Pojmovi za razumevanje veštačke inteligencije
Dobrodošli u svet veštačke inteligencije! Da biste je dobro razumeli, morate da poznajete pojmove koji je definišu. Generacije koje su odrastale devedesetih i početkom dvehiljaditih sigurno su, ukoliko su posedovale računar i internet, imale bar jednu od mnogih popularnih knjiga – „Windows 95 za neupućene”, „Internet za početnike”, „Ilustovani kompjuterski rečnik za početnike”, „Računarski priručnik”, „Put kroz internet za početnike”, „Kompjuter za početnike u 100 lekcija”... Isto tako kada ste na stranicama čitali šta je URL ili kako se koristi Word, sada je neophodno da poznajemo i pojmove veštačke inteligencije, ukoliko želimo da se bavimo njome.
Pred vama se nalazi vodič za razumevanje veštačke inteligencije (Artificial intelligence), odnosno sposobnosti uređaja da oponaša ljudsku inteligenciju (uči, razmišlja, preduzima akcije, izvršava zadatke, odražavajući kognitivne sposobnosti ljudi).
Pojmovi za razumevanje AI:
Akcija (Action) – Izbor koji agent pravi, a koji ne utiče na okruženje.
Algoritam (Algorithm) – Postupak da se korak po korak reše problemi ili izvrše zadaci, ali i metodi da računari uče iz podataka, prave predikcije i obavljaju različite zadatke.
Autoenkoder (Autoencoder) – Sastoji se od enkodera i dekodera. Enkoder kopresuje ulazne podatke, dok dekoder rekonstruiše podatke iz kompresovane reprezentacije. Autoenkoder koristi se za učenje bez nadzora.
Čet Dži-Pi-Ti (ChatGPT) – Model jezika veštačke inteligencije koje je razvio OpenAI na osnovu GPT arhitekture. ChatGPT može da generiše tekst sličan ljudskom i da se primenjuje u različitim aplikacijama, generise sadržaj i odgovara na pitanja.
Četbot (Chatbot) – Programi dizajnirani tako da simuliraju razgovor sličan ljudskom kroz tekstualne i glasovne interakcije.
Detekcija objekata (Object detection) – Lociranje i identifikovanje objekata unutar slika ili snimaka.
Difuzioni modeli (Difussion models) – Navođenje AI da obukom uz buku kreira slike, a da potom pokušavaju da nauče i povrate podatke obrtanjem procesa.
DipSik (DeepSeek) – Kineski pandan OpenAI-ju.
Duboko učenje (Deep learning) – Pripada široj porodici metoda mašinskog učenja bazirane na učenju reprezentacije podataka, nasuprot algoritmima. Putem dubokog učenja mogu se prepoznati slike i govor.
Duhovi (Ghosts) – Digitalna besmrtnost – odnosno da ljudi nastave da žive nakon svoje smrti putem veštačke inteligencije. Tako imamo holograme „slavnih mrtvaca” koji nastupaju ili glume i nakon smrti. Ovaj vid AI otvara i niz etičkih pitanja – ko drži vlasništvo nad digitalnim pravima pokojnika i da li je u redu „oživljavati mrtve”.
Emergencija i objašnjivost (Emergence and explainability) – Emergencija opisuje šta se dešava kada AI uradi nešto što je neočekivano od namera tvorca ili programiranja. Zato se sada radi na usavršavanju objašnjivosti, čineći da njeni unutrašnji mehanizmi budu transparentniji i razumljiviji.
Funkcija aktivacije (Activation function) – Uvodi nelinearnost u mrežu i omogućava joj da uči složene obrasce.
Gemini – Ranije poznat kao Bard, generativni je Guglov četbot.
Generativna suparnička mreža (Generative adversarial network) – Sastoji se od dve neuronske mreže – generatora i diskriminatora. Generator stvara lažne podatke, a diskriminator može da prepozna razliku između istinitih i lažnih informacija.
Glasovni asistenti (Voice assistants) – Ovi sistemi omogućavaju korisnicima da komuniciraju sa uređajima i aplikacijama koristeći glasovne komande.
Google DeepMind technologies limited – Britansko-američka istraživačka laboratorija veštačke inteligencije koja služi kao podružnica Gugla.
Gradijentni opadanje (Gradient descent) – Koristi se kako bi se pronašli najbolje prilagođeni parametri modela iterativnim minimiziranjem date funkcije troška ili gubitka.
Grafik znanja (Knowlegde graph) – Načini razmišljanja o znanju kao o mreži, da bi mašine mogle da razumeju na kako su povezani različiti koncepti.
Grok – Četbot kreiran od strane Ilona Maska, koji se primenjuje na društvenoj mreži Iks (X).
Halucinacija (Hallucation) – Ukoliko postavite pitanje AI i ona odgovori uverljivo, čak i ako su informacije lažne.
Iks-rizik (X-risk) – Verovanje da bi značajno napredovanje veštačke inteligencije mogla da postane „egzisencijalni rizik” za ljude ili globalne katastrofe.
Instrumentalna konvergencija (Instrumental convergence) – Težnja veštačke inteligencije da sledi podciljeve, iako su krajnji ciljevi sasvim različiti.
Inženjering karakteristika (Feature Engineering) – Proces odabira, promene ili kreiranja podataka za modele mašinskog učenja – npr. izvlačenje smislenih informacija iz sirovih podataka.
Izbavljenje iz zatvora (Jailbreak) – Nakon slučaja kada se AI otekla kontroli, uvedeno je ograničenje na sadržaje koje može da izbaci. Na primer ukoliko zatražite tražite da vam opiše neku nelegalnu ili neetičku radnju, ona to neće uraditi. Ipak, do odgovora je moguće doći korišćenjem hipotetičkih scenarija, trikova ili određenog rečnika.
Jednosmerna neuralna mreža (Feedforward neural network) – Informacije teku u jednom pravcu.
JOLO (YOLO – You only look once) – Algoritam za pronalaženje objekata koji koriste alate za prepoznavanje slika veštačke inteligencije.
Kloniranje glasova (Voice cloning) – Na osnovu kratkog snimka govora neke osobe može da se klonira glas i da on deluje autentično.
Kolaps modela (Model collapse) – Da bi razvili najnaprednije modele veštačke inteligencije, istraživači moraju da ih obuče putem velike količine podataka. Ukoliko AI bude proizvodila sve više sadržaja, on će se vraćati nazad. To može da dovede do stvaranja grešaka, odnosno kolapsa modela – tj. procesa u kojem modeli počinju da zaboravljaju.
Konvoluciona neuronska mreža (Convolutional neural network) – Koristi se za obradu podataka sličnih mreži, npr. za prepoznavanje slika i detektovanje objekata.
Kvantno mašinsko učenje (Quantum machine learning) – interdisciplinarna oblast na preseku kvantne fizike i mašinskog učenja.
Mašinsko učenje (Machine learning) – Predstavlja podoblast veštačke inteligencije koja se fokusira na kreiranje algoritama, što omogućava da računari uče iz podataka i poboljšaju performanse. ML sistemi koriste pristupe zasnovane na podacima za predviđanje ili donošenje odluka.
Midjourney – Služi za pretvaranje teksta u slike.
Modeli i algoritmi veštačke inteligencije (AI models and algorithms) – Predstavljaju osnovu različitih sistema veštačke inteligencije, omogućavajući im da uče iz podataka i donose procene i odluke.
Modeli osnove (Foundation models) – Modeli sposobni da pišu eseje, rade nacrte kodiranja, crtaju, komponuju muziku…
Nadgledano učenje (Supervised learning) – U ovoj vrsti učenja algoritam se obučava sa označenim podacima, odnosno svaki ulaz uparen sa traženim izlazom. Sve to radi se sa namerom da se nauči mapiranje od početka do kraja, kako bi algoritam mogao da previđa podatke koji nisu uneti.
Nagrada (Reward) – Povratna informacija koju orkuženje daje kao odgovor na akcije.
Nauka o podacima (Data science) – Interdisciplinarna oblast koja primenjuje naučne metode, procese, algoritme i sisteme iz podataka.
Nedovoljno podešavanja (Underfitting) – Javlja se kada je model previše jednostavan da uhvati osnovne obrasce u podacima, što dovodi do loših performansa za obuku i testiranje.
Nenadgledano učenje (Unsupervised learning) – Algoritmi u nenadgledanom učenju koriste neoznačene podatke, tj. nema unapred definisanog izlaza.
Neuronska mreža (Neural network) – Tip mašinskog učenja koji koristi slobodno modelovanje na ljudskom mozgu.
Neuronske mreže (Neural networks) – Predstavlja računarski model koji su inspirisani strukturom ljudskog mozga. Ovakva vrsta sistema uči iz podataka, prilagođavanjem težine svojih veza, što im omogućava da predvide ili prepoznaju obrasce.
Nula pokušaja (Zero-shot) – Koncept sa kojim se veštačka inteligencija nikada nije srela. Na primer ukoliko prepoznaje određene vrste životinja, poput domaćih ali ne i divljih.
Obrada prirodnog jezika (Natural language processing) – Sistemi veštačke inteligencije razumeju, tumače i generišu ljudski jezik.
Obuka i testiranje (Training and testing) – Proces učenja modela mašinskog učenja pomoću skupa podataka, kako bi minimizirao moguće greške, odnosno proces evaluacije performansi modela na odvojenom skupu podataka koji se nisu koristili tokom obuke.
Okruženje za obuku kroz pojačanje (Reinforcement learning environment) – Stvarno ili simulirano okružeje u kojem se model uči da donosi odluke u interakciju sa okolinom. Model dobija nagradu ili kaznu, čime ga uči koje akcije su najbolje u određenim situacijama.
OpenAI – Američka istraživačka organizacija fokusirana na razvoj opšte veštačke inteligencije. Jedan od njenih osnivača je Ilon Mask.
Opšta veštačka inteligencija (AGI) – Veštačka inteligencija sa fleksiblnošću mišljenja kao kod čoveka
Otvoreni kod (Open-source) – Softver čiji je izvorni kod dostupan unutar licence otvorenog koda svim korisnicima koji ga mogu da ga menjaju, prepravljaju i poboljšavaju.
Podaci za obučavanje (Training data) – Analiziranje podataka za obučavanje je kako AIuči pre nego što može da pravi predviđanja.
Podržano učenje (Reinforcement learning) – Bavi se time kako bi softverski agenti trebalo da odaberu akcije u okruženju kako bi maksimizovali pojam kumulativne nagrade.
Ponavljajuća neuronska mreža (Recurrent neural network) – Koristi se za zadatke koji obuhvataju nizove podataka, poput obrade prirodnog jezika.
Prekomerno podešavanje (Overfitting) – Javlja se kada je model previše specijalizovan za podatke za obuku i loše s eponaša sa novi podacima.
Prenos Učenja (Transfer learning) – Unapred obučen model može da rešava srodne pobleme.
Prepoznavanje slika (Image recognition) – Identifikovanje objekata unutar digitalnih slika.
Primene i srodne oblasti (Applications and related fields) – Veštačka inteligencija i mašinsko učenje imaju širok spektar primenjivanja u različitim oblastima, poput medicine, marketinga, finansija, transporta…
Pristrasnost (Bias) – Veštačka inteligencija mora da uči od nas. Međutim, određeni tipovi AI nude i određene informacije, tačnije zauzimaju određene strane i cenzurišu podatke – poput DipSika.
Pristrasnost i varijansa (Bias and variance) – Prostrasnost se odnosi na grešku koja je uvedena približna ocena stvarnog problema sa pojednostavljenim modelom. Kada je velika pristrasnost model je prejednostavan i nije dobro prilagođen podacima. Varijansa predstavlja grešku uvedena osetljivošću modela na male promene u podacima za obuku. Ukoliko je ona velika model je složen, te može da dođe do preprilagođavanja podataka za obuku.
Prompt inženjeri (Prompt engineering) – Proces strukturiranja ili izrade instrukcija da bi se proizveo najbolji mogući rezultat iz generativnog modela AI.
Prompt inženjering (Prompt engineering) – Proces stvaranja ulaznih upita ili promtova da bi se usmerilo ponašanje modela jezika veštačke inteligencije. Korisnici mogu da utiču na odgovore i da dobiju relevantije i preciznije informacije.
Računarska snaga (Compute) – Ovo se odnosi na računarske resurse potrebne za obučavanje veštačke inteligencije.
Računarska vizija (Computer vision) – Podoblast veštačke inteligencije koja omogućava računarima da razumeju i tumače vizuelne informacije, poput video snimaka, prepoznavanje slika i objekata.
Razgovorna veštačka inteligencija (Conversational AI) – Sistemi se usmeravaju da mogu da se upuste u razgovor, pa tako imamo aplikacije poput četbotova, glasovnih asistenata i sistema za podršku, putem kojih se između ljudi i mašina odvija interakcija.
Razvoj veštačke inteligencije i tehnike (AI development and techniques) – Upotreba različitih tehnika i alata kako bi se stvorio obučio i primenio model veštačke inteligencije.
Robotika (Robotics) – Oblast koja se bavi dizajnom, konstrukcijom, radom i upotrebom robota.
Slaba veštačka inteligencija (Weak AI) – Veštačka inteligencija koja je stvarana kako bi obavljaja jednostavne radnje, poput igranja igrica.
Stanje (State) – Trenutna situacija ili konfiguracija okruženja. Model primenjuje informacije o stanju kako bi se preuzela određena akcija.
Superinteligencija i šogoti (Superintelligence and shoggoths) – Ovaj termin koristi se za mašine koje bi nadmašile naše vlastite mentalne sposobnosti.
Trka ka dnu (Race to the bottom) – Društveno-ekonomski koncept koji opisuje scenario u kojem se pojedinci ili kompanije takmiče na način koji postepeno smanjuje korisnost proizvoda ili usluga. Tako i veštačka inteligencija koja se razvija brzo, istraživači izražavaju zabrinutost da bi mogla da krene u trku ka dnu u pogledu uticaja koji vrši.
Usklađivanje (Alignment) – Kako bismo imali vezbednu veštačku inteligenciju, ona mora da bude usklađena sa nama.
Utvrđivanje (Reinforcement) – Najjednostavnije ovo možemo da opišemo kao „poslasticu za pse u veštačkoj inteligenciji”. Kad veštačka inteligencija uči, ona ima korist od pravilno usmerene povratne reakcije. Učenje sa utvrđivanjem nagrađuje one poželjne ishode i kažnjava one neželjene.
Veliki jezički modeli (Large language model) – Jezički model koji može da postigne generisanje jezika opšte namene i druge zadatke obrade prirodnog jezika – generiše tekst, prevodi, odgovara na pitanja…
Veliki jezički modeli (Large language model) – Treniraju veliku količinu tekstualnih podataka da bi razumeli i generisali ljudski jezik, kako bi proizveli relevantan tekst, preveli, dali rezime ili odgovorili na pitanja.
Veliki podaci (Big data) – Veliki skupovi podataka koji su izazovni za obradu, analizu i skladištenje. Često su ključni u razvoju veštačke inteligencije.
Reši kviz