Sanyanggae LogoSanyanggae

AIBacaan 6 minit

Bagaimanakah AI memilih mesej iklan?

Bagi mesej yang sama, satu fungsi menandakan «nampaknya iklan», manakala fungsi lain menulis draf balasan yang sopan. Kedua-duanya disebut AI, tetapi adakah kerja yang dilakukan sama?

Ilustrasi kad mesej yang dibahagikan kepada dua dulang pengelasan, bersama kad balasan berasingan dan pensel
Ilustrasi penerangan yang dijana AI untuk membandingkan pengelasan mesej dengan penjanaan balasan. Ini bukan skrin perkhidmatan sebenar, pelan rangkaian neural atau hasil eksperimen ketepatan.

Adakah mencari perkataan «percuma» sahaja mencukupi?

Bayangkan peti mesej rekaan. Seseorang boleh menulis peraturan: «Jika terdapat perkataan percuma, kelaskan sebagai iklan.» Mudah, tetapi mesej peribadi seperti «Saya akan membantu secara percuma» juga boleh tersalah ditapis, manakala iklan tanpa perkataan itu terlepas. Dalam kaedah yang syaratnya ditentukan manusia, peraturan mungkin perlu ditambah apabila menemui ungkapan dan konteks baharu.

AI ialah bidang yang lebih luas daripada nama satu fungsi seperti ini. Ia turut merangkumi pencarian objek dalam imej, perancangan laluan dan pendekatan menyelesaikan masalah menggunakan pengetahuan serta peraturan. Oleh itu, bukan semua AI belajar daripada data, dan kewujudan satu pernyataan bersyarat yang mudah tidak menjadikan semua atur cara wajar disebut AI. Yang penting ialah kerja yang diproses dan kaedahnya, bukan sekadar namanya.

Saat contoh mengubah pengelas

Kaedah lain ialah memberikan contoh mesej yang sudah dilabel sebagai iklan atau bukan, lalu melatih model. Pembelajaran mesin ialah pendekatan melatih model dengan data supaya menghasilkan ramalan atau output lain. Walaupun begitu, bahan yang digunakan dan matlamatnya tetap direka oleh manusia. Adanya contoh tidak bermakna ungkapan asing sentiasa ditangani dengan betul. Peti mesej di sini ialah adegan rekaan untuk membandingkan prinsip, bukannya eksperimen mengukur ketepatan perkhidmatan sebenar.

Semasa latihan, nilai dalaman model diselaraskan mengikut data dan matlamat. Selepas itu, memasukkan mesej baharu untuk mendapat hasil pengelasan ialah inferens, iaitu menggunakan model yang sudah dilatih. Input baharu sahaja tidak bermakna nilai dalaman dilatih semula setiap kali. Menggunakan kandungan perbualan sebagai konteks juga perlu dibezakan daripada menyelaraskan semula nilai model. «Masa membina melalui contoh» dan «masa menggunakan model yang telah siap» saling berkait, tetapi bukan peringkat yang sama.

  1. Mengumpulkan contoh

    Tentukan bahan yang digunakan dan perkara yang hendak dipelajari.

  2. Membina model

    Selaraskan nilai dalaman model semasa latihan.

  3. Mencubanya pada mesej baharu

    Dapatkan hasil pengelasan melalui inferens dan bandingkan dengan mesej sebenar.

Rajah konsep yang membezakan masa membina dengan menggunakan model pengelasan berasaskan pembelajaran. Bukan semua sistem AI berfungsi dengan cara ini.

Memilih iklan dan menulis balasan

Model yang menentukan sama ada mesej ialah iklan dan model yang menghasilkan ayat balasan baharu mempunyai tujuan output berbeza. AI generatif merujuk sistem yang menghasilkan kandungan seperti teks, imej dan bunyi; AI generatif moden biasanya menggunakan model yang dilatih melalui pembelajaran mesin. Pembelajaran mesin ialah satu pendekatan dalam AI. Model yang hanya mengelaskan mesej tanpa menulis teks pun boleh merupakan pembelajaran mesin.

Perbezaan ini bukan pembahagian kepada kotak yang tidak boleh bercampur. Satu perkhidmatan boleh memilih mesej dengan model pengelasan, menulis draf balasan dengan model generatif dan mengendalikan hasilnya sekali lagi dengan peraturan manusia. Antara muka perbualan juga tidak membuktikan bahawa hanya satu model ada di dalamnya. Walaupun pengelasan, penjanaan dan peraturan berkumpul pada skrin yang sama, peranan masing-masing boleh dilihat secara berasingan.

Petah berkata dan berkata benar

Balasan atau penerangan yang lancar dan yakin juga mungkin bercanggah dengan fakta. Sebagaimana model pengelasan boleh tersalah memilih, model generatif boleh menghasilkan kesilapan yang munasabah pada pandangan pertama. Oleh itu, ketepatan hasil perlu disemak menggunakan bahan dan penilaian yang sesuai dengan tujuan. Semak sendiri pengiraan dalam penerangan, serta pastikan tajuk dan pautan rujukan benar-benar wujud dan menyokong dakwaan tersebut. Kelancaran itu sendiri bukan bukti ketepatan.

Dalam draf balasan, semak juga sama ada terdapat fakta rekaan atau maklumat peribadi yang tidak diperlukan. Sebelum memasukkan maklumat peribadi atau bahan yang tidak terbuka kepada umum, eloklah menyemak dasar pengendalian perkhidmatan yang digunakan. Menggabungkan beberapa pendekatan sahaja tidak menjamin ketepatan hasil atau pengendalian data yang selamat. Apabila menemui fungsi yang memudahkan kerja, perhatikan bersama apa yang dimasukkan, output yang diterima dan cara menyemak hasilnya untuk memahami AI dengan lebih nyata.

Dengan mengikuti satu mesej pun, kita dapat melihat kerja berbeza di bawah nama besar AI. Apabila menemui butang «fungsi AI» selepas ini, lihat dahulu sama ada fungsi itu memilih atau menghasilkan sesuatu.