د ChatGPT سره زموږ په زړه پوري بحث دوهمې برخې ته ښه راغلاست. په زموږ د خبرو لومړنۍ برخه، موږ د ژبې لوی ماډلونو په روزنه کې د معلوماتو راټولولو ، تشریح کولو او د انسان په مینځ کې د لوپ اهمیت باندې بحث وکړ. موږ به اوس د ننګونو په اړه وغږیږو ، تعصب چې د AI ماډلونو روزنې پرمهال ورسره مخ شوي ، د دوی غوښتنلیک او څنګه پرمختللي AI ماډلونه په عمومي ډول په انسانانو اغیزه کوي.
- د اصولو پر بنسټ سیسټمونه: پدې کې د ځانګړي مقرراتو رامینځته کول شامل دي چې ماشین د معلوماتو تشریح کولو لپاره تعقیبوي. د مثال په توګه، یو قاعده کیدی شي هر هغه متن لیبل کړي چې د بریښنالیک پتې په څیر ښکاري (د مثال په توګه، د '@' سمبول لري) د بریښنالیک په توګه.
- د ماشین زده کړې موډلونه: د ماشین زده کړې دمخه روزل شوي ماډلونه د نوي ډیټا تشریح کولو لپاره کارول کیدی شي. د مثال په توګه، د مخکینۍ روزل شوي د ادارې پیژندنې ماډل په متن کې د ادارو پیژندلو او لیبل کولو لپاره کارول کیدی شي.
- فعاله زده کړه: په دې طریقه کې، د ماشین زده کړې ماډل په پیل کې د لاسي تشریح شوي ډیټا کوچنۍ بستې سره روزل کیږي. بیا، ماډل هغه معلومات تشریح کوي چې په اړه یې خورا ډاډه دی، او دا تشریحات د انساني تشریح کونکو لخوا تایید او سم شوي. ماډل د دې لوی ډیټاسیټ سره بیا روزل کیږي او پروسه تکرار کیږي.
- کمزوری څارنه: دلته، ډیری ضعیف تشریح کونکي (کوم چې کیدای شي د قواعدو پر بنسټ سیسټمونه وي، د راټولولو سرچینې، هیوریسټیک، او نور) د ډیټا لیبل کولو لپاره کارول کیږي. که څه هم هر ضعیف تشریح کوونکی نیمګړی دی، د دوی ګډ لیبل کولی شي د ابتدايي ماډل روزنې لپاره ښه اټکل چمتو کړي.
- د لیږد زده کړه: دا طریقه د یو ماډل څخه ګټه پورته کوي چې په یوه دنده کې روزل شوي او په بل اړونده دنده کې یې پلي کوي. د بیلګې په توګه، په انځورونو کې د شیانو پیژندلو لپاره روزل شوی ماډل کیدای شي د هغه ماډل لپاره د پیل ټکي په توګه وکارول شي چې د ځانګړو ډولونو شیانو پیژندلو لپاره ډیزاین شوي.
پداسې حال کې چې اتوماتیک تشریح کولی شي یو پیاوړی وسیله وي، دا مهمه ده چې په یاد ولرئ چې دا تل بشپړ نه وي، او کیفیت د کارول شوي میتود او د کار پیچلتیا پراساس توپیر کولی شي. په لومړنیو قواعدو یا روزنیز سیټ کې د تعصب له امله تېروتنې شتون لري، او پیچلې دندې اکثرا د انسان نظارت ته اړتیا لري. په دې توګه، د اتوماتیک او لاسي توضیحاتو ترکیب (نیم نظارت شوي زده کړه) اکثرا د لوی، پیچلي ډیټاسیټونو لپاره غوره طریقه ده.
- د معلوماتو تنوع او نمایندګي: ډاډ ترلاسه کول چې راټول شوي معلومات مختلف سناریوګانې لري او په سمه توګه د ریښتینې نړۍ شرایطو استازیتوب کوي ننګونه ده. د مثال په توګه، د انځور پیژندنې ماډل د متنوع روښنايي، سمتونو، او شالیدونو سره عکسونو ته اړتیا لري.
- د معلوماتو محرمیت او اخلاق: د محرمیت حقونو ته درناوی او د معلوماتو راټولولو پرمهال اخلاقي لارښوونو ته غاړه ایښودل خورا مهم دي. په روغتیایی پاملرنې AI کې د ناروغ ډیټا پټول محرمیت تضمینوي پرته لدې چې د ماډل روزنې لپاره د دې ګټورتیا سره موافقت وکړي.
- د معلوماتو کیفیت: د لوړ کیفیت ډاټا اړینه ده؛ شور، غیر اړونده، یا غلط معلومات کولی شي د ماډل فعالیت منفي اغیزه وکړي. د ټولنیزو رسنیو ډاټا، د سلینګ، ټایپو، او متناسب ژبې کارولو سره، د احساساتو تحلیل روزنې لپاره ننګونې رامینځته کوي.
- د تشریح کیفیت او دوام: د کره او دوامداره تشریحاتو ډاډ ترلاسه کول پیچلي دي. د عکس په طبقه بندي کې، مختلف تشریح کونکي چې ورته شی په مختلف ډول لیبل کوي کولی شي د روزنې پرمهال ماډل ګډوډ کړي.
- وخت او لګښت: لاسي تشریح د وخت مصرف او ګران دی ، په ځانګړي توګه د لوی ډیټاسیټونو لپاره. د طبیعي ژبې پروسس کولو لپاره، تشریح کونکي د متن په شرایطو پوهیدو لپاره د پام وړ وخت او ژبپوهنې مهارت ته اړتیا لري.
- سکوالیت: د کیفیت ساتلو په وخت کې د تشریح پروسې اندازه کول ننګونه ده. د ژبې ماډلونه ډیری وختونه ملیاردونو مثالونو ته اړتیا لري، د تشریح کونکو لوی ټیم ترمنځ همغږي ته اړتیا لري او د تشریحاتو په اوږدو کې د دوام ډاډ ترلاسه کوي.
- د لیبل کولو ابهام: سم لیبل کولی شي موضوعي وي او د تفسیر لپاره خلاص وي. تشریح کونکي ممکن د احساساتو تحلیلي دندو په اړه مختلف نظرونه ولري ، د ورته متن لپاره مختلف لیبل دندې رامینځته کوي.
- حساس معلومات: د حساسو معلوماتو اداره کول، لکه طبي یا مالي ریکارډونه، اضافي احتیاط ته اړتیا لري. تشریح کونکي ممکن ځانګړي روزنې یا تصدیق ته اړتیا ولري ترڅو دا ډاټا په مناسبه توګه اداره کړي او د هغې محافظت ډاډمن کړي.
د دې ننګونو په نښه کول اکثرا د ښه پروژې پلان کولو ترکیب ته اړتیا لري ، د معلوماتو راټولونکو او تشریح کونکو لپاره روښانه لارښوونې ، د امکان په صورت کې د اتوماتیک وسیلو کارول ، او د کیفیت کنټرول لپاره قوي سیسټم.
- د ډیټاسایټ توازن: ډیټاسیټ تنظیم کړئ ترڅو د مختلف ټولګیو مساوي نمایش ولري.
- د تعصب کمولو الګوریتم وکاروئ: د ماډل په وړاندوینو کې د تعصب کمولو لپاره ډیزاین شوي تخنیکونه کاروئ.
- د توپیر محرمیت پلي کول: د حساس صفاتو ساتلو لپاره ډیټا ته شور اضافه کړئ.
- د تعصب پوهه ماډل ښه ټیوننګ ترسره کړئ: د تعصب کمولو په پام کې نیولو سره ماډل تنظیم کړئ.
- د انسان بیاکتنې او لارښوونې ګمارل: بیاکتونکي لارښوونې تعقیبوي چې لارښوونه کوي چې د ښه کولو په وخت کې د کومې ډلې سره مرسته ونه کړي.
- د دوامداره فیډبیک لوپ رامینځته کړئ: د بیاکتونکو سره منظم تعامل د دوامداره زده کړې او تعصب سمون ته اجازه ورکوي.
په یاد ولرئ، په بشپړه توګه د تعصب له منځه وړل ستونزمن کار دی، مګر دا ګامونه کولی شي د دې کمولو کې مرسته وکړي.
- د منځپانګې تولید: دوی کولی شي د مینځپانګې رامینځته کولو کې مرسته وکړي لکه مقالې ، راپورونه ، او بریښنالیکونه.
- د پیرودونکو خدمت: دوی د پیرودونکو ملاتړ اتومات کولو لپاره په چیټ بوټونو او مجازی معاونینو کې کارول کیدی شي.
- ژبه ژباړه: دوی کولی شي د مختلفو ژبو ترمنځ د متن ژباړلو کې مرسته وکړي.
- ښوونه دوی کولی شي په مختلفو موضوعاتو توضیحات وړاندې کړي، په تعلیم کې مرسته وکړي.
- د کوډ لیکل: دوی کولی شي د کوډ لیکلو کې مرسته وکړي، د سافټویر پراختیا کې مرسته وکړي.
- بازارموندنه او اعلانونه: دوی کولی شي د بازارموندنې کمپاینونو لپاره تخلیقي مینځپانګې رامینځته کړي.
- لاسرسي: دوی کولی شي د متن څخه تر وینا غوښتنلیکونو لپاره د وینا رامینځته کولو کې مرسته وکړي.
- د کار اتومات کول: عادي او غیر معمولي دندې، په ځانګړې توګه په سکټورونو کې لکه تولید، لوژستیک، او مسلکی کار، کیدای شي اتوماتیک وي، چې د دندې بې ځایه کیدو المل کیږي.
- د نویو دندو پیدا کول: په مثبت اړخ کې، د AI زیاتوالی به نوي رولونه رامینځته کړي چې مخکې شتون نه درلود، لکه د AI متخصصین، د معلوماتو شنونکي، د ماشین زده کړې انجنیران، او د AI اخالقي او پالیسۍ رولونه.
- د دندې بدلون: ډیری دندې به د لرې کولو پرځای بدل شي، د AI سره د کار معمول اړخونه په غاړه اخلي، کارمندان آزادوي چې په ډیرو پیچلو او تخلیقي کارونو تمرکز وکړي.
- د مهارت غوښتنې بدلون: د ډیجیټل مهارتونو او د AI د پوهیدو لپاره به د غوښتنې زیاتوالی وي، کوم چې کولی شي په لنډه موده کې د مهارتونو تشې لامل شي.
نو، پداسې حال کې چې AI به بې له شکه د کار بازارونه ګډوډ کړي، دا د نویو دندو او د تولید زیاتوالي فرصتونه هم وړاندې کوي.
- د تفاهم نشتوالی: د AI ماډلونه په شرایطو یا مفکورو نه پوهیږي لکه څنګه چې انسانان کوي. دوی په ډاټا کې نمونې پیژني مګر اصلي معنی نه پوهیږي.
- د معلوماتو انحصار: دوی د روزنې لپاره لوی مقدار ډیټا ته اړتیا لري. که معلومات متعصب، نیمګړي، یا د ضعیف کیفیت وي، د ماډل فعالیت د پام وړ اغیزه کولی شي.
- عمومي کول: هغه موډلونه چې په ځانګړو دندو یا ډیټا سیټونو کې روزل شوي اکثرا د دوی زده کړې نوي، نه لیدل شوي سناریوګانو ته د عمومي کولو لپاره مبارزه کوي.
- د وضاحت وړتيا: دا اکثرا سخته ده چې پوه شي چې ولې ځینې ماډلونه (په ځانګړې توګه د ژورې زده کړې ماډلونه) ځانګړي پریکړې کړي، چې د روڼتیا یا تفسیر نشتوالي المل کیږي.
- ټینګښت: د AI ماډلونه د ان پټ ډیټا (شور ، تحریف) کې کوچني بدلونونو سره حساس کیدی شي او ممکن په ټولو شرایطو کې د اعتبار وړ فعالیت ونه کړي.
- اخلاقي اندیښنې: د AI غوښتنلیکونه کولی شي د محرمیت مسلو، احتمالي ناوړه ګټه اخیستنې، یا غیر ارادي تعصب لامل شي، اخلاقي او قانوني اندیښنې راپورته کړي.
د سپتمبر په 2021 کې زما د پوهې کټ آف سره سم، AI په اړونده پوهه کې د پام وړ پرمختګ کړی، په ځانګړې توګه د GPT-3 او GPT-4 په څیر د پیچلي ژبې ماډلونو پراختیا سره. دا ماډلونه کولی شي د انسان په څیر متن رامینځته کړي چې دوی یې ترلاسه کوي او د کلمو او مفکورو ترمینځ د اړیکو داخلي پوهه لري.
په هرصورت، دا مهمه ده چې یادونه وکړو چې دا "پوهه" د انسان د پوهې څخه توپیر لري. د AI سیسټمونه، لکه څنګه چې دوی اوس شتون لري، شعور، ځان پوهاوی، یا د تجربې پوهه ورته ژوره نه لري چې انسانان لري. دوی د ارقامو د نمونو پراساس شرایط تشریح کوي، نه د ژوند تجربې یا د عصبي احساس په اړه. له همدې امله، د شرایطو په اړه د دوی پوهه په بنسټیز ډول زموږ څخه توپیر لري.
د مثال په توګه، پداسې حال کې چې AI کولی شي د شخصي تجربې په اړه پوښتنې ته ځواب پیدا کړي، لکه "تاسو د ښوونځي په لومړۍ ورځ څنګه احساس کاوه؟"، دا د هغه معلوماتو د نمونو پر بنسټ ترسره کوي چې دا روزل شوي، نه په کوم کې شخصي تجربه یا احساسات چې لري. یو AI احساسات یا شخصي تجربې نلري.
د راتلونکي په اړه، دا ویل ستونزمن دي. د AI په څیړنه او پراختیا کې پرمختګ په چټکۍ سره دوام لري، مګر د نمونې پیژندنې څخه د ریښتینې انسان په څیر پوهه او شعور ته رسیدل خورا لوی دی، او موږ لا تر اوسه نه پوهیږو چې دا ممکنه ده یا څنګه به ترلاسه شي. حتی که د AI سیسټمونه د شرایطو تشریح کولو کې خورا پیچلي شي، نو دا به د دې معنی ونلري چې دوی د دې په اړه د انسان په څیر پوهه لري.
- د طبیعي ژبې پوهه او نسل ښه شوی: ډیر د انسان په څیر خبرو اترو AI او غوره اتوماتیک ژباړې.
- د AI انصاف، د وضاحت وړتیا، او روڼتیا: د AI تصمیم نیولو د پوهیدو لپاره تخنیکونه، د انصاف تضمین کول، او روڼتیا ته وده ورکول.
- AI په روغتیایی پاملرنې کې: د AI له لارې د ناروغۍ تشخیص، د ناروغ د پایلو وړاندوینه، او شخصي درملنه.
- د پیاوړتیا زده کړه او عمومي AI: ډیر تطابق وړ AI سیسټمونه چې کولی شي مختلف دندې زده کړي او نوي حالتونو سره تطابق وکړي.
- AI او کوانټم کمپیوټري: د کمپیوټري ځواک وده کول ډیر پیچلي ماډلونه او د ګړندي روزنې وختونه فعالوي.
- فدرالي زده کړه: د محرمیت ساتلو ماشین زده کړه چې د ډیټا شریکولو پرته په ډیری وسیلو کې ماډلونه روزي.
