Aplikacje AI opierają się na sztucznych sieciach neuronowych. To jest krótka odpowiedź i ta ma największe znaczenie. Kiedy ludzie mówią „aplikacja AI”, często mają na myśli oprogramowanie zbudowane na modelach uczenia głębokiego, a te modele zazwyczaj używają sieci neuronowych jako swojego rdzeniowego silnika.
Lubię zaczynać od tego powodu, że słowo „AI” jest używane zbyt luźno. Niektóre aplikacje używają prostych reguł. Inne klasycznego uczenia maszynowego. Ale wiele współczesnych aplikacji AI, szczególnie tych obsługujących obrazy, mowę, tekst i rekomendacje, jest zbudowanych na sztucznych sieciach neuronowych. Te sieci to ta część, która uczy się wzorców z danych zamiast podążania za ręcznie pisanymi regułami.
Sieć neuronowa to zestaw połączonych warstw, które zamieniają dane wejściowe na wyjściowe. Pobiera liczby, miesza je poprzez nauczone wagi i zwraca liczby. W aplikacji do obrazów wejściem mogą być dane pikseli. W aplikacji czatu wejściem może być tekst podzielony na tokeny. W aplikacji głosowej wejściem mogą być cechy audio. Punkt jest ten sam. Model uczy się, które wzorce mają znaczenie.
Dlatego sieci neuronowe stoją za tak wieloma powszechnymi narzędziami AI. Napędzają rozpoznawanie obrazu, rozpoznawanie mowy, narzędzia językowe, boty czatu, tłumaczenie i systemy rekomendacji. Pojawiają się też w prognozowaniu, wykrywaniu oszustw i innych zadaniach predykcyjnych. Aplikacja wygląda prosto na powierzchni. Pod spodem model wykonuje pracę nad wzorcami, którą byłoby bardzo trudno napisać ręcznie.
Myślę, że to najbardziej przydatny sposób ujęcia aplikacji AI: nie jako magia, ale jako funkcje przybliżające uczące się. Aplikacja wysyła dane do modelu. Model zwraca przewidywanie, etykietę, wynik lub wygenerowane wyjście. Sieć neuronowa to ta część, która sprawia, że to mapowanie jest wystarczająco elastyczne, by działać na bałaganianych danych ze świata rzeczywistego.
Istnieje praktyczny powód, dla którego to ma znaczenie. Jeśli aplikacja używa sieci neuronowej, zwykle potrzebuje danych treningowych, mocy obliczeniowej i ostrożnego strojenia. Potrzebuje też jasnego sposobu mierzenia błędu. To zmienia sposób budowania oprogramowania. Nie tylko wysyłasz kod. Wysyłasz kod plus model, który może dryfować, zawodzić lub zachowywać się źle, gdy dane się zmienią.
To też jest miejsce, gdzie pojawiają się ograniczenia. Sieci neuronowe są potężne, ale nie zawsze są właściwym narzędziem. Proste zadania mogą być nadal lepiej obsługiwane przez reguły lub mniejsze modele. Niektóre aplikacje AI również owijają sieć neuronową wyszukiwaniem, filtrami lub logiką biznesową, więc cały produkt nie jest „tylko modelem”. I nawet mocne modele mogą być kruche, trudne do wyjaśnienia lub wrażliwe na złe dane.
Ta ostatnia część to ta, którą ludzie pomijają. Sieć neuronowa może nauczyć się użytecznego wzorca i wciąż być trudna do zaufania. Może być dokładna w typowych przypadkach i słaba w skrajnych. Może brzmieć pewnie i wciąż być błędna. To normalne zachowanie tego rodzaju systemu, a nie rzadki błąd.
Więc kiedy czytam „aplikacja AI”, nie myślę najpierw o nazwie marki ani błyszczącym interfejsie. Myślę o klasie modelu pod spodem. W wielu przypadkach oznacza to sztuczną sieć neuronową wytrenowaną na danych, a następnie owiniętą w kod produktu, który czyni ją użyteczną. Interfejs ma znaczenie, ale uczący się model jest rdzeniem.
Uczciwe ograniczenie polega na tym, że „aplikacja AI” to nie jedna rzecz. Etykieta obejmuje szeroki zakres systemów, a nie wszystkie one polegają na sieciach neuronowych w ten sam sposób. Niektóre używają ich bezpośrednio. Niektóre używają ich jako jednej części większego potoku. Niektore używają całkowicie innych metod. Fraza jest szeroka, i dlatego szczegóły mają znaczenie.
To jest ta część, do której ciągle wracam. Aplikacje AI zwykle działają, ponieważ sztuczne sieci neuronowe zamieniają surowe dane na użyteczne przewidywania. Reszta to inżynieria wokół tego rdzenia. Model Log jest zbudowany wokół tego samego pomysłu: jeden praktyczny koncept AI, jeden działający przykład i jeden szczery spojrzenie na to, co naprawdę działa.
