尝试解释人工智能：人工智能如何工作和发挥作用——它是如何训练的？

语言选择 📢

发表于：2024年9月8日 /更新，发表于：2024年9月9日 - 作者： Konrad Wolfenstein

试图解释人工智能：人工智能如何工作以及如何训练？ – 图片：Xpert.Digital

📊从数据输入到模型预测：AI流程

人工智能 (AI) 是如何运作的？ 🤖

人工智能 (AI) 的工作原理可以分为几个明确定义的步骤。这些步骤中的每一个对于人工智能交付的最终结果都至关重要。该过程从数据输入开始，以模型预测和可能的反馈或进一步的训练结束。这些阶段描述了几乎所有人工智能模型都会经历的过程，无论它们是简单的规则集还是高度复杂的神经网络。

1. 数据输入📊

所有人工智能的基础是它所使用的数据。该数据可以采用多种形式，例如图像、文本、音频文件或视频。人工智能使用这些原始数据来识别模式并做出决策。数据的质量和数量在这里起着核心作用，因为它们对模型以后的运行效果有重大影响。

数据越广泛、越精确，人工智能就能学得越好。例如，当人工智能接受图像处理训练时，它需要大量图像数据才能正确识别不同的物体。通过语言模型，文本数据可以帮助人工智能理解和生成人类语言。数据输入是第一步，也是最重要的步骤之一，因为预测的质量只能与基础数据一样好。计算机科学中的一个著名原理用“垃圾输入，垃圾输出”来描述这一点——坏数据会导致坏结果。

2.数据预处理🧹

输入数据后，需要先对其进行准备，然后才能将其输入到实际模型中。这个过程称为数据预处理。这里的目的是将数据放入模型可以最佳处理的形式。

预处理的一个常见步骤是数据标准化。这意味着将数据带入统一的值范围，以便模型均匀地对待它。一个例子是将图像的所有像素值缩放到 0 到 1 的范围，而不是 0 到 255。

预处理的另一个重要部分是所谓的特征提取。从原始数据中提取与模型特别相关的某些特征。例如，在图像处理中，这可能是边缘或某些颜色图案，而在文本中，则提取相关关键字或句子结构。预处理对于使人工智能的学习过程更加高效和精确至关重要。

3. 模型🧩

该模型是每个人工智能的核心。这里根据算法和数学计算对数据进行分析和处理。模型可以以不同的形式存在。最著名的模型之一是神经网络，它基于人脑的工作方式。

神经网络由多层处理和传递信息的人工神经元组成。每一层都获取前一层的输出并进一步处理它们。神经网络的学习过程包括调整这些神经元之间连接的权重，以便网络能够做出越来越准确的预测或分类。这种适应是通过训练发生的，在训练中网络访问大量样本数据并迭代地改进其内部参数（权重）。

除了神经网络之外，人工智能模型中还使用了许多其他算法。其中包括决策树、随机森林、支持向量机等等。使用哪种算法取决于具体任务和可用数据。

4. 模型预测🔍

用数据训练模型后，它就能够做出预测。这一步称为模型预测。人工智能接收输入并返回输出，即根据迄今为止学到的模式进行预测或决策。

这种预测可以采取不同的形式。例如，在图像分类模型中，人工智能可以预测图像中哪个对象是可见的。在语言模型中，它可以预测句子中下一个出现的单词。在金融预测中，人工智能可以预测股市的表现。

需要强调的是，预测的准确性在很大程度上取决于训练数据和模型架构的质量。根据不充分或有偏差的数据训练的模型可能会做出错误的预测。

5.反馈和培训（可选）♻️

人工智能工作的另一个重要部分是反馈机制。该模型会定期检查并进一步优化。此过程发生在训练期间或模型预测之后。

如果模型做出错误的预测，它可以通过反馈学习来检测这些错误并相应地调整其内部参数。这是通过将模型预测与实际结果（例如，与已经存在正确答案的已知数据）进行比较来完成的。在这种情况下，一个典型的过程是所谓的监督学习，其中人工智能从已经提供正确答案的示例数据中学习。

反馈的常见方法是神经网络中使用的反向传播算法。模型产生的误差通过网络向后传播，以调整神经元连接的权重。该模型从错误中吸取教训，预测变得越来越准确。

训练的作用🏋️‍♂️

训练人工智能是一个迭代过程。模型看到的数据越多，基于这些数据进行训练的次数越多，其预测就越准确。然而，也存在局限性：过度训练的模型可能会出现所谓的“过度拟合”问题。这意味着它对训练数据的记忆非常好，以至于在新的未知数据上产生更糟糕的结果。因此，训练模型非常重要，以便它即使在新数据上也能进行概括并做出良好的预测。

除了常规训练之外，还有迁移学习等程序。在这里，已经经过大量数据训练的模型被用于新的类似任务。这节省了时间和计算能力，因为模型不必从头开始训练。

充分发挥你的优势🚀

人工智能的工作基于各个步骤的复杂交互。从数据录入、预处理、模型训练、预测和反馈，影响人工智能准确性和效率的因素有很多。训练有素的人工智能可以在生活的许多领域提供巨大的好处——从自动化简单的任务到解决复杂的问题。但为了充分利用人工智能的优势，了解人工智能的局限性和潜在陷阱也同样重要。

🤖📚 简单解释一下：AI是如何训练的？

🤖📊 AI学习过程：捕捉、链接、保存

单个术语“ stuttgart”图像的AI神经元网络图的简单示例 - 图像：xpert.digital

🌟收集和准备数据

AI学习过程的第一步是收集和准备数据。这些数据可以来自各种来源，例如数据库、传感器、文本或图像。

🌟 关联数据（神经网络）

收集的数据在神经网络中彼此相关。每个数据包由“神经元”网络（节点）网络中的连接显示。斯图加特市的一个简单例子看起来像这样：

a) 斯图加特是巴登-符腾堡州的一座城市
b) 巴登-符腾堡州是德国的一个联邦州
c) 斯图加特是德国的一座城市
d) 斯图加特在 2023 年的人口为 633,484
e) 巴特坎施塔特是斯图加特的一个区
f)巴特坎施塔特 (Bad Cannstatt) 由罗马人建立
g) 斯图加特 (Stuttgart) 是巴登-符腾堡州 (Baden-Württemberg) 州首府

根据数据量的大小，使用所使用的人工智能模型创建潜在费用的参数。举个例子：GPT-3 大约有 1750 亿个参数！

🌟 存储和定制（学习）

数据被馈送到神经网络。它们通过人工智能模型并通过连接（类似于突触）进行处理。调整神经元之间的权重（参数）以训练模型或执行任务。

与传统的内存形式（例如直接访问，指示访问，顺序或堆栈存储）相反，神经网络以非常规的方式存储数据。 “数据”存储在神经元之间连接的权重和偏见中。

神经元网络中信息的实际“存储”是通过调整神经元之间的连接权重来进行的。 AI模型通过根据输入数据和定义的学习算法不断调整这些权重和偏见来“学习”。这是一个连续的过程，模型可以由于经常性调整而进行精确的预测。

AI模型可以被认为是一种编程，因为它是通过定义的算法和数学计算创建的，并不断改进其参数（权重）的调整以做出准确的预测。这是一个持续的过程。

偏差是神经网络中添加到神经元加权输入值中的附加参数。它们允许对参数进行加权（重要、不太重要、重要等），使 AI 更加灵活和准确。

神经网络不仅可以存储个体事实，还可以通过模式识别来识别数据之间的联系。斯图加特的例子说明了如何将知识引入神经网络，但神经网络不是通过显性知识（如这个简单的例子）来学习，而是通过数据模式分析来学习。神经网络不仅可以存储单个事实，还可以学习输入数据之间的权重和关系。

该流程以易于理解的方式介绍了人工智能和神经网络的具体工作原理，而无需深入探讨技术细节。它表明神经网络中信息的存储并不是像传统数据库那样完成的，而是通过调整网络内的连接（权重）来完成的。

🤖📚 更详细：人工智能是如何训练的？

🏋️‍♂️ 训练人工智能，尤其是机器学习模型，需要几个步骤。训练人工智能的基础是通过反馈和调整不断优化模型参数，直到模型在所提供的数据上显示出最佳性能。以下是此过程如何工作的详细说明：

1. 📊收集和准备数据

数据是AI训练的基础。它们通常由数千或数百万个示例组成，供系统分析。例如图像、文本或时间序列数据。

数据必须经过清理和标准化，以避免不必要的错误源。通常，数据会被转换为包含相关信息的特征。

2. 🔍定义模型

模型是描述数据关系的数学函数。在常用于人工智能的神经网络中，模型由连接在一起的多层神经元组成。

每个神经元执行数学运算来处理输入数据，然后将信号传递给下一个神经元。

3. 🔄初始化权重

神经元之间的连接具有最初随机设置的权重。这些权重决定神经元对信号的响应强度。

训练的目标是调整这些权重，以便模型做出更好的预测。

4.➡️前向传播

前向传递将输入数据传递通过模型以产生预测。

每一层处理数据并将其传递到下一层，直到最后一层交付结果。

5. ⚖️计算损失函数

损失函数衡量模型的预测与实际值（标签）相比的好坏程度。常见的衡量标准是预测响应与实际响应之间的误差。

损失越高，模型的预测就越差。

6. 🔙反向传播

在后向传递中，误差从模型的输出反馈到前面的层。

将误差重新分配给连接的权重，模型调整权重以使误差变小。

这是使用梯度下降来完成的：计算梯度向量，它指示应如何改变权重以最小化误差。

7. 🔧更新权重

计算出误差后，根据学习率进行小幅调整来更新连接的权重。

学习率决定了每一步权重的变化量。变化太大会使模型不稳定，变化太小会导致学习过程缓慢。

8.🔁重复（纪元）

重复前向传递、误差计算和权重更新的过程，通常会重复多个时期（遍历整个数据集），直到模型达到可接受的精度。

在每个时期，模型都会学习更多知识并进一步调整其权重。

9. 📉 验证和测试

模型训练完成后，将在经过验证的数据集上进行测试，以检查其泛化程度。这确保了它不仅“记住”了训练数据，而且对未知数据做出了良好的预测。

测试数据有助于在实际使用之前衡量模型的最终性能。

10. 🚀 优化

改进模型的其他步骤包括超参数调整（例如调整学习率或网络结构）、正则化（以避免过度拟合）或增加数据量。

📊🔙人工智能：通过可解释的人工智能（XAI）、热图、代理模型或其他解决方案使人工智能的黑匣子变得易于理解、理解和解释

人工智能：通过可解释的人工智能 (XAI)、热图、代理模型或其他解决方案使人工智能的黑匣子变得易于理解、易于理解和解释 - 图片：Xpert.Digital

所谓的人工智能（AI）“黑匣子”代表了当前的一个重大问题，即使是专家也常常面临着无法完全理解人工智能系统如何做出决策的挑战。缺乏透明度可能会导致严重问题，特别是在经济、政治或医学等关键领域。依靠人工智能系统进行诊断和推荐治疗的医生或医疗专业人员必须对所做的决定充满信心。然而，如果人工智能的决策不够透明，在人类生命可能受到威胁的情况下，就会出现不确定性和潜在的缺乏信任。

更多相关信息请点击这里：