FÖRENADE KUNGARIKET – OKTOBER 08: Detta demonstrerades först 1950, detta är ett av Storbritanniens tidigaste lagrade … [+]
Det senaste året har jag arbetat på ett teknikföretag fokuserat på AI (artificiell intelligens). Det enda konstanta med AI är dess snabba förändringstakt. Chatta GPT, som var de flesta konsumenters introduktion till AI, bara fyllde ett åroch sedan dess har den febriga takten som AI har rört sig i, bräddrama och allt, varit otrolig.
Men hur är det med grunderna? Vad bör du veta som affärsperson, eller en tillfällig anhängare av AI för att få reda på vad du behöver veta? Jag har sammanställt en primer som syftar till att guida dig tillbaka till de grundläggande delarna av AI, så att du kan vara insatt och kunnig om grunderna. I framtida delar av den här serien kommer jag att ta upp praktiska användningsfall av AI och företag som du bör följa.
En tidigare bidragsgivare i Forbes sätta ihop en liknande guide 6 år sedan. Men med tanke på de dramatiska framstegen sedan dess verkade en uppdaterad version inte bara lämplig, utan nödvändig.
Ordlista över termer
Jag ville först börja med en nyckeluppsättning termer som du bör känna till för att förstå vad artificiell intelligens är, inklusive AI själv. Naturligtvis många definierar dessa termer på olika sätt, så jag rekommenderar att du gör din egen forskning och djupdykning i ämnet. Men till att börja med rekommenderar jag att du känner till följande:
- Artificiell intelligens (AI): Det breda konceptet med att maskiner ska kunna utföra uppgifter på ett sätt som vi anser vara smarta eller människoliknande.
- Maskininlärning: En undergrupp av AI fokuserad på algoritmer som kan lära av data, identifiera mönster och fatta beslut med minimal mänsklig inblandning. Du kanske hör termer som “förstärkningsinlärning” här där människor faktiskt gör algoritmer bättre.
- Djup lärning: En specialiserad maskininlärningsteknik baserad på artificiella neurala nätverk med flera lager som kan bearbeta enorma datamängder och driva innovationer som datorseende och naturlig språkbehandling. Uppriktigt sagt är detta område av AI extremt tekniskt och långt över mitt huvud.
- Neurala nätverk: Datorsystem, modellerade efter de neurala nätverken i det mänskliga nervsystemet, som successivt kan lära sig och bli mer exakta vid uppgifter som objektigenkänning i bilder.
- Natural Language Processing (NLP): Grenen av AI fokuserade på att göra det möjligt för datorsystem att förstå, tolka, kommunicera och manipulera mänskliga språk. Till exempel, om du är en avancerad användare av Chat GPT, utsätts du för detta regelbundet.
- Datorsyn: Området AI fokuserade på att göra det möjligt för datorer och system att identifiera, analysera, klassificera och förstå digitala bilder och videor. För dem som använder Google bildsökning är detta ett mycket praktiskt användningsfall för datorseende.
- Artificiell allmän intelligens (AGI): Hypotetisk AI som visar intelligens och kapacitet på mänsklig nivå över en mängd olika kognitiva uppgifter. Det här är ett hett ämne i AI-världen – kommer maskiner så småningom att bli smartare än oss? Det finns ingen tydlig definition av när AGI “uppnås”.
Vilka är kärnteknikerna som driver AI?
Så du vill starta ett AI-företag och vet inte vilka olika områden som behöver stöd? Eller letar du efter investeringsidéer som potentiella företag kan rikta in sig på? Det finns olika områden inom AI som erbjuder investeringsmöjligheter, anställningsvägar eller vägar för vidareutbildning och förståelse.
- Data: Du kan inte ha AI utan stora mängder data. Det är en föregångare och ett hett ämne, med tanke på Sarah Silvermans nyligen rättegång mot Open AI och Meta för att de påstås ha använt upphovsrättsskyddat material för sina modeller. Företag som utnyttjar stora datamängder: Meta, Google, Microsoft, Amazon, Tesla, Waymo
- Beräkningskraft: Naturligtvis är Nvidia älskling här på senare tid, men du behöver mycket datorkraft för att bearbeta data. På grund av chipbrist försöker företag att säkra tillräckligt med datorresurser för att bearbeta data. Chiptillverkare som tillhandahåller hårdvara för modellutbildning: Nvidia, Intel, AMD, Qualcomm Molninfrastrukturföretag: AWS, Microsoft Azure, Google Cloud
- Algoritmer: Avancerade algoritmer, som de som utvecklats av DeepMind, Open AI och Anthropic, tillhandahåller kärnlogiken och steg-för-steg-beräkningar som gör det möjligt för AI-system att lära sig. Till exempel tillåter olika typer av maskininlärningsalgoritmer AI-modeller att förbättra sin prestanda i uppgifter genom exponering för stora uppsättningar kvalitetsdata. Algoritm innovatörer: DeepMind, Anthropic, OpenAI, Cohere
- Modellering: Ingenjörer testar och förfinar maskininlärningsmodeller, som neurala nätverk, för att korrekt driva funktioner som datorseende och förståelse av naturligt språk. Till exempel uppgiften att korrekt märka bilder. Ledande modelleringsramverk: TensorFlow (Google), PyTorch (Meta), MXNet (Amazon)
- Applikationsgränssnitt: Det är här du förmodligen har mest exponering. Appar som Chat GPT låter dig interagera med GPT-4 och producera resultat. Ledare inom konsumentteknik som bygger AI-applikationer: Meta, Apple, Amazon, Microsoft, Open AI, Anthropic, MidJourney, Runway ML
Slutligen har stora språkmodeller (LLM) som GPT-4 dykt upp som en nyckelkomponent som driver konversations-AI. LLM:er tillhandahåller de underliggande språkfunktionerna som utnyttjas av chatbots och röstassistenter.
Vidare läsning
Om du verkligen vill sätta dig in i hur AI fungerar, överväg att utforska dessa detaljerade tekniska dokument. Dessa urval fungerar inte bara som utmärkta startpunkter utan är också allmänt erkända som viktiga bidrag till området. Kom dock ihåg att denna lista inte är uttömmande:
För ett ofta uppdaterat perspektiv på hög nivå på AI rekommenderar jag Rowan Cheungs nyhetsbrev Genomgång.
Jag kommer att lägga till i den här serien ofta, så håll utkik.
