Ρωτήστε έναν ειδικό τεχνολογίας: Τι είναι η συναγωγή;
MarkdownΕιδικοί της Google εξηγούν τη συναγωγή στην τεχνητή νοημοσύνη μέσα από μια εκτενή συνέντευξη που καλύπτει την αντιστοίχιση μοτίβων, τους τύπους μοντέλων, την πρόβλεψη, την ταξινόμηση, την αξιολόγηση, το απόρρητο, τις AI Overviews, τα συστήματα με δυνατότητες πρακτόρων και την αποδοτικότητα.
Η συναγωγή αποτελεί σημαντικό μέρος όσων κάνουν την τεχνητή νοημοσύνη πιο ικανή. Σε αυτή τη συνέντευξη του Google Techspert, δύο ειδικοί της Google εξηγούν τι είναι η συναγωγή και πώς βοηθά τα συστήματα τεχνητής νοημοσύνης να παράγουν χρήσιμα αποτελέσματα.
Τον Απρίλιο, η Google παρουσίασε το Ironwood, την έβδομη γενιά Tensor Processing Unit (TPU) που διαθέτει, σχεδιασμένη για να τροφοδοτεί τη συναγωγή παραγωγικής τεχνητής νοημοσύνης. Οι TPU είναι τσιπ που τροφοδοτούν συστήματα τεχνητής νοημοσύνης και δεν είναι κάτι καινούργιο για την Google, αλλά αυτή η γενιά είναι σχεδιασμένη ώστε να βοηθήσει τα συστήματα τεχνητής νοημοσύνης να ξεπεράσουν την απλή ανταπόκριση και να γίνουν προδραστικά. Η συναγωγή είναι η διαδικασία που επιτρέπει στα συστήματα τεχνητής νοημοσύνης να χρησιμοποιούν μοντέλα για να παράγουν αποτελέσματα βασισμένα στη γνώση.
Ξέρω τι σημαίνει η λέξη συναγωγή — ότι, με βάση τις πληροφορίες που έχεις, μπορείς να καταλήξεις σε κάποιο συμπέρασμα. Σημαίνει κάτι παρόμοιο όταν μιλάμε για τεχνητή νοημοσύνη;
Ειδικός της Google: Κάπως έτσι, ναι. Είναι υπεραπλούστευση, αλλά νομίζω ότι ο ευκολότερος τρόπος να κατανοήσουμε τη συναγωγή είναι ως αντιστοίχιση μοτίβων. Με την ευρύτερη έννοια, όταν μιλάμε για παραγωγική τεχνητή νοημοσύνη και συναγωγή, το ερώτημα είναι: Μπορούν τα μοντέλα τεχνητής νοημοσύνης να αντιστοιχίζουν μοτίβα για να προβλέπουν τι θέλεις; Για παράδειγμα, αν έλεγα «φυστικοβούτυρο και ____» και ζητούσα από ένα αμερικανικό κοινό να συμπληρώσει το κενό, πιθανότατα θα έλεγε «μαρμελάδα». Αυτό είναι ένα καλό παράδειγμα συναγωγής ως προς τα μοτίβα ομιλίας και κάτι που μπορεί να κάνει η συναγωγή τεχνητής νοημοσύνης, αλλά οι δυνατότητές της εκτείνονται πολύ πέρα από αυτό.
Ειδικός της Google: Γενικά, συναγωγή είναι ο τρόπος με τον οποίο χρησιμοποιούμε πραγματικά το μοντέλο για να κάνουμε κάτι χρήσιμο. Πρώτα πρέπει να εκπαιδεύσουμε το μοντέλο: ένα μοντέλο τεχνητής νοημοσύνης περιλαμβάνει τις παραμέτρους του μοντέλου, την αρχιτεκτονική και τη διαμόρφωσή του, δηλαδή τον κώδικα που χρειάζεται για να εκτελεί εργασίες — και όλα αυτά μαζί υλοποιούν τη λειτουργικότητά του. Η συναγωγή μάς επιτρέπει λοιπόν να πάρουμε όλα αυτά και να τα χρησιμοποιήσουμε στην πράξη.
Ποιοι τύποι μοντέλων τεχνητής νοημοσύνης χρησιμοποιούν συναγωγή;
Ειδικός της Google: Τα συστήματα τεχνητής νοημοσύνης βαθιάς μάθησης, όπως τα γλωσσικά μοντέλα, τα μοντέλα δημιουργίας εικόνων και τα μοντέλα ήχου, χρησιμοποιούν συναγωγή, επειδή κάνουν προβλέψεις για το τι πρόκειται να «συμβεί», με βάση όσα έχουν μάθει από μοτίβα προηγούμενων δεδομένων.
Ειδικός της Google: Και τα μοντέλα συστάσεων χρησιμοποιούν συναγωγή.
Ποιο είναι ένα παράδειγμα μοντέλου συστάσεων;
Ειδικός της Google: Τα περισσότερα μοντέλα διαφημίσεων είναι μοντέλα συστάσεων, όπως και το μοντέλο που σου προτείνει βίντεο στο YouTube. Αυτή είναι η «παραδοσιακή» (μερικές φορές αποκαλούμενη «κλασική») τεχνητή νοημοσύνη — όχι η παραγωγική τεχνητή νοημοσύνη, όπως τα LLM και τα μοντέλα δημιουργίας εικόνων ή βίντεο — που χρησιμοποιεί συναγωγή εδώ και πολύ καιρό.
Άρα η συναγωγή δεν είναι κάτι καινούργιο στην τεχνητή νοημοσύνη· απλώς έχει βελτιωθεί καθώς η τεχνητή νοημοσύνη έχει γίνει πιο ικανή;
Ειδικός της Google: Ναι. Και η συναγωγή δεν επιτρέπει στα μοντέλα τεχνητής νοημοσύνης μόνο να κάνουν προβλέψεις. Τους επιτρέπει και να ταξινομούν. Το μοντέλο μπορεί να επισημαίνει στοιχεία με βάση όσα έχει μάθει. Να ένα γνωστό παράδειγμα: Πριν από πολλά χρόνια, η Google έδωσε σε ένα μοντέλο τεχνητής νοημοσύνης μια εικόνα και το ρώτησε αν μπορούσε να αναγνωρίσει μια γάτα σε αυτήν. Χρησιμοποιώντας δεδομένα — και συναγωγή — κατάφερε να μάθει από μόνο του τι είναι η γάτα και πώς μοιάζει και να την αναγνωρίσει σωστά.
Το θυμάμαι αυτό!
Ειδικός της Google: Αυτό ήταν ένα παράδειγμα μοντέλου που χρησιμοποιεί συναγωγή.
Ειδικός της Google: Πιο πρόσφατα, θυμάσαι πριν από μερικά χρόνια, όταν ο κόσμος μιλούσε για εικόνες που δημιουργούσε η τεχνητή νοημοσύνη και ουσιαστικά αγνοούσαν τους νόμους της φυσικής; Για παράδειγμα, τα χέρια συχνά δεν απεικονίζονταν σωστά. Τα σημερινά μοντέλα τα καταφέρνουν πολύ καλύτερα σε αυτό. Είναι καλύτερα στη φυσική και στις υφές, μεταξύ άλλων. Το ίδιο ισχύει και για τη μετάφραση κειμένου. Για παράδειγμα, παλαιότερα η μετάφραση βασιζόταν σε στατιστικές μεθόδους. Ήταν χρηστική, αλλά δεν ήταν ακριβώς σωστή και σίγουρα δεν ήταν συνομιλιακή. Ωστόσο, η στατιστική μετάφραση μάς οδήγησε στη μετάφραση με παραγωγική τεχνητή νοημοσύνη, την οποία σήμερα πολλοί αισθάνονται άνετα να χρησιμοποιούν, ακόμη και στα προϊόντα τους που απευθύνονται σε πελάτες. Εξακολουθούμε να χρησιμοποιούμε τη διαδικασία που ονομάζεται συναγωγή, αλλά η υποκείμενη τεχνητή νοημοσύνη και η υπολογιστική μας ισχύς έχουν βελτιωθεί θεαματικά.
Μπορείτε να μετρήσετε πόσο καλά λειτουργεί η συναγωγή;
Ειδικός της Google: Μπορούμε, μετρώντας πόσο καλά αποδίδει ένα μοντέλο σε συγκεκριμένες εργασίες. Χρησιμοποιούμε επίσης τη συναγωγή για να αξιολογούμε και να εκπαιδεύουμε μοντέλα, ώστε να τα βελτιώνουμε. Έτσι, ενώ εκπαιδεύουμε το μοντέλο, εκτελούμε συνεχώς συναγωγή για να βελτιώνουμε ταυτόχρονα την ποιότητά του.
Και χάρη σε τέτοιες ρυθμίσεις εκπαίδευσης, τα επίπεδα συναγωγής βελτιώνονται όλο και περισσότερο σύμφωνα με τους δείκτες αναφοράς του κλάδου, θα έλεγα.
Ειδικός της Google: Ναι. Υπάρχει, όμως, και το ζήτημα της ανθρώπινης αντίληψης — πόσο έχουμε όλοι παρατηρήσει αυτές τις βελτιώσεις; Γενικά, αρκετά. Κάτι άλλο που μας ενδιαφέρει πολύ στην Google όταν εργαζόμαστε πάνω στη συναγωγή είναι το απόρρητο: προσέχουμε τι χρειάζεται να αποθηκεύουμε για να λειτουργούν αυτές οι εμπειρίες.
Ποια είναι μερικά παραδείγματα τεχνητής νοημοσύνης της Google στα οποία μπορούμε να δούμε βελτιωμένη συναγωγή;
Ειδικός της Google: Μία από τις καλύτερες χρήσεις της συναγωγής στην Google είναι οι AI Overviews. Πληκτρολογείς ένα ερώτημα στην Αναζήτηση και ένα πολύ σύνθετο σύστημα το διανέμει σε πολλά μοντέλα για να συγκεντρώσει αποτελέσματα. Χρησιμοποιεί συναγωγή για να κατανοήσει το ερώτημά σου και να προσδιορίσει ποια απάντηση θέλεις, και στο τέλος συνοψίζει όσα μαθαίνει σε κάτι πολύ χρήσιμο. Η συναγωγή είναι επίσης κρίσιμη για μεγάλο μέρος της εργασίας με πράκτορες που κάνει η Google. Με τους πράκτορες, εκτός από το να ζητήσεις από ένα μοντέλο τεχνητής νοημοσύνης να σου δώσει πληροφορίες βάσει της συναγωγής του, μπορείς να του ζητήσεις να κάνει πράγματα για σένα. Πρόκειται κατά κάποιον τρόπο για επέκταση της συναγωγής όπως την κατανοούσαμε μέχρι τώρα.
Άρα η συναγωγή γίνεται καλύτερη στη χρήση δεδομένων ή γνώσης, ώστε να προσφέρει απαντήσεις και ακόμη και να αναλαμβάνει δράση. Πώς αλλιώς αλλάζει;
Ειδικός της Google: Ένα πολύ σημαντικό ζήτημα είναι το κόστος. Προσπαθούμε να κάνουμε τη συναγωγή όσο το δυνατόν πιο προσιτή. Ας πούμε ότι θέλουμε να διαθέσουμε στους ανθρώπους μια μικρότερη και πιο προσιτή έκδοση του Gemini. Θα βελτιώναμε τη συναγωγή του μοντέλου, αναζητώντας τρόπους να αλλάξουμε το υπολογιστικό παράδειγμα, δηλαδή τον κώδικα που συνθέτει το μοντέλο, χωρίς να αλλάξουμε τη σημασιολογία του ή την κύρια εργασία που προορίζεται να εκτελεί, ώστε να μειώσουμε το κόστος. Ουσιαστικά, φτιάχνουμε μια μικρότερη και αποδοτικότερη έκδοση του μοντέλου, ώστε περισσότεροι άνθρωποι να έχουν πρόσβαση στις δυνατότητές του.
Πώς μειώνουμε το κόστος;
Ειδικός της Google: Ένας τρόπος είναι να βελτιστοποιήσουμε το υλικό. Γι’ αυτό η Google θα παρουσιάσει το Ironwood φέτος. Είναι βελτιστοποιημένο για συναγωγή χάρη στον σχεδιασμό του με προτεραιότητα στη συναγωγή: περισσότερη υπολογιστική ισχύς και μνήμη, καθώς και βελτιστοποίηση για συγκεκριμένους αριθμητικούς τύπους. Στο λογισμικό, η Google βελτιώνει τους μεταγλωττιστές και τα πλαίσια εργασίας της. Μακροπρόθεσμα, στόχος είναι η συναγωγή τεχνητής νοημοσύνης να γίνει αποδοτικότερη: καλύτερη ποιότητα, μικρότερο αποτύπωμα και χαμηλότερο κόστος, ώστε να είναι χρήσιμη.
Εξερευνήστε την τεκμηρίωση API του Ailoot στη διεύθυνση ailoot.ai/docs.