Page 35 - Izobraževanje v dobi generativne umetne inteligence
P. 35

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
   30   31   32   33   34   35   36   37   38   39   40