假设你正在尝试构建一个系统来决定某人是否会拖欠贷款。早在 世纪 年代和 年统。因此你会去找一群专家那些对评估信用风险非常了解的人你会问他们一堆问题。你会从人类那里提取知识。然后你会将这些知识汇总到一百位专家那里并将其放入一个你称之为专家系统的盒子里。所以所有这些规则可以说都来自人类。 世纪 年代研究人员早在十年前就开始这样做了但人们开始说好吧让我们使用不同的方法。
让我们通过提供数据来教计算机自
己学习这些规则。这就是机器学习的曙光。在这个评估信用风险的 求职者数据库 例子中你不是给计算机一堆规则而是给它一百万个例子：五十万没有拖欠贷款的人和五十万拖欠贷款的人。专家会说这是特征或者这是额外的信息。你想给系统提供这些人的信息他们的年龄、收入、工作经历和信用评分然后系统会自己想出规则。好吗？这就是机器学习的曙光。 快进大概 到 年我们进入了第三阶段也就是深度学习阶段。
在这一阶段系统不仅可以自己找出规
则还可以找出特征找出要使用的人的哪些特征。所以这就像你给系统提供 CA 细胞数 关于这个人的数据他们所有的浏览历史、所有的搜索历史、所有的社交媒体然后系统就会构建出人类无法理解的这些特征。这实际上是从图像识别开始的。比如计算机识别狗的方式与人类识别狗的方式非常不同。它构建了我们无法用语言描述的这种模式。 现在我们进入了第四阶段所有这些早期的人工智能系统都在并行进行预测。
人工智能的一个分支叫做自然语言处理
它极大地增强了我们或计算机分析文本的能力。因此你可以将早期的生成式人工智能大 了多少时间以及查看了 型语言模型视为自然语言处理梦想和这些预测系统的结合。现在大型语言模型的任务非常简单。 它被赋予一组单词它的任务是预测下一个单词。但由于我们拥有如此强大的计算能力并且我们为它提供了如此多的数据这个简单的任务已经使大型语言模型能够像人类一样进行交谈。
