Generatyvinis dirbtinis intelektas (DI) – tai toks DI, kuris gali jums padėti kurti turinį. Jis gali jums padėti būti kūrybingesniems, produktyvesniems ir daugiau žinantiems.
Šiame straipsnyje galite sužinoti apie generatyvinį DI, įskaitant toliau nurodytus dalykus.
- Kas yra generatyvinis DI ir kaip jis veikia
- Kaip naudoti generatyvinį DI ir įvertinti jo atsakymų tikslumą
- Kaip „Google“ kuria DI
Kas yra generatyvinis DI
Generatyvinis DI – tai mašininio mokymosi modelio tipas. Generatyvinis DI nėra žmogus. Jis negali mąstyti ar jausti emocijų. Jis tiesiog puikiai moka rasti šablonų.
Anksčiau DI buvo naudojamas informacijai suprasti ir rekomenduoti. Dabar generatyvinis DI taip pat gali mums padėti kurti naują turinį, pvz., vaizdus, muziką ir kodą.
Kaip mokomi mašininio mokymosi modeliaiMašininio mokymosi modeliai, įskaitant generatyvinį DI, mokosi per stebėjimo ir šablonų atitikties procesą, vadinamą mokymu. Kad modelis suprastų, kas yra sportinis batelis, jis mokomas rodant milijonus sportinių batelių nuotraukų. Laikui bėgant jis supranta, kad sportiniai bateliai yra objektai su raišteliais, padais ir logotipu, kuriuos žmonės dėvi ant kojų.
Tai, ko išmoko, modelis gali naudoti, kaip nurodyta toliau.
- Suprasti įvestį, pvz., „Sugeneruok sportinių batelių vaizdą su ožkos pavidalo amuletu“.
- Susieti tai, ką žino apie sportinius batelius, ožkas ir amuletus.
- Sugeneruoti vaizdą, net jei tokio vaizdo nėra matęs anksčiau.
Generatyvinis DI ir didelės apimties kalbos modeliai (DKM) yra tos pačios technologijos dalis. Generatyvinį DI galima mokyti iš bet kokio tipo duomenų, bet DKM kaip pagrindinį mokymo duomenų šaltinį naudoja žodžius.
DKM, pvz., „Gemini“ ir Generatyvinės paieškos patirtis, pagal jūsų užklausą ir iki šiol sugeneruotą tekstą gali numatyti žodžius, kurie gali būti pateikiami toliau. Tokie modeliai gali lanksčiai pasirinkti tikėtinus kitus žodžius, atitinkančius mokantis gautus šablonus. Toks lankstumas leidžia generuoti kūrybiškus atsakymus.
Jei paraginsite užpildyti frazę „Haris [tuščia]“, modelis gali numatyti, kad kitas žodis bus „Stailsas“ arba „Poteris“.
Kaip naudoti generatyvinį DI
Svarbu: „Google“ funkcijos, pagrįstos generatyviniu DI, gali padėti pradėti kūrybinį procesą. Jos nėra skirtos atlikti visą darbą už jus ar būti kūrėju.
Toliau pateikti trys generatyvinio DI naudojimo būdai.
- Sugalvoti kūrybinių idėjų. Pavyzdžiui, gaukite pagalbos kurdami mėgstamo filmo priešistorę.
- Užduoti klausimų, į kuriuos, jūsų manymu, neįmanoma atsakyti. Pvz., „Kas atsirado pirmiau: višta ar kiaušinis?“
- Gauti papildomos pagalbos. Paprašykite pasiūlyti pavadinimą jūsų sukurtai istorijai arba gaukite pagalbos, prireikus iš vaizdo atpažinti gyvūno ar vabzdžio rūšį.
Naršant, kuriant ir mokantis naujų dalykų su generatyviniu DI, svarbu jį naudoti atsakingai. Jei reikia išsamios informacijos, peržiūrėkite generatyvinio DI draudžiamo naudojimo politiką.
DI gali daryti (ir daro) klaidųKadangi generatyvinis DI yra vis dar kuriama eksperimentinė paslauga, jis gali daryti (ir daro) klaidų.
- Jis gali išgalvoti dalykų. Kai generatyvinis DI pats sukuria atsakymą, tai vadinama haliucinacija. Haliucinacijų pasitaiko, nes, priešingai nei „Google“ paieška, informaciją gaunanti iš žiniatinklio, DKM visiškai nerenka informacijos. Vietoje to DKM nuspėja, kokie žodžiai bus pateikiami toliau, atsižvelgdami į naudotojų įvestis.
- Pavyzdžiui, galite paklausti „Kas laimės moterų gimnastikos rungtį 2032 m. Brisbano vasaros olimpinėse žaidynėse?“ ir gausite atsakymą, nors renginys dar neįvyko.
- Jis gali klaidingai suprasti dalykus. Kartais generatyvinio DI produktai klaidingai interpretuoja kalbą ir dėl to pasikeičia reikšmė.
- Pavyzdžiui, galbūt norėsite daugiau sužinoti apie barą – slėgio matavimo vienetą. Jei paprašysite informacijos apie barą, generatyvinis DI gali pateikti atsakymą apie nedidelį restoraną, kuriame užsakymai priimami prie bufeto.
Kritiškai vertinkite atsakymus, kuriuos gaunate iš generatyvinio DI įrankių. Kaip faktą pateiktą informaciją patikrinkite „Google“ ir kituose ištekliuose.
Jei pastebėsite ką nors netinkamo, praneškite. Daugelis mūsų generatyvinio DI produktų turi pranešimų teikimo įrankių. Jūsų atsiliepimai mums padeda patikslinti modelius, kad galėtume tobulinti visiems teikiamas generatyvinio DI funkcijas.
Generatyvinio kodo funkcijos vis dar eksperimentinės ir jūs esate atsakingi už siūlomų kodų ar kodavimo paaiškinimų naudojimą. Savo nuožiūra atidžiai išbandykite ir peržiūrėkite visą kodą, ar nėra klaidų, riktų ir pažeidimų, prieš juo pasikliaudami. Jūs esate atsakingi už bet kokių licencijos reikalavimų laikymąsi, pvz., kai cituojame atvirojo šaltinio kodo saugyklas. Sužinokite daugiau.
Kaip „Google“ kuria DI
Siekdami užtikrinti, kad kuriame įrankius, darančius pasaulį geresnį visiems, 2018 m. parengėme DI principų rinkinį. Šie principai apibūdina mūsų tikslus kurti drąsias technologijas, kurios padėtų atsakingai įveikti tam tikrus didžiausius visuomenės iššūkius.
Pavyzdžiui, naudojame DI toliau nurodytais tikslais.
- Prisidėti prie pastangų pažaboti klimato kaitą, pvz., sumažinti dėl spūsčių lėtai judančio eismo, kad sumažėtų transporto priemonių išmetalų kiekis.
- Numatyti ar stebėti stichines nelaimes, pvz., numatyti potvynius daugiau kaip 20 šalių ir stebėti gamtos gaisrų ribas realiuoju laiku.
- Palaikyti sveikatos priežiūros naujoves, pvz., patikrinimą dėl tuberkuliozės padaryti lengviau prieinamą ir padėti anksti nustatyti krūties vėžį.
Principuose taip pat išvardijamos sritys, kuriose nenaudosime DI, pvz., technologijos, sukeliančios didelę žalą ar pažeidžiančios tarptautinius įstatymus bei žmogaus teises.
Peržiūrėkite visą DI principų sąrašą.
To develop and improve generative AI experiences on Search and the machine learning technologies that power them, Google uses people's interactions with Search and those experiences. This can include interactions like what they search for and feedback they give, like thumbs up or thumbs down. Human review is one of many ways that we evaluate and improve the quality of our results and products responsibly.
When trained reviewers work to improve the quality of Search’s machine learning models, we take a number of precautions to protect users’ privacy:
- Data that reviewers see and annotate are disconnected from users’ accounts.
- Automated tools help recognize and remove a broad range of identifying info and sensitive personal information.