REFLECȚII FRANCEZE – Adrian CHIFU – O privire în mintea AI-ului

   În ultimele săptămâni, am tot discutat despre diversele fațete ale inteligenței artificiale, explorând atât limitele, cât și momentele amuzante care ne fac să ne întrebăm ce este real și ce este doar un produs al algoritmilor. Dar haideți să vedem puțin cum funcționează aceste minuni tehnologice.

   La bază, modelele de inteligență artificială învață din date, dar acest proces nu este deloc simplu. Învățarea se referă la acumularea de cunoștințe din informațiile analizate, fie că este vorba despre texte, imagini sau sunete. Cu fiecare set de date, modelul învață să identifice tipare și relații care altfel ar putea trece neobservate. De exemplu, imaginile etichetate cu „pisică” sau „câine” ajută modelul să înțeleagă diferențele dintre cele două specii. Și, să fim serioși, nu e un lucru ușor să distingi între un motan leneș și un câine hiperactiv!

    Dar cum strânge modelul toate aceste cunoștințe? Aici intervine antrenarea, un proces prin care modelul își ajustează parametrii pentru a face predicții mai precise. De exemplu, ar putea să calculeze cum să completeze propoziția „Câinele ____________ (mască) mingea” și să vină cu un răspuns de genul „prinde”. Nu-i așa că e fascinant să ne gândim la cum un program informatic poate să înțeleagă și să folosească limbajul nostru?

   Un aspect important este etichetarea. În general, etichetarea în inteligența artificială înseamnă clasificarea datelor pentru a oferi modelelor un context clar în care să învețe. De exemplu, în antrenarea unui model de recunoaștere a imaginilor, fiecare imagine poate fi marcată cu eticheta corespunzătoare: „fotografie de câine” sau „fotografie de pisică”. Acest proces permite modelului să identifice caracteristicile care definesc fiecare categorie.

   În cazul modelului GPT, etichetarea nu se face manual, deoarece ar fi imposibil să se efectueze această activitate pentru miliardele de exemple folosite. Aceasta este automatizată, iar modelele sunt antrenate cu seturi masive de date preluate din diverse surse, cum ar fi cărți, articole și site-uri web. Așadar, modelul nu primește etichete explicite pentru fiecare instanță, ci își construiește înțelegerea limbajului pe baza contextului general. Imaginați-vă că un turist își dezvoltă cunoștințele despre un oraș doar din observații, fără a avea un traseu cu repere fixe.

   Această abordare permite modelului să recombine informațiile într-un mod care să ofere răspunsuri coerente, pornind de la un text inițial. Tehnica de mascare aleatorie implică învățarea bazată pe aceste date, ceea ce îi permite modelului să completeze spațiile goale sau să prevadă cuvinte, fără a avea nevoie de îndrumări specifice.

   În concluzie, procesul de antrenare al modelului GPT se bazează pe o automatizare care facilitează o abordare scalabilă. Această metodă asigură o adaptare continuă, permițând modelului să devină o resursă valoroasă în generarea de texte și răspunderea la întrebări, chiar și într-o lume în care complexitatea și diversitatea informației sunt copleșitoare.

   Puterea modelelor moderne, cum ar fi GPT-3 și GPT-4, vine din numărul uriaș de parametri pe care îi folosesc pentru a-și construi cunoștințele. Imaginați-vă că GPT-3 are aproximativ 175 de miliarde de parametri, iar GPT-4 se estimează că are până la 100.000 de miliarde. Aici este o adevărată explozie de cunoștințe, permisă de aceste „roți dințate” algoritmice care ajută modelul să facă legături între diferitele părți ale limbajului. Cu cât mai mulți parametri, cu atât mai bine modelul poate interpreta întrebările, poate genera răspunsuri mai elaborate și poate simula o conversație care să ne impresioneze.

   GPT-4, de exemplu, aduce îmbunătățiri semnificative față de versiunile anterioare. Acesta poate interpreta și răspunde la întrebări complexe, având o înțelegere mai profundă a contextului. Poate genera texte mai lungi și mai fluide, fiind astfel util pentru redactarea articolelor, rapoartelor și altor documente detaliate.

   Totuși, este esențial să folosim aceste modele cu precauție. În ciuda progresului tehnologic, pot apărea informații greșite. Este ca și cum ai avea un prieten minunat, plin de povești, dar care din când în când mai și exagerează sau se pierde în detalii. Nu dau nume. Glumesc… De aceea, este important să le utilizăm cu discernământ și să verificăm informațiile primite. Așa că, data viitoare când interacționați cu un model GPT, amintiți-vă că acest „prieten” poate fi un companion de încredere, dar care de multe ori are nevoie de un ghid uman pentru a naviga printre nuanțele adevărului.

   La final am rugat modelul Gemini 2.0 Pro sa îmi scrie o epigramă despre textul meu de astăzi. Iată rezultatul:

„AI-ul învață, cu spor și entuziasm,
Să scrie romane, chiar și un vers cu sarcasm.
Dar când vine vorba de haz spontan și viu,
El dă un „refresh” și spune: „Încă mai gândesc, nu știu!””

   Până data viitoare, salutări fără mască sau etichetă din Marsilia, unde soarele încălzește străzile pietruite și briza mării ne amintește că viața, ca și modelele AI, este plină de descoperiri surprinzătoare și uneori hazlii.

 

Adrian CHIFU este conferențiar universitar în informatică la Universitatea Aix-Marseille și, desigur, absolvent de Carabella târgovișteană…