Page 35 - Izobraževanje v dobi generativne umetne inteligence

Pedagoški temelji uporabe generativne umetne inteligence v izobraževanju

panje za usposabljanje. Učijo se stisnjenih predstavitev vhodnih podat-
kov in ustvarjajo nove vzorce z vzorčenjem iz naučenega latentnega
prostora. Ta model izstopa predvsem pri zmožnosti ustvarjanja fotore-
alističnih slik.
2. Generativna kontradiktorna omrežja (angl. generative adversarial
networks – GAN) so sestavljena iz generatorja in diskriminatorja. Na-
učena so za kontradiktornost, pri čemer generator generira sintetične
vzorce, da preslepi diskriminatorja. GAN-i so odlični pri generiranju re-
alističnih in raznolikih podatkov.
3. Difuzijski modeli vključujejo dva koraka: korak dodajanja šuma, ki mu
sledi korak odpravljanja šuma. Iterativno izboljšajo šumne vhode za
ustvarjanje visokokakovostnih vzorcev. Usposabljanje modela vključu-
je učenje dinamike difuzijskega procesa.
4. Transformatorji uporabljajo arhitekturo kodirnika–dekodirnika in me-
hanizme samopozornosti za zajemanje globalnih odvisnosti. Običajno
se uporabljajo pri nalogah, kot je strojno prevajanje, in z nadzorovanim
usposabljanjem ustvarjajo skladna zaporedja. Mehanizem samoosre-
dotočenosti modelu omogoča, da se pri napovedovanju osredotoči na
različne dele vhodnega zaporedja hkrati. V primerjavi s ponavljajočimi
se nevronskimi mrežami (angl. recurrent neural networks – RNN), ki ob-
delujejo zaporedne informacije korak za korakom, pretvornik upošteva
celotno vhodno zaporedje naenkrat, kar učinkovito zajema odvisnosti.
5. Jezikovni modeli, ki pogosto temeljijo na ponavljajočih se nevronskih
mrežah (RNN), ustvarjajo zaporedja s predvidevanjem. Usposabljajo se
z nadzorovanim učenjem in so odlični pri ustvarjanju zaporedij narav-
nega jezika.
6. Modeli normaliziranja toka uporabljajo sklopitvene plasti za pretvorbo
podatkov ob ohranjanju gostote. Naučijo se kompleksnih porazdelitev
s preoblikovanjem preproste osnovne porazdelitve, usposobljene z
oceno največje verjetnosti.
7. Hibridni modeli združujejo različne arhitekture in metode usposabljan-
ja, da izkoristijo njihove prednosti. Ponujajo prilagodljivost in prilago-
jene generativne zmogljivosti s povezavo elementov iz več modelov.

Arhitektura GUI predstavlja različne premisleke in tveganja, ki jih je treba
skrbno preučiti. Od ocenjevanja modela in varne implementacije do ocene
tveganja in vpliva na okolje morajo razvijalci ter uporabniki, še posebej v iz-
obraževanju, dati prednost predvsem varnosti, zanesljivosti, odgovornosti in
trajnosti. Pri izbiri temeljnega modela in pri uporabi različnih, že obstoječih

35