
Czy wystarczy szukać słowa „bezpłatnie”?
Wyobraź sobie fikcyjną skrzynkę wiadomości. Człowiek może napisać regułę: wiadomości zawierające „bezpłatnie” klasyfikuj jako reklamy. To proste, lecz może błędnie odfiltrować prywatną wiadomość „pomogę ci bezpłatnie”, a przeoczyć reklamę bez tego słowa. Gdy ludzie bezpośrednio wybierają warunki, nowe wyrażenia i konteksty mogą wymagać uzupełnienia reguł.
AI to dziedzina szersza niż nazwa jednej takiej funkcji. Obejmuje też znajdowanie obiektów na obrazach, planowanie tras i rozwiązywanie problemów za pomocą wiedzy oraz reguł. Nie każda AI uczy się więc z danych, a prosty warunek nie czyni każdego programu AI. Ważniejsze od nazwy jest zadanie i sposób jego wykonania.
Gdy przykłady zmieniają klasyfikator
Inna metoda to uczenie modelu na przykładach wiadomości oznaczonych jako reklama lub nie. Uczenie maszynowe trenuje modele na danych, aby tworzyły przewidywania lub inne wyniki. Ludzie nadal wybierają materiały i cel. Same przykłady nie gwarantują poprawnego rozpoznania każdego nieznanego wyrażenia. Ta skrzynka to fikcyjna scena do porównania zasad, a nie eksperyment mierzący trafność rzeczywistej usługi.
Podczas uczenia dostosowuje się wewnętrzne wartości modelu do danych i celu. Późniejsze podanie nowej wiadomości i uzyskanie klasyfikacji to wnioskowanie: korzystanie z wyuczonego modelu. Nowe wejście nie oznacza uczenia tych wartości od nowa za każdym razem. Używanie rozmowy jako kontekstu też trzeba odróżnić od ponownego zmieniania wartości modelu. Tworzenie na podstawie przykładów i używanie gotowego modelu są powiązane, lecz to różne etapy.
Zbieranie przykładów
Ustalenie, czego i z jakich materiałów model ma się uczyć.
Tworzenie modelu
Dostosowanie jego wewnętrznych wartości podczas uczenia.
Próba z nową wiadomością
Uzyskanie klasyfikacji przez wnioskowanie i porównanie jej z rzeczywistą wiadomością.
Wybieranie reklam i pisanie odpowiedzi
Model oceniający, czy wiadomość jest reklamą, i model tworzący nową odpowiedź mają różne cele wyjściowe. Generatywna AI oznacza systemy tworzące treści, takie jak zdania, obrazy i dźwięki; współczesne zwykle używają modeli wyuczonych maszynowo. Uczenie maszynowe jest jednym z podejść w AI. Model, który tylko klasyfikuje wiadomości i nie pisze tekstów, również może opierać się na uczeniu maszynowym.
Te podziały nie tworzą wzajemnie wykluczających się pudełek. Usługa może wybierać wiadomości klasyfikatorem, tworzyć szkice modelem generatywnym, a następnie stosować ludzkie reguły do wyników. Interfejs rozmowy nie dowodzi, że działa za nim tylko jeden model. Nawet gdy klasyfikacja, generowanie i reguły spotykają się na jednym ekranie, ich role można oglądać osobno.
Dobrze mówić a mówić prawdę
Płynna, pewnie napisana odpowiedź lub objaśnienie również może być niezgodne z faktami. Jak klasyfikator może źle wybrać, tak model generatywny może tworzyć wiarygodnie brzmiące błędy. Poprawność trzeba sprawdzić za pomocą materiałów i ocen odpowiednich do celu. Porównaj obliczenia i sprawdź, czy cytowane tytuły i łącza istnieją oraz potwierdzają twierdzenie. Sama płynność nie dowodzi trafności.
Sprawdź też, czy szkic odpowiedzi nie zawiera zmyślonych faktów ani niepotrzebnych informacji osobistych. Przed podaniem danych osobowych lub niepublicznych materiałów zapoznaj się z zasadami ich przetwarzania w usłudze. Łączenie podejść samo nie gwarantuje poprawności ani bezpiecznego przetwarzania danych. Nawet przy wygodnej funkcji warto razem oglądać wejście, wyjście i sposób sprawdzenia wyniku, aby rozumieć AI konkretniej.
Już jedna wiadomość pokazuje różne zadania kryjące się pod szeroką nazwą AI. Gdy zobaczysz przycisk „funkcja AI”, najpierw sprawdź, czy coś wybiera, czy tworzy.