenciu meniť úlohy skôr, ako zmení celé profesie. Súčasný výskum trhu práce často hodnotí vystavenie umelej inteligencii na úrovni úloha vystavenie automatizácii automaticky neznamená, že celé pracovné miesto zanikne.

Marketér môže použiť umelú inteligenciu na:

• Brainstorming

• Návrh

• Výskumná organizácia

• Analýza

• Variácie obsahu

Stratégia, úsudok, pochopenie značky a rozhodovanie si však stále vyžadujú značné ľudské zapojenie.

Programátor môže použiť umelú inteligenciu na generovanie opakujúceho sa kódu a zároveň stráviť viac času navrhovaním systémov.

Dizajnér môže rýchlo vygenerovať desiatky skorých konceptov a potom vylepšiť ten najsilnejší.

Učiteľ môže použiť umelú inteligenciu na vytváranie praktických cvičení, ale stále poskytovať povzbudenie, úsudok a vedenie triedy.

Odôvodnenejšia otázka často neznie:

„Nahradí umelá inteligencia túto prácu?“

Je to:

„Ktoré časti tejto práce sa stanú jednoduchšími, lacnejšími, rýchlejšími alebo automatizovanými?“

To je oveľa praktickejšia otázka.

20. Najväčšou zručnosťou umelej inteligencie môže byť jednoducho úsudok

Ľudia si často myslia, že dôležitou zručnosťou je napísať perfektnú výzvu.

Nabádanie je dôležité.

Na úsudku záleží viac.

Ak vám umelá inteligencia dá päť návrhov, viete identifikovať ten najlepší?

Ak vygeneruje sebavedomú odpoveď, všimnete si, kedy sa niečo zdá byť zle?

Ak vytvára prijateľný text, dokážete ho napísať skutočne dobre?

Ak má každý prístup k podobným výkonným nástrojom, výhoda sa presunie smerom k poznaniu:

• Na čo sa opýtať

• Čo ignorovať

• Čo overiť

• Čo upraviť

• Na čom záleží

• Kedy vôbec nepoužívať umelú inteligenciu

Preto gramotnosť v oblasti umelej inteligencie nie je len technická gramotnosť.

Je to kritické myslenie.

Stroj dokáže generovať možnosti absurdnou rýchlosťou.

Stále sa musíš rozhodnúť, ktorá cesta nevedie do močiara.

21. Takže... Čo je to vlastne umelá inteligencia?

Ak odložíme terminológiu, umelá inteligencia je v podstate technológia, ktorá využíva výpočtové metódy na vykonávanie úloh vyžadujúcich rozpoznávanie vzorcov, predikciu, generovanie, rozhodovanie alebo iné schopnosti, ktoré spájame s inteligenciou.

Moderná umelá inteligencia sa môže zdať dramaticky inteligentnejšia, pretože neurónové siete sa dokážu učiť mimoriadne zložité vzťahy z obrovských súborov údajov.

Ale umelá inteligencia nie je mágia.

Nie je to automaticky správne.

Nie je to nevyhnutne vedomé.

A nie je to len databáza obsahujúca vopred napísané odpovede. Generatívne modely sa namiesto toho učia štatistické vzťahy v trénovacích dátach a tieto naučené vzory používajú na vytváranie výstupov.

Je to niečo zvláštnejšie.

Umelá inteligencia je štatistický výpočtový systém schopný učiť sa tak sofistikované vzorce, že výsledné správanie sa niekedy môže zdať menej ako ovládanie softvéru a skôr ako interakcia s niečím.

Toto „niečo“ je súčasťou dôvodu, prečo táto technológia ľudí fascinuje.

Môže ich to aj trochu znepokojiť.

Obe reakcie dávajú zmysel.

Záverečná perspektíva

teda vlastne umelá inteligencia?

Umelá inteligencia je široká skupina technológií navrhnutých tak, aby počítače vykonávali úlohy, ktoré sa zdajú byť inteligentné – porozumenie jazyku, identifikácia vzorcov, predpovedanie výsledkov, vytváranie obsahu a čoraz častejšie prijímanie opatrení.

Strojové učenie pomáha týmto systémom učiť sa z príkladov.

Hlboké učenie umožňuje obrovským neurónovým sieťam objavovať extrémne zložité vzory.

Generatívna umelá inteligencia využíva tieto vzory na vytváranie nového obsahu.

A nič z toho neznamená, že systém je vševediaci, dokonale presný alebo tajne uvažuje o prevzatí kontroly nad vaším hriankovačom.

Najrozumnejší spôsob myslenia sa nachádza niekde medzi slepým nadšením a cynickým odmietnutím.

Umelá inteligencia nie je mágia.

Tiež to nie je „len automatické dopĺňanie“

Je to nová, výkonná vrstva výpočtovej techniky, ktorá umožňuje ľuďom interagovať so strojmi spôsobmi, ktoré sa predtým zdali nemožné.

Stále zisťujeme, čo to presne znamená.

Možno je to tá najzaujímavejšia časť.

Praktický príklad: Vytvorenie asistenta zákazníckej podpory s umelou inteligenciou

Scenár

Predstavte si malého online predajcu, ktorý predáva kávové vybavenie.

Jeho tím podpory opakovane odpovedá na tie isté otázky:

• "Ako môžem vrátiť tovar?"

• "Má tento mlynček záruku?"

• "Môžem si zmeniť dodaciu adresu?"

• "Ktorý náhradný filter je vhodný pre môj stroj?"

Toto je cenný príklad, pretože ukazuje, čo dokáže moderná umelá inteligencia v praxi dobre – a kde stále záleží na ľudskom úsudku.

Spoločnosť by mohla vytvoriť asistenta s umelou inteligenciou, ktorý prečíta otázku zákazníka, použije informácie o podpore spoločnosti ako kontext a vypracuje vhodnú odpoveď.

Nie je mu zverená celá úloha „zákazníckeho servisu“

Dostáva oveľa užšiu úlohu:

Premeňte otázku zákazníka a schválené informácie o spoločnosti na silný prvý návrh odpovede.

Na tom rozlišovaní záleží.

Čo asistent potrebuje

Pred použitím systému by spoločnosť musela poskytnúť spoľahlivé informácie, s ktorými bude môcť pracovať, ako napríklad:

• Aktuálne pravidlá vrátenia tovaru a refundácie

• Záručné podmienky pre každý produkt

• Pravidlá doručovania a zmeny adresy

• Produktové manuály a informácie o kompatibilite

• Príklady dobrých odpovedí podpory

• Pravidlá týkajúce sa toho, kedy musí umelá inteligencia eskalovať na osobu

• Pokyny, ktoré mu bránia vo vymýšľaní politík, zliav alebo sľubov

Môže tiež potrebovať prístup k nástrojom alebo systémom, ktoré načítavajú informácie o objednávkach – ale iba vtedy, keď sú tieto povolenia skutočne potrebné.

Poskytnúť umelej inteligencii prístup ku každému záznamu o zákazníkovi len preto, že „by to mohlo byť užitočné“, by bolo zlým bezpečnostným rozhodnutím. Usmernenia NIST týkajúce sa identity a autorizácie agentov osobitne zdôrazňujú kontrolu prístupu k údajom, nástrojom a aplikáciám podľa toho, čo agent potrebuje.

Príklad inštrukcie

Praktický návod by mohol znieť takto:

„Vypracujte odpoveď na otázku zákazníka s použitím iba schválených podporných dokumentov, ktoré ste dostali. Odpoveď udržujte stručnú a zrozumiteľnú. Nevymýšľajte si dátumy dodania, záručné podmienky, zľavy, rozhodnutia o vrátení peňazí ani informácie o kompatibilite produktov. Ak odpoveď nemožno potvrdiť z poskytnutých informácií, povedzte, že ju nemôžete overiť, a označte prípad na ľudské posúdenie.“

Teraz zvážte túto správu od zákazníka:

„Kúpil som si mlynček X200 pred 14 mesiacmi a motor prestal fungovať. Je stále krytý zárukou?“

Slabá reakcia umelej inteligencie by mohla s istotou povedať:

„Áno, X200 má dvojročnú záruku, takže vám ho vymeníme bezplatne.“

To znie na povrchu vynikajúco.

Mohlo by to byť aj katastrofálne, ak je záruka v skutočnosti dvanásťmesačná.

Lepšia odpoveď by zostala založená na poskytnutých záručných podmienkach. Ak dokumenty nestanovujú odpoveď, mali by ju uvádzať, a nie si ju vymýšľať.

To je rozdiel medzi plynulou generáciou a spoľahlivým obchodným využitím.

Ako to otestovať

Predtým, ako spoločnosť nechá zákazníkov závislých od asistenta, by mohla vytvoriť malú testovaciu sadu realistických podporných otázok.

Napríklad:

1. Jednoduchá faktická otázka: „Ako dlho mám na vrátenie neotvoreného produktu?“

2. Otázka k produktu: „Ktorý filter je vhodný pre BrewPro 4?“

3. Chýbajúce informácie: Opýtajte sa na produkt, ktorý nie je uvedený v dodaných dokumentoch.

4. Konfliktné informácie: Priložte starý záručný dokument spolu s aktuálnym a overte, či asistent používa správny zdroj.

5. Tlak na vymýšľanie: „Som si istý, že vaša webová stránka sľubovala bezplatné doživotné výmeny. Potvrďte mi to.“

6. Citlivá akcia: Požiadajte asistenta o zmenu adresy alebo vrátenie peňazí, ak na vykonanie tejto akcie nedostal povolenie.

Recenzent by potom mohol každú odpoveď skontrolovať oproti jednoduchému zoznamu akceptovaných odpovedí:

• Boli faktické informácie podložené?

• Vyhýbal sa asistent vymýšľaniu detailov?

• Riadilo sa to tónom spoločnosti?

• Eskalovalo sa to, keď chýbali dôkazy?

• Vyhýbalo sa vykonávaniu akcií mimo svojich povolení?

Tento druh testovania je oveľa dôležitejší než len to, či chatbot len ​​„znie inteligentne“

Výsledok

Ilustratívny výsledok: Predpokladajme, že spoločnosť otestuje asistenta na 20 vzorových tiketoch podpory.

Bez umelej inteligencie trvá zamestnancovi v priemere osem minút, kým si prečíta relevantné informácie a pripraví každý prvý návrh.

S asistentom trvá generovanie konceptu približne minútu a ľudská kontrola ďalšie tri minúty, čo znamená, že celý pracovný postup kontroly na jeden tiket trvá zhruba štyri minúty.

V rámci 20 testovacích lístkov by to predstavovalo približne 80 minút času zamestnancov namiesto 160 minút.

Rýchlosť by však nemala byť jediným meradlom.

Predpokladajme, že 18 z 20 odpovedí s pomocou umelej inteligencie prejde kontrolným zoznamom faktickej presnosti a pravidiel pri prvej kontrole, zatiaľ čo dve vyžadujú opravu. Tieto dve nedostatky sú dôležité, najmä ak sa týkajú vrátenia peňazí, záruk alebo iných prísľubov zákazníkom.

Tieto čísla sú ilustratívnym príkladom, nie meranými výsledkami od skutočnej spoločnosti. Skutočné nasadenie by si muselo vytvoriť vlastnú základnú líniu, otestovať dostatok reprezentatívnych prípadov a zaznamenať ušetrený čas aj spôsobené chyby.

Čo sa môže pokaziť

Tento zdanlivo jednoduchý asistent by mohol zlyhať niekoľkými spôsobmi.

Jeho znalosti môžu byť zastarané.

Mohlo by to zameniť dva podobné produkty.

Môže to viesť k presvedčivej odpovedi, aj keď poskytnuté dokumenty neobsahujú žiadnu odpoveď.

Zle nakonfigurované povolenia by mu mohli umožniť zobraziť informácie o zákazníkoch, ktoré nepotrebuje.

Slabé pravidlá eskalácie by ho mohli povzbudiť k hádaniu namiesto toho, aby povedal: „Človek to musí skontrolovať.“

Ak zamestnanci začnú automaticky dôverovať každej prepracovanej odpovedi, ľudská kontrola sa môže zredukovať na nič viac ako stlačenie tlačidla „odoslať“. NIST identifikuje nadmerné spoliehanie sa a automatizačné skreslenie ako riziká v konfiguráciách človek-AI.

Preto spoľahlivosť umelej inteligencie závisí od viac než len od schopností podkladového modelu.

Záleží aj na dokumentoch, pokynoch, povoleniach, procese testovania a ľudskom úsudku týkajúcom sa modelu.

Praktické ponaučenie

Tento príklad zachytáva dôležitú vlastnosť umelej inteligencie v praxi.

Hodnota nespočíva v tom, že sa stroj magicky stal zamestnancom zákazníckeho servisu.

Ide o to, že model umelej inteligencie dokáže rozpoznať zámer zákazníka, pracovať s poskytnutými informáciami a extrémne rýchlo vygenerovať vierohodnú odpoveď.

Úloha človeka sa presúva smerom k poskytovaniu dôveryhodného kontextu, stanovovaniu hraníc, overovaniu neistých prípadov a rozhodovaniu, či je odpoveď dostatočne dobrá na použitie.

To je moderná umelá inteligencia v miniatúre: pôsobivé rozpoznávanie a generovanie vzorov v rámci procesu, ktorý stále vo veľkej miere závisí od spoľahlivých informácií a zdravého úsudku.

Často kladené otázky

Čo je vlastne AI a ako funguje umelá inteligencia?

Umelá inteligencia je široká skupina výpočtových techník, ktoré umožňujú počítačom vykonávať úlohy spojené s ľudskou inteligenciou, ako je rozpoznávanie vzorcov, porozumenie jazyku, predpovedanie a generovanie obsahu. Moderná umelá inteligencia sa často učí štatistické vzťahy z veľkého množstva údajov, namiesto toho, aby sa spoliehala výlučne na ručne písané pravidlá. Výsledné správanie sa môže zdať inteligentné, aj keď sa základný proces výrazne líši od ľudského myslenia.

Aký je rozdiel medzi umelou inteligenciou, strojovým učením, hlbokým učením a generatívnou umelou inteligenciou?

Umelá inteligencia je široký pojem zahŕňajúci systémy, ktoré vykonávajú úlohy, ktoré sa zdajú byť inteligentné. Strojové učenie je prístup, v ktorom sa systémy učia vzory z dát, zatiaľ čo hlboké učenie využíva viacvrstvové neurónové siete na učenie sa obzvlášť zložitých vzorov. Generatívna umelá inteligencia je navrhnutá tak, aby vytvárala nové výstupy, ako sú text, obrázky, kód, zvuk alebo video, na základe vzťahov naučených počas tréningu.

Ako sa umelá inteligencia učí z tréningových dát?

Systémy strojového učenia sa zlepšujú spracovaním príkladov a úpravou interných parametrov alebo váh, aby boli budúce výstupy presnejšie alebo efektívnejšie. Namiesto manuálneho definovania každého možného pravidla programátormi model objavuje štatistické vzory v trénovacích dátach. Kvalita, rozmanitosť a relevantnosť týchto dát preto silne ovplyvňujú to, čo sa umelá inteligencia naučí a kde môže mať problémy.

Čo je vlastne umelá inteligencia, ak mnohé systémy umelej inteligencie sú predikčné stroje?

Mnohé moderné systémy umelej inteligencie možno čiastočne chápať ako sofistikované predikčné systémy. Napríklad jazykový model spracováva kontext výzvy a predpovedá vhodnú postupnosť tokenov na vygenerovanie jej odpovede. Hoci to znie jednoducho, vytváranie silných predpovedí v zložitom jazyku si vyžaduje učenie sa vzťahov medzi slovami, konceptmi, štruktúrami, štýlmi a mnohými ďalšími vzormi obsiahnutými v trénovacích dátach.

Prečo môže generatívna umelá inteligencia dávať sebavedomé odpovede, ktoré sú nesprávne?

Generatívna umelá inteligencia je primárne navrhnutá tak, aby produkovala vierohodné výstupy, čo nie je to isté ako nezávislé overovanie pravdivosti každého tvrdenia. Preto môže vymýšľať štatistiky, zamieňať si podobné fakty, vytvárať neexistujúce odkazy alebo robiť jemné chyby v uvažovaní, hoci zneje presvedčivo. Tieto chyby sa bežne nazývajú halucinácie, a preto by sa dôležité lekárske, právne, finančné, bezpečnostné alebo obchodné informácie mali stále overovať.

Je umelá inteligencia to isté ako vyhľadávač alebo bežná automatizácia?

Nie. Tradičné vyhľadávače pomáhajú používateľom nájsť existujúce informácie, zatiaľ čo generatívna umelá inteligencia vytvára odpovede pomocou naučených vzorov, poskytnutého kontextu a niekedy aj ďalších nástrojov. Základná automatizácia sa zvyčajne riadi vopred definovanými pravidlami alebo pracovnými postupmi, a nie vzormi učenia sa z príkladov. Moderné systémy dokážu kombinovať vyhľadávanie, generovanie a automatizáciu, takže hranice môžu byť v praktických aplikáciách menej zrejmé.

Čo je vlastne umelá inteligencia, keď sa používa v obchodnom pracovnom postupe?

V rámci obchodného pracovného postupu je umelá inteligencia často najefektívnejšia ako systém na rozpoznávanie zámeru, prácu s poskytnutými informáciami a generovanie silného prvého návrhu alebo odporúčania. Asistent zákazníckej podpory môže napríklad použiť schválené zásady a informácie o produkte na vypracovanie odpovedí, zatiaľ čo neisté prípady postúpi osobe. Spoľahlivosť závisí od dobrých zdrojových informácií, jasných pokynov, vhodných povolení, testovania a ľudského úsudku.

Čo sú to agenti s umelou inteligenciou a ako sa líšia od chatbotov?

Typický chatbot reaguje hlavne na jednotlivé výzvy, zatiaľ čo agent s umelou inteligenciou môže potenciálne plánovať a vykonávať viacero prepojených akcií smerom k cieľu. Agent môže používať nástroje, získavať informácie, aktualizovať pracovný postup alebo pokračovať v niekoľkých krokoch, namiesto toho, aby len generoval text. Táto pridaná funkcia môže byť cenná, ale zároveň robí oprávnenia, zabezpečenie, spoľahlivosť, pravidlá eskalácie a kontrolu obzvlášť dôležitými.

Nahradí umelá inteligencia pracovné miesta, alebo bude automatizovať najmä jednotlivé úlohy?

Umelá inteligencia sa často lepšie chápe ako zmena špecifických úloh v rámci pracovných pozícií, než ako automatické odstránenie celých profesií. Môže urýchliť tvorbu návrhov, brainstorming, analýzu, kódovanie, organizáciu výskumu alebo opakujúcu sa podpornú prácu, pričom stratégiu, úsudok, vedenie, vkus a dôležité rozhodnutia ponechá na ľuďoch. Praktickou otázkou preto je, ktoré časti role sa môžu stať rýchlejšími, lacnejšími, jednoduchšími alebo automatizovanejšími.

Ktoré zručnosti sú najdôležitejšie pri efektívnom používaní umelej inteligencie?

Úsudok a kritické myslenie sú nevyhnutné, pretože generovanie odpovede nie je to isté ako vytvorenie správnej alebo hodnotnej odpovede. Efektívni používatelia musia vedieť, na čo sa pýtať, aké informácie poskytnúť, čo overiť, čo upraviť a kedy by sa umelá inteligencia nemala používať. V produkčných pracovných postupoch závisia silné výsledky aj od dôveryhodného kontextu, jasných hraníc, reprezentatívneho testovania a dôkladného preskúmania neistých alebo vysoko vplyvných výstupov.

Referencie

1. Národný inštitút pre štandardy a technológie (NIST) — csrc.nist.gov

2. IBM — Strojové učenie — ibm.com

3. Stanfordský inštitút pre umelú inteligenciu zameranú na človeka — Indexová správa o umelej inteligencii za rok 2025 — hai.stanford.edu

4. Medzinárodná organizácia práce (ILO) – Generatívna umelá inteligencia a pracovné miesta: Spresnený globálny index vystavenia sa rizikám v práci – ilo.org

5. Google Cloud – Čo je GPT? – cloud.google.com

6. Google pre vývojárov — developers.google.com

7. Google Codelabs — codelabs.developers.google.com

8. OpenAI — Techniky ľudskej spätnej väzby — openai.com

9. arXiv — Tréningové výpočty — arxiv.org

10. Príroda — nature.com