tech
ChatGPT या नावाच्या शेवटची तीन अक्षरे ते कसे काम करते हे सुचवतात: आधी प्रचंड मजकुरातून शिकले, मग एका विशेष प्रकारच्या न्यूरल नेटवर्कवर उत्तरे तयार करते.
जीपीटी म्हणजे "जनरेटिव्ह प्री-ट्रेन्ड ट्रान्सफॉर्मर" (Generative Pre-trained Transformer): "जनरेटिव्ह" म्हणजे तो केवळ अस्तित्वात असलेला मजकूर वर्गीकृत करण्याऐवजी नवा मजकूर तयार करतो, "प्री-ट्रेन्ड" म्हणजे तो सूक्ष्मसमायोजनापूर्वी प्रचंड डेटावरून प्रथम सर्वसाधारण भाषिक आकृतिबंध शिकतो, आणि "ट्रान्सफॉर्मर" म्हणजे अटेन्शन यंत्रणेभोवती बांधलेली ती न्यूरल नेटवर्क रचना, ज्यामुळे मोठ्या प्रमाणावरील भाषा-मॉडेलिंग व्यवहार्य झाले.
"जनरल पर्पज टेक्नॉलॉजी" आणि "ग्लोबल पर्सनल टूल" ही G, P, T या अक्षरांशी जुळतात, पण त्यातील कोणतीही या संक्षिप्त रूपामागील खरा अर्थ दर्शवत नाही, जो मॉडेलच्या जनरेटिव्ह स्वभाव, प्रशिक्षण पद्धत व रचनेकडे निर्देश करतो.
जीपीटीच्या आधारभूत ट्रान्सफॉर्मर रचनेचा शोध चॅटजीपीटी प्रकाशित होण्याच्या अवघ्या काही वर्षे आधी लागला, आणि तेव्हापासून ती केवळ ओपनएआयच्याच नव्हे तर बहुतांश प्रमुख भाषा-मॉडेल्सचा पाया बनली आहे.
tech
अशा चॅटबॉटपेक्षा "एआय एजंट" मूलभूतपणे वेगळा कशामुळे ठरतो?"मशीन लर्निंग" म्हणजे काय?सॉफ्टवेअर "ओपन सोर्स" असणे म्हणजे काय?सोप्या शब्दांत "ब्लॉकचेन" म्हणजे काय?क्लाउड कंप्युटिंगमध्ये "क्लाउड" म्हणजे काय?एआयमधील "न्यूरल नेटवर्क" ढोबळमानाने कशाच्या धर्तीवर बनवले आहे?"NFT" काय दर्शवतो?सॉफ्टवेअरमध्ये "API" म्हणजे काय?"ट्युरिंग चाचणी" काय मोजते?"कॉम्प्युटर व्हिजन" म्हणजे काय?"प्रॉम्प्ट इंजिनिअरिंग" म्हणजे काय?एआयमध्ये „LLM” म्हणजे काय?Quration — Quration Play