Τι είναι η αρνητική προτροπή;
![Τι είναι η αρνητική προτροπή;](/wp-content/uploads/tend-ncia/2979/z1pbbfl2b3.jpg)
Πίνακας περιεχομένων
Τι είναι η αρνητική προτροπή ή η αρνητική προτροπή; Η αρνητική προτροπή στην Τεχνητή Νοημοσύνη (ΤΝ) είναι μια οδηγία κειμένου που παρέχεται από τον χρήστη στο λογισμικό, την εφαρμογή ή την απεικόνιση για την αποφυγή της χρήσης ορισμένων χαρακτηριστικών κατά τη δημιουργία περιεχομένου, ώστε να μη δημιουργούνται ανεπιθύμητα ή εκτός πλαισίου αποτελέσματα.
Αυτές οι αρνητικές προτροπές χρησιμοποιούνται για να διδάξουν στην τεχνητή νοημοσύνη τι δεν πρέπει να κάνει ή να πει, προκειμένου να διασφαλιστεί ότι θα παράγει πιο ακριβή και σχετικά αποτελέσματα. Ένα παράδειγμα χρήσης μιας αρνητικής προτροπής στην απεικόνιση είναι όταν θέλουμε να δημιουργήσουμε εικόνες ενός συγκεκριμένου αντικειμένου, αλλά θέλουμε να αποκλείσουμε ορισμένα συγκεκριμένα χαρακτηριστικά του αντικειμένου αυτού.
![](/wp-content/uploads/tend-ncia/2979/z1pbbfl2b3.jpg)
Για παράδειγμα, αν θέλουμε να δημιουργήσουμε εικόνες αυτοκινήτων, αλλά θέλουμε να εμποδίσουμε το μοντέλο τεχνητής νοημοσύνης να δημιουργήσει αυτοκίνητα με συγκεκριμένα χρώματα, όπως πράσινο ή μοβ. Σε αυτή την περίπτωση, μπορούμε να χρησιμοποιήσουμε μια αρνητική προτροπή για να δώσουμε εντολή στο μοντέλο τεχνητής νοημοσύνης να μην συμπεριλάβει αυτά τα χρώματα στις εικόνες που θα δημιουργηθούν.
![](/wp-content/uploads/tend-ncia/2979/z1pbbfl2b3.webp)
Για να δημιουργήσουμε αυτές τις αρνητικές προτροπές, μπορούμε να εκπαιδεύσουμε το μοντέλο τεχνητής νοημοσύνης με ένα σύνολο εικόνων αυτοκινήτων και να τις επισημάνουμε με τα χρώματα που δεν θέλουμε να συμπεριλάβουμε. Αυτό βοηθά το μοντέλο να καταλάβει ότι αυτά τα χρώματα δεν είναι επιθυμητά στις παραγόμενες εικόνες.
Ένα άλλο παράδειγμα είναι η δημιουργία εικόνων προσώπου, όπου μπορούμε να χρησιμοποιήσουμε αρνητικές υποδείξεις για να καθοδηγήσουμε το μοντέλο τεχνητής νοημοσύνης να αποφύγει τη δημιουργία ανεπιθύμητων χαρακτηριστικών, όπως ουλές ή σημάδια.
Για να το κάνουμε αυτό, μπορούμε να παρέχουμε στο μοντέλο παραδείγματα εικόνων προσώπων με αυτά τα χαρακτηριστικά και να τα χαρακτηρίσουμε ως "ανεπιθύμητα". Το μοντέλο τεχνητής νοημοσύνης θα μάθει να αποφεύγει τη δημιουργία αυτών των χαρακτηριστικών στις παραγόμενες εικόνες.
![](/wp-content/uploads/tend-ncia/2979/z1pbbfl2b3.jpeg)
Ο απεικονιστής Lexica διαθέτει ένα ειδικό πλαίσιο διαλόγου για την εισαγωγή των αρνητικών προτροπών
Οι αρνητικές προτροπές μπορούν να χρησιμοποιηθούν σε διάφορες εφαρμογές τεχνητής νοημοσύνης, όπως στην ταξινόμηση εικόνων, στη γλωσσική μετάφραση και στην ανάλυση συναισθήματος. Σε πολλές περιπτώσεις, βοηθούν στην αποφυγή αποτελεσμάτων που δεν είναι σχετικά ή που μπορεί να θεωρηθούν προσβλητικά ή ακατάλληλα. Για παράδειγμα, αν δημιουργούμε ένα μοντέλο chatbot για μια εταιρεία που πουλάει vegan προϊόντα, μπορούμε να χρησιμοποιήσουμεαρνητικές προτροπές για να αποτρέψετε το ρομπότ από το να προτείνει προϊόντα με ζωικά συστατικά.
Ένα άλλο παράδειγμα είναι η γλωσσική μετάφραση. Ας υποθέσουμε ότι εκπαιδεύουμε ένα μοντέλο τεχνητής νοημοσύνης για να μεταφράζει κείμενα από τα αγγλικά στα πορτογαλικά, αλλά θέλουμε να το εμποδίσουμε να μεταφράζει χυδαίους όρους ή βρισιές.
Δείτε επίσης: Francesca Woodman: αθέατες και ανέκδοτες φωτογραφίες μιας από τις πιο σαγηνευτικές φωτογράφους του 20ού αιώναΣε αυτή την περίπτωση, μπορούμε να παρέχουμε αρνητικές προτροπές που καθοδηγούν το μοντέλο να μην μεταφράσει αυτές τις λέξεις και αντ' αυτού να παρέχει μια κατάλληλη μετάφραση ή απλώς να παραλείψει τη λέξη. Αυτές οι αρνητικές προτροπές βοηθούν να διασφαλιστεί ότι η μετάφραση είναι ακριβής και κατάλληλη για το κοινό-στόχο.
Πώς να χρησιμοποιήσετε μια αρνητική προτροπή στην τεχνητή νοημοσύνη;
Για να χρησιμοποιηθούν αρνητικές προτροπές στην ΤΝ, είναι απαραίτητο να προσδιοριστούν τα αποτελέσματα που πρέπει να αποφευχθούν και να δημιουργηθεί ένας κατάλογος λέξεων ή φράσεων που θα μπορούσαν να οδηγήσουν σε αυτά τα αποτελέσματα. Αυτές οι αρνητικές προτροπές μπορούν στη συνέχεια να προστεθούν στον αλγόριθμο ή το μοντέλο ΤΝ, προκειμένου να αποτραπεί το σύστημα από το να παράγει αποτελέσματα που δεν είναι επιθυμητά.
Ένα άλλο παράδειγμα χρήσης μιας αρνητικής προτροπής στην ΤΝ είναι η ταξινόμηση εικόνων. Ας υποθέσουμε ότι έχουμε μια ΤΝ εκπαιδευμένη να αναγνωρίζει ζώα σε εικόνες, αλλά θέλουμε να την εμποδίσουμε να ταξινομήσει τα κατοικίδια ζώα ως άγρια ζώα.
Σε αυτή την περίπτωση, μπορούμε να δημιουργήσουμε αρνητικές προτροπές που καθοδηγούν το μοντέλο να μην αναγνωρίζει ζώα όπως "σκύλος" ή "γάτα" ως άγρια ζώα, παρόλο που μπορεί να έχουν παρόμοια χαρακτηριστικά με άλλα άγρια ζώα, όπως λιοντάρια ή τίγρεις.
Για να δημιουργήσουμε αυτές τις αρνητικές προτροπές, μπορούμε να δώσουμε στο μοντέλο παραδείγματα εικόνων κατοικίδιων ζώων και να τις επισημάνουμε με την κατηγορία "όχι άγρια ζώα". Οι εικόνες αυτές βοηθούν το μοντέλο να κατανοήσει ότι τα ζώα αυτά δεν πρέπει να ταξινομούνται ως άγρια ζώα.
Είναι σημαντικό να θυμάστε ότι η αποτελεσματικότητα των αρνητικών προτροπών εξαρτάται από την ποιότητα των δεδομένων εκπαίδευσης και την ακρίβεια του μοντέλου τεχνητής νοημοσύνης εν γένει. Επομένως, είναι σημαντικό να παρακολουθείτε συνεχώς την απόδοση του μοντέλου και να προσαρμόζετε τις αρνητικές προτροπές ανάλογα με τις ανάγκες.
Γιατί να χρησιμοποιήσετε αρνητική προτροπή;
Οι αρνητικές υποδείξεις αποτελούν σημαντικό εργαλείο για τη διασφάλιση της ακρίβειας και της συνάφειας των αποτελεσμάτων στις εφαρμογές τεχνητής νοημοσύνης. Επιτρέπουν την εκπαίδευση του συστήματος ώστε να αποφεύγει τα ανεπιθύμητα αποτελέσματα, βελτιώνοντας τη συνολική ποιότητα των παραγόμενων αποτελεσμάτων.
Δείτε επίσης: Η LG λανσάρει κινητό τηλέφωνο με 3 κάμερες και νέα κάμερα με εγγραφή 360°Ωστόσο, είναι σημαντικό να θυμάστε ότι η σωστή εφαρμογή των αρνητικών προτροπών απαιτεί τεχνικές γνώσεις και δεξιότητες επιστήμης δεδομένων. Επομένως, εάν σκέφτεστε να χρησιμοποιήσετε αρνητικές προτροπές στα έργα τεχνητής νοημοσύνης σας, συνιστάται να συμβουλευτείτε ειδικούς σε θέματα τεχνητής νοημοσύνης για σωστή καθοδήγηση.