Το Bard AI κάνει λάθος, κοστίζοντας στη Google αρκετά δισεκατομμύρια δολάρια

[Conan2046]

4 ώρες πριν, Neural_handshake είπε

50αρης δεν νομίζω να είμαι πια παιδαρελι κ όχι η ai δεν είναι απλά pattern matching , διαβάστε λίγο πως λειτουργει κ πως αυτοδιορθωνεται κάνοντας ολοένα καλύτερες προβλέψεις γιατί αυτό που βλέπετε είναι το νηπιακο σταδιο

 

12 ώρες πριν, kurkosdr είπε

Αυτό που εσείς τα παιδαρέλια λέτε "AI" εμείς το λέμε pre-trained pattern matching και ξέρουμε από παλιά τα χάλια του (ότι δηλαδή μπορεί να σου δώσει εντελώς λανθασμένες απαντήσεις ή εντελώς λανθασμένο match με τρομερή αυτοπεποίθηση, και δεν υπάρχει τρόπος να το καταλάβεις απλά κοιτώντας το αποτέλεσμα).

 

Είπα παιδιά να ρωτήσω το ίδιο το chat-gpt που ξέρει καλύτερα αν αυτό που κάνει είναι απλώς pre-trained pattern maching και η απάντηση του:

 

Yes, that's one of the methods used by language models like me. I have been trained on a vast amount of text data, and through that training I have learned to recognize patterns in language and make connections between words, phrases, and concepts. This enables me to generate responses to questions, summarize long texts, translate between languages, and perform other language-related tasks.

However, it's important to note that I don't just rely on pattern matching alone. I also use more advanced techniques like attention mechanisms and transformer networks, which allow me to dynamically weigh the importance of different words and phrases in a given context and make more informed decisions about what to generate as a response.

[Neural_handshake]

 

[pirmen56]

12 ώρες πριν, Neural_handshake είπε

50αρης δεν νομίζω να είμαι πια παιδαρελι κ όχι η ai δεν είναι απλά pattern matching , διαβάστε λίγο πως λειτουργει κ πως αυτοδιορθωνεται κάνοντας ολοένα καλύτερες προβλέψεις γιατί αυτό που βλέπετε είναι το νηπιακο σταδιο

Άσχετα με το τι πραγματικά είναι τα ANN, δύο πράγματα είναι σίγουρα. Πρώτον, δεν μπορούν να συλλάβουν νέες έννοιες, δηλαδή να ανακαλύψουν μοτίβα, απευθείας από δεδομένα(χωρίς καθοδήγηση από τρίτον) που είναι το πιο βασικό για να μιμηθείς όσα κάνουν τα ζώα. Δεύτερον, είναι λάθος γενικά να συγκρίνονται με ανθρώπους από τη στιγμή που δεν ξέρουμε με λεπτομέρεια τη λειτουργία των τελευταίων.

Οι ειδικοί πάντως τα αποκαλούν universal function approximators που είναι μαθηματικά η σωστότερη και πληρέστερη περιγραφή. Και ο ανθρώπινος εγκέφαλος έχει τέτοιες δυνατότητες(π.χ. όταν μαθαίνεις οδήγηση), αλλά δεν φαίνεται να σταματάει μόνο εκεί.

[Neural_handshake]

30 λεπτά πριν, pirmen56 είπε

Άσχετα με το τι πραγματικά είναι τα ANN, δύο πράγματα είναι σίγουρα. Πρώτον, δεν μπορούν να συλλάβουν νέες έννοιες, δηλαδή να ανακαλύψουν μοτίβα, απευθείας από δεδομένα(χωρίς καθοδήγηση από τρίτον) που είναι το πιο βασικό για να μιμηθείς όσα κάνουν τα ζώα. Δεύτερον, είναι λάθος γενικά να συγκρίνονται με ανθρώπους από τη στιγμή που δεν ξέρουμε με λεπτομέρεια τη λειτουργία των τελευταίων.

Οι ειδικοί πάντως τα αποκαλούν universal function approximators που είναι μαθηματικά η σωστότερη και πληρέστερη περιγραφή. Και ο ανθρώπινος εγκέφαλος έχει τέτοιες δυνατότητες(π.χ. όταν μαθαίνεις οδήγηση), αλλά δεν φαίνεται να σταματάει μόνο εκεί.

patterns κ συσχετισμους μπορουν να βρουν σε οτιδηποτε το ζητημα ειναι αν θα ειναι χρησιμα ,εκει ειναι το μαρμαρο

στην πραγματικοτητα δεν καταλαβαινουν ουτε τι τους ζηταμε ουτε τις οντοτητες και την πραγματικοτητα των εννοιων που επεξεργαζονται ως δεδομενα στην βαση τους

εδω λοιπον μπαινουν διαφοροι τεχνικες ωστε ενα query που τους γινεται να μεταφραστει σε λιγα keywords με διαφορετικη βαρυτητα το καθενα ωστε να αρχισει το νευρωνικο δικτυο να ψαχνει στην βαση του για δεδομενα που ειναι σχετικα και να ανακαλυψει σχετικα patterns ωστε να σου φερει πισω ως απαντηση οτι ταιριαξε

εδω μπαινει η εκπαιδευση απο ανθρωπους οπου χειροκινητα του δειχνεις τι ειδους συσχετισμους κ patterns θελεις 

μετα εχεις την ανατροφοδοτηση απο πραγματικους χρηστες οπου ακομα κ αν δεν γινεται ιεραρχηση η βαθμολογηση μπορουν να εξαχθουν συμπερασματα 

γενικοτερα μετα απο πολυ χρηση κ ανατροφοδοτηση το νευρωνικο δικτυο ρυθμιζει ολο κ πιο επιτυχημενα την βαρυτητα των nodes του δικτυου του (ανα σχετικες αναζητησεις) κ δινει ολοενα κ καλυτερα αποτελεσματα 

 

ουσιαστικα με μαθηματικα κ στατιστικη σου κανει επιτυχημενες προβλεψεις στα τυφλα 

οταν θα βρουμε τροπους να καταλαβαινει εννοιες κ την σχεση κ δυναμικη μεταξυ τους εκει θα αρχιζουμε να μιλαμε για πραγματικη ευφυια

τωρα ειναι πολυ επιτυχημενες μαντεψιες οι οποιες ομως ως μεθοδος ακομα κ ετσι δινει πολυ καλα αποτελεσματα σε πολλες περιπτωσεις

 

Επεξ/σία 10 Φεβρουαρίου 2023 από Neural_handshake

[pirmen56]

8 λεπτά πριν, Neural_handshake είπε

patterns κ συσχετισμους μπορουν να βρουν σε οτιδηποτε το ζητημα ειναι αν θα ειναι χρησιμα ,εκει ειναι το μαρμαρο

στην πραγματικοτητα δεν καταλαβαινουν ουτε τι τους ζηταμε ουτε τις οντοτητες και την πραγματικοτητα των εννοιων που επεξεργαζονται ως δεδομενα στην βαση τους

εδω λοιπον μπαινουν διαφοροι τεχνικες ωστε ενα query που τους γινεται να μεταφραστει σε λιγα keywords με διαφορετικη βαρυτητα το καθενα ωστε να αρχισει το νευρωνικο δικτυο να ψαχνει στην βαση του για δεδομενα που ειναι σχετικα και να ανακαλυψει σχετικα patterns ωστε να σου φερει πισω ως απαντηση οτι ταιριαξε

εδω μπαινει η εκπαιδευση απο ανθρωπους οπου χειροκινητα του δειχνεις τι ειδους συσχετισμους κ patterns θελεις 

μετα εχεις την ανατροφοδοτηση απο πραγματικους χρηστες οπου ακομα κ αν δεν γινεται ιεραρχηση η βαθμολογηση μπορουν να εξαχθουν συμπερασματα 

γενικοτερα μετα απο πολυ χρηση κ ανατροφοδοτηση το νευρωνικο δικτυο ρυθμιζει ολο κ πιο επιτυχημενα την βαρυτητα των nodes του δικτυου του (ανα σχετικες αναζητησεις) κ δινει ολοενα κ καλυτερα αποτελεσματα 

 

ουσιαστικα με μαθηματικα κ στατιστικη σου κανει επιτυχημενες προβλεψεις στα τυφλα 

οταν θα βρουμε τροπους να καταλαβαινει εννοιες κ την σχεση κ δυναμικη μεταξυ τους εκει θα αρχιζουμε να μιλαμε για πραγματικη εφυια

τωρα ειναι πολυ επιτυχημενες μαντεψιες οι οποιες ομως ως μεθοδος ακομα κ ετσι δινουν πολυ καλα αποτελεσματα σε πολλες περιπτωσεις

 

Η λέξη "κατανόηση" στερείται νοήματος από τη στιγμή που δεν γνωρίζουμε σε βάθος τη λειτουργία των βιολογικών εγκεφάλων. Αλλού είναι το μέγα πρόβλημα των ANN.

Τα ANNs προσεγγίζουν άγνωστες μαθηματικές συναρτήσεις. Ας πούμε ότι για ένα πρόβλημα Α υπάρχει μια μαθηματική συνάρτηση τέτοια ώστε για Χ δεδομένα(Χ1, Χ2, ..., Χn) μας επιστρέφει πίσω κάποια άλλα δεδομένα Y(Y1, Y2,...,Yt) που αποτελούν τη λύση του προβλήματος. Για παράδειγμα έχουμε το πρόβλημα Α: Μετάφραση προτάσεων όπου X=κάποια πρόταση στα αγγλικά και Y=η αντίστοιχη πρόταση στα ελληνικά.

Μαθηματική συνάρτηση είναι ένας άλλος τρόπος για να πεις αλγόριθμος. Αφού οι μαθηματικές συναρτήσεις περιέχουν και αριθμητικές πράξεις ΚΑΙ λογικές πράξεις(π.χ. IF a>b τότε κάνε το Χ). Όπως οι αλγόριθμοι. Τα ANN λοιπόν αν πάρουν εκατομμύρια ζευγάρια τιμών X και Y προσεγγίζουν αυτή την ιδεατή συνάρτηση που είναι δύσκολο για έναν άνθρωπο να την ανακαλύψει.

Από τα παραπάνω τι καταλαβαίνουμε; Κάποιος πρέπει να ορίσει εννοιολογικά το πρόβλημα και τις παραμέτρους του(Χ και Υ), ώστε στη συνέχεια τα ANN  να βρουν τη λύση.

Για παράδειγμα ένας μετεωρολόγος πρέπει να ξέρει ποιες παράμετροι(έννοιες) σχετίζονται με την πρόβλεψη του καιρού(Χ παράμετροι όπως βαρομετρικό) και ποιες παράμετροι αποτελούν την πρόβλεψη του καιρού(Υ παράμετροι όπως θερμοκρασία, υγρασία κτλ.). Αυτές οι έννοιες ΔΕΝ δημιουργούνται από καμία AI. Είναι προϊόν unsupervised learning του ανθρώπινου εγκέφαλου. Η AI απλά θα σου πει αν και ποια σχέση υπάρχει ανάμεσα σε παραμέτρους που είναι ΗΔΗ γνωστές.

Ενδεχομένως να σε βοηθήσει να καταλάβεις και αν υπάρχουν κρυφές/άγνωστες παράμτεροι σε ένα πρόβλημα αλλά αυτό δεν είναι ακριβώς το ίδιο με την σύλληψη εννοιών που κάνει ο εγκέφαλός μας.

 

[Neural_handshake]

21 λεπτά πριν, pirmen56 είπε

Η λέξη "κατανόηση" στερείται νοήματος από τη στιγμή που δεν γνωρίζουμε σε βάθος τη λειτουργία των βιολογικών εγκεφάλων. Αλλού είναι το μέγα πρόβλημα των ANN.

Τα ANNs προσεγγίζουν άγνωστες μαθηματικές συναρτήσεις. Ας πούμε ότι για ένα πρόβλημα Α υπάρχει μια μαθηματική συνάρτηση τέτοια ώστε για Χ δεδομένα(Χ1, Χ2, ..., Χn) μας επιστρέφει πίσω κάποια άλλα δεδομένα Y(Y1, Y2,...,Yt) που αποτελούν τη λύση του προβλήματος. Για παράδειγμα έχουμε το πρόβλημα Α: Μετάφραση προτάσεων όπου X=κάποια πρόταση στα αγγλικά και Y=η αντίστοιχη πρόταση στα ελληνικά.

Μαθηματική συνάρτηση είναι ένας άλλος τρόπος για να πεις αλγόριθμος. Αφού οι μαθηματικές συναρτήσεις περιέχουν και αριθμητικές πράξεις ΚΑΙ λογικές πράξεις(π.χ. IF a>b τότε κάνε το Χ). Όπως οι αλγόριθμοι. Τα ANN λοιπόν αν πάρουν εκατομμύρια ζευγάρια τιμών X και Y προσεγγίζουν αυτή την ιδεατή συνάρτηση που είναι δύσκολο για έναν άνθρωπο να την ανακαλύψει.

Από τα παραπάνω τι καταλαβαίνουμε; Κάποιος πρέπει να ορίσει εννοιολογικά το πρόβλημα και τις παραμέτρους του(Χ και Υ), ώστε στη συνέχεια τα ANN  να βρουν τη λύση.

Για παράδειγμα ένας μετεωρολόγος πρέπει να ξέρει ποιες παράμετροι(έννοιες) σχετίζονται με την πρόβλεψη του καιρού(Χ παράμετροι όπως βαρομετρικό) και ποιες παράμετροι αποτελούν την πρόβλεψη του καιρού(Υ παράμετροι όπως θερμοκρασία, υγρασία κτλ.). Αυτές οι έννοιες ΔΕΝ δημιουργούνται από καμία AI. Είναι προϊόν unsupervised learning του ανθρώπινου εγκέφαλου. Η AI απλά θα σου πει αν και ποια σχέση υπάρχει ανάμεσα σε παραμέτρους που είναι ΗΔΗ γνωστές.

Ενδεχομένως να σε βοηθήσει να καταλάβεις και αν υπάρχουν κρυφές/άγνωστες παράμτεροι σε ένα πρόβλημα αλλά αυτό δεν είναι ακριβώς το ίδιο με την σύλληψη εννοιών που κάνει ο εγκέφαλός μας.

 

1) Ναι δεν ξερουμε ακομα πως ακριβως δουλευει ο ανθρωπινος εγκεφαλος για αυτο κ δεν ειναι σιγουρο οτι θα φτασουμε σε agi τοσο συντομα οσο εικαζουν διαφοροι του χωρου

2) Δες αυτη την σειρα των πολυ καλων βιντεο κ θα καταλαβεις πως δουλευουν τα νευρωνικα δικτυα 

 

κ λιγη βοηθεια απο τον chatgpt (thanks bot )

 

explain backpropagation in neural networks

 

Backpropagation is a training algorithm for neural networks that is used to adjust the weights of the connections between neurons in order to minimize the error in the predictions made by the network. It is a supervised learning algorithm, meaning that it uses labeled training examples to guide the learning process.

The backpropagation algorithm starts with a forward pass through the network, in which the inputs are fed into the network and the outputs are computed. The error in the outputs is then computed using a loss function, which measures the difference between the predicted outputs and the actual outputs.

Next, the backpropagation algorithm performs a backward pass, in which the error is propagated back through the network, starting from the output layer. At each layer, the weights are adjusted in a way that reduces the error, with the magnitude of the adjustments determined by a learning rate. This process is repeated until the error reaches a minimum or a stopping criterion is met.

The backpropagation algorithm is an important part of the training process for many types of neural networks, including feedforward networks and recurrent neural networks. It is a powerful tool for improving the accuracy of the predictions made by neural networks, and it is widely used in a variety of applications, including image classification, natural language processing, and reinforcement learning.

 

Επεξ/σία 10 Φεβρουαρίου 2023 από Neural_handshake

[pirmen56]

32 λεπτά πριν, Neural_handshake είπε

1) Ναι δεν ξερουμε ακομα πως ακριβως δουλευει ο ανθρωπινος εγκεφαλος για αυτο κ δεν ειναι σιγουρο οτι θα φτασουμε σε agi τοσο συντομα οσο εικαζουν διαφοροι του χωρου

2) Δες αυτη την σειρα των πολυ καλων βιντεο κ θα καταλαβεις πως δουλευουν τα νευρωνικα δικτυα 

 

κ λιγη βοηθεια απο τον chatgpt (thanks bot )

 

explain backpropagation in neural networks

 

Backpropagation is a training algorithm for neural networks that is used to adjust the weights of the connections between neurons in order to minimize the error in the predictions made by the network. It is a supervised learning algorithm, meaning that it uses labeled training examples to guide the learning process.

The backpropagation algorithm starts with a forward pass through the network, in which the inputs are fed into the network and the outputs are computed. The error in the outputs is then computed using a loss function, which measures the difference between the predicted outputs and the actual outputs.

Next, the backpropagation algorithm performs a backward pass, in which the error is propagated back through the network, starting from the output layer. At each layer, the weights are adjusted in a way that reduces the error, with the magnitude of the adjustments determined by a learning rate. This process is repeated until the error reaches a minimum or a stopping criterion is met.

The backpropagation algorithm is an important part of the training process for many types of neural networks, including feedforward networks and recurrent neural networks. It is a powerful tool for improving the accuracy of the predictions made by neural networks, and it is widely used in a variety of applications, including image classification, natural language processing, and reinforcement learning.

Back prop είναι η μέθοδος που χρησιμοποιούν τα περισσότερα ANN για να προσεγγίσουν τη συνάρτηση που λύνει ένα πρόβλημα. Το παλούκι όμως είναι ο ορισμός του προβλήματος.

Ας πούμε ότι ανοίγεις ένα βιβλίο στατιστικής. Βλέπεις μέσα έννοιες όπως δειγματικός χώρος, πιθανότητα, δεσμευμένη πιθανότητα, κανονική κατανομή κτλ. Που βρέθηκαν όλες αυτές οι έννοιες; Έπεσαν από τον ουρανό; Φυσικά και όχι. Τις δημιούργησαν άνθρωποι.

Και με τα ζώα που δεν μιλάνε γλώσσα τι γίνεται; Ακριβώς το ίδιο. Αν ένας άγριος σκύλος δεχθεί κακομεταχείριση από συγκεκριμένο άνθρωπο, τότε θα φοβάται μελλοντικά όλους τους ανθρώπους. Όλη την κατηγορία αντικειμένων που ονομάζονται άνθρωποι. Άρα ο εγκέφαλός του μπορεί να γενικεύσει. Μπορεί να συλλάβει έννοιες και να τις συνδέσει με άλλες έννοιες χτίζοντας ένα μοντέλο του κόσμου. π.χ. "άνθρωπος" συνδέεται με "επιθετική συμπεριφορά" συνδέεται με "θανατό". 

Από εκεί αρχίζεις να καταλαβαίνεις τη φύση του προβλήματος της AGI. Δεν μπορείς να μοντελοποιήσεις ΤΙΠΟΤΑ χωρίς έννοιες(concepts).

[Neural_handshake]

9 λεπτά πριν, pirmen56 είπε

Back prop είναι η μέθοδος που χρησιμοποιούν τα περισσότερα ANN για να προσεγγίσουν τη συνάρτηση που λύνει ένα πρόβλημα. Το παλούκι όμως είναι ο ορισμός του προβλήματος.

Ας πούμε ότι ανοίγεις ένα βιβλίο στατιστικής. Βλέπεις μέσα έννοιες όπως δειγματικός χώρος, πιθανότητα, δεσμευμένη πιθανότητα, κανονική κατανομή κτλ. Που βρέθηκαν όλες αυτές οι έννοιες; Έπεσαν από τον ουρανό; Φυσικά και όχι. Τις δημιούργησαν άνθρωποι.

Και με τα ζώα που δεν μιλάνε γλώσσα τι γίνεται; Ακριβώς το ίδιο. Αν ένας άγριος σκύλος δεχθεί κακομεταχείριση από συγκεκριμένο άνθρωπο, τότε θα φοβάται μελλοντικά όλους τους ανθρώπους. Όλη την κατηγορία αντικειμένων που ονομάζονται άνθρωποι. Άρα ο εγκέφαλός του μπορεί να γενικεύσει. Μπορεί να συλλάβει έννοιες και να τις συνδέσει με άλλες έννοιες χτίζοντας ένα μοντέλο του κόσμου. π.χ. "άνθρωπος" συνδέεται με "επιθετική συμπεριφορά" συνδέεται με "θανατό". 

Από εκεί αρχίζεις να καταλαβαίνεις τη φύση του προβλήματος της AGI. Δεν μπορείς να μοντελοποιήσεις ΤΙΠΟΤΑ χωρίς έννοιες(concepts).

εχεις καταλαβει οτι χοντρικα λεμε τα ιδια πραγματα με αλλα λογια?

[kurkosdr]

Στις 10/2/2023 στις 2:55 ΠΜ, Neural_handshake είπε

διαβάστε λίγο πως λειτουργει κ πως αυτοδιορθωνεται κάνοντας ολοένα καλύτερες προβλέψεις γιατί αυτό που βλέπετε είναι το νηπιακο σταδιο

Το κάναμε το MLP και το backpropagation του στο πανεπιστήμιο, στην ουσία με κάθε εικόνα ή κείμενο που βλέπει αναπροσαρμόζει τα βάρη στους κόμβους του και άρα "αυτοδιορθώνεται". Και λοιπόν; Τα βάρη για ένα δεδομένο session εξαρτώνται από τις εικόνες ή τα κείμενα που έχει δει προηγουμένως, δεν υπάρχει καμιά εγγύηση ότι έχει προσεγγίσει τη συνάρτηση που έπρεπε να προσεγγίσει, ακόμα και αν φαινομενικά το έχει κάνει.

Και εκεί είναι το πρόβλημα: Μπορεί να σου δώσει ένα εντελώς λάθος ή ένα εντελώς σωστό αποτέλεσμα και θα το κάνει με την ίδια αυτοπεποίθηση και στις δυο περιπτώσεις (και στο ChatGPT με την ίδια αληθοφανή εξήγηση). Είναι ο λόγος που ένα Tesla δεν αναγνώρισε ένα αναποδογυρισμένο λευκό φορτηγό ως εμπόδιο λόγω της αντανάκλασης του ηλίου στην οροφή του φορτηγού και προσπάθησε να οδηγήσει μέσα από το αναποδογυρισμένο φορτηγό (και τράκαρε). Πολύ απλά δεν είχε ξαναδεί κάτι παρόμοιο και δεν ήξερε τίποτα για concepts όπως "καρότσα" και "φορτηγό".

Ακόμα και το ChatGPT είναι επικίνδυνο με την έννοια ότι, ακόμα και αν ο άνθρωπος που λαμβάνει την απάντηση κάνει την έρευνα του, οι αληθοφανείς εξηγήσεις που δίνει το ChatGPT δημιουργούν confirmation bias.

Επεξ/σία 11 Φεβρουαρίου 2023 από kurkosdr

[Neural_handshake]

2 ώρες πριν, kurkosdr είπε

Το κάναμε το MLP και το backpropagation του στο πανεπιστήμιο, στην ουσία με κάθε εικόνα ή κείμενο που βλέπει αναπροσαρμόζει τα βάρη στους κόμβους του και άρα "αυτοδιορθώνεται". Και λοιπόν; Τα βάρη για ένα δεδομένο session εξαρτώνται από τις εικόνες ή τα κείμενα που έχει δει προηγουμένως, δεν υπάρχει καμιά εγγύηση ότι έχει προσεγγίσει τη συνάρτηση που έπρεπε να προσεγγίσει, ακόμα και αν φαινομενικά το έχει κάνει.

Και εκεί είναι το πρόβλημα: Μπορεί να σου δώσει ένα εντελώς λάθος ή ένα εντελώς σωστό αποτέλεσμα και θα το κάνει με την ίδια αυτοπεποίθηση και στις δυο περιπτώσεις (και στο ChatGPT με την ίδια αληθοφανή εξήγηση). Είναι ο λόγος που ένα Tesla δεν αναγνώρισε ένα αναποδογυρισμένο λευκό φορτηγό ως εμπόδιο λόγω της αντανάκλασης του ηλίου στην οροφή του φορτηγού και προσπάθησε να οδηγήσει μέσα από το αναποδογυρισμένο φορτηγό (και τράκαρε). Πολύ απλά δεν είχε ξαναδεί κάτι παρόμοιο και δεν ήξερε τίποτα για concepts όπως "καρότσα" και "φορτηγό".

Ακόμα και το ChatGPT είναι επικίνδυνο με την έννοια ότι, ακόμα και αν ο άνθρωπος που λαμβάνει την απάντηση κάνει την έρευνα του, οι αληθοφανείς εξηγήσεις που δίνει το ChatGPT δημιουργούν confirmation bias.

πολυ σωστα ,στην παρουσα φαση λοιπον τα αποτελεσματα που σου δινει ειναι παντα υπο επαληθευση αλλα ακομα κ ετσι τις περισσοτερες φορες ειναι μεσα ,προς το παρον ολα αυτα γιατι οσο περναει ο καιρος κ με τα λεφτα που χορευουν κ διακυβευονται θα δουμε ολοενα καλυτερες ai 

[kurkosdr]

20 ώρες πριν, Neural_handshake είπε

πολυ σωστα ,στην παρουσα φαση λοιπον τα αποτελεσματα που σου δινει ειναι παντα υπο επαληθευση αλλα ακομα κ ετσι τις περισσοτερες φορες ειναι μεσα ,προς το παρον ολα αυτα γιατι οσο περναει ο καιρος κ με τα λεφτα που χορευουν κ διακυβευονται θα δουμε ολοενα καλυτερες ai 

Τσου. Δεν έλυσες κάποιο πρόβλημα, απλά μετατόπισες το πρόβλημα από το πεδίο του ορισμού του προβλήματος στο πεδίο εύρεσης του τέλειου training set. Γιατί δεν αρκεί ένα "αρκετά καλό" training set, και 1 τρισεκατομμύριο δείγματα να του έχεις για training set, αρκεί να μην καλύπτει μια περίπτωση όπως αυτή που ανέφερα πιο πάνω και θα σου δώσει μια τελείως λάθος απάντηση. Και δεν έχει εφευρεθεί τρόπος να μετατρέψεις το χρήμα στο τέλειο training set, οπότε όσο χρήμα και να έχεις δεν μπορείς να το ανταλλάξεις με ένα τέλειο training set.

Επίσης για τους σκοπούς που το θέλουν (πχ self-driving cars) η χειροκίνητη επαλήθευση δεν είναι δυνατή. Και στο ChatGPT αν το θέλουν για σοβαρά προβλήματα και όχι ως novelty θα κάνει περισσότερο κακό από καλό λόγω του confirmation bias που προκαλεί.

[Neural_handshake]

1 ώρα πριν, kurkosdr είπε

Τσου. Δεν έλυσες κάποιο πρόβλημα, απλά μετατόπισες το πρόβλημα από το πεδίο του ορισμού του προβλήματος στο πεδίο εύρεσης του τέλειου training set. Γιατί δεν αρκεί ένα "αρκετά καλό" training set, και 1 τρισεκατομμύριο δείγματα να του έχεις για training set, αρκεί να μην καλύπτει μια περίπτωση όπως αυτή που ανέφερα πιο πάνω και θα σου δώσει μια τελείως λάθος απάντηση. Και δεν έχει εφευρεθεί τρόπος να μετατρέψεις το χρήμα στο τέλειο training set, οπότε όσο χρήμα και να έχεις δεν μπορείς να το ανταλλάξεις με ένα τέλειο training set.

Επίσης για τους σκοπούς που το θέλουν (πχ self-driving cars) η χειροκίνητη επαλήθευση δεν είναι δυνατή. Και στο ChatGPT αν το θέλουν για σοβαρά προβλήματα και όχι ως novelty θα κάνει περισσότερο κακό από καλό λόγω του confirmation bias που προκαλεί.

Τα έχουμε πει αυτά ,προς το παρόν δεν μπορεί να παράξει κάτι καινούργιο η να ανακαλύψει κάτι νεο κ ναι στις περιπτώσεις που δεν υπάρχει σχετική γνώση πολλές φορές θα φαντασιωθει κλπ

Οπότε ναι για τωρα ότι σου βγάζει θα είναι πάντα υπό επαλήθευση ,τα λένε δεν τα κρύβουν αυτά ,τώρα αν πάει ο καθε ηλίθιος ξργω κ βασιστεί 100% σε ότι σου βγάζει ε δεν φταίει το εργαλείο ο ηλίθιος φταιει

για κρίσιμα πράγματα είναι ένα καλό πρώτο draft να προσανατολίστεις κ να ψάξεις περαιτερω, για αλλά που δεν σε νοιάζουν κ πολύ πας με ότι σου δίνει ,δεν θα χαλάστω ιδιαίτερα αν από τα ρολόγια που μου πρότεινε κάποια δεν υπάρχουν ξργω, πραγματικό παραδειγμα

 

 

Επεξ/σία 12 Φεβρουαρίου 2023 από Neural_handshake