Toshkent axborot texnologiyalari universiteti Farg`ona filiali ki fakulteti

Generativ modellarning ko'payishi
Generativ AI chuqur o'rganish modellarini nazarda tutadi, ular xom ma'lumotni (masalan, Vikipediyaning hammasi yoki Rembrandtning to'plangan ishlarini) olishi va so'ralganda statistik jihatdan ehtimoliy natijalarni yaratishni "o'rganish" mumkin. Yuqori darajada, generativ modellar
o'zlarining o'quv ma'lumotlarining soddalashtirilgan ko'rinishini kodlaydi va undan
asl ma'lumotlarga o'xshash, ammo bir xil bo'lmagan yangi ish yaratish uchun foydalanadi.

Generativ modellar ko'p yillar davomida statistikada raqamli ma'lumotlarni tahlil qilish uchun ishlatilgan. Chuqur o'rganishning yuksalishi ularni tasvirlar, nutq va boshqa murakkab ma'lumotlar turlariga kengaytirish imkonini berdi. 2013-yilda taqdim etilgan modellarning birinchi sinfi orasida variatsion avtokoderlar yoki VAElar bor edi. VAElar real tasvirlar va nutqlarni yaratish uchun keng qo'llaniladigan birinchi chuqur o'rganish modellari edi.

MIT-IBM Watson AI laboratoriyasining generativ sun'iy intellekt bo'yicha mutaxassisi Akash Srivastava shunday dedi : "VAEs modellarni masshtablashni osonlashtirib, chuqur generativ modellashtirish uchun suv toshqini eshiklarini ochdi
" . "Bugungi kunda biz generativ AI deb o'ylagan narsalarimizning aksariyati shu erda boshlangan."

GPT-3, BERT yoki DALL-E 2 kabi modellarning dastlabki namunalari nima mumkinligini ko'rsatdi. Kelajak - bu yorliqsiz ma'lumotlarning keng to'plami bo'yicha o'qitiladigan modellar bo'lib, ular minimal nozik sozlash bilan turli vazifalar uchun ishlatilishi mumkin. Bitta domenda aniq vazifalarni bajaradigan tizimlar o'z o'rnini umumiy o'rganadigan va domenlar va muammolar bo'ylab ishlaydigan keng AIga bo'shatib bermoqda. Katta, etiketlanmagan ma'lumotlar to'plamlarida o'qitilgan va ko'plab ilovalar uchun nozik sozlangan poydevor modellari bu siljishni boshqarmoqda.

Generativ AI haqida gap ketganda, asosiy modellar
korxonada AIni qabul qilishni keskin tezlashtiradi, deb taxmin qilinadi.
Yorliqlash talablarini kamaytirish korxonalarga sho'ng'ishni ancha osonlashtiradi va ular faollashtiradigan yuqori aniqlikdagi, samarali sun'iy intellektga asoslangan avtomatlashtirish ko'proq kompaniyalar sun'iy intellektni missiya uchun muhim vaziyatlarda kengroq joylashtirish imkoniyatiga ega bo'lishini anglatadi . IBM uchun umid shundaki, poydevor modellarining kuchi oxir-oqibat ishqalanishsiz gibrid-bulutli muhitda har bir korxonaga yetkazilishi mumkin.