Landskap model kecerdasan buatan (AI) berkembang pesat, melangkaui nama-nama yang terkenal dalam berita dan media sosial. Kini, terdapat ratusan model AI, termasuk inisiatif sumber terbuka, sistem proprietari, dan tawaran daripada gergasi teknologi seperti Gemini, Claude, OpenAI, Grok, dan Deepseek. Model-model ini, pada asasnya, adalah rangkaian saraf yang dilatih secara teliti pada set data yang luas, membolehkan mereka mengenal pasti corak yang rumit. Era semasa memberikan peluang unik untuk memanfaatkan kemajuan ini untuk pelbagai tujuan, daripada aplikasi perniagaan hingga bantuan peribadi dan peningkatan kreatif. Panduan ini bertujuan untuk memberikan pemahaman asas kepada pendatang baharu dalam bidang AI, memperkasakan mereka untuk menggunakan teknologi ini dengan berkesan. Objektifnya adalah untuk membolehkan pengguna membina dengan AI, bukan sekadar di atas AI, dengan memberi tumpuan kepada pemahaman konsep asas, aplikasi praktikal, dan kaedah untuk menilai ketepatan.
Panduan ini akan meliputi aspek-aspek utama berikut:
- Pengkategorian model AI
- Memadankan model dengan tugas tertentu
- Memahami konvensyen penamaan model
- Menilai prestasi ketepatan model
- Menggunakan rujukan penanda aras
Adalah penting untuk menyedari bahawa model AI tunggal dan universal yang mampu mengendalikan setiap tugas yang boleh dibayangkan tidak wujud. Sebaliknya, model yang berbeza disesuaikan untuk aplikasi tertentu.
Kategori Model AI
Model AI boleh diklasifikasikan secara meluas kepada empat kategori utama:
- Pemprosesan Bahasa Tulen (Umum)
- Generatif (Imej, Video, Audio, Teks, Kod)
- Diskriminatif (Visi Komputer, Analitik Teks)
- Pembelajaran Pengukuhan
Walaupun banyak model mengkhusus dalam satu kategori, yang lain mempamerkan keupayaan multimodal dengan pelbagai tahap ketepatan. Setiap model menjalani latihan pada set data tertentu, membolehkannya melaksanakan tugas yang berkaitan dengan data yang telah didedahkan kepadanya. Senarai berikut menggariskan tugas biasa yang berkaitan dengan setiap kategori.
Pemprosesan Bahasa Tulen
Kategori ini memberi tumpuan kepada membolehkan komputer mentafsir, memahami, dan menjana bahasa manusia menggunakan tokenisasi dan model statistik. Chatbot adalah contoh utama, dengan ChatGPT, singkatan untuk ‘Generative Pre-trained Transformer,’ menjadi ilustrasi yang ketara. Majoriti model ini berdasarkan seni bina transformer yang dipratrain. Model-model ini cemerlang dalam memahami konteks, nuansa, dan perbezaan halus dalam bahasa manusia, menjadikannya sesuai untuk aplikasi yang memerlukan interaksi bahasa semula jadi. Ia boleh digunakan untuk tugas-tugas seperti:
- Analisis Sentimen: Menentukan nada emosi sekeping teks, yang berguna untuk memahami maklum balas pelanggan atau mengukur pendapat umum.
- Ringkasan Teks: Memampatkan sejumlah besar teks ke dalam ringkasan yang lebih pendek dan lebih mudah diurus, menjimatkan masa dan usaha dalam pemprosesan maklumat.
- Terjemahan Mesin: Menterjemahkan teks secara automatik dari satu bahasa ke bahasa lain, memudahkan komunikasi merentasi halangan bahasa.
- Menjawab Soalan: Memberikan jawapan kepada soalan yang diajukan dalam bahasa semula jadi, membolehkan pengguna mengakses maklumat dengan cepat dan mudah.
- Penjanaan Kandungan: Mencipta kandungan teks asal, seperti artikel, catatan blog, atau kemas kini media sosial.
Teknologi asas di sebalik model pemprosesan bahasa tulen melibatkan algoritma kompleks yang menganalisis struktur dan makna bahasa. Algoritma ini belajar daripada set data teks dan kod yang besar, membolehkan mereka mengenal pasti corak dan hubungan antara perkataan dan frasa. Model kemudian menggunakan pengetahuan ini untuk menjana teks baharu atau untuk memahami makna teks sedia ada.
Model Generatif
Model generatif, termasuk yang menghasilkan imej, video, audio, teks, dan kod, sering menggunakan rangkaian permusuhan generatif (GAN). GAN terdiri daripada dua sub-model: penjana dan diskriminator. Model-model ini boleh menghasilkan imej, audio, teks, dan kod yang realistik berdasarkan data yang luas yang telah dilatih. Penyebaran stabil ialah teknik biasa untuk menghasilkan imej dan video. Model-model ini boleh digunakan untuk:
- Penjanaan Imej: Mencipta imej realistik atau artistik daripada penerangan teks atau input lain.
- Penjanaan Video: Menghasilkan video pendek daripada gesaan teks atau input lain.
- Penjanaan Audio: Menjana muzik, ucapan, atau jenis audio lain daripada penerangan teks atau input lain.
- Penjanaan Teks: Mencipta kandungan teks asal, seperti puisi, skrip, atau kod.
- Penjanaan Kod: Menjana kod secara automatik daripada penerangan bahasa semula jadi tentang fungsi yang diingini.
Sub-model penjana dalam GAN bertanggungjawab untuk mencipta sampel data baharu, manakala sub-model diskriminator cuba membezakan antara sampel data sebenar dan yang dijana oleh penjana. Kedua-dua sub-model dilatih secara permusuhan, dengan penjana cuba menipu diskriminator dan diskriminator cuba mengenal pasti sampel data sebenar dengan betul. Proses ini menyebabkan penjana menjadi semakin mampu menghasilkan sampel data yang realistik.
Model Diskriminatif
Model diskriminatif, yang digunakan dalam visi komputer dan analitik teks, menggunakan algoritma yang direka untuk mempelajari kelas yang berbeza daripada set data untuk membuat keputusan. Contohnya termasuk analisis sentimen, pengecaman aksara optik (OCR), dan pengelasan imej. Model-model ini direka untuk membezakan antara kategori data yang berbeza, menjadikannya berguna untuk pelbagai aplikasi. Ia boleh digunakan untuk:
- Pengelasan Imej: Mengenal pasti objek atau pemandangan yang terdapat dalam imej.
- Pengesanan Objek: Mencari dan mengenal pasti objek tertentu dalam imej atau video.
- Analisis Sentimen: Menentukan nada emosi sekeping teks.
- Pengecaman Aksara Optik (OCR): Menukar imej teks kepada teks yang boleh dibaca mesin.
- Pengesanan Penipuan: Mengenal pasti transaksi atau aktiviti penipuan.
Algoritma yang digunakan dalam model diskriminatif belajar untuk mengenal pasti ciri-ciri yang paling penting untuk membezakan antara kelas data yang berbeza. Ciri-ciri ini boleh digunakan untuk mencipta model yang boleh mengklasifikasikan sampel data baharu dengan tepat.
Pembelajaran Pengukuhan
Model pembelajaran pengukuhan menggunakan kaedah cuba jaya dan input manusia untuk mencapai hasil berorientasikan matlamat, seperti dalam robotik, permainan, dan pemanduan autonomi. Pendekatan ini melibatkan ejen yang belajar untuk membuat keputusan dalam persekitaran untuk memaksimumkan ganjaran. Ejen menerima maklum balas dalam bentuk ganjaran atau penalti, yang digunakan untuk menyesuaikan tingkah lakunya. Proses ini membolehkan ejen mempelajari strategi optimum untuk mencapai matlamatnya. Pembelajaran pengukuhan boleh digunakan untuk:
- Robotik: Melatih robot untuk melaksanakan tugas kompleks, seperti berjalan, menggenggam objek, atau menavigasi persekitaran.
- Permainan: Membangunkan ejen AI yang boleh bermain permainan pada tahap yang tinggi.
- Pemanduan Autonomi: Melatih kereta pandu sendiri untuk menavigasi jalan raya dan mengelakkan halangan.
- Pengurusan Sumber: Mengoptimumkan peruntukan sumber, seperti tenaga atau jalur lebar.
- Syor Peribadi: Memberikan syor peribadi kepada pengguna berdasarkan tingkah laku mereka yang lalu.
Proses cuba jaya membolehkan ejen meneroka strategi yang berbeza dan mempelajari yang mana yang paling berkesan. Penggunaan ganjaran dan penalti memberikan maklum balas yang membimbing ejen ke arah tingkah laku optimum.
Memahami Konvensyen Penamaan Model
Sebaik sahaja anda memahami pelbagai jenis model AI dan tugas masing-masing, langkah seterusnya melibatkan penilaian kualiti dan prestasi mereka. Ini bermula dengan memahami cara model dinamakan. Walaupun tiada konvensyen rasmi untuk menamakan model AI, model popular biasanya mempunyai nama mudah diikuti dengan nombor versi (cth., ChatGPT #, Claude #, Grok #, Gemini #).
Model sumber terbuka yang lebih kecil dan khusus tugas selalunya mempunyai nama yang lebih terperinci. Nama-nama ini, yang sering ditemui di platform seperti huggingface.co, biasanya termasuk nama organisasi, nama model, saiz parameter, dan saiz konteks.
Berikut ialah beberapa contoh untuk menggambarkan perkara ini:
MISTRALAI/MISTRAL-SMALL-3.1-24B-INSTRUCT-2053
- Mistralai: Organisasi yang bertanggungjawab untuk membangunkan model.
- Mistral-small: Nama model itu sendiri.
- 3.1: Nombor versi model.
- 24b-instruct: Kiraan parameter, yang menunjukkan model itu dilatih pada 24 bilion titik data dan direka untuk tugas mengikuti arahan.
- 2053: Saiz konteks, atau kiraan token, yang mewakili jumlah maklumat yang boleh diproses oleh model pada satu masa.
Google/Gemma-3-27b
- Google: Organisasi di sebalik model.
- Gemma: Nama model.
- 3: Nombor versi.
- 27b: Saiz parameter, yang menunjukkan model itu dilatih pada 27 bilion titik data.
Pertimbangan Utama
Memahami konvensyen penamaan memberikan pandangan berharga tentang keupayaan dan penggunaan yang dimaksudkan model. Nama organisasi menunjukkan sumber dan kredibiliti model. Nama model membantu membezakan antara model yang berbeza yang dibangunkan oleh organisasi yang sama. Nombor versi menandakan tahap pembangunan dan penambahbaikan. Saiz parameter memberikan petunjuk kasar tentang kerumitan dan kapasiti model untuk pembelajaran. Saiz konteks menentukan panjang input yang boleh diproses oleh model dengan berkesan.
Butiran tambahan yang mungkin anda temui termasuk format kuantisasi dalam bit. Format kuantisasi yang lebih tinggi memerlukan lebih banyak RAM dan storan komputer untuk mengendalikan model. Format kuantisasi selalunya diwakili dalam notasi titik terapung, seperti 4, 6, 8, dan 16. Format lain, seperti GPTQ, NF4, dan GGML, menunjukkan penggunaan untuk konfigurasi {perkakasan} tertentu.
Kuantisasi: Ini merujuk kepada teknik mengurangkan ketepatan nombor yang digunakan untuk mewakili parameter model. Ini boleh mengurangkan saiz dan jejak memori model dengan ketara, menjadikannya lebih mudah digunakan pada peranti yang mempunyai sumber terhad. Walau bagaimanapun, kuantisasi juga boleh menyebabkan sedikit penurunan dalam ketepatan.
Pertimbangan Perkakasan: Konfigurasi perkakasan yang berbeza mungkin lebih sesuai untuk format kuantisasi yang berbeza. Sebagai contoh, sesetengah perkakasan mungkin dioptimumkan untuk kuantisasi 4-bit, manakala yang lain mungkin lebih sesuai untuk kuantisasi 8-bit atau 16-bit.
Menilai Ketepatan Model
Walaupun tajuk berita tentang keluaran model baharu boleh mengujakan, adalah penting untuk mendekati hasil prestasi yang didakwa dengan berhati-hati. Landskap prestasi AI sangat kompetitif, dan syarikat kadangkala menokok tambah angka prestasi untuk tujuan pemasaran. Cara yang lebih dipercayai untuk menilai kualiti model adalah dengan memeriksa skor dan papan pendahulu daripada ujian piawai.
Walaupun beberapa ujian mendakwa sebagai piawai, menilai model AI kekal mencabar disebabkan oleh sifat ‘kotak hitam’ sistem ini dan banyak pemboleh ubah yang terlibat. Pendekatan yang paling boleh dipercayai adalah dengan mengesahkan respons dan output AI terhadap sumber fakta dan saintifik.
Laman web papan pendahulu menawarkan kedudukan boleh diisih dengan undian dan skor selang keyakinan, selalunya dinyatakan sebagai peratusan. Penanda aras biasa melibatkan memberi soalan kepada model AI dan mengukur ketepatan responsnya. Penanda aras ini termasuk:
- Cabaran Penaakulan AI2 (ARC)
- HellaSwag
- MMLU (Pemahaman Bahasa Multitugas Besar-besaran)
- TruthfulQA
- Winogrande
- GSM8K
- HumanEval
Penerangan Penanda Aras
Cabaran Penaakulan AI2 (ARC): Satu set 7787 soalan sains pilihan pelbagai yang direka untuk pelajar sekolah rendah. Penanda aras ini menguji keupayaan model untuk menaakul tentang konsep saintifik dan menyelesaikan masalah.
HellaSwag: Penanda aras yang menilai penaakulan akal melalui latihan melengkapkan ayat. Penanda aras ini mencabar model untuk memahami konteks ayat dan memilih pengakhiran yang paling logik.
MMLU (Pemahaman Bahasa Multitugas Besar-besaran): Penanda aras ini menguji keupayaan model untuk menyelesaikan masalah merentasi pelbagai tugas, yang memerlukan pemahaman bahasa yang meluas. Tugas-tugas ini meliputi pelbagai topik, termasuk matematik, sejarah, sains, dan undang-undang.
TruthfulQA: Penanda aras ini menilai kejujuran model, mengenakan penalti untuk kepalsuan dan tidak menggalakkan jawapan mengelak seperti ‘Saya tidak pasti.’ Penanda aras ini menggalakkan model untuk memberikan respons yang tepat dan jujur.
Winogrande: Cabaran berdasarkan skema Winograd, yang menampilkan dua ayat yang hampir sama yang berbeza berdasarkan perkataan pencetus. Penanda aras ini menguji keupayaan model untuk memahami perbezaan halus dalam makna dan menyelesaikan kekaburan.
GSM8K: Set data 8,000 soalan matematik sekolah rendah. Penanda aras ini menguji keupayaan model untuk menyelesaikan masalah matematik dan melakukan pengiraan.
HumanEval: Penanda aras ini mengukur keupayaan model untuk menjana kod Python yang betul sebagai tindak balas kepada 164 cabaran. Penanda aras ini menguji kemahiran pengekodan model dan keupayaannya untuk memahami dan melaksanakan konsep pengaturcaraan.
Dengan memeriksa penanda aras ini dengan teliti dan mengesahkan respons AI terhadap sumber fakta, anda boleh memperoleh pemahaman yang lebih tepat tentang keupayaan dan batasan model. Maklumat ini kemudiannya boleh digunakan untuk membuat keputusan termaklum tentang model mana yang paling sesuai untuk keperluan khusus anda.