👂🎴 🕸️
Vektor
vloženia
''
(
resp
.
embedding
vektor
či
embedding
)
nám
umožňujú
reprezentovať
objekt
(
ako
slovo
''
pojem
''
obrázok
alebo
zvuk
)
ako
usporiadanú
sériu
čísel
(
vektor
)
ktorý
zodpovedá
polohe
či
oblasti
v
určitom
N
-
rozmernom
priestore
.
Tento
vektor
zachytáva
podstatné
črty
alebo
kontext
daného
objektu
v
kompaktnej
forme
''
umožňujúc
jeho
efektívne
spracovanie
a
porovnávanie
s
inými
objektami
. <
br
><
br
>
Pojem
vektor
vloženia
tak
vystihuje
ideu
''
že
pôvodné
dáta
(
t
.
j
.
slová
''
pojmy
''
obrázky
''
zvuky
)
transformované
alebo
vložené
do
nového
priestoru
''
kde
ich
vzťahy
alebo
vlastnosti
lepšie
alebo
efektívnejšie
vyjadrené
vektormi
či
inými
matematickými
štruktúrami
.
Neurónové
siete
v
kontexte
UI
<
strong
>
nie
skutočné
nervové
bunky
strong
>''
ale
softwarové
modely
ktorých
architektúra
je
inšpirovaná
spôsobom
akým
ľudský
mozog
spracováva
informácie
.
Tieto
modely
sa
skladajú
z
vrstiev
dátových
štruktúr
nazývaných
neuróny
.
Neuróny
vzájomne
prepojené
a
ich
prepojenia
majú
určitú
váhu
.
V
procese
učenia
systém
postupne
upravuje
tieto
váhy
-
nazývané
aj
parametre
tak
''
aby
znížil
chybu
medzi
svojou
predpoveďou
a
tým
čo
byť
predpovedané
.
GPU
(
Graphic
Processing
Units
''
NVIDIA
)
a
TPU
(
Tensor
Processing
Units
''
Google
)
tou
hardwarovou
inováciou
ktorá
umožňuje
uskutočňovať
hĺbkové
učenie
nepredstaviteľného
rozsahu
.
Deep
learning
''
alebo
hlboké
učenie
''
využíva
neurónové
siete
s
mnohými
vrstvami
(
preto
hlboké
)''
čo
umožňuje
modelu
učiť
sa
komplexné
vzory
v
dátach
na
rôznych
úrovniach
abstrakcie
.
Deep
learning
sa
aplikuje
v
mnohých
oblastiach
''
vrátane
rozpoznávania
obrazu
a
reči
''
a
je
kľúčovou
technológiou
v
rozvoji
autonómnych
systémov
ako
napríklad
samoriadiace
autá
či
rozpoznávanie
reči
.
<
br
/><
br
/>
Kľúčom
k
úspechu
je
čo
najväčšie
množstvo
trénovacích
dát
.
Diskriminatívna
umelá
inteligencia
(
UI
)
sa
vzťahuje
na
modely
''
ktoré
sa
učia
rozlišovať
alebo
klasifikovať
vstupné
dáta
do
preddefinovaných
kategórií
.
Diskriminatívne
modely
sa
zameriavajú
na
odlišenie
medzi
rôznymi
typmi
vstupných
dát
''
ako
napríklad
rozličné
kategórie
obrázkov
alebo
textu
.
Cieľom
je
diskriminovať
“=
rozlišovať
medzi
rôznymi
triedami
alebo
skupinami
a
správne
priradiť
nové
''
neznáme
vstupy
do
jednej
z
týchto
kategórií
.
Odporúčam
nainštalovať
si
následovné
appky
:<
div
div
><
p
class
=
fragment
>
Merlin
-
rozpoznávač
vtáčích
spevov
p
><
p
class
=
fragment
>
PlantNet
alebo
Naturblick
-
rozpoznávač
rastlín
p
><
p
class
=
fragment
>
Svampe
Atlas
-
rozpoznávač
húb
p
>
<
div
>
Generatívna
umelá
inteligencia
(
UI
)
sa
venuje
vytváraniu
nových
''
často
nevidených
dát
alebo
obsahu
''
čo
je
výsledkom
učenia
sa
z
existujúcich
dát
.
Tieto
modely
nejako
rozumejú
štruktúre
a
distribúcii
dát
''
na
ktorých
boli
vyškolené
''
a
snažia
sa
vytvárať
nové
vzorky
''
ktoré
konsistentné
s
týmito
naučenými
vzormi
.
Generatívne
modely
môžu
byť
použité
na
rôzne
účely
''
ako
napríklad
na
generovanie
obrázkov
''
textu
''
zvuku
alebo
videa
a
často
používané
v
oblastiach
ako
umelé
vytváranie
obsahu
alebo
syntéza
reči
.
div
>
Large
Language
Model
(
LLM
)''
alebo
veľký
jazykový
model
''
je
typ
umelej
inteligencie
''
ktorý
je
vyvinutý
na
porozumenie
a
generovanie
ľudského
jazyka
.
Tieto
modely
vyškolené
na
obrovských
množinách
textu
''
čím
sa
učia
gramatiku
''
slovnú
zásobu
a
kontext
rôznych
jazykov
.
Schopnosť
LLM
generovať
súvisiace
a
gramaticky
správne
texty
im
umožňuje
plniť
rôzne
úlohy
ako
odpovedať
na
otázky
''
písať
texty
''
prekladať
jazyky
alebo
sumarizovať
informácie
''
a
to
všetko
bez
explicitného
programovania
konkrétnych
pravidiel
alebo
logiky
.
<
div
>
Text
-
to
-
Image
resp
.
speech
-
to
-
image
generatívna
umelá
inteligencia
(
UI
umožňuje
tvoriť
nové
''
jedinečné
obrázkové
obsahy
prostredníctvom
popisov
alebo
príkazov
vo
forme
textu
(
resp
.
hovorenej
reči
).
div
>
Pikoška
:
70
rokov
po
premiére
Čapkovho
<
strong
>
Rossum
strong
>'
s
Universal
Robots
(
1921
)
vytvoril
holandský
programátor
Guido
van
<
strong
>
Rossum
strong
>
programovací
jazyk
Python
v
ktorom
je
dnes
naprogramovaná
väčšina
UI
systémov
a
knižníc
Odhaduje
sa
''
že
...
<
br
/><
p
class
=
fragment
>
strojové
vyučenie
Džepeta
-
4
si
vyžiadalo
cca
51
772
500
-
62
318
750
KWh
elektrickej
energie
p
><
p
class
=
fragment
>
Čepeto
spotrebuje
500
mililitrov
vody
zakaždým
''
keď
mu
položíte
sériu
5
50
podnetov
/
otázok
p
>
[Impressum, Datenschutz, Login] Other subprojects of wizzion.com linkring: fibel.digital refused.science kyberia.de naadam.info teacher.solar gardens.digital puerto.life giver.eu udk.ai baumhaus.digital