In den letzten Monaten haben Instruments wie chatGPT, Dall-E, BARD usw. die Tech-Welt im Sturm erobert. Der Hype ist gerechtfertigt, da die Modelle einige faszinierende Aufgaben erledigten, wie das Generieren von Artikeln, das Schreiben von Code, das Erstellen von Memes und vieles mehr. Wir haben gesehen, dass sie auch einige Branchen gefährden 🙁
All diese trendigen Modelle fallen unter das Dach der generativen KI und werden in den kommenden Jahren viele Branchen revolutionieren. Gartner ist der Meinung, dass GenAI eine der wirkungsvollsten Technologien ist, die die Produktrevolution vorantreiben wird. Diese Fortschritte haben mich dazu veranlasst, eine Blogserie über generative KI zu starten. In diesem ersten Mini-Weblog möchte ich über grundlegende Particulars von GenAI sprechen und in den kommenden Blogs werden wir seine verschiedenen Typen und Open-Supply-Modelle diskutieren und einige praktische Anwendungen implementieren. LASS UNS ANFANGEN!!
Was ist generative KI?
Generative KI ist eine Artwork KI-Technologie, die verschiedene Arten von Inhalten produziert, darunter Textual content, Bilder, Audio und synthetische Daten. Die Hauptidee besteht darin, völlig originelle Artefakte zu erzeugen, die wie ein Authentic aussehen.
Um den Kontext darzustellen, in den GenAI passt, sehen Sie sich bitte das folgende Bild an:
Deep-Studying- oder Machine-Studying-Modelle können in zwei Typen unterteilt werden: diskriminativ und generativ.
Diskriminierende Modelle trainieren typischerweise anhand beschrifteter Eingabedaten und versuchen, die Beziehung zwischen Merkmal und Beschriftungen zu identifizieren. Ein klassisches Modell für überwachtes und unbeaufsichtigtes diskriminierendes Lernen sieht wie im folgenden Bild aus:
Wenn Sie beispielsweise Bilder von Hund und Katze klassifizieren, Diskriminierendes Modell versucht, die Wahrscheinlichkeit des Auftretens einer Bezeichnung (Katze oder Hund) anhand der Eingabe (Bild) zu ermitteln.. Selbst wenn Sie ein Bild eines Fahrrads bereitstellen, kann dieses Modell es mit einiger Wahrscheinlichkeit als Katze klassifizieren. Das bedeutet, dass ein diskriminierendes Modell Informationen über die Unterschiede zwischen Katzen und Hunden komprimiert, ohne zu verstehen, was eine Katze und was ein Hund ist.
Hier kommt die generative KI-Modellierung. Das GenAI-Modell erfasst die gemeinsame Wahrscheinlichkeitsverteilung sowohl der Eingabe als auch der Beschriftungen. Es lernt die Verteilung einzelner Klassen und Options, nicht die Grenze. Das heißt, wenn ein GenAI-Modell ein Hundebild empfängt, kann es die bedingte Wahrscheinlichkeit vorhersagen, dass es sich um einen Hund handelt, und auch ein Hundebild generieren. Eine Übersicht über ein solches Modell sieht wie folgt aus:
- Das GenAI-Modell kann neue Inhalte erstellen, basierend auf dem, was es aus vorhandenen Inhalten gelernt hat
- Sobald der Prozess des Lernens aus verschiedenen Daten abgeschlossen ist, führt er zur Erstellung eines Modells
- Wenn gegeben a immediateDas oben trainierte GenAI-Modell sagt voraus, welche Reaktion erwartet werden kann – und generiert so den neuen Inhalt.
Basierend auf der Artwork der Daten unterscheidet sich das GenAI-Modell in seinen Funktionen. Generative Sprachmodelle Nimmt Textual content als Eingabe und kann neue Textual content-, Audio-, Bild- und Entscheidungsausgaben generieren. Generative Bildmodelle kann Bilder als Eingabe verwenden und Aufgaben wie Untertitelung, Bildsuche, Auflösungsänderungen, Videoanimationen usw. ausführen.
Diese generativen Modelle erfordern Aufforderungen Zu handeln. Die Klarheit der Eingabeaufforderung und die Qualität der Eingabe bestimmen die Qualität der Ausgabe, die ein Modell generiert. Sobald eine solche Aufforderung erfolgt, liefert das GenAI-Modell vollständige Ergebnisse statt halbfertiger Antworten, was uns viel Zeit sparen könnte. Abschließend, Ein generativer Algorithmus zielt auf eine ganzheitliche Prozessmodellierung ab, ohne dabei Informationen zu verwerfen. Wir werden in zukünftigen Blogs mehr darüber diskutieren.
Damit sind wir vorerst am Ende dieses Mini-Blogs angelangt. Im nächsten werden wir darüber diskutieren generative Sprachmodelle, Immediate Design, bestehende Open-Supply-Modelle, Feinabstimmung und eine praktische Anwendungsfallimplementierung mit Code. Bis dann, Beifall!!
