Kaip iš tikrųjų veikia dirbtinio intelekto modeliai: nuo duomenų iki atsakymo

Dirbtinis intelektas (DI) šiandien tapo kasdieniu įrankiu: jis rašo tekstus, padeda programuoti, apibendrina dokumentus, atsako į klausimus. Tačiau paradoksalu tai, kad kuo dažniau juo naudojamės, tuo mažiau kreipiamė dėmesį, kaip jis iš tikrųjų veikia. Viešojoje erdvėje DI dažnai vaizduojamas kaip „mąstanti sistema“, gebanti suprasti pasaulį ar net turinti savotišką nuomonę.

Šis įspūdis klaidina. O klaidingas supratimas turi pasekmių: nuo per didelio pasitikėjimo atsakymais iki netinkamo jautrių duomenų naudojimo ar net sprendimų, kurių neturėtų priimti automatizuotos sistemos.

Šiame straipsnyje nuosekliai ir be mistifikavimo paaiškinsime, kaip iš tikrųjų veikia dirbtinio intelekto modeliai – nuo duomenų, kuriais jie mokomi, iki momento, kai ekrane pasirodo atsakymas. Tikslas – suteikti aiškų, realistišką supratimą apie šios technologijos galimybes ir ribas.

1. Kas iš tikrųjų yra dirbtinio intelekto modelis

1.1. Modelis nėra „mąstanti sistema“

Pats svarbiausias dalykas, kurį reikia suprasti: dirbtinio intelekto modelis nemąsto. Jis neturi sąmonės, intencijų ar pasaulio suvokimo. Techniniu požiūriu modelis yra matematinė funkcija, kuri gavusi įvestį apskaičiuoja labiausiai tikėtiną išvestį.

Kai modelis „atsako“ į klausimą, jis ne ieško teisingo atsakymo, o prognozuoja, koks simbolis, žodžio dalis ar sakinys statistiškai labiausiai tinka po prieš tai pateikto teksto. Šis procesas kartojamas žingsnis po žingsnio, kol susidaro mums suprantamas tekstas.

Būtent todėl DI atsakymai gali skambėti labai įtikinamai, bet būti netikslūs – užtikrintas tonas yra mokymosi pasekmė, o ne žinojimo įrodymas.

1.2. Modelis, sistema ir galutinis produktas

Kasdienėje kalboje dažnai painiojamos trys skirtingos sąvokos:

• Modelis – matematinė struktūra, apmokyta iš duomenų.
• Sistema – modelis kartu su papildomais komponentais: taisyklėmis, filtrais, paieška, atmintimi.
• Galutinis produktas – vartotojui matoma programa, pavyzdžiui, pokalbių robotas ar teksto analizės įrankis.

Didelė dalis „protingumo“, kurį mato vartotojas, atsiranda ne iš paties modelio, o iš sistemos architektūros, kuri jį supa.

2. Duomenys: iš ko ir kaip mokosi modeliai

2.1. Duomenų tipai

Dirbtinio intelekto modeliai mokosi iš didžiulių tekstinių rinkinių: viešai prieinamų straipsnių, techninės dokumentacijos, programinio kodo, diskusijų forumų, mokomųjų tekstų. Svarbu suprasti, kad „internetas“ čia nėra vienalytis šaltinis – tai milžiniška, nevienodos kokybės informacijos masė.

Modelis neatskiria, kas yra tiesa, o kas – klaida. Jis mokosi kalbos struktūros, sąsajų ir pasikartojimų, todėl duomenų kokybė tampa kritiškai svarbi.

2.2. Duomenų atranka ir valymas

Prieš pradedant mokymą, duomenys intensyviai apdorojami: šalinami dublikatai, filtruojamas akivaizdžiai klaidingas, pavojingas ar neteisėtas turinys. Tačiau net ir po šio proceso netikslumai neišnyksta visiškai.

Todėl teiginys „daugiau duomenų reiškia geresnį modelį“ yra klaidingas. Prastai atrinkti duomenys gali sustiprinti klaidas ir šališkumą.

2.3. Instrukciniai ir specializuoti duomenys

Be bendrų tekstų, modeliai papildomai mokomi instrukciniais duomenimis – pavyzdžiais, kurie rodo, kaip atsakyti į klausimą, laikytis formato ar paaiškinti sudėtingą temą. Ši dalis lemia, kodėl modelis geba ne tik generuoti tekstą, bet ir atrodo „paklusnus“ naudotojui.

Specializuoti modeliai, apmokyti siauresniais duomenimis, dažnai veikia patikimiau konkrečiose srityse, tačiau praranda universalumą.

3. Kaip tekstas tampa skaičiais: tokenizacija

3.1. Kodėl modeliai „nemato“ žodžių

DI modeliai neskaito žodžių taip, kaip juos suvokia žmogus. Tekstas pirmiausia suskaidomas į mažesnius vienetus – simbolius ar žodžių dalis. Šie vienetai paverčiami skaičiais, su kuriais modelis gali atlikti matematinius veiksmus.

Dėl to vienas sakinys gali virsti dešimtimis ar net šimtais skaitinių elementų.

3.2. Tokenizacijos poveikis lietuvių kalbai

Lietuvių kalba pasižymi sudėtinga gramatika: linksniai, galūnės, sudurtiniai žodžiai. Tai apsunkina skaidymą į vienetus ir paaiškina, kodėl modeliai dažniau klysta būtent lietuviškai – paprasčiausiai yra mažiau nuoseklių pavyzdžių, iš kurių galima mokytis.

4. Vidinė modelio struktūra: kaip apdorojama informacija

Kiekvienas tekstinis vienetas paverčiamas skaitiniu vektoriumi, kuris atspindi jo reikšmę kontekste. Žodžio prasmė nėra fiksuota – ji kinta priklausomai nuo aplinkinių žodžių.

Vienas svarbiausių šiuolaikinių modelių elementų – dėmesio mechanizmas, leidžiantis nustatyti, kurios teksto dalys šiuo metu svarbiausios. Tai padeda išlaikyti kontekstą, tačiau negarantuoja teisingumo. Modelis supranta ryšius, bet ne faktų tikrumą.

Kalbant apie „milijardus parametrų“, kalbama apie išmoktų skaitinių ryšių kiekį. Didesnis jų skaičius leidžia modeliams atpažinti sudėtingesnius dėsningumus, tačiau nėra tiesioginis kokybės garantas.

5. Mokymas: kaip modelis „išmoksta kalbėti“

Pagrindinis mokymosi principas paprastas: modelis mokosi numatyti kitą teksto elementą. Šis metodas sukuria įspūdį, kad modelis „žino“, nors iš tikrųjų jis tik labai gerai prognozuoja.

Vėlesniame etape modeliai mokomi laikytis instrukcijų, vengti pavojingo turinio ir atsakyti nuosekliai. Dėl to atsiranda mandagus, užtikrintas tonas, kuris kartais klaidina vartotojus.

Jei modelis per daug prisitaiko prie mokymo duomenų, jis pradeda blogiau apibendrinti. Praktikoje tai reiškia pernelyg šabloniškus arba klaidingus atsakymus neįprastose situacijose.

6. Kaip generuojamas atsakymas realiu laiku

Atsakymas kuriamas žingsnis po žingsnio, kiekvieną kartą pasirenkant labiausiai tikėtiną teksto tęsinį. Nedidelis atsitiktinumas leidžia išvengti visiškai identiškų atsakymų, bet kartu padidina klaidų tikimybę.

Modeliai taip pat turi konteksto ribas – jie negali prisiminti visos ankstesnės informacijos, todėl ilguose pokalbiuose gali „pamiršti“ svarbias detales.

7. Kodėl modeliai klysta

Modelis neturi mechanizmo patikrinti, ar jo teiginys atitinka realybę. Jei klaidinga informacija buvo dažna mokymo duomenyse, ji gali būti atkartota.

Tai apima išgalvotus šaltinius, netikslius skaičius, supainiotas datas ar sąvokas. Šios klaidos dažnai pateikiamos užtikrintu tonu.

Didžiausia klaidų tikimybė atsiranda siaurose, mažai dokumentuotose srityse arba pateikus neaiškias užklausas.

Svarbu paminėti, jog vien modelio žinių neužtenka – jos ribotos ir dažnai pasenusios. Todėl praktikoje modeliai jungiami su išoriniais dokumentais ar paieška, kas sumažina klaidų skaičių, bet jų visiškai nepašalina.

8. Privatumas ir saugumas

Naudojant debesijos (angl. cloud computing) sprendimus, pateikti duomenys gali būti apdorojami išoriniuose serveriuose. Todėl jautrios informacijos pateikimas visada kelia riziką. Be to, modelius galima bandyti klaidinti ar manipuliuoti jų elgesiu, tad saugumas priklauso ne tik nuo technologijos, bet ir nuo jos naudojimo.

9. Dažniausi mitai apie dirbtinio intelekto modelius

• Modeliai mąsto kaip žmonės;
• Modeliai supranta pasaulį;
• Užtikrintas atsakymas reiškia teisingą atsakymą;
• Didesnis modelis visada geresnis.

Visi šie teiginiai supaprastina realybę ir klaidina.

Išvada: ką svarbiausia suprasti

Dirbtinio intelekto modeliai nėra magija ir nėra mąstančios būtybės. Jie prognozuoja, o ne supranta, ir jų nauda priklauso nuo to, kaip gerai mes suprantame jų veikimo principus ir ribas. Atsakingas naudojimas prasideda ne nuo susižavėjimo, o nuo kritinio suvokimo.

Būtent tai ir leidžia dirbtinį intelektą naudoti ten, kur jis iš tiesų naudingas – ir vengti ten, kur jis gali suklaidinti.

Nors dirbtinio intelekto veikimo principai daugeliu atvejų panašūs, skirtingi modeliai yra pritaikyti skirtingiems poreikiams. Vieni labiau orientuoti į bendrą tekstų supratimą ir generavimą, kiti – į paiešką, programavimą ar darbą su dokumentais.

Žemiau pateikiama orientacinė apžvalga, kuri padeda suprasti, kurie modeliai šiuo metu yra plačiausiai naudojami ir kuo jie skiriasi.

Išsamesnį palyginimą ir pasirinkimo rekomendacijas rasite šiame straipsnyje: https://www.technaujienos.lt/dirbtinis-intelektas-internete-kuri-modeli-pasirinkti/

Taip pat kviečiame skaityti dirbtinio intelekto naujienas.

D.U.K.