Generative AI- CHATGPT နောက်ကွယ်ရှိ အိုင်ဒီယာ၊ Dall-E၊ လမ်းလယ်နှင့် အခြားအရာများ

အနုပညာလောက၊ ဆက်သွယ်ရေးနှင့် ကျွန်ုပ်တို့၏အဖြစ်မှန်ကို သိမြင်ပုံသည် လျှင်မြန်စွာ ပြောင်းလဲနေသည်။ လူသားတို့၏ ဆန်းသစ်တီထွင်မှုသမိုင်းကို ပြန်ကြည့်လျှင် ဘီးတီထွင်မှု သို့မဟုတ် လျှပ်စစ်ဓာတ်အား ရှာဖွေတွေ့ရှိမှုကို ကြီးကျယ်ခမ်းနားသော ခုန်ပျံကျော်လွှားမှုအဖြစ် သုံးသပ်နိုင်သည်။ ယနေ့ခေတ်တွင်၊ လူသား၏တီထွင်ဖန်တီးမှုနှင့် စက်တွက်ချက်မှုအကြား ပိုင်းခြားမှုကို ပေါင်းကူးပေးသည့် တော်လှန်ရေးအသစ်တစ်ခု ဖြစ်ပွားနေသည်။ အဲဒါ Generative AI ပါ။

မျိုးဆက်သစ် မော်ဒယ်များသည် လူနှင့် စက်များကြား မျဉ်းကို မှုန်ဝါးစေပါသည်။ Transformer modules များကိုအသုံးပြုသည့် GPT-4 ကဲ့သို့သော မော်ဒယ်များ ပေါ်ထွန်းလာသောအခါ၊ ကျွန်ုပ်တို့သည် သဘာဝနှင့် ဆက်စပ်မှု ကြွယ်ဝသော ဘာသာစကားမျိုးဆက်ဆီသို့ ပိုမိုနီးကပ်လာပါပြီ။ ဤတိုးတက်မှုများသည် စာရွက်စာတမ်းဖန်တီးမှု၊ chatbot ဆွေးနွေးမှုစနစ်များနှင့် ပေါင်းစပ်ဂီတပေါင်းစပ်မှုတို့ကိုပင် လှုံ့ဆော်ပေးပါသည်။

မကြာသေးမီက Big-Tech ဆုံးဖြတ်ချက်များသည် ၎င်း၏ အရေးပါမှုကို ထင်ရှားစေသည်။ Microsoft က ရှိပြီးသားပါ။ ၎င်း၏ Cortana အက်ပ်ကို ရပ်ဆိုင်းပါ။ Bing Chat ကဲ့သို့ မျိုးဆက်သစ် AI ဆန်းသစ်တီထွင်မှုများကို ဦးစားပေးဆောင်ရွက်ရန် ယခုလ။ Apple သည် ၎င်း၏ အရေးပါသော အပိုင်းကိုလည်း အပ်နှံထားသည်။ $ 22.6 ဘီလီယံ R&D ဘတ်ဂျက် CEO Tim Cook မှဖော်ပြသည့်အတိုင်း Generative AI

မော်ဒယ်များ၏ ခေတ်သစ်- Generative Vs. ခွဲခြားဆက်ဆံတယ်။

Generative AI ၏ ဇာတ်လမ်းသည် ၎င်း၏ အပလီကေးရှင်းများအကြောင်းသာမက ၎င်း၏ အတွင်းပိုင်းလုပ်ဆောင်ချက်များအကြောင်း အခြေခံဖြစ်သည်။ ဉာဏ်ရည်တု ဂေဟစနစ်တွင် ပုံစံနှစ်မျိုးရှိသည်- ခွဲခြားဆက်ဆံမှုနှင့် မျိုးဆက်ပွားမှု။

ခွဲခြားဆက်ဆံမှုပုံစံများသည် နေ့စဉ်ဘ၀တွင် လူအများစုကြုံတွေ့ရသောအရာများဖြစ်သည်။ ဤအယ်လဂိုရီသမ်များသည် စာသား သို့မဟုတ် ရုပ်ပုံကဲ့သို့သော ထည့်သွင်းဒေတာကိုယူကာ စကားလုံးဘာသာပြန်ခြင်း သို့မဟုတ် ဆေးဘက်ဆိုင်ရာရောဂါရှာဖွေခြင်းကဲ့သို့ ပစ်မှတ်အထွက်တစ်ခုနှင့် တွဲချိတ်သည်။ ၎င်းတို့သည် မြေပုံဆွဲခြင်းနှင့် ခန့်မှန်းခြင်းအကြောင်းဖြစ်သည်။

အခြားတစ်ဖက်တွင်မူ မျိုးဆက်သစ်မော်ဒယ်များသည် ဖန်တီးသူများဖြစ်သည်။ ၎င်းတို့သည် အဓိပ္ပာယ်ဖွင့်ဆိုရုံမျှမက၊ ၎င်းတို့သည် လက်တွေ့ကမ္ဘာတန်ဖိုးများနှင့်ပင် မသက်ဆိုင်သော ကိန်းဂဏာန်းများထံမှ ရှုပ်ထွေးသော ရလဒ်အသစ်များကို ထုတ်ပေးပါသည်။

Generative Models တွေရဲ့ နောက်ကွယ်က နည်းပညာတွေ

မျိုးဆက်သစ်မော်ဒယ်များသည် လူ့ဦးနှောက်၏ လုပ်ဆောင်နိုင်စွမ်းကို အတုယူရန် ဒီဇိုင်းထုတ်ထားသော နက်နဲသော အာရုံကြောကွန်ရက်များထံတွင် တည်ရှိနေပါသည်။ ဒေတာများတွင် ဘက်စုံပုံစံကွဲလွဲမှုများကို ဖမ်းယူလုပ်ဆောင်ခြင်းဖြင့်၊ ဤကွန်ရက်များသည် များပြားလှသော မျိုးဆက်သစ်မော်ဒယ်များ၏ ကျောရိုးအဖြစ် လုပ်ဆောင်သည်။

ဤမျိုးဆက်သစ်မော်ဒယ်များသည် မည်သို့အသက်ဝင်လာသနည်း။ အများအားဖြင့်၊ ၎င်းတို့ကို နက်နဲသော အာရုံကြောကွန်ရက်များဖြင့် တည်ဆောက်ထားပြီး ဒေတာများတွင် အသွင်အပြင်အမျိုးမျိုးကွဲပြားမှုများကို ဖမ်းယူရန် အကောင်းဆုံးလုပ်ဆောင်ထားသည်။ အဓိက ဥပမာတစ်ခုကတော့ မျိုးရိုးဗီဇဆန့်ကျင်ကွန်ယက် (GAN)၊ အာရုံကြောကွန်ရက်နှစ်ခု၊ ဂျင်နရေတာနှင့် ခွဲခြားဆက်ဆံမှုတို့သည် ပြိုင်ဘက်ကင်းသော ဆရာ-ကျောင်းသား ဆက်ဆံရေးတွင် အချင်းချင်း ပြိုင်ဆိုင်ပြီး သင်ယူကြသည်။ ပန်းချီကားများမှ စတိုင်အပြောင်းအရွှေ့၊ တေးဂီတဖွဲ့စည်းမှုမှ ဂိမ်းကစားခြင်းအထိ၊ ဤမော်ဒယ်များသည် ယခင်က မထင်မှတ်ထားနိုင်သော နည်းလမ်းများဖြင့် ဆင့်ကဲတိုးတက်လျက်ရှိသည်။

ဒါက GAN နဲ့ မရပ်ပါဘူး။ အမျိုးမျိုးသော Autoencoders (VAEs) သည် မျိုးဆက်သစ်မော်ဒယ်နယ်ပယ်တွင် အခြားသော အဓိက ကစားသမားများဖြစ်သည်။ VAEs များသည် ကျပန်းနံပါတ်များဟုထင်ရသော ဓာတ်ပုံများမှ လက်တွေ့ဆန်သောပုံများကို ဖန်တီးနိုင်စွမ်းအတွက် ထင်ရှားသည်။ ဘယ်လိုလဲ? ဤကိန်းဂဏာန်းများကို ငုပ်လျှိုးနေသော vector ဖြင့် လုပ်ဆောင်ခြင်းသည် လူ့ဗေဒ၏ ရှုပ်ထွေးမှုများကို ထင်ဟပ်စေသည့် အနုပညာကို မွေးဖွားပေးပါသည်။

Generative AI အမျိုးအစားများ- Text to Text၊ Text to Image

ထရန်စဖော်မာများနှင့် LLM

စာရွက်“အာရုံစူးစိုက်မှုသည် သင်လိုအပ်သမျှဖြစ်သည်။” Google Brain မှ စာသားပုံစံထုတ်ခြင်းနှင့်ပတ်သက်၍ ကျွန်ုပ်တို့တွေးတောပုံပြောင်းသွားသည်ကို အမှတ်အသားပြုခဲ့သည်။ Recurrent Neural Networks (RNNs) သို့မဟုတ် Convolutional Neural Networks (CNNs) ကဲ့သို့သော ရှုပ်ထွေးပြီး ဆင့်ကဲဗိသုကာများအစား Transformer model သည် အကြောင်းအရာပေါ်မူတည်၍ ထည့်သွင်းစာသား၏ မတူညီသောအစိတ်အပိုင်းများကို အာရုံစိုက်ခြင်းဟူသော အာရုံစိုက်မှုသဘောတရားကို မိတ်ဆက်ခဲ့သည်။ ဤအရာ၏ အဓိက အကျိုးကျေးဇူးများထဲမှတစ်ခုမှာ မျဉ်းပြိုင်ပြုခြင်းကို လွယ်ကူစေသည်။ စာသားများကို အဆင့်ဆင့်လုပ်ဆောင်ပေးသော RNN များနှင့်မတူဘဲ ၎င်းတို့ကို အရွယ်အစားချဲ့ထွင်ရန် ပိုမိုခက်ခဲစေကာ Transformers များသည် စာသားအစိတ်အပိုင်းများကို တစ်ပြိုင်နက်တည်း လုပ်ဆောင်နိုင်ပြီး ကြီးမားသောဒေတာအတွဲများအတွက် လေ့ကျင့်မှုကို ပိုမိုမြန်ဆန်စေပြီး ပိုမိုထိရောက်စေသည်။

ရှည်လျားသော စာသားတစ်ခုတွင်၊ သင်ဖတ်သော စကားလုံး သို့မဟုတ် စာကြောင်းတိုင်းသည် တူညီသော အရေးပါမှု မရှိပေ။ အချို့သော အစိတ်အပိုင်းများသည် အကြောင်းအရာအပေါ် အခြေခံ၍ အာရုံစိုက်မှုကို ပိုမိုတောင်းဆိုကြသည်။ သက်ဆိုင်မှုအပေါ်အခြေခံ၍ ကျွန်ုပ်တို့၏အာရုံကိုပြောင်းနိုင်သည့်စွမ်းရည်မှာ အာရုံစူးစိုက်မှုယန္တရားကိုအတုယူသည့်အရာဖြစ်သည်။

ဒါကိုနားလည်ဖို့အတွက် “AI Publish AI နဲ့ Robotics သတင်းတွေကို စည်းလုံးညီညွတ်စွာ စုစည်းပါ။” ယခု၊ နောက်စကားလုံးကို ခန့်မှန်းရာတွင် ယခင်အကြောင်းအရာတွင် အရေးကြီးဆုံးအရာကို နားလည်ရန် လိုအပ်သည်။ 'စက်ရုပ်များ' ဟူသော အသုံးအနှုန်းသည် စက်ရုပ်နယ်ပယ်ရှိ တိကျသောတိုးတက်မှု သို့မဟုတ် ဖြစ်ရပ်တစ်ခုနှင့် သက်ဆိုင်နိုင်ကြောင်း အကြံပြုနိုင်သော်လည်း 'ထုတ်ဝေခြင်း' သည် မကြာသေးမီကထုတ်ဝေမှု သို့မဟုတ် ဆောင်းပါးတစ်ခုသို့ စေ့စေ့စပ်စပ်ဖော်ပြနိုင်သည်ကို ညွှန်ပြနိုင်သည်။

Transformers ရှိ အာရုံစူးစိုက်မှု ယန္တရားများသည် ဤရွေးချယ်ထားသော အာရုံစိုက်မှုကို ရရှိစေရန် ဒီဇိုင်းထုတ်ထားသည်။ ၎င်းတို့သည် ထည့်သွင်းစာသား၏ မတူညီသော အစိတ်အပိုင်းများ၏ အရေးပါမှုကို တိုင်းတာပြီး တုံ့ပြန်မှုတစ်ခုဖန်တီးသည့်အခါ မည်သည့်နေရာတွင် "ကြည့်ရမည်" ကို ဆုံးဖြတ်ပေးသည်။ ဤသည်မှာ ထည့်သွင်းစာသားအားလုံး၏ အနှစ်သာရကို 'အခြေအနေ' သို့မဟုတ် 'မှတ်ဉာဏ်' တစ်ခုတည်းသို့ စုစည်းရန် ကြိုးစားသော RNN ကဲ့သို့သော ရှေးဗိသုကာများမှ ထွက်ခွာသွားခြင်း ဖြစ်သည်။

အာရုံစူးစိုက်မှုဆိုင်ရာ လုပ်ဆောင်ချက်များကို သော့တန်ဖိုးပြန်လည်ရယူသည့်စနစ်နှင့် နှိုင်းယှဉ်နိုင်သည်။ ဝါကျတစ်ကြောင်းရှိ နောက်စကားလုံးတစ်လုံးကို ခန့်မှန်းရန်ကြိုးစားရာတွင်၊ ရှေ့စကားလုံးတစ်ခုစီသည် ၎င်း၏အလားအလာဆက်စပ်မှုကို ညွှန်ပြသည့် 'သော့' ပေးထားပြီး အဆိုပါသော့များသည် လက်ရှိအကြောင်းအရာ (သို့မဟုတ် စုံစမ်းမေးမြန်းမှု) နှင့်ကိုက်ညီမှုအပေါ်အခြေခံ၍ ၎င်းတို့သည် 'တန်ဖိုး' သို့မဟုတ် အလေးချိန်ကို ပံ့ပိုးပေးပါသည်။ ခန့်မှန်းချက်။

ဤအဆင့်မြင့် AI နက်ရှိုင်းသောသင်ယူမှုမော်ဒယ်များသည် BERT နှင့် Google ၏ရှာဖွေရေးအင်ဂျင်အဆင့်မြှင့်တင်မှုများမှသည် ရိုးရှင်းသောဘာသာစကားမော်ဒယ်များ (LLMs) ၏စွမ်းရည်ကို အသုံးချကာ ရိုးရှင်းသောကုဒ်အတိုအထွာများကို အပြည့်အဝလုပ်ဆောင်နိုင်သောအရင်းအမြစ်ကုဒ်များအဖြစ်သို့ပြောင်းလဲရန် ကြီးမားသောဘာသာစကားမော်ဒယ်များ (LLMs) ကို ပေါင်းစပ်ထားသော အမျိုးမျိုးသောအပလီကေးရှင်းများတွင် ချောမွေ့စွာပေါင်းစပ်ထားသည်။

GPT-4၊ Bard နှင့် LLaMA ကဲ့သို့သော ကြီးမားသော ဘာသာစကားပုံစံများ (LLM) များသည် လူသားဘာသာစကား၊ ကုဒ်နှင့် အခြားအရာများကို ပုံဖော်ဖန်တီးရန် ဒီဇိုင်းထုတ်ထားသော ကြီးမားသောတည်ဆောက်မှုဖြစ်သည်။ ၎င်းတို့၏ ကြီးမားသောအရွယ်အစား၊ ကန့်သတ်ချက်များမှ ဘီလီယံပေါင်းများစွာမှ ထရီလျံများအထိ သည် သတ်မှတ်အင်္ဂါရပ်များထဲမှ တစ်ခုဖြစ်သည်။ ဤ LLM များကို များပြားလှသော စာသားဒေတာများဖြင့် ကျွေးမွေးပြီး လူသားဘာသာစကား၏ ရှုပ်ထွေးပွေလီမှုကို ဆုပ်ကိုင်နိုင်စေပါသည်။ ဒီမော်ဒယ်တွေရဲ့ ထူးခြားချက်က သူတို့ရဲ့ အရည်အချင်းက "အနည်းငယ်ရိုက်ချက်"သင်ယူမှု။ သတ်မှတ်ထားသော လေ့ကျင့်ရေးဒေတာ အများအပြား လိုအပ်သည့် သမားရိုးကျ မော်ဒယ်များနှင့် မတူဘဲ၊ LLM များသည် အလွန်ကန့်သတ်ထားသော ဥပမာများ (သို့မဟုတ် "ရိုက်ချက်များ") မှ ယေဘုယျဖော်ပြနိုင်သည်။

2023 နှစ်လယ်နောက်ပိုင်းတွင် ကြီးမားသောဘာသာစကားပုံစံများ (LLMs) အခြေအနေ

LLM တွေကို ဘယ်လိုအသုံးပြုကြလဲ။

LLM များကို အောက်ပါတို့အပါအဝင် နည်းလမ်းများစွာဖြင့် အသုံးပြုနိုင်ပါသည်။

1. တိုက်ရိုက်အသုံးချခြင်း- စာသားဖန်တီးခြင်း သို့မဟုတ် လုပ်ဆောင်ခြင်းအတွက် ကြိုတင်လေ့ကျင့်ထားသော LLM ကို အသုံးပြုရုံသာ။ ဥပမာအားဖြင့်၊ GPT-4 ကို အသုံးပြု၍ ဘလော့ဂ်ပို့စ်တစ်ခု ရေးရာတွင် မည်သည့် ထပ်ဆင့် ချိန်ညှိမှုမျှ မလိုအပ်ပါ။
2. Fine-Tuning- သတ်မှတ်ထားသောအလုပ်အတွက် ကြိုတင်လေ့ကျင့်ထားသော LLM ကို လိုက်လျောညီထွေဖြစ်အောင်၊ လွှဲပြောင်းသင်ယူခြင်းဟုခေါ်သော နည်းလမ်းတစ်ခု။ ဥပမာတစ်ခုသည် သီးခြားစက်မှုလုပ်ငန်းတစ်ခုရှိ စာရွက်စာတမ်းများအတွက် အကျဉ်းချုပ်များထုတ်ပေးရန် T5 ကို စိတ်ကြိုက်ပြင်ဆင်ခြင်းဖြစ်လိမ့်မည်။
3. အချက်အလက်ပြန်လည်ရယူခြင်း- BERT သို့မဟုတ် GPT ကဲ့သို့သော LLMs များကို အသုံးပြု၍ သတင်းအချက်အလက်များကို ရယူ၍ အမျိုးအစားခွဲနိုင်သည့် စနစ်များကို ဖွံ့ဖြိုးတိုးတက်စေရန် ပိုမိုကြီးမားသော ဗိသုကာလက်ရာများ၏ တစ်စိတ်တစ်ပိုင်းအဖြစ် အသုံးပြုခြင်း။

Multi-head အာရုံစူးစိုက်မှု- သင်အများကြီးရနိုင်တဲ့အခါ ဘာကြောင့်

သို့သော် အာရုံစူးစိုက်မှု ယန္တရားတစ်ခုတည်းကို အားကိုးခြင်းသည် ကန့်သတ်ချက်ရှိနိုင်သည်။ စာသားတစ်ခုရှိ မတူညီသော စကားလုံးများ သို့မဟုတ် အစီအစဥ်များသည် သက်ဆိုင်မှု သို့မဟုတ် ဆက်စပ်မှု အမျိုးမျိုးရှိနိုင်သည်။ ဤနေရာတွင် ဦးခေါင်းများစွာ အာရုံစူးစိုက်မှု ဝင်လာပါသည်။ အာရုံစူးစိုက်မှု အလေးများအစား၊ ဦးခေါင်းပေါင်းစုံ အာရုံစူးစိုက်မှု အစုများစွာကို အသုံးပြုပြီး မော်ဒယ်အား ထည့်သွင်းစာသားတွင် ပိုမိုကြွယ်ဝသော ဆက်ဆံရေးမျိုးစုံကို ဖမ်းယူနိုင်စေပါသည်။ အာရုံစူးစိုက်မှု "ဦးခေါင်း" တစ်ခုစီသည် ထည့်သွင်းမှု၏ မတူညီသော အစိတ်အပိုင်းများ သို့မဟုတ် ရှုထောင့်များကို အာရုံစိုက်နိုင်ပြီး ၎င်းတို့၏ ပေါင်းစပ်အသိပညာကို နောက်ဆုံးခန့်မှန်းမှုအတွက် အသုံးပြုပါသည်။

ChatGPT- လူကြိုက်အများဆုံး Generative AI ကိရိယာ

2018 ခုနှစ်တွင် GPT စတင်တည်ထောင်ချိန်မှစတင်၍ မော်ဒယ်ကို အလွှာ 12 ခု၊ အာရုံစူးစိုက်မှုဦးခေါင်း 12 ခုနှင့် ကန့်သတ်ဘောင်သန်း 120 တို့၏ အခြေခံအုတ်မြစ်ပေါ်တွင် အခြေခံ၍ တည်ဆောက်ထားပြီး BookCorpus ဟုခေါ်သော ဒေတာအစုံကို အဓိကလေ့ကျင့်ထားသည်။ ၎င်းသည် ဘာသာစကားမော်ဒယ်များ၏ အနာဂတ်ကို အရိပ်အမြွက်ပြသပေးသည့် အထင်ကြီးစရာကောင်းသော အစပြုမှုတစ်ခုဖြစ်သည်။

2 ခုနှစ်တွင် ထုတ်ဖော်ပြသခဲ့သည့် GPT-2019 သည် အလွှာများနှင့် အာရုံစူးစိုက်မှု လေးဆတိုးလာကြောင်း ဂုဏ်ပြုခဲ့သည်။ သိသိသာသာ၊ ၎င်း၏ ကန့်သတ်ချက်အရေအတွက်သည် ၁.၅ ဘီလီယံအထိ မြင့်တက်လာခဲ့သည်။ ဤအဆင့်မြှင့်ဗားရှင်းသည် Reddit လင့်ခ်များမှ စာသား 1.5GB ကြွယ်ဝသည့် ဒေတာအတွဲ WebText မှ ၎င်း၏လေ့ကျင့်မှုကို ဆင်းသက်လာခြင်းဖြစ်သည်။

3 ခုနှစ် မေလတွင် လွှင့်တင်ခဲ့သော GPT-2020 တွင် အလွှာပေါင်း 96 ခု၊ အာရုံစူးစိုက်မှု ခေါင်းပေါင်း 96 ခု နှင့် ကြီးမားသော အတိုင်းအတာ အရေအတွက် 175 ဘီလီယံ ရှိသည်။ GPT-3 ကို သီးခြားသတ်မှတ်ထားသောအရာမှာ ၎င်း၏ ကွဲပြားသောလေ့ကျင့်ရေးဒေတာဖြစ်ပြီး၊ CommonCrawl၊ WebText၊ English Wikipedia၊ book corpora နှင့် အခြားအရင်းအမြစ်များကို ပေါင်းစပ်ပြီး စုစုပေါင်း 570 GB ရှိသည်။

ChatGPT ၏ လုပ်ဆောင်မှုများ၏ ရှုပ်ထွေးမှုများသည် အနီးကပ်စောင့်ကြပ်ထားသော လျှို့ဝှက်ချက်တစ်ခုအဖြစ် ရှိနေသေးသည်။ သို့သော်၊ 'လူ့တုံ့ပြန်မှုမှ အားကောင်းလာစေရန် သင်ယူခြင်း' (RLHF) ဟုခေါ်သည့် လုပ်ငန်းစဉ်သည် အဓိကကျသည်ဟု သိရှိရပါသည်။ အစောပိုင်း ChatGPT ပရောဂျက်မှ အစပြု၍ ဤနည်းပညာသည် GPT-3.5 မော်ဒယ်အား စာဖြင့် ညွှန်ကြားချက်များနှင့် ပိုမိုလိုက်လျောညီထွေရှိစေရန်အတွက် အရေးကြီးပါသည်။

ChatGPT ၏လေ့ကျင့်ရေးတွင် သုံးဆင့်ချဉ်းကပ်နည်း ပါဝင်သည်။

1. ကြီးကြပ်ထားသော ချိန်ညှိခြင်း- အခြေခံ GPT-3.5 မော်ဒယ်ကို ပြုပြင်ရန် လူမှရေးသားထားသော စကားပြောဆိုမှု အဝင်အထွက်များနှင့် အထွက်များကို ပြုပြင်ဖန်တီးပေးခြင်းတို့ ပါဝင်ပါသည်။
2. ဆုပေးပုံစံထုတ်ခြင်း- လူသားများသည် စကားဝိုင်း၏အကြောင်းအရာကို ထည့်သွင်းစဉ်းစားကာ ရလဒ်တစ်ခုစီကို အမှတ်ပေးသည့် ဆုမော်ဒယ်တစ်ခုကို လေ့ကျင့်ပေးရာတွင် အထောက်အကူဖြစ်စေသော အရည်အသွေးပေါ်အခြေခံ၍ မော်ဒယ်ရလဒ်အမျိုးမျိုးကို အဆင့်သတ်မှတ်သည်။
3. အားဖြည့်သင်ယူခြင်း- စကားဝိုင်းအကြောင်းအရာသည် နောက်ခံပုံစံက တုံ့ပြန်မှုကို အဆိုပြုသည့် နောက်ခံကားအဖြစ် လုပ်ဆောင်သည်။ ဤတုံ့ပြန်မှုကို ဆုပေးပုံစံဖြင့် အကဲဖြတ်ထားပြီး လုပ်ငန်းစဉ်ကို proximal policy optimization (PPO) ဟု အမည်ပေးထားသည့် အယ်လဂိုရီသမ်တစ်ခု အသုံးပြု၍ လုပ်ငန်းစဉ်ကို အကောင်းဆုံးဖြစ်အောင် ပြုလုပ်ထားသည်။

ChatGPT တွင် ၎င်းတို့၏ခြေချောင်းများကို နှစ်မြှုပ်ရုံဖြင့် ပြည့်စုံသော စတင်လမ်းညွှန်ချက်ကို တွေ့ရှိနိုင်သည်။ ဒီမှာ. ChatGPT ဖြင့် အချက်အချာကျသော အင်ဂျင်နီယာပညာကို ပိုမိုနက်ရှိုင်းစွာ နက်ရှိုင်းစွာ စူးစမ်းလေ့လာလိုပါက၊ ကျွန်ုပ်တို့တွင် ရရှိနိုင်သော နောက်ဆုံးပေါ် ခေတ်မီနည်းပညာများကို ပေါ်လွင်စေမည့် အဆင့်မြင့်လမ်းညွှန်တစ်ခုလည်း ရှိပါသည်။ChatGPT နှင့် Advanced Prompt Engineering- AI Evolution ကို မောင်းနှင်ခြင်း။'' ။

ပျံ့နှံ့မှုနှင့် ဘက်စုံမော်ဒယ်များ

VAEs နှင့် GANs ကဲ့သို့သော မော်ဒယ်များသည် pass တစ်ခုတည်းဖြင့် ၎င်းတို့၏ output များကို ထုတ်ပေးသော်လည်း၊ ထို့ကြောင့် ၎င်းတို့ထုတ်လုပ်သမျှတွင် သော့ခတ်ထားသောကြောင့် diffusion မော်ဒယ်များသည် 'သဘောတရားကို မိတ်ဆက်ခဲ့သည်။ထပ်ခါထပ်ခါ သန့်စင်ခြင်း။'။ ဤနည်းလမ်းအားဖြင့် ၎င်းတို့သည် ယခင်အဆင့်များမှ အမှားများကို ပြန်လည်ပြုပြင်ကာ ပိုမိုတောက်ပသောရလဒ်ကို တဖြည်းဖြည်း ထုတ်ပေးပါသည်။

ပျံ့လွင့်ခြင်း၏ဗဟိုချက်မှာ မော်ဒယ်များ၏ အနုပညာဖြစ်သည်။အကျင့်ပျက်ခြစားမှု" နှင့် " သန့်စင်ခြင်း " ။ ၎င်းတို့၏ လေ့ကျင့်ရေးအဆင့်တွင် ဆူညံသံအဆင့်များကို ထည့်သွင်းခြင်းဖြင့် ပုံမှန်ရုပ်ပုံတစ်ပုံသည် တဖြည်းဖြည်း ပျက်စီးနေပါသည်။ ထို့နောက် ' denoise' သို့မဟုတ် 'de-corrupt' ရန် ကြိုးပမ်းသည့် ဤဆူညံသောဗားရှင်းကို မော်ဒယ်သို့ ဖြည့်သွင်းသည်။ ဤအကြိမ်ပေါင်းများစွာဖြင့်၊ မော်ဒယ်သည် ပြန်လည်ထူထောင်ရေးတွင် ကျွမ်းကျင်လာကာ သိမ်မွေ့မှုနှင့် သိသာထင်ရှားသော ကွဲလွဲမှုများကို နားလည်လာသည်။

လေ့ကျင့်မှုအပြီးတွင် ပုံအသစ်များဖန်တီးခြင်းလုပ်ငန်းစဉ်သည် ဆန်းကြယ်သည်။ လုံး၀ ကျပန်းပြုထားသော ထည့်သွင်းမှုဖြင့် စတင်ပြီး မော်ဒယ်၏ ခန့်မှန်းချက်များကို အသုံးပြု၍ စဉ်ဆက်မပြတ် သန့်စင်ထားသည်။ ရည်ရွယ်ချက်မှာ ခြေလှမ်းအရေအတွက် အနည်းဆုံးဖြင့် ရိုးစင်းသော ရုပ်ပုံတစ်ပုံကို ရရှိရန် ရည်ရွယ်ပါသည်။ အဂတိလိုက်စားမှုအဆင့်ကို ထိန်းချုပ်ခြင်းသည် မတူညီသောအဆင့်များတွင် ဆူညံသံမည်မျှသက်ရောက်သည်ကို ထိန်းချုပ်သည့် "ဆူညံသံအချိန်ဇယား" ဖြင့် လုပ်ဆောင်သည်။ “ကဲ့သို့သော စာကြည့်တိုက်များတွင် တွေ့ရသည့်အတိုင်း အစီအစဉ်ဆွဲသူ၊ပျံ့နှံ့"၊ တည်ထောင်ထားသော အယ်လဂိုရီသမ်များအပေါ် အခြေခံ၍ ဤဆူညံသောပြန်ဆိုမှုများ၏ သဘောသဘာဝကို ညွှန်ပြသည်။

ပျံ့နှံ့မှုမော်ဒယ်များစွာအတွက် မရှိမဖြစ်လိုအပ်သော ဗိသုကာဆိုင်ရာ ကျောရိုးတစ်ခုဖြစ်သည်။ UNet- သွင်းအားစုများ၏ spatial dimension ကိုထင်ဟပ်စေသော output များလိုအပ်သောအလုပ်များအတွက် convolutional neural network တစ်ခု။ ၎င်းသည် ရုပ်ပုံနှင့်ဆိုင်သော ရလဒ်များအတွက် အဓိကအချက်အချာကျသော အရည်အသွေးမြင့်ဒေတာကို ထိန်းသိမ်းထားရန် နှိမ့်ချနမူနာယူခြင်းနှင့် နမူနာယူခြင်းအလွှာများ ရောစပ်ထားသည်။

OpenAI ၏ မျိုးဆက်သစ်မော်ဒယ်များ နယ်ပယ်ထဲသို့ ပိုမိုနက်ရှိုင်းစွာ မြှုပ်နှံခြင်း။ DALL-E2 စာသားနှင့် အမြင်အာရုံဆိုင်ရာ AI စွမ်းရည်များ ပေါင်းစပ်မှု၏ တောက်ပသော ဥပမာတစ်ခုအဖြစ် ပေါ်ထွက်လာသည်။ ၎င်းသည် သုံးဆင့်ဖွဲ့စည်းပုံကို အသုံးပြုသည်-

DALL-E 2 သည် သုံးပိုင်းဗိသုကာလက်ရာကို ပြသထားသည်။

1. Text Encoder- ၎င်းသည် စာသားအမှာစာအား ငုပ်လျှိုးနေသောနေရာတစ်ခုအတွင်း သဘောတရားထည့်သွင်းမှုအဖြစ်သို့ ပြောင်းလဲပေးသည်။ ဤမော်ဒယ်သည် မြေပြင် သုညမှ မစတင်ပါ။ ၎င်းသည် OpenAI ၏ ဆန့်ကျင်ဘက်ဘာသာစကား-ရုပ်ပုံအကြိုလေ့ကျင့်မှုကို မှီခိုအားထားခဲ့သည်။ကလစ်) ဒေတာအစုံကို ၎င်း၏အခြေခံအဖြစ်။ CLIP သည် သဘာဝဘာသာစကားကို အသုံးပြု၍ အမြင်အာရုံဆိုင်ရာ အယူအဆများကို သင်ယူခြင်းဖြင့် ရုပ်မြင်သံကြားနှင့် စာသားအချက်အလက်များကြား ပေါင်းကူးတစ်ခုအဖြစ် ဆောင်ရွက်ပါသည်။ ဆန့်ကျင်ဘက်ဆိုင်ရာ သင်ယူမှုဟု လူသိများသော ယန္တရားတစ်ခုမှတစ်ဆင့် ၎င်းသည် ရုပ်ပုံများကို ၎င်းတို့၏ သက်ဆိုင်ရာ စာသားဖော်ပြချက်များနှင့် ခွဲခြားသတ်မှတ်ပြီး ကိုက်ညီစေသည်။
2. ယခင်- ကုဒ်ဒါမှ ဆင်းသက်လာသော စာသားကို မြှပ်သွင်းပြီးနောက် မြှပ်သွင်းထားသော ရုပ်ပုံအဖြစ်သို့ ပြောင်းလဲသွားပါသည်။ DALL-E 2 သည် ဤလုပ်ငန်းအတွက် autoregressive နှင့် diffusion နည်းလမ်းနှစ်မျိုးလုံးကို စမ်းသပ်ခဲ့ပြီး နောက်ဆုံးတွင် သာလွန်သောရလဒ်များကို ပြသထားသည်။ Transformers နှင့် PixelCNN တွင်တွေ့မြင်ရသည့်အတိုင်း Autoregressive မော်ဒယ်များသည် ဆက်တိုက်ရလဒ်များကိုထုတ်ပေးသည်။ အခြားတစ်ဖက်တွင်၊ DALL-E 2 တွင်အသုံးပြုသည့်ပုံစံများကဲ့သို့ ပျံ့နှံ့မှုပုံစံများသည် စာသားထည့်သွင်းမှုများ၏အကူအညီဖြင့် ကျပန်းဆူညံသံများကို ခန့်မှန်းထားသောရုပ်ပုံလွှာများအဖြစ်သို့ ပြောင်းလဲပေးပါသည်။
3. ကုဒ်ဆွဲသူ- လုပ်ငန်းစဉ်၏ အထွတ်အထိပ်၊ ဤအပိုင်းသည် စာသားအမှာစာနှင့် ယခင်အဆင့်မှ ထည့်သွင်းထားသည့် ရုပ်ပုံအပေါ်အခြေခံ၍ နောက်ဆုံးမြင်ယောင်မှုအထွက်ကို ထုတ်ပေးသည်။ DALL.E 2 ၏ ဒီကုဒ်ဒါသည် ၎င်း၏ဗိသုကာလက်ရာကို အခြားမော်ဒယ်သို့ ပေးဆောင်သည်၊ ဝဲပျံစာသားအညွှန်းများမှ လက်တွေ့ဆန်သော ရုပ်ပုံများကိုလည်း ထုတ်လုပ်နိုင်သည်။

Python အသုံးပြုသူများ စိတ်ဝင်စားသည်။ Langchain အခြေခံမှသည် အဆင့်မြင့်နည်းပညာများအထိ အရာအားလုံးကို အကျုံးဝင်သည့် ကျွန်ုပ်တို့၏အသေးစိတ်သင်ခန်းစာကို ကြည့်ရှုသင့်သည်။

Generative AI ၏အသုံးချမှုများ

Textual Domains

စာသားဖြင့်အစပြု၍ Generative AI သည် chatbots ကဲ့သို့သော အခြေခံကျကျ ပြောင်းလဲခဲ့သည်။ GPT ချတ်. Natural Language Processing (NLP) နှင့် ကြီးမားသောဘာသာစကားပုံစံများ (LLMs) တို့ကို မှီခိုအားထားကာ၊ ဤအရာများသည် ကုဒ်ထုတ်လုပ်ခြင်းနှင့် ဘာသာစကားဘာသာပြန်ခြင်းမှ အကျဉ်းချုပ်နှင့် ခံစားချက်ခွဲခြမ်းစိတ်ဖြာခြင်းအထိ လုပ်ဆောင်ရန် အခွင့်အာဏာရှိသည်။ ဥပမာ၊ ChatGPT သည် ကျယ်ကျယ်ပြန့်ပြန့် မွေးစားခြင်းကို တွေ့မြင်ရပြီး သန်းပေါင်းများစွာအတွက် အဓိကဖြစ်လာသည်။ ၎င်းကို GPT-4 ကဲ့သို့ LLM များတွင် အခြေခံထားသော စကားပြောဆိုနိုင်သော AI ပလပ်ဖောင်းများဖြင့် ထပ်မံတိုးချဲ့ထားသည်။ PaLMနှင့် Bloomစာသားကို မစိုက်ထုတ်ဘဲ ပရိုဂရမ်ရေးဆွဲရာတွင် အထောက်အကူဖြစ်ပြီး သင်္ချာဆိုင်ရာ ကျိုးကြောင်းဆင်ခြင်မှုကိုပင် ပံ့ပိုးပေးသည်။

စီးပွားဖြစ်ရှုထောင့်မှကြည့်လျှင် ဤမော်ဒယ်များသည် တန်ဖိုးမဖြတ်နိုင်သော အရာများဖြစ်လာသည်။ လုပ်ငန်းများသည် စွန့်စားစီမံခန့်ခွဲမှု၊ စာရင်းပိုကောင်းအောင်ပြုလုပ်ခြင်းနှင့် ကြိုတင်ခန့်မှန်းခြင်းတောင်းဆိုချက်များ အပါအဝင် လုပ်ငန်းပေါင်းမြောက်များစွာအတွက် ၎င်းတို့အား အသုံးချသည်။ အချို့သော ထင်ရှားသော ဥပမာများမှာ Bing AI၊ Google ၏ BARD နှင့် ChatGPT API တို့ ပါဝင်သည်။

အတတ်ပညာ

အထူးသဖြင့် DALL-E 2 ကို 2022 ခုနှစ်တွင် မိတ်ဆက်ပြီးကတည်းက Generative AI ဖြင့် ရုပ်ပုံလောကသည် သိသိသာသာ ပြောင်းလဲမှုများကို မြင်တွေ့ခဲ့ရသည်။ ဤနည်းပညာသည် စာသားပိုင်းဆိုင်ရာ အချက်ပြမှုများမှ ပုံများကို ဖန်တီးပေးနိုင်သည့် အနုပညာနှင့် ပရော်ဖက်ရှင်နယ် သက်ရောက်မှုများ နှစ်မျိုးလုံးရှိသည်။ ဥပမာအားဖြင့်၊ Midjourney သည် အထင်ကြီးလောက်သော လက်တွေ့ဆန်သော ရုပ်ပုံများကို ထုတ်လုပ်ရန် ဤနည်းပညာကို အသုံးချခဲ့သည်။ အခုလတ်တလောပို့စ် Midjourney ကို demystifies အသေးစိတ်လမ်းညွှန်တစ်ခုတွင်၊ ပလပ်ဖောင်းနှင့်၎င်း၏အချက်ပြအင်ဂျင်နီယာဆိုင်ရာရှုပ်ထွေးမှုများနှစ်ခုလုံးကိုရှင်းလင်းစွာဖော်ပြထားသည်။ ထို့အပြင်၊ Alpaca AI နှင့် Photoroom AI ကဲ့သို့သော ပလပ်ဖောင်းများသည် နောက်ခံဖယ်ရှားခြင်း၊ အရာဝတ္တုဖျက်ခြင်းနှင့် မျက်နှာပြန်လည်ပြုပြင်ခြင်းကဲ့သို့သော အဆင့်မြင့်ရုပ်ပုံတည်းဖြတ်ခြင်းလုပ်ဆောင်ချက်များအတွက် Generative AI ကို အသုံးပြုပါသည်။

ဗီဒီယိုထုတ်လုပ်ခြင်း

ဗီဒီယိုထုတ်လုပ်မှုသည် Generative AI နယ်ပယ်တွင် အခြေတည်သည့်အဆင့်တွင်ရှိသော်လည်း အလားအလာကောင်းသောတိုးတက်မှုများကို ပြသနေသည်။ Imagen Video၊ Meta Make A Video နှင့် Runway Gen-2 ကဲ့သို့သော ပလပ်ဖောင်းများသည် အမှန်တကယ် လက်တွေ့ဆန်သော ရလဒ်များ မိုးကုပ်စက်ဝိုင်းပေါ်တွင် ရှိနေသေးသော်လည်း ဖြစ်နိုင်သည့်အရာများ၏ နယ်နိမိတ်များကို တွန်းပို့နေသည်။ ဤမော်ဒယ်များသည် Synthesia နှင့် SuperCreator ကဲ့သို့ အပလီကေးရှင်းများဖြင့် ဒစ်ဂျစ်တယ်လူ့ဗီဒီယိုများဖန်တီးရန်အတွက် အသုံးဝင်မှုများစွာကို ပေးဆောင်ထားပါသည်။ ထင်ရှားသည်မှာ၊ Tavus AI သည် စီးပွားရေးလုပ်ငန်းများအတွက် အကျိုးကျေးဇူးတစ်ခုဖြစ်သည့် ပရိသတ်တစ်ဦးချင်းစီအတွက် ဗီဒီယိုများကို စိတ်ကြိုက်ပြုလုပ်ခြင်းဖြင့် ထူးခြားသောရောင်းချမှုအဆိုပြုချက်ကို ပေးဆောင်ပါသည်။

ကုဒ်ဖန်တီးမှု

ကျွန်ုပ်တို့၏ ဒစ်ဂျစ်တယ်ကမ္ဘာ၏ မရှိမဖြစ်လိုအပ်သော အသွင်အပြင်ဖြစ်သော Coding သည် Generative AI ဖြင့် မထိမခိုက်ကျန်ရစ်ခဲ့ပါ။ ChatGPT သည် လူကြိုက်များသော tool တစ်ခုဖြစ်သော်လည်း၊ အခြားသော AI အပလီကေးရှင်းများစွာကို coding ရည်ရွယ်ချက်အတွက် ဖန်တီးထားသည်။ GitHub Copilot၊ Alphacode နှင့် CodeComplete ကဲ့သို့သော ဤပလပ်ဖောင်းများသည် coding assistant အဖြစ် ဆောင်ရွက်ကြပြီး စာသားအမှာစာများမှ ကုဒ်များကိုပင် ထုတ်လုပ်နိုင်သည်။ အံ့သြစရာကောင်းတာက ဒီကိရိယာတွေရဲ့ လိုက်လျောညီထွေရှိမှုပါပဲ။ GitHub Copilot ၏ နောက်ကွယ်မှ မောင်းနှင်အားဖြစ်သော Codex သည် Generative AI ၏ စိတ်ကြိုက်ဖြစ်နိုင်ချေကို မီးမောင်းထိုးပြကာ တစ်ဦးချင်းစီ၏ ကုဒ်ပုံစံနှင့် အံဝင်ခွင်ကျဖြစ်စေနိုင်သည်။

ChatGPT ကဲ့သို့သော ကိရိယာများ ပိုမိုသုံးစွဲနိုင်လာသည်နှင့်အမျှ၊ ယခုအချိန်သည် ရေကိုစမ်းသပ်ရန်နှင့် စမ်းသပ်ရန် အကောင်းဆုံးအချိန်ဖြစ်သည်။ သင်သည် အနုပညာရှင်၊ ကုဒ်ဒါ သို့မဟုတ် နည်းပညာကို နှစ်သက်သူဖြစ်စေ Generative AI နယ်ပယ်သည် စူးစမ်းရန်စောင့်ဆိုင်းရန် အလားအလာများနှင့် ပြည့်နှက်နေသည်။ တော်လှန်ရေးသည် မိုးကုပ်စက်ဝိုင်းပေါ်တွင် မရှိပါ။ ဒီမှာရော အခုပဲလား။ ဒါဆို ဒိုင်ဗင်ထိုးပါ။