AE30-AE53)

Neurónové siete

GPT4%20Advanced%20Data%20Analysis%20Prompt%3A%20%22generate%20latex%20%20tikz%20graph%20of%20a%20three%20layer%20neural%20network%20.%20slovak%20terms%20like%20%22vstupna%20vrstva%22%20are%20used%2C%20%20term%20for%20feature%20%22%C4%8Crta%22%20is%20used%20instead%20of%20Pixels%2C%20there%20should%20also%20be%20two%20output%20neurons%2C%20one%20for%20%22pes%22%20other%20for%20%22ma%C4%8Dka%22%22

GPT4 Advanced Data Analysis Prompt: "generate latex tikz graph of a three layer neural network . slovak terms like "vstupna vrstva" are used, term for feature "Črta" is used instead of Pixels, there should also be two output neurons, one for "pes" other for "mačka""

Neurónové siete v kontexte UI nie sú skutočné nervové bunky, ale sú softwarové modely ktorých architektúra je inšpirovaná spôsobom akým ľudský mozog spracováva informácie. Tieto modely sa skladajú z "vrstiev" dátových štruktúr nazývaných "neuróny". Neuróny sú vzájomne prepojené a ich prepojenia majú určitú "váhu". V procese učenia systém postupne upravuje tieto váhy - nazývané aj "parametre"- tak, aby znížil chybu medzi svojou predpoveďou a tým čo má byť predpovedané.

Deep learning & big Data

dall-e%203%3A%20%22convolutional%20multi-layered%20neural%20networks%2C%20deep%20learning%22

dall-e 3: "convolutional multi-layered neural networks, deep learning"

Deep learning, alebo hlboké učenie, využíva neurónové siete s mnohými vrstvami (preto "hlboké"), čo umožňuje modelu učiť sa komplexné vzory v dátach na rôznych úrovniach abstrakcie. Deep learning sa aplikuje v mnohých oblastiach, vrátane rozpoznávania obrazu a reči, a je kľúčovou technológiou v rozvoji autonómnych systémov ako sú napríklad samoriadiace autá či rozpoznávanie reči.

Kľúčom k úspechu je čo najväčšie množstvo trénovacích dát.

TPU

dall-e%203%3A%20%22gpt4%20was%20trained%20on%2025000%20A100%20GPUs%20over%20a%20period%20of%20100%20days%22

dall-e 3: "gpt4 was trained on 25000 A100 GPUs over a period of 100 days"

GPU (Graphic Processing Units, NVIDIA) a TPU (Tensor Processing Units, Google) sú tou hardwarovou inováciou ktorá umožňuje uskutočňovať hĺbkové učenie nepredstaviteľného rozsahu.

Vektory vloženia

dall-e%203%3A%20%22calculating%20distance%20between%20cat%20and%20a%20dog%20by%20means%20of%20calculating%20cosine%20of%20two%20embedding%20vectors%22

dall-e 3: "calculating distance between cat and a dog by means of calculating cosine of two embedding vectors"

Vektor vloženia, (resp. "embedding vektor" či "embedding") nám umožňujú reprezentovať objekt (ako slovo, pojem, obrázok alebo zvuk) ako usporiadanú sériu čísel ("vektor") ktorý zodpovedá polohe či oblasti v určitom N-rozmernom priestore. Tento vektor zachytáva podstatné črty alebo kontext daného objektu v kompaktnej forme, umožňujúc jeho efektívne spracovanie a porovnávanie s inými objektami.

Pojem „vektor vloženia“ tak vystihuje ideu, že pôvodné dáta (t.j. slová, pojmy, obrázky, zvuky) sú transformované alebo "vložené" do nového priestoru, kde sú ich vzťahy alebo vlastnosti lepšie alebo efektívnejšie vyjadrené vektormi či inými matematickými štruktúrami.

Diskriminatívna UI

dall-e%203%3A%20%22computer%20vision%20facial%20expression%20recognition%20features%22

dall-e 3: "computer vision facial expression recognition features"

Diskriminatívna umelá inteligencia (UI) sa vzťahuje na modely, ktoré sa učia rozlišovať alebo klasifikovať vstupné dáta do preddefinovaných kategórií. Diskriminatívne modely sa zameriavajú na odlišenie medzi rôznymi typmi vstupných dát, ako sú napríklad rozličné kategórie obrázkov alebo textu. Cieľom je „diskriminovať“=rozlišovať medzi rôznymi triedami alebo skupinami a správne priradiť nové, neznáme vstupy do jednej z týchto kategórií.

Tipy & triky 1: Rozpoznávače

Odporúčam nainštalovať si následovné appky:

Merlin - rozpoznávač vtáčích spevov

PlantNet alebo Naturblick - rozpoznávač rastlín

Svampe Atlas - rozpoznávač húb

generatívna UI

dall-e%203%3A%20%22large%20language%20model%22

dall-e 3: "large language model"

Generatívna umelá inteligencia (UI) sa venuje vytváraniu nových, často nevidených dát alebo obsahu, čo je výsledkom učenia sa z existujúcich dát. Tieto modely nejako "rozumejú" štruktúre a distribúcii dát, na ktorých boli vyškolené, a snažia sa vytvárať nové vzorky, ktoré sú konsistentné s týmito naučenými vzormi. Generatívne modely môžu byť použité na rôzne účely, ako napríklad na generovanie obrázkov, textu, zvuku alebo videa a sú často používané v oblastiach ako umelé vytváranie obsahu alebo syntéza reči.

Large Language Model

dall-e%203%3A%20%22artificial%20intelligence%20learning%20from%20all%20wisdom%20of%20human%20history%22

dall-e 3: "artificial intelligence learning from all wisdom of human history"

Large Language Model (LLM), alebo veľký jazykový model, je typ umelej inteligencie, ktorý je vyvinutý na porozumenie a generovanie ľudského jazyka. Tieto modely sú vyškolené na obrovských množinách textu, čím sa učia gramatiku, slovnú zásobu a kontext rôznych jazykov. Schopnosť LLM generovať súvisiace a gramaticky správne texty im umožňuje plniť rôzne úlohy ako odpovedať na otázky, písať texty, prekladať jazyky alebo sumarizovať informácie, a to všetko bez explicitného programovania konkrétnych pravidiel alebo logiky.

text-to-image

dall-e%203%3A%20%22artificial%20intelligence%20painting%20its%20own%20image%22

dall-e 3: "artificial intelligence painting its own image"

Text-to-Image resp. speech-to-image generatívna umelá inteligencia (UI) umožňuje tvoriť nové, jedinečné obrázkové obsahy prostredníctvom popisov alebo príkazov vo forme textu (resp. hovorenej reči).

(ro)boti

Pikoška: 70 rokov po premiére Čapkovho Rossum's Universal Robots (1921) vytvoril holandský programátor Guido van Rossum programovací jazyk Python v ktorom je dnes naprogramovaná väčšina UI systémov a knižníc

spoločníčky

AI girlfriends are here and they're posing a threat to a generation of men

elonkov najlepší kamarát

náklady

dall-e 3: "artificial intelligence painting its own image"

Odhaduje sa, že ...

strojové vyučenie Džepeta-4 si vyžiadalo cca 51 772 500 - 62 318 750 KWh elektrickej energie

Čepeto spotrebuje 500 mililitrov vody zakaždým, keď mu položíte sériu 5 až 50 podnetov / otázok