Как мы можем применить аффордансы и означающие к будущим нулевым процедурам обучения ИИ?
Они цепляются за лозу: большие языковые модели (LLM) больше не одиноки в толпе. Я никогда не забуду тот самый момент, когда я лично наблюдал, как LLM отвечает пользователю на другом языке, вариант использования перевода, основанный на вопросе, полученном с одного языка, на который нужно ответить на другом. язык. Конечно, не просто действие перевода. Наверняка это не новинка, которая была решена десятилетия назад.
Я знал, что мы проделали долгий путь с небольшим обучением, но этот вопрос перевода был в глуши. Мне потребовалось несколько месяцев, чтобы разобраться в том, что происходит с алгоритмической инфраструктурой этого конкретного LLM.При финальном свистке я буквально наткнулся на то, что происходит:
В модели применялись процедуры обучения с нулевым выстрелом [6].
Проще говоря, если вы хотите, чтобы машина училась на данных, вам нужно их предоставить. Если у вас их недостаточно, машине придется искать другие способы обучения на основе данных. Таким образом, фокусирование нулевого обучения является следующей точкой соединения:
Обучение с нулевым выстрелом — это когда машину учат тому, как учиться на данных без необходимости доступа к самим данным, в то время как обучение с небольшим количеством выстрелов — это когда машину учат, как интегрировать данные для обучения с определенной точки зрения [6] .
Сфера и обучение с нуля
Есть три проблемы, связанные с письменным текстом. Для one, кто является автором: каковы его корни (например, мастерство, ученые или «жизненный опыт»), которые определяют их авторство? Во-вторых, письменный текст: слова и контекст формируют повествование, которое может очень легко колебаться между диапазоном мнений и точностью. Наконец, и третье, это цитирование.
Многие могут писать, и у многих может быть какая-то прочная основа. Пересечение письменного текста и в той степени, в какой включена конкретная цитата, относятся к устремлению Сферы. Это почти похоже на каждый разговор или тему, которую мы обсуждаем с людьми: сколько бы мы ни делали заявлений, как часто они основаны на конкретных источниках?
Точность и аккуратность, подход к проверке, играют важную роль в повседневных разговорах о том, что мы с вами говорим, а именно о том, чем мы делимся с другими или как мы выражаем точки зрения. Я считаю, что попытка применить этот тип подхода к Sphere в количественном отношении в качестве идеи или варианта использования, над которым нужно работать, — это не только хорошее настроение, но и прекрасная возможность.
Эмпирические рассуждения
Мы больше не изучаем веревки:
Грядет количественная оценка эмпирических рассуждений.
Я знаю, что это по двум причинам: (1) я ежедневно создаю и развертываю алгоритмическое обучение с нулевым выстрелом и могу говорить в качестве первоисточника по этому вопросу, и (2) есть люди, которые сжигают масло в полночь, оптимизируя это конечное состояние, как мы говорим.
Набор сферических проблем: почему Википедия используется в качестве декомпозированного варианта использования?
Возможность определить, в какой степени одно цитирование превосходит другое, позволяет сорвать джек-пот, чтобы решить более широкий набор проблем оценки эмпирических рассуждений.
Взгляните, насколько массивна экосистема Википедии — вот показатели, которые Википедия использует для измерения своего роста [7]:
— Количество статей
- Число слов
- Количество страниц
— Размер базы данных
По состоянию на 05.08.2022 в английской Википедии 6 560 476 статей, содержащих более 4 миллиардов слов (Википедия утверждает, что каждая статья в среднем содержит около 636 слов, что применимо к соответствующей дате 05.08.22, как указано здесь).
Общий показатель роста составляет 17 000 статей в месяц [7].
Думая аналогично: отношения имеют значение. Если для эксперимента вы примените свой алгоритмический подход к экосистеме, созревшей для золотой лихорадки, вы поставите все на карту, чтобы получить настоящий нокаут. Демонстрация против данных Википедии, в той мере, в какой встроенные цитаты применимы к их соответствующим композициям, задает концепцию того, что должно произойти. Сколько из вас отправили запрос на изменение определенного текста в Википедии из-за ошибок? Теперь автоматизируйте это так, чтобы никакая значительная армия людей не могла потенциально масштабироваться и преуспеть в подобных ИИ.
Дизайн взаимодействия с пользователем
1. Инструменты для обеспечения точности информации
Поисковая система Google — это продукт: он позволяет нам проводить поиск информации. Из-за того, что начатая работа была ускорена эмпирическими результатами, связанными с нулевым обучением, следующая волна технологической продукции теперь связана с точностью информации.
Если это будет продемонстрировано, в той мере, в какой алгоритм может утверждать диапазон точности для небольшого набора данных (по сравнению со всемирной паутиной), в контексте цитат в Википедии в отношении их соответствующего авторства, потенциально можно автоматизировать, как измерить точность и правильность для любого типа данных.
KI-NLP, или наукоемкая обработка естественного языка, — это способ обозначить новое проблемное пространство Sphere. В контексте обучения с нулевым выстрелом его будущие реализации предсказуемы: улучшите, как учиться и делать прогнозы о новых классах данных, не видя никаких обучающих данных из этих классов. Кроме того, узнайте [6] о новых концепциях, перенеся знания в варианты использования из других областей.
2. Чат-боты
Если точность информации измеряется количественно по сравнению с эмпирическими обозначениями, мы могли бы разработать чат-бота, который мог бы предоставить более тщательно подобранный и более автономный ответ. В настоящее время подавляющему большинству чат-ботов необходимо мыслить в соответствии с набором процедур, основанных на (1) совокупности знаний и (2) областях исследований. В значительной степени нынешние усилия реализуются за счет обучения за несколько выстрелов. Обучение с нулевым выстрелом является новым для чат-ботов — к настоящему времени вы должны признать, что оно является новым для многих областей производства и отраслей.
По мере того, как мы начинаем пересекать этические границы ИИ, как и при любом развертывании для выхода на рынок, необходимо интегрировать барьеры. Фабрицио Тейшейра заявляет:
«То, что что-то возможно, не означает, что оно должно существовать» [11].
Какую команду и ресурсы мы собираемся предложить и использовать для систематической интеграции соответствия, а именно техническое управление и аудит рисков на основе этики и предвзятости?
Мысли на прощание: означающие и возможности
Существование аффорданса [13][12] зависит от отношений между объектом (например, продуктом) и агентом (например, людьми, животными или даже машинами) [10].
Как дизайнеры взаимодействия с пользователем могут оптимизировать трудноразличимые, не очень физические объекты (модель ИИ) в зависимости от того, как пользователь взаимодействует с ними? Фундаментальные принципы взаимодействия [10] находятся под влиянием эпистемологии, которая утверждает, с одной стороны, что познание и эмоции тесно переплетены [9]. По мере усложнения ИИ, означающие и аффордансы неизбежно проложат путь к (1) раскрытию основных атрибутов хорошего дизайна объекта ИИ (обнаруживаемость [14] и понимание [ 10]) и (2) фактическое создание приятных пользовательских впечатлений, востребованных пользователем.
Ссылки:
Коллективное сообщество UX:
11. Тейшейра, Фабрицио. (2018, 31 декабря). Когда ИИ мешает UX. UX коллектив. https://uxdesign.cc/when-ai-gets-in-the-way-of-ux-17de95f40772
12. О’Салливан, Л. (2020, 22 февраля). Понимание аффордансов в дизайне пользовательского интерфейса. UX коллектив. https://uxdesign.cc/understanding-affordance-in-ui-design-4b4ddbdd0b30
13. Тейшейра, Фабрицио. (2016, 15 ноября). O que são Affordances? UX коллектив. https://brasil.uxdesign.cc/o-que-são-affordances-9cff02103dc6
14. Тейшейра, Фабрицио. (2017, 21 ноября). Портфолио UX, письменные продукты, возможности обнаружения на сенсорных экранах и многое другое на этой неделе. Коллектив UX. https://medium.com/p/8711527e5ff4.
Другое:
1. Бархам П., Чоудхери А., Дин Дж., Гемават С., Хэнд С., Хёрт Д., Айсард М., Лим Х., Панг Р., Рой С., Сэта Б., Шу П., Сепасси Р., Шафи Л. Э., Теккат К. А. и Ву Ю. (2022, 23 марта). Пути: асинхронный распределенный поток данных для машинного обучения. ArXiv.Org. https://arxiv.org/abs/2203.12533
2. Дин, Дж. (2021, 28 октября). Представляем Pathways: архитектуру искусственного интеллекта нового поколения. Google. https://blog.google/technology/ai/introduction-pathways-next-generation-ai-architecture/
3. Представляем Sphere: корпус Meta AI в веб-масштабе для лучшего НЛП с интенсивным использованием знаний. (н.д.). Получено 5 августа 2022 г. с https://ai.facebook.com/blog/introduction-sphere-meta-ais-web-scale-corpus-for-better-knowledge-intensive-nlp/
4. Пиктус А., Петрони Ф., Карпухин В., Охонко Д., Брошайт С., Изакард Г., Льюис П., Огуз Б., Граве Э., Йих В., и Ридель, С. (2021, 18 декабря). Сеть — это ваша устрица — наукоемкое НЛП против очень большого веб-корпуса. ArXiv.Org. https://arxiv.org/abs/2112.09924
5. Грейв и др. CCNet: Извлечение высококачественных одноязычных наборов данных из данных веб-сканирования. https://arxiv.org/pdf/1911.00359.pdf
6. Тильбе, Анил. (2022, 5 августа). Обучение с нулевым выстрелом против обучения с несколькими выстрелами: обновления 2022 года. К ИИ. https://pub.towardsai.net/zero-shot-vs-few-shot-learning-50-key-insights-with-2022-updates-17b71e8a88c5
7. Википедия: Размер Википедии. (н.д.). Википедия. Получено 5 августа 2022 г. с https://en.wikipedia.org/wiki/Wikipedia:Size_of_Wikipedia.
8. Авачат, С., Райпур, С., и Каламбе, К. (2022). технический обзор по наукоемкому НЛП для предварительно обученного языкового развития. Международный журнал медицинских наук, 9591–9602. https://doi.org/10.53730/ijhs.v6ns2.7510
9. Эпистемология и эмоции. (н.д.). Получено 5 августа 2022 г. с сайта https://books.google.com/books?hl=en&lr=&id=A2MA5ouse_cC&oi=fnd&pg=PA167&dq=cognition+and+emotion+are+intertwined&ots=byP86LoSwk&sig=KrYDdE83K979sMf0mar7syKtrjM#v=one. страница&q= познание%20и%20эмоции%20%20переплетены&f=false»
10. Норман, Д. (2013). Дизайн повседневных вещей: исправленное и дополненное издание. Базовые книги.
