Sztuczna Inteligencja - Wnioskowanie AI (AI Inference)
| F.A.Q. • WsparcieWnioskowanie AI - AI Inference
Wnioskowanie AI to drugi krok w dwuczęściowym procesie składającym się na uczenie maszynowe (Machine Learning) i uczenie głębokie (Deep Learning); pierwszym krokiem jest szkolenie AI (AI Training). Te dwa kroki są ważnym powodem, dla którego nowoczesna sztuczna inteligencja (AI) nadaje się do tak różnorodnego zakresu zadań, od generowania treści po prowadzenie autonomicznych pojazdów. Podczas fazy wnioskowania wstępnie wytrenowany model sztucznej inteligencji jest narażony na świeże, nieoznakowane dane. Opiera się na bazie danych, którą „przestudiował” podczas szkolenia, aby przeanalizować nowe dane wejściowe i odpowiedzieć poprawnymi danymi wyjściowymi. Aby użyć generatywnej sztucznej inteligencji jako przykładu, za każdym razem, gdy zadajesz pytanie w ChatGPT lub prosisz Stable Diffusion o narysowanie czegoś, model sztucznej inteligencji wyciąga wnioski. Powodem, dla którego może wymyślać takie ludzkie reakcje, jest całe szkolenie, które przeszedł wcześniej. Nawet gdy angażuje się w wnioskowanie, sztuczna inteligencja rejestruje również odpowiedzi ludzkich użytkowników na następną sesję szkoleniową. Odnotowuje, kiedy jego twórczość jest chwalona lub krytykowana. W ten sposób ciągła pętla uczenia i wnioskowania sprawia, że sztuczna inteligencja staje się coraz bardziej realistyczna.
Podstawowe kroki, które mają miejsce w trakcie AI inference:
- Przygotowanie danych wejściowych (Data Preparation): Na początku należy odpowiednio przygotować dane wejściowe, które będą przekazywane do modelu AI. Dane muszą być w odpowiednim formacie i być zgodne z tym, czego oczekuje model.
- Przetwarzanie danych wejściowych (Data Processing): W tym etapie dane wejściowe są przetwarzane tak, aby były gotowe do podania modelowi. W zależności od rodzaju modelu i zadania, może to obejmować skalowanie, normalizację, zmianę rozmiaru obrazów, tokenizację tekstów itp.
- Wykonanie wnioskowania przez model (Model Execution): Teraz następuje właściwe wnioskowanie. Dane wejściowe są przekazywane do wytrenowanego modelu AI, który na ich podstawie dokonuje obliczeń i zwraca wynik w postaci predykcji, klasyfikacji, generacji tekstu, czy innego rodzaju odpowiedzi.
- Przetworzenie wyniku (Result Post-Processing): Otrzymany wynik z modelu może wymagać dalszego przetworzenia w celu otrzymania ostatecznej odpowiedzi. Na przykład, jeśli model dokonał klasyfikacji, wynik może być indeksem odpowiadającym klasie, a potrzebujemy przetworzyć go do bardziej zrozumiałej postaci.
- Prezentacja wyniku (Result Presentation): Ostateczny wynik może być wyświetlany użytkownikowi lub wykorzystywany w dalszych działaniach, takich jak podejmowanie decyzji w systemie AI.
Dlaczego tego potrzebujesz?
Głównym powodem, dla którego szkolimy modele AI, jest to, aby mogły wyciągać wnioski — wchodzić w interakcje z nowymi danymi w prawdziwym świecie i pomagać ludziom w prowadzeniu bardziej produktywnego i wygodnego życia. Wiele z tego, co zaawansowane produkty AI mogą dla nas zrobić, od czytania ludzkiego pisma po rozpoznawanie ludzkich twarzy, od pilotowania pojazdów bez kierowcy po generowanie treści, to wnioskowanie AI w pracy. Kiedy słyszysz terminy takie jak wizja komputerowa, przetwarzanie języka naturalnego (NLP) lub systemy rekomendacji — to wszystko są przypadki wnioskowania AI.
Powiązane strony: