Mallin opetus

Mallin opetus

Generatiivinen tekoäly ei synny tyhjästä. Sen ytimessä on mallin opetus eli koulutusprosessi, jossa tekoälylle opetetaan kieltä, sisältöä ja käyttäytymismalleja esimerkkiaineiston avulla.

Tämä koulutusvaihe määrittää, mitä malli osaa, miten se vastaa ja mitä se ei tiedä. Opetuksessa käytetty data, käytetyt menetelmät ja mallin avoimuus vaikuttavat suoraan siihen, mihin mallia voi käyttää.

Tällä sivulla pohjustetaan aiheita, jotka liittyvät siihen miten kielimalleja opetetaan ja kehitetään edelleen. Alasivuilla käsitellään muun muassa seuraavia teemoja:

• Supervised learning (valvottu oppiminen)
  Malli oppii, kun sille näytetään esimerkkejä syötteistä ja oikeista vastauksista. Tämä on perinteinen ja tarkasti ohjattu tapa opettaa tekoälyä.

• Unsupervised learning (valvomaton oppiminen)
  Malli löytää itse rakenteita datasta ilman valmiita vastauksia. Tätä käytetään usein suurien kielimallien pohjaopetuksessa.

• Fine-tuning
  Mallia hienosäädetään valmiin perusmallin päälle pienemmällä ja kohdennetulla datalla. Tämä tehdään usein, kun halutaan malli tiettyyn käyttötarkoitukseen, esimerkiksi asiakaspalveluun tai lääketieteeseen.

• RFT (Reinforcement Learning from Human Feedback)
  Mallia ohjataan ihmisten palautteen perusteella. Näin mallin vastauksista tehdään luonnollisempia, kohteliaampia tai turvallisempia.

• Mallien avoimuus: Avoimet vs Suljetut mallit. 

Ymmärtämällä mallin opetuksen perusperiaatteet voit paremmin arvioida, mihin tarkoitukseen jokin malli soveltuu, miten luotettava sen vastaus on, ja mitä siihen voi tai ei voi itse vaikuttaa.